基于RNMU的多源星載SAR影像融合與土地覆蓋分類

李 俐 陳琦琦 張 超 尤淑撐 魏 海 付 雪

(1.中國(guó)農(nóng)業(yè)大學(xué)土地科學(xué)與技術(shù)學(xué)院，北京 100083；2.農(nóng)業(yè)農(nóng)村部農(nóng)業(yè)災(zāi)害遙感重點(diǎn)實(shí)驗(yàn)室，北京 100083；3.中國(guó)國(guó)土勘測(cè)規(guī)劃院，北京 100035；4.中國(guó)農(nóng)業(yè)大學(xué)信息與電氣工程學(xué)院，北京 100083)

0 引言

及時(shí)準(zhǔn)確地獲取土地覆蓋信息，能夠?yàn)橥恋刭Y源的合理利用與監(jiān)管提供有力的數(shù)據(jù)支持[1]。遙感技術(shù)由于具有覆蓋范圍廣、獲取頻率高的優(yōu)勢(shì)，在大面積土地覆蓋信息提取方面得到了廣泛應(yīng)用[2-3]。光學(xué)遙感影像憑借其與人眼視覺(jué)系統(tǒng)接近、直觀易解譯的特點(diǎn)首先被廣泛應(yīng)用于土地覆蓋分類[4-6]。然而，光學(xué)數(shù)據(jù)的獲取受到光照條件的限制，在云、雨、雪、霧等天氣下，存在數(shù)據(jù)獲取困難、品質(zhì)不佳等問(wèn)題。以主動(dòng)方式工作的合成孔徑雷達(dá)(Synthetic aperture radar，SAR)擺脫了光照的影響，能夠?yàn)橥恋馗采w分類提供全天候、全天時(shí)微波遙感信息[7-9]。因此，SAR數(shù)據(jù)在土地覆蓋分類中的應(yīng)用越來(lái)越受到重視。自2014年以來(lái)，相繼發(fā)射的Sentinel-1A/B和高分三號(hào)(GF-3)等SAR衛(wèi)星，提供了越來(lái)越多的高分辨率、多極化、多波段的SAR數(shù)據(jù)，大大提高了SAR數(shù)據(jù)在土地覆蓋監(jiān)測(cè)應(yīng)用中的數(shù)據(jù)獲取能力。

然而，單星單極化SAR影像的分辨率與影像可解譯能力限制了SAR數(shù)據(jù)在土地覆蓋分類中的識(shí)別效果。多源遙感數(shù)據(jù)融合技術(shù)通過(guò)融合不同時(shí)相、不同來(lái)源的遙感數(shù)據(jù)，將目標(biāo)的更多信息從不同角度展現(xiàn)出來(lái)，可有效提高土地覆蓋分類精度[10-12]。已有研究將光學(xué)影像與SAR影像融合用于土地覆蓋分類[13-15]。SAR與光學(xué)影像成像機(jī)理不同，簡(jiǎn)單地選取不同波段或不同成分進(jìn)行融合，可能造成信息損失和噪聲引入等問(wèn)題，進(jìn)而影響土地覆蓋分類精度[16]。多源SAR影像融合可以較好地規(guī)避以上問(wèn)題，為及時(shí)獲取多波段、多極化、多角度的SAR數(shù)據(jù)提供了依據(jù)。目前，對(duì)于不同源SAR影像的融合，研究者進(jìn)行了大量研究。針對(duì)多波段SAR影像，德國(guó)宇航局(Deutsches zentrum für luft- und raumfahrt，DLR)采用模糊專家系統(tǒng)法進(jìn)行決策級(jí)融合[17]，該方法實(shí)時(shí)性好，并且具有一定的容錯(cuò)能力，但預(yù)處理代價(jià)較高，影像中的原始信息損失較多。為了在盡可能多保留原始信息的同時(shí)降低信息冗余，文獻(xiàn)[18]將Gram-Schmidt(G-S)算法用于多時(shí)相多波段SAR圖像，有效提高了檢測(cè)性能。針對(duì)多極化SAR影像，文獻(xiàn)[19]采用非下采樣Contourlet變換(Nonsubsampled contourlet transform，NSCT)和脈沖耦合神經(jīng)網(wǎng)絡(luò)(Pulse coupled neural network，PCNN)相結(jié)合的方法進(jìn)行了像素級(jí)融合，保留了NSCT的多尺度性、多方向性、平移不變性和PCNN全局耦合性，但融合模型中參數(shù)設(shè)置復(fù)雜，不當(dāng)?shù)膮?shù)設(shè)置易導(dǎo)致影像融合效果不佳。針對(duì)多時(shí)相SAR影像，文獻(xiàn)[20]利用非負(fù)矩陣分解算法(Non-negative matrix factorization，NMF)進(jìn)行特征級(jí)融合，有效保證了矩陣分解結(jié)果的可解釋性，實(shí)現(xiàn)簡(jiǎn)單、且占用存儲(chǔ)空間較小，在SAR影像變化檢測(cè)應(yīng)用中效果較好，但非負(fù)矩陣分解后，出現(xiàn)數(shù)據(jù)的稀疏性降低，因此可能導(dǎo)致融合后影像信噪比下降。

