CN116503651A - 一种极化sar农作物分类识别系统和方法 - Google Patents
一种极化sar农作物分类识别系统和方法 Download PDFInfo
- Publication number
- CN116503651A CN116503651A CN202310456186.0A CN202310456186A CN116503651A CN 116503651 A CN116503651 A CN 116503651A CN 202310456186 A CN202310456186 A CN 202310456186A CN 116503651 A CN116503651 A CN 116503651A
- Authority
- CN
- China
- Prior art keywords
- crop
- feature matrix
- sar
- data
- registration
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 47
- 239000011159 matrix material Substances 0.000 claims description 142
- 238000012545 processing Methods 0.000 claims description 23
- 230000010287 polarization Effects 0.000 claims description 19
- 238000009826 distribution Methods 0.000 claims description 15
- 230000009977 dual effect Effects 0.000 claims description 10
- NAWXUBYGYWOOIX-SFHVURJKSA-N (2s)-2-[[4-[2-(2,4-diaminoquinazolin-6-yl)ethyl]benzoyl]amino]-4-methylidenepentanedioic acid Chemical compound C1=CC2=NC(N)=NC(N)=C2C=C1CCC1=CC=C(C(=O)N[C@@H](CC(=C)C(O)=O)C(O)=O)C=C1 NAWXUBYGYWOOIX-SFHVURJKSA-N 0.000 claims description 6
- 125000003275 alpha amino acid group Chemical group 0.000 claims description 6
- 150000001875 compounds Chemical class 0.000 claims description 6
- 230000005855 radiation Effects 0.000 claims description 6
- 238000010276 construction Methods 0.000 claims description 3
- 230000002123 temporal effect Effects 0.000 claims description 3
- 241000209094 Oryza Species 0.000 description 12
- 235000007164 Oryza sativa Nutrition 0.000 description 12
- 235000009566 rice Nutrition 0.000 description 12
- 238000010586 diagram Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 2
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 230000002262 irrigation Effects 0.000 description 1
- 238000003973 irrigation Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/30—Determination of transform parameters for the alignment of images, i.e. image registration
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
- G06V20/13—Satellite images
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10032—Satellite or aerial image; Remote sensing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30181—Earth observation
- G06T2207/30188—Vegetation; Agriculture
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Multimedia (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Software Systems (AREA)
- Medical Informatics (AREA)
- Evolutionary Computation (AREA)
- Databases & Information Systems (AREA)
- Artificial Intelligence (AREA)
- Astronomy & Astrophysics (AREA)
- Remote Sensing (AREA)
- Radar Systems Or Details Thereof (AREA)
