高分辨率全极化合成孔径雷达数据海冰二次分类方法研究

随着高分辨率全极化合成孔径雷达(synthetic aperture radar, SAR)影像的大量出现, 传统分类方法因所得分类结果中包含斑点噪声, 导致分类精度大大降低, 因而利用基于伴生关系的二次分类方法对辽东湾RADARSAT-2卫星的海冰SAR影像进行分类, 并将所得分类结果与专家解译分类结果和经典的基于H-α分解的Wishart监督分类结果进行对比, 证明本方法可以消除斑点噪声的影响, 同时具有较好的视觉效果和较高的分类精度。     

结合纹理特征的SVM海冰分类方法研究

海冰分类是遥感监测领域中的重要应用之一，海冰分类的准确性对于评估海冰冰情、保证航海安全和开辟北极航道具有重要的意义。针对海冰分类问题，本文选用Sentinel-1遥感数据，结合纹理特征分析，提出了一种改进的SAR海冰分类方法。该方法选用灰度共生矩阵提取特征值，通过实验得到适宜用于海冰分类的多特征组合，在此基础上利用支持向量机开展SAR海冰类型的分类研究。实验结果表明，该方法可以实现对海冰SAR图像中一年冰、多年冰和海水3种类型识别，与传统的海冰分类方法神经网络和最大似然法相比较，使用SVM分类方法，结合纹理特征开展海冰类型监测是可行的，同时也表明多特征组合有利于提高SAR图像的分类精度，从而验证了本方法的有效性，为海冰分类提供了一种新思路。     

基于简缩极化SAR的溢油检测与分类方法

针对简缩极化SAR在海上溢油的检测与分类应用开展研究,利用欧式距离全面分析了简缩极化SAR的36种极化特征在溢油检测与油膜分类中的性能,发现简缩极化特征中的奇次散射系数的溢油检测性能最好,简缩极化熵的疑似溢油鉴别性能最好。在此基础上,提出了结合二叉树原理的简缩极化SAR溢油检测与油膜分类算法,并分析了RADARSAT-2和SIR-C全极化溢油数据模拟的简缩极化数据。结果表明,此方法对溢油的检测精度可达95.67%,对于疑似溢油的识别精度可达95.71%,证明了简缩极化SAR在溢油检测与分类中具有较好的应用前景。     

基于双极化SAR图像的U-Net海冰多分类模型

北极多年冰在近几十年有明显的减少趋势,与北极海冰的厚度、体积和夏季最小海冰范围的减少密切相关。合成孔径雷达(synthetic aperture radar, SAR)具有全天时、全天候成像能力,基于SAR卫星影像的海冰分类对监测北极多年冰具有重要意义。基于深度学习U-Net模型,以SAR图像的双极化信息为模型输入,构建了像素级的海水、一年冰和多年冰多分类模型。与已有SAR图像海冰分类方法(支持向量机、随机森林和卷积神经网络)进行对比,基于双极化SAR图像的U-Net海冰分类模型的准确率、平均重叠度和Kappa系数,分别达到了90.73%、0.831和0.849,优于其他对比模型,分别提升了4.08%～19.04%, 0.063～0.321和0.111～0.335。此外,针对SAR图像水平-垂直极化(horizontal-vertical polarization, HV)有明显的条状热噪声和水平-水平极化(horizontal-horizontal polarization, HH)受入射角效应而亮度不均匀的特点,设计敏感性实验,研究HV噪声、入射角和灰度共生矩阵(gray leve...     

基于极化参数的SVM海上溢油识别

溢油对海洋环境造成的危害越来越大,及早发现对于减灾防灾具有重要意义。目前,运用极化SAR进行溢油探测已成为遥感监测的一个重要方面,本文基于SIR-C数据,开展极化SAR的溢油监测,提取极化参数熵H,散射角α和反熵A,运用SVM监督分类方法,进行溢油信息提取。结果表明,基于SVM的分类精度要强于基于H-α分类的分类结果。     

