雷达遥感图像分类新技术发展研究

doi:10.6046/gtzyyg.2001.03.01

摘要
参考文献
相关文章
Metrics

全文: PDF(480 KB)

HTML
输出: BibTeX | EndNote (RIS)

摘要

总结了雷达遥感图像分类技术的发展过程,指出新的分类技术正朝着采用新特征(如雷达极化信息与干涉信息、多参数极化干涉信息、多时相信息、DEM与地理信息等),应用新理论(如小波理论、分形理论、模糊理论),设计新算法(如改进的最大似然法、上下文分类法、改进的神经网络分类算法等)的方向发展.

	服务

	把本文推荐给朋友
	加入引用管理器
	E-mail Alert
	RSS
	作者相关文章
	路云阁
	刘晓
	张振德

关键词 ：土地沙化, 气候变化, 遥感, 三江源

Abstract：

With more and more information acquired by radar remote sensing the classification technology for radar imagery is heading towards high precision, high correctness and rapidness due to the application of new algorithms, theories, ancillary information and characteristics. In the paper, the development of new classification technology for radar imagery is overviewed. To improve the precision and stability, the authors consider that new characteristics (polarimetric and interferometric information, multi_temporal and geographic information etc.), new theories (like wavelet, fractal and fuzzy theory etc.), and new designed algorithms (such as improved max_likelihood, context Classifier and neural network classifier etc.) should be applied to the classification process of radar imagery.

Key words： Land desertification Climate change Remote sensing Sanjiangyuan region

收稿日期: 2001-04-04 出版日期: 2011-08-02

基金资助:

国家自然科学基金项目(49989001)

作者简介: 谭衢霖(1975-),男,博士生,主要研究方向为雷达遥感与GIS应用.

引用本文:

谭衢霖, 邵芸. 雷达遥感图像分类新技术发展研究[J]. 国土资源遥感, 2001, 13(3): 1-7.
TAN Qu-lin, SHAO Yun . A STUDY ON THE DEVELOPMENT OF NEW CLASSIFICATION TECHNOLOGY FOR REDAR REMOTE SENSING IMAGERY. REMOTE SENSING FOR LAND & RESOURCES, 2001, 13(3): 1-7.

链接本文:

https://www.gtzyyg.com/CN/10.6046/gtzyyg.2001.03.01 或 https://www.gtzyyg.com/CN/Y2001/V13/I3/1

[1] Hellmann M, Cloude S R, Papathanassiou K P. Classification Using Polarimetric and Interferometric SAR Data
[C]. IEEE IGARSS'97,1997: 1411-1413.

[2] 胡召玲,郭达志,盛业华.基于小波纹理信息的星载SAR图像分类研究［J］. 遥感信息, 2000,(4):21-23.

[3] 范湘涛.雷达和TM数据分析与分形研究--以塔西北新构造和肇庆植被识别为例
[D].南京:南京大学地球科学系博士学位论文,1999.

[4] Du L, Lee J S. Fussy Classification of Earth Terrain Covers Using Complex Polarimetric SAR Data［J］. International Journal of Remote Sensing, 1996, 17(4):809-826.

[5] Lee J S, Grunes M R, Kwok R. Classification of Multi-look Polarimetric SAR Imagery Based on Complex Wishart Distribution［J］. International Journal of Remote Sensing, 1994, 15(11): 2299-2311.

[6] Liu Hao, Shao Yun. An Improved Learning Vector Quantization Neural Network for Land Cover Classification with Multi_temporal Radarsat Images
[C]. IEEE IGRASS'98, 1998,1787-1789.

[7] Shao Y, Guo H D, Liu H, Brisco B. Multifrequency, Multi-polarization GlobeSAR Data for Land Use Mapping
[C]. Proceedings of the First Asia Regional GlobeSAR Regional Workshop, 1994,32-45.

[8] Wang Cuizhen, Guo Huadong. Lithological Classification of Polarimetric SAR Data with Target Decomposition Method［J］. Journal of Remote Sensing, 2000,4(3):219-223.

[9] Tazio Strozzi, Patrik B G Dammert, Urs Wegmuller, et al. Landuse Mapping with ERS SAR Interferometry［J］. IEEE Transactions on Geoscience and Remote Sensing, 2000,38(2):766-775.

[10] Hirosawa H. Degree of Polarization of Radar Backscatters from Mixed Target［J］. IEEE Transactions on Geoscience and Remote Sensing, 1997, 35(2):466-470.