- Image Processing (AREA)
- Sorting Of Articles (AREA)
Abstract
本发明涉及一种基于时间序列高分辨极化SAR数据的农作物分类识别系统和方法，该系统包括SAR图像对的配准单元、SAR图像信息特征矩阵获取单元、基于农作物样本构建农作物信号时序特征矩阵单元、基于Wishart距离初步识别农作物区域单元和基于强度信息的精确识别农作物区域单元。该方法适用于多幅图像多极化高分辨SAR数据的农作物分类，能够更高效更准确地提取不同农作物的图斑。
Description
技术领域
本发明涉及合成孔径雷达技术领域，具体涉及一种基于时间序列高分辨极化SAR数据的农作物分类识别系统和方法。
背景技术
星载SAR技术对地表的变化特别敏感，能提取地物变化信息。由于它能在多云多雨的条件下工作，特别适合应用于我国多云多雨的南方地区，同时考虑到农作物的生长期也经常伴随着阴雨天气。因此，基于SAR的农作物识别分类技术具备非常广阔的应用前景。
大多数传统的SAR农作物识别分类方法都是基于仅仅幅度变化信息识别不同的农作物。这种方式适用于单极化的数据，但针对多极化的数据，没用充分研究相同地物目标在不同极化方式下散射信号存在差异的特点，进而未能进一步发挥多极化数据的应用潜力。
发明内容
本发明旨在提供一种基于时间序列高分辨极化SAR数据的农作物分类识别系统和方法，所要解决的技术问题至少包括如何更高效地提取不同农作物的图斑，进而在大区域内准确识别耕地特征，解决由于样本类型不足导致的误分类现象。
为了实现上述目的，本发明提供一种基于时间序列高分辨极化SAR数据的农作物分类识别系统，包括SAR图像对的配准单元、SAR图像信息特征矩阵获取单元、基于农作物样本构建农作物信号时序特征矩阵单元、基于Wishart距离初步识别农作物区域单元和基于强度信息的精确识别农作物区域单元；
所述的SAR图像对的配准单元用于在数据处理的最初阶段，对输入的SAR图像进行配准处理；
所述的SAR图像信息特征矩阵获取单元用于在SAR图像配准后，依据不同极化情况，构建不同的特征矩阵；
所述的基于农作物样本构建农作物信号时序特征矩阵单元用于基于搜集的不同农作物样本的地理位置信息，确定农作物样本信号在每幅SAR图像中的范围，进而提取农作物样本信号区域内所有像素点在每幅SAR图像中的特征矩阵；
所述的基于Wishart距离初步识别农作物区域单元用于在获取每个像素点在时序条件下的Wishart距离dWishartSerial后，通过对比该像素点与不同农作物样本信号的Wishart距离，基于Wishart最小的原则确定该像素点隶属的目标类型，最终实现图像目标的初步分类识别；
所述的基于强度信息的精确识别农作物区域单元用于在初步识别农作物目标对应的像素点后，结合耕地矢量信息和辐射定标信息开展数据处理；基于历年统计获取的耕地矢量框数据，剔除分布在耕地范围之外的目标识别结果，最终进一步精确识别农作物目标。
优选地，所述的SAR图像对的配准单元在配准的过程中，选择N幅SAR图像中的一幅SAR图像为基准图像，将其他N-1幅SAR图像都配准到基准SAR图像的网格内。
优选地，基准图像的选择需要综合考虑空间基线和时间基线两个指标。
优选地，所述的SAR图像对的配准单元在配准的过程中，采用三级配准的方法：(1)基于卫星轨道数据的配准；(2)基于像素级的配准；(3)基于亚像素级的配准；经过三级配准处理，SAR图像的配准精度达0.1个像素级。
优选地，对于单极化数据而言，特征矩阵为：
式(1)中，表示/>的期望，通过多视的方式来计算，当视数为n时，计算公式如下：
优选地，对于双极化数据而言，特征矩阵为：
优选地，对于全极化数据而言，特征矩阵为：
优选地，所述的基于农作物样本构建农作物信号时序特征矩阵单元在提取农作物样本信号区域内所有像素点在每幅SAR图像中的特征矩阵的过程中，将某个像素点的时序特征矩阵V表示为：
V＝[C1 C2…Ci…CN] (5)
式(5)中，Ci表示该像素点在第i幅SAR图像中的特征矩阵。
优选地，基于SAR的信号模型，SHH服从复高斯分布；那么，特征矩阵<C>则服从复Wishart分布，其数学表达式如下：
<C>～WC(p，n，∑) (6)
式(6)中，p表示特征矩阵的维度，对于单极化数据p＝1，对于双极化数据p＝2，而对于全极化数据p＝3，n则表示视数，Σ表示为<C>的期望；因此，特征矩阵的概率密度函数表示为：
式(7)中，Γ(n)为gamma函数，c为特征矩阵的观测数据，tr(Σ-1c)为矩阵Σ-1c的迹；
为了计算Σ的最优估计值，建立对数似然函数-lnL(f(c,n,p,Σ)Σ)，其表达式为：
-lnL＝nln|Σ|+nTr(Σ-1c)-qnlnn-(n-q)ln|c|+lnΓp(n)(8)
Σ的最优估计值即为似然函数-lnL取最小值时Σ的取值，算得：
式(9)中，n表示多视视数，ci表示多视窗口内第i个像素对应的特征矩阵；
基于对数似然函数-lnL可知，如果目标信号与样本信号越相似，即观测特征矩阵c与样本特征矩阵越接近时，那么对数似然函数-lnL的值就越小；因此，取式(8)中与样本/>信号相关的前两项，定义Wishart距离dWishart为：
式(10)中，表示样本的特征矩阵，c表示待分类目标的特征矩阵；
计算每个像素在时序条件下的Wishart距离dWishartSerial：
式(11)中，K表示时序SAR影像的数量，表示农作物样本在第i幅图像中的特征矩阵，ci表示待分类目标在第i幅图像中的特征矩阵。
本发明还提供一种基于时间序列高分辨极化SAR数据的农作物分类识别方法，包括以下步骤：
S1.SAR图像对的配准：
在数据处理的最初阶段，对输入的SAR图像进行配准处理；在配准的过程中，选择N幅SAR图像中的一幅SAR图像为基准图像，将其他N-1幅SAR图像都配准到基准SAR图像的网格内；基准图像的选择需要综合考虑空间基线和时间基线两个指标；同时，在处理过程中采用三级配准的方法：(1)基于卫星轨道数据的配准；(2)基于像素级的配准；(3)基于亚像素级的配准；经过三级配准处理，SAR图像的配准精度达0.1个像素级；
S2.SAR图像信息特征矩阵获取：
