英语原文共 7 页，剩余内容已隐藏，支付完成后下载完整资料
基于radarsat和landsat影像的圣路易斯密苏里州地区土地覆盖分类
Heng Huang, Justin Legarsky, and Maslina Othman
摘要：本文提出了集成雷达数据的潜力优势与光学数据提高自动土地覆盖分类精度。对研究区域圣路易斯，密苏里州的landsat ETM 和Radarsat图像进行正射校正和相互校正。利用最大似然分类器确定不同的土地覆盖类别。地面整个研究区域收集的站点的参考数据用于训练和验证。分类精度的变化主要由于不同的雷达成像处理技术。处理过程与土地分类结果的关系同样需要验证。此外，Landsat图像融合处理雷达特征有多种组合。基于landsat和radar特征的分类精度仍需要研究。研究发现多传感器融合数据相比单一landsat传感器分类精度更高，要求不同的雷达影像处理技术以得到最优结果。在我们的研究中，融合了landsat影像和radar特征的13*13的熵窗口，9*9的数据范围窗口，和19*19的均值滤波窗口实现了相比单一landsat影像提高10%精度的高精度分类。
- 引 言
随着城市化的加剧，城市的基础设施和市政府同时扩大以满足人们的需要和利益。关于地理的最新信息诸如人口位置，森林，作物和水等问题设施在科学分析中发挥重要作用决策活动。由于它的广泛可用性和更新频率，卫星遥感提供多种成本有效的方法来获得当前可靠的地球表面信息（Donnay等，2001）。
光学传感器如landsat TM/ETM 和spot已经被证明是有效的用于诸如土地覆盖分类(Gong and Howarth, 1990; Ji, 2000)、变化检测(Green et al., 1994; Singh, 1989)、灾害控制(Tapley et al., 2001). 这些无源光学传感器只接收来自观测目标的发射和反射。他们在获取无云图像、定期的图像和获取某些类型的地物特征的光谱分类存在局限性。(Ulaby et al., 1982).
与光学传感器相比，有源微波传感器可以提供他们自己发射能量的观测影像。较长的波长能够拥有较好的大气的穿透条件如雨，雨夹雪，雾，雾，烟，降水，和云(Haack et al., 2000)。 因此，微波传感器如合成孔径雷达（SAR）他们在各种天气条件下包括白天黑夜获得图像的能力有较大的优势(Curlander and McDonough,1991; Goetz et al., 2000)。由于波长的不同，雷达与光学传感器作用于地球表面具有不同的反射率。因此，雷达传感器具有提供可能的附加信息的潜力结合光学传感器数据改进土地分类(Won et al., 1999)。
最近的研究(Haack and Slonecker, 1994; Solberget al., 1994; Weydahl et al., 1995)利用SAR和光学传感器数据表明分类的精度与单独的光学传感器相比有明显的改善。未经处理的雷达图像经常被复杂化，由于存在由建设性引起的斑点噪声和反射信号的解构干扰（Dobsonet al。，1992; Richards，1990）。附加信号处理，例如散斑滤波和纹理提取，可能有助于雷达图像的解译。 例如，Haack等人（2000）应用方差纹理提取Radarsat图像实现约10％的分类精度改进与Landsat图像融合进行研究网站在肯尼亚达达德。 然而，没有确定的滤波或纹理技术已被确定是最有效的用于所有遥感影像和分类类型。
这项研究评估了密苏里州圣路易斯使用多源图像的土地覆盖分类。雷达图像由多个过滤和纹理处理技术。使用的每一种分类方法都比较了研究区的分类精度。另外，Landsat图像将与一个或多个Radarsat要素合并进一步提高分类精度。
- 研 究 区
该分析仅限于覆盖圣路易斯县，一部分的圣查尔斯县，密苏里州和部分的州伊利诺伊州。 图1显示了该区域的位置。
图1 Study area location in St. Louis, Missouri.
