基于sar影像與光學(xué)遙感影像融合的城市不透水面提取方法
【專利摘要】一種基于SAR影像與光學(xué)遙感影像融合的城市不透水面提取方法，包括預(yù)先選擇若干研究區(qū)的樣本形成樣本總集，采用隨機(jī)采樣的方法從樣本總集中生成分類器訓(xùn)練集、分類器測(cè)試集以及不透水面提取結(jié)果的精度驗(yàn)證集；進(jìn)行研究區(qū)的光學(xué)遙感影像與SAR影像配準(zhǔn),以及進(jìn)行光學(xué)遙感影像和SAR影像的特征提?。挥?xùn)練并進(jìn)行基于隨機(jī)森林分類器的城市不透水面初步提取，得到光學(xué)遙感影像數(shù)據(jù)、SAR影像數(shù)據(jù)的不透水面RF初步提取結(jié)果；利用D?S證據(jù)理論合成規(guī)則進(jìn)行決策級(jí)融合，得到研究區(qū)最終的不透水面提取結(jié)果；采用精度驗(yàn)證集對(duì)各提取結(jié)果進(jìn)行精度驗(yàn)證。本發(fā)明充分利用光學(xué)遙感影像與SAR影像兩種數(shù)據(jù)源的優(yōu)勢(shì)，提出基于RF和D?S證據(jù)理論的SAR影像與光學(xué)遙感影像融合方法，獲取城市中更高精度的不透水面。
【專利說(shuō)明】
基于SAR影像與光學(xué)遙感影像融合的城市不透水面提取方法
技術(shù)領(lǐng)域
[0001] 本發(fā)明屬于遙感影像數(shù)據(jù)信息提取領(lǐng)域，涉及一種基于SAR影像與光學(xué)遙感影像 融合的城市不透水面提取方法。
【背景技術(shù)】
[0002] 不透水面是指水不能通過(guò)它下滲到土壤中的非自然地表面，包括各種人工建筑、 道路、停車場(chǎng)、機(jī)場(chǎng)等。不透水面作為度量城市化發(fā)展程度的指示器，近年來(lái)，隨著城市化進(jìn) 程的不斷加快，不透水面的大量增加，導(dǎo)致地表蒸騰減少，地表徑流加速，以及城市熱島等 一系列城市環(huán)境問(wèn)題的出現(xiàn)。因此，提取不透水面的分布和覆蓋程度對(duì)城市生態(tài)環(huán)境的評(píng) 估以及城市化進(jìn)程的監(jiān)測(cè)和管理等都具有十分重要的意義。遙感由于其低成本、方便等特 點(diǎn)，已成為不透水面估測(cè)的主要手段。目前，對(duì)不透水面估測(cè)的遙感數(shù)據(jù)分為以下幾種：
[0003] (1)中低分辨率光學(xué)遙感影像，如Landsat TM/ETM，M0DIS影像，ASTER影像、 Hyperion景多像等；
[0004] (2)高分辨率遙感影像，如IK0N0S，Quick Bird等；
[0005] (3)其它遙感影像，如SAR、LiDAR影像等；
[0006] -般地，基于遙感影像對(duì)不透水面的估測(cè)主要方法有基于各種指數(shù)的不透水面提 取、光譜混合分析（Spectral Mixture Analysis，SMA)、分類和回歸樹算法 (Classification And Regression Tree，CART)、人工神經(jīng)網(wǎng)絡(luò)（Artificial Neural Networks，ANN)、支持向量機(jī)（Support Vector Machine，SVM)，面向?qū)ο螅∣bject 0riented，00)等。這些方法大多是基于單一的光學(xué)遙感影像數(shù)據(jù)源對(duì)不透水面進(jìn)行估測(cè)， 由于城市不透水面的復(fù)雜性以及建筑材料之間的相似性，在某些研究場(chǎng)景下單純利用單一 影像數(shù)據(jù)源很難解決目前不透水面提取的所有困難，需要加入額外的信息來(lái)提高不透水面 的提取精度。SAR影像數(shù)據(jù)作為先進(jìn)的對(duì)地觀測(cè)技術(shù)之一，因其具有全天時(shí)、全天候、處理時(shí) 間短和成本低等特點(diǎn)而得到越來(lái)越多的應(yīng)用。與光學(xué)影像不同，SAR數(shù)據(jù)地表面目標(biāo)的粗糙 度、形狀、結(jié)構(gòu)以及介電性極為敏感，使得建筑物能夠產(chǎn)生很強(qiáng)的后向散射回波，可以對(duì)光 學(xué)影像提供互補(bǔ)信息。

【發(fā)明內(nèi)容】

