[发明专利]基于全极化SAR的积雪识别方法、装置、设备和存储介质

权利要求书

1.基于全极化SAR的积雪识别方法，其特征在于，包含：

获取目标区域的全极化Radarsat-2影像；

根据所述全极化Radarsat-2影像，提取后向散射系数，获取HH后向散射特征、HV后向散射特征、VH后向散射特征和VV后向散射特征；

根据所述VV后向散射特征和所述VH后向散射特征，获取第一差值和第一比值；其中，所述第一差值为所述VV后向散射特征和所述VH后向散射特征的差值；所述第一比值为VV后向散射特征和所述VH后向散射特征的比值；

根据所述全极化Radarsat-2影像，通过Pauli分解，获取Pauli_Dbl极化特征、Pauli_Odd极化特征和Pauli_Vol极化特征；

根据所述全极化Radarsat-2影像，通过Freeman分解，获取Freeman_Dbl极化特征、Freeman_Odd极化特征和Freeman_Vol极化特征；

根据所述全极化Radarsat-2影像，通过分解，获取Entropy极化特征、Anisotropy极化特征、Alpha极化特征和Lambda极化特征；

根据所述全极化Radarsat-2影像，通过Yamaguchi分解，获取Yamaguchi4_Dbl极化特征、Yamaguchi4_Odd极化特征、Yamaguchi4_Vol极化特征和Yamaguchi4_Hlx极化特征；

根据所述HH后向散射特征、所述HV后向散射特征、所述VH后向散射特征、所述VV后向散射特征、所述第一差值、所述第一比值、所述Pauli_Dbl极化特征、所述Pauli_Odd极化特征、所述Pauli_Vol极化特征、所述Freeman_Dbl极化特征、所述Freeman_Odd极化特征、所述Freeman_Vol极化特征、所述Entropy极化特征、所述Anisotropy极化特征、所述Alpha极化特征、所述Lambda极化特征、所述Yamaguchi4_Dbl极化特征、所述Yamaguchi4_Odd极化特征、所述Yamaguchi4_Vol极化特征和所述Yamaguchi4_Hlx极化特征，进行波段组合，获取由20个波段组成的多波段特征影像；

根据所述20个波段组成的多波段特征影像，采用随机森林分类器进行识别，以获得积雪识别结果。

2.根据权利要求1所述的积雪识别方法，其特征在于，根据所述全极化Radarsat-2影像，提取后向散射系数，获取HH后向散射特征、HV后向散射特征、VH后向散射特征和VV后向散射特征，具体包括：

根据所述全极化Radarsat-2影像，进行多视处理、滤波处理、地理编码和辐射定标预处理，采用Refind Lee滤波进行降噪处理，窗口大小设置为5*5，然后提取后向散射系数，获取HH后向散射特征、HV后向散射特征、VH后向散射特征和VV后向散射特征。

3.根据权利要求1所述的积雪识别方法，其特征在于，在Pauli分解、Freeman分解、分解，以及Yamaguchi分解之前，还包括：

根据所述全极化Radarsat-2影像，获取极化散射矩阵；

将所述极化散射矩阵转换为极化相干矩阵，然后采用RefindLee滤波对相干矩阵进行降噪处理。

4.根据权利要求1所述的积雪识别方法，其特征在于，根据所述20个波段组成的多波段特征影像，采用随机森林分类器进行识别，以获得积雪识别结果，具体包括：

根据所述20个波段组成的多波段特征影像，获取原始训练样本集；其中，所述原始训练样本集包含积雪样本55个，非积雪样本66个；

根据所述原始训练样本集，采用Bootstraping方法有放回的随机选取一个样本放入训练集中，重复抽样100次，获得100个的训练集；其中，每个训练集包含20个特征；

分别根据所述100个训练集，随机选取个特征组成一个新的特征集，通过计算特征的信息量，选择最优特征对节点进行分裂，生成决策树，从而获取100个决策树模型，并将100个决策树组成随机森林；

根据所述随机森林对所述20个波段组成的多波段特征影像进行分类识别，以获得积雪识别结果；其中，所述识别结果包括积雪区域和非积雪区域。