PolSARpro v6.0之Sentinel-1A Wishart与SVM监督分类

忘是亡心i 2022-02-02 17:27 789阅读 0赞

### PolSARpro v6.0之Sentinel-1A Wishart与SVM监督分类 ###

*  前言
 *  数据源
 *  数据预处理
 *   *  数据读入、多视与地理编码
     *  叠加到Google Earth
 *  感兴趣区的提取
 *  极化滤波
 *  特征提取
 *  监督分类
 *   *  Wishart监督分类
     *   *  Wishart分类器
         *  创建训练样本
         *  训练样本
         *  分类
         *  精度评价
         *  查看分类结果
     *  SVM监督分类
     *   *  SVM分类器
         *  创建训练样本
         *  训练样本
         *  SVM分类特征
         *  SVM参数优化
         *  SVM分类
         *  精度评价
         *  SVM分类结果
         *   *  SVM与Wishart监督分类结果比较
 *  后语
 *  参考文献

（原创文章，转载请注明来源，谢谢！）

# 前言 #

*（前方多图高能预警，万字长文，希望你能耐心看完！）*

首先告诉大家一个好消息。Eric Pottier教授的PolSARpro已更新到V6.0版本，各位可以到网址（ https://www.ietr.fr/polsarpro-bio/ ）自行下载。但是该版本仍在开发中，经过本人的测试，存在不少bug（例如没有帮助文档），各位根据实际情况使用。该版本较V5版本的重大改进是在生物量估算模块方面，该版本的简单介绍文档见百度云盘链接：链接：https://pan.baidu.com/s/1FJkhxkhkwtiEoICDRD19-A  
提取码：h9b1 。感谢Eric Pottier教授，也希望该版本在后面能逐步完善。

距离上次PolSARpro处理Sentinel 1A的文章已近三月，期间许多人问我相关的问题，其中问得较多的是感兴趣区域的提取（或者说是掩膜提取），本文将对该操作进行介绍，并介绍PolSARpro中的Wishart监督和SVM监督分类过程（上次因为时间原因，没有详细介绍监督分类步骤，这次补上），希望可以给PolSAR相关研究者带来帮助。根据我的经验，SVM监督分类是PolSARpro中监督分类效果比较好的一种，也是目前遥感图像分类中常用成熟、稳定的算法。这个分类PolSARpro V5.1.3版本也能做，但是两个版本都有点bug，都不完美。

**两个版本的PolSARpro可以共存**，像博主两个版本都在使用，推荐保留两个版本，因为两个版本都有一些bug，协同使用可以对比一下。

后面，博主打算介绍欧空局SNAP处理软件以及SNAP1  
的Python模块------snappy处理，以促进该开源处理遥感处理平台的推广使用及开发。

博主创建了一个关于欧空局SNAP处理交流的QQ群：**欧空局SNAP处理交流群：665903216（这个群已满人），欧空SNAP处理交流群（二）：1102493346**。欢迎感兴趣者加入，共同交流，共同进步！

# 数据源 #

本次使用的数据与我本人的第一篇博客数据是相同的，链接网址：https://blog.csdn.net/lidahuilidahui/article/details/86485372  
你可以选用你自己的数据。

# 数据预处理 #

利用桌面的PolSARproV6.0快捷方式启动PolSARproV6.0:  
![图1][1]  
![图2][2]  
点击Enter，再点击OK，进入模块选择界面：  
![图3][3]  
点击Sentinel-1A/B mission(哨兵1A/1B卫星)模块（PolSARpro Bio模块也是可以的）点击Enter，即可进入以往的PolSARpro V5.1.3类似的界面(只是界面变成了灰色色调了而已，看到这个界面，竟想起许嵩的歌曲《灰色头像》)：

![图4][4]  
![图5][5]

