CN114998365A - 一种基于极化干涉sar的地物分类方法 - Google Patents

一种基于极化干涉sar的地物分类方法 Download PDF

Info

Publication number
CN114998365A
CN114998365A CN202210401838.6A CN202210401838A CN114998365A CN 114998365 A CN114998365 A CN 114998365A CN 202210401838 A CN202210401838 A CN 202210401838A CN 114998365 A CN114998365 A CN 114998365A
Authority
CN
China
Prior art keywords
complex image
vegetation
area
grid
scattering
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.)
Pending
Application number
CN202210401838.6A
Other languages
English (en)
Inventor
刘爱芳
徐一凡
楼良盛
陈刚
林幼权
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
CETC 14 Research Institute
Original Assignee
CETC 14 Research Institute
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by CETC 14 Research Institute filed Critical CETC 14 Research Institute
Priority to CN202210401838.6A priority Critical patent/CN114998365A/zh
Publication of CN114998365A publication Critical patent/CN114998365A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/11—Region-based segmentation
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
    • G01S13/00—Systems using the reflection or reradiation of radio waves, e.g. radar systems; Analogous systems using reflection or reradiation of waves whose nature or wavelength is irrelevant or unspecified
    • G01S13/88—Radar or analogous systems specially adapted for specific applications
    • G01S13/89—Radar or analogous systems specially adapted for specific applications for mapping or imaging
    • G01S13/90—Radar or analogous systems specially adapted for specific applications for mapping or imaging using synthetic aperture techniques, e.g. synthetic aperture radar [SAR] techniques
    • G01S13/9021—SAR image post-processing techniques
    • G01S13/9023—SAR image post-processing techniques combined with interferometric techniques

Landscapes

  • Engineering & Computer Science (AREA)
  • Remote Sensing (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Theoretical Computer Science (AREA)
  • Electromagnetism (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Image Processing (AREA)

Abstract

本发明提供了一种基于极化干涉SAR的地物分类方法，包括：极化干涉SAR数据获取；数据预处理；极化SAR图像分割；DEM高程提取；划分强弱散射区域；弱散射区域分类；强散射区域分类；植被分类；分类结果融合。本发明提供了一种基于极化干涉SAR的地物分类方法，综合利用地物的极化信息、干涉信息，结合极化SAR图像分割结果、功率信息、高程信息、图形特征以及统计信息，使得可区分的地物类别提升至8类，地物分类精度显著提升。

