高分辨率机载SAR影像判读实验

近年来机载SAR系统在国内得到快速发展。由于SAR系统具有不同于光学传感器的成像机理,因而可以提供全新的数据获取手段和不同的地物信息。利用高分辨率机载SAR影像进行解译时必须熟悉其成像机理和图像信息特点,充分了解SAR图像解译标志的特点和各类地物的解译规律。本文以高分辨率机载SAR数据为基础,对比光学影像,从SAR成像特点和地物散射特性出发,对SAR影像进行了目视解译,分析了SAR影像在地形地物要素识别中的应用潜力。     

生成式知识迁移的SAR舰船检测

为解决基于深度卷积神经网络进行SAR舰船检测网络训练过程中数据获取、数据标注等问题,本文提出一种生成式知识迁移的SAR舰船检测框架,该框架由生成式知识迁移网络和舰船检测网络两部分组成。通过知识迁移网络生成与有标注的光学遥感图像空间分布一致且包含SAR图像特征的带标注模拟图像;使用所生成的带标注模拟图像,进一步优化舰船检测网络,以提高基于深度卷积神经网络的舰船检测的泛化性能。SARShip-Detection-Datasets (SSDD)和AIR-SARShip-1.0两个公开数据集上的实验结果表明,该框架有效提高了在仅包含少量标注SAR图像样本情况下的舰船目标检测效果,可显著降低舰船在复杂背景图像中漏检和误检的概率。     

面向对象高可信SAR数据精确处理

针对合成孔径雷达（synthetic aperture rdar,SAR）数据在地形地物、森林植被等方面的处理与解译难题,介绍了近年来利用多角度、多波段、多极化、极化干涉等多模态航空航天SAR数据,建立基于散射机理的地物特性知识库,构建地形辐射校正模型、极化干涉处理模型、立体测量模型、基于知识的解译模型等,开发出高分辨率机载极化干涉SAR数据获取系统和SAR影像高性能解译软件系统,实现了精度高、可靠性强、识别类型丰富的SAR影像高可信处理与解译的原理、技术与方法,同时对成果在测绘、林业等行业的应用情况进行了介绍,对研究中存在的问题和解决思路进行了探讨。     

多源多时相遥感数据面向对象海岛识别方法探讨

遥感技术在新一轮全国海岛调查中得到广泛而深入的应用。针对目视解译方法的不足,采用面向对象的自动分类方法实施海岛专题信息提取。对多源多级遥感图像数据和多时相高分辨率光学图像数据,分别采取了不同的小目标识别与伪信息剔除策略。实验结果表明,不论融合高分辨率雷达图像数据与多光谱光学图像数据,还是直接利用多时相高分辨率光学图像数据,面向对象的自动分类方法均能够达到较高的海岛识别能力与识别精度。     

SARBuD 1.0： 面向深度学习的GF-3 精细模式SAR建筑数据集

合成孔径雷达SAR（Synthetic Aperture Radar）是开展城市建筑区信息获取与动态监测的重要数据源。本文建立了一个面向深度学习建筑区提取的中高分辨率SAR建筑区数据集SARBuD1.0 （SAR BUilding Dataset）。该数据集包含了覆盖中国不同区域的27景高分三号（GF-3）精细模式SAR图像,并从中获取了建筑区共计60000个SAR样本数据,结合光学图像与专家解译,制作了与样本数据对应的标签图像。SARBuD1.0数据集包含了不同地形场景类型、不同分布类型、不同区域的建筑区。该数据集可支持研究者对建筑区进行图像特征分析、辅助图像理解,并可对当前热点深度学习方法提供训练、测试数据支持。本文以山区建筑为例,使用传统纹理特征与深度学习特征对建筑区进行了特征分析与比较,相比于传统的人工设计的纹理特征,卷积神经网络具有更深、更多的特征,利用网络模型浅层的不同卷积核采样可得到各种纹理特征,在网络的深层卷积结构中可获取代表着类别的深层语义特征,使得分类器能更好地检测并提取图像中指定的目标。基于本数据集利用深度学习方法对不同地形区域的建筑区进行提取实验。实验结果表明基于本数据集训练的深度学习模型,对建筑区提取可以取得良好的结果,说明该数据集可以很好支持面向大数据的深度学习方法。其他学者可以基于SARBuD1.0数据集开展建筑区图像特征分析与语义分割提取等方面的研究。     

