基于极化特征和纹理特征的PolSAR影像建筑物提取方法

doi:10.7523/j.issn.2095-6134.2019.05.014

中国科学院大学学报 ›› 2019, Vol. 36 ›› Issue (5): 682-693.DOI: 10.7523/j.issn.2095-6134.2019.05.014

基于极化特征和纹理特征的PolSAR影像建筑物提取方法

马肖肖^1,2, 程博¹, 刘岳明³, 崔师爱¹, 梁琛彬^1,2

1. 中国科学院遥感与数字地球研究所, 北京 100094;
2. 中国科学院大学, 北京 100049;
3. 中国科学院地理科学与资源研究所, 北京 100101

收稿日期:2018-03-19 修回日期:2018-05-08 发布日期:2019-09-15
通讯作者: 程博
基金资助:
国家自然科学基金（61372189）资助

PolSAR remote sensing image method for building extraction based on polarization and texture characteristics

MA Xiaoxiao^1,2, CHENG Bo¹, LIU Yueming³, CUI Shiai¹, LIANG Chenbin^1,2

1. Institute of Remote Sensing and Digital Earth, Chinese Academy of Sciences, Beijing 100094, China;
2. University of Chinese Academy of Sciences, Beijing 100049, China;
3. Institute of Geographic Sciences and Natural Resources Research, Chinese Academy of Sciences, Beijing 100101, China

Received:2018-03-19 Revised:2018-05-08 Published:2019-09-15

摘要/Abstract

摘要： 极化合成孔径雷达（PolSAR）以其多参数、多通道、多极化、信息记录更加完整等特点，在城市地物提取领域中发挥着重要作用，并已成为遥感影像研究领域的热点。选择覆盖苏州市的Radarsat2影像，利用极化非相干分解法和灰度共生矩阵法分别提取19种极化特征和8种纹理特征，通过分析建筑物、植被和水体的极化特征和纹理特征进行特征组合，结合主成分分析法（PCA）和支持向量机法（SVM）对城市建筑物进行提取，并定量评估精度。结果表明：基于极化特征的建筑物提取精度最高为92.4%；基于纹理特征的提取精度最高为88.9%；极化特征与纹理特征相结合可以提高精度，最高精度为93.7%；PCA特征融合算法具有较高的运算效率，同时提高了精度。

关键词: 极化分解, 极化特征, PolSAR, 建筑物提取, PCA特征融合

Abstract: Polarimetric synthetic aperture radar (PolSAR) plays an important role in the field of building extraction because of its multi-parameter, multi-channel, multi-polarization, and rich information records. Taking Radarsat-2 image of Suzhou in 2017 as an example,19 polarization features and 8 texture features are extracted by polarization non-coherent decomposition methods and GLCM, respectively. Based on the analysis of features, we obtain the results of building extraction by PCA feature fusion and SVM algorithm. The results show that the extraction accuracies based on polarization features and texture feature are 92.4% and 88.9%, respectively. The accuracy is 93.7% when the polarization and texture features are used together. The combination of polarization and texture features improves the accuracy and the PCA feature fusion increases both efficiency and precision.

Key words: polarization decomposition, polarization characteristics, PolSAR, building extraction, PCA feature fusion

中图分类号:

TP79

马肖肖, 程博, 刘岳明, 崔师爱, 梁琛彬. 基于极化特征和纹理特征的PolSAR影像建筑物提取方法[J]. 中国科学院大学学报, 2019, 36(5): 682-693.

MA Xiaoxiao, CHENG Bo, LIU Yueming, CUI Shiai, LIANG Chenbin. PolSAR remote sensing image method for building extraction based on polarization and texture characteristics[J]. , 2019, 36(5): 682-693.