本研究区地理位置密位于苏里州的中东部部分，在北纬38°22′51.84Prime;到北纬38°54′9.98Prime;,西经90°7′56.78Prime;到90°43′25.71Prime;大约53公里56公里。研究区域拥有超过一百万人口且覆盖更大的圣路易斯地区。
- 卫 星 影 像
获得圣路易斯地区的三个主要数据集进行分析。第一个数据集是加拿大航天局的（CSA）2001年11月12日获得的Radarsat SAR图像。Radarsat的SAR在C波段收集无线电强度数据（5.6cm）标准光束模式，具有12.5mu;m像素间距，我们重新采样到30 m像素分辨率有一个与Landsat图像的一个像素对应。图2显示了研究区域的雷达场景。圣路易斯大都会区从中心向东延伸。密苏里河和密西西比河在影像的东北部分合并在一起。其他两个数据集是标准的Landsat-7 ETM 图像，于2002年2月2日和6月14日收购，分别为 Landsat-7 ETM 传感器收集的六个波段即可见及红外波段。我们使用30 m像素分辨率Landsat图像。本研究检查Landsat-7 ETM 使用所有六个波段，这项研究显示使用其中三个Landsat波段（可见红，近红外，中红外）能给许多土地覆盖物提供良好的分析结果调查(Haack et al., 2000)。
图 2. Radar scene of the study area acquired in November 2001.
- 参 考 数 据
地面参考数据从高分辨率IKONOS图像（2001年4月8日收购）和Digital
Orthophoto Quarter Quadrangles (DOQQs)获得。Orthophotos结合航空影像的图像特征（2003年6月15日至8月16日）以及地图的几何特征。 不像标准的天线照片，DOQQ中的几何位置偏移被校正后影像地面特征显示在它们的真实地面位置，这允许直接测量距离，面积，和位置。在这个研究中采用目视解译方法，仔细检查具有地理位置的地物特征并匹配到融合的光学/雷达数据集。由于没有收集与多源图像同源日期的参考数据，还需要进行多源图像与参考数据的交叉检查。
在本研究中，我们的研究区分为七个土地覆盖类别：森林，水，开阔地，低密度建筑物（LDB），中密度建筑物（MDB），高密度建筑物（HDB）和交通用地。森林至少有70%在城市或乡村地区。水由湖泊，江河和运河。开阔地包括农业土地，牧场，草地，高尔夫球场和主要公园中不属于森林，但有植被覆盖的地区。LDB主要是住宅面积大的家庭，其中10％到30％区域被建筑物覆盖。 MDB主要是住宅中等面积的家庭，其中30％到50％的地区被建筑物覆盖。 HDB是住宅和商业区，包括排屋，公寓或小房子，其中50％的地方70％的地区被建筑物覆盖。它也是包括主要大城市的中心商业区区域，主要包括高楼。交通用地包括机场，高速公路和主要道路。
每种土地覆盖类型的地面参考数据收集在一个简单的随机抽样模式中（Campbell，1996）。样本位置的随机性确保所有研究区域的部分同样受到选择，从而产生准确表示的数据面积检查。 在每个随机样本位置，多边形选自每种现有的土地覆盖类型用作参考数据。 我们选择了大量的随机用于参考的足够随机性的样本位置数据。 训练区像元数的百分比通过目视解译手动测量建筑物。大约一半的参考点用于训练，而剩余的数据用于验证。训练数据的位置与验证数据分离。 表1列出了所使用的为每个土地覆盖类的像素和多边形的数量。在这项研究中总共使用18,852个像素其中9,698像素用作训练数据，而剩余的9,154像素用于验证分类结果。 每个类有约2,500参考数据点，约为总数七分之一。
- 方 法
在我们的研究中，对雷达和光学图像进行重采样，得到相同大小的像素。图3在下面详细描述了处理步骤的框图。
-
- 校 正
Radarsat图像和Landsat图像用相同的通用横轴墨卡托投影（UTM）校正，使用USGS空间数据传输标准（SDTS）数字高程模型（DEM）数据，具有30 m像素分辨率。
雷达数据使用最临近法重采样到30 m像素大小与30 m像素尺寸的Landsat图像相同。 对于这项研究，从阿拉斯加卫星设施（ASF）获得的软件工具用于对Radarsat数据进行正射校正，而Landsat图像与商业PCI软件使用正射校正卫星轨道模型。对易于观察的土地特征（即桥梁和公路交叉口）进行人工配准融合卫星图像。 通过找到典型地物，确定不同图像之间的配准误差小于两个像素。
-
- SAR图像处理
