论文部分内容阅读
海岸带监测对于国土资源勘探、海域使用管理等领域具有实际意义,而遥感为海岸带的监测提供重要手段,其中光学遥感和合成孔径雷达(Synthetic Aperture Radar,SAR)图像在中低分辨率下可以具有较大幅度的探测范围。在此前提下,本文围绕海岸带区域的海岸线检测和海岸带分类两个问题展开研究。在海岸线检测方面,SAR图像具有全天候的探测能力,但由于相干斑噪声、海风引起的海浪等复杂性因素,使得海岸线检测研究仍然面临着较大难度。在海岸带分类方面,只依靠光学或SAR图像的解译在中低分辨率下性能有待提高。因此,本文分别从SAR图像出发研究其海岸线检测算法,从图像融合角度出发,研究海岸带区域的SAR图像与光学图像的融合分类算法。本文主要工作如下:(1)给出了一种基于线检测的改进超像素SAR图像海岸线检测算法。该算法从分类的角度解决海岸线检测问题。针对现有超像素对线状物贴合不准的问题,本文给出一种双边滤波器,并将其引入已有光学线检测(Fast line finder,FLF)算法,给出一种基于SAR图像的改进线检测(Improved Line Finder,ILF)算法。然后本文给出一种具有线检测的超像素生成算法,使算法的模型参数受ILF线分布图控制。最后,采用隐马尔科夫模型对得到的超像素分类。实验针对较为复杂海况下的SAR图像展开检测,结果表明本章算法的平均偏移指数小于对比算法,基本可控制在两个像素以内。解决了具有复杂海域情况的SAR图像海岸线检测问题。(2)给出了一种基于均匀性度量的改进可靠性因子的遥感图像融合与海岸带分类算法。其动机在于,已有融合分类算法以不确定性度量传感器数据,对两种传感器不同地物的解译优势利用不够充分,导致在分类精度只有70%左右,仍有上升空间。为了解决这一问题,利用SAR图像灰度共生矩阵纹理来度量图像的均匀性,并结合光学图像的灰度信息以提取人工建筑区域,针对不同区域给出不同的可靠性因子。最后,采用马尔科夫随机场实现对SAR图像与光学图像在海岸带的融合分类。实验采用Sentinel-1图像和Landsat-8图像进行,实验表明改进的融合分类算法相比已有融合分类算法以及单一图像分类方法具有更好的分类性能,分类总体精度可达到87.86%,相比于已有融合分类的实验对比算法,提高了 20%左右。解决了已有算法对各传感器数据利用不充分问题,提高了海岸带的分类性能。