微波遥感实习报告Word格式.docx

微波遥感实习报告Word格式.docx

《微波遥感实习报告Word格式.docx》由会员分享，可在线阅读，更多相关《微波遥感实习报告Word格式.docx（14页珍藏版）》请在冰点文库上搜索。

1．全极化SAR图像影像特点认识

浏览不同极化方式下的SAR图像，分析极化方式对典型地物的影像表现影响。

分析道路，桥梁，建筑物，林地，水体等典型地物的后向散射特性，以及这些地物在SAR影像上的辐射特征，获得最适合分类的极化波段组合。

2.面向对象分类

在最优波段组合方式SAR下，利用e-Cognition的规则集分类模块，选取对应地物样区，在10~300间尝试分割，并选择最优分割尺度的对象单元进行规则集分类。

3.实习步骤

3.1图像显示及图像特点分析

使用ERDAS软件读取并显示不同类型的SAR数据，对SAR图像的几何和辐射特点进行分析和比较，了解斑点噪声，找出典型的几何特征（透视收缩、叠掩和阴影），搜寻虚假现象，并与光学图像进行比较和分析，综合利用各种SAR图像增强处理方法，提高SAR图像分析效果。

3.1.1几何特征

SAR是主动式侧视雷达系统，且成像几何属于斜距投影类型。

它与中心投影的光学影像有很大的区别。

，其固有的特点表现在斜距显示的近距离压缩、透视收缩、叠掩、阴影及地形起伏引起的影像移位

近距离压缩：

雷达相对于等效中心投影的变形与角度有关。

近距离变形大，远距离变形小。

因此，越靠近星下点位置，地物被压缩的情况就越严重。

在斜距显示的图像上，两地物目标之间的距离都缩短了，近距端（雷达波束照射地面距雷达近的一端）要比远距离端缩短得更多，这是雷达构像的几何特性所决定的。

而在地形起伏较大的地区，迎坡面的近距离压缩会更加突出，背坡面会出现远距离拉伸现象。

透视收缩和叠掩：

地距大的地物目标的斜距等于地距小的地物目标的斜距，会使多个地面点在像平面上表现为一个像素，形成叠掩，叠掩区在图像上会呈现出高亮色调。

当坡度大到一定程度时，甚至会出现近端地面点成像在远端地面点之外，形成顶底倒置现象。

阴影：

当雷达波束受高大地物目标阻挡时，位于高大地物目标背面无法接收到电磁波信号，因而也就不会形成雷达回波，故在雷达图像的相应位置上出现暗区，形成阴影。

虚假现象：

多路径散射的结果，同一地物有多种成像路径，从而在影像上出现多个成像，另一原因是因为物体本身具有的速度产生多普勒频移，使得成像坐标与速度为零的情况下的成像坐标产生偏移。

3.1.2辐射特征

雷达图像的辐射量是地物对微波散射在图像上的反应，其图像质量主要取决于雷达系统的工作参数（波长、入射角和极化方式）和地域参数（地表粗糙度和地物复介电常数）。

斑点噪声：

斑点噪声的生成，通常是因为相邻地物干涉信息造成，在影像中一般体现为面目标中，明亮相见的点。

斑点是与噪声类似的影像特征，由雷达或者激光等连贯系统所产生的。

因地物或者地物表面对雷达或者激光等电磁波后向反射的干扰，斑点在影像上呈现出随机分布的特点。

影像灰度：

图像亮度代表后向散射强度。

像元内表面越粗糙，后向散射越强。

光滑表面镜面反射，后向散射很弱。

后向散射强度与散射体的复介电常数有关，含水量越大，后向散射越强

3.2典型地物的影像特点分析

根据课堂教学理论知识，对典型地物-道路、桥梁、建筑物和林地进行图像特点的分析。

首先解译出典型地物，然后从不同方面对地物的图像特征进行描述和总结，形成典型地物图像特征表,如果有相应地区的光学遥感影像，将两种数据进行综合分析，提高SAR图像的解译能力。

