發(fā)布時(shí)間：2021-10-25 08:45

　　為充分利用多時(shí)相、多極化SAR數(shù)據(jù)在不同土地覆蓋類型中的后向散射特性,將遞歸非負(fù)矩陣下近似（Recursive nonnegative matrix underapproximation,RNMU）算法引入多源SAR數(shù)據(jù)的融合,并利用融合后的SAR影像實(shí)現(xiàn)較高精度的土地覆蓋分類。融合過(guò)程中,在根據(jù)不同模式SAR影像特點(diǎn)進(jìn)行多源SAR影像預(yù)處理的基礎(chǔ)上,基于RNMU算法通過(guò)對(duì)多個(gè)輸入SAR影像進(jìn)行矩陣分解及迭代最優(yōu)矩陣求解,得到融合影像。為驗(yàn)證融合后SAR影像在土地覆蓋分類中的應(yīng)用效果,以吉林省大安市為研究區(qū),對(duì)多時(shí)相Sentinel-1的VV/VH雙極化SAR數(shù)據(jù)和高分三號(hào)（GF-3）的HH/HV雙極化SAR數(shù)據(jù)進(jìn)行了基于RNMU的影像融合,并利用融合后的SAR影像進(jìn)行研究區(qū)主要土地覆蓋類型分類。實(shí)驗(yàn)結(jié)果表明,基于RNMU融合影像的土地覆蓋分類總體精度達(dá)93. 11%,Kappa系數(shù)為0. 86,與Gram-Schmid（G-S）融合方法相比,分類總體精度提高了6. 83個(gè)百分點(diǎn),Kappa系數(shù)提高0. 12。多源SAR融合為SAR影像融合提供了有效手段,為土地覆蓋分類提供了更多高精度... 

【文章來(lái)源】：農(nóng)業(yè)機(jī)械學(xué)報(bào). 2020,51(03)北大核心EICSCD

【文章頁(yè)數(shù)】：10 頁(yè)

【部分圖文】：

研究區(qū)及采樣點(diǎn)分布

針對(duì)輸入的GF-3雙極化SAR數(shù)據(jù)和S-1雙極化SAR數(shù)據(jù)，在預(yù)處理的基礎(chǔ)上，進(jìn)行影像配準(zhǔn)、影像融合及土地覆蓋分類，處理流程如圖2所示。經(jīng)預(yù)處理得到2顆衛(wèi)星4種極化方式的后向散射系數(shù)圖像后，采用互相關(guān)[25](Cross-Correlation,CC)算法對(duì)圖像進(jìn)行精確配準(zhǔn)處理。然后，將RNMU方法引入多源SAR圖像融合并用于研究區(qū)土地覆蓋分類。作為對(duì)比，另一種同樣具有較小冗余度的融合算法G-S被用于融合和土地覆蓋分類。G-S融合方法基于多維正交線性變換，通過(guò)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，從而實(shí)現(xiàn)多源影像融合。

為了更直觀看出不同地物的散射特性差異，圖4給出了融合前GF-3 SAR影像和S-1 SAR影像與RNMU融合后SAR圖像的均值和標(biāo)準(zhǔn)差。其中基于RNMU的融合，分別給出了研究區(qū)10月S-1VV極化影像和6月GF-3 HH極化影像經(jīng)RNMU算法融合得到的VVHH影像，10月S-1 VH極化影像和6月GF-3 HV極化影像經(jīng)RNMU算法融合得到的VHHV影像(VVHH影像和VHHV影像疊加，簡(jiǎn)寫(xiě)為RNMU1)。6月S-1 VV極化影像、10月S-1VV極化影像和6月GF-3 HH極化影像經(jīng)RNMU算法融合得到VVVVHH影像，6月S-1 VH極化影像、10月S-1 VH極化影像和6月GF-3 HV極化影像經(jīng)RNMU算法融合得到VHVHHV影像(VVVVHH影像和VHVHHV影像疊加，簡(jiǎn)寫(xiě)為RNMU2)。由圖4可以看出，6月的S-1影像中濕地和耕地上的植被長(zhǎng)勢(shì)較好，因此比其他用地具有更高的后向散射系數(shù)，10月研究區(qū)的作物成熟或收獲，耕地的后向散射系數(shù)降低明顯，不同地物隨時(shí)間的變化特性差異相對(duì)明顯。而經(jīng)RNMU融合后的影像，無(wú)論是RNMU1影像還是RNMU2影像各地類均值之間差異增大，因此增加了地類之間的可分性;而每種地類的標(biāo)準(zhǔn)差較S-1影像降低，進(jìn)而提升了待融合影像(S-1)地類特征的一致性。因此利用不同時(shí)相、不同極化的多源SAR影像進(jìn)行融合，能融合更多互補(bǔ)信息，得到更好的分類結(jié)果。圖4 典型地物后向散射系數(shù)的均值和標(biāo)準(zhǔn)差的比較

【參考文獻(xiàn)】：
期刊論文
[1]結(jié)合先驗(yàn)概率估計(jì)的GF-3影像水體概率估計(jì)方法[J]. 孟令奎,毛旭東,魏祖帥,張文.  測(cè)繪學(xué)報(bào). 2019(04)
[2]多時(shí)相極化SAR影像變化檢測(cè)方法研究[J]. 趙金奇.  測(cè)繪學(xué)報(bào). 2019(04)
[3]基于時(shí)間序列Sentinel-1A數(shù)據(jù)的玉米種植面積監(jiān)測(cè)研究[J]. 李俐,孔慶玲,王鵬新,王蕾,荀蘭.  資源科學(xué). 2018(08)
[4]基于TOPSIS和BP神經(jīng)網(wǎng)絡(luò)的高標(biāo)準(zhǔn)農(nóng)田綜合識(shí)別[J]. 呂雅慧,鄖文聚,張超,朱德海,楊建宇,陳英義.  農(nóng)業(yè)機(jī)械學(xué)報(bào). 2018(03)
[5]基于Sentinel-1和Sentinel-2數(shù)據(jù)融合的農(nóng)作物分類[J]. 郭交,朱琳,靳標(biāo).  農(nóng)業(yè)機(jī)械學(xué)報(bào). 2018(04)
[6]基于時(shí)變特征的多時(shí)相PolSAR農(nóng)作物分類方法[J]. 郭交,尉鵬亮,周正舒,蘇寶峰.  農(nóng)業(yè)機(jī)械學(xué)報(bào). 2017(12)
[7]基于物元分析的區(qū)域土地生態(tài)安全評(píng)價(jià)方法研究[J]. 楊建宇,張欣,李鵬山,歐聰,馬瑞明,朱德海.  農(nóng)業(yè)機(jī)械學(xué)報(bào). 2017(S1)
[8]基于Sentinel-1A的東北地區(qū)作物留茬區(qū)監(jiān)測(cè)研究[J]. 孔慶玲,李俐,徐凱華,朱德海.  農(nóng)業(yè)機(jī)械學(xué)報(bào). 2017(S1)
[9]基于MESMA和RF的山丘區(qū)土地利用信息分類提取[J]. 陳元鵬,鄖文聚,周旭,彭軍還,李少帥,周妍.  農(nóng)業(yè)機(jī)械學(xué)報(bào). 2017(07)
[10]多源高分辨率遙感影像智能融合[J]. 李盛陽(yáng),張萬(wàn)峰,楊松.  遙感學(xué)報(bào). 2017(03)

碩士論文
[1]星載合成孔徑雷達(dá)海洋風(fēng)場(chǎng)探測(cè)研究[D]. 趙媛.中國(guó)科學(xué)院大學(xué)(中國(guó)科學(xué)院遙感與數(shù)字地球研究所) 2017
[2]基于特征融合的SAR圖像變化檢測(cè)方法研究[D]. 李巧.西安電子科技大學(xué) 2017
[3]多波段SAR目標(biāo)檢測(cè)與圖像分類融合[D]. 劉向君.國(guó)防科學(xué)技術(shù)大學(xué) 2005



本文編號(hào)：3457049