基于高分三号极化SAR数据的农作物散射特性分析及分类

高分三号卫星是我国首颗多极化的高分辨率C波段SAR卫星,其于2017年1月正式交付用户使用后,主要被用于海洋遥感方面的研究。而极化SAR对于农作物的结构特征十分敏感,适合于农作物监测及分类。文中首次利用高分三号的极化SAR数据分析不同农作物的极化散射特性,然后利用H/α-wishart分类和H/A/α-wishart分类方法对湖南省岳阳县洞庭湖实验区域的高分三号极化SAR数据进行分类。整体分类精度高于85%,Kappa系数大于0.8。实验结果表明,高分三号全极化数据能够较好地表征农作物的散射特性,并可用于极化SAR农作物分类研究。     

结合Singh四分量分解的高分三号全极化SAR影像分类

不同于一般分类算法基于像素统计的分类,忽略了地物的散射特性,文中提出了一种保持地物散射特性的分类方法。这种方法将Singh提出的Singh四分量分解与基于复Wishart分布的最大似然分类器相结合,对高分三号全极化影像进行分类。利用Singh四分量分解获得表面散射、体散射、二次散射和螺旋体散射,然后将前3种基础散射分别划分为多个聚类,根据复Wishart距离进行类间合并,直到获得指定类别数,输入复Wishart分类器进行迭代分类,最后进行类别合并获得最终分类结果。试验表明本文算法具有较好的分类效果且验证了利用高分三号全极化卫星数据进行影像分类的可行性。     

高分三号卫星全极化SAR影像九寨沟地震滑坡普查

基于光学遥感影像的区域滑坡普查易受云雾天气的影响,存在滑坡体调查不全面的问题,无法满足震后应急调查与恢复重建的需求。本文提出了一种极化SAR卫星数据滑坡普查方法,采用高分三号全极化SAR卫星影像数据,以九寨沟地震震区为实验区,在深入分析滑坡体和其他地物类型散射特征的基础上,融合极化特征、纹理特征和地形特征等多维特征信息,结合高分二号影像获取的训练样本,构建基于BP神经网络的全极化SAR数据滑坡自动识别模型,实现滑坡体的自动快速识别。与高分辨率光学影像与无人机航空影像目视解译结果相比较,总体识别精度为92.8%,Kappa系数为0.715,识别准确度满足地震应急实际应用的需求。研究成果可用于震区大区域滑坡体的普查,为后续开展无人机高分辨率影像滑坡体详查、灾后应急与景区恢复提供辅助信息支撑,并促进国产高分SAR卫星数据在防震减灾中的应用。     

结合面向对象和深度特征的高分影像树种分类

针对传统手工提取特征方法需要专业领域知识,提取高质量特征困难的问题,将深度迁移学习技术引入到高分影像树种分类中,提出一种结合面向对象和深度特征的高分影像树种分类方法。为了获取树种的精确边界,该方法首先利用多尺度分割技术分割整幅遥感影像,并选择训练样本作为深度卷积神经网络的输入。为了避免样本数量少导致过拟合问题,采用迁移学习方法,使用ImageNet上训练的VGG16模型参数初始化深度卷积神经网络,并利用全局平局池化压缩参数,在网络最后添加1024个节点的全连接层和7个节点的Softmax分类器,利用反向传播和Adam优化算法训练网络。最后分类整幅遥感影像,生成树种专题地图。以安徽省滁州市的皇甫山国家森林公园为研究区,QuickBird高分影像作为数据源,采用本文方法进行树种分类。试验结果表明,本文方法树种分类总体精度和Kappa系数分别为78.98%和0.685 0,在保证树种精度的同时实现了端到端的树种分类。     

综合多特征的极化SAR图像建筑物U-Net分类方法

针对合成孔径雷达(SAR)图像不同类型建筑物的区分问题,该文提出了一种基于U-Net的极化SAR图像建筑物分类方法。该方法将极化SAR数据的Pauli分解参数、规范化圆极化相关系数和G⁰统计纹理参数作为U-Net的输入,建立建筑物分类U-Net模型,同时考虑建筑物的高度和单体面积的情况下,将建筑物分为高层、中层、低层小面积、低层厂房类大面积建筑物4类。对武汉市城区GF-3极化SAR数据的各类建筑物分类精度均在80%以上,最高达94.2%。该方法与仅使用单类别特征的U-Net网络方法以及卷积神经网络方法相比,分类结果更完整、建筑边界更准确,也更适合于复杂中心城区的不同类型建筑物的分类。     

基于多尺度分割和径向基神经网络的极化SAR影像分类

针对目前常用的基于像素的深度神经网络极化SAR分类方法产生的椒盐现象,文中提出了一种联合自适应阈值多尺度分割方法和径向基神经网络的极化SAR地物分类方法。实验证明,该方法能够有效地保留SAR图像的结构特征并有效消除分类过程中产生的椒盐现象和破碎斑块,具有较高的分类精度。     

