CN117274821B - 顾及降雨影响的多极化sar农田洪涝检测方法与*** - Google Patents
顾及降雨影响的多极化sar农田洪涝检测方法与*** Download PDFInfo
- Publication number
- CN117274821B CN117274821B CN202311541115.7A CN202311541115A CN117274821B CN 117274821 B CN117274821 B CN 117274821B CN 202311541115 A CN202311541115 A CN 202311541115A CN 117274821 B CN117274821 B CN 117274821B
- Authority
- CN
- China
- Prior art keywords
- polarization
- sar
- farmland
- image
- pixel
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 77
- 230000010287 polarization Effects 0.000 claims abstract description 76
- 230000008859 change Effects 0.000 claims abstract description 38
- 238000000034 method Methods 0.000 claims abstract description 33
- 239000011159 matrix material Substances 0.000 claims abstract description 16
- 238000007781 pre-processing Methods 0.000 claims abstract description 14
- 238000012545 processing Methods 0.000 claims abstract description 4
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 20
- 230000006870 function Effects 0.000 claims description 13
- 238000001914 filtration Methods 0.000 claims description 9
- 238000010586 diagram Methods 0.000 claims description 7
- 230000003313 weakening effect Effects 0.000 claims description 5
- 230000009977 dual effect Effects 0.000 claims description 4
- 230000011218 segmentation Effects 0.000 claims description 4
- 238000004364 calculation method Methods 0.000 claims description 3
- 230000000694 effects Effects 0.000 claims description 3
- 238000000605 extraction Methods 0.000 claims description 3
- 238000010606 normalization Methods 0.000 claims description 3
- 238000012216 screening Methods 0.000 claims description 3
- 230000017105 transposition Effects 0.000 claims description 3
- 238000006243 chemical reaction Methods 0.000 claims description 2
- 125000003275 alpha amino acid group Chemical group 0.000 description 12
- 230000008901 benefit Effects 0.000 description 5
- 238000013135 deep learning Methods 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 5
- 230000008569 process Effects 0.000 description 5
- 238000011524 similarity measure Methods 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000005388 cross polarization Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 125000004122 cyclic group Chemical group 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000003709 image segmentation Methods 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000011084 recovery Methods 0.000 description 1
