• 北大核心期刊(《中文核心期刊要目总览》2017版)
  • 中国科技核心期刊(中国科技论文统计源期刊)
  • JST 日本科学技术振兴机构数据库(日)收录期刊

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

基于SAR极化特征的SVM道路提取方法研究

苏晓洁 刘秀清

苏晓洁, 刘秀清. 基于SAR极化特征的SVM道路提取方法研究[J]. 微电子学与计算机, 2022, 39(8): 47-54. doi: 10.19304/J.ISSN1000-7180.2021.1368
引用本文: 苏晓洁, 刘秀清. 基于SAR极化特征的SVM道路提取方法研究[J]. 微电子学与计算机, 2022, 39(8): 47-54. doi: 10.19304/J.ISSN1000-7180.2021.1368
SU Xiaojie, LIU Xiuqing. Road extraction based on SAR polarization characteristics and SVM[J]. Microelectronics & Computer, 2022, 39(8): 47-54. doi: 10.19304/J.ISSN1000-7180.2021.1368
Citation: SU Xiaojie, LIU Xiuqing. Road extraction based on SAR polarization characteristics and SVM[J]. Microelectronics & Computer, 2022, 39(8): 47-54. doi: 10.19304/J.ISSN1000-7180.2021.1368

基于SAR极化特征的SVM道路提取方法研究

doi: 10.19304/J.ISSN1000-7180.2021.1368
基金项目: 

国家自然科学基金 61901445

北京市自然科学基金 4192065

详细信息
    作者简介:

    苏晓洁  女,(1998-),硕士研究生.研究方向为极化SAR图像道路提取

    通讯作者:

    刘秀清(通讯作者)   女,(1974-),博士,副研究员.研究方向为极化/简缩极化SAR图像处理与信息提取技术. E-mail: lucia@mail.ie.ac.cn

  • 中图分类号: TP753

Road extraction based on SAR polarization characteristics and SVM

  • 摘要:

    SAR图像中道路提取在路网规划建设、灾害监测等领域具有重要的应用价值.传统SAR图像道路提取方法多是基于SAR图像的幅值特性进行提取,缺少对极化特性的解译.此外极化分解方法多应用于水体提取、地物分类、建筑物提取等,较少应用于道路提取.针对现有的道路提取方法数据质量要求高、全极化道路提取研究较少、全极化数据源相干斑噪声影响大的问题,本文首先对全极化数据进行多视处理、滤波去噪预处理,并通过极化分解方法获取20维极化特征散射分量.其次,从散射机理的角度出发,构建鉴别道路信息的最优极化特征矢量.最后,通过SVM分类器得到初步道路提取结果,并通过数学形态法提取道路数据.实验结果表明,该方法达到了98.4%的Acc和65.3%的Iou,具有提取精度高、应用范围广的优点,充分利用高分辨率SAR数据的极化信息,可有效应用于SAR图像的道路提取方法研究中.此外,区分于将光学道路提取的方法直接套用到SAR图像道路提取研究,本文探索了极化特征在SAR图像道路提取中的应用表现,为SAR图像道路提取研究提出新模式新思路.

     

  • 图 1  实验算法流程图

    Figure 1.  Experimental algorithm flow chart

    图 2  青海地区道路极化分解特征

    Figure 2.  Polarization decomposition characteristics of roads in Qinghai

    图 3  陕西地区道路极化分解特征

    Figure 3.  Polarization decomposition characteristics of roads in Shaanxi

    表  1  实验数据信息简介

    Table  1.   Introduction to experimental data

    数据 青海数据 陕西数据
    工作波段 C波段
    分辨率(m) 8
    工作模式 全极化(HH,HV,VH,VV)
    入射角θ(°) 36.19 21.07
    距离向采样间隔(m) 2.25 2.25
    方位向采样间隔(m) 5.54 5.37
    最大制图分辨率 3.81 6.26
    下载: 导出CSV

