EN中文

Journal of Geo-information Science >

2018 , Vol. 20 >Issue 3: 377 - 384

DOI: https://doi.org/10.12082/dqxxkx.2018.170599

Flooding Monitoring Application Based on the Object-oriented Method and Sentinel-1A SAR Data

  • TANG Lingying , 1 ,
  • LIU Wen , 1, 2, * ,
  • YANG Dong 1 ,
  • CHEN Le 1 ,
  • SU Yangmei 1 ,
  • XU Xianli 3
Expand
  • 1. College of Resources and Environmental Science, Hunan Normal University, Changsha 410081, China
  • 2. Key Laboratory of Geospatial Big Data Mining and Application, Changsha 410081, China
  • 3. Institute of Subtropical Agriculture, Chinese Academy of Sciences, Changsha 410125, China
*Corresponding author: LIU Wen, E-mail:

Received date: 2017-12-15

  Request revised date: 2018-01-14

  Online published: 2018-03-20

Supported by

National Natural Science Foundation of China, No.41501478

Construction Program of the Key Discipline in Hunan Province, No.2016001

National Natural Science Foundation of Hunan China, No.2015JJ6068.

Copyright

《地球信息科学学报》编辑部 所有
Fold

Abstract

In recent years, flood disasters have emerged successively, so extracting the disaster range and studying detection of the change of water body are of great significance to the scientific and effective management of flood disasters. Synthetic Aperture Radar (SAR) has the ability of penetrating clouds and generating ground information and it can collect data from large areas under any weather conditions. SAR has become an important means of natural disasters observation. Sentinel-1A is an important part of satellite in ESA's Copernicus Programm for monitoring environment. Therefore, discussions of the application of Sentinel-1A SAR data to the monitoring of flood disaster is meaningful. The traditional pixel-based methods have limitation in image speckle noise suppression, so the object-oriented method is introduced in this study. This study takes Sentinel-1A SAR images of the pre-flood, flooding and after-flood periods as data source. We introduce the object-oriented classification software - eCognition 9.0 to establish an extraction process of flooding area. Firstly, we use the SNAP software to preprocess the Sentinel-1A SAR images. Then, to account for objects features, we conduct experiments using multi-scale segmentation of eCognition 9.0, comparative analysis of the experimental results and we use the prior knowledge to determine the optimal segmentation scale. Based on the assigned class function of eCognition 9.0, we analyze the VV polarization mean feature to extract flooding area. Meanwhile, we use DEM data to remove the hill-shade in water extraction. Using the methods above, the detection of flood dynamic changes of different periods and flood submerge area extracted in the Huixian karst wetland in Guangxi was realized. Maps of the detection of flood changes in the pre-flood, flooding and after-flood periods were plotted. At last, we compared the traditional pixel-based water extraction method (Unsupervised classification and OSTU threshold segmentation). This research shows that Sentinel-1A SAR data has a great application potential in flood detection field. Compared with the traditional pixel-based method, the object-oriented method can effectively avoid the “salt and pepper phenomenon”, have high precision in flooding area extraction and can improve the utilization of spatial information.

Key words： Sentinel-1A SAR; flood; object-oriented; flood submerge area; Karst

Cite this article

TANG Lingying , LIU Wen , YANG Dong , CHEN Le , SU Yangmei , XU Xianli . Flooding Monitoring Application Based on the Object-oriented Method and Sentinel-1A SAR Data[J]. Journal of Geo-information Science, 2018 , 20(3) : 377 -384 . DOI: 10.12082/dqxxkx.2018.170599