## 数据读入、多视与地理编码 ##

请参照我的第一篇博客（https://blog.csdn.net/lidahuilidahui/article/details/86485372 ）完成数据读入、多视以及地理编码（含地理编码）操作，经过我的测试，如果感兴趣区（Region of Interest, ROI）提取操作早于地理编码前，后续将无法做地理编码，因为元数据文件metadata.xml文件（该文件含有控制点参数）会丢失。因此，**感兴趣区的提取操作应在地理编码之后**进行。这里选择的感兴趣区为上海市崇明区长兴岛和横沙岛，Swath带为IW2。在这个过程请保持耐心。地理编码成功后的界面如下（注意观察博主红色框标注部分）：

![图6][6]

## 叠加到Google Earth ##

上次这个操作没有演示，这次展示一下，以后你可以用于PPT展示（It’s your show time! Wonderful!）。  
关闭GIMP弹出的两个图片，查看生成的文件夹目录：  
![图7][7]  
其中，config\_acquisition.txt和GEARTH\_POLY.kml是叠加至Google Earth所必需的文件，丢失了这两个文件将无法叠加至Google Earth。提取感兴趣区操作这两个文件会丢失，因此，博主在感兴趣区的提取步骤前展示这个叠加效果。

进入C2文件夹，看到的文件应该是这样的：  
![图8][8]  
(如果你的界面中Display等菜单图标没有点亮，请退出后重新设置目录环境后进入，这时Display等菜单图标会点亮。估计是有点bug的缘故。)  
选择Display—>Create KML File:  
![图9][9]  
input BMP File框中，选择：  
![图10][10]  
input GEARTH\_POLY File框中，选择：  
![图11][11]  
（Reduction Factor:衰减因子，Transparency:透明度，保持默认设置即可）

点击Run,等待一下，见证奇迹的时刻到了:  
![图12][12]  
可以看到PauliRGB.bmp叠加至Google Earth上面了，并且吻合得很好（这表明两者的坐标系是完全一致的）。惊不惊喜，意不意外！

# 感兴趣区的提取 #

关闭Google Earth，退出Dispaly工具栏，进入下一操作。  
选择Tools—>Data Set Management—>ROI Extraction（注意该操作仅能选一个感兴趣区）:  
![图13][13]  
进入ROI Extraction 界面：  
![图14][14]  
点击Graphic Editor，点击Yes，进入感兴趣区编辑界面：  
![图15][15]  
选择PauliRGB.bmp作为勾选感兴趣区的图像，点击打开，进入如下界面：  
![图16][16]  
在弹出的图像窗口中点击**鼠标右键，显示编辑栏菜单**，其中：  
Select area，选择感兴趣区（可以是多边形）；  
Delete area，删除感兴趣区;  
Save configuration，将所勾选的感兴趣区保存为.txt文件;

该编辑工具快捷键（注意该工具与以往的图像处理软件快捷键不一样，例如ENVI,ArcGIS等）如下：  
**平移：按住鼠标左键拖动**  
**放大：鼠标滚轮往后滚动**  
**缩小：鼠标滚轮往前滚动**

点击Select area，选择感兴趣区：  
移动鼠标在合适的位置，点击鼠标左键放下一个多边形端点（锚点），移动鼠标，到另一个端点处，点击放下一个多边形端点，反复操作几次，直至勾选出整个感兴趣区（**如果你多边形端点勾选错了，并不能仅仅修改或删除该个端点，仅能通过删除整个多边形，重新勾选多边形来实现修改**），如图：  
![图17][17]  
那么如何结束感兴趣的绘制呢？  
点击鼠标右键，选择Save configuration，结束绘制感兴趣区并保存下来。选择如果选择Select area和Delete area，则可以重新绘制感兴趣区。**再强调一次，该操作仅能选择一个感兴趣区**。

点击Run，点击Yes，创建感兴趣区文件:  
![图19][19]  
成功时，会弹出一个掩膜文件和生成一个IW2\_SNAP\_ROI文件夹：  
![图20][20]  
进入IW2\_SNAP\_ROI文件夹，可以看到仅有一个C2文件夹，上一个步骤的仍能看到的config\_acquisition.txt和GEARTH\_POLY.kml两个文件均已丢失，已不能再叠加至Google Earth 上。进入C2文件夹中可以看到如下文件：  
![图21][21]