- 230000002787 reinforcement Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S13/00—Systems using the reflection or reradiation of radio waves, e.g. radar systems; Analogous systems using reflection or reradiation of waves whose nature or wavelength is irrelevant or unspecified
- G01S13/88—Radar or analogous systems specially adapted for specific applications
- G01S13/89—Radar or analogous systems specially adapted for specific applications for mapping or imaging
- G01S13/90—Radar or analogous systems specially adapted for specific applications for mapping or imaging using synthetic aperture techniques, e.g. synthetic aperture radar [SAR] techniques
- G01S13/9021—SAR image post-processing techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
- G06V10/267—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion by performing operations on regions, e.g. growing, shrinking or watersheds
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/72—Data preparation, e.g. statistical preprocessing of image or video features
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
- G06V10/765—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects using rules for classification or partitioning the feature space
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/84—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using probabilistic graphical models from image or video features, e.g. Markov models or Bayesian networks
- G06V10/85—Markov-related models; Markov random fields
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
- G06V20/188—Vegetation
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Remote Sensing (AREA)
- Software Systems (AREA)
- Multimedia (AREA)
- Radar, Positioning & Navigation (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computing Systems (AREA)
- Databases & Information Systems (AREA)
- Medical Informatics (AREA)
- Computer Networks & Wireless Communication (AREA)
- Electromagnetism (AREA)
- Probability & Statistics with Applications (AREA)
- Radar Systems Or Details Thereof (AREA)
- Image Processing (AREA)
Abstract