Description

一种基于极化干涉SAR的地物分类方法
技术领域
本发明属于雷达技术领域，涉及一种基于极化干涉SAR的地物分类方法。
背景技术
极化干涉SAR能同时获取被观测的地物的极化信息和干涉信息。极化信息对地物的朝向、形状、粗糙程度等信息敏感，通过特定方式的处理可反演出被观测地物的散射种类(奇次散射、偶次散射以及体散射)。干涉信息对地物的高程敏感，通过对干涉相位的解缠计算可得到地物的高程。极化干涉SAR可同时获取这两种信息，增加了地物分类的维度，但是实际应用中，将这两种信息有效结合进行地物分类的方法还鲜有研究。在实际应用中如何将这两种信息融合，增加地物分类的类别以及提升地物分类的精度仍十分具有挑战性。
传统的极化SAR地物分类方法主要是在Cloude和Pottier在1997年提出的分类方法的基础上进行改进(Cloude S R,Pottier E.An entropy based classificationscheme for land applications of polarimetric SAR[J].IEEE Transactions onGeoscience&Remote Sensing,1997,35(1):68-78.)。但是这类方法未使用地物的干涉信息，可区分的地物种类有限，分类精度不高。
发明内容
为解决现有技术存在的难题，本发明提供了一种基于极化干涉SAR的地物分类方法，包括以下步骤：
1.极化干涉SAR数据获取：获取观测场景的极化干涉SAR数据，并对数据进行保相成像处理，得到包含极化信息和干涉信息的多幅复图像；
2.数据预处理：对步骤1获取的复图像进行数据预处理，所述预处理操作包括辐射定标、极化干涉定标以及相干斑滤波；
3.极化SAR图像分割：对步骤2中经过预处理的复图像，融合不同极化通道的信息，提取全极化多方位梯度图，将图像分割为不同的同质区域即不同的网格；
4.DEM高程提取：提取步骤1获取复图像中的HHm复图像以及HHs复图像中地物的DEM高程信息；所述HHm复图像表示主天线水平极化发射水平极化接收得到的复图像，所述HHs复图像表示辅天线水平极化发射水平极化接收得到的复图像；
5.划分强弱散射区域：依据步骤3中极化SAR图像分割结果以及复图像的功率，将复图像中的区域划分为强散射区域和弱散射区域；
6.弱散射区域分类：通过DEM高程信息以及复图像的角点将步骤5提取的弱散射区域进行细分；
7.强散射区域分类：对步骤5划分的强散射区域进行极化分解，得到不同像素对应的表面散射分量、偶次散射分量以及体散射分量；并依据这些散射分量的相对关系，将强散射区域分类为裸露土壤、人工建筑以及植被区域并进行自适应分类；
8.植被分类：对步骤7中提取的植被区域进行极化分解，结合步骤4提取的DEM高程信息，将植被细分进行细分；
9.分类结果融合：融合步骤6、步骤7、以及步骤8的分类结果，对分类结果进行配色，形成地物分类图。
进一步地，步骤6所述弱散射区域分类的分类种类包括阴影和水体；步骤8植被分类的分类种类包括矮阔叶植被、矮针叶植被、高阔叶植被和高针叶植被。
进一步地，所述复图像具体包括：HHm复图像、VHm复图像、HVm复图像、VVm复图像、HHs复图像、VHs复图像、HVs复图像和VVs复图像；所述HHm复图像表示主天线水平极化发射水平极化接收得到的复图像，所述VHm复图像表示主天线水平极化发射垂直极化接收得到的复图像，所述HVm复图像表示主天线垂直极化发射水平极化接收得到的复图像，所述VVm复图像表示主天线垂直极化发射垂直极化接收得到的复图像，所述HHs复图像表示辅天线水平极化发射水平极化接收得到的复图像，所述VHs复图像表示辅天线水平极化发射垂直极化接收得到的复图像，所述HVs复图像表示辅天线垂直极化发射水平极化接收得到的复图像，所述VVs复图像表示辅天线垂直极化发射垂直极化接收得到的复图像。
进一步地，所述步骤3具体包括以下步骤：
依据步骤3分割得到的网格，计算每个网格内像素点的平均功率；假设网格G内像素点数为n，则网格G内像素点的平均功率SPANG可表示为：
Figure BDA0003600382430000021
其中
Figure BDA0003600382430000022
分别表示主天线获取的4幅复图像中某像素点对应的功率；(i，j)表示像素点的坐标，该坐标限制在网格G内；
选取一个确定为阴影区域的网格，将其平均功率的M倍作为阈值T；将步骤3分割得到的网格内像素点的平均功率小于等于阈值T的区域划为弱散射区域；将网格内像素点的平均功率大于阈值T的区域划为强散射区域。
进一步地，所述M取1.2。
进一步地，步骤6中对步骤5中提取的弱散射区域进行细分的操作具体包括以下步骤：
依据步骤3的极化SAR图像分割结果以及步骤4提取的DEM高程信息，计算每个网格内的平均高程；按照从雷达近距端到远距端的顺序，比较相邻网格的平均高程，若近距端网格的平均高程高于远距端网格的平均高程，则把近距端网格标记为高程突出区域；