# 极化滤波 #

将目录环境设置为IW2\_SNAP\_ROI：  
![图22][22]点击Save&Exit，保存目录环境设置。

极化滤波操作，请参考我的第一篇博客（https://blog.csdn.net/lidahuilidahui/article/details/86485372 ），这里不再复述。  
滤波界面：  
![图23][23]

# 特征提取 #

实际上H-A-α分解就是提取极化散射特征的过程，分解得到的参数可以看作是一个分类特征。

双极化SAR数据的H-A-α分解操作，请参考我的第一篇博客（https://blog.csdn.net/lidahuilidahui/article/details/86485372 ），这里不再复述。

双极化SAR数据H-A-α分解参数界面:  
![图24][24]  
博主这里选择的是H（Entropy），A(Anisotropy),α（Alpha）三个特征（极化参数），你可以选择其它的特征，个数也可以多余3个或者少于3个，多少是你的自由，但是分类精度和运行速度会受到影响。  
这两个步骤之后，进入IW2\_SNAP\_ROI\_LEE的子目录C2文件夹，可以看到如下文件：  
![图25][25]  
可以看到C2文件夹中没有RGB文件或者PauliRGB文件，下面利用C2矩阵文件创建一个RGB假彩色图像用于选择训练样本。

![图26][26]  
其中矩形框为生成的RGB文件名，我们将用这个RGB1.bmp（如下图所示）来选择训练样本。  
![图26][26 1]  
关闭生成的RGB1.bmp文件，点Exit退出Display工具栏，进入下一个步骤：监督分类。

# 监督分类 #

好了，快结束了。还能保持耐心吗？接下来会介绍Wishart、SVM监督分类，这里不会详细介绍其原理，相关的文献有许多，具体请自己查找相关文献（因为双极化SAR监督分类目前仅支持这两种方法的监督分类，不信的话，你可以测试下）

## Wishart监督分类 ##

这是早期到现在极化SAR数据常用的监督分类，该分类是基于复Wishart分布的极大似然分类，但是该分布仅在均匀区域中的建模中效果比较好，也就是说，Wishart监督分类一般只能在均匀区域地物分类中取得较好的效果，对于其它不均匀区域地物分类，往往分类效果不好。对于不均匀区域的多极化通道SAR图像的建模，至今仍是一个热点和难点所在，近几年，提出的K、Go分布、W分布都有其局限性。对其进行精确的建模，对于SAR滤波、目标识别、分类都具有非常重要的意义，尤其是在军事上的目标识别（例如舰艇、坦克等）。

### Wishart分类器 ###

需要指出的是：**该分类器针对的是C2矩阵元素（即C11，C12，C21，C22，也就是这四个元素是可以看作服从复Wishart分布的）进行的。**  
开始操作吧：  
选择Process—>Polarmetric Segmentation—>Wishart Supervised Classification。  
![图27][27]  
参数设置如下：  
![图28][28]  
其中，Window Size大小为boxcar filter器窗口的大小，实际Wishart等监督分类时往往会加一个滤波操作，如果你不想再滤波，只需设置窗口大小为1×1；

Color Map16只是定义样本标注的颜色，并不是说要选16个类别。

你也可以勾选Reject Class(拒绝类)，Reject Radio：5（默认值），实际上是一个距离度量。我也不太懂，具体你可以看下帮助文档。一般都不勾选，你也可以勾选和不勾选了对比一下结果。

### 创建训练样本 ###

选择创建训练样本的图像，这里使用的是上一步创建的RGB1.bmp图像。![图29][29]  
打开后，如下所示：  
![图30][30]  
实际，在创建训练样本时，应该参考光学图像或者到地面实际调查测量。如果你想更精确地选择训练样本，你可以打开Google Earth 中查看相关信息。但是Google Earth 的影像不一定是最新的，最可靠的还是地面实际调查测量。

