基于星载SAR图像水域提取的一种新方法:图像特征提取算法
[摘要]介绍合成孔径雷达(Synthetic Aperture Radar,SAR)图像的特点,以SAR图像上水域的特征为基础,结合ISODATA聚类算法的特点,提出一种新的SAR图像水域提取方法,在试验中取得良好的效果。
[关键词]合成孔径雷达SAR滤波ISODATA聚类
中图分类号:TN98文献标识码:A文章编号:1671-7597(2009)1120048-01
一、引言
合成孔径雷达(Synthetic Aperture Radar,SAR)是一种主动式微波传感器,能够全天时、全天候对地观测,而传统的光学遥感方式对空气能见度要求很高,特别在灾害性天气时SAR具有独特的优势。所以在洪涝灾害应急测绘保障方面,SAR发挥着不可替代的重要作用。从SAR影像中识别提取所需的地物地形要素,人工的识别操作无疑是最准确的,但也是最慢的。在灾害面前,时间就是生命、时间就是财产,计算机程序自动识别和提取要素是最快捷的,比传统手工提取更快捷,能够在第一时间为了解灾情、抗灾救灾、灾后重建提供数据基础。本文以SAR影像水域提取为切入点,抛砖引玉的介绍了一种水域提取的可行方案。
SAR图像记录的是目标对微波的后向散射强度,因此原始图像都是黑白图像[1]。平坦的水面,对入射到其表面的微波产生镜面反射作用,后向散射很弱,所以在SAR图像上水体呈黑色[2];陆地表面粗糙度对JERS-1 SAR的波长而言,属于粗糙表面,在图像上呈现灰白色或黑灰色的色调[3]。水体与陆地的图像有较大的反差,比较容易实现提取出来。
用阈值分割提取SAR图像水域的方法简单快捷,但是,如果在提取区域选取的阈值C值太小,则提取水域范围不完整;若C值太大,提取的范围则会越界[4]。斑点噪声对区域的一致性影响也较大,会导致提取的水域不连续。ISODATA聚类方法可以按区域属性所在的特征空间进行聚类,使得每类区域中的属性值只落在一个划分空间中,从而可按其属性特征所在的划分空间标记所属的区域类型[5],并且能有效地克服SAR图像上斑点噪声对水域提取结果的影响。本文结合SAR图像的特点,对ISODATA聚类方法做了一点改进,在星载SAR图像上提取水域,取得了良好的效果。
二、斑点噪声压缩
斑点是SAR图像固有的一种与信号有关的噪声,是由于雷达成像过程中的相干处理造成的,即每个地面单元的总回波(包含幅度和相位)是各个散射点回波的相干叠加,散射波的相位相加引起各个散射回波的相长干涉或相消干涉(相长干涉是在平均亮度基础上的增加,产生亮的像元;相消干涉是在平均亮度基础上的减弱,产生暗的像元),像元间会出现亮度突变,则在雷达图像上呈颗粒状散布的斑点,使得SAR图像不能正确地反映地物目标的散射特性,严重地影响了图像的质量,降低了图像的可解译能力。
本文用Gamma-MAP滤波器[6]对实验区SAR图像进行滤波,有效地减弱了斑点,同时保持了图像的边缘,能较好地满足实验要求。Gamma MAP滤波的输出值的方程为:
上式的解即Gamma MAP滤波公式为:
三、ISODATA聚类
ISODATA是IterativeOrganizing Data Analysis Techniques A的缩写,其中A是为了发音的方便而加入的。ISODATA意为迭代自组织数据分析技术[7]。ISODATA算法在迭代过程中引入产生和消除某些类别的条件,依据这些条件可以将两类合并成一类,也可以将一类分成不同的两类。每一次迭代时,首先在不改变类别数目的前提下来分类,然后将样本的平均矢量之差小于某一预定值的类别对合并起来,或根据样本的协方差矩阵来决定其分裂与否。一次又一次地迭代,并不断地进行合并和分裂,这种算法体现出人机交互和启发式的特点。
ISODATA算法具有启发性和较少的干预,虽然从理论上讲它并不完美,但却很实用。在本文的实验中,基于SAR图像上水体的特点,在第一步给定初始聚类中心时,把代表水体和陆地的像素值作为其中的两个初始聚类中心,进行迭代,最后得到聚类结果图像。
四、试验
(一)试验数据和方法
Radarsat-1 SAR数据对洪水淹没范围有较好的探测能力,且该数据分辨率高,覆盖范围大以及全天时全天候的工作特点,即使在夜间也能获得目标区图像,而且不受浓云厚雾的限制,因此利用星载SAR图像对天气条件比较差的洪涝灾区进行实时监测,能快速、大范围地获取洪涝灾情信息,对于灾情的速报工作有指定意义[8]。
在本文的实验中,采用一幅2005年8月8日的Radarsat-1的地理参考的高分辨率SAR(SGF)图像,地面分辨率是6.25m。从整景图像中裁剪493×520像素大小的区域作为实验区:
首先用Gamma-MAP滤波器对原始图像进行滤波,然后用ISODATA聚类法对滤波后的图像进行聚类,初始聚类数为9类,期望得到的聚类结果为3类,并对聚类结果进行分析和评价。
(二)实验结果及分析
实验区滤波图像如图2所示,Gamma-MAP滤波器不仅平滑了图像中的噪声,并且较好地保持了图像的边缘。图3是ISODATA聚类结果图像,从图中可以看出,聚类结束后水域和其他地物达到有效的区分,其中黑色部分表示水域。由表1可以知道三个聚类中心间的距离都较远,Z1到Z2的距离是35,Z1到Z3的距离是68,Z2到Z3的距离是33。水域部分点数占总点数的比重为26.46%,其他两类所占的比重分别为48.95%和24.59%,可以确定三个聚类中心都是正确的类中心。
五、结论
本文通过实验,根据聚类结果图像和聚类结果的距离表中的数据,证明ISODATA聚类算法在确定初始聚类中心时,基于SAR图像上水体的特点,把代表水体和陆地的像素值作为其中的两个初始聚类中心进行聚类,用于星载SAR图像的水域提取,是一种有效可行的方法。
参考文献:
[1]王双亭、朱宝山,遥感图像判绘[M].解放军出版社,2002.6.
[2]梅安新、彭望�、秦其明等,遥感导论[M].高等教育出版社,2005.10.
[3]郭华东、徐冠华,星载雷达应用研究[M].中国科学技术出版社,1996.
[4]张朝阳,遥感影像海岸线提取及其变化检测技术研究[D].解放军信息工程大学硕士学位论文,2006.4.
[5]郦苏丹,SAR图像特征提取与目标识别方法研究[D].国防科技大学博士学位论文,2001.10.
[6]A.Lopes,R.Touzi,E.Nezry.Adaptive speckle filters and scene heterogeneity,IEEE Transactions on Geoscience and Remote Sensing,1990,28(6):992-1000.
[7]余旭初,模式识别与图像分类[M].解放军出版社,2000.3.
[8]李戈伟,基于遥感和GIS的洪灾监测与评估方法研究[D].中国科学院遥感应用研究所硕士学位论文,2002.6.
本文为全文原貌 未安装PDF浏览器用户请先下载安装 原版全文