[0007] 針對(duì)以上問(wèn)題，本發(fā)明提出一種融合SAR影像與光學(xué)遙感影像的城市不透水面提 取方法，并用于提取城市不透水面分布。不同于以往的提取方法，本發(fā)明利用SAR影像、光學(xué) 遙感影像數(shù)據(jù)各自的優(yōu)勢(shì)，將SAR影像作為光學(xué)影像的補(bǔ)償信息，通過(guò)隨機(jī)森林(Random F 〇rests，RF)分類器計(jì)算各證據(jù)源中每個(gè)像元各類別的基本可信度，構(gòu)建BPA函數(shù)，利用D-S證據(jù)理論合成規(guī)則進(jìn)行城市不透水面的最終提取。
[0008] 本發(fā)明所采用的技術(shù)方案是一種基于SAR影像與光學(xué)遙感影像融合的城市不透水 面提取方法，包括以下步驟：
[0009] 步驟a，預(yù)先選擇若干研究區(qū)的樣本形成樣本總集，采用隨機(jī)采樣的方法從樣本總 集中生成分類器訓(xùn)練集、分類器測(cè)試集以及不透水面提取結(jié)果的精度驗(yàn)證集；
[0010]步驟b，進(jìn)行研究區(qū)的光學(xué)遙感影像與SAR影像的配準(zhǔn)；
[0011]步驟c，根據(jù)步驟b所得結(jié)果，分別進(jìn)行SAR影像與光學(xué)遙感影像的特征提取，得到 SAR影像的紋理特征和光學(xué)遙感影像的光譜特征；
[0012] 步驟d，針對(duì)步驟c提取的SAR影像與光學(xué)遙感影像特征，采用步驟a所得分類器訓(xùn) 練集，分別輸入到隨機(jī)森林分類器中建立分類模型，針對(duì)步驟a所得分類器測(cè)試集，對(duì)建立 的隨機(jī)森林分類器模型進(jìn)行測(cè)試，得到分類器的測(cè)試誤差;利用已建立的隨機(jī)森林分類器 模型分別對(duì)研究區(qū)的光學(xué)遙感數(shù)據(jù)及其光譜特征、SAR影像數(shù)據(jù)及其紋理特征進(jìn)行基于隨 機(jī)森林分類器的城市不透水面初步提取，得到光學(xué)遙感影像數(shù)據(jù)源、SAR影像數(shù)據(jù)源的不透 水面初步提取結(jié)果；
[0013] 步驟e，根據(jù)步驟d采用隨機(jī)森林分類器對(duì)光學(xué)遙感影像、SAR影像進(jìn)行不透水面的 初步提取結(jié)果，利用D-S證據(jù)理論合成規(guī)則進(jìn)行決策級(jí)融合，得到研究區(qū)最終的不透水面提 取結(jié)果；
[0014] 步驟f，針對(duì)步驟d所得研究區(qū)基于光學(xué)遙感影像RF初步提取結(jié)果，SAR影像RF初步 提取結(jié)果以及步驟e所得研究區(qū)不透水面最終提取結(jié)果，采用步驟a所得精度驗(yàn)證集，運(yùn)用 混淆矩陣方法分別對(duì)上述提取結(jié)果進(jìn)行精度驗(yàn)證。
[0015] 而且，步驟a中，參照Google earth和高空間分辨率影像選擇樣本。
[0016] 而且，步驟e中，實(shí)現(xiàn)方式如下，
[0017]根據(jù)步驟d所得結(jié)果，計(jì)算每個(gè)待分像元在每個(gè)證據(jù)源中對(duì)各類別的基本可信度， 構(gòu)建BPA函數(shù)；
[0018]根據(jù)Dempster合成規(guī)則，將光學(xué)遙感影像、SAR影像結(jié)果進(jìn)行合并，得到每個(gè)像元 分配到各類的總信任區(qū)間；
[0019] 通過(guò)像元最大概率決策規(guī)則將每個(gè)待分像元進(jìn)行歸類，得到不透水面D-S最終決 策結(jié)果。
[0020] 本發(fā)明提供的技術(shù)方案有益效果為:充分利用光學(xué)影像與SAR影像兩種數(shù)據(jù)源的 優(yōu)勢(shì)，提出基于RF和D-S證據(jù)理論的SAR影像與光學(xué)遙感影像融合方法，獲取城市中更高精 度的不透水面。
【附圖說(shuō)明】
[0021] 圖1為本發(fā)明實(shí)施例的流程圖。
[0022] 圖2為隨機(jī)森林算法流程圖。
【具體實(shí)施方式】
[0023]具體實(shí)施時(shí)，本發(fā)明技術(shù)方案所提供流程可由本領(lǐng)域技術(shù)人員采用計(jì)算機(jī)軟件技 術(shù)實(shí)現(xiàn)自動(dòng)運(yùn)行。為了更好地理解本發(fā)明的技術(shù)方案，下面結(jié)合附圖和實(shí)施例對(duì)本發(fā)明做 進(jìn)一步的詳細(xì)說(shuō)明。