本发明涉及雷达图像处理技术领域,具体是顾及降雨影响的多极化SAR农田洪涝检测方法与***,包括对双时相多极化SAR影像数据预处理,生成极化协方差矩阵;分别计算同极化和交叉极化通道的强度比值与HLT统计测度,构建SAR影像极化差异测度,逐像元计算生成极化差异图;利用马尔可夫随机场模型进行多极化SAR影像变化检测;根据变化检测结果,利用数字高程模型减弱山体阴影对检测结果的干扰,提取农田受灾结果;对SAR坐标系下的农田受灾结果进行地理编码,输出地理坐标系下的最终农田洪涝检测结果。本发明能够有效避免降雨引起的误检,提高多极化SAR影像在降雨天气下进行农田洪灾检测的适用性,提升极化SAR洪涝灾害检测精度。
Description
技术领域
本发明涉及雷达图像处理技术领域,具体涉及一种顾及降雨影响的多极化SAR农田洪涝检测方法与***。
背景技术
合成孔径雷达(SAR)遥感是一种主动式的微波成像遥感手段,可以穿透云、雾,具有全天时、全天候工作的优势。由于农田洪涝灾害的发生过程中常常伴随着降雨,使得传统的光学遥感技术在获取地表影像时面临困难。因此,利用SAR遥感技术进行洪涝灾害的监测显示出了巨大的发展潜力。近年来,随着多极化SAR卫星等观测平台的大量应用,极化SAR数据的获取成本不断降低,多极化SAR数据的应用也越来越广泛。相较于单极化SAR影像,多极化SAR影像具备包括同极化和交叉极化在内的多个极化通道,这使其能够提取更丰富的信息。
在洪涝灾害检测过程中,变化检测是一种常用的手段。变化检测是遥感领域中一种分析两个或多个时相间特定区域属性变化的过程。目前,基于多极化SAR的变化检测方法主要有以下几种:
(1)、基于相似性测度的极化SAR影像变化检测方法
基于相似度度量的检测方法是一种非监督式变化检测策略,其基本流程是利用多时相影像构建差异图,继而通过对差异图进行分析来识别变化区域。由于多时相极化SAR影像的协方差矩阵服从复Wishart分布,因此可以推导出诸如SRW距离、测地距离、Kullback-Leibler散度等度量指标。相似性测度可以有效的评估双/多时相极化SAR影像的相似程度,构造不同时相间的差异图并进一步实现对目标区域的变化检测。
(2)、基于PCC的变化检测方法
分类后比较法(Post Classification Comparison, PCC)是指先对待检测影像进行分类,通过比较双/多时相分类结果进行变化检测的方法。相比基于相似性测度的非监督方法,该方法采用有监督的方式,可以直接得到变化类别,单其精度依赖单时相的分类结果,容易出现由于单时相分类错误导致变化检测精度下降的情况;同时由于其有监督的特性,受主观因素影响较大。
(3)、基于深度学习的变化检测方法
近年来,随着卷积神经网络、循环神经网络等神经网络技术的发展,基于深度学习的变化检测方法也有了更大的进步。深度学习模型可以自主提取图像特征,具有更强的时空信息表达能力。由于深度学习需要大量良好标记的样本,现如今的遥感数据集很难满足。因此,弱监督深度学习方法以及强化学习方法构成了基于深度学习的改变检测方法的主要研究方向。
上述变化检测方法均在特定的领域取得了较好的表现,但由于这些方法并未考虑洪涝灾害变化检测中可能遇到的降雨影响,其变化检测精度仍有待提高。
发明内容
本发明的目的在于提供一种顾及降雨影响的多极化SAR农田洪涝检测方法,以解决背景技术中提出的问题。
为实现上述目的,本发明提供了一种顾及降雨影响的多极化SAR农田洪涝检测方法,包括如下步骤:
(1)、双时相多极化SAR影像数据预处理:对两个时相的多极化SAR数据进行配准、多视和滤波处理,生成极化协方差矩阵C;
(2)、极化差异图生成:基于步骤(1)中生成的极化协方差矩阵C,分别计算同极化和交叉极化通道的强度比值与霍特林-劳利迹统计测度,构建顾及降雨影响的多极化SAR影像极化差异测度D,进而逐像元计算生成极化差异图;
(3)、基于马尔可夫随机场的多极化SAR影像变化检测:使用大津法对步骤(2)中得到的极化差异图进行预分割,将分割得到的二值化矩阵作为标签场输入马尔可夫随机场模型,利用马尔可夫随机场模型进行多极化SAR影像变化检测;
(4)、农田洪涝灾害区域提取:根据步骤(3)的变化检测结果,利用数字高程模型减弱山体阴影对检测结果的干扰,提取农田受灾结果;
(5)、输出农田洪涝灾害检测结果:提取农田受灾结果后,对SAR坐标系下的农田受灾结果进行地理编码,输出地理坐标系下的最终农田洪涝检测结果。
进一步的,所述步骤(1)中,对双时相多极化SAR影像进行数据预处理具体为:将第二时相的影像配准至第一时相,并进行多视和精致Lee滤波处理,生成极化协方差矩阵C:
1);
式1)中,H表示共轭转置运算,k表示多极化散射矢量。
进一步的,所述步骤(2)中,基于同极化和交叉极化通道的强度,构造极化强度比值:
2);
式2)中,代表同极化通道的强度值,/>代表交叉极化通道的强度值;基于降雨影响下水体像元在两种不同极化通道上表现的差异,/>能够识别受降雨干扰的水体区域。
进一步的,基于两个时相的极化协方差矩阵和/>,可计算霍特林-劳利迹统计测度/>:
3);
式3)中,表示迹运算,/>表示取最大值运算,/>表示极化维度,全极化情况下/>,双极化情况下/>;
取霍特林-劳利迹统计测度和极化强度比值/>的差值,构建顾及降雨影响的极化差异测度D:
4);
根据式4)逐像元计算差异测度,可得到极化差异图/>。
进一步的,所述步骤(3)中,基于大津法对极化差异图进行分割具体为:将极化差异图/>预分割为未变化区域和变化区域,利用大津法计算极化差异图/>灰度值对应的类间方差/>,以类间方差取最大值时对应的阈值T将极化差异图/>分割为变化或未变化结果,图像分割结果可作为马尔可夫随机场模型的初始标记场。