遞歸非負(fù)矩陣下近似(Recursive nonnegative matrix underapproximation，RNMU)算法在NMF算法的基礎(chǔ)上進(jìn)行了改進(jìn)，有效避免了數(shù)據(jù)稀疏性的降低，成功應(yīng)用于高光譜影像的特征提取、分類與光譜混合分析[21]。針對(duì)不同源多極化多時(shí)相微波影像，本文嘗試將RNMU算法用于SAR影像融合，并將融合數(shù)據(jù)用于土地覆蓋分類，以有效融合多源信息，并降低數(shù)據(jù)冗余。

1 研究區(qū)概況及數(shù)據(jù)獲取

1.1 研究區(qū)概況

圖1 研究區(qū)及采樣點(diǎn)分布

選擇吉林省大安市為研究區(qū)。大安市位于123°8′45″～124°21′56″E、44°57′～45°45′51″N，屬于松嫩平原(圖1)，總面積約4 879 km2，海拔為120～160 m，地勢(shì)較為平坦。大安市屬中溫帶季風(fēng)氣候，年平均降雨量413.7 mm[22]，降雨集中在6—9月，期間高品質(zhì)、高分辨率的光學(xué)遙感數(shù)據(jù)獲取困難。根據(jù)大安市政府網(wǎng)提供的2019年土地覆蓋統(tǒng)計(jì)數(shù)據(jù)：現(xiàn)有耕地140 293 hm2；未利用地近217 607 hm2；大安市境內(nèi)水資源豐富，水域面積占全省的1/7；濕地富集，種類繁多。大安市屬于農(nóng)、牧生態(tài)系統(tǒng)的交界過(guò)渡區(qū)域，由于土地的不合理開(kāi)發(fā)利用，近年來(lái)出現(xiàn)土地退化、濕地減少等生態(tài)問(wèn)題[23]，因此及時(shí)了解大安市土地覆蓋現(xiàn)狀，可為土地利用規(guī)劃和生態(tài)保護(hù)提供基礎(chǔ)數(shù)據(jù)。