植被：

影响植被回波的主要因素有含水量、粗糙度、密度、结构、位置、种类以及雷达波束的方向等。

高大植物以体散射为主，在图像表现为颗粒状；

矮小植物表面则较平滑。

一般HH极化方式的得到的回波强于VV极化。

水体：

雷达波对水体比较敏感，平静的水面可产生镜面反射，在图像上表现为深色调。

对河流而言，由于受自然地形的影响，表现为不规则形状。

另外，波段、极化方式和雷达波束方向对河流的识别也有一定的影响，例如X波段同极化图像上河流形态清晰，P波段全极化图像表现略差。

当雷达波速与河岸具有一定夹角时，会产生角反射效应，表现为河流两岸较亮，而中间这是黑色；

当两者平行，河流表现为暗色。

道路和桥梁：

道路由于其材质、表面粗糙度的不同而有着不同的表现。

当道路两侧有干沟、金属护栏、护坡或隔离绿化带时，道路两边会有亮边出现。

桥梁，容易产生角反射器效应，形成强回波，在暗色调的河流背景下非常明显。

建筑物：

单独的房屋建筑由于4个侧面和顶面总是有两面能受到雷达波束照射，侧面与地面可能形成角反射器，平顶建筑物屋顶大多形成镜面反射，在雷达波照射方向表现为一条细线或一亮点（与建筑物大小和分辨率有关），房屋的另一面无雷达回波，在图像上显示为黑块状（阴影）。