基于高分辨率SAR图像成像机理的震害信息分析

与中低分辨率SAR图像相比,高分辨率SAR图像受目标复杂性和成像噪声等因素的干扰更为严重,致使应用高分辨率SAR图像检测震害目标变得更加困难.传统的适用于中低分辨率SAR图像的震害信息提取方法对于高分辨率SAR图像有一定的局限性.为了从高分辨率SAR图像中更加准确地提取震害信息,从SAR图像成像机理和目标的后向散射特征出发,对建筑物和道路、桥梁的震害特征进行了细致分析,为寻求合适的目标检测和提取方法提供了思路.     

自然资源要素遥感智能解译样本分类体系研究

根据湖北省自然资源监测监管对大规模遥感智能解译的需求,对已有遥感智能解译样本数据集进行了总结,从提升地类细分领域的深度学习模型效果出发,研究了遥感影像智能解译的典型应用场景和解译对象,构建了湖北省自然资源要素遥感智能解译样本分类体系,并以优于2 m的多源异构高分辨率光学遥感影像为数据源,开展遥感智能解译样本采集。通过具体业务应用场景实验证明,建立的智能解译样本分类体系及其样本库,能够较好地反映湖北省自然资源卫星遥感影像智能解译的区域特征,取得较之前的样本库更为有效的解译效果。     

基于解译知识库的地表覆盖自动解译研究及实现

高分辨率遥感影像具有丰富的空间结构信息和地理特征信息,因而被广泛地应用于地表覆盖信息提取工作中。针对高分辨率遥感影像解译中存在的目视解译效率低、自动解译分类精度有待提高、重复构建解译规则易造成劳动冗余等问题,本文提出了基于解译知识库的面向对象自动解译方法,并在此基础上开发了自动解译软件系统,通过解译知识的分类存储和用户的按需调用,实现影像解译的流程化、高效化。以四川省地理国情地表覆盖解译工作为例,表明应用该方法能够显著提高解译效率,解译结果具有一定的可靠性。     

从散射辐射传输成像到定量精细遥感的信息

星载遥感是电磁波与环境目标相互作用散射辐射传输获取数据图像,并进而反演诠释环境目标物理特征的信息技术。随着星载遥感多任务、多频段、多极化、高分辨率等多源多模式的发展与融合,星载遥感定量精细信息的需求提出了一系列新的信息链科学问题。本文概述本实验室在近十多年里在星载遥感领域的电磁散射辐射传输理论到定量精细遥感信息链的研究,包括：矢量辐射传输与星载微波遥感数据定标与验证（CAL/VAL）、极化电磁散射与全极化多模式合成孔径雷达（SAR）成像信息、高分辨率遥感与自动目标识别（ATR）技术、月球火星等外星遥感信息获取等。     

双频共面合成孔径雷达海面风场反演

根据L/C双频共面SAR能够获取同一海域双波段电磁波后向散射系数,得到更多海洋目标特征信息的电磁散射特点,结合地球物理模型函数研究了一种新的SAR海面风场反演方法。利用L/C双频共面SAR的L和C两个波段的地球物理模型函数和后向散射系数等信息,通过地球物理模型函数联立以及构建和求解最小代价函数,直接从SAR数据本身获取海面风场信息,并借助辅助数据去除了风向的180°模糊,从而实现海面风场反演。仿真分析和海上机载同步飞行试验的研究结果表明,该方法可直接利用SAR数据本身获取精度较高的海面风速、风向;绝对辐射定标精度是决定海面风场反演精度的关键因素,海面风场反演误差随定标精度提高而减小;随着海面风速的增大,风速反演误差逐渐增大。论文提出的双频共面SAR海面风场反演方法解决了传统单波段单极化SAR海面风场反演存在的固有问题,机载同步飞行试验的海面风速和风向反演结果与调查船观测值的均方根误差分别为0.93 m/s和19.39°,可为星载SAR海面风场反演业务化和载荷研制提供支持。     