遍历每一个弱散射区域，若该区域相邻的近距端存在高程突出区域，则将该区域列为可疑阴影区域；若该区域相邻的近距端不存在高程突出区域，则该区域为水体区域；通过对比可疑阴影区域与高程突出区域的角点数量进行阴影区域确认，可疑阴影区域与高程突出区域的角点的提取方法为：对于某区域，依据步骤3的极化SAR图像分割结果，将待提取角点的区域内像素灰度置为1，该区域外像素灰度置为0；构建一个N×N的模板，其中N为奇数；将该模板的中心置于待提取角点的区域边缘的某一个像素上，计算该模板内的灰度值之和，若灰度值之和小于N×N/3，则将模板中心所在的边缘点记为角点；将该模板滑过待提取角点的区域边缘的每一个像素，计算该模板内的灰度值之和，提取所有角点；可疑阴影区域提取的角点数量为n1，其相邻近距端高程突出区域的角点数为n2，若|n1-n2|/max(n1，n2)＜Q，该可疑阴影区域为阴影区域；若|n1-n2|/max(n1，n2)＞＝Q，将该可疑阴影区域归为水体。
进一步地，所述Q取0.2。
进一步地，所述进行强散射区域分类的具体步骤为：
构建相干矩阵T3，
T3＝<k·k*T> (2)
其中，
Figure BDA0003600382430000031
上标*表示取共轭，上标T表示转置，<·>表示多视处理；
若T3(1，1)＞T3(2，2)+T3(3，3)，则表面散射占优，则二面角散射是小量，通过式(3)求解三分量
Figure BDA0003600382430000032
若T3(1，1)≤T3(2，2)+T3(3，3)，则二面角散射占优，则表面散射是小量，通过式(4)求解三分量
Figure BDA0003600382430000041
其中，三分量Ps、Pd和Pv分别表示奇次散射分量、偶次散射分量和体散射；
比较奇次散射分量Ps、偶次散射分量Pd和体散射Pv的大小，得到初步分类结果，若最大的分量为Pv，则将对应的像素识别为植被；若最大的分量为Pd，则将对应的像素识别为人工建筑；若最大的分量为Ps，则考察第二大的分量，若第二大的分量为Pv，则将对应的像素识别为裸露土壤；若最大的分量为Ps，第二大的分量为Pd，则将对应的像素识别为人工建筑；
结合步骤3的极化SAR图像分割结果、上述初步分类结果以及统计信息进行自适应分类。
进一步地，统计信息具体求得步骤为：步骤3的极化SAR图像分割结果、上述初步分类结果，统计每个网格内的地物类别，计算各地物类别在该网格内的占比；若占比最高的地物比例超过该网格内像素数量的70％，则将该网格内所有地物都设为占比最高的地物；若占比最高的地物比例小于70％，则利用分水岭分割算法，将该网格继续分割，得到更小尺度的网格；依次计算更小尺度网格内的地物类别占比，同样，若占比最高的地物比例超过该网格内像素数量的70％，则将该网格内所有地物都设为占比最高的地物；若占比最高的地物比例小于70％，则继续分割该网格；重复以上操作，直到所有网格内占比最高的地物的比例都超过70％。
进一步地，将植被细分的步骤具体包括：
若H≤α1，δ≤α2，则该植被像素识别为矮阔叶植被；
若H≤α1，δ＞α2，则该植被像素识别为矮针叶植被；
若H＞α1，δ≤α2，则该植被像素识别为高阔叶植被；
若H＞α1，δ＞α2，则该植被像素识别为高针叶植被；
其中，H表示植被对地高程，由每个植被像素的高程减去距离它最近的裸露土壤区域的平均高程得到；α1和α2分别表示植被对地高程阈值α1和参数δ的阈值α2；δ表示表征植被叶型由圆形向针型变化的参数，对植被区域的主雷达极化数据进行分解后得到，其具体的计算公式为(5)
Figure BDA0003600382430000051
其中<·>表示多视处理。
本发明与现有技术相比，其有益效果如下：
(1)通过功率信息区分强散射区域和弱散射区域，然后分别进行分类。避免了弱散射区域由于功率极低，极化信息、干涉信息受噪声污染，提取不准而造成的误分，提升了分类算法的鲁棒性；
(2)通过融合干涉信息、图像角点等信息对弱散射区域进行分类，从物理机理上指出阴影产生的原因，并区分出阴影和水体区域；
(3)利用极化信息，将强散射区域区分为建筑、植被和裸露土壤像素，创造性地结合极化分割结果，通过统计每一网格内同类型类别占比是否超过阈值，来自适应决定分割尺度。该操作可提高分类准确度；
(4)引入高程信息，并进一步提取植被对地高程以及表征植被叶型的参数，增加了植被的区分维度，进一步将植被分类为高阔叶植被、高针叶植被、矮阔叶植被和矮针叶植被，提升了分类的数量。
附图说明
图1是本发明一种基于极化干涉SAR的地物分类方法的主流程图。
图2是本发明步骤弱散射区域分类流程图。
图3是本发明步骤弱散射区域分类中高程突出区域示意图。
图4是本发明步骤弱散射区域分类中角点提取示意图。
图5是本发明步骤强散射区域分类流程图。
图6是本发明实施例试验数据Pauli基极化融合图。
图7是本发明实施例试验数据极化分割结果图。
图8是本发明实施例试验数据提取的DEM高程结果图。
图9是本发明实施例试验数据划分强弱散射区域结果图。
图10是本发明实施例试验数据弱散射区域分类结果图。
图11是本发明实施例试验数据强散射区域分类结果图。
图12是本发明实施例试验数据植被区域分类结果图。
具体实施方式
为解决上述技术问题，本发明提供了一种基于极化干涉SAR的地物分类方法。下面结合实施例并参照附图对本发明作进一步详细描述。
实施例一：
