CN113326741B - 一种基于sar和光学影像的优化特征选择分类方法 - Google Patents
一种基于sar和光学影像的优化特征选择分类方法 Download PDFInfo
- Publication number
- CN113326741B CN113326741B CN202110500421.0A CN202110500421A CN113326741B CN 113326741 B CN113326741 B CN 113326741B CN 202110500421 A CN202110500421 A CN 202110500421A CN 113326741 B CN113326741 B CN 113326741B
- Authority
- CN
- China
- Prior art keywords
- image
- feature
- sar
- images
- classification
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 230000003287 optical effect Effects 0.000 title claims abstract description 52
- 238000000034 method Methods 0.000 title claims abstract description 43
- 238000005457 optimization Methods 0.000 title abstract description 9
- 230000010287 polarization Effects 0.000 claims abstract description 34
- 238000007637 random forest analysis Methods 0.000 claims abstract description 22
- 238000012216 screening Methods 0.000 claims abstract description 10
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 8
- 230000003595 spectral effect Effects 0.000 claims abstract description 7
- 238000000354 decomposition reaction Methods 0.000 claims abstract description 5
- 239000011159 matrix material Substances 0.000 claims description 29
- 238000012795 verification Methods 0.000 claims description 18
- 238000012549 training Methods 0.000 claims description 13
- 238000011160 research Methods 0.000 claims description 10
- 238000007781 pre-processing Methods 0.000 claims description 9
- 238000011156 evaluation Methods 0.000 claims description 8
- 238000012952 Resampling Methods 0.000 claims description 3
- 238000004364 calculation method Methods 0.000 claims description 3
- 238000012937 correction Methods 0.000 claims description 3
- 238000003066 decision tree Methods 0.000 claims description 3
- 238000012217 deletion Methods 0.000 claims description 3
- 230000037430 deletion Effects 0.000 claims description 3
- 230000001419 dependent effect Effects 0.000 claims description 3
- 238000001914 filtration Methods 0.000 claims description 3
- 238000013139 quantization Methods 0.000 claims description 3
- 238000011835 investigation Methods 0.000 claims description 2
- 230000005855 radiation Effects 0.000 claims description 2
- 238000005388 cross polarization Methods 0.000 claims 1
- 230000001360 synchronised effect Effects 0.000 abstract description 2
- 230000000694 effects Effects 0.000 description 4
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 3
