极化微波成像数据在农作物分类中的应用

极化微波成像数据在农作物分类中的应用

ID:21515269

大小:27.50 KB

页数:6页

时间:2018-10-22

极化微波成像数据在农作物分类中的应用_第1页
极化微波成像数据在农作物分类中的应用_第2页
极化微波成像数据在农作物分类中的应用_第3页
极化微波成像数据在农作物分类中的应用_第4页
极化微波成像数据在农作物分类中的应用_第5页
资源描述:

《极化微波成像数据在农作物分类中的应用》由会员上传分享,免费在线阅读,更多相关内容在学术论文-天天文库

1、极化微波成像数据在农作物分类中的应用  摘要:微波成像是一种重要的遥感技术手段,带有极化信息的微波成像数据可以形成多种极化分解和极化组合方案。由于农作物不同位置对极化信息的响应存在较大差异,因此可以利用极化微波成像数据对农作物进行分类,从而快速获取大面积种植区域内的农作物分布以及长势差异的数据,这些数据的获取将极大地提升农业科研调查和农业执法等工作的效率。  关键词:微波成像;农作物分类;极化信息提取  1概述  农作物的普查和耕地种植情况的调查是农业生产和监督执法的重要环节和工作内容。但由于农作物种植面积广大,植株数量众多,个体差异

2、较大等因素,无法逐一进行调查或测量,通常是采用抽查部分植株的情况通过统计的数学方法进行的。现有的方法所调查的植株数量极为有限,所覆盖的地域范围也不可能太大,同时受到环境条件的限制,很多地方在植株茂盛时难以人工徒步到达。  随着遥感技术的快速发展,特别是高分辨率遥感技术手段的普及和应用可以使得人们更加方便的获取相关区域的遥感图像[1]。基于这些图像可以清晰的、高精度的获取到目标区域农作物的生长状态以及相关生物参数[2]。在众多遥感技术手段中,微波成像系统具有全天候全天时的成像能力[3],此外由于采用具有一定极化特征的电磁波进行主动探测,

3、因此电磁波与目标之间的物理作用后可以获得更多关于目标的物理特性参数,如高度、含水量、叶片密度等[4]。  本文利用极化微波成像数据对农作物的大面积种植区域进行成像探测,并尝试采用不同分类处理算法以及极化分解技术实现对大面积复杂场景区域的农作物种植区域的分类[5],并与地表真值进行对比以确定算法的可靠性和分类效能。  本文第二部分针对极化微波对植被的作用原理进行讨论,第三部分针对基于合成孔径雷达的分类和特征提取技术进行讨论,第四部分利用实际数据进行实验验证,并最后给出实验结论。  2极化微波对植被的作用原理  在空中传播的电磁波由振荡的

4、磁场和振荡的电场交替构成,在一般意义下以电场的振荡方向作为电磁波的极化方向或极化形式[6]。如图1所示。  按照发射信号的极化方式(水平H或垂直V)以及接收信号的极化方式(水平H或垂直V)可以形成四种组合方式,分别是水平极化发射水平极化接收HH、水平极化发射垂直极化接收HV、垂直极化发射水平极化接收VH以及垂直极化发射垂直极化接收VV。不同的极化收发组合对植被和农作物不同的部分有着不同的响应能力[7]。如图2所示。  由于目标的结构不同将会对后向散射信号的极化特性有较大的影响,如图3所示。  在图3中给出了三种极化散射模式,第一种是极

5、化保持的模式,另外两种是去极化的散射模式,电磁波散射后极化特性将发生改变,通过极化特性的改变可以了解目标的结构等方面的特性。针对典型农作物的电磁散射过程可以分为以下三种情况。  根据以上极化散射过程与农作物不同部位之间的对应关系可以了解农作物长势以及品种的特征,从而在微波图像中实现对农作物的分类。图5中给出一个实际极化微波成像数据。这是一块由电子38所提供的实测的自然地物的机载双极化微波图像,图中A区域为一个平静的水塘,符合典型的奇次散射模型;图中B区域为某医院门诊大楼正立面,符合典型的偶次散射模型;图中C区域为某医院内部草坪,符合典

6、型的漫散射模型;图中D区域为椰树林,符合典型的体散射模型。  3极化微波图像的农作物分类研究  微波信号极化方式极大的影响与目标之间的作用关系,进而反映在微波图像中。在现有雷达数据中可以采用水平极化方式H发射或垂直极化方式V发射,而接收也可以分别采用以上两种方式H/V进行,于是形成四种极化组合(HH、VV、HV、VH),按照不同的比例关系分解这四种极化方式,可以形成多种适应不同应用需求的极化组合方式,并可以形成具有分类特色的?O化伪彩色图像。  这里采用美国JPL提供的AIRSAR雷达数据,针对Flevoland地区一片农田进行成像,

7、分析结果如图6所示:  在拥有地面真值数据作为参考的前提下,可以分析全极化数据与双极化、单极化数据相比在分类效果上的优势,可以分别统计出全极化、双极化与单极化数据进行分类的正确率。图6(a)表示该多极化数据的Pauli基分解伪彩色合成图,图6(b)表示采用HH通道进行分类的结果,正确率为56.35%,图6(c)表示采用HH通道与VV通道进行分类的结果,正确率为80.91%,图6(d)表示采用四个极化通道进行分类的结果,正确率为81.63%。  由此可见,多极化SAR图像能够提高地物分类的准确程度,为准确进行农作物的生长、耕地分类评估奠

8、定基础。  前面介绍的分类均是基于像素的,目前面向对象的分类已经成为研究的热点:面向对象的图像分类方法尝试模拟人类理解图像的过程,利用影像分割技术把影像分解成具有一定相似特征的像素的集合――影像对象,影像对象和像素相比,

当前文档最多预览五页,下载文档查看全文

此文档下载收益归作者所有

当前文档最多预览五页,下载文档查看全文
温馨提示:
1. 部分包含数学公式或PPT动画的文件,查看预览时可能会显示错乱或异常,文件下载后无此问题,请放心下载。
2. 本文档由用户上传,版权归属用户,天天文库负责整理代发布。如果您对本文档版权有争议请及时联系客服。
3. 下载前请仔细阅读文档内容,确认文档内容符合您的需求后进行下载,若出现内容与标题不符可向本站投诉处理。
4. 下载文档时可能由于网络波动等原因无法下载或下载错误,付费完成后未能成功下载的用户请联系客服处理。