下载文档原格式
遥感影像处理技术的最新进展遥感技术作为一种非接触式的对地观测手段，已经在众多领域得到了广泛应用，如国土资源调查、环境监测、城市规划等。
而遥感影像处理技术则是从海量的遥感数据中提取有用信息的关键环节。
近年来，随着计算机技术、传感器技术等的不断发展，遥感影像处理技术也取得了显著的进展。
一、高分辨率遥感影像的获取与处理随着卫星技术的不断进步，高分辨率遥感影像的获取变得越来越容易。
高分辨率意味着能够捕捉到更细微的地物特征，为更精确的分析和应用提供了可能。
然而，高分辨率影像也带来了数据量巨大、处理难度增加等问题。
在处理高分辨率遥感影像时，图像配准和融合技术显得尤为重要。
图像配准是将不同时间、不同传感器获取的影像进行精确对齐，以实现信息的综合利用。
而图像融合则是将多源影像的优势结合起来，生成一幅更具信息量和准确性的影像。
为了提高配准和融合的精度，研究人员提出了许多新的算法和模型，如基于特征点的配准方法、多尺度融合算法等。
二、多光谱和高光谱遥感影像分析多光谱遥感影像包含了多个波段的信息，能够反映地物在不同波长下的反射特性。
高光谱遥感影像则具有更高的光谱分辨率，可以提供更详细的地物光谱特征。
在多光谱和高光谱遥感影像分析中，光谱特征提取和分类是重要的研究方向。
传统的基于像素的分类方法往往忽略了地物的空间相关性，导致分类精度不高。
近年来，基于对象的分类方法逐渐兴起，它将影像分割成具有相似特征的对象，然后对对象进行分类，有效地提高了分类精度。
此外，深度学习技术也被应用于光谱特征提取和分类中，取得了较好的效果。
三、雷达遥感影像处理技术雷达遥感具有全天时、全天候的观测能力，在灾害监测、地形测绘等领域发挥着重要作用。
雷达遥感影像的处理面临着斑点噪声去除、几何校正、目标检测等挑战。
针对斑点噪声问题，研究人员提出了多种滤波算法，如均值滤波、中值滤波、小波滤波等。
在几何校正方面，精确的轨道模型和地面控制点的选取是提高校正精度的关键。
星载SAR图像处理技术研究摘要：星载合成孔径雷达（SAR）是一种通过向地面发射雷达波并接收反射波来生成高分辨率图像的遥感技术。
而星载SAR图像处理技术是分析和提取这些图像中的信息的重要方法。
本文围绕星载SAR图像处理技术展开研究，包括数据预处理、图像质量评估、特征提取、图像分类等方面的内容。
通过对不同处理方法的汇总和分析，我们可以更好地理解和应用星载SAR图像处理技术。
1. 引言星载合成孔径雷达(SAR)是一种在制定区域和特定时间收集大量多角度雷达散射数据的先进技术。
SAR可以在白天或夜间、晴天或阴天，甚至穿透云层等复杂条件下获取地面信息。
星载SAR图像通常包含丰富的信息和细节，但也存在着噪声、模糊和干扰等问题，因此图像处理是必要的。
2. 数据预处理数据预处理是星载SAR图像处理的首要环节。
数据预处理的目标是减少噪声、增强图像质量，并为后续处理提供良好的基础。
常用的数据预处理方法包括去斑点噪声、矫正斜视效应和射频干扰等。
去斑点噪声的方法可以根据噪声的性质和统计特性进行选择。
而对矫正斜视效应，则需要进行几何矫正和辐射矫正，以进行图像校正和恢复。
另外，射频干扰是星载SAR图像处理中常见的问题，可以通过滤波和去噪等方法进行处理。
3. 图像质量评估图像质量评估是判断图像处理效果的重要方法，也是星载SAR图像处理技术的关键环节之一。
常用的图像质量评估指标包括信噪比(SNR)、二维均匀性指数(2DUI)和边缘保持指数(EPI)等。
信噪比可以用来评估图像的清晰度，主要用来判断图像的噪声水平。
二维均匀性指数可以评估图像均匀性，从而判断图像的质量。
边缘保持指数可以评估图像边缘保持能力，用于评估图像的清晰度和细节保持程度。
4. 特征提取特征提取是星载SAR图像处理的重要任务之一，用于从图像中提取有用的信息和特征。