- 238000001228 spectrum Methods 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 238000012512 characterization method Methods 0.000 description 1
- 238000007635 classification algorithm Methods 0.000 description 1
- 238000010205 computational analysis Methods 0.000 description 1
- 238000010219 correlation analysis Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 238000012634 optical imaging Methods 0.000 description 1
- 238000004445 quantitative analysis Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
- 238000010200 validation analysis Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
- G06V20/176—Urban or other man-made structures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/24323—Tree-organised classifiers
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/40—Analysis of texture
- G06T7/41—Analysis of texture based on statistical description of texture
- G06T7/45—Analysis of texture based on statistical description of texture using co-occurrence matrix computation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
- G06V20/182—Network patterns, e.g. roads or rivers
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
- G06V20/188—Vegetation
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Multimedia (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Probability & Statistics with Applications (AREA)
- Mathematical Physics (AREA)
- Image Processing (AREA)
- Radar Systems Or Details Thereof (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及多源遥感影像地物分类领域，公开了一种基于SAR影像和光学影像的优化特征选择分类方法，该方法获取同期的SAR和光学影像数据，对图像分别进行预处理后配准；分别提取光学影像光谱特征、纹理特征和SAR影像特征矩阵、极化分解特征；通过使用随机森林算法将提取的各种特征参数进行优化筛选，对提取出的各类特征进行重要性分析以及计算；选取重要性得分较高的影像特征参与影像地物分类，并验证其分类精度。本发明使分类结果更加稳定和精确。
Description
技术领域
本发明属于雷达影像分类领域，特别是涉及一种基于SAR和光学影像的优化特征选择分类方法。
背景技术
土地利用和土地覆盖变化是引起全球环境变化的主要原因之一。有效的管理和保护日益稀缺的土地资源，探索土地覆盖动态变化过程以及变化的驱动因素都依赖于准确、实时的土地覆盖动态变化信息的获取。随着遥感数据采集技术的进步，获取同一地区的多种遥感影像数据也越来越便捷。传统的光学遥感由于天气和光照等外在因素的制约，在应用上受到一定程度的影响。合成孔径雷达属于主动遥感的范畴，能够全天时全天候工作，利用SAR影像进行土地覆盖分类成为当前研究遥感图像的热点之一。目前国际上常用的SAR和光学影像协同分类方法大多集中在分类算法和特征要素数量问题上，未结合SAR影像极化特征以及光学特征并将其应用到分类中的研究中。针对上述问题，本专利提出了一种优化SAR影像分类输入参数的方法，利用光学影像优质的特征参数，结合极化SAR影像特征作为输入变量，利用随机森林进行特征筛选后进行土地利用覆盖分类。
发明内容
发明目的：本发明的目的是提供一种基于SAR和光学影像的优化特征选择分类方法。
技术方案：为达到此目的，本发明所述的基于SAR和光学影像的优化特征选择分类方法，包括以下步骤：
S1：预先根据研究区的土地利用和土地覆盖情况，设定地物分类体系，选取部分地物为训练区域，其余地物作为验证区域数据；
S2：对同期同区域的SAR影像和光学影像数据预处理后，采集训练区域的SAR影像数据和光学影像数据；
S3：分别提取训练区域光学影像的光谱特征、纹理参数，SAR影像的特征矩阵、极化分解参数；
S4：将提取出的SAR影像和光学影像所有特征参数作为输入变量，使用随机森林算法对验证区域进行预分类，获得各类特征参数的重要性排序及特征重要性得分；
S5：根据特征重要性得分对特征参数进行筛选，选取重要性得分排序前列的特征参数作为输入变量，参与到随机森林分类器中进行分类，根据前述验证区域数据进行验证以及精度评价。
