第
38
卷第
6
期
2013
年
6
月
武汉大学学报·信息科学版
Vol. 38 No. 6
] une 2013 Geomatics and Information Science of
Wuhan
University
文章编号：
1671-8860(2013)06
0648-04
文献标志、码：
A
全极化
SAR
数据的最大后验概率分类
梁志锋
1
凌飞龙
1
陈尔学
2
Cl
福州大学空间信息工程研究中心，福州市大学城学园路
2
号，
350002)
(2
中国林业科学研究院资源信息研究所，北京市海淀区香山路东小府，
100091)
摘
要
2
结合后验概率对分类的影响和全极化
SAR
数据特点，提出了一种全极化
SAR
数据分类方法。首先
将全极化
SAR
数据的协方差矩阵转换为
9
个服从正态分布的强度量；然后通过迭代分类计算类别出现的概
率，对
9
个强度量进行基于最大后验概率的分类。以黑龙江省逊克县境内的一景
ALOS PALSAR
全极化数
据为例，用该方法进行分类，总体精度和
Kappa
系数分别达到
81.
34
%和
0.
84
，优于传统的最大似然分类
方法。
关键词：分类；
SAR
；极化；后验概率
中图法分类号：
P237.3
全极化
SAR
数据土地覆盖分类主要是基于
对极化协方差矩阵或相干矩阵进行目标分解、获
取地物的雷达散射机制展开［
1-6
］，或结合目标分解
并基于
Wishart
统计分布进行［
7-9
］。但是，
Wishart
分布很难正确地描述极化
SAR
数据，给
极化
SAR
分类造成了困难［叫。很多遥感图像分
类都是基于数据服从正态分布的假设。将全极化
SAR
数据完全用强度形式表示，即可以用基于正
态分布假设的分类方法（如最大似然分类）对其分
类［
II
］。基于最大后验概率（
maximum
a
posterio-
ri,MAP
）的分类方法，通过计算后验概率可以实
现更高精度的分类［
12
］。而后验概率的计算可以
在迭代分类的过程中实现，即对于每次分类结果
统计某一类别出现的概率［叫。
极化
SAR
参数具有不同的统计分布和传统
的分类方法，很少考虑类别的先验概率，影响了分
类效果。针对这两个问题，本文提出一种基于极
化转换和后验概率统计的全极化
SAR
数据分类
方法。首先，引入一种极化转换方法，将极化协方
差矩阵转换成
9
个服从统→的正态分布的强度
量。然后，通过迭代分类方法估算类别出现的概
率，对
9
个强度量进行基于最大后验概率的分类。
将该方法应用于
ALOS
PALAR
全极化数据分
类，取得了满意的结果。
收稿日期：
2013
01
25
。
1
研究区与数据
研究区位于黑龙江省逊克县境内（图
1
），地
处小兴安岭中段北麓。逊克县地势南高北低，属
丘陵地区，海拔高度约为
200
～
400
m
，境内地物
主要以森林、农田和高盖度草地等为主。
127°30
’E
128°30
’E
129
。
30
’
E
50°0’ N
I..
\
俄罗斯
49'30’ N
49
。
30
’
N
49'0' N
孙＂县
49'0
’N
48'30
’ N
他窗前恳
w
否
•Ii
127
。
0
’
E
128'0’E
128
。
0
’
E
图
1
研究区地理位置
Fig. 1 Geographical I-ocation of
Study
Area
本文选用逊克县一景
ALOS
PALSAR
全极
化数据作为实验数据，具体参数见表
10
用
GAMMA
软件对
SAR
图像进行预处理，
处理流程包括主辅影像配准、多视、强度图像定
标与配准、地理编码等。其中地理编码采用
30
m
分辨率的
ASTER
GDEM
为参考。选用
2000
年
项目来源
z
国家青年科学基金资助项目（
41101381
)
；福建省科技计划资助项目（
200910014
）；中欧“龙计划”合作项目（
5314
）。
第
38
卷第
6
期
2013
年
6
月
武汉大学学报·信息科学版
Vol. 38 No. 6
] une 2013 Geomatics and Information Science of
Wuhan
University
文章编号：
1671-8860(2013)06
0648-04
文献标志、码：
A
全极化
SAR
数据的最大后验概率分类
梁志锋
1
凌飞龙
1
陈尔学
2
Cl
福州大学空间信息工程研究中心，福州市大学城学园路
2
号，
350002)
(2
中国林业科学研究院资源信息研究所，北京市海淀区香山路东小府，
100091)
摘
要
2
结合后验概率对分类的影响和全极化
SAR
数据特点，提出了一种全极化
SAR
数据分类方法。首先
将全极化
SAR
数据的协方差矩阵转换为
9
个服从正态分布的强度量；然后通过迭代分类计算类别出现的概
率，对
9
个强度量进行基于最大后验概率的分类。以黑龙江省逊克县境内的一景
ALOS PALSAR
全极化数
据为例，用该方法进行分类，总体精度和
Kappa
系数分别达到
81.
