[发明专利]基于场联合使用高分二号和高分三号进行作物制图的方法

权利要求书

1.一种作物制图的方法，具体是一种是基于场联合使用高分2号光学成像和高分三号偏振合成孔径雷达(PolSAR)数据进行作物制图的方法，其特征在于，提出了一种“SAR-光学”数据协同的作物种植结构遥感提取模型。

2.根据要求1所述的“SAR-光学”数据协同的作物种植结构遥感提取模型，其特征在于该模型包括了高空间分辨率图像的多尺度分割，最优分割尺度选择，SAR图像特征提取，最优分类子集获取和使用SVM面向对象的图像分析四个部分，利用GaoFen-2号影像提供的农田地块结构的“图”信息和GaoFen-3号影像提供的地物特性的极化散射、纹理等信息协同处理，以实现对作物类型的准确判别和种植面积提取。

3.根据要求2所述的高空间分辨率图像的多尺度分割，其特征在于，采用了最小异质性区域合并算法，它是一种自下而上的分割方法，通过识别像元之间的相似性，使相邻相似像元合并形成影像对象。区域异质性h包括光谱异质性和形状异质性两个方面，形状异质性包括紧致度(compactness)和光滑度，异质性h计算公式为：

h＝w₁×h_c+(1-w₁)×h_s

其中，h_c为光谱差异性，h_s为形状差异性，w₁为光谱权重。

4.根据要求2所述的最优分割尺度选择，其特征在于，本发明基于局部方差法选择耕地范围的最优分割尺度，采用所选择的每个尺度对农用地进行分割并计算每个分割尺度所对应的耕地对象均值方差，以指导影像分割最大限度地接近理想状态。

其中，v_b为均值方差值，x_b是影像对象在波段b上的灰度均值，x_bi是影像对象内像素点i在波段b上的灰度均值，n是像素个数，是影像对象在波段b上的灰度均值，m是影像对象个数。

5.根据要求2所述的SAR图像特征提取，其特征在于，采用多种极化分解方法对研究区的Pol SAR数据进行极化分解，并提取其纹理特征和极化特征参数共56种特征分量，建立高维特征空间。发展一种鲁棒、自动的最优特征提取算法，采用基于类内聚集度和类间离散度评价准则针对不同作物的识别提取最有特征子集，以结合多类相关向量机这一鲁棒性强的分类器，构建基于多源遥感数据的作物自动识别框架；实现高精度物候期识别。