训练样本的创建：  
在窗口中点击鼠标右键，会弹出一个菜单栏，其操作如下：  
Add a new class:添加一个新类  
Select area:选择一个样本区域  
Delete area:删除一个样本区域  
Save configuration:保存建立的样本区域，存储为.txt文件(勾选好全部样本点击这个选项，**注意这个按键不是结束一个训练样本的绘制，而是直接结束了整个训练样本训练的程序**)  
![图31][31]  
该窗口工具与ROI Extract工具快捷键有点类似，但是有所不同，刚开始操作往往不习惯，需要慢慢适应（如下：  
**平移：按住鼠标左键拖动**  
**放大：鼠标滚轮往后滚动**  
**缩小：鼠标滚轮往前滚动**

在窗口中鼠标右键，创建类别**点击Add a new class（每次点击，Class Num都会加1，但是类别名（数字序号）无法编辑（例如改为字符串的形式“water”），因此，操作时你需要清楚你的选择的类别是什么）**:  
![图32][32]  
这个时候，你会发现，点击鼠标坐标，仍然选择不了样本。继续，鼠标右键，点击Select Area，这时，你会发现终于可以选择样本了。  
![图33][33]

移动鼠标到某个位置，放大（缩小）图像，鼠标左键放下一个多边形端点（锚点），再移动鼠标到某个位置，鼠标左键放下一个多边形端点，反复操作若干次，直至勾选出该个样本区域。（**如果你多边形端点勾选错了，并不能仅仅修改或删除该个端点，仅能通过删除整个多边形，重新勾选多边形来实现修改**）绘制多边形边界示意图如下：  
![图34][34]  
**那么如何结束绘制一个样本的操作本？答案是：鼠标右键，选择Select Area**  
![图35][35]  
早期的版本中value和样本数一致的，很遗憾，这几个版本都没。

**然后你会发现，多边形绘制的确结束了，然而却多了一个烦恼，有一个端点在旁边，导致你无法移动到别处选择样本区域。怎么办？鼠标右键，选择Delete Area。OK,你会发现该端点消失**  
![图36][36]  
*博主这里选了4个类别:建筑、水体、裸土（含耕地）、植被（森林、草地、农作物等），每个类别勾选4-5个。（仅用于实验目的，就不要计较精度了）。*  
移动鼠标至合适位置，继续勾选样本区域（鼠标右键，点击Select Area）。（重复几次，取决于你这个类别的训练样本数量）直至勾选完第一个类别的所有训练样本。

**鼠标右键，新建一个类别（Add a new class），创建新建类别的训练样本区域（Select area），勾选训练样本区域边界端点。反复勾选几次。**（上述操作重复几次）

直到勾选完4个类别的全部训练样本。（红色：建筑；绿色：水体；紫色：裸土；黄色：植被）  
![图37][37]  
窗口中右键，选择Save configuration，保存样本区域数据。会发现Run Training Process 图标被点亮。  
![图38][38]

### 训练样本 ###

点击Run Training Process，训练样本，完成后如下图所示：  
![图39][39]会生成类别中心集（矩形框所示）

### 分类 ###

点击Run，执行分类。  
![图40][40]  
会弹出3个文件，其中，wishart\_training\_cluster\_set.bmp为训练样本分布图；wishart\_supervised\_classs\_3x3.bmp为分类结果图（其中3x3为滤波窗口大小），wishart\_supervised\_classs\_3x3\_RGB1，是对原来的选择的RBG1.bmp进行分类的结果，用处不大。我们需要的wishart\_supervised\_classs\_3x3.bmp。

### 精度评价 ###

我们把这三个图像关掉，点击CM Editor，查看混淆矩阵。  
![图41][41]  
可以看到混淆矩阵如下：  
![图41][41 1]  
可以看到分类的精度还是比较高（主要是类别和训练样本太少，不过建筑和水体的分类精度和光学影像进行对比，精度还是可以的）。  
点击文本框的Exit退出混淆矩阵窗口。  
点击Exit退出Wishart监督分类窗口。

