一种联合多特征的极化SAR海冰类型提取方法

发布时间：2022-01-14 18:04

　　针对仅依靠单一属性特征难以实现海冰类型精准监测的问题,提出一种联合极化目标分解特征和纹理特征的全极化SAR海冰类型提取方法:首先利用H/α/A分解和AnYang分解获取海面目标的6个极化分解特征;然后通过灰度共生矩阵获取HV极化图像的3个纹理特征,进而将极化分解特征和纹理特征组合构建9个特征的联合特征矢量;最后基于支持向量机分类器,实现极化SAR图像海冰类型的精确提取。以渤海辽东湾为实验区,选用高分三号全极化SAR数据,利用本文构建的海冰类型提取方法,获取了实验区的海冰类型的分布信息,并与其他提取方法进行了对比分析。实验表明,本文构建的9个联合特征矢量,特征之间具有较好的互补性,提高了不同海冰类型之间的区分度,改善了海冰类型提取的精度,总体分类精度为92.6%,Kappa系数为0.87。 

【文章来源】：遥感信息. 2020,35(04)北大核心CSCD

【文章页数】：7 页

【部分图文】：

2017年1月13日辽东湾海冰图像不同方法分类结果对比

基于特征矢量组合的海冰类型提取算法流程图

对SAR影像进行目视分析，在第1景SAR海冰图像内主要的冰水类型有沿岸固定冰、初生冰、灰冰和海水4类。在第2景SAR海冰图像内主要的冰水类型有沿岸固定冰、初生冰、灰冰、灰白冰和海水5类。另外，为了验证算法的分类精度，选用2景覆盖实验区域的GF-1光学遥感数据作为参考数据。第1景的成像时间为2017年1月13日11:42，中心点经纬度为120.64°E,40.542 6°N，传感器类型为WFV3，轨道圈号为20 038。第2景的成像时间为2017年1月22日11:37，中心经纬度为122.174°E,40.128 1°N，传感器类型为WFV4，轨道圈号为20 160。2景影像的空间分辨率均为16m，包含红、绿、蓝和近红外4个波段。

【参考文献】：
期刊论文
[1]KCCA与SVM算法支撑下的遥感影像变化检测[J]. 董岳,王飞.  遥感信息. 2019(01)
[2]利用目标分解特征的全极化SAR海冰分类[J]. 赵泉华,郭世波,李晓丽,李玉.  测绘学报. 2018(12)
[3]结合纹理特征的SVM海冰分类方法研究[J]. 张明,吕晓琪,张晓峰,张婷,吴凉,王军凯,张信雪.  海洋学报. 2018(11)
[4]基于属性差决策树的全极化SAR影像海冰分类[J]. 王常颖,田德政,韩园峰,隋毅,初佳兰.  遥感技术与应用. 2018(05)
[5]极化SAR图像目标分解方法的研究进展[J]. 张腊梅,段宝龙,邹斌.  电子与信息学报. 2016(12)
[6]利用边界能量函数的SAR海冰图像分类[J]. 赵庆平,崔少华,李峥,侯俊钦.  遥感信息. 2016(03)
[7]结合MRF与ν-SVM的SAR海冰图像分类[J]. 沈杨,郎文辉,吴杰,杨学志.  遥感学报. 2015(05)
[8]基于极化散射特征的极化合成孔径雷达海冰分类方法研究:以渤海海冰分类为例[J]. 张晰,张杰,孟俊敏,苏腾飞,刘眉洁.  海洋学报(中文版). 2013(05)
[9]顾及特征优化的全极化SAR图像SVM分类[J]. 巫兆聪,欧阳群东,李芳芳.  测绘科学. 2013(03)



本文编号：3588961