土壤：

土壤的散射特性主要与入射角，地表粗糙度，含水量等有关。

3.3SAR图像计算机分类

利用易康软件对SAR图像进行计算机分类，实验多种分类方法，比较分类结果，研究提高分类效果的方法，对分类结果进行分析和总结。

分类步骤：

预处理：

由于SAR图像噪声较多，故利用ERDAS的Convolution模块对图像进行3*3窗口低通滤波，得到去噪后的图像。

1.多尺度分割。

打开易康软件（规则集模式），建立工程并导入图像后，在ProcessTree中右键点选AppendNew，选择Segmentation->

multiresolutionsegmentation（多尺度分割）,在右边参数设置界面将ScaleParameter设置为合适的值。

运行该规则，得到新的分割图层。

其他参数包括layerweights（图层权重）、shape和compactness（形状因子）根据需要设置。

此处分割的尺度设置为240。

图1分割的规则集

上述图示中第一行展示了多尺度分割的相关参数，分割尺度240，形状参数shape和compact分别为0.1和0.5。

2.建立类别。

在ClassHierarchy窗口右键InsertClass，定义地物类别。

本次实习，建立了5种类别，包括农田1、农田2、林地、道路（田垄）和水系。

图2定义类别

3.在FeatureView视窗选择合适参量，建立分类标准。

在ImageObjectInformation双击新增的SeaReflection特征栏，即可在图像视窗看到类别的显示效果。

调整参数的范围，使得绝大多数属于该类别的地块被划分到该类别之内。

在ProcessTree视窗右键AppendNew建立类别规则，Algorithm选择assignclass来定义类别特征。

图3特征窗口图4图斑特征参数值

4.对于少量小图斑中的地类混杂情况，可使用手动编辑工具快速调整。

对图斑进行分割，对分割后的子块手动赋予类别。

有少量未分类的地物可以通过手动方式添加类别。

图5手动修改前图6手动修改后

5.地物分类完毕后，菜单栏Export→ExportResults即可将分割所得各类别的矢量图层逐类导出。

4.实习结果及分析

4.1图像解译结果及分析

4.1.1透视收缩

图1

距离成像方式，如果山比较平缓，则雷达的波束先达到距离较近的山底，后达到山顶，则会形成透视收缩。

图像上山的坡长要短于实际坡长。

4.1.2叠掩

图2叠掩现象

山的坡度较大的时候，易形成叠掩现象。

有的地物被覆盖，甚至出现顶底倒置现象。

4.1.3阴影

图3阴影

在高程起伏较大的区域，在与雷达方向相反的地物一侧，会有阴影出现，地物成像显示为暗像元。

4.1.4虚假现象

图4虚假现象

由于地物的反射散射或多路径散射的原因，可能会导致图像上出现虚假的目标。

如图所示的桥梁，由于多重散射的原因，出现了多个虚像。

4.1.5斑点噪声

图5斑点噪声

如图所示的图像中，由于雷达成像的周期性导致出现的亮和暗信号相间的像元，即斑点噪声。

4.1.6水系

图6水体

雷达波由于会在水体的表面发生镜面发射，因此回波信号很弱，表现为暗像元。

上图中不规则暗条带即代表水体。

4.1.6建筑

图7建筑

建筑物形状一般比较规则，且和周围地面形成角反射器，这是建筑物识别的最基本特征。

4.1.7道路和桥梁

图8道路和桥梁

道路和桥梁易于和周围地物构成角反射器。

桥梁一般反射很强（硬目标），且会形成多路径散射导致的虚像。

这些使道路和桥梁的识别更简单。

4.2SAR图像分类结果及分析

4.2.1图像去噪

图13*3低通滤波后的图像

相对于原图像，滤波后的噪声点减少很多，同一地物块内的像元值显得更均匀，地物本身的信息更清晰地展现出来。

可以基本确定影像中存在的几种主要地物类型：

农田（2种），道路，水体，林地。

4.2.1特征定义

图自定义的特征[band2-band1]

图自定义特征[band2-band3]

通过观察图像的特征，其波段灰度值是最明显的反映地物差别的参数。

而农田区域也有其独特的灰度特征。

农田主要有两种类型，波段灰度直接来看差别不大，因此这里采用了波段间差值作为判断依据的方法。

图规则集

如上图所示，经过多次试验，当[band2-band1]在[0,13]之间的时候，在图像中显示为绿色的农田1能够大部分被提取出来。

当[band2-band1]和[band2-band4]均为负值的时候，农田2能够提取出来。

此种规则不足的地方在于有一些林地区域（图像左上角部分）被错分为农田，因此需要后续做修正。

道路的分割提取采用了Density（密度）特征参量，显而易见的是，道路区域的密度值在三个波段均为0.82以下的值。

（少部分混合图斑除外）基于此，可以做出道路的初步划分。

林地区别于其它地物的非常独特的一点在于其纹理，此处采用Max.diff参量作为提取的标准，Max.diff>

0.075的部分将其作为林地。

由于时间关系，没有做更多的尝试，阈值的设置不够合理，没有能加入多个参量的综合考量，因此林地的计算机分类效果并不令人满意。

水体在道路的分类当中被分类为道路，因此需要将其提取出来。

观察其波段的灰度值可以发现，其各波段灰度均在80以下，可以利用这一标准将水体从道路中分离出来。

依次运行规则之后，需要对部分错分和漏分的图斑进行手动修改，最终分类效果图如下。

图分类结果

如上图所示，基本的几种地物包括道路（田垄为主），水体、农田和林地，能够大致准确分类，2类农田之间的区分大部分都是正确的，可见分类的规则是有效的。

不足的地方在于，道路与周围农田的图斑很多混杂在一起，被错分为农田的的情况相当严重，不得不进行图斑的分割和重定义。

林地有少部分被错分为林地，可见林地的分割需要更具有有效性的的特征和标准。

经过上述规则集运行之后，仍有个别的图斑未被分类，经过观察和目视判断，采用手动分类进行了调整。

综上所述，e-Cognition面向对象的分类方法相比于其他像素级别的分类算法具有许多明显的优势。

其优越性主要体现在地物的空间特征和纹理特征均纳入考量，且规则集的运行的顺序可以带来不同的效果。

在考虑多个特征参量的情况下，又可以从大类中提取小类，做更细的划分。

根据经验知识，操作者能够自定义一些特征，来实现更好的分类效果，这是其独特的优势。

当然，其不足的一点在于人工操作的成分依旧相当之大，在建立规则划分类别的时候，仍需要以经验知识为基础，进行大量的尝试和对比，才能得到较合理的分类结果。

难以做到真正的计算机自动分类。