进一步，所述步骤1中，选取地物样本过程包括：结合实地地物考察，以谷歌地球影像和高分影像等作为参考影像，选取的地物训练区域数据既有地物种类的代表特性，又在影像研究区域内均匀分布。
进一步，所述步骤2中，SAR影像和光学影像预处理过程为：
所述SAR影像的预处理步骤包括影像配准、斑点滤波、地理编码和辐射定标，所述光学影像的预处理步骤包括辐射定标、大气校正和重采样。
进一步，所述步骤3中，提取出的光学影像特征参数包括光谱信息和纹理信息，其中纹理信息采用基于灰度共生矩阵(GLCM)方法进行分析，包括以下常用8种特征：均值、对比度、方差、相异性、同质性、相关性、信息熵和二阶矩。纹理计算过程中采用的参数设置分别为：偏移距离d＝1，灰度量化级L＝64，窗口大小为3*3，同时选取0°、45°、90°和135°四个方向计算纹理特征参数的平均值。
进一步，所述步骤3中，提取出的SAR影像参数包括特征矩阵和极化特征参数。SAR影像散射矩阵表示为:
其中SVH和SVV为VH和VV通道(VH：交叉极化；VV：垂直同极化)的后散射系数。
包含SAR极化信息二阶统计量的协方差矩阵C表示为：
其中，Ω为目标向量，上标H为共轭转置，N为独立样本个数，提取出的协方差矩阵C包含三部分影像数据信息，C11：实数数据，C12：实部和虚部数据，C22：实数数据；
极化特征参数表示为：
其中伪概率Pi＝λi/(λ1+λ2)；α1、α2为SAR影像两种极化对应的协方差矩阵C特征向量散射角；λ1、λ2为SAR影像两种极化通道协方差矩阵C的特征值。
进一步，所述步骤4中采用的随机森林算法筛选特征变量过程包括将光学和SAR影像中提取出的多种原始特征变量作为输入变量，所述特征变量包括纹理：均值、对比度、方差、相异性、同质性、相关性、信息熵和二阶矩；极化特征：H、A、计算变量：/>H/VV；特征矩阵相关变量：C11、C12、C22；输入随机森林分类器对验证影像数据进行预分类，设置随机森林的决策树为100，删除比例定为10％，通过预分类结果中的特征重要性得分对特征参数重要性进行排序，并选取重要性得分排序在前15的特征参数。
进一步的，所述步骤5中特征筛选后进行分类并验证其精度过程包括：选取重要性得分排序前15的特征参数作为输入变量，参与到随机森林分类器中进行最终分类，根据前述验证区域数据进行验证以及精度评价。
有益效果：与现有技术相比，本发明的技术方案具有以下有益技术效果：
本发明公开了一种基于SAR和光学影像的优化特征选择分类方法，与传统的SAR影像分类方法相比，有效提高了分类精度。
附图说明
图1基于SAR和光学影像的优化特征选择分类方法的流程图
图2极化特征参数统计图；
图3归一化后极化特征参数统计图；
图4光学影像不同波段纹理参数统计图；
图5光学影像不同波段纹理参数重要性得分统计图；
图6特征参数重要性统计图。
具体实施方式
下面结合具体实施方式对本发明的技术方案作进一步的介绍。
本具体实施方式公开了一种基于SAR和光学影像的优化特征选择分类方法，包括以下步骤：
S1：预先根据研究区的土地利用和土地覆盖情况，设定地物分类体系，选取部分地物为训练区域，其余地物作为验证区域数据；
根据土地利用分类标准以及研究区域土地利用情况，将研究区域分为植被，耕地，高密度建筑物，低密度建筑物，道路，水体6类。同时期采集的1m全色/4m多光谱分辨率高分二号影像用作本研究训练和验证样本的参考影像。参照光学影像和高分二号数据随机抽样，每类地物各选取15个样本作为训练样本，检验样本由每类10个样本构成。
S2：选取同期同地区的哨兵1号(Sentinel-1)、哨兵2号(Sentinel-2)数据，对图像进行预处理。具体如下：
研究选取成像于2017年10月16日带TOPS模式的C波段Sentinel-1VV–VH极化SAR数据，距离和方位角分辨率分别为5m和20m；Sentinel-2光学影像成像于2017年10月24日，包含了13个空间分辨率为10m–60m的波段，使用其中4个空间分辨率为10m的波段(波段2、3、4、8：蓝、绿、红、近红外)。
对Sentinel-1数据进行影像配准、斑点滤波、地理编码和辐射定标处理；对Sentinel-2影像进行辐射定标、大气校正和重采样处理；然后采用误差小于0.5像素的互相关算法对Sentinel-1/2数据进行配准。
S3：分别提取光学影像特征纹理参数和SAR影像特征矩阵、极化分解参数。
提取出的光学影像特征参数包括光谱信息和纹理信息，其中纹理信息采用基于灰度共生矩阵(GLCM)方法进行分析，包括以下常用8种特征：均值、对比度、方差、相异性、同质性、相关性、信息熵和二阶矩。纹理计算过程中采用的参数设置分别为：偏移距离d＝1，灰度量化级L＝64，窗口大小为3*3，同时选取0°、45°、90°和135°四个方向计算纹理特征参数的平均值。
提取出的SAR影像参数包括特征矩阵和极化特征参数。
极化合成孔径雷达观测以散射矩阵的形式描述了目标在不同极化下的散射行为。对于VV-VH极化数据，散射矩阵表示为:
其中SVH和SVV为VH和VV通道的后散射系数。
为进一步分析，包含极化信息二阶统计量的协方差矩阵C表示为：
其中Ω为目标向量，上标H为共轭转置，N为独立样本个数，提取出的协方差矩阵C包含三部分数据，C11：实数数据，C12：实部和虚部数据，C22：实数数据；
多视协方差矩阵在高斯假设下服从一个复杂的Wishart分布，理论上，N越大，协方差矩阵估计越准确，而所有样本都需要来自相同的分布。
进一步，所述步骤S3中，极化特征参数为：
其中伪概率Pi＝λi/(λ1+λ2)；α1、α2为SAR影像两种极化对应的协方差矩阵C特征向量散射角；λ1、λ2为SAR影像两种极化通道协方差矩阵C的特征值。
针对不同地物所提取的部分参数结果如表1：
表1不同地物各类特征参数表示
S4：将提取出的SAR影像和光学影像所有特征参数作为输入变量，使用随机森林算法对验证区域进行预分类，获得各类特征参数的重要性排序及特征重要性得分。