本实施例采用本发明的一种基于极化干涉SAR的地物分类方法，对某公司所生产的N-SAR系统录取的极化干涉SAR数据进行处理。该数据录取于陕西省渭南市渭河大桥区域，录取时间为2017年8月，该数据的极化融合图如图6所示。该场景包含城区、道路、河流、农田、灌木以及树木等多种地物，适合用于验证本发明。
如图1所示，本发明一种基于极化干涉SAR的地物分类方法，包括如下步骤：
1、极化干涉SAR数据获取：通过星载或者机载极化干涉SAR系统获取观测场景的极化干涉SAR数据，并对数据进行保相成像处理，得到包含极化信息和干涉信息的8幅复图像(主天线：HHm、HVm、VHm和VVm；辅天线：HHs、HVs、VHs和VVs)。
1.1、通过具备极化干涉功能的SAR系统获取观测场景的极化干涉SAR数据，即获取主天线水平极化发射水平极化接收、主天线水平极化发射垂直极化接收、主天线垂直极化发射水平极化接收、主天线垂直极化发射垂直极化接收、辅天线水平极化发射水平极化接收、辅天线水平极化发射垂直极化接收、辅天线垂直极化发射水平极化接收以及辅天线垂直极化发射垂直极化接收的8景SAR回波数据。
1.2、通过具备保相性能的成像算法对步骤1.1获取的8景SAR回波数据进行高质量成像，得到聚焦良好的8幅复图像，包括HHm复图像(主天线水平极化发射水平极化接收得到的复图像)、VHm复图像(主天线水平极化发射垂直极化接收得到的复图像)、HVm复图像(主天线垂直极化发射水平极化接收得到的复图像)、VVm复图像(主天线垂直极化发射垂直极化接收得到的复图像)、HHs复图像(辅天线水平极化发射水平极化接收得到的复图像)、VHs复图像(辅天线水平极化发射垂直极化接收得到的复图像)、HVs复图像(辅天线垂直极化发射水平极化接收得到的复图像)和VVs复图像(辅天线垂直极化发射垂直极化接收得到的复图像)。
2、数据预处理：对步骤1获取的8幅复图像进行辐射定标、极化干涉定标以及相干斑滤波等操作。通过辐射定标校正复图像距离向天线方向图的不均匀；通过极化干涉定标校正不同复图像之间的幅度、相位不平衡以及极化泄露；通过多视、Refined-Lee滤波器等方式进行相干斑滤波，降低SAR图像中的相干斑噪。
3、极化SAR图像分割：对步骤2中经过预处理的复图像，融合不同极化通道的信息，提取全极化多方位梯度图，使用标记分水岭分割算法进行图像分割，将图像分割为不同的同质区域即不同的网格。如图7所示，是对试验数据进行分割的结果，同一网格中的像素认为具有相同的散射特性。
4、DEM高程提取：选取步骤1获取的HHm复图像以及HHs复图像，通过图像配准、去平地相位、相位解缠、相位滤波等步骤，提取地物的DEM高程信息。如图8所示，是对试验数据进行DEM高程提取的结果。
5、划分强弱散射区域：依据步骤3中极化SAR图像分割结果以及复图像的功率，将复图像中的区域划分为强散射区域和弱散射区域。
5.1、依据步骤3分割得到的网格，计算每个网格内像素点的平均功率。假设网格G内像素点数为n，则网格G内像素点的平均功率SPANG可表示为：
Figure BDA0003600382430000071
其中
Figure BDA0003600382430000072
分别表示主天线获取的4幅复图像中某像素点对应的功率；(i，j)表示像素点的坐标，该坐标限制在网格G内。
5.2、人工选取一个确定为阴影区域的网格，将其平均功率的120％作为阈值T。将步骤3分割得到的网格内像素点的平均功率小于等于阈值T的区域划为弱散射区域；将网格内像素点的平均功率大于阈值T的区域划为强散射区域。如图9所示是对试验数据进行强弱散射区域划分的结果，其中深色区域为弱散射区域，浅色区域为强散射区域。
6、弱散射区域分类：如图2所示，通过DEM高程信息以及图像角点将步骤5提取的弱散射区域进行细分。弱散射区域主要是阴影和水体区域，雷达观测几何是典型的斜视成像几何，在场景中若存在高地物(如建筑、植被)的遮挡，则会在雷达视线方向形成与高地物形状相关的阴影。
6.1、提取高程突出区域。依据步骤3的极化SAR图像分割结果以及步骤4提取的DEM高程信息，计算每个网格内的平均高程。按照从雷达近距端到远距端的顺序，比较相邻网格的平均高程，若近距端网格的平均高程高于远距端网格的平均高程，则把近距端网格标记为高程突出区域。如图3所示，示意区域左边为近距端，右边为远距端，网格内的数字代表平均高程，黑色标记的网格为高程突出区域，它们的平均高程都比其左端相邻网格的平均高程高。
6.2、提取可疑阴影区域；对步骤5提取的每一个弱散射区域而言，查看该区域相邻的近距端是否存在高程突出区域，若该区域相邻的近距端存在高程突出区域，则将该区域列为可疑阴影区域；若该区域相邻的近距端不存在高程突出区域，则该区域为水体区域。
6.3、阴影区域确认；对于步骤6.2中可疑阴影区域，通过对比可疑阴影区域以及其近距端的高程突出区域的边界，进行阴影区域确认。若可疑阴影区域是由于其近距端的高程突出区域遮挡产生的，那么它们的边界将会有较高的相似度。通过对比可疑阴影区域与高程突出区域的角点数量进行阴影区域确认。
对于某区域，通过如下方法提取其角点：如图4所示，依据步骤3的极化SAR图像分割结果，将待提取角点的区域内像素灰度置为1，该区域外像素灰度置为0。构建一个N×N的模板，其中N为奇数。将该模板的中心置于待提取角点的区域边缘的某一个像素上，计算该模板内的灰度值之和，若灰度值之和小于N×N/3，则将模板中心所在的边缘点记为角点。将该模板滑过待提取角点的区域边缘的每一个像素，计算该模板内的灰度值之和，提取所有角点。