不同的特征提取方法适用于不同的应用领域和目标。
常见的特征包括纹理特征、形状特征和频谱特征等。
纹理特征主要用于描述图像表面的纹理和结构，如纹理粗糙度、纹理方向和纹理对比度等。
利用雷达遥感图像进行土地类型分类与调查随着科技的不断发展，遥感技术在土地调查与分类中发挥着越来越重要的作用。
尤其是雷达遥感图像，相较于传统的光学遥感图像，在地物检测、土地类型分类以及测量等方面具有独特的优势。
本文将探讨如何利用雷达遥感图像进行土地类型分类与调查，并解析其应用的目的和意义。
一、雷达遥感图像的特点及优势雷达遥感图像是通过雷达系统对地物进行探测和测量，利用回波信号获取地表信息的一种遥感技术。
与光学遥感图像相比，雷达遥感图像具有以下特点和优势：1. 无视光学遥感的限制：雷达遥感图像不受时间、天气和光照等因素的影响，能够在白天和夜晚、晴天和阴天、甚至在云层之下获取地表信息。
2. 高分辨率和穿透能力：雷达波束具有较高的分辨能力，可以清晰地分辨出地表上的细节特征。
同时，雷达波能够穿透植被和云层，获取地表下的信息。
3. 敏感度高且长期稳定：雷达系统对地表的微小变化非常敏感，能够及时捕捉到土地类型的变化。
此外，雷达遥感图像的长期稳定性也保证了后续的数据分析的可靠性。
二、利用雷达遥感图像进行土地类型分类土地类型分类是对地表不同特征和用途的土地进行划分和分类的过程。
传统的土地类型分类主要采用人工制图的方式，耗时耗力，且结果容易受主观因素的影响。
而利用雷达遥感图像进行土地类型分类，可以通过算法和数据分析的方式提高分类的准确性和效率。
1. 数据预处理：在进行土地类型分类前，首先需要对雷达遥感图像进行数据预处理。
这包括数据校正、去除噪声和影像增强等步骤，以确保数据的质量和准确性。
2. 特征提取：利用雷达遥感图像进行土地类型分类的关键是提取合适的特征。
常用的特征包括回波强度、极化特征和散射系数等。
通过对不同土地类型的特征进行分析和对比，可以建立合适的分类模型。
3. 分类算法：利用特征提取的结果，可以使用各种机器学习和模式识别算法进行土地类型的分类。
常见的算法包括支持向量机（SVM）、人工神经网络（ANN）和决策树等。
雷达遥感图像处理方法与目标识别的基本原理与应用概述雷达遥感是一种利用雷达技术获取地球表面信息的遥感技术。
雷达遥感图像处理方法与目标识别是该领域中的关键技术，本文将介绍其基本原理与应用。
一、雷达遥感图像处理方法1. 预处理雷达遥感图像预处理是为了提高后续处理的可靠性和有效性。
包括噪声抑制、几何校正和辐射校正等。
噪声抑制通过滤波、去斑等算法降低雷达图像中的噪声干扰；几何校正将雷达图像与地面实际位置对应起来；辐射校正则是为了消除图像中的辐射差异。
2. 特征提取特征提取是雷达遥感图像处理中的关键一步，目的是将图像中的目标与背景区分开来。
常用的特征包括纹理特征、形状特征和频谱特征等。
纹理特征描述图像中的像素分布和灰度级变化；形状特征描述目标的形态和几何结构；频谱特征描述目标反射和散射特性。
3. 分割与分类分割将雷达图像分为不同的区域，使不同目标或背景出现在不同区域中。
常用的分割算法包括基于阈值、基于边缘、基于区域和基于特征等。
分类将图像中的区域分为不同的类别，以达到目标识别或目标检测的目的。
常用的分类算法包括最近邻分类器、支持向量机、决策树等。
二、目标识别的基本原理目标识别是雷达遥感图像处理的重点任务之一，其基本原理如下：1. 目标特征提取通过特征提取算法提取目标在雷达图像中的特征，包括目标的形状、纹理、尺寸和位置等信息。
这些特征可以用于后续的目标分类和识别。
2. 目标分类通过将目标与已知类别进行比较，将其归入某个类别中。
常用的分类算法包括最近邻分类器、支持向量机和人工神经网络等。
3. 目标检测与定位目标检测是指在雷达图像中找到目标的位置和尺寸。
