1.一种全极化SAR目标分解的盐沼植被精细提取方法,其特征在于,包括:步骤1、获取全极化SAR遥感影像数据,并对所述全极化SAR遥感影像数据进行预处理,将影像的像素值转换为实际地物的后向散射强度;
步骤2、对所述全极化SAR遥感影像数据进行矩阵提取,所述矩阵包括极化散射矩阵S、极化协方差矩阵[C]和相干矩阵[T];
步骤3、对散射矩阵S、协方差矩阵[C]和相干矩阵[T]进行极化分解,获得极化散射参数;
步骤4、对所述极化散射参数进行相关性分析,筛选出相关程度低的极化散射特征参数,获得极化散射特征参数的最优组合;
步骤5、选取盐沼植被和非盐沼植被的样本点,并将样本点划分为测试集和训练集;
步骤6、统计分析不同地物类型样本点多种极化分解参数的数值范围,进行极化分解参数的敏感性分析,确定不同地物类型的极化散射参数分割阈值,并分析对比不同参数对盐沼植被分类的重要性;
步骤7、采用随机森林分类方法对盐沼植被进行分类,获得盐沼植被精细化分类结果。
2.根据权利要求1所述的全极化SAR目标分解的盐沼植被精细提取方法,其特征在于,步骤1中,对所述全极化SAR遥感影像数据进行预处理,包括:步骤1.1、对所述全极化SAR遥感影像数据辐射定标处理,获得所述全极化SAR遥感影像数据的后向散射强度以及相位信息:步骤1.2、对所述全极化SAR遥感影像数据进行滤波处理减少相干斑噪声;
步骤1.3、对所述全极化SAR遥感影像数据进行多普勒校正。
3.根据权利要求2所述的全极化SAR目标分解的盐沼植被精细提取方法,其特征在于,步骤2包括:步骤2.1、提取全极化SAR遥感影像数据的极化散射矩阵S,表示为:其中,S的第一列是通过发射水平极化波,并使用水平和垂直极化的天线来记录散射波,即S步骤2.2、将散射矩阵S转化为目标矢量k,表示为:
其中,Ψ是2×2复基矩阵;V表示将散射矩阵S进行向量化;trace为矩阵的迹,用于求矩阵主对角线上各个元素的总和;
步骤2.3、分别选择字典排序基矩阵Ψ
步骤2.4、通过目标矢量k
步骤2.5、通过目标矢量k
4.根据权利要求3所述的全极化SAR目标分解的盐沼植被精细提取方法,其特征在于,步骤3中,极化分解的方法包括相干极化分解和非相干极化分解方法。
5.根据权利要求4所述的全极化SAR目标分解的盐沼植被精细提取方法,其特征在于,步骤4中,计算各个极化散射参数之间的皮尔逊相关系数,根据皮尔逊相关系数筛选相关程度低的极化分解参数,筛选阈值设置为皮尔逊相关系数≤00.5,将相关程度高的参数去除,保留相关程度低的参数。
6.根据权利要求5所述的全极化SAR目标分解的盐沼植被精细提取方法,其特征在于,步骤5中,所述盐沼植被样本点选取互花米草、藨草和芦苇,所述非盐沼植被样本点选择堤坝、潮沟、光滩、水面和道路;并采用交叉验证的方法将样本点数据集划分为训练集和测试集。
7.根据权利要求5所述的全极化SAR目标分解的盐沼植被精细提取方法,其特征在于,步骤6中,提取不同样本点极化分解参数的散射值;针对非盐沼植被和盐沼植被类型,统计极化分解参数的数值分布特征,确定不同参数的分割阈值;对比分析不同参数对于不同盐沼植被分类的重要性,且进行排序。
8.根据权利要求5所述的全极化SAR目标分解的盐沼植被精细提取方法,其特征在于,步骤7中,选择筛选后的极化散射特征参数作为输入变量;从训练集中进行有放回的随机抽样,生成多个不同的训练数据子集,每个子集的样本数量与原始数据集相同,但包含一部分重复的样本。
9.一种全极化SAR目标分解的盐沼植被精细提取系统,其特征在于,用于执行权利要求1至8任一所述的全极化SAR目标分解的盐沼植被精细提取方法,包括:获取模块,用于获取全极化SAR遥感影像数据,并对所述全极化SAR遥感影像数据进行预处理,将影像的像素值转换为实际地物的后向散射强度;
提取模块,用于对所述全极化SAR遥感影像数据进行矩阵提取,所述矩阵包括极化散射矩阵S、极化协方差矩阵[C]和相干矩阵[T];
极化分解模块,用于对散射矩阵S、协方差矩阵[C]和相干矩阵[T]进行极化分解,获得极化散射参数;
相关性分析模块,用于对所述极化散射参数进行相关性分析,筛选出相关程度低的极化散射特征参数,获得极化散射特征参数的最优组合;
选取模块,用于选取盐沼植被和非盐沼植被的样本点,并将样本点划分为测试集和训练集;
统计分析模块,用于统计分析不同地物类型样本点多种极化分解参数的数值范围,进行极化分解参数的敏感性分析,确定不同地物类型的极化散射参数分割阈值,并分析对比不同参数对盐沼植被分类的重要性;
分类模块,用于采用随机森林分类方法对盐沼植被进行分类,获得盐沼植被精细化分类结果。
10.一种计算机存储介质,所述计算机存储介质内存储有计算机程序;所述计算机程序在计算机上运行时,使得计算机执行权利要求1至8任一所述的全极化SAR目标分解的盐沼植被精细提取方法。