以选取的典型地物训练样本区域数据，将光学和SAR影像中提取出的多种原始特征变量(纹理：均值、对比度、方差、相异性、同质性、相关性、信息熵和二阶矩；极化特征：H、A、计算变量：/>H/VV；特征矩阵相关变量：C11、C12、C22)作为输入变量，输入随机森林分类器对影像进行预分类。设置随机森林的决策树为100，删除比例定为10％，通过预分类结果中的特征重要性得分对特征参数重要性进行排序，并选取重要性得分较高的特征参数。
经过反复的实验分析对比，确定特征个数为15个左右时分类效果最佳，选取重要性评分较高的参与后期地物分类。
为保证各类要素在实验数据中可分，对各类地物观测值进行特征统计，其极化参数统计如图2所示。
由图2可知不同极化特征的值域范围不同，分图统计时不易进行地物间的特征对比以及相关分析，因此对6种地物的5种极化特征值分别除以所属特征值中的最大值以归一化。同时，提取出的光谱特征如图3所示。
从图3中可以看出，水体和高密度建筑物的极化熵H和反熵A取值范围相近，不易区分，但是其散射角数值有明显差别，因此可以通过波段运算/>的值来区分水体和高密度建筑物；同理，利用H/VV和熵H能够将耕地与其他五类地物区分出来。道路、低密度建筑物等人工建筑则由于散射机制原因数值相近，仅通过SAR参数区分度不高，而光学影像的波谱信息则能够很明确的对上述几类地物进行辨别。
图4为针对6种地物的光学影像四个波段纹理特征提取信息统计，从图中可以看出在纹理信息提取上，由于不同波段对相同地物具有不同的敏感性，纹理特征也会有些许差异。但是若将全部波段的纹理参数参与特征重要度排序，信息会有很大程度上的重合，造成大量的数据冗余，影响分类结果，因此需要选择合适波段的纹理信息参与特征重要性排序。将4个波段的所有纹理信息参与像预分类并对特征重要性进行排序，选出参与度最高的波段纹理特征参与后续分类。结果如图5所示，band 4的纹理特征在重要性得分前15中获得的总分数最高，因此选用band 4的纹理特征作为光学影像的纹理特征参与分类。
将光学影像的纹理特征，SAR影像的纹理特征、极化特征及其相关运算后特征、协方差矩阵参与随机森林特征重要性排序，取重要性大于0.01的特征进行分析。根据特征重要性排序(图6)可以看出，由于光学影像和SAR影像不同的成像机制，光学影像的纹理特征在特征重要性排序中的表现均优于SAR影像纹理特征；极化特征经过计算分析后，在分类中的重要性也排在前列。由此可见，光学纹理特征以及分析后的极化特征将会使得分类效果有所提升。
经过特征分析以及重要性排序，最终选取SAR影像极化特征H，A，α，纹理特征相关性、和H/VV；光学影像纹理特征均值、方差、相异性、对比度、相关性和相异性，光谱特征R、G、B、NIR参与最终土地覆盖分类。
S5：根据特征重要性得分对特征参数进行筛选，选取重要性得分排序前列的特征参数作为输入变量，参与到随机森林分类器中进行分类，根据前述验证区域数据进行验证以及精度评价。
为了验证本专利方法的有效性，对单独的SAR影像、结合光学参数的SAR影像和参数筛选优化的SAR影像进行随机森林分类，并针对试验区的典型城市区域和乡村区域分别进行分类结果对比。
定量分析选择制图精度、用户精度以及Kappa系数作为评价指标，分类结果评定如表2所示：
表2分类结果评定
使用随机森林优化输入参数后获得最高总体精度92.1％。在各类地物中高密度建筑物纹理复杂，其极化分解得到的熵、平均散射角与各向的异性特征与道路、耕地比较相似，光谱以及纹理参数经过优化筛选参与分类后，分类精度提高10％；此外，由于植被和水体所产生的奇次散射特征比较弱，导致漏分和错分情形比较严重，从表(2)的统计结果看出，本方法使这两类地物的分类精度值均有大幅度提高。综合各数据的分类结果及精度评价可以看出，本专利输入参数参与分类的方法相较于传统分类方法(只采用SAR数据特征参数)具有更好的地物分类效果，体现了光学影像和SAR影像结合分类的优势。
受有限训练样本的可用性以及散斑噪声的影响，目前最先进的监督方法在极化SAR数据上的应用是有限的，本发明提出的光学影像参数参与SAR影像极化分类方法，与传统的监督方法相比有以下优点：(1)利用随机森林算法对光学和SAR影像的特征参数进行筛选，有效地减少了大量参数输入造成的数据冗余，提高参数的利用率，为后续分类提供了优质的特征参数子集。(2)结合光学特征和极化特征，弥补了不同影像源的不足，可以获得更高的分类精度，甚至在情况比较复杂的城市场景中都能在不损失边界的情况下有效地提取地物。
Claims (4)
1.一种基于合成孔径雷达SAR影像和光学影像的优化特征选择分类方法，其特征在于，包括以下步骤：
S1：预先根据研究区的土地利用和土地覆盖情况，设定地物分类体系，选取部分地物为训练区域，其余地物作为验证区域数据；
S2：对同期同区域的SAR影像和光学影像数据预处理后，采集训练区域的SAR影像数据和光学影像数据；
S3：分别提取训练区域光学影像的光谱特征、纹理参数，SAR影像的特征矩阵、极化分解参数；
S4：将提取出的SAR影像和光学影像所有特征参数作为输入变量，使用随机森林算法对验证区域进行预分类，获得各类特征参数的重要性排序及特征重要性得分；
S5：根据特征重要性得分对特征参数进行筛选，选取重要性得分排序前列的特征参数作为输入变量，参与到随机森林分类器中进行分类，根据前述验证区域数据进行验证以及精度评价；
所述步骤S3中，提取出的SAR影像参数包括特征矩阵和极化特征参数，双极化SAR影像散射矩阵表示为：
其中，SVH和SVV为VH和VV通道的后散射系数，VH：交叉极化；VV：垂直同极化；
包含SAR极化信息二阶统计量的协方差矩阵C表示为：
其中，Ω为目标向量，上标H为共轭转置，N为独立样本个数，提取出的协方差矩阵C包含三部分数据，C11：实数数据，C12：实部和虚部数据，C22：实数数据；