通过以上方法分别确定可疑阴影区域的和其近距端高程突出区域的角点数量。假设可疑阴影区域提取的角点数量为n1，其相邻近距端高程突出区域的角点数为n2，若|n1-n2|/max(n1，n2)＜0.2，说明两区域角点数据差异不大，认为可疑阴影区域是由于高程突出区域遮挡产生的，该可疑阴影区域为阴影区域；若|n1-n2|/max(n1，n2)＞＝0.2，说明两区域角点数据差异较大，认为该可疑阴影区域不是由于遮挡产生的，将其归为水体。如图10所示是对试验数据进行弱散射区域分类的结果图示。
7、强散射区域分类：如图5所示，对步骤5划分的强散射区域进行极化分解，得到不同像素对应的表面散射分量、偶次散射分量以及体散射分量。依据这些散射分量的相对关系，将强散射区域分类为裸露土壤、人工建筑以及植被区域并进行自适应分类。
7.1、利用步骤2数据预处理后的HHm、HVm、VHm和VVm复图像结合步骤5获取的强散射区域提取极化信息进行初步分类。如式(2)所示，构建相干矩阵T3，
T3＝<k·k*T> (2)
其中，
Figure BDA0003600382430000081
上标*表示取共轭，上标T表示转置，<·>表示多视处理。通过以下方式提取强散射区域的奇次散射分量Ps、偶次散射分量Pd和体散射Pv。
若T3(1，1)＞T3(2，2)+T3(3，3)，则表面散射占优，则二面角散射是小量，通过式(3)求解三分量
Figure BDA0003600382430000091
若T3(1，1)≤T3(2，2)+T3(3，3)，则二面角散射占优，则表面散射是小量，通过式(4)求解三分量
Figure BDA0003600382430000092
比较奇次散射分量Ps、偶次散射分量Pd和体散射Pv的大小，若最大的分量为Pv，则将对应的像素识别为植被；若最大的分量为Pd，则将对应的像素识别为人工建筑；若最大的分量为Ps，则考察第二大的分量，若第二大的分量为Pv，则将对应的像素识别为裸露土壤；若最大的分量为Ps，第二大的分量为Pd，则将对应的像素识别为人工建筑。
7.2、结合步骤3的极化SAR图像分割结果、步骤7.1的初步分类结果以及统计信息进行自适应分类。
依据分割结果，统计每个网格内的地物类别，计算各地物类别在该网格内的占比。若占比最高的地物比例超过该网格内像素数量的70％，则将该网格内所有地物都设为占比最高的地物；若占比最高的地物比例小于70％，则利用分水岭分割算法，将该网格继续分割，得到更小尺度的网格；依次计算更小尺度网格内的地物类别占比，同样，若占比最高的地物比例超过该网格内像素数量的70％，则将该网格内所有地物都设为占比最高的地物；若占比最高的地物比例小于70％，则继续分割该网格。重复以上操作，直到所有网格内占比最高的地物的比例都超过70％。如图11所示是对试验数据进行强散射区域分类的结果。
8、植被分类：对步骤7中提取的植被区域进行极化分解，结合步骤4提取的DEM高程信息，将植被细分为高阔叶植被、高针叶植被、矮阔叶植被和矮针叶植被。
8.1、将每个植被像素的高程减去距离它最近的裸露土壤区域的平均高程，得到植被对地高程。该高程代表着植被相对于地面的高度，而不是绝对海拔高度。
8.2、对植被区域的主雷达极化数据进行分解，提取表征植被叶型由圆形向针型变化的参数δ。δ可通过式(5)计算
Figure BDA0003600382430000093
其中<·>表示多视处理。
8.3、结合步骤8.1提取的植被对地高程和步骤8.2提取的参数δ进行植被分类。将植被对地高程记为H，设置植被对地高程阈值α1和参数δ的阈值α2，
若H≤α1，δ≤α2，则该植被像素识别为矮阔叶植被；
若H≤α1，δ＞α2，则该植被像素识别为矮针叶植被；
若H＞α1，δ≤α2，则该植被像素识别为高阔叶植被；
若H＞α1，δ＞α2，则该植被像素识别为高针叶植被。
如图12所示是对试验数据进行植被区域分类的结果。
9、分类结果融合：融合步骤6、步骤7、以及步骤8的分类结果，对分类结果进行配色，形成地物分类图。
本发明一种基于极化干涉SAR的地物分类方法，创造性地融合了极化干涉SAR的极化信息、干涉信息、功率信息、图像信息以及统计信息进行地物分类。
通过功率信息区分强散射区域和弱散射区域，然后分别进行分类。避免了弱散射区域由于功率极低，极化信息、干涉信息受噪声污染，提取不准而造成的误分，提升了分类算法的鲁棒性。
通过融合干涉信息、图像的角点等信息对弱散射区域进行分类，从物理机理上指出阴影产生的原因，并区分出阴影和水体区域。
利用极化信息，将强散射区域区分为建筑、植被和裸露土壤像素，创造性地结合极化分割结果，通过统计每一网格内同类型类别占比是否超过阈值，来自适应决定分割尺度。该操作可提高分类准确度。
引入高程信息，并进一步提取植被对地高程以及表征植被叶型的参数，增加了植被的区分维度，进一步将植被分类为高阔叶植被、高针叶植被、矮阔叶植被和矮针叶植被，提升了分类的数量。
以上所述仅为本发明的较佳实施例，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (10)