相向飞行全极化SAR图像对建筑物的立体重构

用多方向飞行的全极化SAR图像可能提取特定三维目标的高度与位置信息,进而实现目标物的几何立体重构。全极化SAR图像数据与单极化SAR相比,可以选择多种极化组合数据,提供对于特定目标几何特征敏感的数据类型,通过多方向飞行SAR图像反演该目标或目标群的高度与位置信息。本文用两幅相向飞行的PI-SAR(日本机载极化与干涉SAR,X波段、1.5m分辨率)图像,提取日本仙台电视塔高度、日本东北大学建筑物群的立体重构。     

一种结合上下文与边缘注意力的SAR图像海陆分割深度网络方法

海陆分割对于合成孔径雷达(synthetic aperture radar,SAR)图像海洋目标检测、海岸线提取等任务具有重要意义。针对实际应用中多分辨率SAR图像海陆分割难题,提出了一种基于上下文与边缘注意力的海陆分割方法。该方法利用通道注意力机制融合不同尺度和层次的上下文特征,设计了边缘提取支路提供边缘信息,进一步提高了海陆边界的分割准确率。同时,构建了基于高分三号卫星数据的多分辨率SAR图像海陆分割数据集,该数据集涵盖了多个分辨率,包括港口、岛屿等多种海陆边界类型。并基于所构建的多分辨率SAR图像海陆分割数据集,对所提网络的有效性和各模块的作用进行了实验分析。实验结果表明,所提网络的整体预测准确率和平均交并比分别达到了98.21%和96.47%,能够较好地完成海陆分割任务。     

星载SAR影像解译研究——以横断山脉地区为例

雷达遥感具有全天时、全天候的特点,在测绘中能够很好地弥补光学遥感的不足。随着SAR技术的不断发展,雷达影像得到了广泛的应用。然而受SAR相干侧视成像机制的影响,山区SAR影像的判读解译依然面临着巨大的挑战,制约着SAR在高山区测图、土地利用、地表覆盖等制图中的应用。本文以横断山脉地区为例,综合利用TerraSAR高分辨率升降轨影像,运用影像融合和镶嵌技术,结合实地调绘成果,对山区高分辨率星载SAR影像判读解译进行了深入研究,并最终形成了一套高效、可靠的解译流程。该判读解译流程对山区SAR影像在高山区测图、土地利用、土地覆盖制图中应用的推广具有重要的意义。     

机载SAR影像地表要素解译试验研究

雷达影像以其全天候、全天时、穿透力强的工作能力,成为当前摄影测量与遥感领域的研究热点,近年来机载SAR系统在国内外得到快速发展和应用。本文介绍了高分辨率多极化机载SAR数据的特点,论述了SAR影像的正射纠正,分析了不同地表要素在机载SAR影像中的成像特点和解译方法,并与光学影像作了对比,得出了基于SAR影像地表要素解译的几点看法。     

从散射辐射传输成像到定量精细遥感的信息链

星载遥感是电磁波与环境目标相互作用散射辐射传输获取数据图像,并进而反演诠释环境目标物理特征的信息技术。随着星载遥感多任务、多频段、多极化、高分辨率等多源多模式的发展与融合,星载遥感定量精细信息的需求提出了一系列新的信息链科学问题。本文概述本实验室在近十多年里在星载遥感领域的电磁散射辐射传输理论到定量精细遥感信息链的研究,包括:矢量辐射传输与星载微波遥感数据定标与验证(CAL/VAL)、极化电磁散射与全极化多模式合成孔径雷达(SAR)成像信息、高分辨率遥感与自动目标识别(ATR)技术、月球火星等外星遥感信息获取等。     

