RadarSat-2 全极化数据土地覆盖分类精度评价

RadarSat-2 全极化数据能否应用于土地覆盖分类需要大量的研究和论证。本文以NLCD 为参考数据,利用 SVM 分类器对1 景旧金山地区RadarSat-2 全极化数据进行土地覆盖分类实验,并从分类类别面积一致性、空间相似性两个方 面对分类结果进行分类精度评价。实验获得RadarSat-2 数据分类结果总体分类精度76.91%和kappa 系数0.65,表明RadarSat- 2 全极化数据用于土地覆盖分类分类精度较高,可以达到很好的分类质量。     

全极化SAR数据土地覆盖分类精度分析

鉴于全极化SAR数据进行土地覆盖分类时不同特征组合会对分类结果带来巨大的影响,该文以美国国家土地覆盖数据为参考分析全极化SAR数据不同特征组合的土地覆盖分类精度。文中以分类精度为准则选取适用的分类方法,对比分析了不同分解组合和波段组合对分类结果的影响,同时给出同一时期成像的TM数据分类结果做比较。结果表明,SAR数据通过有效的分解组合能提高总体分类精度。同时,SAR数据不同分解特征之间有信息冗余和信息互补的关系,波段组合分类时需考虑其对分类结果的影响。波段组合分类得到了最高的总体分类精度71.6%和Kappa系数0.6,表明全极化SAR数据土地覆盖分类,尤其对于一些如"有林湿地"等待定类别,可以达到很好的分类质量。     

基于目标分解理论的全极化SAR图像神经网络分类方法

由于全极化合成孔径雷达(synthetic aperture radar)能够测量每一观测目标的全散射矩阵，即可合成包括线性极化、圆极化及椭圆极化在内的多种极化图像，因此与常规的单极化和多极化SAR相比，在雷达目标探测、识别，纹理特征和几何参数的提取等方面，全极化SAR均具有很多优点，但是由于地物分布的复杂性往往造成不同地物具有相似的后向散射信号特征，因而加大了地物信息提取的难度。同时由于这些极化合成图像具有较高的相关性，从而导致了图像分类精度的降低。为了提高全极化SAR图像的分类精度，基于新疆和田地区的SIR-CL波段全极化雷达数据，利用目标分解理论首先将地物回波的复杂散射过程分解为几种互不相关的单一的散射分量。由于这些单一的散射分量都对应于具有不同物理和几何特征以及分布特征的地物，从而提供了更加丰富的地表覆盖信息，这样就很大程度地改善了地物信息的分类精度；然后利用分解后单一散射分量数据结合传统的极化合成数据，可以得到更多的互不相关的数据源，再使用神经网络分类法对这些数据进行分类。分类结果表明，这种方法大幅度提高了全极化SAR数据用于实验区土地覆盖分类的精度。这种分类方法也可以广泛地用于SAR数据地表覆盖和土地利用动态监测和地表参数的提取。     

基于ALOS PALSAR数据时相特征的土地覆盖识别

合成孔径雷达遥感具备全天时、全天候的观测能力,是多时相数据获取的有效保证。以福建省漳浦县为研究区,利用ALOS PALSAR双极化数据开展土地覆盖识别研究。首先基于多时相的强度数据构建时相稳定性指数,基于重复轨道干涉数据的相位信息计算相干性,以此分析和描述该地区典型地物的雷达数据时相特征。然后以典型地物的时相特征为基础,构建决策树分类器,进行土地覆盖识别。最后以实地考察数据、ALOS AVNIR\|2影像和Google Earth影像为参考,进行分类结果的精度评价,总体精度达到81.43%,比利用不同时期的后向散射强度图像为输入波段的最大似然法的分类精度(总体精度为63.06%)高出很多。结果表明:在分类中有效融合时相信息,可以充分提高地物的可分性。     

全极化SAR数据信息提取研究

全极化SAR(Synthetic Aperture Radar)测量的是每一像元的全散射矩阵,可合成包括线性极化、圆极化及椭圆极化在内的多种极化图像。因此与常规的单极化和多极化SAR相比,在雷达目标探测、识别、纹理特征的提取等方面全极化SAR具有很多优点。基于新疆和田地区的SIR-C L波段全极化雷达数据,介绍了极化合成的基本原理和数据处理流程,分析了几种典型地物全极化信号的特点,并在此基础上用监督分类法进行了全极化SAR数据的信息提取。结果表明:全极化SAR数据比单极化和多极化SAR数据具有更高的分类精度,并有效地的提取出地表信息,为利用SAR数据反演地表参数打下了基础。     