SAR图像配准后，依据不同极化情况，构建不同的特征矩阵；对于单极化数据而言，特征矩阵为：
式(1)中，表示/>的期望，通过多视的方式来计算，当视数为n时，计算公式如下：
对于双极化数据而言，特征矩阵为：
对于全极化数据而言，特征矩阵为：
S3.基于农作物样本构建农作物信号时序特征矩阵：
基于搜集不同农作物样本的地理位置信息，确定农作物样本信号在每幅SAR图像中的范围，进而提取农作物样本信号区域内所有像素点在每幅SAR图像中的特征矩阵；将某个像素点的时序特征矩阵V表示为：
V＝[C1 C2…Ci…CN] (5)
式(5)中，Ci表示该像素点在第i幅SAR图像中的特征矩阵；
S4.基于Wishart距离初步识别农作物区域：
基于SAR的信号模型，SHH服从复高斯分布；那么，特征矩阵<C>则服从复Wishart分布，其数学表达式如下：
<C>～WC(p，n，∑) (6)
式(6)中，p表示特征矩阵的维度，对于单极化数据p＝1，对于双极化数据p＝2，而对于全极化数据p＝3，n则表示视数，Σ表示为<C>的期望；因此，特征矩阵的概率密度函数表示为：
式(7)中，Γ(n)为gamma函数，c为特征矩阵的观测数据，tr(Σ-1c)为矩阵Σ-1c的迹；
为了计算Σ的最优估计值，建立对数似然函数-lnL(f(c,n,p,Σ)Σ)，其表达式为：
-lnL＝nln|Σ|+nTr(Σ-1c)-qnlnn-(n-q)ln|c|+lnΓp(n)(8)
Σ的最优估计值即为似然函数-lnL取最小值时Σ的取值，算得：
式(9)中，n表示多视视数，ci表示多视窗口内第i个像素对应的特征矩阵；
基于对数似然函数-lnL可知，如果目标信号与样本信号越相似，即观测特征矩阵c与样本特征矩阵越接近时，那么对数似然函数-lnL的值就越小；因此，取式(8)中与样本/>信号相关的前两项，定义Wishart距离dWishart为：
式(10)中，表示样本的特征矩阵，c表示待分类目标的特征矩阵；
计算每个像素在时序条件下的Wishart距离dWishartSerial：
式(11)中，K表示时序SAR影像的数量，表示农作物样本在第i幅图像中的特征矩阵，ci表示待分类目标在第i幅图像中的特征矩阵；
获取每个像素点在时序条件下的Wishart距离dWishartSerial后，通过对比该像素点与不同农作物样本信号的Wishart距离，基于Wishart最小的原则确定该像素点隶属的目标类型，最终实现图像目标的初步分类识别；
S5.基于强度信息的精确识别农作物区域：
在初步识别农作物目标对应的像素点后，结合耕地矢量信息和辐射定标信息开展数据处理；基于历年统计获取的耕地矢量框数据，剔除分布在耕地范围之外的目标识别结果，最终进一步精确识别农作物目标。
有益效果
与现有技术相比，本发明的有益效果是：
本发明所述的基于时间序列高分辨极化SAR数据的农作物分类识别系统和方法基于两幅或多幅配准后的SAR影像数据，首先获取每个像素点的特征矩阵。然后，针对不同的极化方式，结合特征矩阵服从复Wishart分布的特点，定义了像素点特征矩阵信号与样本特征矩阵信号的Wishart距离。在此基础上，通过研究时序SAR图像的Wishart距离，对地物目标实现了初步分类。最后，为了提升特定农作物的识别精度，结合耕地矢量框，剔除耕地矢量框外的农作物分类结果，解决由于样本类型不足导致的误分类现象。本发明所提出的方法，能够同时适用于多幅图像多极化高分辨率SAR数据的农作物分类研究，能够更高效地提取不同农作物的图斑，进而在大区域内准确识别耕地特征，为农业精细化管理提供高效快捷的技术支持。
附图说明
附图用来提供对本发明技术方案的进一步理解，并且构成说明书的一部分，与本申请的具体实施方式一起用于解释本发明的技术方案，并不构成对本发明技术方案的限制。
图1是本发明所述的基于时间序列高分辨极化SAR数据的农作物分类识别方法的处理流程示意图。
图2是20220516拍摄的VV极化方式SAR图像。
图3是20220814拍摄的VV极化方式SAR图像。
图4是20220516拍摄的VH极化方式SAR图像。
图5是20220804拍摄的VH极化方式SAR图像。
图6是背景为20220516拍摄的VV极化方式SAR图像的样本区范围示意图。
图7是背景为20220804拍摄的VV极化方式SAR图像的样本区范围示意图。
图8是实验区范围内所有像素点最小的Wishart距离的示意图。
图9是实验区目标初步分类结果示意图。
图10是实验区水稻识别结果示意图。
具体实施方式
在下文中更详细地描述了本发明以有助于对本发明的理解。
如图1所示，本发明提供一种基于时间序列高分辨(高分辨率是指等于或优于3m分辨率的数据)极化SAR数据的农作物分类识别方法，包括以下步骤：
S1.SAR图像对的配准：
由于不同SAR图像之间存在空间基线，导致同一目标点在不同SAR图像内的位置不同，这种偏差可能达到数百个像素点的程度。因此，为了更准确地提取相同位置的目标在不同时刻的信号变化特征，在数据处理的最初阶段，需要对输入的SAR图像进行配准处理。
在配准的过程中，选择N幅SAR图像中的一幅SAR图像为基准图像，将其他N-1幅SAR图像都配准到基准SAR图像的网格内。基准图像的选择需要综合考虑空间基线和时间基线两个指标。同时，考虑到目标点的偏移量可能较大，为了提高运算效率，在处理过程中采用三级配准的方法：(1)基于卫星轨道数据的配准；(2)基于像素级的配准；(3)基于亚像素级的配准。经过三级配准处理，SAR图像的配准精度可达0.1个像素级，完全能够达到高精度变化检测的需求。
S2.SAR图像信息特征矩阵获取：
SAR图像配准后，依据不同极化情况，可构建不同的特征矩阵。对于单极化数据而言(以HH为例)，特征矩阵为：
式(1)中，表示/>的期望，可以通过多视的方式来计算，当视数为n时，计算公式如下：
对于双极化数据而言(以HH+HV为例)，特征矩阵为：
对于全极化数据而言，特征矩阵为：
S3.基于农作物样本构建农作物信号时序特征矩阵：
基于搜集的不同农作物样本的地理位置信息，确定农作物样本信号在每幅SAR图像中的范围，进而提取农作物样本信号区域内所有像素点在每幅SAR图像中的特征矩阵。为了叙述方便，将某个像素点的时序特征矩阵V表示为：