极化特征参数表示为：
其中，伪概率Pi＝λi/(λ1+λ2)；α1、α2为SAR影像两种极化对应的协方差矩阵C特征向量散射角；λ1、λ2为SAR影像两种极化通道协方差矩阵C的特征值；
所述步骤S4中采用的随机森林算法筛选特征变量过程包括将光学和SAR影像中提取出的多种原始特征变量作为输入变量，所述特征变量包括纹理：均值、对比度、方差、相异性、同质性、相关性、信息熵和二阶矩；极化特征：H、A、计算变量：/>H/VV；特征矩阵相关变量：C11、C12、C22；输入随机森林分类器对验证影像数据进行预分类，设置随机森林的决策树为100，删除比例定为10％，通过预分类结果中的特征重要性得分对特征参数重要性进行排序，并选取重要性得分排序在前15的特征参数；
所述步骤S3中，提取出的光学影像特征参数包括光谱信息和纹理信息，其中纹理信息采用基于灰度共生矩阵(GLCM)方法进行分析，包括以下常用8种特征：均值、对比度、方差、相异性、同质性、相关性、信息熵和二阶矩，纹理计算过程中采用的参数设置分别为：偏移距离d＝1，灰度量化级L＝64，窗口大小为3*3，同时选取0°、45°、90°和135°四个方向计算纹理特征参数的平均值。
2.根据权利要求1所述的一种基于合成孔径雷达SAR影像和光学影像的优化特征选择分类方法，其特征在于：所述步骤1中，选取地物样本过程包括：结合实地地物考察，以谷歌地球影像和高分影像作为参考影像，选取的地物训练区域数据既有地物种类的代表特性，又在影像研究区域内均匀分布。
3.根据权利要求1所述的一种基于合成孔径雷达SAR影像和光学影像的优化特征选择分类方法，其特征在于：所述步骤S2中，影像预处理的过程包括：所述SAR影像的预处理步骤包括影像配准、斑点滤波、地理编码和辐射定标；所述光学影像的预处理步骤包括辐射定标、大气校正和重采样。
4.根据权利要求1所述的一种基于合成孔径雷达SAR影像和光学影像的优化特征选择分类方法，其特征在于：所述步骤S5中特征筛选后进行分类并验证其精度过程包括：选取重要性得分排序前15的特征参数作为输入变量，参与到随机森林分类器中进行最终分类，根据前述验证区域数据进行验证以及精度评价。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110500421.0A CN113326741B (zh) | 2021-05-08 | 2021-05-08 | 一种基于sar和光学影像的优化特征选择分类方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110500421.0A CN113326741B (zh) | 2021-05-08 | 2021-05-08 | 一种基于sar和光学影像的优化特征选择分类方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113326741A CN113326741A (zh) | 2021-08-31 |
| CN113326741B true CN113326741B (zh) | 2024-05-24 |
Family
ID=77414355
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110500421.0A Active CN113326741B (zh) | 2021-05-08 | 2021-05-08 | 一种基于sar和光学影像的优化特征选择分类方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113326741B (zh) |
Families Citing this family (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115077656B (zh) * | 2022-08-16 | 2023-01-10 | 清华大学 | 水库水储量反演方法和装置 |
| CN115205693B (zh) * | 2022-09-16 | 2022-12-02 | 中国石油大学(华东) | 一种多特征集成学习的双极化sar影像浒苔提取方法 |
| CN118366059A (zh) * | 2024-06-20 | 2024-07-19 | 山东锋士信息技术有限公司 | 一种基于光学和sar数据融合的作物需水量计算方法 |
Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112668400A (zh) * | 2020-12-08 | 2021-04-16 | 深圳先进技术研究院 | 一种植被识别方法及应用 |
-
2021
- 2021-05-08 CN CN202110500421.0A patent/CN113326741B/zh active Active
Patent Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112668400A (zh) * | 2020-12-08 | 2021-04-16 | 深圳先进技术研究院 | 一种植被识别方法及应用 |
Non-Patent Citations (4)
| Title |
|---|
| 参数优选支持的光学与SAR 数据森林地上生物量反演研究;李云 等;北京林业大学学报;第42卷(第10期);第11-19页 * |
| 李云 等.参数优选支持的光学与SAR 数据森林地上生物量反演研究.北京林业大学学报.2020,第42卷(第10期),第11-19页. * |
| 极化SAR图像基础知识;叶叶笑了~~~;https://www.cnblogs.com/tiny-player/p/3289665.html;第1-2页 * |
