EN中文

地球信息科学学报 >

2023 , Vol. 25 >Issue 8: 1730 - 1745

DOI: https://doi.org/10.12082/dqxxkx.2023.220985

遥感科学与应用技术

基于改进HLT与深度学习的双时相PolSAR洪涝灾害监测新方法

  • 刘文宋 ,
  • 张仲英 ,
  • 郑琳 ,
  • 郭风成 , *
展开
  • 江苏师范大学地理测绘与城乡规划学院，徐州 221116
*郭风成（1992— ），男，江苏宿迁人，博士，副教授，主要从事SAR影像增强研究。Email:

刘文宋（1988— ），男，山东潍坊人，博士，讲师，主要从事PolSAR影像解译方法研究。E-mail:

收稿日期: 2022-12-19

  修回日期: 2023-01-06

  网络出版日期: 2023-07-14

基金资助

国家自然科学基金项目(62201232)

国家自然科学基金项目(62101219)

江苏省自然科学基金项目(BK20210921)

江苏省自然科学基金项目(BK20201026)

收起

A Novel Flood Disaster Monitoring Method based on Improved HLT and Deep Learning Using Bi-temporal PolSAR Images

  • LIU Wensong ,
  • ZHANG Zhongying ,
  • ZHENG Lin ,
  • GUO Fengcheng , *
Expand
  • School of Geography, Geomatics and Planning, Jiangsu Normal University, Xuzhou 221116, China
*GUO Fengcheng, E-mail:

Received date: 2022-12-19

  Revised date: 2023-01-06

  Online published: 2023-07-14

Supported by

National Natural Science Foundation of China(62201232)

National Natural Science Foundation of China(62101219)

Natural Science Foundation of JiangSu Province(BK20210921)

Natural Science Foundation of JiangSu Province(BK20201026)

Fold

摘要

全极化合成孔径雷达（PolSAR）通过主动收发不同极化方式的微波信号，可为全天时、全天候获取洪涝受灾信息提供有利的数据支持。然而，传统基于PolSAR影像的洪涝灾害监测方法受相干斑噪声影响严重，且洪涝灾害引发的变化类与非变化类的类别不平衡易导致灾害监测精度低。针对以上问题，本文提出了一种基于改进HLT与深度学习的双时相PolSAR洪涝灾害监测新方法。首先，通过构建一种顾及邻域信息的改进Hotelling-Lawley迹（HLT）统计量算子，减少PolSAR影像相干斑噪声及空间异质性对差异影像生成的影响；其次，为解决洪涝受灾区域变化类样本不足及变化类与非变化类不平衡的问题，引入双阶段中心约束FCM（TCCFCM）算法与深度卷积对抗生成网络（DCGAN）模型，形成一种稳健的洪涝灾害样本选择与扩充方法；最后，通过构建一种深度卷积小波神经网络（DCWNN）模型实现洪涝灾害精确监测。为了验证本文方法的可行性与鲁棒性，本文选取了2016年7月武汉梁子湖与严东湖洪涝灾害发生前后Radarsat-2影像进行实验。定性与定量评价结果表明：相对于传统的洪涝灾害监测方法，本文方法综合降低洪涝灾害监测的虚警率与漏警率分别为2%及1.5%左右，而监测洪涝灾害的总体精度与Kappa系数可分别提升3%及0.02左右，为相关部门应急救灾等工作提供技术支持。

关键词： 洪涝灾害; PolSAR影像; 改进HLT算子; 类别不平衡; 双阶段中心约束FCM算法; 深度卷积对抗生成网络; 深度卷积小波神经网络

本文引用格式

刘文宋 , 张仲英 , 郑琳 , 郭风成 . 基于改进HLT与深度学习的双时相PolSAR洪涝灾害监测新方法[J]. 地球信息科学学报, 2023 , 25(8) : 1730 -1745 . DOI: 10.12082/dqxxkx.2023.220985

Abstract

Rapidly and accurately monitor the flood disaster is very important, which can protect people's life and property safety and realize the sustainable development of society. The polarimetric synthetic aperture radar (PolSAR) image can obtain all-day and all-weather information of flood disaster by transmitting and receiving electromagnetic microwave of different polarizations, which can provide more favorable data support for flood disaster monitoring. However, the traditional flood disaster monitoring methods based on PolSAR images are seriously affected by speckle noise and the class imbalance between changed class and un-changed class leads to low accuracy of disaster monitoring. To address issues, a novel flood disaster monitoring method based on the improved Hotelling-Lawley Trace (HLT) statistic operator and deep learning for small area change using bi-temporal PolSAR images was proposed in this paper. Within this method, the HLT statistic operator was firstly constructed by considering the neighborhood information of PolSAR images, which can reduce the influence of speckle noise and spatial heterogeneity for the generation of the difference image in this paper. Secondly, the Two-stage Center-Constrained Fuzzy C-Means clustering (TCCFCM) algorithm and the Deep Convolutional Generative Adversarial Network (DCGAN) were introduced to build a robust method of sample select and express when lacked the changed samples over disaster areas, which can solve the problem of the class imbalance between changed and un-changed class. Finally, the Deep Convolutional Wavelet Neural Network (DCWNN) was constructed to achieve accurate monitoring of flood disasters. In order to verify the feasibility and robustness of the proposed method, the Radarsat-2 images covered Wuhan city before and after flood disaster were selected in July, 2016. The qualitative and quantitative results show that the proposed method can reduce the missed alarm rate and false alarm rate of flood disaster monitoring, and significantly improve the Overall Accuracy (OA) and Kappa coefficient (Kappa) of disaster monitoring, i.e. the false alarm rate and missed alarm rate of flood disaster monitoring are reduced respectively 1.5% and 2%, meanwhile, the OA and Kappa coefficient of flood disaster monitoring are significantly improved 3% and 0.02 when compared with the traditional methods of flood disaster monitoring, which can provide technical support of emergency relief work for relevant departments.

Key words： flood disaster; PolSAR image; improved HLT operator; class imbalance; TCCFCM algorithm; DCGAN; DCWNN

1 引言

近年来，我国洪涝灾害多地频发，如2016年武汉、2018年广东及2021年郑州洪涝灾害等，严重损害了当地人民生命财产安全，阻碍了经济、社会可持续发展[1-2]。及时、准确地监测洪涝灾害也是促进社会高质量发展的重要保障之一[3]。相对于传统洪涝灾害实地调查手段，基于遥感影像的洪涝灾害监测技术可以快速、大范围监测洪涝灾害的影响，为助力相关部门防灾减灾提供技术支持[4]。然而，在洪涝灾害发生时，常伴随阴雨天气，传统光学遥感传感器由于受工作波段较短、且为被动成像等条件限制，难以及时、快速获取洪涝受灾区域的高质量影像，影响后续相关应急救援工作实施[5-6]。合成孔径雷达（Synthetic Aperture Radar，SAR）通过主动微波成像方式，可全天时、全天候获取不受云雾影响的灾区影像[7-8]。此外，相对于单极化SAR影像，全极化SAR（Polarimetric Synthetic Aperture Radar，PolSAR）通过收发不同极化方式的电磁波，可以获取更加丰富的受灾地物的散射特性，为精准洪涝灾害监测提供可靠的数据支撑[9]。因此，基于不同时相PolSAR影像的洪涝灾害监测方法已成为近年该领域研究的热点。
传统基于不同时相PolSAR影像的洪涝灾害监测方法一般包括：影像预处理、差异影像生成及差异影像分析3个过程[7,10]。其中，差异影像生成与差异影像分析是洪涝灾害监测的核心[11]。近年来，国内外专家学者提出了众多基于PolSAR影像的差异影像生成算法，如对数比值法、主成分分析法、非局部图法等[12]，但以上方法大多只针对PolSAR影像的强度或幅度信息，尚未充分利用PolSAR影像的极化散射特征，从而影响洪涝灾害监测的精度[13]。为解决传统差异影像生成方法对PolSAR极化散射信息利用不足的问题，近年来发展一些顾及地物散射信息的差异影像生成方法，如似然比假设检验（Likelihood-Ratio Test Statistic, LRTS）法[7]、改进的Wishart距离(Symmetric Revised Wishart distance，SRWD)法[14]、Bartlett假设检验（Bartlett）法[9]、Hotelling-Lawley迹（Hotelling-Lawley trace, HLT）统计量算子[13]等。相对于只利用PolSAR影像强度或幅度信息的差异影像生成方法，顾及地物极化散射信息的差异影像生成方法可更有效表达不同影像间的相似性刻度[5,15]。但PolSAR特殊的成像机理，导致获得的差异影像不可避免地受相干斑噪声影响，致使洪涝灾害监测虚警率较高[16]。
在生成差异影像后，为获取具体洪涝灾害影响情况（如洪涝受灾地点、范围等），通常需要对获得的差异影像进行分析，即将差异影像分为受灾区域（变化类）与未受灾区（非变化类）[17-18]。传统的洪涝灾害差异影像分析方法通常包括阈值法（如Otsu阈值法、Huang阈值分割法、KI (Kittler and Illingworth)阈值法等）[19]和聚类法（如K-means法，FCM(Fuzzy C-Means, FCM)法等）[11,20]。但以上差异影像分析算法用于复杂的洪涝灾害监测时，难以有效地将处于变化类与非变化类之间的受灾类型准确分类到相应的类别中，导致洪涝灾害监测的总体精度较低[21]。近年来，由于深度学习算法（如深度卷积神经网络、图卷积神经网络、深度卷积小波神经网络等）具有较好的深层次场景与上下文学习及表达能力，可以更加精准地区分洪涝受灾区域与未受灾区域[11,21]，因此基于深度学习的变化检测方法也越来越多地应用于洪涝灾害监测领域。然而，由于洪涝灾害具有突发性及多点散发等特点，且洪涝灾害所引起变化地物类型也具有复杂性，实际难以准确、有效地获取大量受灾区域的标记样本[15,22]。此外，受灾严重的区域也往往为小范围区域，易导致传统差异影像分析方法难以有效解决变化类与非变化类不平衡的问题，导致洪涝灾害监测的虚警较高，影响洪涝监测的总体精度[11]。总之，现有的基于深度学习的洪涝灾害监测方法虽然可以较为准确地区分受灾区域与未受灾区，但如何扩充洪涝受灾区域样本及准确划分中间类所属类别已成为目前基于不同时相PolSAR影像的洪涝灾害监测的难点[12,23]，且现有方法亦存在需要大量训练样本与洪涝灾害发生后难以获取受灾标记样本的矛盾问题[24]。
综上所述，国内外专家学者针对不同时相PolSAR影像的洪涝灾害监测方法进行广泛研究[17]，并取得了大量成果，但目前仍存在以下2个问题： ① 差异影像生成方法受相干斑噪声影响严重，易导致传统基于像素的差异影像生成方法难以准确表达不同PolSAR影像间的相似性刻度；② 由于洪涝灾害突发性及其引起地物变化的复杂性，难以获取大量的洪涝灾害引发变化类的训练样本，且变化类别与非变化类别样本不平衡，导致洪涝灾害监测总体精度较低。为解决以上问题，本文通过构建一种顾及邻域信息的HLT算子，并引入双阶段中心约束FCM算法与深度卷积对抗生成网络模型，结合深度卷积小波神经网络模型，提出了一种面向小区域变化的双时相PolSAR洪涝灾害监测新方法。

2 研究方法

针对传统基于PolSAR影像的洪涝灾害监测方法受相干斑噪声影响严重，洪涝灾害变化类与非变化类的类别不平衡等导致灾害监测精度低的问题，本文提出了一种基于改进HLT与深度学习的双时相PolSAR洪涝灾害监测新方法，具体技术流程如图1所示。
图1 本文方法技术路线

Fig. 1 Technical route of the proposed method

本文方法具体流程为：首先通过构建一种顾及邻域信息的Hotelling-Lawley迹（HLT）统计量算子，减少相干斑噪声及空间异质性对差异影像生成的影响；为解决受灾区域变化类样本不足及类别不平衡的问题，引入双阶段中心约束FCM算法（Two-stage Center-Constrained Fuzzy C-Means clustering，TCCFCM）[21]与深度卷积对抗生成网络（Deep Convolutional Generative Adversarial Network, DCGAN）[25]，形成一种稳健的样本选择与扩充方法，最后通过构建深度卷积小波神经网络（Deep Convolutional Wavelet Neural Network, DCWNN）实现洪涝灾害精确监测[24]。

2.1 基于PolSAR邻域信息的差异影像生成算子构建

虽然PolSAR影像可表达丰富的地物散射信息，但如何充分利用其极化信息也是进行精准洪涝灾害监测有待解决的关键问题之一[7]。为充分利用不同时相PolSAR影像的极化散射信息，本文通过引入Hotelling-Lawley迹（HLT）统计量算子 τ H L T表征洪涝灾害前后影像间的相似性刻度[13]，其表达式为：
τ H L T = t r ( C   1 - 1 C 2 )
式中：tr(·)代表矩阵迹的运算；-1表示矩阵求逆运算；C1和C2分别为洪涝灾害发生前后的PolSAR影像的协方差矩阵，且C1和C2满足复Wishart分布。然而，式（1）中HLT统计量算子不满足对称性，易引发受灾区域与未受灾区域区分不显著，导致洪涝灾害监测漏检率高的现象[26]。为解决 τ H L T算子不满足对称性问题，引入改进的HLT统计量算子构建差异影像DIHLT：
D I H L T = m a x ( t r ( C C 1 - 1 C 2 ) , t r ( C C 1 - 1 C 2 ) )
式中：max(·)代表求大运算。此外，为有效抑制相干斑噪声对差异影像生成过程的影响，提高洪涝灾害监测及分析的精度。本文顾及PolSAR影像的上下文信息，通过引入局部相似性系数 θ（权重因子），构建一种新的差异影像表达模型：
D I = θ × ( m a x ( t r ( C C 1 - 1 C 2 ) , t r ( C C 1 - 1 C 2 ) ) ) + 1 θ ×                     ∑ i ∈ Ω ∧ i ≠ m , n m a x ( t r ( C C 1 - 1 C 2 ) , t r ( C C 1 - 1 C 2 ) )
式中：DI代表洪涝灾害前时相影像I1与后时相影像I2之间的相似性刻度；局部相似性系数 θ可表征影像局部空间信息的异质性。即当 θ值较小时，表明该区域较为同质，此时式（3）的后半部分对差异影像的贡献较大；当 θ值较大时，表明该区域较为异质，此时式（3）的前半部分对差异影像的贡献较大。而中心坐标（m,n）处构建的局部相似性系数 θ可以表达为：
θ = σ ( m , n ) μ ( m , n )
式中：μ(m,n)与σ(m,n)分别代表在邻域r×r范围内不同时相span影像像素值的均值与方差。

2.2 基于TCCFCM与DCWNN模型的差异影像分析

一般而言，差异影像分析算法是相对容易地将所获取差异影像DI划分为变化类Ωc、非变化类Ωu与中间类Ωi三组，但如何将中间类Ωi准确划分到为变化类Ωc或非变化类Ωu是目前洪涝灾害监测的难点[13,22]。虽然基于深度学习的洪涝灾害变化监测方法可以较为准确地将洪涝受灾的中间类划分到为变化类或非变化类，但需要大量的训练样本，且在灾害发生时往往难以获取大量的标记样本。为解决灾害样本不足及变化类与非变化类不均衡问题，本文首先通过引入了TCCFCM算法与DCGAN模型，实现洪涝灾害样本的选择与扩充，随后再利用DCWNN模型实现洪涝灾害的精确监测。

2.2.1 基于TCCFCM算法的洪涝灾害样本获取

双阶段中心约束FCM（TCCFCM）聚类通过识别洪涝灾害发生后稳定、可靠的变化类与非变化类的类别中心，结合并行聚类策略，构建相应目标函数的约束条件，防止聚类中心不正确迁移，可有效地将不平衡数据进行分组 [21]。其聚类过程如算法1所述。
算法1：TCCFCM算法
第一阶段（寻找可靠的聚类中心）
① 分别选取Np个差异影像DI中像素值绝对值最大和最小的样本，初始化隶属度划分矩阵U1
② 通过FCM算法获取可靠的变化类与非变化类的聚类中心 v c p r e
第二阶段（输出更为准确聚类结果）
① 将第一阶段获取的变化类与非变化类的聚类中心 v c p r e作为初始隶属度划分矩阵U2，并以此约束第二阶段FCM聚类
② 再次利用FCM算法对差异影像DI所有像素，将对差异影像所有像素对应标签分别赋予划分为变化类、非变化类与中间类
具体而言，本文根据“差异影像DI的值绝对值越高，此像素表示变化类的可能性越大，反之亦然”的假设[9]，通过利用TCCFCM算法第一阶段找到可靠的聚类中心。即分别选择差异影像DI中像素值绝对值最大的Np个样本 x p h p = 1 N p和差异影像DI中像素值绝对值最小的Np个样本 x p l p = 1 N p，并通过FCM算法获取的聚类中心 v c p r e（c=1,2;其中，1代表变化类，2代表非变化类）作为约束条件用于TCCFCM算法的第二阶段，防止聚类中心错误转移[21]。TCCFCM算法第二阶段用于所有样本 x n n = 1 N r N c时，此时目标函数J可以定义为：
J = ∑ c = 1 2 ∑ n = 1 N r N c u c n m ( 1 - β c ) x n + β c v c p r e - v c 2
式中：βc为控制参数，本文通过设置βc值给予相应的约束。即当判断洪涝灾害变化类的样本数量较少时，设置β1值为较大值（β1=β，其中β的初值取0.5）给予强约束；当判断变化类的样本数量较多时，β2值设置为较小值（β1=0.7β）给予弱约束。而参数ucn与vc分别代表对应隶属度与聚类中心，其定义为：
u c n = 1 ∑ j = 1 2 ( 1 - β c ) x n + β c v c p v c - v j 2 ( 1 - β j ) x n + β j v j p v c - v j 2 1 ( m - 1 )
v c = ( 1 - β c ) ∑ n = 1 N u c n m x n ∑ n = 1 N u c n m + β c v c p r e

2.2.2 基于DCGAN与DCWNN算法的洪涝受灾区域识别

通过TCCFCM聚类算法可较好获取由于洪涝灾害引起的明显的变化类与非变化类样本。然而，对于难以精确区分处于中间类所属类别，本文构建一种联合DCGAN与DCWNN网络模型的洪涝灾害识别算法，通过扩充变化类伪标签，并充分利用影像不同尺度和方向上的信息，实现对洪涝灾害引发的变化像素的精准分类[21]，结构如图2所示。
图2 基于DCGAN与DCWNN算法的洪涝受灾区域识别流程

Fig. 2 Schematic of flood disaster using DCGAN and DCWNN method

DCWNN算法虽获取较高的洪涝灾害监测精度，但通常需要大量的标记样本。为扩充变化类的标记样本的数量及提高标记样本的质量，本文引入具有网络训练状态稳定优势的深度卷积生成对抗网络（DCGAN）进行数据增强，以丰富洪涝灾害引起的变化类的标签，解决洪涝灾害变化区域标记样本不足及变化类与非变化类间样本不平衡问题[25]。即在洪涝灾害前PolSAR影像I1中选取以变化类像素为中心，大小为λ×2λ的一个像素块。在洪涝灾害后PolSAR影像I2的相同位置，获取另一个相同大小的像素块，并将所选取的2个像素块拼接成一个2λ×2λ大小像素块，作为变化类的伪标签训练样本。本文中所有伪标签样本均按上述方法产生，即表示为 P τ 1 c τ 1 = 1 τ 1 = N 1和 P τ 2 u c τ 2 = 1 τ 2 = N 2，其中 P τ 1 c、 P τ 2 u c分别表示变化类的像素集和不变类的像素集。类似地，获得中间类像素集的 P q h q = 1 q = N q。随后，利用DCGAN实现数据增强，具体过程如下：通过随机选取少量涝灾害影响的真实样本，通过增加随机高斯噪声初始化输入向量φ，将其送入生成器G(·)生成批量伪样本，利用生产的伪样本训练判别器网络，并根据生成的伪样本，迭代训练卷积生成器网络G(·)，构建鉴别器D(·)区分真实变化块和生成变化块，实现洪涝灾害样本扩充。其中，目标最大最小函数为V(G,D)可表示为：
V ( G , D ) = L f + L r = Ε [ l o g ( 1 - D ( G ( φ ) ) ) ] + Ε [ l o g ( D ( P τ 1 c ) ) ]
G * = a r g m i n G m a x D V ( G , D )
本文通过利用NT-N1影像块作为伪标签训练生成器G*，并选择2NT样本形成训练数据集 P τ c , P τ u c τ = 1 τ = N T，其中对应的伪标签集 L τ c , L τ u c τ = 1 τ = N T可由TCCFCM聚类结果定义。其中，DCGAN算法具体步骤如算法2所述。
此外，本文选用效率更高的Adam算法优化网络，其中DCGAN的训练参数具体设置如下： ① Adam优化器的学习率为0.003用于优化生成器，学习率为0.006用于优化鉴别器；② 每次迭代真实标签赋予0.8~1.0的随机值，伪标签赋予0~0.2的随机值作为评分。此外，在DCWNN训练和测试时，共使用4000个伪标签样本训练DCWNN模型，学习率设置为0.001，迭代次数设置为50。最后，将所有伪标签训练样本及标签输入DCWNN模型训练及输出，实现对难以分类的中间像素的准确分类，即将中间类 P q h q = 1 q = N q分类为对应的变化类或不变类，结合中间类像素的分类结果及已有的变化类与非变化类像素的标签，得到最终的洪涝灾害变化结果。
算法2：DCGAN算法
对于每次训练迭代，执行：
1. 训练生成器
① 随机选取少量由TCCFCM算法获取的遭洪涝灾害影响的真实样本
② 增加随机高斯噪声初始化输入向量φ，并将矢量输入如图2所示的生成器网络（包括全连接层、重采样、批归一化、ReLu激活函数等），生成对应伪标签样本
③ 计算分类损失及反向传播误差，并最小化分类损失
2. 训练生成器
① 从随机噪声向量φ中批量生成伪样本
② 根据如图2所示的判别器网络（包括卷积层、Leaky ReLu激活函数、sigmoid激活函数等），对其进行分类
③ 计算分类损失及反向传播误差，并最大化分类损失
3. 输出扩充的洪涝灾害样本

3 研究区概况、数据来源及预处理

3.1 研究区概况及数据来源

湖北省武汉市（29°58′N—31°22′N，113°41′E—115°05′E）地处亚热带季风气候（图3），由于长江与其最大支流汉江在武汉交汇，河流密布，亦称“江城”。但湖北省武汉市易受季风气候的影响，每当“梅雨”季节，该地区常遭遇洪涝灾害。特别在2016年7月6日，武汉市遭受到该地区有气象记录以来最大的暴雨袭击，严重影响了当地人民生命、财产安全。
图3 研究区域

Fig. 3 The study areas

为了验证本文方法的可行性与鲁棒性，本文分别选取了湖北省武汉市洪涝灾害前后全极化 Radarsat-2影像（空间分辨率为8 m）进行相关实验，具体PolSAR影像参数如表1所示，其中2景Radarsat-2影像均通过加拿大空间署(CSA) 官网（https://www.asc-csa.gc.ca/eng/satellites/radarsat2/）查询及订购。
表1 PolSAR影像相关参数

Tab. 1 The relative parameters of PolSAR images

获取时间 传感器 波段 观测模式 处理级别 极化方式 入射角/° 轨道方向
2015-06-25 Radarsat-2 C FQ21 单视复影像 全极化 40.2 升轨
2016-07-06 Radarsat-2 C FQ21 单视复影像 全极化 45.2 升轨
由于此次洪涝灾害的突然性，在实际洪涝灾害调绘时难以及时、快速获取整个武汉市洪涝灾害真值图。为了更加合理与准确地评价本文提出方法的有效性，本文仅选择了梁子湖与严东湖地区洪涝灾害发生前后的影像（影像大小：400像素×400像素）及调绘了对应地区洪涝灾害引发的变化真值图，如图4所示。其中，灾害变化真值参考图是在洪涝灾害发生后，课题组成员根据实际受灾情况及相关影像到受灾区域进行地面调绘获取的。
图4 研究区域不同时相PolSAR影像及对应变化真值参考图

Fig. 4 The PolSAR images and corresponding ground-truth maps over different study areas

需要说明：本文所有实验均在i7-10870H 2.20 GHz CPU处理器和16.0 GB内存的笔记本电脑配置下实施。DCGAN训练和样本增强工作在NVIDIA GeForce RTX 3060环境实现，DCWNN的训练和测试在MATLAB 2021b环境下运行。

3.2 数据预处理

不同时相PolSAR影像预处理是准确监测洪涝灾害影响的重要基础。在基于不同时相PolSAR影像的洪涝灾害监测领域中，数据预处理过程包括几何校正、影像配准及影像滤波等。由于PolSAR影像特殊的成像机理，使其不可避免地受相干斑噪声的影响，严重阻碍了洪涝灾害精准监测。鉴于Mean-Shift滤波器可以较好地抑制相干斑噪声，本文选用Mean-Shift滤波器对不同时相的PolSAR影像进行滤波处理[16]。此外，不同时相PolSAR影像的精确配准也关系到洪涝灾害监测的精度。因此，本文首先结合距离-多普勒(Range Doppler，RD)与有理多项式函数系数(Rational Polynomial Coefficient，RPC)模型对不同PolSAR影像进行几何校正[27]，随后引入辐射不变特征变换（Radiation Invariant Feature Transform，RIFT）配准算法[28]，实现不同时相PolSAR影像的精确配准，实验发现：本文利用以上几何校正与配准算法，使不同PolSAR影像间的配准误差小于1个像素。

3.3 定量评价

为定量评价本文方法在洪涝灾害监测精度的优势，引入遗漏误差(漏警率，FA)以及伪变化误差(虚警率，OF)、总体精度（OA）以及Kappa系数（Kappa）[7]，实现洪涝灾害监测方法的定量评价。
F A = F N N
O F = F P N
O A = T P + T N N
K a p p a = O A - P R E 1 - P R E
式中：N为所绘制的洪涝灾区参考真值图中总的像素个数，FP为不同洪涝灾害监测方法获得的结果图中应属于未变化类但被错分为变化类的数目；FN为应属于洪涝灾害变化类但被错分为未变化类的数目；TN和TP则为洪涝灾害监测结果中正确监测到的变化类的个数和非变化类的个数。式（13）中PRE可表达为：
P R E = ( T P + F P ) · N c + ( F N + T N ) · N u N 2
式中：Nc与Nu分别为洪涝受灾区参考真值图总的变化数以及总的未变化数。

4 结果及分析

为验证本文方法的可行性与鲁棒性，选择武汉市受灾严重的严东湖与梁子湖地区的PolSAR影像进行实验，并定性与定量评价不同洪涝灾害监测方法的优劣。

4.1 严东湖地区洪涝灾害监测实验结果及分析

为了验证本文提出的差异影像生成方法相对于传统差异影像生成方法的优势，本文选择不同的基于PolSAR影像的典型差异影像生成方法（如HLT检验法、SRWD法、LRTS检验法及Bartlett检验法）进行比较。针对严东湖地区洪涝灾害，利用不同差异影像生成算法获得该地区差异影像（图5）。
图5 严东湖地区不同差异影像生成方法比较结果

Fig. 5 The results of different difference image generation algorithms over YanDong Lake

相对于传统HLT差异影像生成算法，本文提出的基于改进HLT法的差异影像生成方法（图5（c））通过顾及PolSAR影像的上下文信息，通过对比 图5（a）与5（c）红色矩形框标注发现：本文方法可以更好地抑制相干斑噪声影响及显著表达影像间相似性。同时，面向对象HLT法先通过扩展的统计区域合并（Generalized Statistical Region Merging，GSRM）分割算法对灾害前后PolSAR影像分割，然后利用HLT算法获得差异影像，其可以较好地抑制相干斑噪声，但由于不同影像间分割边界不同，易造成一些虚警变化，如图5（b）蓝色矩形框标注。同时，与SRWD法、LRTS检验法及Bartlett检验法相比，本文提出的差异影像生成方法可以更加显著地突出变化类与非变化类的差异，有利分析洪涝灾害影响，如图5中绿色椭圆框所示。
为验证本文方法监测精度优势，根据生成的差异影像，选取不同洪涝灾害差异影像分析方法（如Otsu阈值法、Huang阈值分割法、FCM聚类法）及本文提出的差异影像分析方法（TDGWNN）进行比较。通过先前实验对比发现：基于SRWD法与Otsu的洪涝灾害算法（SRWD_Otsu）、基于LRTS法与FCM的洪涝灾害算法（LRTS_FCM）及基于Bartlett法与Huang的洪涝灾害算法（Bartlett_Huang）在传统洪涝灾害监测结果中表现较优，因此选取以上算法用于对比。同时，也分别联合传统HLT法、面向对象HLT法与TDGWNN算法构建HLT_TDGWNN及OHLT_TDGWNN洪涝灾害监测算法用于实验比较，结果如图6所示。
图6 严东湖地区不同差异影像分析方法结果定性比较结果

Fig. 6 The results of different difference image analysis algorithms over YanDong Lake

通过比较严东湖地区不同洪涝灾害监测方法结果可发现：基于像素的洪涝灾害监测方法由于受相干斑噪声影响，导致洪涝灾害监测结果虚警率高，如图6（a）与图6（c）红色矩形框标注。此外，由于传统基于像素的方法未能顾及影像上下文信息，易导致洪涝灾害漏检现象，如图6（b）与图6（d）绿色椭圆框标注所示；虽然面向对象的洪涝灾害监测方法可以有效地抑制相干斑噪声影响，但由于传统分割方法易因不同边界分割不一致，导致洪涝灾害监测的虚警率较高，如图6（e）蓝色矩形框标注所示。为更加直观地评价不同洪涝灾害监测方法的优劣，本文将不同洪涝灾害监测方法获得的结果与洪涝灾害真值参考图进行比较，定性分析结果如图7所示。
图7 严东湖地区不同洪涝灾害监测算法定性评价

Fig. 7 Qualitative evaluation of different monitoring algorithms over YanDong Lake

图7中绿颜色表示正确检测结果，蓝色表示检测虚警（未受到洪涝灾害地区却被检测为受洪涝灾害影响地区），红色表示检测漏警（受到洪涝灾害影响地区却未被检测为洪涝灾害影响地区）。通过对比图7中不同洪涝灾害监测算法定性评价结果，发现本文方法监测洪涝灾害虚警与漏警均表现相对较低。此外，为了更直观评价不同洪涝灾害监测算法精度的优劣，本文引入虚警率、漏警率、总体精度及Kappa系数等定量评价参数，实现对严东湖不同洪涝监测方法精度定量比较结果，如表2所示。
表2 严东湖不同洪涝灾害监测方法精度定量比较结果

Tab. 2 Quantitative evaluation of different monitoring algorithms over YanDong Lake

方法 虚警率/% 漏警率/% 总体精度/% Kappa系数
SRWD_Otsu 0.541 4.853 94.606 0.594
LRTS_FCM 8.241 0.947 90.812 0.596
Bartlett_Huang 4.452 1.661 93.887 0.680
HLT_TDGWNN 2.668 2.957 94.375 0.743
OHLT_TDGWNN 1.826 3.939 94.235 0.618
本文方法 1.495 2.196 96.309 0.761

注：加粗字体表示各定量评价参数中最优值。

通过定量比较不同洪涝灾害监测方法对严东湖地区灾害监测精度发现：相对于传统基于像素的洪涝灾害监测方法，本文方法通过顾及影像的上下文信息，可以较好地抑制相干斑噪声及空间异质性，洪涝灾害监测的虚警率及漏警率分别降低1.2%及0.8%左右，总体精度和Kappa系数分别提高2%及0.2左右；与面向对象的洪涝灾害监测方法比较，本文方法不需要对影像进行分割，提高了监测效率；且避免了不同时相分割边界不一致导致虚警高的问题，洪涝灾害监测的总体精度提高了2%左右。

4.2 梁子湖地区洪涝灾害监测实验结果及分析

为进一步验证本文方法可行性及鲁棒性，本文另选取2016年梁子湖受灾地区进行洪涝灾害监测。类似地，首先选用基于像素的HLT检验法、面向对象HLT检验法、SRWD法、LRTS检验法及Bartlett检验法等差异影像生成方法进行实验对比，结果如图8所示。
图8 梁子湖地区不同差异影像生成方法比较

Fig. 8 The results of different difference image generation algorithms over Liangzi Lake

通过对比不同差异影像生成方法获取的梁子湖地区差异影像发现：传统基于像素的洪涝灾害监测方法未较好地抑制相干斑噪声影响，导致结果虚警率较高，如图8（a）与图8（c）红色矩形框所示；此外，传统基于像素的方法未能顾及影像的上下文信息，易导致洪涝灾害存在漏检现象，如图8（d）—图8（f）绿色椭圆框所示；面向对象的洪涝灾害监测方法易因不同边界分割不一致，使洪涝灾害监测的虚警率较高，如图8（b）蓝色矩形框标注所示。为再次验证本文方法监测精度的优势，选取不同洪涝灾害监测算法（即SRWD_Otsu算法、LRTS_FCM算法、Bartlett_Huang算法、HLT_TDGWNN及OHLT_TDGWNN算法）进行实验比较，结果如图9所示。
图9 梁子湖地区不同差异影像分析方法结果定性比较

Fig. 9 The results of different difference image analysis algorithms over Liangzi Lake

通过对比不同洪涝灾害监测结果（图9）可见：相对其他方法，本文方法通过顾及PolSAR影像上下文信息及构建基于深度学习的差异分析算法，在精准洪涝灾害监测方面具有一定优势。类似地，为更加直观地评价不同灾害监测方法对梁子湖地区洪涝灾害监测效果，本文将不同洪涝灾害监测方法获得的结果与洪涝灾害真值参考图进行比较，定性比较结果如图10所示。
图10 梁子湖地区洪涝监测定性评价结果

Fig. 10 Qualitative evaluation of different monitoring algorithms over Liangzi Lake

通过对梁子湖地区洪涝灾害监测结果定性评价（图10）发现：由于SRWD_Otsu与LRTS_FCM洪涝灾害监测方法未能较好地表达影像间相似性刻度，导致洪涝灾害监测漏警率较高，如图10（a）与图10（b）所示；而Bartlett_Huang与HLT_TDGWNN均未较好地考虑影像上下文信息及空间异质性，导致洪涝灾害监测结果较为细碎，虚警率较高，如图10（c）与图10（d）所示；此外，OHLT_TDGWNN方法因不同分割边界不一致，也使洪涝灾害监测的虚警率较高，如图10（e）所示；而本文方法相对于以上不同洪涝灾害监测方法，虚警与漏警均表现相对较低，如图10（f）所示。为定量评价不同洪涝灾害监测方法对梁子湖地区灾害监测的精度，利用不同的参数进行精度评价，如表3所示。
表3 梁子湖地区不同洪涝监测方法定量精度评价结果

Tab. 3 Quantitative evaluation of different monitoring algorithms over Liangzi Lake

方法 虚警率/% 漏警率/% 总体精度/% Kappa系数
SRWD_Otsu 0.260 8.221 91.518 0.529
LRTS_FCM 0.264 7.871 91.865 0.555
Bartlett_Huang 3.368 3.246 93.385 0.722
HLT_TDGWNN 5.956 3.194 91.832 0.692
OHLT_TDGWNN 9.338 6.043 84.618 0.412
本文方法 2.710 2.221 94.096 0.748

注：加粗字体表示各定量评价参数中最高值。

通过比较不同洪涝灾害监测方法对梁子湖地区监测定量精度评价结果（表3）发现：本文方法通过顾及PolSAR影像的上下文信息有效抑制相干斑噪声及空间异质性，显著表达不同影像间相似性刻度，并通过基于DCGAN与DCWNN算法的洪涝受灾区域识别方法可有效降低洪涝灾害监测的虚警率，提高了洪涝灾害监测的总体精度（提高3%左右）及Kappa系数（提高0.2左右）。此外，及时、快速地监测洪涝灾害变化对相关部门开展应急救灾等工作非常重要。因此，本文比较了以上不同洪涝灾害监测方法的时效性，如表4所示。
表4 不同洪涝灾害监测方法耗时比较

Tab. 4 The time-consuming comparison of different flood disaster monitoring methods

方法 监测耗时/s
SRWD_Otsu 2.120 6
LRTS_FCM 2.684 8
Bartlett_Huang 2.987 7
HLT_TDGWNN 10.732 2
OHLT_TDGWNN 18.539 4
本文方法 12.599 3
通过表4不同洪涝灾害监测耗时比较发现：相对于传统洪涝灾害监测方法，由于本文方法引入了DCGAN及DCWNN等模型，标记伪样本及训练相关深度学习模型需要大量时间，对梁子湖地区洪涝灾害监测过程耗时相对较长（12 s左右），但本文方法仍可满足相关部门的时效性需求，为应急救灾等工作提供技术支持。

5 讨论

如何利用遥感影像及时、准确地监测洪涝灾害影响，是目前PolSAR影像解译领域重要课题。综上所述，基于深度学习的算法已经成为洪涝灾害监测领域的重要手段，较传统洪涝灾害监测方法亦能显著提高灾害监测精度。但本文方法仍存在一定不确定性及面临挑战，主要体现在以下2个方面：
（1）在精度不确定性方面：在洪涝灾害发生时，时常会因一些因素（如水稻田、湿地等）造成洪涝灾害监测误识别现象，即容易将水稻、湿地等地物错误分为水体。本文方法虽然顾及此问题，但目前由于以下几个原因，暂时无法进行相关实验：本文研究区域（武汉市）种植的水稻为双季稻，即一年种一季早稻与一季晚稻。其中，一般为七月中下旬收割早稻，而发生洪涝灾害（2016年7月6日）时，当地水稻大多正处于乳熟期或黄熟期，此时水面已被水稻的稻叶所覆盖。而晚稻一般为农历立秋（2016年8月7日）前插种完毕，到11月时收割晚稻。因此，在本文中恰巧不会造成由水稻引起误识别现象；同时，导致实验无法进行的主要原因是受所获得数据的限制。目前，本文只获取了2016年武汉洪涝灾害发生前后的PolSAR影像，尚未获得其他地区及其他时间的洪涝灾害全极化SAR数据，导致难以对算法进行进一步验证；此外，由于2016年武汉洪涝灾害的突然性，在实际洪涝灾害调绘时难以及时、快速获取整个武汉市洪涝受灾真值图；且由于调绘限制，课题组目前仅获取了受灾较为严重的梁子湖与严东湖附近地区洪涝灾害地区的真值图，当时尚未考虑到湿地等原因对洪涝灾害监测的影响，未来将顾及各因素影响并进行算法改进及实验补充，以增强算法的稳健性。
（2）在面临挑战方面：本文仅获取了2016年武汉洪涝灾害前后的PolSAR影像用于洪涝灾害监测，后期将考虑将本文方法移植于更多覆盖洪涝灾害地区的单极化或双极化SAR影像地区，如2020年安徽巢湖、江西鄱阳湖，2021年河南郑州等洪涝灾害监测。此外，与传统洪涝灾害监测方法相比，本文方法虽然可以获取较高的洪涝灾害监测的精度，但由于本文方法通过引入DCGAN及DCWNN等模型，标记伪样本及训练相关深度学习模型需要大量时间，易导致监测过程耗时相对较长，后期将对伪样本标记及深度学习算法进行进一步优化（如精简深度学习网络结构），减少计算复杂度，并通过引入高并行计算能力的图形处理器（Graphic Processing Unit，GPU）提升洪涝灾害监测的效率。

6 结论

本文基于改进HLT统计量算子，联合TCCFCM算法、DCGAN及DCWNN模型，构建了一种面向小区域变化的双时相PolSAR洪涝灾害监测新方法。研究以2016年7月武汉梁子湖与严东湖地区洪涝灾害发生前后Radarsat-2影像为数据源，通过与其他洪涝灾害监测方法进行定性与定量对比，结果表明：
（1）与SRWD法、LRTS检验法及Bartlett检验法等差异影像生成算法相比，本文方法通过构建满足对称性HLT算子及求大运算，显著地突出了变化类与非变化类的差异，更有利分析洪涝灾害的影响，可使洪涝灾害监测的总体精度提高2% 左右。
（2）相对传统HLT差异影像生成算法，本文提出的基于改进HLT法的差异影像生成方法通过顾及PolSAR影像的上下文信息，更好地抑制相干斑噪声影响及显著表达影像间相似性，可使洪涝灾害监测的虚警率及漏警率分别降低1.5%及0.9%左右。同时，与面向对象HLT法相比，本文方法不需要对影像进行分割，不仅可提高灾害监测效率，且避免了不同影像分割边界不一致导致虚警高的问题，可使洪涝灾害监测的虚警率降低4%左右。
（3）相对传统的差异影像分析算法（如Otsu阈值法、Huang阈值法、FCM聚类法），本文通过联合TCCFCM算法、DCGAN及DCWNN模型，更为准确地将中间类分为对应变化类或非变化类，可使洪涝灾害监测的总体精度提高2%左右，为相关部门应急救灾等工作提供技术支持。

参考文献

原文顺序 | 文献年度倒序 | 文中引用次数倒序
[1]
范一大, 吴玮, 王薇, 等. 中国灾害遥感研究进展[J]. 遥感学报, 2016, 20(5):1170-1184.

[Fan Y D, Wu W, Wang W, et al. Research progress of disaster remote sensing in China[J]. Journal of Remote Sensing, 2016, 20(5):1170-1184.] DOI:10.11834/jrs.20166171

DOI

[2]
解文欢, 张有智, 刘述彬. 农业洪涝灾害研究进展[J]. 中国农业资源与区划, 2020, 41(1):204-211.

[Xie W H, Zhang Y Z, Liu S B. Research progress on agricultural flood disasters?[J]. Chinese Journal of Agricultural Resources and Regional Planning, 2020, 41(1):204-211.] DOI:10.7621/cjarrp.1005-9121.20200125

DOI

[3]
黄诗峰, 马建威, 孙亚勇. 我国洪涝灾害遥感监测现状与展望[J]. 中国水利, 2021(15):15-17.

[Huang S F, Ma J W, Sun Y Y. Situation and prospect of flood disaster monitoring by remote sensing in China/[J]. China Water Resources, 2021(15):15-17.] DOI:10.3969/j.issn.1000-1123.2021.15.017

DOI

[4]
胡凯龙, 刘明, 刘明博, 等. 高分多模卫星在洪涝灾害监测中的应用[J]. 航天器工程, 2021, 30(3):218-224.

[Hu K L, Liu M, Liu M B, et al. Application of GFDM-1 satellite in flood disaster monitoring[J]. Spacecraft Engineering, 2021, 30(3):218-224.] DOI:10.3969/j.issn.1673-8748.2021.03.031

DOI

[5]
郁宗桥, 王育红, 刘文宋, 等. 顾及GF-3影像纹理特征的洪涝范围提取方法[J]. 测绘通报, 2022(5):26-31.

DOI

[Yu Z Q, Wang Y H, Liu W S, et al. Flood extent extraction method based on the texture features of GF-3 images[J]. Bulletin of Surveying and Mapping, 2022(5):26-31.] DOI: 10.13474/j.cnki.11-2246.2022.0136

DOI

[6]
Pangali Sharma T P, Zhang J H, Koju U A, et al. Review of flood disaster studies in Nepal: A remote sensing perspective[J]. International Journal of Disaster Risk Reduction, 2019, 34:18-27. DOI:10.1016/j.ijdrr.2018.11.022

DOI

[7]
Liu W S, Yang J, Zhao J Q, et al. A novel method of unsupervised change detection using multi-temporal PolSAR images[J]. Remote Sensing, 2017, 9(11):1135

DOI

[8]
郭山川, 杜培军, 蒙亚平, 等. 时序Sentinel-1A数据支持的长江中下游汛情动态监测[J]. 遥感学报, 2021, 25(10):2127-2141.

[Guo S C, Du P J, Meng Y P, et al. Dynamic monitoring on flooding situation in the Middle and Lower Reaches of the Yangtze River Region using Sentinel-1A time series[J]. Journal of Remote Sensing, 2021, 25(10):2127-2141.]

[9]
Conradsen K, Nielsen A A, Skriver H. Determining the points of change in time series of polarimetric SAR data[J]. IEEE Transactions on Geoscience and Remote Sensing, 2016, 54(5):3007-3024. DOI:10.1109/TGRS.2015.2510160.

DOI

[10]
眭海刚, 赵博飞, 徐川, 等. 多模态序列遥感影像的洪涝灾害应急信息快速提取[J]. 武汉大学学报·信息科学版, 2021, 46(10):1441-1449.

[Sui H G, Zhao B F, Xu C, et al. Rapid extraction of flood disaster emergency information with multi-modal sequence remote sensing images[J]. Geomatics and Information Science of Wuhan University, 2021, 46(10):1441-1449.] DOI:10.13203/j.whugis20210465

DOI

[11]
Yang L P, Cervone G. Analysis of remote sensing imagery for disaster assessment using deep learning: A case study of flooding event[J]. Soft Computing, 2019, 23(24):13393-13408. DOI:10.1007/s00500-019-03878-8

DOI

[12]
Bai Y B, Wu W Q, Yang Z X, et al. Enhancement of detecting permanent water and temporary water in flood disasters by fusing sentinel-1 and sentinel-2 imagery using deep learning algorithms: Demonstration of Sen1Floods11 benchmark datasets[J]. Remote Sensing, 2021, 13(11):2220. DOI:10.3390/rs13112220

DOI

[13]
Akbari V, Anfinsen S N, Doulgeris A P, et al. The Hotelling-Lawley trace statistic for change detection in polarimetric SAR data under the complex Wishart distribution[C]// 2013 IEEE International Geoscience and Remote Sensing Symposium - IGARSS. IEEE, 2014:4162-4165. DOI:10.1109/IGARSS.2013.6723750

DOI

[14]
Mascolo L, Lopez-Sanchez J M, Vicente-Guijalba F, et al. A complete procedure for crop phenology estimation with PolSAR data based on the complex wishart classifier[J]. IEEE Transactions on Geoscience and Remote Sensing, 2016, 54(11):6505-6515. DOI: 10.1109/TGRS.2016.2585744

DOI

[15]
Jiang X, Liang S J, He X Y, et al. Rapid and large-scale mapping of flood inundation via integrating spaceborne synthetic aperture radar imagery with unsupervised deep learning[J]. ISPRS Journal of Photogrammetry and Remote Sensing, 2021, 178:36-50. DOI: 10.1016/j.isprsjprs.2021.05.019

DOI

[16]
Lang F K, Yang J, Li D R, et al. Mean-shift-based speckle filtering of polarimetric SAR data[J]. IEEE Transactions on Geoscience and Remote Sensing, 2014, 52(7):4440-4454. DOI: 10.1109/TGRS.2013.2282036

DOI

[17]
Pangali Sharma T P, Zhang J H, Koju U A, et al. Review of flood disaster studies in Nepal: A remote sensing perspective[J]. International Journal of Disaster Risk Reduction, 2019, 34:18-27. DOI:10.1016/j.ijdrr.2018.11.022

DOI

[18]
Gao F, Dong J Y, Li B, et al. Change detection from synthetic aperture radar images based on neighborhood-based ratio and extreme learning machine[J]. Journal of Applied Remote Sensing, 2016, 10(4):046019. DOI:10.1117/1.JRS.10.046019

DOI

[19]
Huang L K, Wang M J J. Image thresholding by minimizing the measures of fuzziness[J]. Pattern Recognition, 1995, 28(1):41-51. DOI: 10.1016/0031-3203(94)E0043-K.

DOI

[20]
伍俊斌, 刘雷震, 田丰, 等. 面向重大洪涝灾害应急响应的灾情动态评估方法研究——以2018年8月山东寿光洪涝灾害为例[J]. 北京师范大学学报(自然科学版), 2020, 56(6):846-855.

[Wu J B, Liu L Z, Tian F, et al. Dynamic emergency assessment of flood disaster with emergency disaster index: Case of Shouguang, Shandong Province in August, 2018[J]. Journal of Beijing Normal University (Natural Science), 2020, 56(6):846-855.] DOI:10.12202/j.0476-0301.2020004

DOI

[21]
Zhang X Z, Su H, Zhang C, et al. Robust unsupervised small area change detection from SAR imagery using deep learning[J]. ISPRS Journal of Photogrammetry and Remote Sensing, 2021, 173:79-94. DOI:10.1016/j.isprsjprs.2021.01.004

DOI

[22]
李加林, 曹罗丹, 浦瑞良. 洪涝灾害遥感监测评估研究综述[J]. 水利学报, 2014, 45(3):253-260.

[Li J L, Cao L D, Pu R L. Progresses on monitoring and assessment of flood disaster in remote sensing[J]. Journal of Hydraulic Engineering, 2014, 45(3):253-260.] DOI:10.13243/j.cnki.slxb.2014.03.001

DOI

[23]
Nemni E, Bullock J, Belabbes S, et al. Fully convolutional neural network for rapid flood segmentation in synthetic aperture radar imagery[J]. Remote Sensing, 2020, 12(16):2532. DOI:10.3390/rs12162532

DOI

[24]
Kanarachos S, Christopoulos S R G, Chroneos A, et al. Detecting anomalies in time series data via a deep learning algorithm combining wavelets, neural networks and Hilbert transform[J]. Expert Systems With Applications, 2017, 85:292-304. DOI:10.1016/j.eswa.2017.04.028

DOI

[25]
Teoh T T, Rong Z. Deep convolutional generative adversarial network[M]// Machine Learning:Foundations, Methodologies, and Applications. Singapore: Springer Singapore, 2022:289-301. DOI:10.1007/978-981-16-8615-3_18

DOI

[26]
Akbari V, Anfinsen S N, Doulgeris A P, et al. Polarimetric SAR change detection with the complex hotelling-lawley trace statistic[J]. IEEE Transactions on Geoscience and Remote Sensing, 2016, 54(7):3953-3966. DOI:10.1109/TGRS.2016.2532320

DOI

[27]
Jiao N G, Wang F, You H J. A new combined adjustment model for geolocation accuracy improvement of multiple sources optical and SAR imagery[J]. Remote Sensing, 2021, 13(3):491. DOI:10.3390/rs13030491

DOI

[28]
Li J Y, Hu Q W, Ai M Y. RIFT: Multi-modal image matching based on radiation-variation insensitive feature transform[J]. IEEE Transactions on Image Processing, 2020, 29:3296-3310. DOI:10.1109/TIP.2019.2959244

DOI

Options
文章导航

/

〈 〉