    表  2  6种特征算法及特征描述

    Table  2.   Six feature algorithms and feature description

    特征算法 公式 特征描述
    Pauli分解 $ [S]=\frac{a}{\sqrt{2}}\left[\begin{array}{ll} 1 & 0 \\ 0 & 1 \end{array}\right]+\frac{b}{\sqrt{2}}\left[\begin{array}{cc} 1 & 0 \\ 0 & -1 \end{array}\right]+\frac{c}{\sqrt{2}}\left[\begin{array}{ll} 0 & 1 \\ 1 & 0 \end{array}\right]+\frac{d}{\sqrt{2}}\left[\begin{array}{cc} 0 & -j \\ j & 0 \end{array}\right]$ 奇次散射T11、偶次散射T22π/4偶次散射T33
    H-alpha-A $ H=-\sum\limits_{i=1}^{3} p_{i} \log _{3} p_{i}, \alpha=\sum\limits_{i=1}^{3} p_{i} \alpha_{i}, A=\frac{\lambda_{2}-\lambda_{3}}{\lambda_{2}+\lambda_{3}}, \lambda=\lambda_{1}+\lambda_{2}+\lambda_{3}$ 散射熵H、散射角α、各向异性度A、平均散射强度λ
    Freeman $C_{3}=f_{s}\left(\left[C_{3}\right]\right)_{\text {surface }}+f_{d}\left(\left[C_{3}\right]\right)_{\text {double }}+f_{v}\left(\left[C_{3}\right]\right)_{\text {vol }} $ 表面散射OddF-D、二面角散射DblF-D、体散射VolF-D
    Yamaguchi $ (C)=f_{s}(C)_{s}+f_{D}(C)_{D}+f_{V}(C)_{V}+f_{H}(C)_{H}$ 表面散射OddY4O、二次散射DblY4O、体散射VolY4O、螺旋体散射Hlxy4O
    Van Zyl $C_{3}=\sum\limits_{i=1}^{3} \lambda_{i \mu_{i} \mu_{i}^{H}=\Lambda_{1}}\left[\begin{array}{ccc} |\alpha|^{2} & 0 & \alpha \\ 0 & 0 & 0 \\ \alpha^{*} & 0 & 1 \end{array}\right]+\Lambda_{2}\left[\begin{array}{ccc} \beta^{2} & 0 & \beta \\ 0 & 0 & 0 \\ \beta^{*} & 0 & 1 \end{array}\right]+\Lambda_{3}\left[\begin{array}{ccc} 0 & 0 & 0 \\ 0 & 1 & 0 \\ 0 & 0 & 0 \end{array}\right] $ 奇次散射OddV-Z、偶次散射DblV-Z、体散射VolV-Z
    An Yang $ T=P_{s} T_{\text {surface }}+P_{s} T_{\text {double }}+P_{s} T_{\text {volume }}$ 表面散射OddAY3、二次散射DblAY3、体散射VolAY3
    下载: 导出CSV

    表  3  特征提取方法对比实验精度评价

    Table  3.   Comparative experimental accuracy evaluation of feature extraction methods