高分三号SAR影像双阈值变化检测

双阈值合成孔径雷达SAR(Synthetic Aperture Radar)变化检测算法具有在发现变化区域的同时还能确定地表发生后向散射变化类型的优点。针对广义高斯双阈值最小误差法D-GKIT(Dual Generalized Kittler and Illingworth Thresholding)在进行阈值选取时直方图中不同类别像素灰度级重叠严重时,分割结果容易在尖峰单侧选取出双阈值而导致无法正确分割差异图的问题,本文提出一种结合归一化最大类间方差和广义高斯最小误差法GKIT(Generalized Kittler and Illingworth Thresholding)的双阈值SAR变化检测方法。首先,提出以归一化最大类间方差值作为灰度级重叠程度的判别参数,确定阈值的选取顺序及两个候选区间;然后,利用GKIT在候选区间内进行分割,获取单侧阈值及非变化类拟合函数;最后,提出利用非变化类拟合函数更新后的直方图作为另一侧阈值选取基础进行分割,得到对应分割阈值。以宁波地区高分三号(GF-3)SAR卫星影像作为试验研究数据,结果表明:本文方法能较好地解决灰度级重叠时D-GKIT无法进行正确分割的问题,具有良好的变化检测效果和更强的鲁棒性且达到了利用研究区数据验证利用GF-3号SAR卫星影像进行变化检测研究可行性的目的。     

结合BRF神经网络的全极化SAR影像分类方法研究

为了解决模糊支持向量机(FSVM)算法应用于全极化SAR影像分类而产生的聚类中心陷入局部过适应问题,本文提出了一种基于模糊分割理论结合RBF神经网络的全极化SAR影像分类方法。主要利用模糊聚类分割、极化分解、纹理特征提取等,构建待分类地物特征集,并通过SGE进行监督降维,采用降维后的待分类地物极化表征完成RBF分类器训练,实现全极化SAR影像监督分类。最终通过C波段Randsat-2全极化SAR数据进行实测检验,结果表明,该方法使得分类结果区域一致性增强,充分地保存了待分类地物细节信息。     

散射特性引导的极化SAR图像多尺度分割

为满足不同地物分割的尺度需求,本文提出一种散射特性引导的极化SAR图像多尺度分割算法.该算法以分水岭初始分割为基础,通过迭代合并相邻区域获取极化SAR图像在不同尺度下的分割结果;以极化散射功率为特征,将地物按尺度相似性划分成表面散射、二次散射和体散射3种散射类型;以分割质量评价为指导,从多尺度分割结果中为每种散射类型地物选取适宜的分割尺度并进行叠置合成,形成最终分割结果.ESAR系统获取的L波段极化SAR数据验证了该算法的可行性.     

高分六号影像在自然资源调查中的应用研究

以广州市南沙区自然资源调查为例,针对高分六号遥感影像的特点,建立了高分六号影像可以适应的自然资源分类体系。分析了面向对象的遥感影像分类过程中的各个过程,研究了多尺度影像分割在不同参数设置下的分类效果,得出了较为合适的多尺度分割参数,进行了面向对象分类实验和分类精度评价,影像分类精度达到了78.66%。通过对南沙区影像在实验各个流程中的区别及联系进行了横向对比,总结了其中的规律,显示了基于高分六号的面向对象遥感影像分类方法在自然资源调查中的应用价值。     

极化SAR影像深度学习分类方法对比研究

针对近年来极化SAR影像深度学习分类研究取得了显著的进展,但仍缺少全面系统的对比分析问题,该文首先讨论了极化SAR处理与分类中常用的深度学习网络结构,然后使用极化SAR分类研究的典型数据集,对多个主要深度学习算法的分类结果进行了对比分析,并对常用极化目标分解在深度学习分类算法中的应用进行了对比.实验表明,各类算法有不同的适用场景,同一场景不同算法的精度有时表现很大的差异.深度网络的选择、网络参数的优化和极化信息的应用依旧是该领域未来重点研究方向.     

林火干扰区全极化SAR影像的散射特性分析

目前,利用合成孔径雷达(synthetic aperture Radar,SAR)影像进行林火监测主要限于从林火前后时相的单极化通道振幅数据或者火后全极化影像振幅数据开展,而从林火对森林散射机制改变角度开展多时相全极化SAR林火监测的研究还较少。以2009年阿拉斯加地区发生的林火为例,以林火发生前后获取的Radarsat-2全极化影像为实验数据,从林火所改变的森林后向散射强度和散射机制角度,对林火发生前后各个极化通道后向散射强度、主导散射机制和去极化作用参数进行了定量分析,并对变化原因给出了解释。研究表明,对于北方森林,林火发生后林火干扰区的后向散射强度在同极化通道相比林火前增加了20%,交叉极化通道也有小幅增加,主导散射由林火前占59%的体散射变为林火后占53%的表面散射,去极化作用相比林火前减小45%。这些结论对于利用多时相全极化SAR数据开展林火燃烧面积或者燃烧强度监测具有参考价值。     

