[發明專利]基于雙極化合成孔徑雷達遙感影像的火燒跡地提取方法

在審

• 申請號: 202211339312.6
• 申請日: 2022-10-28
• 公開（公告）號: CN115761480A
• 公開（公告）日: 2023-03-07
• 發明（設計）人: 張瑞;沙馬阿各;展潤青;王婷;包馨;歐陽曉瑩;胡金龍;龐家泰;段金亮;洪瑞凱
• 申請（專利權）人: 西南交通大學
• 主分類號: G06V20/10
• 分類號: G06V20/10;G06V10/20;G06V10/30;G06V10/54;G06V10/764;G06T7/45;G06T7/62;G06N20/20;G06N5/01
• 代理公司: 北京云嘉湃富知識產權代理有限公司 11678
• 代理人: 劉士暢

1.基于雙極化合成孔徑雷達遙感影像的火燒跡地提取方法，其特征在于：包括以下步驟：

步驟S1：對單視復數影像SLC數據進行輻射定標、多視處理、影像配準、精致Lee濾波和地理編碼數據預處理；

步驟S2：基于火燒前后的SLC數據集開展后向散射系數比率、H-A-Alpha分解、和灰度共生矩陣計算，分別得到能反映后向散射強度特征、極化分解特征和紋理特征變化的數據集；

步驟S3：選取隨機森林作為機器學習模型，結合步驟S2中多種類型的特征變化參數提取火燒跡地；

步驟S4：以光學提取的火燒跡地為參考標準，評估極化SAR提取火燒跡地的精度。

2.根據權利要求1所述的基于雙極化合成孔徑雷達遙感影像的火燒跡地提取方法，其特征在于：所述步驟S2的具體步驟為：

步驟S21利用雷達燃燒比RBR即火災前與火災后的后向散射系數比率來突出燃燒區，其計算公式如下：

其中，xy表示極化方式，垂直極化VV或交差極化VH；γ_pre表示火災前的后向散射系數Sigma值或歸一化后向散射系數Gamma值；γ_post表示火災后的Sigma值或Gamma值；

步驟S22：雙極化H-A-Alpha分解方法根據SAR影像協方差矩陣的特征值和特征向量定義熵H、散射角α、反熵A來識別不同地物的散射機制；其熵H，散射角α，反熵A的計算公式如下：

其中，λ_i為極化協方差矩陣C₂特征值；p_i表示第i個特征值的概率函數；k是一個常數；λ_k表示矩陣C₂的第k個特征值；α_i為極化協方差矩陣C₂特征向量對應的散射角；

運用散射角α計算歸一化α指數NDαI，其計算公式如下：

其中，α_pre表示火災前的反射角α值；α_post表示火災后的反射角α值；

運用火災前后極化SAR影像提取的參數造差異圖像，其計算公式如下：

其中，p_c表示參數的差值；p_pre和p_post分別表示火災前和火災后的參數值；

步驟S23：基于灰度共生矩陣GLCM的紋理分析方法，選用其中8種特征：均值、對比度、方差、相異性、同質性、相關性、信息熵和二階矩；并利用公式(6)分別計算8種紋理特征的差異圖像，來提高火燒跡地識別精度。

3.根據權利要求2所述的基于雙極化合成孔徑雷達遙感影像的火燒跡地提取方法，其特征在于：所述步驟S3的具體步驟為：

步驟S31：隨機森林是一種利用CART決策樹作為學習器的bagging方法，基于決策樹的均值回歸預測，數學原理如下：

其中，x為自變量；θ_t是服從獨立同分布的隨機變量；T為決策樹數量；h(x,θ_t)為基于x和θ_t的輸出量；表示所有決策樹輸出量之和的平均值。

步驟S32：將步驟S2構成的特征集作為隨機森林RF的輸入特征，訓練和測試數據集標簽從10m的Sentinel-2數據中選取，由燒毀區域像素和未燒毀區域像素組成；訓練樣本與測試樣本的對比設置為70:30。

4.根據權利要求3所述的基于雙極化合成孔徑雷達遙感影像的火燒跡地提取方法，其特征在于：所述步驟S4的具體步驟為：

步驟S41：使用Sentinel-2提取的火燒跡地作為參考數據來進行SAR影像提取火燒跡地的準確性評估；

步驟S42：統計實驗結果提取出的燃燒面積，并計算提取精度Extraction Accuracy_#i、錯提誤差Omission Errors_#i和漏提取誤差Commission Errors_#i，其計算公式如下：

其中#i表示不同SAR特征組合，#1表示光學影像的特征組合，Agreement表示基于SAR影像提取的火燒跡地與基于光學影像提取的火燒跡地一致的區域，S1 Only表示SAR影像相當于光學影像識別火燒跡地的錯提取區域；S2 Only表示SAR影像相當于光學影像識別火燒跡地的漏提取區域。