入射角感知的SAR海冰图像自动解译

Non-stationary nature of the SAR images is a major obstacle to the automatic interpretation of SAR sea ice image. Incidence angle effect is one of the main factors leading to instability in the sea ice image features. The project will investigate the method to integrate steps of the incident angle effect correction in the segmentation process based on the quantitative study of the incidence angle effect for the influence of incidence angle effect on Arctic automated SAR sea ice interpretation. Considering the speckle noise，incidence angle effect and uncertainties altogether，the regional clustering，incidence angle effect correction and region merging will be combined through the pathway starting from the pixel，to the region，to the large-scale area. Therefore，the method can improve the anti-interference capability of the segmentation algorithm. Knowledge acquisition and refinement then will be studied under the knowledge-based classification framework. The method designed to build expert rule bases，rule-based SAR sea ice image classification method also be researched combined with incidence angle correction factor extracted in the segmentation process. And the confidence of incident angle correction factor will be validate in the course of classification evaluation. In order to improve the interpretation accuracy，the approach proposed in this project intends to enhance the ability to adapt to non-tationarity of the SAR image as the robustness of segmentation algorithm，reliability of knowledge and classification of intelligence.

SAR图像的非平稳性是SAR海冰图像自动判读的主要障碍，入射角效应是导致海冰图像特征不稳定的主要因素之一。针对入射角效应对北极SAR海冰图像自动解译的影响，本项目将在对入射角效应量化研究的基础上，研究在分割过程中集成入射角效应校正步骤的方法。该方法拟经由像素到区域再到大尺度区域这一途径，综合考虑斑点噪声、入射角效应和不确定因素，把区域聚类、类尺度上的入射角效应校正以及区域合并组合起来，有效提高分割算法的抗干扰能力。然后在基于知识的分类框架下，研究知识采集和细化的方法，结合分割过程中所提取的入射角校正因子这一新的类尺度特征，研究专家规则库的构建方法和基于规则的SAR海冰图像分类方法，并在分类评估过程中揭示入射角校正因子的可信度。本项目提出的方法拟从分割算法的鲁棒性、知识的可靠性以及分类方法的智能性方面增强对SAR图像非平稳性的适应能力，从而提高解译精度。

海冰监测对开展气候研究、航运交通、海洋资源开发等工作具有重要意义，而合成孔径雷达（Synthetic Aperture Radar，SAR）以其特有的昼夜成像能力成为海冰监测的重要工具。其中，作为大范围观测的主要手段，ScanSAR（Scanning Synthetic Aperture Radar）工作模式得到广泛应用。然而，这种宽观测带SAR有明显的入射角效应，即近距端较亮而远距端变暗。这种效应显然会影响到宽观测带SAR数据的处理和解译。经过为期四年的努力，本项目提出了由非监督分类（区块分割）、入射角效应校正和监督分类三部分构成的ScanSAR图像解译框架。首先，本项目提出了基于空间知识和同质区强度信息的地物取样策略，并在地物水平上完成了入射角效应量化研究，在此基础上，结合线性回归估计的余弦朗伯定律，将我们早期提出的使用多指数模型的SAR海冰图像全局偏差场校正方法，改进为按类辐射校正。为提高ScanSAR的非监督分类精度，我们还设计了在分割过程中集成入射角效应校正步骤的方法。该方法有一定的抗干扰能力。ScanSAR解译的另一思路是先在可忽略入射角效应的区块内完成非监督分类，据此我们提出了一种新的按类校正方法，其在类内基于局部线性映射技术进行规格化，而类间参考角的确定则基于最大类间距离原则。校正结果不仅能呈现出细致的纹理变化，且可大大提高监督分类精度。而在监督分类方面，我们首先检验了各种极化量的海冰检测能力，并对特征融合方法PCA和LLE（流形学习）进行了比较。发现基于PCA方法的数据融合有益于海冰检测和分类，而使用基于LLE的方法则产生了差的结果。此外，为增加监督分类对SAR海冰图像非平稳性的适应能力，我们还提出了一种组合MRF与ν-SVM的方法。本项目的研究成果已在IEEE Transactions on Geoscience and Remote Sensing、International Journal of Remote Sensing、Journal of Applied Remote Sensing、遥感学报等国内外期刊和会议上发表论文17篇，并有2篇论文投稿在审。其中，与入射角效应校正相关的工作，已经得到国内外同行的关注，并有望运用于科学实验。项目成果对于大范围海冰监测研究有着积极的促进作用。

内容获取失败，请点击重试