基于多特征多核学习的全极化SAR溢油提取方法

全极化合成孔径雷达(Synthetic Aperture Radar,SAR)数据具有丰富的极化信息,能够提取出大量异构性特征。核学习方法在解决小样本、高维特征分类问题上具有优势,但异构特征对不同核函数具有响应差异。本文利用一种引入先验标签的多核学习方法进行全极化SAR的溢油信息提取,即基于分析结果对特征集进行遴选与组合,分别在每个特征组合中训练得到一个预备层核函数,以新获取的预备层核函数作为新的底层核函数,对全部特征进行学习分类。通过提取与分析溢油和海水的统计特征、物理散射特征和纹理特征,建立溢油全极化SAR特征谱,并利用引入先验标签的多核学习分类器进行溢油提取实验。结果表明,该方法能够利用全极化SAR多维异构特征的互补特性有效提高溢油分类提取精度。     

不同极化方式SAR与TM融合影像滨海湿地分类精度比较

以覆盖黄河口湿地区域的Radarsat-2 SAR全极化影像和Landsat-5 TM影像为例,将4种极化方式的SAR影像与TM影像分别进行融合,采用支持向量机对融合结果进行滨海湿地典型地物土地覆盖分类,并对分类结果进行比较评价,分析不同极化方式的SAR影像与TM影像融合结果在滨海湿地地区的分类能力。实验结果表明:采用与SAR影像融合的方法能够提高TM影像的分类精度,其中HV极化方式的SAR影像与TM影像的融合结果分类精度最高,最适用于滨海湿地土地覆盖分类研究。     

全极化SAR图像中溢油极化特征研究

相比于单极化SAR图像,全极化SAR图像不仅能体现海面目标的几何特征、后向散射特征,还能体现目标的极化特征。因此,在溢油检测方面,极化SAR更具优势。特征提取作为溢油检测的关键步骤,直接影响到溢油检测的精度。在本文中,我们分析了全极化SAR图像中海面溢油的极化特征,如极化散射熵、平均散射角等。并提出了新的极化特征P,该特征参数能够反映海面目标电磁散射过程中布拉格散射机制和镜面散射机制的比例。为了研究极化特征溢油检测的能力,本文基于SIR-C/X-SAR和Radarsat-2全极化SAR图像开展了相关实验,并对比分析了溢油的多种极化特征。实验结果显示,在中低风速情况下,C波段溢油探测效果优于L波段;本文提出的极化特征P对海面散射机制敏感;基准高度和特征参数P在C波段比其他极化特征更适于溢油检测。     

PolSAR数据区域海冰LSSVM分类

本文给出了一种结合影像分割和最小二乘支持向量机(Least Square Support Vector Machine,LSSVM)的海冰监督分类方法。考虑到SAR数据的斑点噪声影响分类精度,首先利用分水岭算法和等级区域合并执行影像分割,利用分割后的区域代替像素开展分类研究,由于分割尺度影响分类精度,文中利用LSSVM算法对不同尺度下的分割结果执行分类,通过评估分类精度确定最优分类结果及其对应最优分割尺度,从而克服经验选择分割尺度缺乏理论依据的不足。利用两组SIR-C数据验证了算法,实验结果表明本文算法的总体分类精度超过85%,能较好的识别不同类型的海冰。     

基于SERD与SPAN的全极化SAR数据海岸线分类

基于Wishart分类器的全极化SAR图像H/α分类方法应用于海岸线分类,可区分不同海岸线类型。在聚类过程中,传统H/α-Wishart方法时常将各类聚类中心对应的散射机理混淆,使得同为单次面散射的淤泥质与砂质海岸线类别难以区分。针对此问题,提出了改进型的辅助分层分类方法。算法运用单次反射特征值相对差异度与极化总功率系数构成的二维特征空间,结合支持向量机得到最优分界判据,以分离初始分类结果中混淆的淤泥质与砂质海岸线。实验表明,改进方法能够有效区分淤泥质与砂质岸线,分类混淆矩阵对应kappa系数由0.794提升至0.853,分类识别率得到显著提高。     