1 引言

洪涝灾害是全球最具破坏性的自然灾害之一,它制约着区域社会经济的发展,尤其是农业发展。中国是世界上洪水灾害频繁而严重的国家之一,洪水灾害波及区域广、突发性强、发生频繁,且破坏性大,损失严重,对人民群众的生命财产安全和灾区经济发展构成了极大的威胁[1]。因此,对于洪涝灾害的监测和管理极其重要,而洪水淹没范围的提取是洪涝灾害监测的基础,也是洪涝灾害监测领域研究的重要内容。
基于卫星遥感技术,人们可实现快速、准确的洪涝淹没范围提取,并且能有效地获取其时空分布特征,直观地显示动态变化和发展规律,从而使得其在洪涝灾害监测和管理中发挥极其重要的作用[2,3]。光学遥感在灾害监测的应用较为广泛,各种光学影像均被用于洪水的研究,但在洪水期间,由于恶劣的天气影响、云层覆盖干扰等因素,光学传感器无法有效获取地面信息,因此光学遥感在洪水实时监测方面存在一定的局限性,而星载合成孔径雷达（Synthetic Aperture Radar, SAR,）遥感具有全天候、全天时数据获取能力,不受极端天气条件的影响,能穿透云层,覆盖面积广,获取的影像具有较好的对比度和丰富的纹理信息,尤其适用于突发性灾害研究[4],并且在SAR影像上,水体的镜面反射在影像上呈现为暗色调,水体信息极易被识别。因此,SAR在洪水淹没范围提取方面具有一定的潜力,及时开展SAR受灾范围提取和水体变化监测的研究,对提高洪涝灾害变化监测的时效性和准确性有重要意义。随着SAR技术不断发展,雷达遥感数据在自然灾害监测领域的应用得到了极大发展[5]。欧空局哥白尼计划的第一颗用于环境监测的Sentinel-1A卫星于2014年投入运行,Sentinel-1A 卫星搭载C波段SAR传感器,不仅具有多极化、多入射角等特征,而且具有高空间分辨宽幅干涉模式,高时间分辨率,重访周期仅需12 d,与其同一运行轨道的Sentinel-1B于2016年发射,双星运行周期缩短为6 d[6]。Sentinel-1A卫星能提供高分辨率的SAR影像,用于自然灾害的及时、连续、独立的应急响应,在洪水期间可为汛情监测、淹没范围评估等提供重要的数据支持[7]。
传统的基于像元的水体信息提取只考虑像元本身的信息,忽略了地物纹理、形状、相邻像元间的关系和空间位置等特征,且由于SAR特殊的成像原理,使得SAR影像存在一定的相干斑噪声。基于像元的方法对SAR影像进行洪涝灾害信息提取应用中受到斑噪的干扰,影响了提取精度,存在一定的局限,而面向对象的方法突破了这种局限。相比基于像元的方法,面向对象的方法不再以单独的像元为基点,而是由包含重要语义信息在内的影像对象及其间的相互关系构成,充分利用对象包含的信息,有效地解决了影像的椒盐现象,信息提取的精度显著提高[8]。本文基于Sentinel 1A SAR数据,利用面向对象的方法构建洪水淹没范围提取流程,实现了对广西临桂会仙喀斯特湿地地区洪水淹没范围的快速提取。

2 研究区概况与数据源

2.1 研究区概况

广西临桂地区属于典型的亚热带季风气候,境内河流纵横,地表水系较发育,地处多雨地带,大暴雨出现频繁,分布集中,强度大,范围广,为广西三大暴雨中心之一。雨季持续周期长,一般发生在4-7月,6月中旬至7月中旬最多,常出现洪涝灾害[9]。根据气象数据显示,2016年5月中旬以来临桂地区处于连续降雨天气,且受厄尔尼诺的持续影响,降雨事件明显增多,导致洪涝灾害频发,岩溶洼地区域尤其严重。2017年7月受第一号洪水的影响,遭遇了严重的洪涝灾害。本文以广西桂林临桂县会仙喀斯特湿地周边为研究区域,该地区以农业用地为主,喀斯特岩溶地貌分布广。

2.2 数据源

本文选取了2016年4月3日、5月21日、6月14日及8月25日和2017年5月28日、7月3日及7月15日灾前、灾中、灾后7个时期的Sentinel-1A SAR GRD地距探测产品（Ground Range Detected Product）影像,对不同时期的洪水淹没范围进行提取分析。Sentinel-1A SAR 数据参数如表1所示。其他辅助数据包括研究区矢量边界图、Google Earth高分影像、30 m分辨率的DEM数据。
Tab. 1 Characteristics of processed Sentinel-1A images