参考文献

[1] Zebker H. Polarisation:applications in Remote Sensing[J]. Physics Today, 2010, 63(10):53-54.
[2] Lee J S, Pottier E. Polarimetric radar imaging:from basics to applications[M]. London:Chemical Rubber Company Press, 2009:101-175.
[3] 张腊梅, 段宝龙, 邹斌. 极化SAR图像目标分解方法的研究进展[J]. 电子与信息学报, 2016, 38(12):3 289-3 297.
[4] 陈曦, 吴涛, 陶利,等. 极化SAR发展需求及其目标识别关键技术[J]. 科技视界, 2015(16):21-22.
[5] Salehi M, Sahebi M R, Maghsoudi Y. Improving the accuracy of urban land cover classification using Radarsat-2 PolSAR data[J]. IEEE Journal of Selected Topics in Applied Earth Observations & Remote Sensing, 2014, 7(4):1 394-1 401.
[6] 顾钰培, 肖兰玲, 凌婷婷,等. 一种基于高分辨率遥感影像的建筑物提取方法[J]. 测绘与空间地理信息, 2014(4):169-171.
[7] 杨杰, 赵伶俐, 史磊,等. 基于最优极化相干系数的倾斜建筑物解译研究[J]. 测绘学报, 2012, 41(4):577-583.
[8] Lee J S, Grunes M R, Ainsworth T L, et al. Unsupervised classification using polarimetric decomposition and the complex Wishart classifier[J]. IEEE Transactions on Geoscience & Remote Sensing, 2002, 37(5):2 249-2 258.
[9] Li D, Zhang Y. Random similarity-based entropy/alpha classification of PolSAR data[J]. IEEE Journal of Selected Topics in Applied Earth Observations & Remote Sensing, 2017, 99:1-12.
[10] 何连, 秦其明, 任华忠. 一种自适应的混合Freeman/Eigenvalue极化分解模型[J]. 国土资源遥感, 2017, 29(2):8-14.
[11] Freeman A, Durden S L. A three-component scattering model for polarimetric SAR data[J]. IEEE Transactions on Geoscience & Remote Sensing, 1998, 36(3):963-973.
[12] Yamaguchi Y, Sato A, Boerner W M, et al. Four-component scattering power decomposition with rotation of coherency matrix[J]. IEEE Transactions on Geoscience & Remote Sensing, 2011, 49(6):2 251-2 258.
[13] 张腊梅. 极化SAR图像人造目标特征提取与检测方法研究[D]. 哈尔滨:哈尔滨工业大学, 2010.
[14] Zhang L, Zou B, Cai H, et al. Multiple-component scattering model for polarimetric SAR image decomposition[J]. IEEE Geoscience & Remote Sensing Letters, 2008, 5(4):603-607.
[15] Lee J S, Schuler D L, Ainsworth T L. Polarimetric SAR data compensation for terrain azimuth slope variation[J]. IEEE Transactions on Geoscience & Remote Sensing, 2000, 38(5):2 153-2 163.
[16] An W, Cui Y, Yang J, et al. Fast alternatives to H/alpha for polarimetric SAR[J]. IEEE Geoscience & Remote Sensing Letters, 2010, 7(2):343-347.
[17] 蔡永俊, 张祥坤, 姜景山. 极化SAR自适应三分量分解方法[J]. 测绘学报, 2016, 45(9):1 089-1 095.
[18] 张祥, 邓喀中, 范洪冬,等. 基于目标分解的极化SAR图像SVM监督分类[J]. 计算机应用研究, 2013, 30(1):295-298.
[19] 杜培军. RADARSAT图象滤波的研究[J]. 中国矿业大学学报, 2002, 31(2):25-30.
[20] Smith L I. A tutorial on principal components analysis[J]. Information Fusion, 2002, 51(3):52.

基于极化特征和纹理特征的PolSAR影像建筑物提取方法

PolSAR remote sensing image method for building extraction based on polarization and texture characteristics

PDF (PC)

可视化

摘要/Abstract

引用本文

使用本文

参考文献

相关文章 15

编辑推荐

Metrics

本文评价

访问统计

联系我们

[1]	陆小琳, 张万昌, 牛全福, 刘金平, 陈豪, 高会然. 黑龙江流域积雪的时空动态变化及其与气候因子的关系[J]. 中国科学院大学学报, 2021, 38(5): 601-610.
[2]	李丹, 刘佳音. 不同时空条件下的高分三号SAR图像立体定位方法[J]. 中国科学院大学学报, 2021, 38(4): 519-523.
[3]	高龙, 阎福礼. 基于Sentinel-1A SAR影像的上下游水位响应分析及其在洪涝预警中的应用[J]. 中国科学院大学学报, 0, (): 21537-21537.
[4]	王子安, 孟庆岩, 张琳琳, 胡蝶, 杨天梁. 基于CA-Markov模型的海口市城市热岛模拟预测研究^*[J]. 中国科学院大学学报, 0, (): 536-536.
[5]	闫磊, 刘巍, 刘士彬, 段建波, 夏玮. 容器化的遥感信息服务平台技术研究与实验^*[J]. 中国科学院大学学报, 0, (): 543-543.
[6]	高锦风, 陈玉, 魏永明, 李剑南. 基于改进的YOLOv3和Facenet的无人机影像人脸识别^*[J]. 中国科学院大学学报, 0, (): 549-549.
[7]	梁磊, 习晓环, 王成, 王金亮, 黄友菊. 基于B/S架构的激光雷达电力巡线可视化管理与分析系统^*[J]. 中国科学院大学学报, 0, (): 86-86.
[8]	庄庆威, 吴世新, 杨怡, 牛雅萱, 颜瑜严. 近10年新疆不同程度盐渍化耕地的时空变化特征[J]. 中国科学院大学学报, 2021, 38(3): 341-349.
[9]	冯齐心, 杨辽, 王伟胜, 陈桃, 黄双燕. 基于时序光谱重构的卷积神经网络遥感农作物分类[J]. 中国科学院大学学报, 2020, 37(5): 619-628.
[10]	毕森, 张丽, 谷雨, 王恒, 温礼, 李通, 毕京鹏. 21世纪海上丝绸之路沿线港口及港城关系变化分析[J]. 中国科学院大学学报, 2020, 37(1): 74-82.
[11]	阎福礼, 林亚森, 王世新, 周艺. 太湖富营养化水体比辐射率测量及MODIS水体温度反演应用[J]. 中国科学院大学学报, 2019, 36(6): 784-793.
[12]	周晗, 叶虎平, 魏显虎, 张宗科, 王法溧, 齐永菊, 马建如. 基于Sentinel-1/2的水体提取方法对比研究——以斯里兰卡小型水体为例[J]. 中国科学院大学学报, 2019, 36(6): 794-802.
[13]	李志新, 王心源, 刘传胜, 骆磊. 海南东寨港海底村庄遗址遥感观测与分析[J]. 中国科学院大学学报, 2019, 36(6): 803-809.
[14]	吴长江, 雷莉萍, 曾招城. 不同卫星反演的大气CO₂浓度差异时空特征分析[J]. 中国科学院大学学报, 2019, 36(3): 331-337.
[15]	杜松, 李晓辉, 刘照言, 陈育伟, 王震, 唐伶俐, 贺文静. 激光雷达回波强度数据辐射特性分析[J]. 中国科学院大学学报, 2019, 36(3): 392-400.