34
%和
0.
84
，优于传统的最大似然分类
方法。
关键词：分类；
SAR
；极化；后验概率
中图法分类号：
P237.3
全极化
SAR
数据土地覆盖分类主要是基于
对极化协方差矩阵或相干矩阵进行目标分解、获
取地物的雷达散射机制展开［
1-6
］，或结合目标分解
并基于
Wishart
统计分布进行［
7-9
］。但是，
Wishart
分布很难正确地描述极化
SAR
数据，给
极化
SAR
分类造成了困难［叫。很多遥感图像分
类都是基于数据服从正态分布的假设。将全极化
SAR
数据完全用强度形式表示，即可以用基于正
态分布假设的分类方法（如最大似然分类）对其分
类［
II
］。基于最大后验概率（
maximum
a
posterio-
ri,MAP
）的分类方法，通过计算后验概率可以实
现更高精度的分类［
12
］。而后验概率的计算可以
在迭代分类的过程中实现，即对于每次分类结果
统计某一类别出现的概率［叫。
极化
SAR
参数具有不同的统计分布和传统
的分类方法，很少考虑类别的先验概率，影响了分
类效果。针对这两个问题，本文提出一种基于极
化转换和后验概率统计的全极化
SAR
数据分类
方法。首先，引入一种极化转换方法，将极化协方
差矩阵转换成
9
个服从统→的正态分布的强度
量。然后，通过迭代分类方法估算类别出现的概
率，对
9
个强度量进行基于最大后验概率的分类。
将该方法应用于
ALOS
PALAR
全极化数据分
类，取得了满意的结果。
收稿日期：
2013
01
25
。
1
研究区与数据
研究区位于黑龙江省逊克县境内（图
1
），地
处小兴安岭中段北麓。逊克县地势南高北低，属
丘陵地区，海拔高度约为
200
～
400
m
，境内地物
主要以森林、农田和高盖度草地等为主。
127°30
’E
128°30
’E
129
。
30
’
E
50°0’ N
I..
\
俄罗斯
49'30’ N
49
。
30
’
N
49'0' N
孙＂县
49'0
’N
48'30
’ N
他窗前恳
w
否
•Ii
127
。
0
’
E
128'0’E
128
。
0
’
E
图
1
研究区地理位置
Fig. 1 Geographical I-ocation of
Study
Area
本文选用逊克县一景
ALOS
PALSAR
全极
化数据作为实验数据，具体参数见表
10
用
GAMMA
软件对
SAR
图像进行预处理，
处理流程包括主辅影像配准、多视、强度图像定
标与配准、地理编码等。其中地理编码采用
30
m
分辨率的
ASTER
GDEM
为参考。选用
2000
年
项目来源
z
国家青年科学基金资助项目（
41101381
)
；福建省科技计划资助项目（
200910014
）；中欧“龙计划”合作项目（
5314
）。
资源评论
weixin_38742647
- 粉丝: 25
- 资源: 932
最新资源
- 基于javaweb的网上拍卖系统，采用Spring + SpringMvc+Mysql + Hibernate+ JSP技术
- polygon-mumbai
- Chrome代理 switchyOmega
- GVC-全球价值链参与地位指数，基于ICIO表，（Wang等 2017a）计算方法
- 易语言ADS指纹浏览器管理工具
- 易语言奇易模块5.3.6
- cad定制家具平面图工具-(FG)门板覆盖柜体
- asp.net 原生js代码及HTML实现多文件分片上传功能（自定义上传文件大小、文件上传类型）
- whl@pip install pyaudio ERROR: Failed building wheel for pyaudio
- Constantsfd密钥和权限集合.kt
资源上传下载、课程学习等过程中有任何疑问或建议，欢迎提出宝贵意见哦~我们会及时处理！
点击此处反馈