表1 处理的Sentinel-1A影像的特征

获取卫星 Sentinel-1A
极化方式 VV/VH
地距分辨率/m 20×22（方位向×距离向）
像元大小/m 10×10（方位向×距离向）
工作模式 干涉宽幅 （宽幅250 km）
入射角度/° 30.797~46.22
影像时间 2016年4月03日 （灾前） 2016年5月21日 （灾中）
2016年6月14日 （灾中） 2016年8月25日 （灾后）
2017年5月28日 （灾前） 2017年7月03日 （灾中）
2017年7月15日 （灾后）

3 研究方法

3.1 Sentinel-1A影像及处理方法

Sentinel-1A卫星采用多种成像模式,空间分辨率达到20 m,本文利用欧空局SNAP软件对Sentinel-1A数据进行预处理,主要流程包括影像裁剪、辐射矫正、相干斑噪声抑制、几何地形矫正、后向散射系数转化。处理流程如图1所示。
Fig. 1 Flowchart of flooding area extraction from Sentinel-1A SAR data based on the object-oriented method

图1 基于面向对象的Sentinel-1A SAR数据洪水淹没范围提取流程图

SAR是应用合成孔径原理,工作于微波波段的相干性、主动式成像雷达,难以避免相干斑噪声的产生,在一定程度上降低了SAR影像的质量。为减少噪声对影像解译的影响,提高水体提取精度,须对斑点噪声进行抑制处理[10]。目前常用的去噪方法包括Frost、Gamma、Kuan、Lee、Refined Lee等算法,经过多次实验对比研究分析,本文采用Refined Lee滤波算法对影像进行滤波处理,该算法在滤除相干斑噪声的同时很好地保持了地物的边缘信息,并且能一定程度上减少因水面起伏导致的明暗斑点,利于水体信息的识别[11]。合成孔径雷达是侧视成像,因此地形起伏会对影像造成几何畸变,为了进行多时相分析,本文结合双线性内插法和SRTM 30 m分辨率的DEM数据,利用距离多普勒算法对地形进行矫正。由于GRD影像是干涉宽幅模式,已进行了多视和地理编码矫正处理,无需再进行配准处理[12,13]。为更好地反映雷达强度的差异性,将影像的后向散射系数 σ vv 0 转化为对数刻度（dB）形式。 图2（a）为原始SAR影像对比处理后的影像（图2（b））,预处理后的影像斑点噪声得到了有效抑制,纠正了倒置的影像,提高了影像质量。
Fig. 2 Original images of flood and images after processing on July 3, 2017