1.一种基于极化干涉SAR的地物分类方法，其特征在于，包括以下步骤：
1.极化干涉SAR数据获取：获取观测场景的极化干涉SAR数据，并对数据进行保相成像处理，得到包含极化信息和干涉信息的多幅复图像；
2.数据预处理：对步骤1获取的复图像进行数据预处理，所述预处理操作包括辐射定标、极化干涉定标以及相干斑滤波；
3.极化SAR图像分割：对步骤2中经过预处理的复图像，融合不同极化通道的信息，提取全极化多方位梯度图，将图像分割为不同的同质区域即不同的网格；
4.DEM高程提取：提取步骤1获取复图像中的HHm复图像以及HHs复图像中地物的DEM高程信息；所述HHm复图像表示主天线水平极化发射水平极化接收得到的复图像，所述HHs复图像表示辅天线水平极化发射水平极化接收得到的复图像；
5.划分强弱散射区域：依据步骤3中极化SAR图像分割结果以及复图像的功率，将复图像中的区域划分为强散射区域和弱散射区域；
6.弱散射区域分类：通过DEM高程信息以及复图像的角点将步骤5提取的弱散射区域进行细分；
7.强散射区域分类：对步骤5划分的强散射区域进行极化分解，得到不同像素对应的表面散射分量、偶次散射分量以及体散射分量；并依据这些散射分量的相对关系，将强散射区域分类为裸露土壤、人工建筑以及植被区域并进行自适应分类；
8.植被分类：对步骤7中提取的植被区域进行极化分解，结合步骤4提取的DEM高程信息，将植被细分进行细分；
9.分类结果融合：融合步骤6、步骤7、以及步骤8的分类结果，对分类结果进行配色，形成地物分类图。
2.根据权利要求1所述的基于极化干涉SAR的地物分类方法，其特征在于，步骤6所述弱散射区域分类的分类种类包括阴影和水体；步骤8植被分类的分类种类包括矮阔叶植被、矮针叶植被、高阔叶植被和高针叶植被。
3.根据权利要求1所述的基于极化干涉SAR的地物分类方法，其特征在于，所述复图像具体包括：HHm复图像、VHm复图像、HVm复图像、VVm复图像、HHs复图像、VHs复图像、HVs复图像和VVs复图像；所述HHm复图像表示主天线水平极化发射水平极化接收得到的复图像，所述VHm复图像表示主天线水平极化发射垂直极化接收得到的复图像，所述片Vm复图像表示主天线垂直极化发射水平极化接收得到的复图像，所述VVm复图像表示主天线垂直极化发射垂直极化接收得到的复图像，所述HHs复图像表示辅天线水平极化发射水平极化接收得到的复图像，所述VHs复图像表示辅天线水平极化发射垂直极化接收得到的复图像，所述HVs复图像表示辅天线垂直极化发射水平极化接收得到的复图像，所述VVs复图像表示辅天线垂直极化发射垂直极化接收得到的复图像。
4.根据权利要求3所述的基于极化干涉SAR的地物分类方法，其特征在于，所述步骤3具体包括以下步骤：
依据步骤3分割得到的网格，计算每个网格内像素点的平均功率；假设网格G内像素点数为n，则网格G内像素点的平均功率SPANG可表示为：
Figure FDA0003600382420000021
其中
Figure FDA0003600382420000022
分别表示主天线获取的4幅复图像中某像素点对应的功率；(i，j)表示像素点的坐标，该坐标限制在网格G内；
选取一个确定为阴影区域的网格，将其平均功率的M倍作为阈值T；将步骤3分割得到的网格内像素点的平均功率小于等于阈值T的区域划为弱散射区域；将网格内像素点的平均功率大于阈值T的区域划为强散射区域。
5.根据权利要求4所述的基于极化干涉SAR的地物分类方法，其特征在于，所述M取1.2。
6.根据权利要求4所述的基于极化干涉SAR的地物分类方法，其特征在于，步骤6中对步骤5中提取的弱散射区域进行细分的操作具体包括以下步骤：
依据步骤3的极化SAR图像分割结果以及步骤4提取的DEM高程信息，计算每个网格内的平均高程；按照从雷达近距端到远距端的顺序，比较相邻网格的平均高程，若近距端网格的平均高程高于远距端网格的平均高程，则把近距端网格标记为高程突出区域；