在图像处理和解译中数字滤波和纹理技术是重要的工具。 因为存在散斑噪声可导致高度的误分类，滤波技术（例如平均，LPF和中值）经常用于预处理原始SAR图像(Hagg and Sties, 1994)。此外，纹理特征和图像度量可以通过从雷达图像中提取各种处理技术以辅助SAR图像解译（Solberg和Anil，1997）。在这项研究中，八种图像处理技术（高斯高通滤波器（HPF），高斯低通滤波器（LPF），拉普拉斯算子，平均值，中值，熵和数据范围（DR）和方差）Radarsat数据。这些邻域（即窗口）技术在文献中有详细描述(Gonzalez, 1987; Russ,1992; Ludeman, 1986; Proakis et al., 1986; Haralick, 1973).表2列出了每种处理方法的简要方程应用于本研究中的Radarsat数据。 N（zi）在窗口中具有相同的zi灰度级的像素的数目。M是窗口中的像素总数。 L是数字灰度级在窗口。变量，mu;，是平均值。变量x和y是空间方向。
此外，我们审查了窗口大小对这些处理技术的影响。预处理Radarsat数据使用每种所提及的技术窗口大小从3*3像素提高到25*25像素。处理的雷达图像作为附加波段与Landsat图像进行分类。
-
- 合 并
Landsat-7 ETM 波段3，4，5和作为额外波段插入的Radarsat数据合并成一个通用的图像文件格式。 此步骤准备融合多传感器数据进行分类。
-
- 分 类
应用监督最大似然（ML）分类器到融合的Landsat / Radarsat数据，以执行土地覆盖分类。 ML决策规则，同时执行定量地考虑几个类和几个光谱通道，分配土地覆盖类到基于相似性的感兴趣的每个像素位置之间的光谱和辐射强度不同的土地特征。 本研究使用ML分类器是因为在当前有很多相关的充分利用它的研究文献(Benediktsson et al., 1999; Kurosu et al.,1999; Strozzi et al., 2000). ML分类器是最优的图像度量和纹理特征均匀分布的情况（例如，高斯分布）(Paola and Schowengerdt,1995).
本研究分析了三种数据组合：（a）Radarsat，2001年11月和Landsat，2002年2月; （b）Radarsat，2001年11月和Landsat，2002年6月; 和（c）Radarsat，2001年11月和Landsat，2002年2月和6月。具有各种处理窗口大小的处理技术对每个数据组合进行研究。另外，选取最好的三个雷达处理结果进一步结合提高分类精度。
- 结果和讨论
我们在整个研究中做了一些观察的调查。 Landsat和原始Radarsat的融合图像显示总体分类的额外改进精度（约增加1％）。 我们的研究表明双传感器Landsat分类产生较高整体准确性（约7％）相比单传感器Landsat分类。 我们发现雷达数据与Landsat图像合并增加熵处理时的分类精度超过7％。 此外，我们发现准确度最好的三个雷达图像与Landsat图像合并后分类精度增加了10％以上。 以下段落讨论这些观察的细节和其他。
我们发现熵处理Radarsat的融合数据单独与Landsat数据融合比使用其他比使用其他七种预处理技术产生较高分类精度。我们发现了13* 13窗口大小以产生熵滤波器的最高精度。一些滤波技术（即，平均滤波器）可以增加辐射分辨率，由信号定义方差。 同时，空间分辨率可能降低（例如，模糊图像内的边缘）。 纹理技术提取纹理信息，例如熵，方差和数据范围，从雷达图像，这可以帮助图像解译。
图4显示了两个Landsat数据集和一个Radarsat图像处理每种8种技术具有各种窗口尺寸的数据整个验证的准确性。土地从光学数据集的分类精度（74.44百分比）可以提供用于与融合的比较的基线光学和雷达数据集。所有的处理技术
窗口大小1* 1等效于未处理的雷达数据。HPF和拉普拉斯滤波器没有提高整体精度，其随着窗口尺寸可能向下趋势对低频信息的减少。另一个处理技术提高分类，其中其熵滤波导致最高的精度。熵，均值和数据范围处理显示清楚针对特定窗口大小的精度峰值。精度趋势与窗口大小增加为LPF，方差和中值处理到接近饱和值，这低于比具有峰值的方法和可能进一步随着窗口尺寸的增大而减小。整体分类精度达到熵峰
剩余内容已隐藏，支付完成后下载完整资料
资料编号：[27019]，资料为PDF文档或Word文档，PDF文档可免费转换为Word
以上是毕业论文外文翻译，课题毕业论文、任务书、文献综述、开题报告、程序设计、图纸设计等资料可联系客服协助查找。