一种融合纹理特征与NDVI的随机森林海冰精细分类方法

海冰的精准分类对于掌握海冰生长发育状况,保障航海安全等具有重要意义。由于受数据源和分类方法等影响,使得海冰分类精度提高受限。本文面向高空间分辨率的光学遥感影像,提出了一种融合纹理特征和归一化差分植被指数（NDVI）的海冰精准分类方法,运用随机森林分类器构建海冰分类方法。以青岛胶州湾为实验区,高分二号（GF-2）为实验数据,进行了海冰类型提取,并与其他分类方法进行对比。结果显示:针对GF-2高分辨率光学遥感数据,融合纹理特征和NDVI的随机森林方法,相比于传统的随机森林、支持向量机、自动决策树和融合纹理特征的最大似然分类方法,总体分类精度分别提高13.70%、11.60%、19.22%、29.37%。Kappa系数分别提高0.16、0.13、0.22、0.44。相比于融合纹理特征和归一化水指数（NDWI）的随机森林方法,总体分类精度提高了9.67%,Kappa系数提高了0.09。这表明本文构建的海冰分类方法可有效提高海冰分类精度,为海冰的精确分类提供了一种有效的技术手段。     

高分3号星载合成孔径雷达极地海冰自动检测方法研究

随着全球变暖等一系列气候变化的发生，极地海冰成为人们日益关注的焦点。由于不受光线和云雨影响，合成孔径雷达（SAR）可以进行全天时全天候的观测。高分3号是我国高分系列卫星中的一颗星载合成孔径雷达成像卫星，具有多种成像模式，可以在全球获取SAR数据。全天时全天候的工作特性和高空间分辨率的优势，使得高分3号星载SAR在极地海冰遥感监测中发挥重要的作用。本文基于高分3号水平-垂直（Horizontal-Vertical，HV）极化数据，提出了一种基于支持向量机的无需人工干预的海冰检测方法，实现海水和海冰的自动分离。利用该方法得到的海冰和海水分离结果同辅以人工解译的半监督分类结果相比较为吻合，为高分3号服务于极区海冰监测奠定了良好的基础。     

灰度共生矩阵纹理特征对SAR海冰漂移监测的增强性能研究

海冰漂移监测对气候变化分析、船只航行、海上石油平台等海上活动安全作业具有重要意义。当前主流的SAR海冰漂移监测方法多是基于SAR灰度图开展的,其受噪声、环境等因素的影响较大,导致其在海冰漂移探测时,特征失配率高,匹配正确率低。针对这一问题,本文尝试利用SAR海冰纹理特征来增强海冰漂移探测性能。首先对比分析了8种纹理特征对海冰漂移探测中特征匹配的增强性能,筛选出能够有效增强特征匹配性能的最优纹理特征;其次进一步分析了海冰类型、入射角和分辨率对基于纹理特征的海冰漂移探测性能增强的影响。实验结果表明,均值是最优的纹理特征,与SAR强度图相比,特征匹配正确率提高了约7%。     

协同主动学习和半监督方法的海冰图像分类

海冰遥感光谱影像分类中标签样本难以获取,导致海冰分类精度难以提高,但是大量包含丰富信息的未标签样本却没有得到充分利用,针对这种情况,提出一种协同主动学习和半监督学习方法用于海冰遥感图像分类。在主动学习部分,结合最优标号和次优标号、自组织映射神经网络以及增强的聚类多样性算法来选择兼具不确定性和差异性的样本参与训练;在半监督学习部分,利用直推式支持向量机,并且融合主动学习思想从大量未标签样本中选取相对可靠且包含一定信息量的样本进行迭代训练;然后协同主动学习分类结果和半监督分类结果,通过一致性验证保证所加入伪标签样本的正确性。为了验证方法的有效性,分别采用巴芬湾地区30 m分辨率的Hyperion高光谱数据(验证数据为15 m分辨率的Landsat-8数据)和辽东湾地区15 m分辨率的Landsat-8数据(验证数据为4.77 m分辨率的Google Earth数据)进行海冰分类实验。实验结果表明,相对其他传统方法,该协同分类方法可以在只有少量标签样本的情况下,充分利用大量未标签样本中包含的信息,实现快速收敛,并获得较高的分类精度(两个实验的总体精度分别为90.003%和93.288%),适用于海冰遥感图像分类。     

Discrimination of different sea ice types from CryoSat-2 satellite data using an Object-based Random Forest (ORF)