遍历每一个弱散射区域，若该区域相邻的近距端存在高程突出区域，则将该区域列为可疑阴影区域；若该区域相邻的近距端不存在高程突出区域，则该区域为水体区域；通过对比可疑阴影区域与高程突出区域的角点数量进行阴影区域确认，可疑阴影区域与高程突出区域的角点的提取方法为：对于某区域，依据步骤3的极化SAR图像分割结果，将待提取角点的区域内像素灰度置为1，该区域外像素灰度置为0；构建一个N×N的模板，其中N为奇数；将该模板的中心置于待提取角点的区域边缘的某一个像素上，计算该模板内的灰度值之和，若灰度值之和小于N×N/3，则将模板中心所在的边缘点记为角点；将该模板滑过待提取角点的区域边缘的每一个像素，计算该模板内的灰度值之和，提取所有角点；可疑阴影区域提取的角点数量为n1，其相邻近距端高程突出区域的角点数为n2，若|n1-n2|/max(n1，n2)＜Q，该可疑阴影区域为阴影区域；若|n1-n2|/max(n1，n2)》＝Q，将该可疑阴影区域归为水体。
7.根据权利要求6所述的基于极化干涉SAR的地物分类方法，其特征在于，所述Q取0.2。
8.根据权利要求6所述的基于极化干涉SAR的地物分类方法，其特征在于，所述进行强散射区域分类的具体步骤为：
构建相干矩阵T3，
T3＝<k·k*T》 (2)
其中，
Figure FDA0003600382420000031
上标*表示取共轭，上标T表示转置，<·>表示多视处理；
若T3(1，1)》T3(2，2)+T3(3，3)，则表面散射占优，则二面角散射是小量，通过式(3)求解三分量
Figure FDA0003600382420000032
若T3(1，1)≤T3(2，2)+T3(3，3)，则二面角散射占优，则表面散射是小量，通过式(4)求解三分量
Figure FDA0003600382420000033
其中，三分量Ps、Pd和Pv分别表示奇次散射分量、偶次散射分量和体散射；
比较奇次散射分量Ps、偶次散射分量Pd和体散射Pv的大小，得到初步分类结果，若最大的分量为Pv，则将对应的像素识别为植被；若最大的分量为Pd，则将对应的像素识别为人工建筑；若最大的分量为Ps，则考察第二大的分量，若第二大的分量为Pv，则将对应的像素识别为裸露土壤；若最大的分量为Ps，第二大的分量为Pd，则将对应的像素识别为人工建筑；
结合步骤3的极化SAR图像分割结果、上述初步分类结果以及统计信息进行自适应分类。
9.根据权利要求8所述的基于极化干涉SAR的地物分类方法，其特征在于，统计信息具体求得步骤为：步骤3的极化SAR图像分割结果、上述初步分类结果，统计每个网格内的地物类别，计算各地物类别在该网格内的占比；若占比最高的地物比例超过该网格内像素数量的70％，则将该网格内所有地物都设为占比最高的地物；若占比最高的地物比例小于70％，则利用分水岭分割算法，将该网格继续分割，得到更小尺度的网格；依次计算更小尺度网格内的地物类别占比，同样，若占比最高的地物比例超过该网格内像素数量的70％，则将该网格内所有地物都设为占比最高的地物；若占比最高的地物比例小于70％，则继续分割该网格；重复以上操作，直到所有网格内占比最高的地物的比例都超过70％。
10.根据权利要求9所述的基于极化干涉SAR的地物分类方法，其特征在于，将植被细分的步骤具体包括：
若H≤α1，δ≤α2，则该植被像素识别为矮阔叶植被；
若H≤α1，δ＞α2，则该植被像素识别为矮针叶植被；
若H＞α1，δ≤α2，则该植被像素识别为高阔叶植被；
若H＞α1，δ＞α2，则该植被像素识别为高针叶植被；
其中，H表示植被对地高程，由每个植被像素的高程减去距离它最近的裸露土壤区域的平均高程得到；α1和α2分别表示植被对地高程阈值α1和参数δ的阈值α2；δ表示表征植被叶型由圆形向针型变化的参数，对植被区域的主雷达极化数据进行分解后得到，其具体的计算公式为(5)
Figure FDA0003600382420000041
其中<·>表示多视处理。
CN202210401838.6A 2022-04-18 2022-04-18 一种基于极化干涉sar的地物分类方法 Pending CN114998365A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210401838.6A CN114998365A (zh) 2022-04-18 2022-04-18 一种基于极化干涉sar的地物分类方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210401838.6A CN114998365A (zh) 2022-04-18 2022-04-18 一种基于极化干涉sar的地物分类方法