进一步的,利用大津法计算极化差异图灰度值时,类间方差取任意阈值T时,类间方差/>的计算公式为:
5);
式5)中,表示当取阈值T时变化类与未变化类两类样本像元占总像元的比例,/>表示两类样本像元的平均灰度值,/>表示图像的总平均灰度值。
进一步的,将极化差异图作为观测场数据输入马尔可夫随机场模型,融合八邻域信息,构建能量函数/>,并生成马尔可夫随机场标记场的先验概率/>:
6);
式6)中,为规范化因子,/>为温度参数,/>为指数函数;
之后,假设极化差异测度服从高斯分布,基于变化类和未变化
类像元的均值和方差/>分别计算两个类别的似然函数/>:
7);
式7)中,为指数函数;进而可计算得到后验概率/>:
8);
基于,按照概率最大原则逐像元判断变化类型,并更新标签场,迭代公式6)到公式8)过程,直到达到最大迭代次数,输出变化检测结果。
进一步的,所述步骤(4)中,提取农田受灾区域具体为:
首先,基于数字高程模型提取地形坡度,并设置坡度阈值和/>;其中,定义坡度小于坡度阈值/>的像元为水体,定义坡度介于坡度阈值/>和/>之间的像元为弱水体候选点;
然后,在每个弱候选点的邻域窗口内搜索是否存在强候选点,如果存在,则将该像元更新为强候选点;
之后,遍历所有弱候选点像元,基于邻域信息筛选出属于水体的像元;
最后,合并两次提取的强候选点结果,以生成农田受灾结果。
进一步的,所述步骤(5)中,将得到的农田受灾结果从SAR坐标系转换到地理坐标系下具体为:
首先,基于雷达回波时间长短和回波多普勒特性,计算像点的初始位置,生成斜距像元和地理像元的初始查找表;
然后,基于数字高程模型计算模拟SAR强度影像,与真实SAR强度影像进行匹配,得到匹配多项式,生成精细查找表,并基于该查找表完成图像定位,为每个SAR受灾检测结果影像像元赋予地理坐标,最终实现农田洪涝灾害检测结果的制图和发布。
本发明还提供一种顾及降雨影响的多极化SAR农田洪涝检测***,包括:
极化SAR数据预处理模块,用于对双时相多极化SAR数据进行配准、多视和滤波预处理操作;
极化差异图生成模块,用于计算预处理后影像的极化差异测度,以生成极化差异图;
极化SAR变化检测模块,用于将图像分为变化类和未变化类;
农田洪涝灾害区域提取模块,基于马尔可夫随机场模型利用数字高程模型数据减弱山体阴影的影响,提取受灾区域;
地理编码模块,为每个SAR受灾检测结果影像像元赋予地理坐标,输出在地理坐标系下的最终农田洪涝检测结果。
相比于现有技术,本发明具有以下有益效果:
本发明的一种顾及降雨影响的多极化SAR农田洪涝检测方法,使用同极化与交叉极化通道的强度比值描述降雨影响,并联合霍特林-劳利迹统计测度构造变化检测距离,引入马尔科夫随机场模型实现农田洪涝灾害检测,相比于传统方法,本发明方法能有效避免降雨引起的误检,提高多极化SAR影像在降雨天气下进行农田洪灾检测的适用性,提升极化SAR洪涝灾害检测精度,为农田洪涝灾害的检测提供了一种有效的解决方式。此外,本发明还具有计算成本低、结果可靠性高等优点,具有广阔的应用前景,不仅可以被应用于农田洪涝灾害检测领域,同时有潜力对其他依赖遥感影像变化检测的领域产生影响。本发明方法不仅具有实用价值,还具有重要的商业价值和社会效益,为洪涝灾害检测技术的进步做出了一定的贡献。
除了上面所描述的目的、特征和优点之外,本发明还有其它的目的、特征和优点。下面将参照附图,对本发明作进一步详细的说明。
附图说明
附图是用来提供对本发明实施例的进一步理解,并且构成说明书的一部分,与下面的具体实施方式一起用于解释本发明实施例,但并不构成对本发明实施例的限制。在附图中:
图1是本发明一种具体实施例的流程图;
图2是本发明一种具体实施例的农田洪涝灾害变化检测结果示意图;其中,(a)、为灾前多极化SAR伪彩色合成图,(b)为灾后多极化SAR伪彩色合成图,(c)为极化差异图,(d)为洪涝灾害监测结果;
图3是本发明具体实施例中检测***的结构示意图。
具体实施方式
下面结合附图所示的各实施方式对本发明进行详细说明,但应当说明的是,这些实施方式并非对本发明的限制,本领域普通技术人员根据这些实施方式所作的功能、方法、或者结构上的等效变换或替代,均属于本发明的保护范围之内。
请参见图1和图2,本发明实施例提供了一种顾及降雨影响的多极化SAR农田洪涝检测方法,其中以Sentinel-1双极化星载SAR***在鄱阳湖区域的农田洪涝灾害变化检测为例,该区域地物较多,包括农田、城市和湖泊等,情况复杂;灾后影像受降雨影响较大。多极化SAR农田洪涝检测方法包括如下步骤:
步骤1、双时相多极化SAR影像数据预处理:对第一和第二两个时相的多极化SAR数据进行配准、多视和滤波等预处理操作,得到极化协方差矩阵C。其中,配准操作以第一时相为基准,将第二时相的影像配准至第一时相,滤波则采用精致Lee滤波器。得到的极化协方差矩阵C如式1)所示:
1);
式1)中,H表示共轭转置运算,k表示多极化散射矢量。
步骤2、极化差异图生成:基于步骤1中生成的极化协方差矩阵C,分别计算同极化和交叉极化通道的强度,构造极化强度比值:
2);
式2)中,代表同极化通道的强度值,/>代表交叉极化通道的强度值;基于降雨影响下水体像元在两种不同极化通道上表现的差异,/>能够识别受降雨干扰的水体区域。进一步,基于两个时相的极化协方差矩阵/>和/>,可计算霍特林-劳利迹(Hotelling-Lawley trace,HLT)统计测度/>:
3);
式3)中,表示迹运算,/>表示取最大值运算,/>表示极化维度,全极化情况下/>,双极化情况下/>。之后,取/>统计测度/>和极化强度比值的差值,构建顾及降雨影响的极化差异测度D:
4);
根据式4)逐像元计算差异测度D,可得到极化差异图。
步骤3、基于马尔可夫随机场(Markov Random Field,MRF)的多极化SAR影像变化检测:使用大津法对步骤(2)中构建的极化差异图进行预分割,首先计算极化差异图灰度值对应的类间方差/>,具体公式如下:
5);
式5)中,表示当取阈值T时变化类与未变化类两类样本像元占总像元的比例,/>表示变化类与未变化类两类样本像元的平均灰度值,/>表示图像的总平均灰度值。以类间方差/>取最大值时对应的阈值T为阈值,将其分割得到的二值化矩阵作为标签场输入马尔可夫随机场模型,融合八邻域信息,构建能量函数/>,并生成马尔可夫随机场标记场的先验概率/>:
6);
式6)中,为规范化因子,/>为温度参数,/>为指数函数。之后,假设极化差异测度/>服从高斯分布,基于变化类和未变化类像元的均值/>和方差/>分别计算两个类别的似然函数/>:
7);
式7)中,为指数函数;进而可计算得到后验概率/>:
8);
基于,按照概率最大原则逐像元判断变化类型,并更新标签场,迭代以上过程,直到达到最大迭代次数,输出变化检测结果。
步骤4、农田洪涝灾害区域提取:根据步骤3的变化检测结果,利用数字高程模型(Digital Elevation Model,DEM)提取地形坡度,设置坡度阈值和/>。其中,定义坡度小于坡度阈值/>的像元属于水体,而坡度介于坡度阈值/>和/>之间的像元,可能属于水体也可能属于山体阴影,这一部分像元的坡度处于两类样本直方图分布的重叠区域,被称为弱水体候选点;然后,在每个弱候选点的邻域窗口内搜索是否存在强候选点,如果存在,则将该像元更新为强候选点;之后,遍历所有弱候选点像元,基于邻域信息筛选出属于水体的像元;最后,合并两次提取的强候选点结果,以生成农田受灾结果。
步骤5、输出农田洪涝灾害检测结果:提取受灾区域后,对SAR坐标系下的受灾结果进行地理编码,基于雷达回波时间长短和回波多普勒特性,计算像点的初始位置,生成斜距像元和地理像元的初始查找表;然后,基于DEM计算模拟SAR强度影像,与真实SAR强度影像进行匹配,得到匹配多项式,生成精细查找表,并基于该查找表完成图像定位,为每个SAR受灾检测结果影像像元赋予地理坐标,输出地理坐标系下的最终农田洪涝检测结果。
如图3所示,本发明还提供一种顾及降雨影响的多极化SAR农田洪涝检测***,包括:
极化SAR数据预处理模块1,用于对双时相多极化SAR数据进行配准、多视和滤波预处理操作;
极化差异图生成模块2,用于计算预处理后影像的极化差异测度,以生成极化差异图;
极化SAR变化检测模块3,用于将图像分为变化类和未变化类;
农田洪涝灾害区域提取模块4,基于马尔可夫随机场模型利用数字高程模型数据减弱山体阴影的影响,提取受灾区域;
地理编码模块5,为每个SAR受灾检测结果影像像元赋予地理坐标,输出在地理坐标系下的最终农田洪涝检测结果。
本实施例提供的多极化SAR农田洪涝检测***所包括的各模块,属于上述实施例中多极化SAR农田洪涝检测方法的功能实现模块,具体工作原理和实现方式与上述方法实施例所述相同,此处不再重复阐述。
以上所述仅为本发明的优选实施例而已,并不用于限制本发明,对于本领域的技术人员来说,本发明可以有各种更改和变化。凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (7)
1.一种顾及降雨影响的多极化SAR农田洪涝检测方法,其特征在于,包括如下步骤:
(1)、双时相多极化SAR影像数据预处理:对两个时相的多极化SAR数据进行配准、多视和滤波预处理,生成极化协方差矩阵C;
(2)、极化差异图生成:基于步骤(1)中所生成的极化协方差矩阵C,分别计算同极化和交叉极化通道的强度比值与霍特林-劳利迹统计测度,构建顾及降雨影响的多极化SAR影像极化差异测度D,进而逐像元计算生成极化差异图;
(3)、基于马尔可夫随机场的多极化SAR影像变化检测:使用大津法对步骤(2)中得到的极化差异图进行预分割,将分割得到的二值化矩阵作为标签场输入马尔可夫随机场模型,利用马尔可夫随机场模型进行多极化SAR影像变化检测;
(4)、农田洪涝灾害区域提取:根据步骤(3)的变化检测结果,利用数字高程模型减弱山体阴影对检测结果的干扰,提取农田受灾结果;
(5)、输出农田洪涝灾害检测结果:提取农田受灾结果后,对SAR坐标系下的农田受灾结果进行地理编码,输出地理坐标系下的最终农田洪涝检测结果;
所述步骤(1)中,对双时相多极化SAR影像进行数据预处理具体为:将第二时相的影像配准至第一时相,并进行多视和精致Lee滤波处理,生成极化协方差矩阵C:
C=kkH 1);
式1)中,H表示共轭转置运算,k表示多极化散射矢量;
所述步骤(2)中,基于同极化和交叉极化通道的强度,构造极化强度比值Drain:
式2)中,Cii代表同极化通道的强度值,Cij代表交叉极化通道的强度值;基于降雨影响下水体像元在两种不同极化通道上表现的差异,Drain能够识别受降雨干扰的水体区域;
基于两个时相的极化协方差矩阵C1和C2,可计算霍特林-劳利迹统计测度DHLT:
式3)中,tr(·)表示迹运算,max(·)表示取最大值运算,m表示极化维度,全极化情况下m=3,双极化情况下m=2;
取霍特林-劳利迹统计测度DHLT和极化强度比值Drain的差值,构建顾及降雨影响的极化差异测度D:
D=DHLT-Drain 4);
根据式4)逐像元计算差异测度D,可得到极化差异图Φ。
2.根据权利要求1所述的多极化SAR农田洪涝检测方法,其特征在于,所述步骤(3)中,基于大津法对极化差异图Φ进行分割具体为:将极化差异图Φ预分割为未变化区域和变化区域,利用大津法计算极化差异图Φ灰度值对应的类间方差σ2,以类间方差取最大值时对应的阈值T将极化差异图Φ分割为变化或未变化结果,图像分割结果可作为马尔可夫随机场模型的初始标记场。
3.根据权利要求2所述的多极化SAR农田洪涝检测方法,其特征在于,所述类间方差σ2取任意阈值T时,其计算公式为:
σ2=ω1(m1-M)2+ω2(m2-M)2 5);
式5)中,ω1、ω2表示当取阈值T时变化类与未变化类样本像元占总像元的比例,m1、m2表示变化类与未变化类两类样本像元的平均灰度值,M表示图像的总平均灰度值。
4.根据权利要求2所述的多极化SAR农田洪涝检测方法,其特征在于,将极化差异图Φ作为观测场数据输入马尔可夫随机场模型,融合八邻域信息,构建能量函数U(W),并生成马尔可夫随机场标记场的先验概率P(W):
式6)中,Z为规范化因子,T为温度参数,exp(·)为指数函数;
之后,假设极化差异测度D服从高斯分布,基于变化类和未变化类像元的均值μ和方差σ分别计算两个类别的似然函数P(S|W):
式7)中,exp(·)为指数函数;进而可计算得到后验概率P(W|S):
基于P(W|S),按照概率最大原则逐像元判断变化类型,并更新标签场,迭代公式6)到公式8),直到达到最大迭代次数,输出变化检测结果。
5.根据权利要求1所述的多极化SAR农田洪涝检测方法,其特征在于,所述步骤(4)中,提取农田受灾区域具体为:
首先,基于数字高程模型提取地形坡度,并设置坡度阈值S1和S2;其中,定义坡度小于坡度阈值S1的像元为水体,定义坡度介于坡度阈值S1和S2之间的像元为弱水体候选点;
然后,在每个弱候选点的邻域窗口内搜索是否存在强候选点,如果存在,则将该像元更新为强候选点;
之后,遍历所有弱候选点像元,基于邻域信息筛选出属于水体的像元;
最后,合并两次提取的强候选点结果,以生成农田受灾结果。
6.根据权利要求5所述的多极化SAR农田洪涝检测方法,其特征在于,所述步骤(5)中,将得到的农田受灾结果从SAR坐标系转换到地理坐标系下具体为:
首先,基于雷达回波时间长短和回波多普勒特性,计算像点的初始位置,生成斜距像元和地理像元的初始查找表;
然后,基于数字高程模型计算模拟SAR强度影像,与真实SAR强度影像进行匹配,得到匹配多项式,生成精细查找表,并基于该查找表完成图像定位,为每个SAR受灾检测结果影像像元赋予地理坐标,最终实现农田洪涝灾害检测结果的制图和发布。
7.一种基于权利要求1-6任一项所述的多极化SAR农田洪涝检测方法的***,其特征在于,包括:
极化SAR数据预处理模块(1),用于对双时相多极化SAR数据进行配准、多视和滤波预处理操作;
极化差异图生成模块(2),用于计算预处理后影像的极化差异测度,以生成极化差异图;
极化SAR变化检测模块(3),用于将图像分为变化类和未变化类;
农田洪涝灾害区域提取模块(4),基于马尔可夫随机场模型利用数字高程模型数据减弱山体阴影的影响,提取受灾区域;
地理编码模块(5),为每个SAR受灾检测结果影像像元赋予地理坐标,输出在地理坐标系下的最终农田洪涝检测结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311541115.7A CN117274821B (zh) | 2023-11-20 | 2023-11-20 | 顾及降雨影响的多极化sar农田洪涝检测方法与*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311541115.7A CN117274821B (zh) | 2023-11-20 | 2023-11-20 | 顾及降雨影响的多极化sar农田洪涝检测方法与*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117274821A CN117274821A (zh) | 2023-12-22 |
CN117274821B true CN117274821B (zh) | 2024-02-02 |
Family
ID=89216362
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311541115.7A Active CN117274821B (zh) | 2023-11-20 | 2023-11-20 | 顾及降雨影响的多极化sar农田洪涝检测方法与*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117274821B (zh) |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105321163A (zh) * | 2014-07-31 | 2016-02-10 | 中国科学院遥感与数字地球研究所 | 检测全极化sar图像的变化区域的方法和装置 |