[0024]參見(jiàn)圖1，本發(fā)明實(shí)施例包括以下步驟：
[0025] 步驟a，參照Google Earth影像、高空間分辨率遙感影像(如Quick Bird, IK0N0S， WorldView系列等），根據(jù)研究區(qū)土地類型、影像分辨率等特點(diǎn)，預(yù)先選擇若干樣本形成樣本 總集，采用隨機(jī)采樣的方法從樣本總集中生成分類器訓(xùn)練集（用于隨機(jī)森林分類器建立）、 分類器測(cè)試集(用于隨機(jī)森林分類器的測(cè)試，用分類器測(cè)試誤差來(lái)評(píng)價(jià)分類器的好壞，測(cè)試 誤差越小，代表建立的隨機(jī)森林分類器性能越好）以及不透水面提取結(jié)果精度驗(yàn)證集(用于 不透水面提取結(jié)果的精度驗(yàn)證），樣本分別包括對(duì)應(yīng)的光學(xué)遙感數(shù)據(jù)及其特征、SAR影像數(shù) 據(jù)及其特征。具體實(shí)施時(shí)，本領(lǐng)域技術(shù)人員可根據(jù)研究區(qū)大小，影像分辨率等自行設(shè)定樣本 數(shù)量。
[0026] 步驟b，研究區(qū)光學(xué)遙感影像與SAR影像的配準(zhǔn);光學(xué)遙感影像與SAR影像的成像機(jī) 理不同，由于受雷達(dá)圖像幾何畸變、斑點(diǎn)噪聲、后向散射、陰影等影響，SAR影像與光學(xué)遙感 影像的高精度配準(zhǔn)是不透水面提取的關(guān)鍵步驟。
[0027] 首先將獲取的研究區(qū)光學(xué)遙感影像數(shù)據(jù)和SAR影像數(shù)據(jù)進(jìn)行預(yù)處理，通常包括對(duì) 光學(xué)遙感影像進(jìn)行大氣校正、正射校正等處理;SAR影像進(jìn)行輻射校正、多視處理、地形校正 等處理;預(yù)處理后光學(xué)遙感影像數(shù)據(jù)和SAR影像數(shù)據(jù)配準(zhǔn)是光學(xué)遙感影像與SAR影像融合的 重要步驟，具體實(shí)施時(shí)，可以現(xiàn)有的遙感影像處理軟件為平臺(tái)，如ENVI 5.X，利用自動(dòng)配準(zhǔn) 工具對(duì)光學(xué)影像與SAR影像進(jìn)行自動(dòng)配準(zhǔn)，配準(zhǔn)時(shí)以光學(xué)遙感數(shù)據(jù)作為基準(zhǔn)影像，SAR數(shù)據(jù) 作為待配準(zhǔn)影像，配準(zhǔn)精度要求小于0.5個(gè)像元。
[0028] 步驟c，針對(duì)步驟b中光學(xué)遙感影像與SAR影像自動(dòng)配準(zhǔn)結(jié)果，分別對(duì)光學(xué)遙感影像 與SAR影像進(jìn)行特征的提取；
[0029]主要包括：SAR影像的特征提取而言，根據(jù)影像分辨率不同，可選取3x3，5x5，7x7， 或9x9窗口等，利用灰度共生矩陣(Gray-level Co-occurrence Matrix，GLCM)提取SAR影像 的紋理特征；光學(xué)遙感影像提取其光譜特征，如歸一化植被指數(shù)(Normal Differential Vegetation Index,NDVI)，歸一化水體指數(shù)（Normalized Difference Water Index，NDWI) 等，光譜特征的提取可根據(jù)選用的光學(xué)遙感數(shù)據(jù)源及其研究區(qū)土地覆蓋類別等因素而定。
[0030] 對(duì)SAR影像利用灰度共生矩陣方法進(jìn)行紋理信息的提取，灰度共生矩陣是一個(gè)統(tǒng) 計(jì)描述影像中的一個(gè)局部區(qū)域或整個(gè)區(qū)域相鄰象元或一定間距內(nèi)兩像元灰度呈現(xiàn)某種關(guān) 系的矩陣。該矩陣中的元素值代表灰度級(jí)之間聯(lián)合條件概率密度P(i，j|d，0)，P(i，j|d，0) 表示在給定空間距離d和方向0時(shí)，灰度以i為始點(diǎn)，出現(xiàn)灰度級(jí)為j的概率(也即頻數(shù)）。常用 的指標(biāo)包括：
[0031] (1)均值
[0032] 物an 冗冗 P(i，x. f (1) /=〇 y=￡).