### 查看分类结果 ###

回到文件夹IW2\_SNAP\_ROI\_LEE/C2中查看分类结果文件：  
![图42][42]  
注意博主标记的三个bmp文件，文件1是样本区域的分类图（相当从从分类结果中对样本区域进行ROI（感兴趣区）提取）；文件2为对C2矩阵分类结果。文件3：创建的样本区域的分布图;

对这3幅图像进行联动操作,选择Display—>Display N BMP Files—>Open:

![图43][43]  
依次打开文件1，2，3（Open点击3次），结果如下图所示：  
![图44][44]  
按住鼠标左键，移动至合适位置查看细节变化，鼠标滚轮控制放大缩小，可以看到三个图像有三个“十字丝”联动：  
![图45][45]  
分类结果查看操作结束，关闭图像，点Exit退出，点Exit退出。（分类结果制图等还是需要ArcGIS、QGIS等来制作）。

## SVM监督分类 ##

很遗憾，PolSARpro V6.0的SVM监督分类有缺陷，具体你可以试下。博主这个SVM监督分类，使用PolSARpro V5.1.3版本来做的。

设置目录环境：  
![图46][46]  
在分类之前，我们再做一个操作，将C2矩阵由线性单位转为分贝值，同时提取总功率Span分贝值用作分类特征（操作见下图）：  
![图47][47]  
点击Run运行即可。

其中，Modulus表示取模（即复数的振幅，线性单位）；10log(Modulus)表示将模转化为分贝值;  
Span表示总功率，其中 S p a n = ∣ S 1 ∣ 2 + ∣ S 2 ∣ 2 Span=|S\_1|^2+|S\_2|^2 Span=∣S1∣2\+∣S2∣2，对于C2矩阵 S p a n = ∣ C 11 ∣ + ∣ C 22 ∣ Span=|C\_\{11\}|+|C\_\{22\}| Span=∣C11∣\+∣C22∣；

成功后，会弹出4个bmp图像窗口，分别是C11\_db，C12\_db, C22\_db, span\_db（db表示分贝值得意思），如图所示：  
![图48][48]  
完成后关闭所有图像窗口，点击Exit，退出矩阵元素提取窗口。

### SVM分类器 ###

SVM(Support Vector Machine,支持向量机)算法具有小样本训练、支持高维特征空间的特点，可以很好地避免“维数灾难”和过学习问题。该算法成熟稳定，效果通常较好，目前在语音识别、自然语言处理、计算机视觉、遥感图像分类等多个领域仍在大量使用。

开始操作吧：  
选择Process—>Polarmetric Segmentation—>SVM Supervised Classification。  
![图49][49]  
进入页面：  
![图50][50]  
可以看到图中GUI界面中有六个步骤，Step 1-Step 6，接下来完成这6步就可以。

### 创建训练样本 ###

Step 1-Training Area(操作见下图):  
![图49][49 1]  
博客这里选择是的上一步Wishart监督分类创建的感兴趣区域文件，你也可以选择Graphic Editor按钮打开RGB图像重新选择训练样本区域。为了和Wishart监督分类对比，博主使用了同样的样本区域。

### 训练样本 ###

Step 2-Training Area:  
保持默认即可。

Step 3-Color Maps(操作见下图):  
![图51][51]

### SVM分类特征 ###

Step 4-SVM Parameter Setting(操作见下图):  
![图52][52]  
如果选择C2,仅有将C2的元素作为分类特征。楼主选择的是other,分类特征选择的是：

