雷达遥感图像分类新技术发展研究

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)03-0001-07

0　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