    道路提取场景 青海地区道路提取 陕西地区道路提取
    道路提取方法 a)SVM全特征 b)SVM统计特征 c)SVM最优特征 a)SVM全特征 b)SVM统计特征 c)SVM最优特征
    初步提取图
    道路提取结果
    FA/% 85.5 47.6 26.9 64.2 43.0 41.1
    MA/% 12.1 6.6 14 7.2 3.3 4.8
    Acc/% 81.9 95.4 98.4 96.1 98.3 98.4
    Iou/% 14.2 41.2 65.3 34.8 55.9 57.2
    下载: 导出CSV
  • [1] MNIH V. Machine learning for aerial image labeling[M]. Toronto: University of Toronto, 2013.
    [2] SUN Z G, LIN D D, WEI W, et al. Road detection based on Shearlet for GF-3 synthetic aperture radar images[J]. IEEE Access, 2020, 8: 28133-28141. DOI: 10.1109/ACCESS.2020.2966580.
    [3] TOUZI R. Wetland characterization using polarimetric RADARSAT-2 capability[C]//Proceedings of 2006 IEEE International Symposium on Geoscience and Remote Sensing. Denver: IEEE, 2006: 1639-1642. DOI: 10.1109/IGARSS.2006.423.
    [4] YAMAGUCHI Y, SATO A, SATO R, et al. Four-component scattering power decomposition with rotation of coherency matrix[C]//Proceedings of 2010 IEEE International Geoscience and Remote Sensing Symposium. Honolulu: IEEE, 2010: 1327-1330. DOI: 10.1109/IGARSS.2010.5650768.
    [5] LOPEZ-SANCHEZ J M, CLOUDE S R, BALLESTER-BERMAN J D. Rice phenology monitoring by means of SAR polarimetry at X-band[J]. IEEE Transactions on Geoscience and Remote Sensing, 2012, 50(7): 2695-2709. DOI: 10.1109/TGRS.2011.2176740.
    [6] CHEN S W, WANG X S, SATO M. Urban damage level mapping based on scattering mechanism investigation using fully polarimetric SAR data for the 3.11 east japan earthquake[J]. IEEE Transactions on Geoscience and Remote Sensing, 2016, 54(12): 6919-6929. DOI: 10.1109/TGRS.2016.2588325.
    [7] WANG W S, YANG X F, LI X F, et al. A fully polarimetric SAR imagery classification scheme for mud and sand flats in intertidal zones[J]. IEEE Transactions on Geoscience and Remote Sensing, 2017, 55(3): 1734-1742. DOI: 10.1109/TGRS.2016.2631632.
    [8] AN G Q, XING M F, NI X L, et al. Crop classification using fully polarimetric SAR imagery[C]//Proceedings of 2018 IEEE International Geoscience and Remote Sensing Symposium. Valencia: IEEE, 2018: 7456-7459. DOI: 10.1109/IGARSS.2018.8518806.
    [9] DING Y, LIU M, LI S J, et al. Mountainous landslide recognition based on gaofen-3 polarimetric SAR imagery[C]//Proceedings of 2019 IEEE International Geoscience and Remote Sensing Symposium. Yokohama: IEEE, 2019: 9634-9637. DOI: 10.1109/IGARSS.2019.8900478.
    [10] MIAO H, WANG X Q, DING L, et al. Study on the extraction of building damage caused by earthquake from polarimetric SAR image based on improved Freemam decomposition[C]//Proceedings of 2021 IEEE International Geoscience and Remote Sensing Symposium. Brussels: IEEE, 2021: 8566-8569. DOI: 10.1109/IGARSS47720.2021.9555084.
    [11] MOREIRA A. Improved multilook techniques applied to SAR and SCANSAR imagery[J]. IEEE Transactions on Geoscience and Remote Sensing, 1991, 29(4): 529-534. DOI: 10.1109/36.135814.
    [12] LEE J S, GRUNES M R, DE GRANDI G. Polarimetric SAR speckle filtering and its implication for classification[J]. IEEE Transactions on Geoscience and Remote Sensing, 1999, 37(5): 2363-2373. DOI: 10.1109/36.789635.
    [13] 安文韬. 基于极化SAR的目标极化分解与散射特征提取研究[D]. 北京: 清华大学, 2010.

    AN W T. The polarimetric decomposition and scattering characteristic extraction of polarimetric SAR[D]. Beijing: Tsinghua University, 2010.
    [14] QU G Z, YU Q Z, WANG Y F. An improved method for SAR image coastline detection based on despeckling and SVM[C]//Proceedings of IET International Radar Conference 2013. Xi'an: IET, 2013: 1-6. DOI: 10.1049/cp.2013.0268.
    [15] HENRY C, AZIMI S M, MERKLE N. Road segmentation in SAR satellite images with deep fully convolutional neural networks[J]. IEEE Geoscience and Remote Sensing Letters, 2018, 15(12): 1867-1871. DOI: 10.1109/LGRS.2018.2864342.
  • 加载中
图(3) / 表(3)
计量
  • 文章访问数:  50
  • HTML全文浏览量:  47
  • PDF下载量:  10
  • 被引次数: 0
出版历程
  • 收稿日期:  2021-12-23
  • 修回日期:  2022-02-24
  • 网络出版日期:  2022-08-15

目录

    /

    返回文章
    返回