论文部分内容阅读
海冰解译是海冰监测和预报的重要组成部分,SAR (Synthetic Aperture Radar)是海冰监测和预报的重要工具。为了在一次扫描过程中,采集到更大范围的地物信息,目前,很多SAR系统都采用了ScanSAR (Scanning Synthetic Aperture Radar)这种工作模式。在这种工作模式下,雷达系统扫描宽度能够达到100km以上,采集到的海冰图像存在较大的入射角变化。为了减弱入射角变化对海冰解译的影响,有必要在对ScanS AR海冰图像进行解译之前,进行入射角校正,然后再对校正后的海冰图像进行解译。基于前人对入射角校正方法的研究,本文首先提出了一种新的按类校正方法。文中用于测试的海冰SAR数据集是采集自渤海海域的ENVISAT ASAR (Advanced Synthetic Aperture Radar)数据。为了实现按类校正,首先沿距离向将原始图像分割成若干个图像块,实现基于块的初始非监督分类。利用分类图像构建各海冰类的掩膜图像,针对特定的海冰类用本文提出的局部线性映射(Locally Linear Mapping, LLM)方法实现按类校正。由于方位带上后向散射值分布是离散和非线性的,LLM方法先对每个方位带上特定的目标类的后向散射值进行数值排序,然后把排序后的数值近似平均的划分为N子集以保证各子集内后向散射值的分布是局部线性的,由此实现方位带与参考带间的局部线性映射。实验表明,LLM校正后的ScanSAR图像呈现出更详细的纹理,且雷达数据中自然信号的变化被保留,这证明与类HIST技术相比,LLM更有益于海冰SAR数据的入射角校正。此外,本文还讨论了参考带的确定方法以及方位带宽度与后向散射值的平均变化率之间的关系。另外,本文将基于马尔可夫随机场(Markov Random Field, MRF)的空间语境信息引入支持向量机(Support Vector Machine, S VM)分类器中,提出MRF-SVM分类系统。本系统首先将SAR海冰图像区域化,然后利用双阈值准则判别边缘强弱,最后针对模糊边缘区域改进基于MRF的空间语境模型,修正SVM原始问题中的偏差因子,从而优化最优分类超平面。实验表明,该方法可以有效提高ScanSAR海冰图像的解译精度。