CN112558066A (zh) * | 2020-10-30 | 2021-03-26 | 西南电子技术研究所(中国电子科技集团公司第十研究所) | 双极化sar图像*** |
CN113567981A (zh) * | 2021-06-28 | 2021-10-29 | 中国电建集团华东勘测设计研究院有限公司 | 一种基于sar影像的洪涝风险区自动提取方法 |
CN114067152A (zh) * | 2022-01-14 | 2022-02-18 | 南湖实验室 | 一种基于星载sar影像的精细化洪水淹没区提取方法 |
CN114265065A (zh) * | 2021-12-23 | 2022-04-01 | 中国电子科技集团公司第十四研究所 | 一种融合多极化图像的多通道sar动目标检测方法 |
CN115019192A (zh) * | 2022-05-30 | 2022-09-06 | 杭州电子科技大学 | 基于双通道主干网络和联合损失函数的洪灾变化检测方法及*** |
JP2022185296A (ja) * | 2021-06-02 | 2022-12-14 | 清水建設株式会社 | 衛星画像の位置合わせ方法 |
CN115984778A (zh) * | 2023-01-09 | 2023-04-18 | 北京深蓝空间遥感技术有限公司 | 一种基于多特征优化的Sentinel-1数据快速动态洪灾监测方法 |
US11747498B1 (en) * | 2022-09-01 | 2023-09-05 | Chengdu University Of Technology | Method, system, device and medium for landslide identification based on full polarimetric SAR |
CN116977311A (zh) * | 2023-08-02 | 2023-10-31 | 中国人民解放军61540部队 | 一种洪涝灾害区域检测方法、***、电子设备及存储介质 |
-
2023
- 2023-11-20 CN CN202311541115.7A patent/CN117274821B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105321163A (zh) * | 2014-07-31 | 2016-02-10 | 中国科学院遥感与数字地球研究所 | 检测全极化sar图像的变化区域的方法和装置 |
CN112558066A (zh) * | 2020-10-30 | 2021-03-26 | 西南电子技术研究所(中国电子科技集团公司第十研究所) | 双极化sar图像*** |
JP2022185296A (ja) * | 2021-06-02 | 2022-12-14 | 清水建設株式会社 | 衛星画像の位置合わせ方法 |
CN113567981A (zh) * | 2021-06-28 | 2021-10-29 | 中国电建集团华东勘测设计研究院有限公司 | 一种基于sar影像的洪涝风险区自动提取方法 |
CN114265065A (zh) * | 2021-12-23 | 2022-04-01 | 中国电子科技集团公司第十四研究所 | 一种融合多极化图像的多通道sar动目标检测方法 |
CN114067152A (zh) * | 2022-01-14 | 2022-02-18 | 南湖实验室 | 一种基于星载sar影像的精细化洪水淹没区提取方法 |
CN115019192A (zh) * | 2022-05-30 | 2022-09-06 | 杭州电子科技大学 | 基于双通道主干网络和联合损失函数的洪灾变化检测方法及*** |
US11747498B1 (en) * | 2022-09-01 | 2023-09-05 | Chengdu University Of Technology | Method, system, device and medium for landslide identification based on full polarimetric SAR |
CN115984778A (zh) * | 2023-01-09 | 2023-04-18 | 北京深蓝空间遥感技术有限公司 | 一种基于多特征优化的Sentinel-1数据快速动态洪灾监测方法 |
CN116977311A (zh) * | 2023-08-02 | 2023-10-31 | 中国人民解放军61540部队 | 一种洪涝灾害区域检测方法、***、电子设备及存储介质 |
Non-Patent Citations (4)
Title |
---|
SAR图像变化检测技术方法综述;王娜;张景发;;地壳构造与地壳应力文集(01);全文 * |
Unsupervised change detection from multichannel SAR images;Moser G等;IEEE Geoscience and Remote Sensing Letters;全文 * |
多时相极化SAR影像变化检测方法研究;赵金奇;;测绘学报(04);全文 * |