Abstract

Sea ice type is one of the most sensitive variables in Arctic sea ice monitoring, and it is important for the retrieval of ice thickness. In this study, we analyzed various waveform features that characterize the echo waveform shape and Sigma0 (i.e., backscatter coefficient) of CryoSat-2 synthetic aperture radar altimeter data over different sea ice types. Arctic and Antarctic Research Institute operational ice charts were input as reference. An object-based random forest (ORF) classification method is proposed with overall classification accuracy of 90.1%. Accuracy of 92.7% was achieved for first-year ice (FYI), which is the domain ice type in the Arctic. Accuracy of 76.7% was achieved at the border of FYI and multiyear ice (MYI), which is better than current state-of-the-art methods. Accuracy of 83.8% was achieved for MYI. Results showed the overall accuracy of the ORF method was increased by ～8% in comparison with other methods, and the classification accuracy at the border of FYI and MYI was increased by ～10.5%. Nevertheless, ORF classification performance might be influenced by the selected waveform features, snow loading, and the ability to distinguish sea ice from leads.     

C波段紧缩极化SAR海冰探测能力评估

The C-band synthetic aperture radar(SAR) data from the Bohai Sea of China, the Labrador Sea in the Arctic and the Weddell Sea in the Antarctic are used to analyze and discuss the sea ice full polarimetric information reconstruction ability under compact polarimetric modes. The type of compact polarimetric mode which has the highest reconstructed accuracy is analyzed, along with the performance impact of the reconstructed pseudo quad-pol SAR data on the sea ice detection and sea ice classification. According to the assessment and analysis, it is recommended to adopt the CTLR mode for reconstructing the polarimetric parameters σ_(HH)~0,σ_(VV)~0, H and α,while for reconstructing the polarimetric parameters σ_(HV)~0, ρ_(H-V), λ_1 and λ_2, it is recommended to use the π/4 mode.Moreover, it is recommended to use the π/4 mode in studying the action effects between the electromagnetic waves and sea ice, but it is recommended to use the CTLR mode for studying the sea ice classification.     

基于最优特征集的HY-1C卫星海岸带成像仪影像海冰分类方法研究

基于海洋一号C（HY-1C）卫星海岸带成像仪（CZI）遥感影像,提出了一种基于最优特征集的支持向量机海冰分类方法。分别提取CZI影像的光谱特征和纹理特征,采用基于距离可分性的判据进行特征选择,得到最优特征集,以最优特征集作为支持向量机分类器输入,分别对3期辽东湾海域CZI影像开展海冰分类实验和结果分析。结果表明:本文方法得到的海冰分类结果精度优于仅利用光谱特征或纹理特征的海冰分类精度;基于本文方法的3期影像的海冰分类精度均较高,2020年12月19日、2021年1月10日与2021年1月16日的海冰分类总体精度分别为93.67%、91.75%、84.89%,均在80%以上;利用海冰分类结果图估算海冰面积,发现3期辽东湾海冰面积依次增大,最大约为11 998.98 km2。     

基于混合损失U-Net的SAR图像渤海海冰检测研究

渤海是我国重要的经济区,海冰灾害严重威胁着人类生产活动。合成孔径雷达具有全天候成像能力,研究渤海区域的SAR图像海冰检测具有重要意义。传统海冰检测方法受限于特征提取方法和建模方式,检测精度有待提升。深度学习具有极强的特征自学习能力,适用于图像检测问题。本文基于深度学习框架U-Net,以Sentinel-1双极化（VV和VH）合成孔径雷达图像为输入信息,设计混合损失函数优化传统U-Net模型,形成了基于混合损失U-Net的渤海海冰检测模型。将本文模型与传统海冰检测方法[脉冲耦合神经网络（PCNN）、马尔科夫随机场（MRF）和分水岭算法]和基于深度卷积神经网络（CNN）的深度学习方法进行了对比。实验结果表明:本文基于混合损失U-Net的海冰检测模型在重叠度、F1分数、精确度和召回率4项度量指标上分别达到了97.567%、98.769%、98.767%和98.771%,检测效果明显优于对比方法;双极化信息输入的检测结果比VV单极化输入的检测结果在F1分数、精确度、召回率和重叠度上分别提高了0.375%、0.111%、0.639%和0.740%;混合损失函数的检测结果比非混合损失函数的检测结果在F1分数、精确度、召回率和重叠度上分别提高了1.129%、0.947%、1.794%和2.231%;模型能对冰水沿线、冰间水道、冰间隙等细节进行有效检测;可应用于渤海区域整幅SAR图像的海冰检测,为海冰监测、海冰变化分析、海冰预报提供技术支撑。