集合卡尔曼滤波方法的高时空分辨率山区地表反照率反演EI北大核心CSCD

高分辨率地表反照率遥感产品以其空间分辨率高的优点,目前正成为区域能量平衡和气候变化研究的重要数据源。现行的高分辨率地表反照率遥感反演算法及数据产品均假设地表平坦且均一,缺乏对地表异质性和地形复杂性的考虑,将适用于平坦地表的反演算法应用于山区将存在一定的误差。改进的直接算法将直接反演算法与山地辐射传输模型结合,为反演山区高分辨率地表反照率提供了可能,可以反演山区地表反照率产品。但该算法受到下垫面积雪、云污染等影响,反演的影像时域不连续,且存在着较多的缺失值,无法构建时空连续的地表反照率产品来支撑山区地表能量平衡相关研究。针对这一问题,本文以高分四号(GF-4)卫星数据为例,首先基于改进的直接反演算法反演山区高分辨率地表反照率,结合MODIS BRDF/Albedo产品构建先验知识背景场,采用集合卡尔曼滤波方法对反演的山区地表反照率进行时空填补,构建了时空连续的地表反照率反演方法,并生产了2016年—2017年的山区地表反照率产品。研究结果表明,反演的时空连续高分辨率地表反照率产品与地面站点观测数据的一致性较好。不同坡度地面站点的验证结果显示,反演的时空连续地表反照率产品在湿地、农田等平坦地表下RMSE小于0.01,坡度较大的站点下RMSE为0.0163。本文描述的山区地表反照率时空填补技术也可以应用到其他定量遥感产品,为这些产品在山区地表下的填补技术提供有效参考。     

多源卫星遥感数据陆表水体产品生成方法研究EI北大核心CSCD

陆表水体是水资源管理、水生态治理及洪水应急监测不可缺少的基础信息,多源卫星遥感为研制陆表水体产品奠定了坚实的数据基础。论文首先对目前陆表水体制图产品和方法进行总结,构建全球地表水体产品验证样本集,分析评估全球中高分辨率陆表水体产品制图精度,基于Google Earth Engine(GEE)遥感大数据平台开展2000年和2018年中国区域陆表水体频率产品研制,提出了针对多源国产中高分辨率陆表水体智能提取方法,分析了21世纪以来中国区域陆表水体时空变化特征。     

多尺度水平集SAR影像水体自动分割方法

针对高分辨率SAR影像的水体特性,提出了一种新的可精确、快速、自动完成高分辨率SAR影像水体分割的方法。该方法将多尺度分析技术与水平集理论相结合,在考虑全局信息的同时,也顾及到了局部信息。同时,为了满足SAR图像的分布特性,将Gamma统计模型引入到水平集能量函数中,利用OTSU算法来初始化零水平集。为了消除SAR影像中疑似水体的目标,对分割结果进行了后处理。实验表明,该方法在提高精度的同时,也大大提高了水体提取的效率。     

面向对象的多源异构数据关联组织与分析

为了满足高分辨率遥感图像解译及应用的需要,就必须要有海量多源异构数据的支撑,实现多源异构数据的快速关联组织与分析,解决数据种类多、数据量大、数据内容庞杂、数据结构松散和数据关联复杂等难题已成为迫切需要.本文提出了以目标对象为核心的数据关联模型,构建了基于时空统一的地理编码,实现多源异构数据的关联组织和基于统一时空框架的数据分析.     

迁移学习用于多时相极化SAR影像的水体提取

基于机器学习分类器的极化合成孔径雷达（synthetic aperture radar, SAR）影像水体提取方法具有较高的可靠性,但其通常依赖于大量的训练样本,利用该方法进行多时相极化SAR影像的水体提取时,在每一景影像上都人工标注足够数量的训练样本是十分困难且耗时的。同时,SAR影像上固有的相干斑点噪声会进一步加剧样本标注的难度。对此,引入迁移学习方法,利用其知识迁移能力将已有的训练样本的类别标签信息迁移至未标注的样本,以降低获取新样本所需的人工代价,提高水体提取的时效性。使用6景极化SAR影像和4种迁移学习方法进行最佳源域影像选取、样本标签迁移和水体提取实验,实验结果表明,迁移学习方法可以准确地将源域影像上的训练样本的标签信息迁移至其他影像,有效减少其他影像进行水体提取需要的人工标注样本的数量,同时能够维持较高的水体提取精度,在洪涝灾害应急响应中具有一定的应用价值。