极化SAR图像Pauli-Wishart非监督分类算法

针对全极化SAR影像经典非监督分类方法中H/α初始划分适应性有限及武断僵硬的问题,结合极化总功率提出一种结合Pauli分解与Wishart距离的极化SAR影像非监督分类方法。利用极化总功率Span对数据进行基于散射强度的初始划分;结合初分类结果与Pauli分解得到的HH,HV,VV 3个波段进行迭代分类;基于Wishart距离进行聚类得到分类结果。实验采用NASA-JPL实验室的2组L波段全极化SAR数据验证了基于Pauli基迭代改进分类方法的有效性,分类结果与传统的H/α-Wishart分类方法对比,分类精度和合理性都有提高。     

结合纹理与极化分解的面向对象极化SAR水体提取方法

合成孔径雷达(Synthetic Aperture Radar,SAR)拥有全天时全天候的工作能力,能够有效地连续对地观测,是土地管理、水体监测、灾害评估等多种应用的稳定数据来源。基于面向对象的思想,提出一种高精度、低虚警率的极化SAR(Polarimetric SAR,PolSAR)水体提取方法。此方法首先对极化SAR图像进行分割,再结合纹理与极化分解特征,对分割区域进行投票,识别水体区域。利用Radarsat-2数据和TerraSAR-X数据开展实验,并将提出方法与基于单一纹理和基于极化分解等水体提取方法进行对比,结果表明该方法在两种数据中均具有最高的总分类精度,其中基于分割技术能够保持完整的水陆边界,纹理与极化特征能够区分浅草、裸地和阴影等与水体相似的地物,结合投票方法能够提高小型水体检测率。     

基于特征值分解的全极化SAR遥感数据分类研究

应用极化目标特征值分解理论,研究了全极化合成孔径雷达图像的精细分类问题,在H-α-Wishart分类基础上引入平均散射功率,并根据不同地物的散射功率强度信息,给出了一种简单的阈值分割方法,最后利用鄱阳湖地区的Radarsat-2全极化数据进行了实验和分析,结果发现引入平均散射功率信息后的分类类别更多、精度更好。     

结合编码-解码网络和条件随机场的全极化合成孔径雷达土地覆盖分类

针对多极化合成孔径雷达影像地物分类特征表征性较弱及全卷积网络分类精度较低的问题,文中提出结合编码-解码网络(E-D-Net)和条件随机场(CRF)的全极化合成孔径雷达(SAR)土地覆盖分类算法.首先,利用Freeman分解和Pauli分解建模全极化SAR影像,提取各分解对应的散射特征.再借鉴语义分割网络模型的建模思想和多尺度卷积单元构建对称网络模型,将多尺度非对称卷积单元嵌入中层,设计E-D-Net网络模型.通过E-D-Net网络模型对PolSAR影像Freeman分解散射特征进行多层自主学习,获得初始分类结果.最后,利用全连接CRF结合Pauli相干分解伪彩色图信息,对初始分类结果再进行降噪和平滑优化,得到最终分类结果.在两地区PolSAR影像上的实验验证文中算法的有效性和可行性.     

基于中间层特征的全极化SAR监督地物分类

提出了一种组合中间层特征(Middle Level Feature,MLF)和支持向量机(Support Vector Machine,〖JP2〗SVM)的全极化合成孔径雷达(Synthetic Aperture Radar,SAR)监督地物分类方法。选择监督方法的目的是直接区分实际地物类别,中间层特征在非监督聚类结果中获取,用于跨越底层特征与地物类别间的语义鸿沟。统计以某像素为中心的特征支持区域内各“中间成分”的占比作为该像素的MLF。这里“中间成分”对应于基于底层极化特征得到的非监督聚类类别。在覆盖武汉地区的Radarsat\|2全极化数据上,与基于经典全极化特征的SVM监督分类方法进行了对比,研究了不同中间成分获取方法以及特征支持窗口对于分类性能的影响,结果显示:该方法有很好的性能并有进一步提升的空间。〖JP〗     

基于Landsat 8卫星影像的北京地区土地覆盖分类

目的 土地覆盖分类能为生态系统模型、水资源模型和气候模型等提供重要信息,遥感技术运用于土地覆盖分类具有诸多优势。作为区域性土地覆盖分类应用的重要数据源,Landsat 5/7的TM和ETM+等数据已逐渐失效,Landsat 8陆地成像仪(OLI)较TM和ETM+增加了新的特性,利用Landsat 8数据进行北京地区土地覆盖分类研究,探讨处理方法的适用性。方法 首先,确定研究区域内土地覆盖分类系统,并对Landsat 8多光谱数据进行预处理,包括大气校正、地形校正、影像拼接及裁剪;然后,利用灰度共生矩阵提取全色波段纹理信息,与多光谱数据进行融合;最后,使用支持向量机(SVM)进行分类,获得土地覆盖分类结果。结果 经过精度评价和分析发现,6S模型大气校正和C模型地形校正预处理提高了不同类别之间的可分性,多光谱数据结合全色波段纹理特征能有效提高部分地物的土地覆盖分类精度,总体精度提高2.8%。结论 相对于Landsat TM/ETM+数据,Landsat 8 OLI数据新增特性有利于土地覆盖分类精度的提高。本文方法适用于Landsat 8 OLI数据土地覆盖分类研究与应用,能够满足大区域土地覆盖分类应用需求。     

改进AlexNet的高分三号全极化海岛地物分类

针对经典卷积神经网络难以有效分类全极化SAR数据中复杂的海岛地物的问题,为满足日益精细化的监测需求、充分发挥SAR在海岛监测中的作用,文章对经典的AlexNet改进,提出了一种应用于全极化SAR数据海岛地物分类的卷积神经网络模型。该模型是在AlexNet基础上调整卷积核大小及全连接层,减少参数,加入池化层,降低维度,减少计算复杂度。利用高分三号卫星对南日岛进行观测获取的全极化SAR图像进行实验和分析,表明该方法能够对全极化SAR图像中海岛的多类地物进行有效区分,与AlexNet的分类结果相比,精度提升5.56%。     

基于特征向量分解与散射机制判别指数的全极化SAR图像地物提取与分类

基于特征向量分解和基于散射模型的极化目标分解是全极化SAR非相干分解中的典型算法。本文对比研究了两种算法的特点及分解结果在地物识别分类方面的优势,在基于特征向量分解得到的H-Alpha特征平面的基础之上,引入散射机制判别指数来刻画地物的类别差异,从而能约束H-Alpha平面分割的界限以提高分类的精度,而且利用散射机制占优性强弱可辅助分类结果的解译。实验选取了鄱阳湖地区一景Radarsat-2标准全极化数据,实验结果对比表明一种散射机制占主导的地物,分类精度得到改善,特别是水域、形成二面角的目标区和成片分布的植被区域可以显著地提取出来。     

基于遥感和陆表信息集成的广东省土地覆盖分类方法研究

土地覆盖信息是估算地-气间的生物物理过程和能量交换的关键参数,也是区域和全球尺度气候和生态系统过程模型所需要的重要参量。如何高效地利用遥感数据提取土地覆盖信息是当前研究迫切需要解决的问题。面向对象的分类方法不但充分利用了遥感数据的光谱信息,同时也利用了影像的纹理结构信息和更多的地物分布信息关系,在遥感分类中具有较大的潜力。研究基于2010年多时相的环境卫星数据、TM数据以及DEM数据,并结合地表采集的4000多个样点数据,采用面向对象的分类方法对广东省土地覆盖进行分类。经采样验证,广东省土地覆盖平均精度为85%,分类结果精度远高于常规的分类算法,说明结合陆表信息的面向对象分类方法比常规的分类算法更具有优势,可以实现高精度的土地覆盖分类。     

极化SAR图像地物分类方法综述

极化合成孔径雷达(Polarimetric Synthetic Aperture Radar, PolSAR)是一种微波成像雷达, 它不受天气、光线以及云层的影响, 能够实现全天时、全天候的成像. 因此, 极化SAR图像已经成为遥感图像地物分类的主要数据源之一. 本文从技术方法的角度出发, 论述了近年来国内外极化SAR图像地物分类的方法及应用, 从技术原理、实验效果等方面进行介绍, 并对极化SAR图像地物分类的发展趋势进行分析.     

面向宏观地表分类的特征选择算法比较研究

为了成功将土地覆盖进行分类,选择合适的特征是至关重要的。针对利用MODIS数据进行宏观土地覆盖的分类问题,对三种典型的特征选择方法进行了比较研究。研究结果表明：分支定界法（BB）最适合于该土地覆盖分类问题,与此同时,ReliefF和mRMR方法在目标应用中的精度非常接近。研究结果同样表明进行特征选择是非常必要的,它不仅能够大大地降低计算复杂度,而且分类精度能够保持不变,甚至更高。     

结合丰度特征的决策树及其土地覆盖分类

将混合像元分解的丰度加入特征集,结合光谱信息和DEM数据生成决策分类规则。运用陆地卫星TM影像对黄河源区的玛多县进行土地覆盖分类试验。通过特征提取、决策分类和后处理,得到该县的土地覆盖类型图。采用1∶10万土地覆盖类型图和实地考察数据进行精度评价,结果表明:结合丰度的决策树与最大似然分类和普通决策树分类(不加丰度信息)相比,分类精度分别提高了17.3%和9.5%。     

一种利用Landsat年度时序数据的土地覆盖分类方法

针对大面积土地覆盖遥感分类中数据获取难度大、复杂度高、分类结果不够精确且易受季候变化影响等问题,提出了一种利用Landsat时间序列数据,生成年度时序特征,并结合特定算法(UniBagging)进行土地覆盖分类的方法(LandUTime)。该方法定义了一种基于时间序列数据的特征生成方式,根据时序数据特点,设计了一种基于特征子空间的集成分类算法。实现过程分为2个阶段,首先基于特定模型,在像元级别上对Landsat时间序列图像进行回归分析,生成模式特征,然后将所有特征整合成"特征块",根据特征子空间将基分类器集成到相互分离的集合中,最后通过加权投票的方法进行分类结果输出。实验结果与定量分析表明,与传统的特征提取及分类方法相比,该方法提高了分类精度,而且对高维数据具有鲁棒性;可以有效克服大面积土地覆盖分类中云遮掩、数据条带和物候变化等问题的影响,具有较高的准确性和实用性。     

基于Fuzzy ARTMAP神经网络的高分辨率图象土地覆盖分类及其评价

主要讨论了基于Fuzzy ARTMAP神经网络的高分辨率遥感图象土地覆盖分类方法及其实践．首先介绍了Fuzzy ARTMAP神经网络的原理，然后用SPOT XS图象试验数据进行土地覆盖分类．分类结果与传统的最大似然监督分类(MLC)、反馈式(Back Propagation，BP)神经网络的分类结果进行了比较．通过抽取500个样点对3种分类结果进行精度评价表明，Fuzzy ARTMAP神经网络相对其他两种方法，分类精度均有不同程度的改善，具有更好的分类结果，总分类精度比MLC和BP算法分别提高17．41％、7．32％．最后，对不同分类方法对于土地覆盖分类结果的影响进行了评价和分析．试验表明，Fuzzy ARTMAP神经网络用于高分辨图象土地覆盖分类研究可以获得相对较好的分类结果．     

物候特征辅助下的随机森林宏观尺度土地覆盖分类方法研究

通过遥感技术获取大范围土地覆盖信息对于监测、理解和预测自然资源具有重要的科学意义.MODIS数据是当今宏观尺度土地覆盖研究的主要数据源.本文以河北省为研究区,应用MOD13Q1数据产品,构建MODIS NDVI时间序列,从中反演物候特征作为参与分类的主要辅助信息,并采用随机森林分类方法进行宏观尺度土地覆被分类实验,并与单决策树(CART)进行对比分析.实验结果表明,物候特征辅助下的随机森林宏观尺度土地覆被分类方法的总体精度为87.2％,Kappa系数为0.83,比CART单一决策树精度提高了17.9％;应用物候特征参与分类,使得总体精度提高2.6％;其中,旱地和建筑用地精度分别提高了6.7％和11.9％.