[0033] 均值反映紋理的規(guī)則程度，紋理雜亂無(wú)章、難以描述的，值較小;規(guī)律性強(qiáng)、易于描 述的，值較大。
[0034] (2)方差
[0035] ferian.ee ^ Pt^V J|d, 0) x U ~ Mean)2 (2) ,i=：0 /=0
[0036] (3)標(biāo)準(zhǔn)差
⑶
[0038]方差、標(biāo)準(zhǔn)差反映像元值與均值偏差的度量，當(dāng)圖像中灰度變化較大時(shí)，方差、標(biāo) (4) 準(zhǔn)差值較大。
[0039] (4)同質(zhì)度
[0041 ] 也叫inverse difference moment(逆差距），是圖像局部灰度均勾性的度量，如果 圖像局部的灰度均勻，同質(zhì)度取值較大。
[0042] (5)對(duì)比度
[0043] Conti-ast ~ ijd, (9) x (i - j)2 C：5) 1 =0 j：=0
[0044] 反映圖像中局部灰度變化總量。在圖像中，如局部像元對(duì)的灰度差別越大，則圖像 的對(duì)比度越大，圖像的視覺(jué)效果越清晰。
[0045] (6)非相似性
[0046] Dissinilarity = II P(i, j\d, 0)x f i ^ j (6) i=〇. j=〇.
[0047] 度量與對(duì)比度相類似，但是是線性增加。如果局部的對(duì)比度越高，則非相似度也越 尚。
[0048] (7)熵
[0049] Entropy = ^ P：(i, jjd, 0) x In p(i, j) (7) i：=a jfeti
[0050] 是圖像所具有的信息量的度量，是測(cè)量灰度級(jí)分布隨機(jī)性的特征參數(shù)，表征了圖 像中紋理的復(fù)雜程度。圖像的紋理越復(fù)雜，熵值越大;反之，圖像中的灰度越均勻，則熵值就 越小。
[0051 ] (8)角二階矩
[0052] 娜=Z !>(，，水砟 （8) j=(j j：=(j
[0053] 角二階矩是圖像灰度分布均勻性的度量。當(dāng)灰度共生矩陣中元素分布較集中于主 對(duì)角線附近時(shí)，說(shuō)明局部區(qū)域內(nèi)圖像灰度分布較均勻，ASM取值相應(yīng)較大;相反，如果共生矩 陣的所有值均相等，則ASM(Angular Second Moment)值較小。
[0054] (9)相關(guān)性
(9)
[0056] 描述GLCM中行或列元素之間的相似程度的，它反映某種灰度值沿某方向的延伸長(zhǎng) 度，若延伸的越長(zhǎng)，則相關(guān)性越大，它是灰度線性關(guān)系的度量。
[0057] 對(duì)光學(xué)遙感影像進(jìn)行光譜特征的提取，如NDVI (Normal ized Dif f erence Vegetation Index)、NDWI(Normalized Difference Water Index)等指數(shù)的提取。
(10)
[0059]利用NDVI可檢測(cè)出植被生長(zhǎng)狀態(tài)、植被覆蓋度等信息。
C11)
[0061] NDWI是基于綠波段與近紅外波段的歸一化比值指數(shù)。該NDWI-般用來(lái)提取影像中 的水體信息，效果比NDVI更好。
[0062]其中，G表示綠波段處反射率值，R和NIR分別為紅波段和近紅外波段處的反射率 值。
[0063] 步驟d，針對(duì)步驟c提取的SAR影像與光學(xué)遙感影像特征信息，采用步驟a中提取的 分類器訓(xùn)練集，分別輸入到隨機(jī)森林分類器中建立分類模型，針對(duì)步驟a中提取的分類器測(cè) 試集，對(duì)建立的隨機(jī)森林分類器模型進(jìn)行測(cè)試，得到分類器的測(cè)試誤差(R_err 〇r)。利用已 建立的隨機(jī)森林分類器模型分別對(duì)研究區(qū)的光學(xué)遙感數(shù)據(jù)及其光譜特征、SAR影像數(shù)據(jù)及 其紋理特征進(jìn)行基于隨機(jī)森林分類器的城市不透水面初步提取，得到基于光學(xué)遙感影像數(shù) 據(jù)、SAR影像數(shù)據(jù)的RF不透水面初步提取結(jié)果。