遥感图像变化区域的无监督压缩感知;杨萌;张弓;;中国图象图形学报(11);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN117274821A (zh) | 2023-12-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Jiang et al. | The potential of more accurate InSAR covariance matrix estimation for land cover mapping | |
Liu et al. | Change detection of multilook polarimetric SAR images using heterogeneous clutter models | |
CN107329139B (zh) | 一种双时相双极化干涉sar影像水域提取方法 | |
CN107507200B (zh) | 一种基于连通检测与噪声抑制的sar影像高精度大范围水域提取方法 | |
Yin et al. | SLIC superpixel segmentation for polarimetric SAR images | |
Liao et al. | Urban change detection based on coherence and intensity characteristics of SAR imagery | |
CN107103280B (zh) | 极地冰盖冻融探测方法 | |
Xiang et al. | Adaptive statistical superpixel merging with edge penalty for PolSAR image segmentation | |
Lê et al. | Multiscale framework for rapid change analysis from SAR image time series: Case study of flood monitoring in the central coast regions of Vietnam | |
CN110570462A (zh) | 基于极化雷达遥感影像的洪水淹没范围自动提取方法 | |
Mararakanye et al. | Gully features extraction using remote sensing techniques | |
CN116704331A (zh) | 滩涂变化信息提取方法、装置及电子设备 | |
Guo et al. | KD-tree-based euclidean clustering for tomographic SAR point cloud extraction and segmentation | |
Zhang et al. | Superpixelwise likelihood ratio test statistic for PolSAR data and its application to built-up area extraction | |
CN117274821B (zh) | 顾及降雨影响的多极化sar农田洪涝检测方法与*** | |
Dong et al. | A novel VHR image change detection algorithm based on image fusion and fuzzy C-means clustering | |
Liu et al. | An Unsupervised Snow Segmentation Approach Based on Dual-Polarized Scattering Mechanism and Deep Neural Network | |
CN113095375B (zh) | 基于中法海洋卫星散射计的北极海冰分类方法 | |
CN117310705B (zh) | 一种基于双极化sar影像的洪涝灾害快速检测方法 | |
CN114066815A (zh) | 基于模糊c均值聚类的SAR图像变化检测方法 | |
Liu et al. | Change detection of polarimetric SAR images applied to specific land cover type | |
Iglesias et al. | Towards Unsupervised Flood Mapping Generation Using Automatic Thresholding and Classification Aproaches | |
Liao et al. | Urban change detection using coherence and intensity characteristics of multi-temporal ERS-1/2 Imagery | |
Kaldane et al. | Land Cover Change Detection for Fully Polarimetric SAR Images | |
Zou et al. | New building detection using SAR images with different resolutions |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |