一种基于微波遥感影像森林类型识别方法
【技术领域】
[0001] 本发明涉及一种森林类型识别方法，具体涉及一种基于微波遥感影像森林类型识 别方法，属于遥感技术技术领域。
【背景技术】
[0002] 合成孔径雷达是一种以全天时、全天候的空间微波遥感成像雷达，对地物有一定 的穿透能力，与光学遥感相比可以穿透云层、实现地表观测不容易受到天气的影响，可以 获得表面覆盖之下的地物图像，这样全极化SAR遥感影像比光学遥感影像提供了更多的信 息。近些年来合成孔径雷达广泛应用于很多领域如：地球资源普查、洪涝灾害监测、植被物 种识别、海洋监测等技术中。
[0003] 全极化SAR图像是用来测量辐射信号极化特征的新型成像雷达，它可以同时发射 并接收H、V极化脉冲，并且这些极化脉冲式相互相干的。这样就可以记录不同极化组合之 间的相位差，也可以分析不同极化组合之间的返回信息。与常规的单极化SAR相比可以获 得目标的全极化散射信息，也可以得到极化的相干信息（相干矩阵、协方差矩阵），最大限 度地将不同地物的散射特性以矢量的形式表现出来，从而大大的提高的区分地物的散射差 别的能力。
[0004] 微波遥感识别森林的植被也是近些年来的研究热点之一，电磁波与森林的相互作 用十分复杂，通常是几种散射体系共同作用的结果。一般接收来说树冠、树干和冠层以下的 信息。
[0005] 遥感图像分类是将图像的所有像元按照其不同的性质划分为若干类别的过程。通 常情况下，遥感图像中同一类别的地物在相同条件下（纹理、地形、散射机制），光谱信息 (后向散射强度）和空间信息也有一定的相似性，因而常集群在同一特征空间区域。而不同 地物光谱信息（后向散射强度）和空间信息特征存在一定的差异，从而集群在不同的特征 空间区域。
[0006] 在极化SAR分类的方法中许多监督与非监督分类已经相继被提出，监督分类又称 为训练分类法。首先，用已知其地物属性类别的训练样本让分类识别系统进行训练学习，以 掌握各个类别的统计特征；然后，以此为依据按照分类决策规则进行分类识别。非监督分类 就是指在缺乏先验知识的条件下，以集群为理论基础，通过分类器对影像进行集聚统计分 析，并根据待分类样本特征参数的统计特征，建立决策规则来实现分类。
【发明内容】
[0007] 本发明的目的是为了解决现有技术无法对森林类型进行精确识别，而且操作过程 繁琐的问题。
[0008] 本发明的技术方案是：一种基于微波遥感影像森林类型识别方法，包括以下步 骤：
[0009] 步骤一，输入影像，并对影像进行预处理；
[0010] 步骤二，提取预处理后的全极化SAR影像的相干矩阵，对相干矩阵进行Cloud分解 得到图像的散射熵H、散射角alpha、反熵A以及总功率span的极化特征；
[0011] 步骤三，利用H- a /Wishart分类方法和H-A- a /Wishart分类方法对整幅遥感影 像进行非监督分类来提取实验区域森林部分，所述非监督分类的分类器为最大似然分类 器；
[0012] 步骤四，以步骤三所述非监督分类的结果作为原始的输入数据，利用最大似然分 类器进行复Wishart的监督分类，实现对森林类型的识别；
[0013] 步骤五，对所得的分类结果进行精度验证。
[0014] 所述基于微波遥感影像森林类型识别方法的应用地理位置为123° 20' 02" E-I 24° 21~40" E，52° W 38" N-52° 47' 4" Ν，测量时间为该地理位置的6月至11 月，该地理位置属于寒温带大陆性气候，气候变化显著，其中森林覆盖率达88%。
[0015] 所述步骤一中，对影像进行预处理的过程包括：对待分类的图像进行精致极化 Lee滤波，去除相干斑噪声；对滤波后的图像进行正射校正和几何校正。
[0016] 所述步骤二中，对想干矩阵进行Cloud分解包括以下步骤：
[0017] 步骤1，先提取滤波后多极化SAR图像中的极化散射矩阵[S]，根据极化散射矩阵
[S]求得相干矩阵[T];
[0018] 步骤2,将相干矩阵[T]进行特征值分解，得到其特征值λ i、λ 2、λ 3和特征向量 e ；
[0019] 步骤3,而后根据相干矩阵的[T]的特征值和特征向量得到影像的三个二阶物理 量用于解释物理散射机制：散射熵H、散射角alpha、反熵A以及总功率span。
[0020] 散射熵（entropy):
[0029] 其中P1是相干矩阵[T]特征值得概率分布。
[0030] 所述步骤三的非监督分类方法具体为：
[0031] 极化协方差矩阵[C]的概率密度分布函数服从η个自由度的复Wishart分布 其表达式为：
[0032]
[0033] 式中，K(n，q) = π (n)··· (n-q+1)，Tr为矩阵的迹，η 是视数，K 是归一化 因子，q为相干矩阵[Τ]的阶数，Γ (η)为Ga_a函数，[Σ ] = E ([Τ])，根据最大似然定义 得到最大似然分类器Ζ([Γ] I [ij)，其表达式为：
[0034] I [:氣丄η[Σ7] -. ^1.([Σ」,])_1[Γ]) +. giln:办 +. .(Λ -. α). 1:η[Π - Ι.??.Ι?^
[0035] 所述步骤四与步骤三的监督分类表达式相同，步骤三所述的最大似然分类器与步 骤四所述的最大似然分类器的表达式相同。
[0036] 本发明与现有技术相比具有以下效果：本发明的方法简单，利用极化分解方式来 提取极化特征参数，来进行极化H- a /Wishart和H-A- a /Wishart非监督分类对整幅影像 进行分类，再结合森林资源二类清查数据在H-a /Wishart非监督分类基础上，利用最大似 然分类器进行改进的复Wishart监督分类，并进行精度评价提取混淆矩阵，明显提高分类 效果，使分类的总精度达到72. 3%。
【附图说明】
[0037] 图1，本发明的流程图。
【具体实施方式】
[0038] 结合【附图说明】本发明的【具体实施方式】，本发明的方法包括以下步骤：
[0039] 1.选择微波数据，采用c波段的全极化Radarsat-2影像的遥感数据作为遥感数据 源。
[0040] 2.选择滤波窗口为5*5大小的精致极化Lee滤波方法，利用ProSARpro软件进行 处理，对要分类的全极化SAR数据进行滤波处理，消除噪声抑制相干斑。
[0041] 3