MPOLSAR-1.0:多维度SAR多波段全极化精细分类数据集

金燕 仇晓兰 潘洁 上官松涛 王泽众 王卫 杨宏

金燕, 仇晓兰, 潘洁, 等. MPOLSAR-1.0:多维度SAR多波段全极化精细分类数据集[J]. 雷达学报(中英文), 待出版. doi: 10.12000/JR24002
引用本文: 金燕, 仇晓兰, 潘洁, 等. MPOLSAR-1.0:多维度SAR多波段全极化精细分类数据集[J]. 雷达学报(中英文), 待出版. doi: 10.12000/JR24002
JIN Yan, QIU Xiaolan, PAN Jie, et al. MPOLSAR-1.0: Multidimensional SAR multiband fully polarized fine classification dataset[J]. Journal of Radars, in press. doi: 10.12000/JR24002
Citation: JIN Yan, QIU Xiaolan, PAN Jie, et al. MPOLSAR-1.0: Multidimensional SAR multiband fully polarized fine classification dataset[J]. Journal of Radars, in press. doi: 10.12000/JR24002

MPOLSAR-1.0:多维度SAR多波段全极化精细分类数据集

doi: 10.12000/JR24002
基金项目: 高分专项航空观测系统应用校飞与验证(30-H30C01-9004-19, 21)
详细信息
    作者简介:

    金 燕,博士,副研究员,主要研究方向为新体制合成孔径雷达信号处理与应用技术

    仇晓兰,博士,研究员,博士生导师,主要研究方向为SAR成像处理、SAR图像理解

    潘 洁,博士,正高级工程师,主要研究方向为航空遥感技术与应用

    上官松涛,博士,助理研究员,主要研究方向为合成孔径雷达定量化标校与应用

    王泽众,博士,助理研究员,主要研究方向为极化SAR数据处理与应用

    王 卫,硕士,助理研究员,主要研究方向为遥感图像处理与应用技术

    杨 宏,硕士,高级工程师,主要研究方向为航空遥感及应用技术

    通讯作者:

    金燕 yjin@mail.ie.ac.cn

    仇晓兰 xlqiu@mail.ie.ac.cn

  • 责任主编:王智睿 Corresponding Editor: WANG Zhirui
  • 中图分类号: TN957.52

MPOLSAR-1.0: Multidimensional SAR Multiband Fully Polarized Fine Classification Dataset

Funds: Application Calibration and Verification of High Resolution Specialized Aviation Observation System (30-H30C01-9004-19, 21)
More Information
  • 摘要: 地物精细分类是合成孔径雷达(SAR)的主要应用方向之一。在多波段全极化SAR工作模式下,可充分获取目标不同波段信息和极化响应特征,有望提高目标分类精度。然而国内外现有的数据集仅有个别波段、少数地区、少量样本的低分辨率全极化分类数据。为推动多波段全极化SAR分类应用的发展,在高分航空观测系统应用校飞与验证项目支持下,利用多维度SAR在海南的校飞数据构建了一个样本量充分大、地物类别较为丰富、分类可靠性较高的多波段全极化精细分类数据集。该文概述了该数据集的构成,给出了发布数据(MPOLSAR-1.0)的信息描述方式、数据集制作流程和方法,并分别基于极化特征分类方法和经典机器学习分类方法给出了初步的分类实验结果,为该数据集的共享和应用提供支撑。

     

  • 图  1  多维度SAR多波段全极化精细分类数据集构建流程图

    Figure  1.  Flowchart of MPOLSAR dataset construction

    图  2  多维度SAR多波段全极化精细分类数据集1.0示意图(从左至右依次为HH, HV, VH, VV极化SAR图像和标注图)

    Figure  2.  Composition of MPOLSAR-1.0 (from left to right are HH, HV, VH, VV polarized SAR images and annotated images, respectively)

    图  3  多维度SAR极化通道间的像素偏移检测

    Figure  3.  Pixel migration detection between multi dimensional SAR polarization channels

    图  4  X波段SAR的HV, VH极化通道间的像素偏移补偿效果

    Figure  4.  Pixel offset compensation effect between HV, VH polarization channels in X band SAR

    图  5  5个波段的SAR极化失真参数估计场景

    Figure  5.  The scenarios for SAR polarization distortion parameter estimation

    图  6  标注类别与配色

    Figure  6.  Label categories and color schemes

    图  7  H-alpha-span分类区间和配色

    Figure  7.  H-alpha-span classification interval and color matching

    图  8  不同波段分类结果比较

    Figure  8.  Comparison of classification results for different bands

    图  9  河道区域分类结果

    Figure  9.  Classification results of river area

    图  10  河岸湿地区域分类结果

    Figure  10.  Classification results of inland madflats

    图  11  标注图和训练集、测试集划分示意图

    Figure  11.  Annotation diagram and schematic diagram of training and testing set partitioning