图2 2017年7月3日洪水期原始影像和预处理后的影像

3.2 基于面向对象的淹水区域提取

面向对象信息提取技术处理的基本单元是“影像对象”,而不是单个的像元,即通过影像分割生成的同质目标[14]。从影像中查找和提取目标物特征,依靠对象知识特征库来完成目标物的提取。传统的基于像元的分类往往存在斑点噪声的影响,面向对象的分类方法则能较好地解决这一局限。本研究基于eCognition软件,利用面向对象的方法提取研究区淹水区域。
3.2.1 影像分割
eCognition面向对象分类的基础是先分割后分类,影像分割是面向对象提取技术及影像分析的基础和关键[15]。本研究利用多尺度的方法进行影像分割,多尺度分割是一种自上而下的分割算法,打破了用单一尺度表示同一空间分辨率的遥感影像信息的局限性,它能根据局部反差,任意尺度提取无知识参与的影像对象原型,适用于各种数据类型,同时能处理多通道数据,尤其适用于有纹理或低对比度影像差异小的数据、雷达影像或高分辨率影像[16]。
多尺度分割通过对光谱特征参数与形状特征参数的选取,置分割尺度使整幅影像分割形成的影像对象异质性最小,将具有相同特征的像元根据指定的尺度聚合在一起,形成一个有实际意义的“对象”,使得整幅影像对象的同质分割达到高度优化的水平,即一个斑块中只含有一种地类,从而在一定程度上避免了“椒盐”现象的出现[17,18],其实质就是一个局部最优化的过程。异质性的计算方法如下：
（1）整体异质性f：分为光谱异质性hcolor为和形状异质性hshape。
f = ω ∙ h color + 1 - ω ∙ h s h ape （1）
式中：ω为光谱权重值（0<ω<1）。
（2）光谱异质性hcolor。
h color = ∑ ω c ∙ σ c （2）
式中：c为图层数;ωc表示图层的权重;σc为图层的标准差
（3）形状异质性hshape：由平滑度（hsmooth）与紧致度（hcompact）2个子异质性指标构成。
h s h ape = ω compact ∙ h compact + ω smoo t h ∙ h smoo t h （3）
式中：ωcompact和ωsmooth为紧致度和平滑度异质性的权重值,二者的和为1。
影像分割尺度的选取至关重要,它直接决定了影像对象的大小以及信息提取的精度[19]。因此合理选定分割尺度参数、形状权重和紧致度权重的最优值对优化影像分割结果至关重要。
3.2.2 知识库构建与分类提取
知识库是多种特征的集合,确定影像适宜分割尺度后,选取合适的特征表达式对地物特征进行描述,将这些语义知识转化为规则,从而实现对淹水区域的提取。研究区域土地利用类型以农业用地为主,在HV极化方式下,一些植被的后向散射强度存在比较明显的变化,导致淹水区域的变化受到相应的干扰。而VV极化下,淹水区域和背景区域的区分比较清晰,且水体特征在VV极化的后向散射特征上表现较为稳定,纹理信息较少。通过对研究区域影像特点及水体与其它特征的敏感性分析后,选取了VV极化的后向散射均值特征来构建淹水区域提取的知识库,用于水体和非水体的区分。由于水体特征在SAR影像上极易分辨,因此本文在进行多尺度分割后,利用阈值法对水体进行提取。

4 结果与分析

综合考虑影像本身的特点及淹水范围提取的研究目的,本研究将影像地物类型分为淹水区域和未淹水区域2大类,提取灾前、灾中及灾后水体,结合不同时期的水域变化情况,对淹水范围进行提取分析。通过不断变化分割尺度以及对形状和紧致度权重的调整,得到不同的分割结果,利用先验知识和人的判别能力选取最优分割参数,同时结合地物信息特征,影像分割的尺度参数设为30,形状因子设为0.1,光谱因子设为0.9,紧致度因子设为0.5。该分割结果较为理想,能够体现出斑块间的差异信息,影像内部同质性高,水陆分离界限明显,保持了边界完整性。通过对VV极化均值特征的分析,水体的平均后向散射系数低于-14.15 dB,基于eCognition软件的Assign Class函数设置阈值范围,提取水体与非水体区域。
SAR影像是斜距成像,受成像机制的影响,微波照射地表时,研究区域喀斯特峰丛会出现透视收缩、叠掩和阴影等现象,场景中地形起伏较大的山体背向坡因无法获得雷达波束而产生山体阴影[20],阴影区域亮度低,与水体的后向散射强度相近。基于面向对象的阈值法无法完全将阴影区分出来,导致山体阴影被误提为水体。针对以上虚假信息误提的问题,根据研究区域特有的喀斯特地貌峰丛特征,本研究结合DEM数据,对研究区域的高程值进行统计,并结合山体阴影图及入射角度图,确定地势起伏较大区域的高程阈值为179.7 m,提取地势起伏较大的区域,以此剔除山体阴影对水体提取结果的影响。
基于上述研究方法,得到研究区域2017年受第一号洪水影响的灾情监测结果（图3）。研究区总面积为127.890 km2,灾前水体面积为3.559 km2,灾后水体面积为5.613 km2,对比7月15日灾后影像,7月3日总淹没区域为30.636 km2。从洪水时空分布上看,小河流区域灾情比较严重,淹水范围集中。受灾期影像与灾后时期影像间隔为12 d,对比灾前和灾后水体面积,可知该喀斯特岩溶湿地边缘区域退水周期较长。研究区以农业用地为主,且地势低于周边区域,可能是暴雨导致农田积水难以短时间排泄。同时,为了探讨Sentine1-1A SAR数据及基于面向对象方法的应用潜力,选取了2016年5月及6月研究区不同时期的受灾影像,并利用本文构建的提取流程对淹水范围进行监测提取分析。从图4可看出,淹水区域空间分布相对集中,提取的水域面积与原始影像水体面积基本吻合。由于研究区域水体分布变化复杂,人工描绘水域边界较困难,因此本文结合灾前灾后时期Landsat 8、Google Earth等高分辨率影像对灾前部分区域人工描绘水域边界,进行精度评价,用户总体精度达到89.7%。
Fig. 3 The flooding area extraction results in the study area during early July, 2017