[0064] 本發(fā)明實(shí)施例在步驟a，b，c的基礎(chǔ)上，在步驟c中對(duì)光學(xué)遙感影像進(jìn)行光譜特征提 取，SAR影像進(jìn)行紋理特征提取。在提取兩種遙感數(shù)據(jù)源各自的特征信息之后，利用步驟a中 提取的訓(xùn)練集集建立隨機(jī)森林分類器并利用步驟a中的測(cè)試集對(duì)其進(jìn)行驗(yàn)證，將光學(xué)遙感 影像及其光譜特征作為光學(xué)遙感數(shù)據(jù)源輸入到已建立的隨機(jī)森林分類器中，得到基于RF分 類器的光學(xué)遙感數(shù)據(jù)不透水面初步提取結(jié)果(對(duì)應(yīng)圖1中RF1)，計(jì)算每個(gè)待分像元在光學(xué)數(shù) 據(jù)源中對(duì)各土地覆蓋類型的基本可信度，構(gòu)建BPA函數(shù)(對(duì)應(yīng)圖1中BPA1)。同理，利用步驟a 中提取的訓(xùn)練集建立隨機(jī)森林分類器并利用步驟a中的測(cè)試集對(duì)其進(jìn)行驗(yàn)證，將SAR影像及 其紋理特征作為SAR遙感數(shù)據(jù)源輸入到已訓(xùn)練的隨機(jī)森林分類器，得到基于RF分類器的SAR 遙感數(shù)據(jù)不透水面初步提取結(jié)果(對(duì)應(yīng)圖1中RF2)，計(jì)算每個(gè)待分像元在SAR數(shù)據(jù)源中對(duì)各 土地覆蓋類型的基本可信度，構(gòu)建BPA函數(shù)(對(duì)應(yīng)圖1中BPA2)。
[0065] 隨機(jī)森林（Random Forests，RF)算法由Leo Breiman和Adele Cutler提出，是一個(gè) 樹型分類器{11(1，知）沐=1，-_}的集合。其中元分類器11(1，知）是用二分遞歸分割 (Classification And Regression Tree，簡(jiǎn)稱CART)算法構(gòu)建的沒(méi)有剪枝的分類回歸樹;x 是輸入向量;&是獨(dú)立同分布的隨機(jī)向量，決定了單棵樹的生長(zhǎng)過(guò)程;森林的輸出采用簡(jiǎn)單 多數(shù)投票法(針對(duì)分類)或單棵樹輸出結(jié)果的簡(jiǎn)單平均(針對(duì)回歸)得到。RFC的基本思想:首 先，利用bootstrap抽樣從原始訓(xùn)練集(N個(gè)樣本，N>k)抽取k個(gè)樣本，且每個(gè)樣本的樣本容量 都與原始訓(xùn)練集一樣;其次，對(duì)k個(gè)樣本分別建立k個(gè)決策樹模型，得到k種分類結(jié)果;最后， 根據(jù)k種分類結(jié)果對(duì)每個(gè)記錄進(jìn)行投票表決決定其最終分類。圖2為隨機(jī)森林算法流程圖。 由于隨機(jī)森林具有如下優(yōu)點(diǎn)已被廣泛地用于遙感影像研究:a.在數(shù)據(jù)集上表現(xiàn)良好，兩個(gè) 隨機(jī)性的引入，使得隨機(jī)森林不容易陷入過(guò)擬合;b.在當(dāng)前的很多數(shù)據(jù)集上，相對(duì)其他算法 有著很大的優(yōu)勢(shì)，兩個(gè)隨機(jī)性的引入，使得隨機(jī)森林具有很好的抗噪聲能力;c.它能夠處理 很高維度(feature很多）的數(shù)據(jù)，并且不用做特征選擇，對(duì)數(shù)據(jù)集的適應(yīng)能力強(qiáng)，既能處理 離散型數(shù)據(jù)，也能處理連續(xù)型數(shù)據(jù)，數(shù)據(jù)集無(wú)需規(guī)范化。
[0066] 步驟e，針對(duì)步驟d對(duì)不透水面提取的初步結(jié)果，提出基于RF和D-S證據(jù)理論的SAR 影像與光學(xué)遙感影像融合方法對(duì)城市不透水面進(jìn)行最終決策提取并輸出。本發(fā)明提出一種 基于RF和D-S證據(jù)理論的SAR影像與光學(xué)遙感影像融合方法提取城市不透水面，基于步驟d 采用隨機(jī)森林分類器對(duì)光學(xué)遙感影像、SAR影像進(jìn)行不透水面的初步提取，利用D-S證據(jù)理 論合成規(guī)則進(jìn)行決策級(jí)融合，得到研究區(qū)最終的不透水面提取結(jié)果。
[0067]由于兩種影像來(lái)自不同傳感器，在成像機(jī)理上完全不同，彼此間相互獨(dú)立。因此， 將光學(xué)遙感影像和SAR影像的RF初步提取結(jié)果作為兩種獨(dú)立的證據(jù)源，提出一種基于RF和 D-S證據(jù)理論的SAR影像與光學(xué)遙感影像融合方法，進(jìn)行城市不透水面的提取。
[0068]所述基于RF和D-S證據(jù)理論的SAR影像與光學(xué)遙感影像融合方法，是對(duì)光學(xué)遙感影 像、SAR影像利用RF分類器獲取每個(gè)像元屬于各個(gè)地類的概率后，將光學(xué)遙感影像，SAR影像 的RF初步提取結(jié)果作為獨(dú)立的證據(jù)源，利用D-S證據(jù)理論方法根據(jù)Dempster合成規(guī)則，得到 基于RF和D-S證據(jù)理論融合的SAR影像與光學(xué)遙感影像不透水面提取的最終結(jié)果。
[0069] D-S證據(jù)理論由Dempster于1967年首先提出，由Shafer于1976年進(jìn)一步發(fā)展起來(lái) 的一種不精確推理理論，也稱為Dempster/Shafer證據(jù)理論(簡(jiǎn)稱D-S證據(jù)理論），能較好地 處理不確定信息，主要特點(diǎn)是:滿足比貝葉斯概率論更弱的條件;具有直接表達(dá)"不確定"和 "未知"的能力。D-S證據(jù)理論原理如下：
[0070] 設(shè)?是一個(gè)識(shí)別框架，或稱假設(shè)空間。
[0071] (1)基本概率分配（Basic Probability Assignment，簡(jiǎn)稱BPA)
[0072] 在識(shí)別框架@上的BPA是一個(gè)20-[0，1]的函數(shù)m，稱為mass函數(shù)。并且滿足
[0073] m(0) = :0 且
[0074] X 川⑷=1
[0075] 其中，使得m(A)>0的A稱為焦元(Focal elements)，m(A)稱為A的基本概率函數(shù)，0_ 為空集。
[0076] (2)Dempster合成規(guī)則(Dempster's combinational rule)也稱證據(jù)合成公式，其 定義如下：
[0077] 對(duì)于VAg?，識(shí)別框架?上的兩個(gè)mass函數(shù)mi，m2的Dempster合成規(guī)則為：
[0080] 其中，A、B、C為焦元。
[00811光學(xué)遙感影像及其光譜特征與SAR影像及其紋理特征彼此間相互獨(dú)立，將光學(xué)遙 感影像及其光譜特征、SAR影像及其紋理特征分別作為兩個(gè)獨(dú)立的證據(jù)源。對(duì)來(lái)自不同傳感 器不同特征的RF識(shí)別信息進(jìn)行D-S理論融合，算法步驟如下：
[0082]① RF分類器識(shí)別：在步驟c提取光學(xué)遙感影像光譜特征、SAR影像紋理特征基礎(chǔ)上， 采用步驟a中獲取的訓(xùn)練樣本，在步驟d中對(duì)光學(xué)遙感影像及其光譜特征，SAR影像及其紋理 特征進(jìn)行不透水面的初步提取。
[0083]②BPA函數(shù)構(gòu)造:在步驟d基礎(chǔ)上，計(jì)算每個(gè)待分像元在每個(gè)證據(jù)源中對(duì)各類別的 基本可信度，構(gòu)建BPA函數(shù)，參見(jiàn)前文(1)基本概率分配；
[0084]③決策融合:根據(jù)Dempster合成規(guī)則，將光學(xué)遙感影像、SAR影像的RF提取結(jié)果進(jìn) 行合并，得到每個(gè)像元分配到各類的總信任區(qū)間，參見(jiàn)前文(2)DempSter合成規(guī)則；
[0085]④通過(guò)像元最大概率決策規(guī)則（即判別像元屬于某一類別的最大概率，將該類別 作為該像元所屬類別)將每個(gè)待分像元進(jìn)行歸類，得到基于RF和D-S的不透水面最終提取結(jié) 果。
[0086] 步驟f，針對(duì)步驟d、步驟e對(duì)不透水面的估算結(jié)果，采用步驟a中所得精度驗(yàn)證集， 分別對(duì)步驟d中基于光學(xué)遙感數(shù)據(jù)的不透水面RF初步提取結(jié)果、基于SAR影像數(shù)據(jù)的不透水 面RF初步提取結(jié)果以及步驟e中基于RF和D-S的不透水面最終提取結(jié)果進(jìn)行精度驗(yàn)證。 [0087]常用的精度評(píng)價(jià)方法是誤差矩陣或混淆矩陣(Error Matrix)方法，誤差矩陣是一 個(gè)nXn矩陣（n為分類數(shù)），可以從誤差矩陣計(jì)算出各種精度統(tǒng)計(jì)值，如生產(chǎn)者精度 (Producer ' s Accuracy，PA)、用戶精度（User's Accuracy，UA)、總體精度（Overall Accuracy，0A)、Kappa系數(shù)等，用來(lái)簡(jiǎn)單比較參照點(diǎn)和分類點(diǎn)。
[0088]本發(fā)明實(shí)施例針對(duì)步驟d、步驟e中不透水面的提取結(jié)果，采用步驟a中獲得的驗(yàn)證 樣本，利用混淆矩陣分別對(duì)步驟d、步驟e中不透水面的提取結(jié)果進(jìn)行精度驗(yàn)證。
[0089] Kappa系數(shù)是評(píng)價(jià)分類精度的多元統(tǒng)計(jì)方法，對(duì)Kappa的估計(jì)稱為KHAT統(tǒng)計(jì)，Kappa 系數(shù)代表被評(píng)價(jià)分類比完全隨機(jī)分類產(chǎn)生錯(cuò)誤減少的比例，計(jì)算公式如下：
(14)
[0091]式中TK是Kappa系數(shù)，r是誤差矩陣的行數(shù)，Xl^i行i列（主對(duì)角線）上的值，如和 x+汾別是第i行的和與第i列的和，N是樣點(diǎn)總數(shù)。
[0092]表0 kappa統(tǒng)計(jì)值與分類精度對(duì)應(yīng)關(guān)系