    图  12  训练集各类别样本点数对比图

    Figure  12.  Comparison chart of sample points for each category in the training set

    图  13  RF分类结果

    Figure  13.  RF classification results

    1  多维度 SAR 多波段全极化精细分类数据集 1.0 发布网页

    1.  Release webpage of multi-dimensional SAR multi-band fully polarized fine classification dataset (MPOLSAR-1.0)

    表  1  多维度SAR各波段雷达参数

    Table  1.   Multi-dimensional SAR radar parameters in various bands

    波段 带宽(MHz) PRF (Hz) 分辨率(m)
    X 500 250 0.5
    C 560 250 0.5
    S 300 500 0.5
    L 200 250 1.0
    P 200 125 1.0
    下载: 导出CSV

    表  2  多维度SAR多波段全极化精细分类数据集1.0构成

    Table  2.   Composition of MPOLSAR-1.0

    序号 内容 文件命名和后缀 说明
    1 P波段L1B图像 ID_Band_PQ_L1B.jpg 图像尺寸在1024×1024~4096×4096之间;Uint16量化
    2 P波段SLC数据 ID_Band_PQ_L1A.dat 与L1B.jpg严格对应,float32量化,IQIQIQ交替存储
    3 P波段数据的元文件 ID_Band_PQ_meta.xml 包括采样率、带宽等一些必要的信息,以及四角点经纬度等
    4 P波段Mask图 ID_Band_Mask.jpg Uint8量化,不同的值表示不同的类,详见下文说明
    5 P波段标注文件 ID_Band_Label.json 每个切片各一个JSON文件,详见下文说明
    6 L波段L1B图像 ID_Band_PQ_L1B.jpg 图像尺寸在1024×1024~4096×4096之间;Uint16量化
    7 L波段SLC数据 ID_Band_PQ_L1A.dat 与L1B.jpg严格对应,float32量化,IQIQIQ交替存储
    8 L波段数据的元文件 ID_Band_PQ_meta.xml 包括采样率、带宽等一些必要的信息,以及四角点经纬度等
    9 L波段Mask图 ID_Band_Mask.jpg Uint8量化,不同的值表示不同的类,详见下文说明
    10 L波段标注文件 ID_Band_Label.json 每个切片各一个JSON文件,详见下文说明
    11 C波段L1B图像 ID_Band_PQ_L1B.jpg 图像尺寸在1024×1024~4096×4096之间;Uint16量化
    12 C波段SLC数据 ID_Band_PQ_L1A.dat 与L1B.jpg严格对应,float32量化,IQIQIQ交替存储
    13 C波段数据的元文件 ID_Band_PQ_meta.xml 包括采样率、带宽等一些必要的信息,以及四角点经纬度等
    14 C波段Mask图 ID_Band_Mask.jpg Uint8量化,不同的值表示不同的类,详见下文说明
    15 C波段标注文件 ID_Band_Label.json 每个切片各一个JSON文件,详见下文说明
    16 X波段L1B图像 ID_Band_PQ_L1B.jpg 图像尺寸在1024×1024~4096×4096之间;Uint16量化
    17 X波段SLC数据 ID_Band_PQ_L1A.dat 与L1B.jpg严格对应,float32量化,IQIQIQ交替存储
    18 X波段数据的元文件 ID_Band_PQ_meta.xml 包括采样率、带宽等一些必要的信息,以及四角点经纬度等
    19 X波段Mask图 ID_Band_Mask.jpg Uint8量化,不同的值表示不同的类,详见下文说明
    20 X波段标注文件 ID_Band_Label.json 每个切片各一个JSON文件,详见下文说明
    21 每个波段与参考波段的像素对应关系文件 relationship.txt 以C波段作为参考波段
    22 总体的标注文件 ID_Overall_Label.json 这个文件是之前各个波段JSON文件的综合,一个实例会对应不同的image_id的不同范围
    注:ID是这个切片的唯一编号;Band: P, L, S, C等,表示波段;PQ: HH, HV, VH, VV等,表示极化方式。
    下载: 导出CSV

    表  3  多波段极化通道间的像素偏移检测结果

    Table  3.   Detection results of pixel migration between multi band SAR polarization channels