图3 研究区域2017年7月上旬洪水淹没范围提取结果图

注：蓝色区域为7月3日淹水区域,黄色区域为5月28日灾前水体,红色为7月15日灾后水体

Fig. 4 The flooding area extraction results in May and June, 2016

图4 2016年5、6月淹水提取结果

对比分析基于像元的方法提取结果（图5（b））可明显看出,基于像元的分类方法受到影像斑噪的影响,地物分类结果比较离散,细小的河流不能被准确提取出来,破碎斑点多,阴影难以剔除。虽然基于OSTU阈值分割法（图5（c））能较好地保留水体边缘,但同样受到斑噪的影响,而基于面向对象的分类结果（5（a））连续性较高,一定程度上避免了的椒盐现象的产生,有较高的提取精度。
Fig. 5 Flooding area extraction results based on different classifications

图5 基于不同分类方法的淹水范围提取

5 讨论与结论

本文基于eCognition 9.0软件利用面向对象的方法对研究区域不同灾害时期的Sentinel-1A SAR影像进行淹水范围提取。研究结果表明,与传统基于像元的方法相比,面向对象的方法能有效地抑制杂斑的生成,提高空间信息的利用效率,且提取过程更加灵活,在提取精度上有一定的优势;Sentinel-1A SAR数据在洪水检测方面具有一定的应用潜力。在后期研究中可结合Sentinel-1B SAR数据,以期更好地对灾害过程实施动态监测,提高监测的时效性,为洪灾监测和灾情评估工作提供重要的数据支持。由于条件限制,针对淹水区提取结果的验证缺乏野外实际点的调查数据,且灾害期间连续阴雨天,受到云层覆盖干扰,无法获取有效的高分辨率光学影像对受灾范围进行验证分析,提取精度有待进一步提高。在后续研究中可结合研究区域土地利用类型覆盖图,统计不同土地利用类型受灾情况,以更好地指导区域农业生产和发展。

The authors have declared that no competing interests exist.

References

Publishing order | Descend order by publishing year | Descend order by cited within
[1]
赵阳,程先富.洪水灾害遥感监测研究综述[J].四川环境,2012,31(4):106-109.洪水灾害是最严重的自然灾害之一,洪灾造成的损失十分严重,对其进行科学的监测是防灾减灾的基础。在洪水灾害遥感监测研究进展的介绍基础上,着重对中分辨率、高时相、微波、高精度DEM、多源数据遥感洪水监测原理及方法的研究进展进行比较和总结,分析各种数据特点。在此基础上提出了洪水遥感监测向高分辨率、高时相性方向,遥感影像相互订正和利用3S技术是洪涝灾害动态监测发展的方向,为洪水灾害的快速反应和防洪辅助决策提供依据。

DOI

[Zhao Y, Cheng X F.Review on remote sensing monitoring of flood disaster[J]. Sichuan Environment, 2012,31(4):106-109.]