1.2 SAR數(shù)據(jù)源

選取GF-3 SAR數(shù)據(jù)和Sentinel-1 SAR數(shù)據(jù)進(jìn)行多源SAR數(shù)據(jù)融合與土地覆蓋分類。GF-3衛(wèi)星于2016年8月發(fā)射，是我國(guó)首顆最高分辨率可達(dá)1 m的C頻段多極化SAR衛(wèi)星，GF-3 SAR數(shù)據(jù)有精細(xì)條帶2(FSⅡ)等12種成像模式，數(shù)據(jù)產(chǎn)品包括Level-0至Level-3級(jí)標(biāo)準(zhǔn)產(chǎn)品及Level-4級(jí)行業(yè)應(yīng)用產(chǎn)品。Sentinel-1是由Sentinel-1A與Sentinel-1B兩顆衛(wèi)星組成的星座，Sentinel-1(以下簡(jiǎn)稱S-1)可提供重復(fù)觀測(cè)的 C 波段 SAR 數(shù)據(jù)[24]。S-1 SAR數(shù)據(jù)成像模式主要有干涉寬幅(IW)模式等4種，數(shù)據(jù)產(chǎn)品包括SAR Level-0 RAW數(shù)據(jù)、Level-1單視復(fù)數(shù)(Single look complex，SLC)、Level-1地距(Ground range detected，GRD)和Level-2海洋(Ocean，OCN)等產(chǎn)品。本文所用SAR數(shù)據(jù)具體參數(shù)見(jiàn)表1。

表1 SAR數(shù)據(jù)具體參數(shù)

1.3 樣本數(shù)據(jù)獲取

用于分類訓(xùn)練與精度驗(yàn)證的樣本數(shù)據(jù)，由2018年8月實(shí)地采集，并結(jié)合Google Earth影像人工辨讀選取得到?？紤]到研究區(qū)為含有豐富濕地資源的糧食主產(chǎn)區(qū)，本文選取水體、建設(shè)用地、耕地、濕地、其他用地(未利用地、鹽堿地和草地等)共5類作為待分土地覆蓋類型。樣本(圖1)選取遵循平均分布于整個(gè)研究區(qū)域的原則，對(duì)于易分地類選取較少樣本，易混淆地類選用較多樣本，選取訓(xùn)練樣本數(shù)為：水體27個(gè)、建設(shè)用地41個(gè)、耕地72個(gè)、濕地69個(gè)、其他用地70個(gè)。驗(yàn)證樣本不同于訓(xùn)練樣本，采用水體14個(gè)、建設(shè)用地21個(gè)、耕地46個(gè)、濕地35個(gè)、其他用地38個(gè)作為驗(yàn)證樣本。

2 研究方法

2.1 技術(shù)流程

針對(duì)輸入的GF-3雙極化SAR數(shù)據(jù)和S-1雙極化SAR數(shù)據(jù)，在預(yù)處理的基礎(chǔ)上，進(jìn)行影像配準(zhǔn)、影像融合及土地覆蓋分類，處理流程如圖2所示。

圖2 技術(shù)流程圖

經(jīng)預(yù)處理得到2顆衛(wèi)星4種極化方式的后向散射系數(shù)圖像后，采用互相關(guān)[25](Cross-Correlation, CC)算法對(duì)圖像進(jìn)行精確配準(zhǔn)處理。然后，將RNMU方法引入多源SAR圖像融合并用于研究區(qū)土地覆蓋分類。作為對(duì)比，另一種同樣具有較小冗余度的融合算法G-S被用于融合和土地覆蓋分類。G-S融合方法基于多維正交線性變換, 通過(guò)正交化消除影像的冗余信息，并在第一正交分量中加入另一景影像信息，從而實(shí)現(xiàn)多源影像融合。

2.2 SAR數(shù)據(jù)預(yù)處理

SAR數(shù)據(jù)預(yù)處理主要包括輻射定標(biāo)、斑點(diǎn)噪聲濾波、地形校正等。

相干斑噪聲是SAR遙感圖像獨(dú)有的乘性噪聲，會(huì)對(duì)影像解譯造成較大的干擾，斑點(diǎn)噪聲濾波是為了降低相干斑噪聲。由于GF-3和S-1衛(wèi)星搭載不同的SAR傳感器且成像模式不同，導(dǎo)致不同源SAR影像相干斑噪聲不盡相同，因此本文在分別嘗試了若干種濾波器的基礎(chǔ)上，選擇窗口大小為5×5的Gamma濾波降低GF-3影像噪聲，在盡可能地保持影像空間細(xì)節(jié)的情況下提高信噪比[26]；選擇Refined Lee濾波降低S-1影像斑點(diǎn)噪聲，并將濾波窗口設(shè)為7×7[27]。

(1)

式中QV——該景影像量化前的最大值，可通過(guò)元數(shù)據(jù)獲取[28]

KdB——定標(biāo)參數(shù)，通過(guò)元數(shù)據(jù)獲取

(2)

式中A——定標(biāo)參數(shù)，通過(guò)元數(shù)據(jù)文件獲取[29]

2.3 RNMU多源SAR影像融合算法

2.3.1RNMU基本原理

RNMU算法核心思想是：對(duì)于任意l×k(l、k∈R+)非負(fù)實(shí)數(shù)的輸入矩陣W=[W1W2…Wk]，將W分解為非負(fù)的l×r的權(quán)重矩陣u和k×r的特征矩陣v，使得uvT≈W，求解u、v的優(yōu)化過(guò)程即為W與uvT間距離的元素平方和最小化迭代求解的過(guò)程

uvT≤W

針對(duì)上述目標(biāo)函數(shù)求解過(guò)程中可能出現(xiàn)的局部最優(yōu)和病態(tài)優(yōu)化問(wèn)題，RNMU算法限制了權(quán)重矩陣和特征矩陣秩的大小，只保留r=1的矩陣，并增加約束條件uvT≤W。對(duì)于影像輸入來(lái)說(shuō)，低秩性有效地去除了影像中的噪聲。每步僅計(jì)算秩為1的矩陣，最優(yōu)解唯一，有效地避免了NMF算法應(yīng)用于遙感影像時(shí)近似秩改變帶來(lái)的計(jì)算重復(fù)、計(jì)算效率低下以及融合后影像的品質(zhì)易受初始化矩陣影響等問(wèn)題。待融合的雷達(dá)影像中，每景影像對(duì)應(yīng)特定的時(shí)相和極化方式，增加的約束條件保障了所提取的信息為原始數(shù)據(jù)的根本特征，使結(jié)果的稀疏性和局部特征的可分離性更優(yōu)[30]。

(3)

式中m、n——輸入矩陣的行數(shù)和列數(shù)

式(3)的求解問(wèn)題轉(zhuǎn)換為u、vT和Λ迭代優(yōu)化的過(guò)程：

(1)初始化Λ為零矩陣O，初始化u、v為秩為1的向量，且滿足uvT≤W。

(2)更新u、vT

(3)用次梯度優(yōu)化算法迭代更新拉格朗日乘子Λ

Λ=max(O,Λ+α(W-uvT)) (α→0)

(4)

(4)迭代步驟(2)、(3)，直到系統(tǒng)穩(wěn)定，所得結(jié)果即為理想u、vT。

2.3.2基于RNMU的SAR影像融合

將GF-3單個(gè)極化影像和已配準(zhǔn)的S-1單個(gè)極化影像分別作為輸入影像a、b，按列展開(kāi)方式排列為兩個(gè)列向量Wa、Wb，構(gòu)造出輸入矩陣W

[a11a21…am1…a1n…amn]T=Wa

(5)

b?[b11b21…bm1…b1n…bmn]T=Wb

(6)

W=[WaWb]

(7)

v=[v11v21…vm1…v1n…vmn]?

(8)

2.3.3融合結(jié)果評(píng)價(jià)指標(biāo)

針對(duì)多源SAR影像融合，本文選用標(biāo)準(zhǔn)差(Standard deviation，SD)、平均絕對(duì)誤差(Mean absolute error，MAE)、信息熵(Entropy，H)[32]、信噪比(Signal-to-noise ratio，SNR)和峰值信噪比(Peak signal-to-noise ratio，PSNR)[33]等評(píng)價(jià)指標(biāo)，分析評(píng)價(jià)RNMU融合影像的品質(zhì)，其中，SD反映了融合前后影像的灰度分布情況；MAE反映融合后影像與原始影像之間的差異；H反映融合后影像信息豐富程度，SNR和PSNR反映影像噪聲情況。

3 實(shí)驗(yàn)與結(jié)果分析

3.1 融合結(jié)果評(píng)價(jià)

為定量評(píng)價(jià)RNMU算法在多源SAR影像融合的效果，針對(duì)RNMU融合(R:HHVV, G:HVVH, B:HHVV-HVVH)影像與6月S-1(R:VV, G:VH, B:VV-VH)影像、6月GF-3(R:HH, G:HV, B:HH-HV)影像和G-S融合(R:HHVV, G:HVVH, B:HHVV-HVVH)影像，分別計(jì)算SD、MAE、H、SNR和PSNR等指標(biāo)以比較融合前后和不同融合算法的性能差異。RNMU和G-S融合影像中，R：HHVV波段數(shù)據(jù)為GF-3 HH極化SAR數(shù)據(jù)和S-1 VV極化SAR數(shù)據(jù)分別經(jīng)RNMU和G-S算法融合得到的雙極化SAR產(chǎn)品，G：HVVH波段數(shù)據(jù)為GF-3 HV極化SAR數(shù)據(jù)和S-1VH極化SAR數(shù)據(jù)分別經(jīng)RNMU和G-S算法融合得到的雙極化SAR產(chǎn)品，融合后雙極化產(chǎn)品的差值HHVV-HVVH作為B波段。如表2所示，G-S融合和RNMU融合后影像與S-1和GF-3影像相比，SD較大表明融合后影像的灰度級(jí)分布較分散，包含的信息量較多；H較大表明兩種融合方法都增強(qiáng)了影像的細(xì)節(jié)表現(xiàn)能力。RNMU融合和G-S融合結(jié)果相比，RNMU融合后影像MAE較小，表明了RNMU融合算法具有更好的原始影像信息保留能力；而RNMU融合后的SNR和PSNR大于G-S融合后影像，體現(xiàn)了RNMU融合方法良好的影像噪聲抑制能力。GF-3的HH影像和S-1的VV影像經(jīng)RNMU融合后SD較大，影像具有較大的對(duì)比度，影像灰度級(jí)分布較為分散，有利于地物分類。而對(duì)于兩個(gè)交叉極化的影像的融合，G-S算法得到的影像SD大于RNMU算法的結(jié)果。由于一般交叉極化信息弱于同極化，分類應(yīng)用中同極化數(shù)據(jù)應(yīng)用更為廣泛，因此，RNMU融合影像更適于土地覆蓋分類。

表2 不同融合算法定量評(píng)價(jià)

3.2 土地覆蓋分類結(jié)果與分析

3.2.1典型地物類型散射特性分析

地物的微波后向散射特性是利用SAR影像進(jìn)行土地覆蓋分類的基礎(chǔ)[34]。圖3給出研究區(qū)6月GF-3雙極化(HH、HV)影像和S-1雙極化(VH、VV)影像以及10月S-1雙極化(VH、VV)影像中典型地物的后向散射系數(shù)分布圖。可以看出，無(wú)論是在兩時(shí)相S-1的VH和VV影像還是在單時(shí)相的GF-3 HH和HV影像中，水體均具有最低的后向散射系數(shù)，建設(shè)用地則具有較高的后向散射系數(shù)，而耕地、其他用地和濕地的后向散射系數(shù)較為接近，特別是在HH極化的GF-3數(shù)據(jù)中，水體與建設(shè)用地具有和其他的土地覆蓋類型良好的可分性。而耕地、其他用地和濕地的后向散射系數(shù)較為接近，耕地與濕地在S-1的VH極化下典型地物后向散射系數(shù)分離度略優(yōu)于VV極化，但在GF-3的HH極化后向散射系數(shù)分離度優(yōu)于HV極化，因此，單景影像中后向散射系數(shù)較為接近的耕地、濕地和其他用地需要利用SAR影像不同極化、不同時(shí)相的變化特性進(jìn)行進(jìn)一步區(qū)分。

圖3 不同時(shí)相不同極化影像典型地物后向散射系數(shù)分布圖

圖4 典型地物后向散射系數(shù)的均值和標(biāo)準(zhǔn)差的比較

為了更直觀看出不同地物的散射特性差異，圖4給出了融合前GF-3 SAR影像和S-1 SAR影像與RNMU融合后SAR圖像的均值和標(biāo)準(zhǔn)差。其中基于RNMU的融合，分別給出了研究區(qū)10月S-1 VV極化影像和6月GF-3 HH極化影像經(jīng)RNMU算法融合得到的VVHH影像，10月S-1 VH極化影像和6月GF-3 HV極化影像經(jīng)RNMU算法融合得到的VHHV影像(VVHH影像和VHHV影像疊加，簡(jiǎn)寫為RNMU1)。6月S-1 VV極化影像、10月S-1 VV極化影像和6月GF-3 HH極化影像經(jīng)RNMU算法融合得到VVVVHH影像，6月S-1 VH極化影像、10月S-1 VH極化影像和6月GF-3 HV極化影像經(jīng)RNMU算法融合得到VHVHHV影像(VVVVHH影像和VHVHHV影像疊加，簡(jiǎn)寫為RNMU2)。由圖4可以看出，6月的S-1影像中濕地和耕地上的植被長(zhǎng)勢(shì)較好，因此比其他用地具有更高的后向散射系數(shù)，10月研究區(qū)的作物成熟或收獲，耕地的后向散射系數(shù)降低明顯，不同地物隨時(shí)間的變化特性差異相對(duì)明顯。而經(jīng)RNMU融合后的影像，無(wú)論是RNMU1影像還是RNMU2影像各地類均值之間差異增大，因此增加了地類之間的可分性；而每種地類的標(biāo)準(zhǔn)差較S-1影像降低，進(jìn)而提升了待融合影像(S-1)地類特征的一致性。因此利用不同時(shí)相、不同極化的多源SAR影像進(jìn)行融合，能融合更多互補(bǔ)信息，得到更好的分類結(jié)果。

3.2.2分類結(jié)果分析

為分析融合影像在土地覆蓋分類應(yīng)用中的性能改進(jìn)，分別對(duì)研究區(qū) RNMU1影像，RNMU2影像，6月、10月S-1影像和6月GF-3影像經(jīng)G-S融合后影像(簡(jiǎn)寫為G-S)，應(yīng)用最大似然分類器(Maximum likelihood classifier，MLC)進(jìn)行土地覆蓋分類，作為比較，同時(shí)給出6月單景S-1影像，6月單景GF-3影像，6月、10月S-1影像和6月GF-3經(jīng)簡(jiǎn)單波段疊加后影像的土地覆蓋分類結(jié)果。由圖5可以看出，利用G-S和RNMU2影像識(shí)別的水體基本相同，建設(shè)用地、濕地和其他用地存在不同程度差別。選取土地覆蓋類型多樣的區(qū)域(圖5矩形框內(nèi)區(qū)域)作為驗(yàn)證區(qū)域，利用3 m分辨率的Google高清圖像與S-1影像、G-S影像和RNMU2影像進(jìn)行分類結(jié)果實(shí)驗(yàn)驗(yàn)證。如圖6所示，與S-1影像分類結(jié)果相比，G-S影像和RNMU2影像分出的地類邊界較清晰。RNMU2影像分出的建設(shè)用地(紅色橢圓框圈出)更接近真實(shí)值，G-S影像分類結(jié)果次之，S-1影像分出的建設(shè)用地較為破碎。

圖5 不同數(shù)據(jù)土地覆蓋分類圖

圖6 驗(yàn)證區(qū)域的土地覆蓋分類比較

利用驗(yàn)證樣本對(duì)分類結(jié)果進(jìn)行精度評(píng)價(jià)，各數(shù)據(jù)的分類總體精度(OA)、制圖精度(PA)、用戶精度(UA)和Kappa系數(shù)(Kc)如表3所示。由表3可知，GF-3數(shù)據(jù)的土地覆蓋分類整體精度優(yōu)于同時(shí)相S-1數(shù)據(jù)，不同時(shí)相不同源(S-1和GF-3)SAR數(shù)據(jù)經(jīng)RNMU融合后數(shù)據(jù)分類OA分別由單時(shí)相SAR數(shù)據(jù)74.96%(S-1結(jié)果)和83.52%(GF-3結(jié)果)提高至86.08%(RMNU1影像結(jié)果)；Kc分別由0.55和0.71提高至0.74；耕地、建設(shè)用地和濕地的分類精度都有明顯提高。由于研究區(qū)濕地種類繁多，同時(shí)間不同類別的濕地變化情況不一。雖然加入其他時(shí)相數(shù)據(jù)可以提高其識(shí)別精度，但其分類精度與其他地物相比仍較低。使用相同數(shù)據(jù)源的情況下，G-S融合后分類結(jié)果要低于所有SAR數(shù)據(jù)直接疊加或者RNMU融合后的結(jié)果，可能是因?yàn)镚-S融合圖像為了降低數(shù)據(jù)冗余，犧牲了一定的紋理信息，導(dǎo)致紋理特征明顯的耕地UA較低，而耕地在研究區(qū)面積占比較大，導(dǎo)致OA和Kc整體下降?；赗NMU融合后影像(RNMU2)地類識(shí)別效果，整體優(yōu)于基于G-S算法融合結(jié)果和簡(jiǎn)單波段疊加后影像，說(shuō)明RNMU融合算法充分利用多時(shí)相、多極化SAR數(shù)據(jù)的互補(bǔ)信息，有效提高土地覆蓋分類精度，且融合后影像數(shù)據(jù)量減少了1/3，實(shí)現(xiàn)了數(shù)據(jù)壓縮，適用于較大區(qū)域的SAR數(shù)據(jù)。但對(duì)于易于分辨的水體地物，單時(shí)相S-1 SAR數(shù)據(jù)的水體分類PA高于RNMU2的結(jié)果，而融合后并沒(méi)有達(dá)到較好的效果，說(shuō)明對(duì)于后向散射特征足夠明顯的地物，融合后數(shù)據(jù)可能出現(xiàn)過(guò)擬合現(xiàn)象，反而可能引入噪聲，降低分類精度。

表3 不同數(shù)據(jù)融合方式分類精度評(píng)價(jià)

注：表頭第2行表示數(shù)據(jù)的月份、來(lái)源以及分類所用的極化影像。

4 結(jié)論

(1)為充分利用多時(shí)相、多極化SAR互補(bǔ)數(shù)據(jù)，將RNMU算法引入多源SAR融合。RNMU融合后，影像SD、H均優(yōu)于原始S-1、GF-3雙極化SAR影像；與G-S融合算法相比，MAE、H、SNR和PSNR均體現(xiàn)出優(yōu)良的特性。說(shuō)明RNMU融合算法有效降低了SAR數(shù)據(jù)噪聲，提高了融合后影像的信噪比，表明RNMU融合算法在降低數(shù)據(jù)冗余的同時(shí)有效融合了多源數(shù)據(jù)之間更多的互補(bǔ)信息。

(2)RNMU融合后，SAR影像綜合利用多時(shí)相、多極化SAR信息提高了土地覆蓋分類精度。融合兩時(shí)相SAR數(shù)據(jù)進(jìn)行土地覆蓋分類的精度明顯高于融合前SAR數(shù)據(jù)，表明RNMU融合后多源SAR數(shù)據(jù)更適于土地覆蓋分類應(yīng)用。

(3)對(duì)于后向散射特征明顯的水體地物，RNMU融合數(shù)據(jù)分類的PA較單時(shí)相S-1略有下降，這說(shuō)明對(duì)于明顯特征地類可能存在過(guò)擬合現(xiàn)象。在進(jìn)一步融合研究中，將不同區(qū)域、不同地類設(shè)定不同的權(quán)重，以期在增加互補(bǔ)信息的同時(shí)，降低噪聲干擾。