    波段 方向 HH-HV(像素) HH-VH(像素) HH-VV(像素)
    P 距离向 –0.1 0 0
    方位向 0 0 –0.2
    L 距离向 –0.1 1.0 –0.2
    方位向 0.2 0.1 –0.3
    S 距离向 0 0.2 0.1
    方位向 0.1 0.4 0.2
    C 距离向 1.2 0.1 1.3
    方位向 –0.1 –0.1 –0.3
    X 距离向 0.5 –0.9 –0.6
    方位向 0 –0.1 –0.1
    下载: 导出CSV

    表  4  多波段极化失真参数估计结果

    Table  4.   Estimation results of multiband SAR polarization distortion parameters

    波段 发射端幅度不平衡(dB) 发射端相位不平衡(°) 接收端幅度不平衡(dB) 接收端相位不平衡(°) 极化隔离度(dB)
    P –3.51 –44.16 –1.16 –40.83 27.79
    L 1.64 –72.72 2.22 5.55 24.48
    S 4.75 107.91 –2.27 21.06 25.16
    C 2.18 0.48 2.95 90.51 31.26
    X –1.54 33.86 0.99 6.44 26.18
    下载: 导出CSV

    表  5  分类参数

    Table  5.   Parameters used for classification

    参数 获取方法
    Alpha, H, A, (1–H)(1–A) H-alpha-A分解
    Y4_Odd, Y4_Dbl, Y4_Vol, Y4_Hlx Yamaguchi分解
    SPAN, T11, T22, T33 T矩阵
    下载: 导出CSV

    表  6  模型1分类结果混淆矩阵和召回率

    Table  6.   Model 1 classification result confusion matrix and recall rate

    真值 预测
    1 2 3 4 5 Recall
    1 276607 27878 1057 14577 87 0.8638
    2 83245 95333 3223 11422 951 0.4910
    3 2301 6846 71840 1385 0 0.8721
    4 73156 3924 273 127090 3691 0.6106
    5 4670 1350 0 2967 268945 0.9677
    下载: 导出CSV

    表  7  模型2分类结果混淆矩阵和召回率

    Table  7.   Model 2 classification result confusion matrix and recall rate

    真值 预测
    1 2 3 4 5 Recall
    1 276238 22265 9627 12008 68 0.8627
    2 144229 31880 6756 10927 382 0.1642
    3 9053 2030 68807 2482 0 0.8353
    4 114212 6329 4703 80838 2052 0.3884
    5 10613 304 510 6780 259725 0.9345
    下载: 导出CSV

    表  8  模型3分类结果混淆矩阵和召回率

    Table  8.   Model 3 classification result confusion matrix and recall rate

    真值 预测
    1 2 3 4 5 Recall
    1 264998 27494 11779 15721 214 0.8276
    2 143599 28563 9246 12036 730 0.1471
    3 4035 4230 72380 1726 1 0.8787
    4 89643 7335 5098 100168 5890 0.4813
    5 12677 230 72 5000 259953 0.9353
    下载: 导出CSV

    表  9  模型4分类结果混淆矩阵和召回率

    Table  9.   Model 4 classification result confusion matrix and recall rate

    真值 预测
    1 2 3 4 5 Recall
    1 278463 20239 6438 14955 111 0.8696
    2 149579 20500 8838 14053 1204 0.1056
    3 4655 5676 70645 1396 0 0.8576
    4 95297 11409 4501 90199 6728 0.4334
    5 6418 1145 563 8288 261518 0.9409
    下载: 导出CSV

    表  10  模型5分类结果混淆矩阵和召回率

    Table  10.   Model 5 classification result confusion matrix and recall rate

    真值 预测
    1 2 3 4 5 Recall
    1 278361 16519 9412 12555 3359 0.8693
    2 130637 23062 14786 14016 11673 0.1188
    3 24496 10469 45519 1685 203 0.5526
    4 162640 12980 4677 26304 1533 0.1264
    5 44108 28618 3508 6964 194734 0.7007
    下载: 导出CSV

    表  11  模型6分类结果混淆矩阵和召回率

    Table  11.   Model 6 classification result confusion matrix and recall rate

    真值 预测
    1 2 3 4 5 Recall
    1 274014 18665 6258 12666 8603 0.8557
    2 98518 44169 28736 4580 18171 0.2275
    3 8163 10326 57887 756 5240 0.7028
    4 169684 8344 1744 26559 1803 0.1276
    5 37395 10402 7306 29010 193819 0.6974
    下载: 导出CSV
  • [1] 亓宁轩, 罗征宇, 李彬. 基于多波段全极化SAR影像的湿地分类[J]. 测绘与空间地理信息, 2017, 40(1): 171–174. doi: 10.3969/j.issn.1672-5867.2017.01.051

    QI Ningxuan, LUO Zhengyu, and LI Bin. Multi-band polarization SAR wetlands classification[J]. Geomatics & Spatial Information Technology, 2017, 40(1): 171–174. doi: 10.3969/j.issn.1672-5867.2017.01.051
    [2] 丁赤飚, 仇晓兰, 吴一戎. 全息合成孔径雷达的概念、体制和方法[J]. 雷达学报, 2020, 9(3): 399–408.

    DING Chibiao, QIU Xiaolan, and WU Yirong. Concept, system, and method of holographic synthetic aperture radar[J]. Journal of Radars, 2020, 9(3): 399–412.
    [3] YIN Junjun and YANG Jian. A modified level set approach for segmentation of multiband polarimetric SAR images[J]. IEEE Transactions on Geoscience and Remote Sensing, 2014, 52(11): 7222–7232. doi: 10.1109/TGRS.2014.2309725
    [4] 廖静娟, 郭华东, 邵芸. 多波段多极化成像雷达图象识别森林类型效果分析[J]. 中国图象图形学报, 2000, 5(1): 30–33. doi: 10.3969/j.issn.1006-8961.2000.01.007

    LIAO Jingjuan, GUO Huadong, and SHAO Yun. Effect of forest types discrimination using multifrequency and multipolarization imaging radar images[J]. Journal of Image and Graphics, 2000, 5(1): 30–33. doi: 10.3969/j.issn.1006-8961.2000.01.007
    [5] 王之禹, 朱敏慧, 白有天. 基于最优状态的多波段全极化SAR数据ML分类方法[J]. 电子与信息学报, 2001, 23(5): 507–511.

    WANG Zhiyu, ZHU Minhui, and BAI Youtian. Optimal state based ml classification method for multi-band and full-polarization SAR data[J]. Journal of Electronics & Information Technology, 2001, 23(5): 507–511.
    [6] 丁赤飚, 仇晓兰, 徐丰, 等. 合成孔径雷达三维成像—从层析、阵列到微波视觉[J]. 雷达学报, 2019, 8(6): 693–709. doi: 10.12000/JR19090

    DING Chibiao, QIU Xiaolan, XU Feng, et al. Synthetic aperture radar three-dimensional imaging —from TomoSAR and array InSAR to microwave vision[J]. Journal of Radars, 2019, 8(6): 693–709. doi: 10.12000/JR19090
    [7] VILLANO M. SNR and noise variance estimation in polarimetric SAR data[J]. IEEE Geoscience and Remote Sensing Letters, 2014, 11(1): 278–282. doi: 10.1109/LGRS.2013.2255860
    [8] JIANG Sha, QIU Xiaolan, HAN Bing, et al. A quality assessment method based on common distributed targets for GF-3 polarimetric SAR data[J]. Sensors, 2018, 18(3): 807. doi: 10.3390/s18030807
    [9] CLOUDE S R and POTTIER E. A review of target decomposition theorems in radar polarimetry[J]. IEEE Transactions on Geoscience and Remote Sensing, 1996, 34(2): 498–518. doi: 10.1109/36.485127
    [10] 曹芳. 基于Cloude-Pottier分解的全极化SAR数据非监督分类的算法和实验研究[D]. 北京: 中国科学院研究生院(电子学研究所), 2007.

    CAO Fang. The unsupervised classification based on the Cloude-pottier decomposition for fully polarimetric SAR data of Chinese Academy of Sciences[D]. Beijing: Institute of Electronics Chinese Academy of Sciences, 2007.
    [11] 徐乔, 张霄, 余绍淮, 等. 综合多特征的极化SAR图像随机森林分类算法[J]. 遥感学报, 2019, 23(4): 685–694. doi: 10.11834/jrs.20197475

    XU Qiao, ZHANG Xiao, YU Shaohuai, et al. Multi-feature-based classification method using random forest and superpixels for polarimetric SAR images[J]. Journal of Remote Sensing, 2019, 23(4): 685–694. doi: 10.11834/jrs.20197475
  • 加载中
图(14) / 表(11)
计量
  • 文章访问数:  222
  • HTML全文浏览量:  156
  • PDF下载量:  78
  • 被引次数: 0
出版历程
  • 收稿日期:  2024-01-04
  • 修回日期:  2024-02-23
  • 网络出版日期:  2024-03-22

目录

    /

    返回文章
    返回