[2]
李小涛,黄诗峰,孙涛.洪涝灾害遥感监测与评估系统的实现和应用[J].水电能源科学, 2012,30(5):115-118,215.

[ Li X T, Huang S F, Sun T. Implementation and application of systems of flooding monitoring and evaluation using remote sensing[J]. International Journal Hydroelectric Energy, 2012,30(5):115-118,215.]

[3]
孙亚勇,黄诗峰,李纪人,等. Sentinel-1A SAR数据在缅甸伊洛瓦底江下游区洪水监测中的应用[J].遥感技术与应用,2017,32(2):282-288.

[Sun Y Y, Huang S F, Li J R, et al.Application of Sebtinel-1A SAR data in monitoring the downstream flooding of Myanmar Irrawaddy river[J]. Remote Sensing Technology and Application, 2017,32(2):282-288.]

[4]
Hong S, Jang H, Kim N, et al.Water area extraction using radarsat sar imagery combined with landsat imagery and terrain information[J]. Sensors, 2015,15(3):6652-6667.This paper exploits an effective water extraction method using SAR imagery in preparation for flood mapping in unpredictable flood situations. The proposed method is based on the thresholding method using SAR amplitude, terrain information, and object-based classification techniques for noise removal. Since the water areas in SAR images have the lowest amplitude value, the thresholding method using SAR amplitude could effectively extract water bodies. However, the reflective properties of water areas in SAR imagery cannot distinguish the occluded areas caused by steep relief and they can be eliminated with terrain information. In spite of the thresholding method using SAR amplitude and terrain information, noises which interfered with users' interpretation of water maps still remained and the object-based classification using an object size criterion was applied for the noise removal and the criterion was determined by a histogram-based technique. When only using SAR amplitude information, the overall accuracy was 83.67%. However, using SAR amplitude, terrain information and the noise removal technique, the overall classification accuracy over the study area turned out to be 96.42%. In particular, user accuracy was improved by 46.00%.

DOI PMID

[5]
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.科学有效的洪涝灾害监测和评估是防灾减灾决策的重要依据，提高洪涝灾害监测与评估的时效性和精度是加强洪涝灾害管理的迫切需求。在分析洪涝遥感监测评估原理基础上，从洪涝灾害遥感监测的数据与方法、基于遥感的洪涝灾害评估2个方面对已有研究进行分析和总结，指出了洪涝灾害遥感监测评估研究中存在的主要问题，并从增加遥感数据源、提高遥感数据质量、开发云下水体提取技术、完善地面数据库、细化灾害统计基本单元及加强洪涝损失预警等方面探讨了未来的发展方向及趋势。

DOI

[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.]

[6]
Aulard-Macler M. Sentinel-1 product definition[J]. MDA Document, Num. SEN-RS-52-7440, ESA CDRL Num. PDL1-1, PDL2-1, 2011.

[7]
欧阳伦曦,李新情,惠凤鸣,等.哨兵卫星Sentinel-1A数据特性及应用潜力分析[J].极地研究, 2017,29(2):286-295.Sentinel-1A是欧空局“哥白尼计划”发射的首颗对地观测卫星,其搭载的C波段SAR传感器有效地延续了ERS-1/2和ENVISAT ASAR对地观测任务。简要介绍了Sentinel-1A卫星的特点和轨道参数,并与ERS-1/2和ENVISAT ASAR进行了对比。详细介绍了Sentinel-1A的成像模式（SM,IW,EW,WV）以及每种模式下数据产品（Level-0,Level-1,Level-2）的特征。最后分析了Sentinel-1A数据在不同领域的实际应用,为其在对地观测中的广泛应用提供了参考。

DOI

[ OuYang L X, Li X Q, Hui F M, et al. Characteristics of Sentinel-1A data and analysis of its potential applications[J]. Chinese Journal of Polar Research, 2017,29(2):286-295.]

[8]
何勇,陈昌鸣,熊增连,等.基于eCognition的面向对象农村公路提取[J].重庆交通大学学报(自然科学版),2012,31(6):1194-1197.