V＝[C1 C2…Ci…CN] (5)
式(5)中，Ci表示该像素点在第i幅SAR图像中的特征矩阵。
S4.基于Wishart距离初步识别农作物区域：
基于SAR的信号模型，SHH服从复高斯分布。那么，特征矩阵<C则服从复Wishart分布，其数学表达式如下：
<C>～WC(p，n，∑) (6)
式(6)中，p表示特征矩阵的维度，对于单极化数据p＝1，对于双极化数据p＝2，而对于全极化数据p＝3，n则表示视数，Σ表示为<C>的期望。因此，特征矩阵的概率密度函数可以表示为：
式(7)中，Γ(n)为gamma函数，c为特征矩阵的观测数据，tr(Σ-1c)为矩阵Σ-1c的迹。
为了计算Σ的最优估计值，建立对数似然函数-lnL(f(c,n,p,Σ)|Σ)，其表达式为：
-lnL＝nln|Σ|+nTr(Σ-1c)-qnlnn-(n-q)ln|c|+lnΓp(n)(8)
Σ的最优估计值即为似然函数-lnL取最小值时Σ的取值，可算得：
式(9)中，n表示多视视数，ci表示多视窗口内第i个像素对应的特征矩阵。
基于对数似然函数-lnL可知，如果目标信号与样本信号越相似，即观测特征矩阵c与样本特征矩阵越接近时，那么对数似然函数-lnL的值就越小。因此，在取式(8)中与样本/>信号相关的前两项，定义Wishart距离dWishart为：
式(10)中，表示样本的特征矩阵，c表示待分类目标的特征矩阵。
在实际应用过程中，考虑到输入时序SAR影像，为了更好地分析目标在不同时刻信号特征与农作物样本在不同时刻信号特征的对比，可计算每个像素在时序条件下的Wishart距离dWishartSerial：
式(11)中，K表示时序SAR影像的数量，表示农作物样本在第i幅图像中的特征矩阵，ci表示待分类目标在第i幅图像中的特征矩阵。
获取每个像素点在时序条件下的Wishart距离dWishartSerial后，通过对比该像素点与不同农作物样本信号的Wishart距离，基于Wishart最小的原则确定该像素点隶属的目标类型，最终实现图像目标的初步分类识别。
S5.基于强度信息的精确识别农作物区域：
考虑到各种噪声的影响，在某些非农作物区域，其信号特征也可能与农作物相似，进而可能会被误识别为农作物。为了进一步提升农作物区域识别的精度，在初步识别农作物目标对应的像素点后，还可以结合耕地矢量信息和辐射定标信息开展数据处理。一般来说，农作物是分布在耕地范围内的。首先，可基于历年统计获取的耕地矢量框数据，剔除分布在耕地范围之外的目标识别结果，最终进一步精确识别农作物目标。
在一个具体实施例中，通过对某区域时序高分辨率双极化SAR数据处理，以水稻为识别目标，来描述本发明的具体步骤。为了获得更可靠的结果，采用3m分辨率的COSMO-SkyMed双极化数据进行监测。数据参数如表1所示。
表1某区域COSMO-SkyMed双极化数据基本参数
步骤一：
分别对VV极化和VH极化的SAR图像进行配准，配准后的SAR影像分别如图2至图5所示。可以明显看出，对于相同极化方式不同时期获取的数据，两期SAR影响存在明显的变化。对于相同时期不同极化方式获取的SAR图像，对应SAR图像也存在差异。
步骤二：
采用式(1)和式(2)所述的理论，计算每个像素点的特征矩阵。其中，多视采用3*3的窗口，由于本次实验的SAR数据是双极化的(VV+VH)，所以每个像素点获取的特征矩阵<C>是2*2的矩阵。
步骤三：
输入不同类型目标的样本，其在VV极化SAR图像中如图6至图7所示。其中样本区1表示水稻、样本区2表示水体、样本区3表示人造目标，样本区4表示其他目标。如果专门分析水稻样本，可以明显看出，在20220516拍摄的数据中，水稻区域呈现出明显水体的特征，这个时候，水稻处于灌溉期。而在20220804拍摄的数据中，由于水稻植被生长，水稻区域的信号明显增强。
步骤四：
依据式(11)所述的方法，计算所有像素点分别与每个样本之间的时序Wishart距离，并通过对比，分析出每个像素点的最小时序Wishart距离，最终初步确定该像素点属于的样本类型，像素点的最小Wishart距离和初步分类结果分别如图8至图9所示。
步骤五：
从图9中可以看出，在山区或者其他区域，由于输入样本难以覆盖所有的地物类型，也存在一些目标被误识别为水稻的现象。为了更好地识别水稻，首先将初步分类结果进行地理变化，转换为经纬度坐标，然后通过引入耕地矢量框，剔除耕地范围外识别的水稻目标，最终获取高质量的水稻分类结果，其结果如图10所示。
本发明所述的基于时间序列高分辨极化SAR数据的农作物分类识别系统包括SAR图像对的配准单元、SAR图像信息特征矩阵获取单元、基于农作物样本构建农作物信号时序特征矩阵单元、基于Wishart距离初步识别农作物区域单元和基于强度信息的精确识别农作物区域单元；
所述的SAR图像对的配准单元用于在数据处理的最初阶段，对输入的SAR图像进行配准处理；
所述的SAR图像信息特征矩阵获取单元用于在SAR图像配准后，依据不同极化情况，构建不同的特征矩阵；
所述的基于农作物样本构建农作物信号时序特征矩阵单元用于基于搜集的不同农作物样本的地理位置信息，确定农作物样本信号在每幅SAR图像中的范围，进而提取农作物样本信号区域内所有像素点在每幅SAR图像中的特征矩阵；
所述的基于Wishart距离初步识别农作物区域单元用于在获取每个像素点在时序条件下的Wishart距离dWishartSerial后，通过对比该像素点与不同农作物样本信号的Wishart距离，基于Wishart最小的原则确定该像素点隶属的目标类型，最终实现图像目标的初步分类识别；
所述的基于强度信息的精确识别农作物区域单元用于在初步识别农作物目标对应的像素点后，结合耕地矢量信息和辐射定标信息开展数据处理；基于历年统计获取的耕地矢量框数据，剔除分布在耕地范围之外的目标识别结果，最终进一步精确识别农作物目标。
优选地，所述的SAR图像对的配准单元在配准的过程中，选择N幅SAR图像中的一幅SAR图像为基准图像，将其他N-1幅SAR图像都配准到基准SAR图像的网格内。
优选地，基准图像的选择需要综合考虑空间基线和时间基线两个指标。