<table> 
 <thead> 
 <tr> 
 <th align="center">特征变量</th> 
 <th align="center">alpha</th> 
 <th align="center">anisotropy</th> 
 <th align="center">C11_db</th> 
 <th align="center">C12_db</th> 
 <th align="center">C22_db</th> 
 <th align="center">entropy</th> 
 <th align="center">span_db</th> 
 </tr> 
 </thead> 
 <tbody> 
 <tr> 
 <td align="center">物理量</td> 
 <td align="center">平均散射角α</td> 
 <td align="center">反熵A</td> 
 <td align="center"> C 11 C_{11} C11的模（分贝值）</td> 
 <td align="center"> C 12 C_{12} C12的模（分贝值）</td> 
 <td align="center"> C 22 C_{22} C22的模（分贝值）</td> 
 <td align="center">极化熵H</td> 
 <td align="center">总功率Span（分贝值）</td> 
 </tr> 
 </tbody> 
</table>

操作5，也可以不选，仅是一个类别概率图像。其它的参数可以自行选择。

### SVM参数优化 ###

Step 5-Kernel Parameter(操作如下图):  
![图53][53]  
该步骤设置的是SVM核函数的类型（见矩形框所示）：  
**RBF(Radial Basis Function, 径向基核函数，最常用的核函数)，Polynomial(多项式核函数，其下的Degree设置的是多项式函数的阶数)，Linear(线性核函数，即一次函数)；**(如果你对SVM算法很熟悉的话，应该一眼就能看明白)

操作1：RECOMMANDED(推荐参数)  
（除非你SVM调参很厉害，否则建议你勾选这个选项）

操作2：点击Setup and Run,会弹出右边的小窗口；

操作3：点击Run RBF Kernel Paramete Optimisation：执行径向基核函数参数优化。这里使用的基于**网格法**对训练样本进行交叉验证（Cross Validation，CV）从而确定最优参数，主要确定参数C和G，其实**C是前面的Cost(惩罚系数c),G是Gamma（核函数宽度g）**。（其具体原理请查看相关文献）  
执行后会弹出一个命令行窗口。  
![图54][54]矩形框可以查看进度（百分比，%）。  
完成后，右边小窗口可以看到找到的参数C和G的一个组合值。  
![图55][55]  
点击Exit and Save CV Parameters，将会看到Cost和Gamma值发生了变化，正是寻优的结果值256,0.50000。  
![图56][56]

### SVM分类 ###

Step 6-Run Classification(执行分类):  
执行后会弹出一个命令行窗口（接下来又是一个漫长的等待过程，**请保持耐心**），如下图所示：  
![图57][57]  
矩形框显示的是SVM分类的进度（百分比，%）

事实上，PolSARpro的SVM分类算法很好，比ENVI等软件的SVM分类快得多，并且可以自动寻找参数优化值。（可以说是甩ENVI等几条街，也不过分！）

完成后会弹出一个bmp图像（但这不是分类结果，这是之前勾选的概率图像）。  
![图58][58]  
可以把弹出的bmp图像关闭。

### 精度评价 ###

很遗憾的是，这个版本的SVM分类仍然有点bug，看不到混淆矩阵。（据说早期版本是可以的，另外，Linux系统版本的bug会少很多，有条件的话可以装Linux系统版本的PolSARpro）。如果你点击 CM Editor，想查看混淆矩阵，很遗憾，找不到SVM的confusion\_matrix.txt文件。所以，直接点Exit，退出SVM分类窗口就可以。

### SVM分类结果 ###

我们回到目录IW2\_SNAP\_ROI\_LEE/C2，如图：  
分类结果文件名为svm\_classification\_file:  
![图59][59]  
请参考wishart监督分类的分类结果查看操作：  
![图60][60]

#### SVM与Wishart监督分类结果比较 ####

我们依次打开下图所示的三个文件（文件1为SVM监督分类结果，文件2是SVM训练样本集，文件3是Wishart监督分类结果）：  
![图61][61]  
对比结果如下：  
![图62][62]  
可以看到SVM分类更细碎些（斑点较多），总体上看两者的分类精度应该差距不大。(对比完可以退出所有的窗口了！)