Publications (1)

Publication Number Publication Date
CN114998365A true CN114998365A (zh) 2022-09-02

Family

ID=83024264

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210401838.6A Pending CN114998365A (zh) 2022-04-18 2022-04-18 一种基于极化干涉sar的地物分类方法

Country Status (1)

Country Link
CN (1) CN114998365A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115294133A (zh) * 2022-10-09 2022-11-04 中国电子科技集团公司第十四研究所 基于高低频极化干涉sar的植被高程反演方法及设备
CN115453520A (zh) * 2022-10-26 2022-12-09 中国电子科技集团公司第十四研究所 基于双频多极化差分干涉的地表形变测量方法及设备

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115294133A (zh) * 2022-10-09 2022-11-04 中国电子科技集团公司第十四研究所 基于高低频极化干涉sar的植被高程反演方法及设备
CN115453520A (zh) * 2022-10-26 2022-12-09 中国电子科技集团公司第十四研究所 基于双频多极化差分干涉的地表形变测量方法及设备
CN115453520B (zh) * 2022-10-26 2023-01-03 中国电子科技集团公司第十四研究所 基于双频多极化差分干涉的地表形变测量方法及设备

Similar Documents

Publication Publication Date Title
CN102609701B (zh) 基于最佳尺度的高分辨率合成孔径雷达遥感检测方法
CN114998365A (zh) 一种基于极化干涉sar的地物分类方法
CN106910177B (zh) 一种局域图像指标最优化的多角度sar图像融合方法
CN107329139B (zh) 一种双时相双极化干涉sar影像水域提取方法
CN110988818A (zh) 基于条件生成式对抗网络的欺骗干扰模板生成方法
CN103529447A (zh) 面向城市区域的极化四分量分解方法
CN107688776B (zh) 一种城市水体提取方法
Shimoni et al. Detection of vehicles in shadow areas using combined hyperspectral and lidar data
Huang et al. SAR and optical images registration using shape context
CN107765257A (zh) 一种基于反射强度辅助外部校准的激光探测与测量方法
Li et al. Building detection in sar images based on bi-dimensional empirical mode decomposition algorithm
Parmehr et al. Automatic registration of optical imagery with 3d lidar data using local combined mutual information
CN112989940B (zh) 基于高分三号卫星sar影像的筏式养殖区提取方法
CN106910178B (zh) 一种基于色调统计特性分类的多角度sar图像融合方法
Shimoni et al. Detection of vehicles in shadow areas
Boldt et al. SAR image segmentation using morphological attribute profiles
CN112215832A (zh) Sar尾迹图像质量评估及自适应探测参数调整方法
CN114545410B (zh) 基于合成孔径雷达双极化数据相干性的作物倒伏监测方法
CN106897985B (zh) 一种基于可见度分类的多角度sar图像融合方法
CN112766032A (zh) 一种基于多尺度和超像素分割的sar图像显著图生成方法
Zhang et al. Target detection in sar images based on sub-aperture coherence and phase congruency
Lian et al. Denoising algorithm based on local distance weighted statistics for photon counting LiDAR point data
CN117310705B (zh) 一种基于双极化sar影像的洪涝灾害快速检测方法
Ji et al. An algorithm based on PCGP image fusion for multi-source remote sensing images
CN111160296B (zh) 滑坡灾害检测方法

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