优选地，所述的SAR图像对的配准单元在配准的过程中，采用三级配准的方法：(1)基于卫星轨道数据的配准；(2)基于像素级的配准；(3)基于亚像素级的配准；经过三级配准处理，SAR图像的配准精度达0.1个像素级。
优选地，对于单极化数据而言，特征矩阵为：
式(1)中，表示/>的期望，通过多视的方式来计算，当视数为n时，计算公式如下：
优选地，对于双极化数据而言，特征矩阵为：
优选地，对于全极化数据而言，特征矩阵为：
优选地，所述的基于农作物样本构建农作物信号时序特征矩阵单元在提取农作物样本信号区域内所有像素点在每幅SAR图像中的特征矩阵的过程中，将某个像素点的时序特征矩阵V表示为：
V＝[C1 C2…Ci…CN] (5)
式(5)中，Ci表示该像素点在第i幅SAR图像中的特征矩阵。
优选地，基于SAR的信号模型，SHH服从复高斯分布；那么，特征矩阵<C>则服从复Wishart分布，其数学表达式如下：
<C>～WC<p，n，∑) (6)
式(6)中，p表示特征矩阵的维度，对于单极化数据p＝1，对于双极化数据p＝2，而对于全极化数据p＝3，n则表示视数，Σ表示为<C>的期望；因此，特征矩阵的概率密度函数表示为：
式(7)中，Γ(n)为gamma函数，c为特征矩阵的观测数据，tr(Σ-1c)为矩阵Σ-1c的迹；
为了计算Σ的最优估计值，建立对数似然函数-lnL(f(c,n,p,Σ)|Σ)，其表达式为：
-lnL＝nln|Σ|+nTr(Σ-1c)-qnlnn-(n-q)ln|c|+lnΓp(n)(8)
Σ的最优估计值即为似然函数-lnL取最小值时Σ的取值，算得：
式(9)中，n表示多视视数，ci表示多视窗口内第i个像素对应的特征矩阵；
基于对数似然函数-lnL可知，如果目标信号与样本信号越相似，即观测特征矩阵c与样本特征矩阵越接近时，那么对数似然函数-lnL的值就越小；因此，取式(8)中与样本/>信号相关的前两项，定义Wishart距离dWishart为：
式(10)中，表示样本的特征矩阵，c表示待分类目标的特征矩阵；
计算每个像素在时序条件下的Wishart距离dWishartSerial：
式(11)中，K表示时序SAR影像的数量，表示农作物样本在第i幅图像中的特征矩阵，ci表示待分类目标在第i幅图像中的特征矩阵。
本发明所述的基于时间序列高分辨极化SAR数据的农作物分类识别系统和方法基于两幅或多幅配准后的SAR影像数据，首先获取每个像素点的特征矩阵。然后，针对不同的极化方式，结合特征矩阵服从复Wishart分布的特点，定义了像素点特征矩阵信号与样本特征矩阵信号的Wishart距离。在此基础上，通过研究时序SAR图像的Wishart距离，对地物目标实现了初步分类。最后，为了提升特定农作物的识别精度，结合耕地矢量框，剔除耕地矢量框外的农作物分类结果，解决由于样本类型不足导致的误分类现象。本发明所提出的方法，能够同时适用于多幅图像多极化高分辨率SAR数据的农作物分类研究，能够更高效地提取不同农作物的图斑，进而在大区域内准确识别耕地特征，为农业精细化管理提供高效快捷的技术支持。
本发明所述的基于时间序列高分辨极化SAR数据的农作物分类识别系统和方法的主要创新点包括：
1)基于SAR图像信号概率分布，特征矩阵服从复Wishart分布的特点，推演并定义了像素点特征矩阵信号与样本特征矩阵信号的Wishart距离。在此基础上，通过研究时序SAR图像的Wishart距离，对地物目标实现了初步分类。
2)提出了一套完整的基于时间序列高分辨极化SAR数据的农作物分类识别方法，该方法可以适用于多幅图像多极化高分辨SAR数据的农作物分类，能够更高效更准确地提取不同农作物的图斑。
以上描述了本发明优选实施方式，然其并非用以限定本发明。本领域技术人员对在此公开的实施方案可进行并不偏离本发明范畴和精神的改进和变化。
Claims (10)
1.一种基于时间序列高分辨极化SAR数据的农作物分类识别系统，其特征在于，所述的基于时间序列高分辨极化SAR数据的农作物分类识别系统包括SAR图像对的配准单元、SAR图像信息特征矩阵获取单元、基于农作物样本构建农作物信号时序特征矩阵单元、基于Wishart距离初步识别农作物区域单元和基于强度信息的精确识别农作物区域单元；
所述的SAR图像对的配准单元用于在数据处理的最初阶段，对输入的SAR图像进行配准处理；
所述的SAR图像信息特征矩阵获取单元用于在SAR图像配准后，依据不同极化情况，构建不同的特征矩阵；
所述的基于农作物样本构建农作物信号时序特征矩阵单元用于基于搜集的不同农作物样本的地理位置信息，确定农作物样本信号在每幅SAR图像中的范围，进而提取农作物样本信号区域内所有像素点在每幅SAR图像中的特征矩阵；
所述的基于Wishart距离初步识别农作物区域单元用于在获取每个像素点在时序条件下的Wishart距离dWishartSerial后，通过对比该像素点与不同农作物样本信号的Wishart距离，基于Wishart最小的原则确定该像素点隶属的目标类型，最终实现图像目标的初步分类识别；
所述的基于强度信息的精确识别农作物区域单元用于在初步识别农作物目标对应的像素点后，结合耕地矢量信息和辐射定标信息开展数据处理；基于历年统计获取的耕地矢量框数据，剔除分布在耕地范围之外的目标识别结果，最终进一步精确识别农作物目标。
2.根据权利要求1所述的基于时间序列高分辨极化SAR数据的农作物分类识别系统，其特征在于，所述的SAR图像对的配准单元在配准的过程中，选择N幅SAR图像中的一幅SAR图像为基准图像，将其他N-1幅SAR图像都配准到基准SAR图像的网格内。
3.根据权利要求1所述的基于时间序列高分辨极化SAR数据的农作物分类识别系统，其特征在于，基准图像的选择需要综合考虑空间基线和时间基线两个指标。
4.根据权利要求1所述的基于时间序列高分辨极化SAR数据的农作物分类识别系统，其特征在于，所述的SAR图像对的配准单元在配准的过程中，采用三级配准的方法：(1)基于卫星轨道数据的配准；(2)基于像素级的配准；(3)基于亚像素级的配准；经过三级配准处理，SAR图像的配准精度达0.1个像素级。
