留言板

尊敬的读者、作者、审稿人, 关于本刊的投稿、审稿、编辑和出版的任何问题, 您可以本页添加留言。我们将尽快给您答复。谢谢您的支持!

姓名
邮箱
手机号码
标题
留言内容
验证码

多尺度下的半自动面向对象SAR影像分类

余 洁 刘振宇 燕 琴 朱 腾

余 洁, 刘振宇, 燕 琴, 朱 腾. 多尺度下的半自动面向对象SAR影像分类[J]. 武汉大学学报 ● 信息科学版, 2013, 38(3): 253-256.
引用本文: 余 洁, 刘振宇, 燕 琴, 朱 腾. 多尺度下的半自动面向对象SAR影像分类[J]. 武汉大学学报 ● 信息科学版, 2013, 38(3): 253-256.

多尺度下的半自动面向对象SAR影像分类

基金项目: 国家863计划资助项目(2011AA120404);武汉大学研究生自主科研资金资助项目(201121302020006).
详细信息
  • 中图分类号: P237.3

  • 摘要: 给出了一种评估不同分割尺度的总分类精度,搜寻最高精度分类结果的半自动面向对象SAR影像分类方法。首先训练像素样本;然后利用分水岭分割SAR数据的幅度影像,基于极化散射特征合并初始分割区域,得到不同尺度下的影像分割结果,利用样本坐标确定分割区域,计算各区域内强度、散射角、熵、反熵以及相干矩阵的最大特征值(λ1)等特征的平均值。将上述平均值作为分类特征以训练对象样本;再利用SSVM执行分类,通过评估不同分割尺度下的分类结果,搜寻最高总分类精度。该方法在减少人为干预的条件下,半自动搜寻到了适合分类的分割尺度,解决了尺度选择问题,实现了面向对象的SAR影像分类。采用该方法对荷兰Flevoland地区的SAR影像进行了实验。结果表明,本文方法的总分类精度达到了93.32%,与基于像素的分类精度(76.52%)相比,精度得到了提高.
  • [1] Lee J S, Potier E. Polarimeric Radar Imaging: From Basics to Applications[M].Boca Ration, FL:Taylor & Francis, 2009
    [2] Li H T, Gu H Y, Han Y S, et al. Object\|oriented Classification of Polarimetric SAR Imagery Based on Statistical Region Merging and Support Vector Machine[C]. 2008 International Workshop on Earth Observation and Remote Sensing Applications, Beijing, China, 2008
    [3] Stewart D, Blacknell D, Blake A, et al. Optimal Approach to SAR Image Segmentation and Classification[J]. IEEE Proceedings of Radar, Sonar and Navigation, 2000, 147(3): 134\|142
    [4] 巫兆聪, 欧阳群东, 胡忠文. 应用分水岭变换与支持向量机的极化SAR图像分类[J]. 武汉大学学报·信息科学版,2012,37(1):7\|10
    [5] Wei L, Gozeb B B, He Dongchen, et al. Watershed\|Based Hierarchical SAR Image Segmentation[J]. Int J Remote Sensing, 1999, 17(20):3 377\|3 390
    [6] Vincent L, Soille P. Watersheds in Digital Spaces: An Efficient Algorithm Based on Immersion Simulations[J].IEEE Transactions on Pattern Analysis and Machine Inteligence, 1991, 13:583\|589
    [7] Tremeau M, Colantoni P. Region Adjacent Graph Applied to Color Image Segmentation[J]. IEEE Trans on Image Process, 2000, 9:735\|744
    [8] Ulaby F T, Elachi S. Radar Polarimetry for Geoscience Applications[M]. Norwood, MA: Artech House, 1990
    [9] Vapnik V N. An Overview of Statistical Learning Theory[J]. IEEE Transactions on Neural Networks, 1999, 10(5):988\|999
    [10] Lee Y J, Mangasarian O L. SSVM: A Smooth Support Vector Machine for Classification[J]. Computation Optimization and Applications, 2001, 22(1):5\|21
    [11] 袁玉波,严杰,徐成贤.多项式光滑的支撑向量机[J].计算机学报,2005,28(1):9\|17
    [12] Lee J S, Lurkevich I. Segmentation of SAR Images[J]. IEEE Trans on Geosci Remote Sensing, 1989,27(6):674\|680
    [13] Comaniciu D, Meer P. Robust Analysis of Feature Spaces: Color Image Segmentation[J]. Computer Vision and Pattern Recognition, 1997,24(5):609\|617
    [14] Vasile G, Ovarlez J P, Pascal F. Coherency Matrix Estimation of Heterogenous Clutter in High\|Resolution Poarimetric SAR Images[J]. IEEE Trans on Geosci Remote Sensing, 1998, 45(11):1 016\|1 020
  • [1] 王志盼, 沈彦, 王亮, 张清凌, 尤淑撑.  单类分类框架下的高分辨率遥感影像建筑物变化检测算法 . 武汉大学学报 ● 信息科学版, 2020, 45(10): 1610-1618. doi: 10.13203/j.whugis20180485
    [2] 冯文卿, 张永军.  利用模糊综合评判进行面向对象的遥感影像变化检测 . 武汉大学学报 ● 信息科学版, 2016, 41(7): 875-881. doi: 10.13203/j.whugis20140291
    [3] 孔博, 邓伟, 李爱农, 杨勇.  多源数据的面向对象国际河流土地覆被分类研究 . 武汉大学学报 ● 信息科学版, 2015, 40(7): 943-949. doi: 10.13203/j.whugis20130107
    [4] 孙杰, 赖祖龙.  利用随机森林的城区机载LiDAR数据特征选择与分类 . 武汉大学学报 ● 信息科学版, 2014, 39(11): 1310-1313.
    [5] 田力, 张晓盼, 袁艳斌.  交互式遥感影像分割算法研究 . 武汉大学学报 ● 信息科学版, 2014, 39(4): 406-410. doi: 10.13203/j.whugis20120362
    [6] 刘晓慧, 吴信才, 罗显刚.  面向对象的地质灾害数据模型与时空过程表达 . 武汉大学学报 ● 信息科学版, 2013, 38(8): 958-962.
    [7] 朱庆, 于杰, 杜志强, 张叶廷.  面向对象的真正射影像纠正方法 . 武汉大学学报 ● 信息科学版, 2013, 38(7): 757-760.
    [8] 管海燕, 邓非, 张剑清, 钟良.  面向对象的航空影像与LiDAR数据融合分类 . 武汉大学学报 ● 信息科学版, 2009, 34(7): 830-833.
    [9] 孙开敏, 李德仁, 眭海刚.  基于多尺度分割的对象级影像平滑算法 . 武汉大学学报 ● 信息科学版, 2009, 34(4): 423-426.
    [10] 薄树奎, 韩新超, 丁琳.  面向对象影像分类中分割参数的选择 . 武汉大学学报 ● 信息科学版, 2009, 34(5): 514-517.
    [11] 周新忠, 孟令奎, 王永杰, 郭朋飞.  面向对象的地理空间信息元数据标准研制方法 . 武汉大学学报 ● 信息科学版, 2007, 32(6): 477-480.
    [12] 罗静, 崔伟宏, 牛振国.  面向对象的超图时空推理模型的研究与应用 . 武汉大学学报 ● 信息科学版, 2007, 32(1): 90-93.
    [13] 陈云浩, 冯通, 史培军, 王今飞.  基于面向对象和规则的遥感影像分类研究 . 武汉大学学报 ● 信息科学版, 2006, 31(4): 316-320.
    [14] 李宗华, 彭明军.  基于关系数据库技术的遥感影像数据建库研究 . 武汉大学学报 ● 信息科学版, 2005, 30(2): 166-169.
    [15] 谢智颖, 李清泉, 彭军还.  面向对象的测量平差软件设计与网络化应用 . 武汉大学学报 ● 信息科学版, 2003, 28(5): 604-607.
    [16] 龚健雅, 朱欣焰, 朱庆, 熊汉江.  面向对象集成化空间数据库管理系统的设计与实现 . 武汉大学学报 ● 信息科学版, 2000, 25(4): 289-293.
    [17] 舒红, 陈军, 杜道生, 周勇前.  面向对象的时空数据模型 . 武汉大学学报 ● 信息科学版, 1997, 22(3): 229-233.
    [18] 张巍, 许云涛, 龚健雅.  面向对象的空间数据模型 . 武汉大学学报 ● 信息科学版, 1995, 20(1): 18-22.
    [19] 朱欣焰, 许云涛, 张银州, 李锦祥.  面向对象的语义数据模型及其在空间数据库中的应用 . 武汉大学学报 ● 信息科学版, 1993, 18(4): 76-81.
    [20] 彭楚粤, 程晓, 夏林元.  面向对象分类的企鹅种群无人机影像识别方法研究 . 武汉大学学报 ● 信息科学版, 0, 0(0): 0-0. doi: 10.13203/j.whugis20200557
  • 加载中
计量
  • 文章访问数:  1304
  • HTML全文浏览量:  58
  • PDF下载量:  1073
  • 被引次数: 0
出版历程
  • 收稿日期:  2012-12-01
  • 刊出日期:  2013-03-05