常用的目标检测算法包括基于阈值、基于边缘和基于模板匹配等。
目标定位是指确定目标在地球表面的精确位置，一般通过地理坐标转换技术实现。
三、雷达遥感图像处理方法与目标识别的应用雷达遥感图像处理方法与目标识别技术在军事、农业、气象和城市规划等领域有广泛应用。
1. 军事雷达遥感图像处理与目标识别在军事领域中具有重要意义。
无人机遥感图像分类技术的研究1.前言随着科技的不断发展，无人机技术越来越成熟，无人机遥感技术也得到了广泛的应用。
无人机遥感图像分类技术是对无人机获取的遥感图像进行处理和分析，实现对地物进行分类的过程。
无人机遥感图像分类技术不仅可以用于农业、林业、地质勘探等方面，还可以广泛应用于国土、测绘、城市规划等领域。
本文将对无人机遥感图像分类技术的研究做出详细的论述。
2.无人机遥感技术的发展无人机遥感技术起源于20世纪80年代末期，当时主要应用于军事领域。
随着无人机技术的日益成熟，无人机遥感技术的应用范围逐渐扩大。
无人机遥感技术可分为微波雷达遥感技术和光学遥感技术。
无人机光学遥感技术包括多光谱、高光谱、红外和激光雷达等。
相比微波雷达遥感技术，无人机光学遥感技术具有分辨率高、空间分辨率大和反射率高等优点。
3.无人机遥感图像分类技术无人机遥感图像分类技术是指对采集到的无人机遥感图像进行处理和分析，将图像识别为不同的地物类型。
无人机遥感图像分类技术是无人机遥感技术的一个重要组成部分，其强大的识别能力可以大大提高地质、能源、林业和环境研究等应用的效率。
无人机遥感图像分类技术方法主要包括传统的监督分类和无监督分类两种。
(1)监督分类监督分类是一种基于统计学的分类方法。
先利用光谱角提取出各地物的主要波段，再构建多元正态分布模型来确定各类地物的光谱反射特征。
在模型中，对于每一类地物，都有一个包含该类地物全部样本的协方差矩阵。
通过最小距离分类法将输入样本与协方差矩阵进行比较，将其划分为不同地物类别。
监督分类方法更加准确，但需要大量的样本进行训练，在处理大型或复杂图像时更为困难。
(2)无监督分类无监督分类方法可以不依赖于样本控制。
首先对地图进行分割，将其划分为多个小区域，然后对每个小区域的光谱属性进行统计和分析，从而提取出相似曲线、相同模型、相近特征等干扰因素，最终将地图划分成少数的统一地物类型。
无监督分类方法具有较高的独立性和灵活性，易于使用，但是分类的准确度较低。
基于CNN的遥感图像分类技术研究近年来，随着遥感技术的不断发展，遥感图像在农业、城市规划等领域被广泛应用。
而遥感图像分类技术是利用计算机对遥感图像进行自动分类，是遥感图像处理的重要一环。
近年来，卷积神经网络（CNN）在图像分类方面取得了显著的成果，因此，基于CNN的遥感图像分类技术也备受关注。
一、遥感图像分类概述遥感图像分类是指将遥感图像中的地物按照其性质或用途分成不同类别的过程。
这个过程需要结合遥感技术、图像处理技术和分类算法来完成。
遥感图像数据可以分为几种类型，如光学图像、雷达图像、热红外图像等。
光学图像以其颜色、纹理等特征来表示地物，雷达图像以信号强度、极化特性等来表示地物，热红外图像则显示地物辐射出的热能分布情况。
因此，在遥感图像分类中，需要根据图像类型选择不同的特征提取方法。
二、卷积神经网络介绍卷积神经网络是一种深度学习算法，其主要应用于图像、语音等领域中的分类、识别等任务。
CNN的核心思想是通过对图像的卷积和池化等操作，逐层提取出图像的特征，并将其与标签进行匹配来实现分类。
相比传统的分类算法，CNN的优势在于可以自主学习特征，并且具有较高的分类准确率。
三、基于CNN的遥感图像分类方法基于CNN的遥感图像分类方法可以分为以下几个步骤：首先，对遥感图像进行预处理，包括图像增强、去噪、裁剪等；其次，利用卷积层和池化层逐层提取图像特征；然后，将特征图像传递给全连接层进行分类；最后，利用误差反向传播（BP）算法对CNN进行训练，得到最终的分类模型。
在遥感图像分类中，需要特别考虑不同地物的特征，以利用CNN提取它们的区别性特征。
比如在光学图像中，飞机和天空是两个不同的类别，它们的颜色、纹理等特征差异很大；而在雷达图像中，建筑和树木虽然都是高反射目标，但极化特征却不同。
因此，需要采用不同的特征提取方法来处理不同的遥感图像。
四、应用场景基于CNN的遥感图像分类技术已经应用于多个领域。
在农业领域中，可以利用遥感技术对农作物进行生长状态检测、病虫害检测等。
面向遥感影像分类、目标识别及提取的深度学习方法研究一、内容概述随着遥感技术的不断发展，遥感影像在各个领域的应用越来越广泛。
针对遥感影像的分类、目标识别及提取，本文提出了一种基于深度学习的方法研究。
本文首先分析了当前遥感影像处理技术的发展现状和存在的问题，指出了利用深度学习方法解决遥感影像分类、目标识别及提取问题的重要性和紧迫性。
本文介绍了所提出的深度学习模型，包括网络结构、损失函数、优化算法等。
通过大量实验验证了所提方法的性能和有效性。
总结了本文的主要工作和贡献，并对未来的研究方向进行了展望。
本文的研究对于推动遥感影像处理技术的发展具有重要意义，可为相关领域的研究和应用提供参考和借鉴。
1. 遥感影像的重要性及其应用领域随着科技的飞速发展，遥感技术在地理信息获取、环境监测和资源勘查等领域发挥着越来越重要的作用。
遥感影像作为遥感信息的主要载体，其重要性和应用价值日益凸显。
高分辨率遥感影像能够全面呈现地物的外观和属性，为全球气候变化、土地利用、城市规划等领域的科学研究提供丰富的数据支持；而借助深度学习技术，遥感影像的分类、目标识别以及信息提取等问题也得以有效解决，推动了遥感信息化、智能化水平的显著提升。
为了满足各类遥感应用的需求，对高分辨率遥感影像的处理和分析能力也在不断提高。
借助深度学习算法，遥感影像能够被更有效地处理、分析和利用。
遥感影像已经成为地理信息科学、计算机视觉、模式识别等多个学科领域的研究热点，为众多领域的科研和应用提供了强大的技术支撑。
遥感影像的重要性及其在各大领域的应用价值是不容忽视的。
而深度学习方法的发展为遥感影像的获取、处理、分析和应用带来了更多的可能性和挑战，预示着遥感技术在未来将有更广泛的应用前景。
2. 深度学习在遥感影像处理中的研究现状与挑战随着深度学习技术的飞速发展，其在遥感影像处理领域的应用也日益广泛。
通过构建深度神经网络模型，实现对遥感影像的自动分类、目标识别以及信息提取已经取得了显著的进展。
基于图像处理的雷达目标识别与跟踪技术研究概述：基于图像处理的雷达目标识别与跟踪技术是一项前沿的研究领域，其目标是实现对雷达图像中的目标进行自动、精确的识别与跟踪。
本文将从问题背景、技术原理、相关方法以及应用前景等方面进行探讨。
1. 问题背景雷达技术在军事、航空、航天、遥感等领域具有重要应用价值。
然而，传统的雷达技术存在一些限制，比如难以对目标实现高精度的识别与跟踪。
因此，基于图像处理的雷达目标识别与跟踪技术的研究对于提高雷达系统的性能具有重要意义。
2. 技术原理基于图像处理的雷达目标识别与跟踪技术主要包括以下步骤：2.1 图像预处理：对雷达图像进行噪声去除、图像增强等预处理，提高目标的可见性。
2.2 特征提取：利用图像处理算法提取目标的特征，比如颜色、纹理、形状等。
常用的特征提取方法包括边缘检测、纹理特征提取、形状描述等。
2.3 目标识别：利用机器学习、模式识别等方法对提取的特征进行分类和识别，实现对不同目标的自动识别。
2.4 目标跟踪：根据目标识别的结果，使用跟踪算法对目标进行连续跟踪，实时更新目标的位置、速度、运动轨迹等信息。
3. 相关方法3.1 传统方法传统的基于图像处理的雷达目标识别与跟踪技术主要使用人工设计的特征和分类器进行目标识别与跟踪。
这种方法需要依赖领域专家对特征进行设计，且对于复杂场景的目标识别与跟踪效果较差。
3.2 深度学习方法近年来，深度学习在图像处理领域取得了巨大成功，也在雷达目标识别与跟踪中得到了广泛应用。
深度学习可以从数据中学习到更高级别的特征表示，相比传统方法具有更好的泛化能力和适应性。
4. 应用前景基于图像处理的雷达目标识别与跟踪技术在军事、安防、无人驾驶、智能交通等领域具有广阔的应用前景。
通过提高目标识别与跟踪的精度和实时性，可以提升系统的自动化程度，减少人工干预，增加系统的可靠性和安全性。
5. 结语基于图像处理的雷达目标识别与跟踪技术是一个充满挑战和机遇的研究领域。
遥感影像信息处理技术的研究进展一、本文概述遥感影像信息处理技术是遥感科学领域的核心技术之一，随着遥感技术的快速发展，其在地理信息系统、环境监测、城市规划、灾害预警等多个领域的应用越来越广泛。
遥感影像信息处理技术的主要任务是对获取的遥感影像进行预处理、增强、解译和分类等处理，以提取出有用的信息。
近年来，随着深度学习、人工智能等技术的兴起，遥感影像信息处理技术也取得了显著的进展。
本文旨在全面综述遥感影像信息处理技术的研究进展，包括预处理技术、特征提取技术、分类技术、目标检测技术以及应用领域的最新发展，以期为相关领域的研究者和实践者提供有益的参考和启示。
二、遥感影像信息处理技术概述遥感影像信息处理技术是一种集成了多种学科知识的综合性技术，主要包括计算机科学、数学、物理学、地理学以及环境科学等。
其核心在于从各种遥感平台（如卫星、无人机、高空气球等）获取的遥感影像中提取有用的信息，以满足对地表、大气、海洋等自然环境的监测、评估和管理需求。
遥感影像信息处理技术主要包括预处理、图像增强、特征提取和识别、信息提取和应用等步骤。
预处理阶段主要对原始遥感影像进行辐射校正、几何校正等，以提高影像的质量。
图像增强则通过一系列算法，如直方图均衡化、滤波等，改善图像的视觉效果，提高后续处理的准确性。
特征提取和识别则是通过特定的算法，如边缘检测、纹理分析等，从图像中提取出关键信息，如地物类型、形状、大小等。
信息提取和应用阶段则是将前面步骤得到的信息进行整合和分析，以满足各种实际应用需求。
随着遥感技术的快速发展，遥感影像信息处理技术也在不断进步。
一方面，随着遥感平台的多样化和遥感数据的丰富化，遥感影像信息处理技术需要处理的数据类型和复杂度也在不断增加。
另一方面，随着计算机科学和人工智能技术的快速发展，遥感影像信息处理技术也在不断引入新的理论和方法，如深度学习、神经网络等，以提高处理的准确性和效率。
遥感影像信息处理技术是遥感技术的重要组成部分，其在环境监测、城市规划、灾害预警、资源调查等领域有着广泛的应用前景。
遥感图像分类方法的国内外研究现状与发展趋势关键词：遥感图像、发展、分类、计算机一、遥感技术的发展现状遥感技术正在进入一个能够快速准确地提供多种对地观测海量数据及应用研究的新阶段，它在近一二十年内得到了飞速发展，目前又将达到一个新的高潮。
这种发展主要表现在以下4个方面：1.多分辨率多遥感平台并存。
空间分辨率、时间分辨率及光谱分辨率普遍提高目前，国际上已拥有十几种不同用途的地球观测卫星系统，并拥有全色0．8～5m、多光谱3．3～30m的多种空间分辨率。
遥感平台和传感器已从过去的单一型向多样化发展，并能在不同平台上获得不同空间分辨率、时间分辨率和光谱分辨率的遥感影像。
民用遥感影像的空间分辨率达到米级，光谱分辨率达到纳米级，波段数已增加到数十甚至数百个，重复周期达到几天甚至十几个小时。
例如，美国的商业卫星ORBVIEW可获取lm空间分辨率的图像，通过任意方向旋转可获得同轨和异轨的高分辨率立体图像；美国EOS卫星上的MOiDIS-N传感器具有35个波段；美国NOAA的一颗卫星每天可对地面同一地区进行两次观测。
随着遥感应用领域对高分辨率遥感数据需求的增加及高新技术自身不断的发展，各类遥感分辨率的提高成为普遍发展趋势。
2.微波遥感、高光谱遥感迅速发展微波遥感技术是近十几年发展起来的具有良好应用前景的主动式探测方法。
微波具有穿透性强、不受天气影响的特性，可全天时、全天候工作。
微波遥感采用多极化、多波段及多工作模式，形成多级分辨率影像序列，以提供从粗到细的对地观测数据源。
成像雷达、激光雷达等的发展，越来越引起人们的关注。
例如，美国实施的航天飞机雷达地形测绘计划即采用雷达干涉测量技术，在一架航天飞机上安装了两个雷达天线，对同一地区一次获取两幅图像，然后通过影像精匹配、相位差解算、高程计算等步骤得到被观测地区的高程数据。
高光谱遥感的出现和发展是遥感技术的一场革命。
它使本来在宽波段遥感中不可探测的物质，在高光谱遥感中能被探测。
雷达遥感图像分类新技术发展研究谭衢霖,邵 芸(中国科学院遥感应用研究所,遥感信息科学开放研究实验室,北京 100101)摘要:总结了雷达遥感图像分类技术的发展过程,指出新的分类技术正朝着采用新特征(如雷达极化信息与干涉信息、多参数极化干涉信息、多时相信息、DEM 与地理信息等),应用新理论(如小波理论、分形理论、模糊理论),设计新算法(如改进的最大似然法、上下文分类法、改进的神经网络分类算法等)的方向发展。
关键词:雷达遥感;图像分类;极化信息;干涉信息中图分类号:T P 722;TP 751 文献标识码:A 文章编号:1001-070X (2001)03-0001-070 概述当前,合成孔径雷达(SAR )已成为国际对地观测领域最重要的前沿技术之一。
雷达极化测量、干涉测量及多参数极化干涉测量等技术代表了雷达遥感的发展方向。
遥感图像分类处理是遥感技术应用中十分重要的部分,图像分类结果用途非常广泛,所以,提高雷达遥感图像分类精度具有重要意义。
就雷达遥感而言,雷达遥感图像因其特殊的成像机理和图像特点而与光学遥感图像迥异,必须采用特殊的图像分类方法才能获得较好的效果。
随着新型成像雷达技术的蓬勃发展,雷达遥感获取的目标信息越来越多,如何最有效地利用雷达遥感提供的新信息来提高图像分类精度,是一个需要深入研究的课题,同时也是实现定量化雷达遥感迫切需要研究的课题之一。
图1为SAR 图像分类处理技术的一般过程。
总的来说,雷达遥感图像分类算法朝着精确、快速的方向发展。
发展新的分类技术一般有3种途径:第一,利用从雷达遥感数据中提取的新信息和新特征。
如从极化雷达数据中提取任一种极化状态下的后向散射系数、极化度、散射熵、同极化相位差以及从干涉雷达数据中提取的相关系数等等[1];第二,应用新理论。
如基于小波理论[2]、分形理论的雷达遥感图像纹理信息提取[3]和基于模糊理论的混合像元分解等等[4];第三,设计新算法。
如何实现这一目标,途径千差万别,但一般从两个方向入手:①改进经典算法。
由于经典算法有这样或那样的缺点,因对其进行改进是发展分类算法的有效途径,如对最大似然法进行改进[5];②构造新算法。
由于经典算法的局限性,针对经典算法暴露出来的一些缺点,重新构造算法也是十分有效的。
构造新算法可以完全抛弃旧算法,也可以吸收旧算法的优点,抛弃其缺点,如学习矢量量化神经网络分类算法[6]。
收稿日期:2001-04-04;修订日期:2001-07-06基金项目:国家自然科学基金项目(49989001)第3期,总第49期国土资源遥感No .3,20012001年9月15日 REM O T E SENSING FO R LAN D &RESOU RCES Sept .,2001图1 SA R 图像分类技术流程1 采用新信息、新特征传统的SAR 图像分类一般利用目标的后向散射强度差别来进行,后来逐渐利用图像的纹理测度信息,一般是灰度共现矩阵GCLM 。
随着新型成像雷达技术的发展(极化、干涉、极化干涉),雷达获取目标新信息越来越多,因此,在SAR 分类算法发展中,针对不同的分类目的,新信息、新特征的采用变得十分普遍。
这种方法简单易行,针对性较强,可以解决许多分类中的实际问题。
1.1 多波段、多极化信息采用不同微波波段图像,可以对地面上的目标进行分类。
例如,不同农作物在不同波段上的变化规律不同,并且在不同的生长期,变化规律也不同,利用这一特点,可以对农作物进行分类。
同样,土壤湿度和表面粗糙度不同,在不同波段上也能体现出来。
因此,采用不同波段的SAR 图像进行综合分析,可以获取地面目标的更详细信息[7]。
不同极化方式对不同种类的地物及其构造有不同的反应,因此,多极化的SAR 图像在对地面目标的分类上也将提供很好的帮助[7]。
1.2 极化雷达信息极化雷达以Stokes 矩阵(或散射矩阵)形式,记录了地物任意一种极化状态下的散射回波,既有振幅信息,也有相位信息,比常规单极化或多极化雷达包含了更多的地物信息(如任一极化状态下的后向散射系数、极化度、同极化率、交叉极化率、散射熵及同极化相位差等等),它将明显提高定量雷达遥感解决应用问题的能力。
极化信息提取能在最大程度上将不同地物的散射特征以量的形式表现出来,揭示地物的散射差别,为土地覆盖分类、目标识别及目标参数·2· 国 土 资 源 遥 感2001年反演提供新的技术方法。
如王翠珍等利用极化雷达目标信息分解技术进行岩性分类,获得了很高的分类精度[8]。
当前,SIR -C /X -SAR 系统可实现这种数据的获取,不久,Envisat 和Radarsat -2也将具有获取多极化干涉数据的能力。
因此,利用极化信息进行分类具有很好的应用前景,它将是未来广泛应用的数据源。
研究极化雷达信息提取与特征选择方法对提高SAR 图像分类精度具有重要意义[1]。
当前国际上有关此方面的研究已经不少,国内由于受数据源的限制,研究极少。
1.3 干涉雷达信息雷达干涉测量是雷达遥感的一个热点研究领域,数据处理的算法已发展得比较成熟,有待进一步研究完善的是相位解绕技术,以达到工程化应用的要求。
干涉测量获得的相干系数可作为独立的参量用于地物分类。
除了两次数据获取间的时相变化,相干系数提供了基于地表特性和后向散射系数的信息。
干涉测量相干性和后向散射是相对独立的量,包含有互补的专题信息,因此,SAR 干涉测量被认为是地表分类的一种很有前景的手段[9]。
1.4 极化干涉信息极化分类技术或干涉分类技术的单独应用,既有它们独特的优势,也存在缺点,如何融合它们长处,互补不足,这对于进行高精度、非监督、利用计算机自动分类雷达遥感图像,是最有前景的分类技术[1]。
因此,尝试利用极化提取信息和干涉信息进行SAR 图像自动分类试验,并对其结合互补使用的可行性进行研究,具有重要意义。
同物异谱、异物同谱、混合像元的存在,混淆了地物目标真正的散射特征,甚至有时会出现相互矛盾的结论,因此一直是常规雷达遥感图像分类应用中的难点。
新型成像雷达技术———全极化干涉雷达,能够最大限度地提取目标特征后向散射信息和地形信息以及时相信息,结合空间域纹理信息与其他特征进行分类,可以较好地解决同物异谱、异物同谱像元的解译问题,并且通过对极化雷达数据的极化分析,可对混合像元进行极化度分解,将混合像元中不同地物的散射过程分解出来[10]。
1.5 多时相信息时相信息的重要性无庸质疑。
对光学遥感而言,虽然时相信息比较难于获取,但是仍然不乏实例。
而对于雷达遥感,SAR 具备的全天时全天候获取信息的能力几乎可以满足任何应用的时相要求,多时相信息对于雷达遥感而言,是一种极易获得而又具有重要研究意义的信息。
如刘浩、邵芸等将1996年获取的4个时相的Radarsat 图像用于广东肇庆地区的稻田分类试验,结果表明,多时相Radarsat 数据对水稻类型的识别精度较高,而且稻田的轮作规律容易推测出来[11]。
1.6 其他辅助信息与特征大量的分类实践证明,单一信息作为判据往往不能获得理想的分类效果。
根据遥感影像人工判读的规律,模式分类往往需要综合许多信息,比如灰度变化、纹理特征、地形信息、多源遥感信息,甚至人文地理信息。
因此,综合利用各种信息进行遥感图像分类一直是遥感应用科学家们探索的方向之一。
如对于山区地物与平原地物的异物同谱问题,如果引入DEM (数字高程模型)或坡度这样的地理信息或加上手工绘出的模板,分类问题就很容易解决。
当前,SAR 图像与TM 图像融合的研究已有不少报道,SAR 图像结合其他各种信息的研究还有待于进一步研究[11]。
·3·第3期谭衢霖等: 雷达遥感图像分类新技术发展研究2 应用新理论近年来,许多新的数学理论被用于遥感图像分类算法的发展过程中,其中,最常见的是小波理论、分形理论和模糊理论。
2.1 小波理论小波分析是一种全新的、当前热点研究的数学应用分支之一。
它被认为是泛函分析、Fourier 分析、样条分析、调合分析和数值分析的最完美结合,其应用极为广泛。
如何把小波理论应用于遥感数据处理是近年来遥感发展的方向之一。
在遥感图像分类中,小波变换一般用来提取图像中的纹理特征,SAR 图像的二维正交方向小波分解可得一系列代表不同尺度、不同方向纹理信息的图像。
如胡召玲等作了基于小波纹理信息提取的SAR 遥感图像分类技术研究,取得了很好的分类效果[2]。
2.2 分形理论在图形图像学中,分形理论可以模拟自然景物。
利用分形维数来描述图像的纹理特征,能在一定程度上定量地度量各类物体的粗糙度。
不同纹理结构具有不同的分形维数,在纹理细密处,灰度起伏较大,分维值也较大;在纹理平滑处,灰度变化平缓,分维值较小。
范湘涛利用从SAR 图像上提取的分维维数特征进行了广东肇庆地区的水稻精细分类,发现在掺入分维计算的常数项作为纹理参量时,分类结果得到了大大改善,特别是草地与道路被截然分开,水稻与道路的区别也得到增强。
从检测的样区可以看出,平均分类精度从86.66%增大到96.19%[3]。
由此看来,增加分形纹理参量对土地利用分类有着明显的效果。
2.3 模糊理论混合像元是分类过程中经常遇到的问题。
模糊理论是解决混合像元问题的方法之一。
1993年,Helene Caillol 等利用模糊随机场进行统计非监督图像分割,他引进新的模糊模型,把分类像元分为两部分,一部分为“硬”部,即纯像元;另一部分为“模糊”部,用来描述混合像元[12]。
应用模糊理论进行遥感图像分类的成功实践还有许多,如Du 和Lee 应用模糊理论进行了分类实验,并取得了良好的效果[4]。
3 设计新算法随着遥感技术的飞速发展,新的分类算法也不断涌现。
这些算法从结构、理论及特征等方面都有创新。
3.1 分层算法对于遥感图像来说,具体的模式类是复杂多样的。
任何一个模式划分界面一次性地划分某个模式类都难以获得很高的分类精度。
因此,许多研究者都把目光转向对复杂的模式类采用多次划分的方法。
这种方法的最大好处就是可以针对不同的模式类设计不同的模式划分界面,从而大大提高模式划分的精度。
近年来,在遥感图像分类中广泛采用的决策树就属于分层算法。
由于最大似然法的优势,分层分类算法中采用最大似然法的有许多。
当然,还有其它一些分层算法,如王翠珍的多级分类树算法[13]。
·4· 国 土 资 源 遥 感2001年3.2 改进的最大似然法如果把分类算法划分为单一算法和复合算法的话,从理论上讲,最大似然法是单一算法中效果最好的,正因如此,许多研究者致力于改进最大似然法,使之能够满足各种分类需求,从而使最大似然分类法日臻完善。
由于各类地物先验概率较难确定,因此,在许多情况下,各类地物的先验概率假定是相等的,但实际情况并非如此。