5.根据权利要求1所述的基于时间序列高分辨极化SAR数据的农作物分类识别系统，其特征在于，对于单极化数据而言，特征矩阵为：
式(1)中，表示/>的期望，通过多视的方式来计算，当视数为n时，计算公式如下：
6.根据权利要求1所述的基于时间序列高分辨极化SAR数据的农作物分类识别系统，其特征在于，对于双极化数据而言，特征矩阵为：
7.根据权利要求1所述的基于时间序列高分辨极化SAR数据的农作物分类识别系统，其特征在于，对于全极化数据而言，特征矩阵为：
8.根据权利要求1所述的基于时间序列高分辨极化SAR数据的农作物分类识别系统，其特征在于，所述的基于农作物样本构建农作物信号时序特征矩阵单元在提取农作物样本信号区域内所有像素点在每幅SAR图像中的特征矩阵的过程中，将某个像素点的时序特征矩阵V表示为：
V＝[C1 C2 … Ci … CN] (5)
式(5)中，Ci表示该像素点在第i幅SAR图像中的特征矩阵。
9.根据权利要求1所述的基于时间序列高分辨极化SAR数据的农作物分类识别系统，其特征在于，基于SAR的信号模型，SHH服从复高斯分布；那么，特征矩阵<C>则服从复Wishart分布，其数学表达式如下：
式(6)中，p表示特征矩阵的维度，对于单极化数据p＝1，对于双极化数据p＝2，而对于全极化数据p＝3，n则表示视数，Σ表示为<C>的期望；因此，特征矩阵的概率密度函数表示为：
式(7)中，Γ(n)为gamma函数，c为特征矩阵的观测数据，tr(Σ-1c)为矩阵Σ-1c的迹；
为了计算Σ的最优估计值，建立对数似然函数-ln L(f(c,n,p,Σ)|Σ)，其表达式为：
-ln L＝n ln|Σ|+nTr(Σ-1c)-qn ln n-(n-q)ln|c|+lnΓp(n)
(8)
Σ的最优估计值即为似然函数-lnL取最小值时Σ的取值，算得：
式(9)中，n表示多视视数，ci表示多视窗口内第i个像素对应的特征矩阵；
基于对数似然函数-lnL可知，如果目标信号与样本信号越相似，即观测特征矩阵c与样本特征矩阵越接近时，那么对数似然函数-lnL的值就越小；因此，取式(8)中与样本/>信号相关的前两项，定义Wishart距离dWishart为：
式(10)中，表示样本的特征矩阵，c表示待分类目标的特征矩阵；
计算每个像素在时序条件下的Wishart距离dWishartSerial：
式(11)中，K表示时序SAR影像的数量，表示农作物样本在第i幅图像中的特征矩阵，ci表示待分类目标在第i幅图像中的特征矩阵。
10.一种根据权利要求1至9任一项所述的基于时间序列高分辨极化SAR数据的农作物分类识别系统的识别方法，其特征在于，包括以下步骤：
S1.SAR图像对的配准：
在数据处理的最初阶段，对输入的SAR图像进行配准处理；在配准的过程中，选择N幅SAR图像中的一幅SAR图像为基准图像，将其他N-1幅SAR图像都配准到基准SAR图像的网格内；基准图像的选择需要综合考虑空间基线和时间基线两个指标；同时，在处理过程中采用三级配准的方法：(1)基于卫星轨道数据的配准；(2)基于像素级的配准；(3)基于亚像素级的配准；经过三级配准处理，SAR图像的配准精度达0.1个像素级；
S2.SAR图像信息特征矩阵获取：
SAR图像配准后，依据不同极化情况，构建不同的特征矩阵；对于单极化数据而言，特征矩阵为：
式(1)中，表示/>的期望，通过多视的方式来计算，当视数为n时，计算公式如下：
对于双极化数据而言，特征矩阵为：
对于全极化数据而言，特征矩阵为：
S3.基于农作物样本构建农作物信号时序特征矩阵：
基于搜集的不同农作物样本的地理位置信息，确定农作物样本信号在每幅SAR图像中的范围，进而提取农作物样本信号区域内所有像素点在每幅SAR图像中的特征矩阵；将某个像素点的时序特征矩阵V表示为：
V＝[C1 C2 … Ci … CN] (5)
式(5)中，Ci表示该像素点在第i幅SAR图像中的特征矩阵；
S4.基于Wishart距离初步识别农作物区域：
基于SAR的信号模型，SHH服从复高斯分布；那么，特征矩阵C则服从复Wishart分布，其数学表达式如下：
<C>～WC(p，n，∑) (6)
式(6)中，p表示特征矩阵的维度，对于单极化数据p＝1，对于双极化数据p＝2，而对于全极化数据p＝3，n则表示视数，Σ表示为C的期望；因此，特征矩阵的概率密度函数表示为：
式(7)中，Γ(n)为gamma函数，c为特征矩阵的观测数据，tr(Σ-1c)为矩阵Σ-1c的迹；
为了计算Σ的最优估计值，建立对数似然函数-lnL(f(c,n,p,Σ)|Σ)，其表达式为：
-ln L＝n ln|Σ|+nTr(Σ-1c)-qn ln n-(n-q)ln|c|+lnΓp(n)
(8)
Σ的最优估计值即为似然函数-lnL取最小值时Σ的取值，算得：
式(9)中，n表示多视视数，ci表示多视窗口内第i个像素对应的特征矩阵；
基于对数似然函数-lnL可知，如果目标信号与样本信号越相似，即观测特征矩阵c与样本特征矩阵越接近时，那么对数似然函数-lnL的值就越小；因此，取式(8)中与样本/>信号相关的前两项，定义Wishart距离dWishart为：
式(10)中，表示样本的特征矩阵，c表示待分类目标的特征矩阵；
计算每个像素在时序条件下的Wishart距离dWishartSerial：
式(11)中，K表示时序SAR影像的数量，表示农作物样本在第i幅图像中的特征矩阵，ci表示待分类目标在第i幅图像中的特征矩阵；
获取每个像素点在时序条件下的Wishart距离dWishartSerial后，通过对比该像素点与不同农作物样本信号的Wishart距离，基于Wishart最小的原则确定该像素点隶属的目标类型，最终实现图像目标的初步分类识别；
S5.基于强度信息的精确识别农作物区域：
