论文部分内容阅读
近年来,由于频繁的人类活动以及工业的迅速发展,我国湖泊的富营养化现象日益严重,导致水华现象频繁爆发,严重影响了周边地区人民的日常生活。水华现象是指水体中藻类大量繁殖生长并在水体表面聚集的现象,是水体富营养化的一种典型表现。随着科技的发展,卫星遥感技术在环境监测领域发挥着越来越重要的作用,其中光学遥感技术应用较为广泛,但易受云、雨、雾等恶劣天气以及光照的影响。星载合成孔径雷达(Synthetic Aperture Radar,SAR)是一种微波遥感技术,具有全天时、全天候的对地观测能力,可以有效弥补光学遥感的不足。因此,开展基于星载SAR图像的水华监测研究具有重要意义。水华区域在SAR图像中呈现为较明显的“暗斑”,而SAR图像暗斑并非都由水华引起,低风下的湖面在SAR图像中同样呈现为“暗斑”状态。区分SAR图像中不同类型的“暗斑”,识别出水华区域,存在着诸多技术挑战。目前,基于SAR图像的水华识别研究尚不多见,仅有的一些研究也是以传统的人工特征提取方式开展,并未对暗斑特征进行优化选择,无法避免消极特征对水华识别的影响。同时,基于人工特征提取的水华识别方法还存在特征提取效率低、易受人为因素影响,且难以获得图像数据深层特征的问题。针对上述问题,本文分别使用特征优化选择和自动特征提取等技术手段对SAR图像水华识别方法进行研究。在详细分析两类暗斑多项特征的基础上,构建了SAR图像暗斑的特征样本集和图像样本集。采用基于特征选择和自动特征提取的两种技术路线,提出了改进的水华识别方法,并使用特征样本集与图像样本集对所提方法进行了有效性验证。本文研究工作主要包括以下三个部分:(1)构建了SAR图像暗斑的图像样本集和特征样本集对时间序列Sentinel-1A SAR图像进行辐射校正和几何校正等预处理操作;基于预处理后的SAR图像,经裁剪、精分割等步骤,获得暗斑图像集合,并应用数据增强技术,构建暗斑的图像样本集;同时针对暗斑图像集合开展特征提取工作,构建暗斑的特征样本集。(2)提出了一种基于人工特征选择的水华识别方法针对人工特征提取方法中存在消极特征的问题,提出了一种基于人工特征选择的水华识别方法。该方法对提取到的特征样本集开展优化选择处理,以提高特征样本集在水华识别过程中的有效性。SAR图像暗斑的特征样本集中包含角二矩阵、对比度、熵、倒数差分矩、相关性等22种特征,以Relief F算法为依据,根据特征与标签间的相关度,剔除消极特征,最终获得只包含10种暗斑特征的最优特征集。以反向传播(Back Propagation,BP)神经网络为识别分类器,对所提方法进行验证。结果表明,相比完整的特征样本集,应用最优特征集时识别精度提升了19.38%,达到81.39%。(3)提出了两种基于自动特征提取的水华识别方法针对人工特征选择方法存在特征提取效率低、易受人为因素影响且难以获得图像数据深层特征的问题,提出了两种基于自动特征提取的水华识别方法,分别为基于Inception V3的SAR图像水华识别方法(ADII-SAR)和基于Dense Net的SAR图像水华识别方法(ADID-SAR)。为了更精确地提取图像纹理特征,上述两种方法对池化操作进行了修改,将平均池化改为最大池化。这两种方法都可以较为高效地提取图像中的深层特征,其中ADID-SAR方法还可以充分利用每一层的特征信息,给出更平滑的决策边界,在小数据集上识别精度更高。使用SAR图像暗斑的图像样本集开展验证实验,ADII-SAR方法和ADID-SAR方法的识别精度分别为85.08%和87.30%,较使用平均池化时的精度分别提升了4.60%和6.64%,较本文所提人工特征选择方法的精度分别提升了3.69%和5.91%。