[He Y, Cheng C M, Xiong Z L, et al.Object-oriented rural roads extraction based on eCognition[J]. Journal of Chongqing Jiaotong University (Natural Science), 2012,31(6):1194-1197.]

[9]
李海良. 基于AHP的临桂新区岩溶塌陷危险性模糊综合评价[D].桂林:桂林理工大学,2014.

[Li H L.Fuzzy synthetic evaluation of the karst collapse risk in Lingui new area based on AHP Major[D]. Guilin: Guilin University of technology, 2014.]

[10]
叶子伟,陈小松,吴敦.基于Radarsat SAR微波影像的水体提取研究[J].测绘地理信息,2016,41(2):54-57.利用星载SAR对天气条件较差的洪涝灾区进行监测,能及时指导抗洪救灾。利用Radarsat SAR微波影像,结合DEM和ETM+信息去除影像阴影提取水体,综合比较分析两种不同方法的优劣。

DOI

[Ye Z W, Chen X S, Wu D.Water extraction of Radarsat SAR images[J]. Journal of Geomatics, 2016,41(2):54-57.]

[11]
徐颖,周焰. SAR图像相干斑抑制研究进展[J].计算机工程与应用,2013(20):210-216.相干斑抑制是SAR图像处理领域的研究热点之一,也是SAR图像解译和应用中的关键步骤,因此SAR图像的相干斑抑制算法具有重要的研究价值。在简要介绍SAR图像相干斑的产生机理和数学模型的基础上,综述了国内外相干斑抑制的最新研究成果,重点分析了空域滤波和变换域滤波两类方法。从算法的可行性角度出发,分析了几种具有代表性的相干斑抑制方法及其优缺点,总结了常用相干斑抑制效果评价指标,最后对今后工作方向进行了展望。

DOI

[Xu Y, Zhou Y.Review on SAR image speckle suppression[J].Computer Engineering and Applications,2013(20):210-216.]

[12]
冷英,刘忠玲,张衡,等.一种改进的ACM算法及其在鄱阳湖水域监测中的应用[J].电子与信息学报,2017,39(5):1064-1070.

[Leng Y, Liu Z L, Zhang H, Improved ACM algorithms for Poyang lake monitoring[J]. Journal of Electronics and Information Technology 2017,39(5):1064-1070.]

[13]
Liu Z, Li F, Li N, et al.A novel region-merging approach for coastline extraction from sentinel-1a IW mode SAR imagery[J]. IEEE Geoscience & Remote Sensing Letters, 2016,13(3):324-328.Coastline extraction with high accuracy from wide-swath synthetic aperture radar (SAR) imagery is still a challenging problem due to speckle, sea state condition, and land type. This letter presents a novel approach for coastline extraction from SAR images with complex scenarios and large geograp hical coverage, using the combination of modified K-means method and adaptive object-based region-merging mechanism (MKAORM). First, a modified K-means method is used to produce initial oversegmentation for the following region-merging stage. Second, an adaptive and coarse-fine object-based region-merging scheme using subregion classification is exploited to extend the automatically selected “sea” seed and “land” seed, respectively, to extract the final coastline. MKAORM can reduce the high computation cost of coastline extraction from wide-swath SAR imagery while keeping high accuracy. More than 93% of the detected coastlines lie within 2-pixel distance in comparison with the manually traced coastlines in experiments taken on Sentinel-1A (S1A) IW (Interferometric Wide-swath) mode SAR imagery.