在初步识别农作物目标对应的像素点后，结合耕地矢量信息和辐射定标信息开展数据处理；基于历年统计获取的耕地矢量框数据，剔除分布在耕地范围之外的目标识别结果，最终进一步精确识别农作物目标。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310456186.0A CN116503651B (zh) | 2023-04-25 | 2023-04-25 | 一种极化sar农作物分类识别系统和方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310456186.0A CN116503651B (zh) | 2023-04-25 | 2023-04-25 | 一种极化sar农作物分类识别系统和方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116503651A true CN116503651A (zh) | 2023-07-28 |
| CN116503651B CN116503651B (zh) | 2023-11-14 |
Family
ID=87325968
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310456186.0A Active CN116503651B (zh) | 2023-04-25 | 2023-04-25 | 一种极化sar农作物分类识别系统和方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116503651B (zh) |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US5313210A (en) * | 1993-02-23 | 1994-05-17 | Ball Corporation | Polarimetric radar signal mapping process |
| WO2010112426A1 (en) * | 2009-04-03 | 2010-10-07 | Tele-Rilevamento Europa - T.R.E. S.R.L. | Process for identifying statistically homogeneous pixels in sar images acquired on the same area |
| WO2011070538A2 (en) * | 2009-12-11 | 2011-06-16 | Eads Singapore Pte. Ltd | Method for despeckling of single-look dual-polarization synthetic aperture radar (sar) data |
| CN104463219A (zh) * | 2014-12-17 | 2015-03-25 | 西安电子科技大学 | 一种基于特征向量度量谱聚类的极化sar图像分类方法 |
| CN107102333A (zh) * | 2017-06-27 | 2017-08-29 | 北京航空航天大学 | 一种星载InSAR长短基线融合解缠方法 |
| CN112505701A (zh) * | 2020-12-14 | 2021-03-16 | 大连海事大学 | 积分图数近半下降极化sar图像非局部均值相干斑抑制方法 |
| US20210149929A1 (en) * | 2019-11-20 | 2021-05-20 | University Of Connecticut | Systems and methods to generate high resolution flood maps in near real time |
| CN112906514A (zh) * | 2021-02-03 | 2021-06-04 | 北京观微科技有限公司 | 一种顾及不同极化的时序sar影像地物类别变化检测方法 |
-
2023
- 2023-04-25 CN CN202310456186.0A patent/CN116503651B/zh active Active
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US5313210A (en) * | 1993-02-23 | 1994-05-17 | Ball Corporation | Polarimetric radar signal mapping process |
| WO2010112426A1 (en) * | 2009-04-03 | 2010-10-07 | Tele-Rilevamento Europa - T.R.E. S.R.L. | Process for identifying statistically homogeneous pixels in sar images acquired on the same area |
| WO2011070538A2 (en) * | 2009-12-11 | 2011-06-16 | Eads Singapore Pte. Ltd | Method for despeckling of single-look dual-polarization synthetic aperture radar (sar) data |
| CN104463219A (zh) * | 2014-12-17 | 2015-03-25 | 西安电子科技大学 | 一种基于特征向量度量谱聚类的极化sar图像分类方法 |
| CN107102333A (zh) * | 2017-06-27 | 2017-08-29 | 北京航空航天大学 | 一种星载InSAR长短基线融合解缠方法 |
| US20210149929A1 (en) * | 2019-11-20 | 2021-05-20 | University Of Connecticut | Systems and methods to generate high resolution flood maps in near real time |
| CN112505701A (zh) * | 2020-12-14 | 2021-03-16 | 大连海事大学 | 积分图数近半下降极化sar图像非局部均值相干斑抑制方法 |