[0094]綜上所述，本發(fā)明提出的結(jié)合SAR影像和光學(xué)遙感影像兩者特征，基于RF和D-S證 據(jù)理論的SAR影像與光學(xué)遙感影像融合方法進(jìn)行城市不透水面提取的方法，在不透水面提 取的準(zhǔn)確度與穩(wěn)定性等方面，比利用單一數(shù)據(jù)源更為有效，由于光學(xué)遙感影像、SAR影像數(shù) 據(jù)源便于獲取，操作步驟簡(jiǎn)單，該方法更加符合實(shí)際的應(yīng)用需求。
[0095]為說(shuō)明本發(fā)明的實(shí)用性和效果，提供以下實(shí)驗(yàn)：
[0096] (1)實(shí)驗(yàn)數(shù)據(jù):光學(xué)遙感數(shù)據(jù)選取2015年4月14日2景GF-1 (高分一號(hào)）多光譜數(shù)據(jù)， 數(shù)據(jù)來(lái)源于地理空間數(shù)據(jù)云網(wǎng)站( http://www.gscloud.cn/)。共四個(gè)波段，其中3個(gè)可見(jiàn)光 波段，1個(gè)近紅外波段，空間分辨率為16米。ENVI 5.2為平臺(tái)進(jìn)行大氣校正、正射校正等處 理。
[0097] SAR影像數(shù)據(jù)來(lái)源選取2015年2月17日的2景干涉寬幅（IW，Interferometric Wide swath))模式的sentinel-lA GRD 雷達(dá)影像，影像下載自 Sentinels Scientific Data Hub 網(wǎng)站（https : //scihub ? esa ? int/dhus/)，影像入射角為29~46°，分辨率5mX 20m，幅寬 250km，極化方式HH+HV(Horizontal Vertical+Vertical Vertical)，對(duì)sentinel-lA影像 進(jìn)行輻射校正、多視處理、地形校正等處理。
[0098] (2)特征提取:對(duì)光學(xué)遙感影像、SAR影像進(jìn)行特征提取。
[0099] (3)RF分類器初步識(shí)別:根據(jù)提取的GF-1影像光譜特征、Sentinel 1-A影像紋理特 征，采用步驟d中RF算法，利用步驟a中光學(xué)遙感影像、SAR影像分別對(duì)應(yīng)的分類器訓(xùn)練集，建 立隨機(jī)森林分類器;根據(jù)步驟a中光學(xué)遙感影像、SAR影像對(duì)應(yīng)的分類器測(cè)試集，對(duì)GF-1影 像、Sentinel 1-A影像所建立的RF分類器進(jìn)行檢驗(yàn)，得到GF-1光學(xué)遙感影像和Sentinel 1-ASAR影像的RF分類器測(cè)試誤差(R_error)分別為0.007，0? 548。將GF-1影像和Sentinel 1-A 影像分別加入到各自的RF分類器中進(jìn)行城市不透水面的初步提取。
[0100] (4)基于(3)中對(duì)GF-1光學(xué)遙感影像、Sentinel 1-A SAR影像的RF分類器初步提取 結(jié)果，獲取每個(gè)像元對(duì)各類別的概率，構(gòu)造 BPA函數(shù)，將光學(xué)遙感影像與SAR影像作為獨(dú)立的 證據(jù)源，利用D-S證據(jù)理論合成規(guī)則，根據(jù)像元最大概率決策規(guī)則，進(jìn)行最終決策融合，得到 基于SAR影像和光學(xué)遙感影像的不透水面融合結(jié)果。
[0101] (5)利用步驟a中獲取的精度驗(yàn)證集進(jìn)行提取結(jié)果的精度驗(yàn)證 [0102] 表1生產(chǎn)者精度表
[0104] 表2用戶精度表
[0107]表3分類總體精度及Kappa系數(shù)
[0109]根據(jù)研究區(qū)及影像特點(diǎn)而言，將研究區(qū)劃分為以下幾種類別進(jìn)行不透水面的提 ?。焊叻瓷渎什煌杆?High reflectance of impervious surface，IS_H)，低反射率不透 水面（Low reflectance of impervious surface, IS_L)，水體（Water body, WB)，植被 (Vegetation，VE)，高亮裸地（High reflectance of bare land,BL_H)，暗色裸地（Low reflectance of Bare land,BL_L)。表1，表2分別代表利用GF-1遙感影像及其光譜特征(光 學(xué)遙感影像數(shù)據(jù)源）的RF初步提取結(jié)果、sentinel 1-A影像及其紋理特征的RF初步提取結(jié) 果(SAR影像數(shù)據(jù)源）以及基于RF-DS的光學(xué)遙感影像與SAR影像融合的提取結(jié)果對(duì)各地類的 生產(chǎn)精度(Producer's Accuracy)和用戶精度(User's Accuracy)，由表1、表2可看出不同 類別之間存在一定情況的漏分與錯(cuò)分現(xiàn)象。光學(xué)遙感影像與SAR影像融合后，改善了暗色不 透水面、水體、暗色裸地之間的漏分、錯(cuò)分現(xiàn)象。將分類結(jié)果合并為透水面與不透水面兩大 類，對(duì)其進(jìn)行精度驗(yàn)證，表3表示三種(光學(xué)遙感數(shù)據(jù)源、SAR數(shù)據(jù)源以及光學(xué)遙感數(shù)據(jù)與SAR 影像的RF-DS融合)不透水面提取總體精度以及Kappa系數(shù)，可看到，單獨(dú)利用GF-1(光學(xué)遙 感影像)進(jìn)行基于RF分類器的不透水面提取的總體精度為91.15 %，Kappa系數(shù)為0.819，單 獨(dú)利用sentinell-A影像(SAR影像)進(jìn)行基于RF分類器的不透水面提取的總體精度為較差 為72.73%，如?? &系數(shù)為0.446，利用證據(jù)理論(03)進(jìn)行341?影像和光學(xué)遙感影像的不透水 面提取總體精度為95.33%，Kappa系數(shù)為0.905，因此，可得出結(jié)論：引入SAR數(shù)據(jù)并基于SAR 影像與光學(xué)遙感影像的RF-DS融合的城市不透水面提取精度更高。
【主權(quán)項(xiàng)】
1. 一種基于SAR影像與光學(xué)遙感影像融合的城市不透水面提取方法，包括以下步驟： 步驟a，預(yù)先選擇若干研究區(qū)的樣本形成樣本總集，采用隨機(jī)采樣的方法從樣本總集中 生成分類器訓(xùn)練集、分類器測(cè)試集以及城市不透水面提取結(jié)果的精度驗(yàn)證集； 步驟b，進(jìn)行研究區(qū)的光學(xué)遙感影像與SAR影像的配準(zhǔn)； 步驟c，根據(jù)步驟b所得結(jié)果，分別進(jìn)行SAR影像與光學(xué)遙感影像的特征提取，得到SAR影 像的紋理特征和光學(xué)遙感影像的光譜特征； 步驟d，針對(duì)步驟c提取的SAR影像與光學(xué)遙感影像特征，采用步驟a所得分類器訓(xùn)練集， 分別輸入到隨機(jī)森林分類器中建立分類模型，針對(duì)步驟a所得分類器測(cè)試集，對(duì)建立的隨機(jī) 森林分類器模型進(jìn)行測(cè)試，得到分類器的測(cè)試誤差；利用已建立的隨機(jī)森林分類器模型分 別對(duì)研究區(qū)的光學(xué)遙感數(shù)據(jù)及其光譜特征、SAR影像數(shù)據(jù)及其紋理特征進(jìn)行基于隨機(jī)森林 分類器的城市不透水面初步提取，得到光學(xué)遙感影像數(shù)據(jù)源、SAR影像數(shù)據(jù)源的不透水面初 步提取結(jié)果； 步驟e，根據(jù)步驟d采用隨機(jī)森林分類器對(duì)光學(xué)遙感影像、SAR影像進(jìn)行不透水面的初步 提取結(jié)果，利用D-S證據(jù)理論合成規(guī)則進(jìn)行決策級(jí)融合，得到研究區(qū)最終的不透水面提取結(jié) 果； 步驟f，針對(duì)步驟d所得研究區(qū)基于光學(xué)遙感影像RF初步提取結(jié)果，SAR影像RF初步提取 結(jié)果以及步驟e所得研究區(qū)不透水面提取結(jié)果，采用步驟a所得精度驗(yàn)證集，運(yùn)用混淆矩陣 方法分別對(duì)上述提取結(jié)果進(jìn)行精度驗(yàn)證。2. 根據(jù)權(quán)利要求1所述基于SAR與光學(xué)遙感影像融合的城市不透水面提取方法，其特征 在于:步驟a中，參照Google earth和高空間分辨率影像目視選擇樣本集。3. 根據(jù)權(quán)利要求1或2所述基于SAR與光學(xué)遙感影像融合的城市不透水面提取方法，其 特征在于:步驟e中，實(shí)現(xiàn)方式如下， 根據(jù)步驟d所得結(jié)果，計(jì)算每個(gè)待分像元在每個(gè)證據(jù)源中對(duì)各類別的基本可信度，構(gòu)建 BPA函數(shù)； 根據(jù)Dempster合成規(guī)則，將光學(xué)遙感影像、SAR影像不透水面RF初步結(jié)果進(jìn)行合并，得 到每個(gè)像元分配到各地類的總信任區(qū)間； 通過(guò)像元最大概率決策規(guī)則將每個(gè)待分像元進(jìn)行歸類，得到城市不透水面D-S最終決 策結(jié)果。
【文檔編號(hào)】G06K9/00GK105930772SQ201610228176
【公開日】2016年9月7日
【申請(qǐng)日】2016年4月13日
【發(fā)明人】邵振峰, 付虎艷, 丁霖, 張?jiān)?
【申請(qǐng)人】武漢大學(xué)