DOI

[14]
周春艳,王萍,张振勇,等.基于面向对象信息提取技术的城市用地分类[J].遥感技术与应用, 2008,23(1): 31-35,123.lt;p>针对高分辨率遥感影像的城市用地分类,引入了面向对象的信息提取技术,并将其与传统基于像素光谱信息的分类方法进行了比较。在此基础上详述了面向对象信息提取的关键技术&mdash;&mdash;&mdash;多尺度影像分割和基于分割的分类技术。以城市作为研究区,实现城市用地的自动分类。图像处理过程包括几何校正、HIS融合、图像分割和图像分类。最终分类结果表明:视觉上,面向对象信息提取技术克服了传统方法无法克服的&ldquo;椒盐&rdquo;噪声的影响;精度上,面向对象信息提取技术的总体精度高达84.82%,比最大似然法的总体精度提高了10.95%,并且各类地物信息的提取精度均有所提高,其中草地、道路、建筑物阴影的精度较高。</p>

[Zhou C Y, Wang P, Zhang Z Y, et al. Classification of urban land based on object-oriented information extraction technology[J]. Remote Sensing Technology and Application, 2008,23(1): 31-35,123.]

[15]
王伟超,邹维宝.高分辨率遥感影像信息提取方法综述[J].北京测绘,2013(4):1-5.感知地物信息最直接的载体就是遥感影像,从遥感影像中提取地形地物等专题信息是当前遥感技术面临的一个迫在眉睫的问题.遥感影像的空间分辨率伴随着遥感技术的飞速发展从公里级发展到厘米级,同时遥感影像所包含的信息正越来越丰富化.高空间分辨率遥感影像具有数据量极大、数据复杂以及尺度依赖的特点,使得高空间分辨率的遥感影像的数据处理以及影像信息提取具有一定的难度,面临一些急需解决的问题.文中介绍了高分辨率遥感影像信息提取的国内外研究现状和趋势,分析了几种遥感影像的分类方法,指出了面向对象的遥感影像信息提取的技术及高分辨率遥感影像的多尺度分割,并指出了国内外在遥感影像信息提取技术方面的不足和迫切需要解决的问题.

DOI

[Wang W C, Zhou W B.Methods of information extraction of remote sensing images with high resolution[J].Beijing Surveying and Mapping,2013(4):1-5.]

[16]
张俊,汪云甲,李妍,等.一种面向对象的高分辨率影像最优分割尺度选择算法[J].科技导报, 2009,27(21):91-94.

[Zhang J, Wang Y J, Li Yan, et al. An object-oriented optimal scale selection method for remote sensing images of high spatial resolution[J]. Science & Technology Review, 2009,27(21):91-94.]

[17]
汤传勇,卢远.利用面向对象的分类方法提取水稻种植面积[J].遥感信息,2010(1):53-56.结合广西水稻面积的遥感解译工作,应用SPOT4遥感数据和遥感处理软件ENVI,利用面向对象的遥感分类的方法提取早稻种植面积。分类结果表明,利用面向对象的分类方法有效解决逐像素分类结果的"椒盐"效应,获得比传统的像素级分类方法更高的分类精度,为广西水稻种植面积的自动提取提供了广阔的前景。

DOI

[Tang C Y, Lu Y.Research on extraction of rice planting area based on object-oriented classification methods[J].Remote Sensing Information,2010(1):53-56.]

[18]
李丹,张旭亚,孙丽娜.面向对象的土地利用遥感分类方法研究[J].安徽农业科学, 2013,41(20):8586-8588,8610.

[Li D, Zhang X Y, Sun L N. Research on object-oriented method of land use remote sensing classification[J]. Journal of Anhui Agricultural Sciences, 2013,41(20):8586-8588,8610.]

[19]
雍万铃,杨树文,张立峰,等.最优分割尺度的滑坡信息提取[J].测绘科学,2017,42(3):120-125.

[Yong W L, Yang S W, Zhang L F, et al.Landslide information extraction based on the optimal segmentation scale[J]. Science of Surveying and Mapping, 2017,42(3):120-125.]

[20]
孙亚勇,李小涛,杨锋杰,等.基于星载SAR数据的山区水体提取方法研究[J].中国水利水电科学研究院学报,2014,12(3):258-263.

[Sun Y Y, Li X T, Yang F J, et al.Study on the method of mountain water extraction based on the space-borne SAR images[J]. China Institute of Water Resources and Hydropower Research, 2014,12(3): 258-263.]

Options
Outlines

/

〈 〉