| CN112906514A (zh) * | 2021-02-03 | 2021-06-04 | 北京观微科技有限公司 | 一种顾及不同极化的时序sar影像地物类别变化检测方法 |
Non-Patent Citations (3)
| Title |
|---|
| MINGLIANG LIU: "Unified Classification Framework for Multipolarization and Dual-Frequency SAR", 《 IEEE TRANSACTIONS ON GEOSCIENCE AND REMOTE SENSING》 * |
| 段素素;依力亚斯江・努尔麦麦提;郭莉丹;范宏;哈班拜;: "基于全极化微波遥感的干旱区典型绿洲盐渍化信息提取", 湖北农业科学, no. 02 * |
| 王平;周忠发;殷超;: "基于全极化SAR与多光谱的喀斯特山区农村林地提取", 中国农业资源与区划, no. 07 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116503651B (zh) | 2023-11-14 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108846832B (zh) | 一种基于多时相遥感影像与gis数据的变化检测方法及系统 | |
| Liu et al. | Large-scale crop mapping from multisource remote sensing images in google earth engine | |
| Müller-Linow et al. | The leaf angle distribution of natural plant populations: assessing the canopy with a novel software tool | |
| Zhou et al. | Perspective of Chinese GF-1 high-resolution satellite data in agricultural remote sensing monitoring | |
| Vidović et al. | Crop row detection by global energy minimization | |
| CN111368736B (zh) | 基于sar和光学遥感数据的水稻精细化估产方法 | |
| CN107944368B (zh) | 一种基于时序遥感图像的水体提取方法 | |
| Liu et al. | Estimating potato above-ground biomass by using integrated unmanned aerial system-based optical, structural, and textural canopy measurements | |
| CN112164062A (zh) | 一种基于遥感时序分析的抛荒地信息提取方法及装置 | |
| Wang et al. | SSRNet: In-field counting wheat ears using multi-stage convolutional neural network | |
| Zhou et al. | An integrated skeleton extraction and pruning method for spatial recognition of maize seedlings in MGV and UAV remote images | |
| CN113128401B (zh) | 基于光学和雷达遥感数据的区域实际灌溉面积监测方法 | |
| CN108766203B (zh) | 一种紧致极化水稻制图的方法及系统 | |
| Bai et al. | A fast and robust method for plant count in sunflower and maize at different seedling stages using high-resolution UAV RGB imagery | |
| CN110909821B (zh) | 基于作物参考曲线进行高时空分辨率植被指数数据融合的方法 | |
| CN116188465A (zh) | 基于图像处理技术的作物生长状态检测方法 | |
| CN115641504A (zh) | 一种基于作物物候特征与决策树模型的田块边界自动化遥感提取方法 | |
| CN114821360A (zh) | 作物叶面积指数智能化提取方法、装置及电子设备 | |
| CN117994680A (zh) | 基于多源图像的作物生长监测方法及系统 | |
| Chakraborty et al. | Early almond yield forecasting by bloom mapping using aerial imagery and deep learning | |
| CN116503651B (zh) | 一种极化sar农作物分类识别系统和方法 | |
| CN104330798B (zh) | 基于合成孔径雷达遥感影像监测农作物播期的方法及装置 | |
| Li et al. | Rice phenology retrieval automatically using polarimetric SAR | |
| Zou et al. | A deep learning image augmentation method for field agriculture | |
| Zhang et al. | A method for estimating the height of Achnatherum splendens based on image processing |
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 |