[11] 刘浩,邵芸,王翠珍.多时相Radarsat数据在中国南方水稻分类中的应用［J］. 国土资源遥感,1997,(4):1-6.

[12] Helne Caillol. Fuzzy Random Fields and Unsupevised Image Segmentation［J］. IEEE Transactions on Geoscience and Remote Sensing, 1993,31(4):801-810.

[13] 王翠珍.极化SAR数据分析与目标信息提取
[D].北京:中国科学院遥感应用研究所博士学位论文,1999.

[14] Gong Peng. Performance Analyses of Probabilistic Relaxation Methods for Land-Cover Classification［J］. Remote Sens. Environ., 1989, 30:33-42.

[15] Pierce L E, Ulaby F T, Sarabandi K, Dobson M C. Knowledge-Based Classification of Polarimetric SAR Images［J］.IEEE Transactions on Geoscience and Remote Sensing, 1994, 32(5):1081-1085.

[16] Van Zyl J J, Burnette C E. Bayesian Classification of Polarimetric SAR Images Using Adaptive a Priori Probabilities［J］. International Journal of Remote Sensing, 1992, 13(5):835-840.

[1]	李伟光, 侯美亭. 植被遥感时间序列数据重建方法简述及示例分析[J]. 自然资源遥感, 2022, 34(1): 1-9.
[2]	丁波, 李伟, 胡克. 基于同期光学与微波遥感的茅尾海及其入海口水体悬浮物反演[J]. 自然资源遥感, 2022, 34(1): 10-17.
[3]	高琪, 王玉珍, 冯春晖, 马自强, 柳维扬, 彭杰, 季彦桢. 基于改进型光谱指数的荒漠土壤水分遥感反演[J]. 自然资源遥感, 2022, 34(1): 142-150.
[4]	张秦瑞, 赵良军, 林国军, 万虹麟. 改进遥感生态指数的宜宾市三江汇合区生态环境评价[J]. 自然资源遥感, 2022, 34(1): 230-237.
[5]	贺鹏, 童立强, 郭兆成, 涂杰楠, 王根厚. 基于地形起伏度的冰湖溃决隐患研究——以希夏邦马峰东部为例[J]. 自然资源遥感, 2022, 34(1): 257-264.
[6]	刘文, 王猛, 宋班, 余天彬, 黄细超, 江煜, 孙渝江. 基于光学遥感技术的冰崩隐患遥感调查及链式结构研究——以西藏自治区藏东南地区为例[J]. 自然资源遥感, 2022, 34(1): 265-276.
[7]	王茜, 任广利. 高光谱遥感异常信息在阿尔金索拉克地区铜金矿找矿工作中的应用[J]. 自然资源遥感, 2022, 34(1): 277-285.
[8]	吕品, 熊丽媛, 徐争强, 周学铖. 基于FME的矿山遥感监测矢量数据图属一致性检查方法[J]. 自然资源遥感, 2022, 34(1): 293-298.
[9]	张大明, 张学勇, 李璐, 刘华勇. 一种超像素上Parzen窗密度估计的遥感图像分割方法[J]. 自然资源遥感, 2022, 34(1): 53-60.
[10]	薛白, 王懿哲, 刘书含, 岳明宇, 王艺颖, 赵世湖. 基于孪生注意力网络的高分辨率遥感影像变化检测[J]. 自然资源遥感, 2022, 34(1): 61-66.
[11]	宋仁波, 朱瑜馨, 郭仁杰, 赵鹏飞, 赵珂馨, 朱洁, 陈颖. 基于多源数据集成的城市建筑物三维建模方法[J]. 自然资源遥感, 2022, 34(1): 93-105.
[12]	于新莉, 宋妍, 杨淼, 黄磊, 张艳杰. 结合空间约束的卷积神经网络多模型多尺度船企场景识别[J]. 自然资源遥感, 2021, 33(4): 72-81.
[13]	李轶鲲, 杨洋, 杨树文, 王子浩. 耦合模糊C均值聚类和贝叶斯网络的遥感影像后验概率空间变化向量分析[J]. 自然资源遥感, 2021, 33(4): 82-88.
[14]	艾璐, 孙淑怡, 李书光, 马红章. 光学与SAR遥感协同反演土壤水分研究进展[J]. 自然资源遥感, 2021, 33(4): 10-18.
[15]	李特雅, 宋妍, 于新莉, 周圆锈. 卫星热红外温度反演钢铁企业炼钢月产量估算模型[J]. 自然资源遥感, 2021, 33(4): 121-129.

Viewed

Full text

Abstract

Cited

Shared

Discussed