SAR image despeckling with a multilayer perceptron neural network

Speckle noise in synthetic-aperture radar (SAR) images severely hinders remote sensing applications; therefore, the appropriate removal of speckle noise is crucial. This paper elaborates on the multilayer perceptron (MLP) neural-network model for SAR image despeckling by using a time series of SAR images. Unlike other filtering methods that use only a single radar intensity image to derive their parameters and filter that single image, this method can be trained using archived images over an area of interest to self-learn the intensity characteristics of image patches and then adaptively determine the weights and thresholds by using a neural network for image despeckling. Several hidden layers are designed for feedforward network training, and back-propagation stochastic gradient descent is adopted to reduce the error between the target output and neural-network output. The parameters in the network are automatically updated in the training process. The greatest advantage of MLP is that once the despeckling parameters are determined, they can be used to process not only new images in the same area but also images in completely different locations. Tests with images from TerraSAR-X in selected areas indicated that MLP shows satisfactory performance with respect to noise reduction and edge preservation. The overall image quality obtained using MLP was markedly higher than that obtained using numerous other filters. In comparison with other recently developed filters, this method yields a slightly higher image quality, and it demonstrates the powerful capabilities of computer learning using SAR images, which indicate the promising prospect of applying MLP to SAR image despeckling.     

利用深度学习进行GF-6影像枣园检测识别

针对新疆南疆大规模枣园的检测识别,本文提出了一种基于泛化迁移深度学习的枣园目标检测识别方法。以GF-6卫星影像数据为基础制作了Jujube数据集,并将其泛化扩充增强;以Faster R-CNN体系为基础,利用多态协同模式实现数据集的有效关联和优化重构,进行检测识别模型的迁移深度学习以提高对目标对象检测识别的泛化能力。结果表明,模型算法的验证识别精确率、召回率和调和平均值分别达0.979、0.952和0.965,在应用测试中,3个指标平均值均大于0.929,优于传统检测方法,且本文模型方法总体分类精度为0.97,Kappa系数为0.93,均高于面向对象最邻近法,能够有效地满足研究区规模化枣园目标检测识别的精度和效率的要求,为精细化枣园田间管理提供基础依据。     

高分三号SAR影像广域范围联合几何检校技术

在获取广域范围雷达遥感正射影像图时,需要对区域内每景SAR影像进行几何参数修正,提高SAR影像的定位精度。但在广域范围进行控制点的选取和影像的逐一修正,其工作量巨大,严重影响了SAR影像分析应用的效率。对此,本文提出了一种广域范围联合几何检校方法。该方法在R-D模型的基础上,首先利用少许SAR影像计算其独立的系统级检校参数,其次去除系统级检校参数中大气延迟分量的影响,然后依据最小二乘平差原理获取最优的系统级检校参数,最后利用最优的系统级检校参数对所有SAR影像进行几何检校处理。论文采用覆盖中国中东部地区的32景GF-3SAR影像进行联合几何检校试验,检校后的SAR影像定位中误差优于9 m。试验结果表明:该方法能够提高GF-3 SAR影像几何检校的精度,验证了其有效性和可行性。     

综合多特征的极化SAR图像随机森林分类算法

为抑制相干斑噪声对极化SAR图像分类结果的干扰,本文提出一种综合多特征的极化SAR图像随机森林分类方法。该方法首先利用简单线性迭代聚类(SLIC)算法生成超像素作为分类单元;然后,基于高维极化特征图像,利用训练好的随机森林模型,统计决策树的分类投票数,计算各超像素的类别概率;最后,利用超像素间的空间邻域特征,采用概率松弛算法(PLR)迭代修正超像素的类别后验概率,并依据最大后验概率(MAP)准则得到分类结果;实现综合利用超像素和空间邻域特征,降低相干斑噪声干扰的极化SAR图像分类方法。实验对比结果表明:本文方法能得有效抑制极化SAR图像中相干斑噪声的干扰,得到高精度且光滑连续的分类结果。     

结合凝聚层次聚类的极化SAR海冰分割

针对全极化高分辨率合成孔径雷达(SAR)多噪声的特点,选择合适的海冰SAR影像纹理特征量,并基于凝聚层次聚类的思想,提出一种全极化SAR海冰分割方法。将该方法的结果与K-Means、迭代自组织聚类(ISODATA)和模糊C均值算法等经典分割方法相比较,发现该方法的碎斑明显减少,且分割结果较为准确,证明了该方法的有效性。     

全极化干涉SAR散射功率的非监督分类方法

本文首先通过分析全极化干涉SAR条件下的散射机理,分别计算出来自地表层和植被层的散射功率,并进一步通过确定像素在功率平面上的位置来区分目标,实现对地物的分类。在此基础上,为了充分利用H/α非监督分类结果的有用信息,对基于H/α分类和基于散射功率分类得到的分类集进行组合,并通过复Wishart迭代分类方法进行聚类,得到最终的SAR图像分类结果。本文详细阐述了该方法的原理和实施步骤,并对SIR-C/X-SAR的L波段实际全极化干涉数据进行分类实验,可知该算法无论在分类精确度上还是在迭代速度上,都有较高的性能。