# 后语 #

好了，终于结束了！（你看完此文和操作，花了很长时间，同样地，我写完此文也花了很长时间，但愿你能有所收获！)

请允许我牢骚多几句！关于PolSARpro软件的功能还有许多，很难详尽地介绍清楚，要想更好地使用和开发PolSARpro，需要对极化SAR的理论知识有较深的了解（**学习还是很重要的！**）。很遗憾这里使用的是欧空局的Sentinel-1双极化SAR数据（使用这个数据的主要原因是这个数据可以免费下载），不是全极化SAR数据，大量的实验表明，全极化SAR数据的分类精度高于双极化SAR数据、单极化数据（当然，博客的方法对于全极化SAR数据也是使用）。

事实上，全极化SAR数据可以做更多的操作，无论是极化分解、分类、极化干涉测量等都有更多应用。其实，博主更希望的使用国产数据来做些实验的，然而，由于种种原因（数据不开放，国产数据质量、兼容性等），国产卫星数据的利用率远远低于国外卫星数据的利用率，不禁使人感到担忧，没有使用，很难有反馈，也就很难有改进。

目前而言，国产卫星数据相比国外卫星数据（欧空局、美国、日本等），仍有很大的差距！不管怎样，还是希望各位有条件的话，还是多多使用国产卫星数据。无论好坏，用自己国家的数据，多少更放心些。博主后面也打算也打算分享一下国产卫星数据的应用，各位如果有时间的话，也可以写点国产卫星数据的应用的文章，促进国产卫星数据的推广使用。

如果博客内容有错的话，请在评论区批评指正！谢谢！

再打一次广告，博主创建的**欧空局SNAP处理交流群：665903216（这个群已满人），欧空SNAP处理交流群（二）：1102493346**。欢迎感兴趣者加入，共同交流与进步！

# 参考文献 #

\[1\] (美)李仲森（Lee,J.),（法）鲍狄埃(Pottier,E.)，洪文等. 极化雷达成像基础与应用\[M\]. 北京：电子工业出版社, 2013.06  
\[2\] 尤淑撑，行敏锋，何彬彬等. 极化SAR土地资源调查监测技术与应用\[M\]. 北京：科学出版社，2018.07  
\[3\] 刘涛，崔浩贵，谢凯等. 极化合成孔径雷达图像解译技术\[M\]. 北京：国防工业出版社，2017.12  
\[4\] 马建文等.遥感数据智能处理方法与程序设计 (第二版)\[M\]. 北京：科学出版社，2010.01  
\[5\]微信公众号：遥感事. 推送文章：Dragon系列-PolSARpro之SVM监督分类（https://mp.weixin.qq.com/s?\_\_biz=MzI0MDQ2NTU2Ng==&mid=2247483736&idx=1&sn=2abef8d7b789b80ce851bd24f42071cf&chksm=e91b22a9de6cabbf8772db08e0d6aa82e8fc4ce7f8ff705134c709e9ac9fe5247030d090d44c&mpshare=1&scene=23&srcid=\#rd）