多尺度下的半自动面向对象SAR影像分类

    基金项目:  国家863计划资助项目(2011AA120404);武汉大学研究生自主科研资金资助项目(201121302020006).
  • 中图分类号: P237.3

摘要: 给出了一种评估不同分割尺度的总分类精度,搜寻最高精度分类结果的半自动面向对象SAR影像分类方法。首先训练像素样本;然后利用分水岭分割SAR数据的幅度影像,基于极化散射特征合并初始分割区域,得到不同尺度下的影像分割结果,利用样本坐标确定分割区域,计算各区域内强度、散射角、熵、反熵以及相干矩阵的最大特征值(λ1)等特征的平均值。将上述平均值作为分类特征以训练对象样本;再利用SSVM执行分类,通过评估不同分割尺度下的分类结果,搜寻最高总分类精度。该方法在减少人为干预的条件下,半自动搜寻到了适合分类的分割尺度,解决了尺度选择问题,实现了面向对象的SAR影像分类。采用该方法对荷兰Flevoland地区的SAR影像进行了实验。结果表明,本文方法的总分类精度达到了93.32%,与基于像素的分类精度(76.52%)相比,精度得到了提高.

English Abstract

余 洁, 刘振宇, 燕 琴, 朱 腾. 多尺度下的半自动面向对象SAR影像分类[J]. 武汉大学学报 ● 信息科学版, 2013, 38(3): 253-256.
引用本文: 余 洁, 刘振宇, 燕 琴, 朱 腾. 多尺度下的半自动面向对象SAR影像分类[J]. 武汉大学学报 ● 信息科学版, 2013, 38(3): 253-256.
参考文献 (14)

目录

    /

    返回文章
    返回