基于RNMU的多源星载SAR影像融合与土地覆盖分类
发布时间：2021-10-25 08:45
为充分利用多时相、多极化SAR数据在不同土地覆盖类型中的后向散射特性,将递归非负矩阵下近似（Recursive nonnegative matrix underapproximation,RNMU）算法引入多源SAR数据的融合,并利用融合后的SAR影像实现较高精度的土地覆盖分类。融合过程中,在根据不同模式SAR影像特点进行多源SAR影像预处理的基础上,基于RNMU算法通过对多个输入SAR影像进行矩阵分解及迭代最优矩阵求解,得到融合影像。为验证融合后SAR影像在土地覆盖分类中的应用效果,以吉林省大安市为研究区,对多时相Sentinel-1的VV/VH双极化SAR数据和高分三号（GF-3）的HH/HV双极化SAR数据进行了基于RNMU的影像融合,并利用融合后的SAR影像进行研究区主要土地覆盖类型分类。实验结果表明,基于RNMU融合影像的土地覆盖分类总体精度达93. 11%,Kappa系数为0. 86,与Gram-Schmid（G-S）融合方法相比,分类总体精度提高了6. 83个百分点,Kappa系数提高0. 12。多源SAR融合为SAR影像融合提供了有效手段,为土地覆盖分类提供了更多高精度...
【文章来源】：农业机械学报. 2020,51(03)北大核心EICSCD
【文章页数】：10 页
【部分图文】：
研究区及采样点分布
针对输入的GF-3双极化SAR数据和S-1双极化SAR数据，在预处理的基础上，进行影像配准、影像融合及土地覆盖分类，处理流程如图2所示。经预处理得到2颗卫星4种极化方式的后向散射系数图像后，采用互相关[25](Cross-Correlation,CC)算法对图像进行精确配准处理。然后，将RNMU方法引入多源SAR图像融合并用于研究区土地覆盖分类。作为对比，另一种同样具有较小冗余度的融合算法G-S被用于融合和土地覆盖分类。G-S融合方法基于多维正交线性变换，通过正交化消除影像的冗余信息，并在第一正交分量中加入另一景影像信息，从而实现多源影像融合。
为了更直观看出不同地物的散射特性差异，图4给出了融合前GF-3 SAR影像和S-1 SAR影像与RNMU融合后SAR图像的均值和标准差。其中基于RNMU的融合，分别给出了研究区10月S-1VV极化影像和6月GF-3 HH极化影像经RNMU算法融合得到的VVHH影像，10月S-1 VH极化影像和6月GF-3 HV极化影像经RNMU算法融合得到的VHHV影像(VVHH影像和VHHV影像叠加，简写为RNMU1)。6月S-1 VV极化影像、10月S-1VV极化影像和6月GF-3 HH极化影像经RNMU算法融合得到VVVVHH影像，6月S-1 VH极化影像、10月S-1 VH极化影像和6月GF-3 HV极化影像经RNMU算法融合得到VHVHHV影像(VVVVHH影像和VHVHHV影像叠加，简写为RNMU2)。由图4可以看出，6月的S-1影像中湿地和耕地上的植被长势较好，因此比其他用地具有更高的后向散射系数，10月研究区的作物成熟或收获，耕地的后向散射系数降低明显，不同地物随时间的变化特性差异相对明显。而经RNMU融合后的影像，无论是RNMU1影像还是RNMU2影像各地类均值之间差异增大，因此增加了地类之间的可分性;而每种地类的标准差较S-1影像降低，进而提升了待融合影像(S-1)地类特征的一致性。因此利用不同时相、不同极化的多源SAR影像进行融合，能融合更多互补信息，得到更好的分类结果。图4 典型地物后向散射系数的均值和标准差的比较
【参考文献】：
期刊论文
[1]结合先验概率估计的GF-3影像水体概率估计方法[J]. 孟令奎,毛旭东,魏祖帅,张文. 测绘学报. 2019(04)
[2]多时相极化SAR影像变化检测方法研究[J]. 赵金奇. 测绘学报. 2019(04)
[3]基于时间序列Sentinel-1A数据的玉米种植面积监测研究[J]. 李俐,孔庆玲,王鹏新,王蕾,荀兰. 资源科学. 2018(08)
[4]基于TOPSIS和BP神经网络的高标准农田综合识别[J]. 吕雅慧,郧文聚,张超,朱德海,杨建宇,陈英义. 农业机械学报. 2018(03)
[5]基于Sentinel-1和Sentinel-2数据融合的农作物分类[J]. 郭交,朱琳,靳标. 农业机械学报. 2018(04)
[6]基于时变特征的多时相PolSAR农作物分类方法[J]. 郭交,尉鹏亮,周正舒,苏宝峰. 农业机械学报. 2017(12)
[7]基于物元分析的区域土地生态安全评价方法研究[J]. 杨建宇,张欣,李鹏山,欧聪,马瑞明,朱德海. 农业机械学报. 2017(S1)
[8]基于Sentinel-1A的东北地区作物留茬区监测研究[J]. 孔庆玲,李俐,徐凯华,朱德海. 农业机械学报. 2017(S1)
[9]基于MESMA和RF的山丘区土地利用信息分类提取[J]. 陈元鹏,郧文聚,周旭,彭军还,李少帅,周妍. 农业机械学报. 2017(07)
[10]多源高分辨率遥感影像智能融合[J]. 李盛阳,张万峰,杨松. 遥感学报. 2017(03)
硕士论文
[1]星载合成孔径雷达海洋风场探测研究[D]. 赵媛.中国科学院大学(中国科学院遥感与数字地球研究所) 2017
[2]基于特征融合的SAR图像变化检测方法研究[D]. 李巧.西安电子科技大学 2017
[3]多波段SAR目标检测与图像分类融合[D]. 刘向君.国防科学技术大学 2005
本文编号：3457049
【文章来源】：农业机械学报. 2020,51(03)北大核心EICSCD
【文章页数】：10 页
【部分图文】：
研究区及采样点分布
针对输入的GF-3双极化SAR数据和S-1双极化SAR数据，在预处理的基础上，进行影像配准、影像融合及土地覆盖分类，处理流程如图2所示。经预处理得到2颗卫星4种极化方式的后向散射系数图像后，采用互相关[25](Cross-Correlation,CC)算法对图像进行精确配准处理。然后，将RNMU方法引入多源SAR图像融合并用于研究区土地覆盖分类。作为对比，另一种同样具有较小冗余度的融合算法G-S被用于融合和土地覆盖分类。G-S融合方法基于多维正交线性变换，通过正交化消除影像的冗余信息，并在第一正交分量中加入另一景影像信息，从而实现多源影像融合。
为了更直观看出不同地物的散射特性差异，图4给出了融合前GF-3 SAR影像和S-1 SAR影像与RNMU融合后SAR图像的均值和标准差。其中基于RNMU的融合，分别给出了研究区10月S-1VV极化影像和6月GF-3 HH极化影像经RNMU算法融合得到的VVHH影像，10月S-1 VH极化影像和6月GF-3 HV极化影像经RNMU算法融合得到的VHHV影像(VVHH影像和VHHV影像叠加，简写为RNMU1)。6月S-1 VV极化影像、10月S-1VV极化影像和6月GF-3 HH极化影像经RNMU算法融合得到VVVVHH影像，6月S-1 VH极化影像、10月S-1 VH极化影像和6月GF-3 HV极化影像经RNMU算法融合得到VHVHHV影像(VVVVHH影像和VHVHHV影像叠加，简写为RNMU2)。由图4可以看出，6月的S-1影像中湿地和耕地上的植被长势较好，因此比其他用地具有更高的后向散射系数，10月研究区的作物成熟或收获，耕地的后向散射系数降低明显，不同地物随时间的变化特性差异相对明显。而经RNMU融合后的影像，无论是RNMU1影像还是RNMU2影像各地类均值之间差异增大，因此增加了地类之间的可分性;而每种地类的标准差较S-1影像降低，进而提升了待融合影像(S-1)地类特征的一致性。因此利用不同时相、不同极化的多源SAR影像进行融合，能融合更多互补信息，得到更好的分类结果。图4 典型地物后向散射系数的均值和标准差的比较
【参考文献】：
期刊论文
[1]结合先验概率估计的GF-3影像水体概率估计方法[J]. 孟令奎,毛旭东,魏祖帅,张文. 测绘学报. 2019(04)
[2]多时相极化SAR影像变化检测方法研究[J]. 赵金奇. 测绘学报. 2019(04)
[3]基于时间序列Sentinel-1A数据的玉米种植面积监测研究[J]. 李俐,孔庆玲,王鹏新,王蕾,荀兰. 资源科学. 2018(08)
[4]基于TOPSIS和BP神经网络的高标准农田综合识别[J]. 吕雅慧,郧文聚,张超,朱德海,杨建宇,陈英义. 农业机械学报. 2018(03)
[5]基于Sentinel-1和Sentinel-2数据融合的农作物分类[J]. 郭交,朱琳,靳标. 农业机械学报. 2018(04)
[6]基于时变特征的多时相PolSAR农作物分类方法[J]. 郭交,尉鹏亮,周正舒,苏宝峰. 农业机械学报. 2017(12)
[7]基于物元分析的区域土地生态安全评价方法研究[J]. 杨建宇,张欣,李鹏山,欧聪,马瑞明,朱德海. 农业机械学报. 2017(S1)
[8]基于Sentinel-1A的东北地区作物留茬区监测研究[J]. 孔庆玲,李俐,徐凯华,朱德海. 农业机械学报. 2017(S1)
[9]基于MESMA和RF的山丘区土地利用信息分类提取[J]. 陈元鹏,郧文聚,周旭,彭军还,李少帅,周妍. 农业机械学报. 2017(07)
[10]多源高分辨率遥感影像智能融合[J]. 李盛阳,张万峰,杨松. 遥感学报. 2017(03)
硕士论文
[1]星载合成孔径雷达海洋风场探测研究[D]. 赵媛.中国科学院大学(中国科学院遥感与数字地球研究所) 2017
[2]基于特征融合的SAR图像变化检测方法研究[D]. 李巧.西安电子科技大学 2017
[3]多波段SAR目标检测与图像分类融合[D]. 刘向君.国防科学技术大学 2005
本文编号：3457049
本文链接：https://www.wllwen.com/kejilunwen/dizhicehuilunwen/3457049.html