| 极化误差对图像分类的影响分析;武文 等;计算机技术与应用进展;第544-550页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113326741A (zh) | 2021-08-31 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN113326741B (zh) | 一种基于sar和光学影像的优化特征选择分类方法 | |
| Jiao et al. | An algorithm for the retrieval of the clumping index (CI) from the MODIS BRDF product using an adjusted version of the kernel-driven BRDF model | |
| Zhu et al. | Assessment of spectral, polarimetric, temporal, and spatial dimensions for urban and peri-urban land cover classification using Landsat and SAR data | |
| Elvidge et al. | Relative radiometric normalization of Landsat Multispectral Scanner (MSS) data using an automatic scattergram-controlled regression | |
| CN112183209A (zh) | 一种基于多维特征融合的区域农作物分类方法及系统 | |
| CN104616015B (zh) | 一种基于主被动遥感数据的农村居民点用地提取方法 | |
| CN111462223A (zh) | 基于Sentinel-2影像的江淮地区大豆和玉米种植面积识别方法 | |
| CN108766203B (zh) | 一种紧致极化水稻制图的方法及系统 | |
| Dutta et al. | Characterizing vegetation canopy structure using airborne remote sensing data | |
| Xu et al. | Retrieving global leaf chlorophyll content from MERIS data using a neural network method | |
| CN114662626A (zh) | 多源遥感数据多特征融合的岩性自动分类方法及系统 | |
| CN111460943A (zh) | 一种遥感影像地物分类方法及系统 | |
| CN113466142B (zh) | 一种多尺度果品散射偏振光谱成像定量检测方法 | |
| Nzimande et al. | Mapping the spatial distribution of the yellowwood tree (Podocarpus henkelii) in the Weza-Ngele forest using the newly launched Sentinel-2 multispectral imager data | |
| CN102622611A (zh) | 基于特征扩展和模糊支持向量机的多分组图像分类方法 | |
| CN117115669B (zh) | 双条件质量约束的对象级地物样本自适应生成方法及系统 | |
| Ianninia et al. | Integration of multispectral and C-band SAR data for crop classification | |
| CN113359133B (zh) | 一种协同光学和雷达遥感数据的面向对象变化检测方法 | |
| Feng et al. | Spectral transformer with dynamic spatial sampling and gaussian positional embedding for hyperspectral image classification | |
| Marcal et al. | Evaluation of satellite image segmentation using synthetic images | |
| CN115471753A (zh) | 一种结合专家知识和机器学习的树种精细分层分类方法 | |
| Ma et al. | Assessment of multi-temporal RADARSAT-2 polarimetric SAR data for crop classification in an urban/rural fringe area | |
| Feng et al. | Estimating the biomass of rice by combining GF-1 and RADARSAT-2 data | |
| Flores-Romero | Improving ocean chlorophyll estimation in satellite hyperspectral images using ensemble machine learning | |
| Saadi et al. | Classifier Fusion of Polsar, Hyperspectral and Pan Remote Sensing Data for Improving Land Use Classification |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |