一種基于微波遙感影像森林類型識(shí)別方法
【技術(shù)領(lǐng)域】
[0001] 本發(fā)明涉及一種森林類型識(shí)別方法，具體涉及一種基于微波遙感影像森林類型識(shí) 別方法，屬于遙感技術(shù)技術(shù)領(lǐng)域。
【背景技術(shù)】
[0002] 合成孔徑雷達(dá)是一種以全天時(shí)、全天候的空間微波遙感成像雷達(dá)，對(duì)地物有一定 的穿透能力，與光學(xué)遙感相比可以穿透云層、實(shí)現(xiàn)地表觀測(cè)不容易受到天氣的影響，可以 獲得表面覆蓋之下的地物圖像，這樣全極化SAR遙感影像比光學(xué)遙感影像提供了更多的信 息。近些年來(lái)合成孔徑雷達(dá)廣泛應(yīng)用于很多領(lǐng)域如：地球資源普查、洪澇災(zāi)害監(jiān)測(cè)、植被物 種識(shí)別、海洋監(jiān)測(cè)等技術(shù)中。
[0003] 全極化SAR圖像是用來(lái)測(cè)量輻射信號(hào)極化特征的新型成像雷達(dá)，它可以同時(shí)發(fā)射 并接收H、V極化脈沖，并且這些極化脈沖式相互相干的。這樣就可以記錄不同極化組合之 間的相位差，也可以分析不同極化組合之間的返回信息。與常規(guī)的單極化SAR相比可以獲 得目標(biāo)的全極化散射信息，也可以得到極化的相干信息（相干矩陣、協(xié)方差矩陣），最大限 度地將不同地物的散射特性以矢量的形式表現(xiàn)出來(lái)，從而大大的提高的區(qū)分地物的散射差 別的能力。
[0004] 微波遙感識(shí)別森林的植被也是近些年來(lái)的研究熱點(diǎn)之一，電磁波與森林的相互作 用十分復(fù)雜，通常是幾種散射體系共同作用的結(jié)果。一般接收來(lái)說(shuō)樹(shù)冠、樹(shù)干和冠層以下的 信息。
[0005] 遙感圖像分類是將圖像的所有像元按照其不同的性質(zhì)劃分為若干類別的過(guò)程。通 常情況下，遙感圖像中同一類別的地物在相同條件下（紋理、地形、散射機(jī)制），光譜信息 (后向散射強(qiáng)度）和空間信息也有一定的相似性，因而常集群在同一特征空間區(qū)域。而不同 地物光譜信息（后向散射強(qiáng)度）和空間信息特征存在一定的差異，從而集群在不同的特征 空間區(qū)域。
[0006] 在極化SAR分類的方法中許多監(jiān)督與非監(jiān)督分類已經(jīng)相繼被提出，監(jiān)督分類又稱 為訓(xùn)練分類法。首先，用已知其地物屬性類別的訓(xùn)練樣本讓分類識(shí)別系統(tǒng)進(jìn)行訓(xùn)練學(xué)習(xí)，以 掌握各個(gè)類別的統(tǒng)計(jì)特征；然后，以此為依據(jù)按照分類決策規(guī)則進(jìn)行分類識(shí)別。非監(jiān)督分類 就是指在缺乏先驗(yàn)知識(shí)的條件下，以集群為理論基礎(chǔ)，通過(guò)分類器對(duì)影像進(jìn)行集聚統(tǒng)計(jì)分 析，并根據(jù)待分類樣本特征參數(shù)的統(tǒng)計(jì)特征，建立決策規(guī)則來(lái)實(shí)現(xiàn)分類。

【發(fā)明內(nèi)容】

[0007] 本發(fā)明的目的是為了解決現(xiàn)有技術(shù)無(wú)法對(duì)森林類型進(jìn)行精確識(shí)別，而且操作過(guò)程 繁瑣的問(wèn)題。
[0008] 本發(fā)明的技術(shù)方案是：一種基于微波遙感影像森林類型識(shí)別方法，包括以下步 驟：
[0009] 步驟一，輸入影像，并對(duì)影像進(jìn)行預(yù)處理；
[0010] 步驟二，提取預(yù)處理后的全極化SAR影像的相干矩陣，對(duì)相干矩陣進(jìn)行Cloud分解 得到圖像的散射熵H、散射角alpha、反熵A以及總功率span的極化特征；
[0011] 步驟三，利用H- a /Wishart分類方法和H-A- a /Wishart分類方法對(duì)整幅遙感影 像進(jìn)行非監(jiān)督分類來(lái)提取實(shí)驗(yàn)區(qū)域森林部分，所述非監(jiān)督分類的分類器為最大似然分類 器；
[0012] 步驟四，以步驟三所述非監(jiān)督分類的結(jié)果作為原始的輸入數(shù)據(jù)，利用最大似然分 類器進(jìn)行復(fù)Wishart的監(jiān)督分類，實(shí)現(xiàn)對(duì)森林類型的識(shí)別；
[0013] 步驟五，對(duì)所得的分類結(jié)果進(jìn)行精度驗(yàn)證。
[0014] 所述基于微波遙感影像森林類型識(shí)別方法的應(yīng)用地理位置為123° 20' 02" E-I 24° 21~40" E，52° W 38" N-52° 47' 4" Ν，測(cè)量時(shí)間為該地理位置的6月至11 月，該地理位置屬于寒溫帶大陸性氣候，氣候變化顯著，其中森林覆蓋率達(dá)88%。
[0015] 所述步驟一中，對(duì)影像進(jìn)行預(yù)處理的過(guò)程包括：對(duì)待分類的圖像進(jìn)行精致極化 Lee濾波，去除相干斑噪聲；對(duì)濾波后的圖像進(jìn)行正射校正和幾何校正。
[0016] 所述步驟二中，對(duì)想干矩陣進(jìn)行Cloud分解包括以下步驟：
[0017] 步驟1，先提取濾波后多極化SAR圖像中的極化散射矩陣[S]，根據(jù)極化散射矩陣
[S]求得相干矩陣[T];
[0018] 步驟2,將相干矩陣[T]進(jìn)行特征值分解，得到其特征值λ i、λ 2、λ 3和特征向量 e ；
[0019] 步驟3,而后根據(jù)相干矩陣的[T]的特征值和特征向量得到影像的三個(gè)二階物理 量用于解釋物理散射機(jī)制：散射熵H、散射角alpha、反熵A以及總功率span。
[0020] 散射熵（entropy):
[0029] 其中P1是相干矩陣[T]特征值得概率分布。
[0030] 所述步驟三的非監(jiān)督分類方法具體為：
[0031] 極化協(xié)方差矩陣[C]的概率密度分布函數(shù)服從η個(gè)自由度的復(fù)Wishart分布 其表達(dá)式為：
[0032]
[0033] 式中，K(n，q) = π (n)··· (n-q+1)，Tr為矩陣的跡，η 是視數(shù)，K 是歸一化 因子，q為相干矩陣[Τ]的階數(shù)，Γ (η)為Ga_a函數(shù)，[Σ ] = E ([Τ])，根據(jù)最大似然定義 得到最大似然分類器Ζ([Γ] I [ij)，其表達(dá)式為：
[0034] I [:氣丄η[Σ7] -. ^1.([Σ」,])_1[Γ]) +. giln:辦 +. .(Λ -. α). 1:η[Π - Ι.??.Ι?^
[0035] 所述步驟四與步驟三的監(jiān)督分類表達(dá)式相同，步驟三所述的最大似然分類器與步 驟四所述的最大似然分類器的表達(dá)式相同。
[0036] 本發(fā)明與現(xiàn)有技術(shù)相比具有以下效果：本發(fā)明的方法簡(jiǎn)單，利用極化分解方式來(lái) 提取極化特征參數(shù)，來(lái)進(jìn)行極化H- a /Wishart和H-A- a /Wishart非監(jiān)督分類對(duì)整幅影像 進(jìn)行分類，再結(jié)合森林資源二類清查數(shù)據(jù)在H-a /Wishart非監(jiān)督分類基礎(chǔ)上，利用最大似 然分類器進(jìn)行改進(jìn)的復(fù)Wishart監(jiān)督分類，并進(jìn)行精度評(píng)價(jià)提取混淆矩陣，明顯提高分類 效果，使分類的總精度達(dá)到72. 3%。
【附圖說(shuō)明】
[0037] 圖1，本發(fā)明的流程圖。
【具體實(shí)施方式】
[0038] 結(jié)合【附圖說(shuō)明】本發(fā)明的【具體實(shí)施方式】，本發(fā)明的方法包括以下步驟：
[0039] 1.選擇微波數(shù)據(jù)，采用c波段的全極化Radarsat-2影像的遙感數(shù)據(jù)作為遙感數(shù)據(jù) 源。
[0040] 2.選擇濾波窗口為5*5大小的精致極化Lee濾波方法，利用ProSARpro軟件進(jìn)行 處理，對(duì)要分類的全極化SAR數(shù)據(jù)進(jìn)行濾波處理，消除噪聲抑制相干斑。
[0041] 3