--------------------

1.  SNAP(Sentinel Application Platform)是欧空局为处理Sentinel卫星数据而开发的一个开源处理平台，功能强大，对欧空局相关卫星、美国、日本卫星等数据有很好的处理效果。 ↩︎

[1]: /images/20220202/2e446e3988114d90bd4b8ace9f5b6913.png
[2]: /images/20220202/613fc2ef6bcf4be1a4b80e19e2ac69cb.png
[3]: /images/20220202/1d8a4c5d8f3e4e7a9a904ba9042a053d.png
[4]: /images/20220202/2263170cf27847ab8da6e2daf69acd14.png
[5]: /images/20220202/75c62886d8104f59918efcda4310cc38.png
[6]: /images/20220202/3da10b689ef04432b5ec2b5689911502.png
[7]: /images/20220202/c6eec5f2bf6f4d5b80a8709480944055.png
[8]: /images/20220202/dcd75efcf7f2445e93361abcccf8e6f5.png
[9]: /images/20220202/4b93a0eda1f5410e986a1165f01cf3d7.png
[10]: /images/20220202/0b893040fe4740f2953df5bccc1de390.png
[11]: /images/20220202/cf8b7d6f2b814cde820b4771260774f2.png
[12]: /images/20220202/08f2b26497174ca9bc93cfb6130b0dc5.png
[13]: /images/20220202/4315589beaa6403bad7d770e407c0959.png
[14]: /images/20220202/d5a1377e79834000983dfd1b35aa72c7.png
[15]: /images/20220202/989be46cbff041dd8933d0c4433082b9.png
[16]: /images/20220202/2e048ef9707a441fb88734a9c699132c.png
[17]: /images/20220202/484ae63d86e84f8890df12f1084b3208.png
[19]: /images/20220202/c6de934f2e0f46208e4b7c1fd3c19af9.png
[20]: /images/20220202/c742421e98944045a27c23a61bec2033.png
[21]: /images/20220202/b607841f97f7457c8b6e70ed75491bf6.png
[22]: /images/20220202/2ccde321c13c4fc395452c9dc66db623.png
[23]: /images/20220202/5290bf95cdc2438ea7d1797b421a48fd.png
[24]: /images/20220202/e11c383668b341ef9fb0bac3dfba0531.png
[25]: /images/20220202/6a0748f9465a407387b25da52c9f6ebe.png
[26]: /images/20220202/7f7ff9abb31749079bf993e35b87194e.png
[26 1]: /images/20220202/ebc95adf146645a3a051d3b2ae70a11f.png
[27]: /images/20220202/b0336777b05a447ea78e0fd292f15548.png
[28]: /images/20220202/a32471f987e948cebf6047781faee6b9.png
[29]: /images/20220202/282eb48ebcd94165a46ff2a9c0640f32.png
[30]: /images/20220202/70ad24d13a734380994142b916cedfa0.png
[31]: /images/20220202/2af3aba192ca43a287391e5b94723545.png
[32]: /images/20220202/0fa0cb2507ec44878fd67eef8ed0ee70.png
[33]: /images/20220202/71fb370b490a40abaa2795acaef7052a.png
[34]: /images/20220202/270f4ac7e90641c9becd4c3e06fde121.png
[35]: /images/20220202/7c7789243a5c427e9d0caa8f25a5059c.png
[36]: /images/20220202/e3debe7b8b3e4b65b7f4597975564f89.png
[37]: /images/20220202/fc38053f684e4ec38fc11c8604fdb3c4.png
[38]: /images/20220202/efb8a12fed254f25a49caf3ae3c88930.png
[39]: /images/20220202/f858645ea2fe45b98493c200374db4a9.png
[40]: /images/20220202/379d56c85e7540ddad24a0b2a4b371f1.png
[41]: /images/20220202/0df99a1525d04fd38ea5946113372fb1.png
[41 1]: /images/20220202/54f192b07d224d6ebb1ce491af7c4ded.png
[42]: /images/20220202/9e81435be45a4224a50e3964a7f50e83.png
[43]: /images/20220202/64430e3c1c63476a87715d61d9e6f4b1.png
[44]: /images/20220202/c910d7eb9c844741a285ac04df8f8d3e.png
[45]: /images/20220202/af453b1d09cb4ed0b8eb34f653664744.png
[46]: /images/20220202/08a5d23789bf41e7805828a4665df03e.png
[47]: /images/20220202/aeb271ed241f4ee08071323ebbd17b54.png
[48]: /images/20220202/15183d4d23184d3f8d4f074a0ef49234.png
[49]: /images/20220202/5835f57f336d4509a92c351817cfd175.png
[50]: /images/20220202/0219137873a04e52bcda3a5689f20e1b.png
[49 1]: /images/20220202/d8c77f47c12440ba97b96f78736539d8.png
[51]: /images/20220202/405e653391bd434fbc10ea1797f8ba02.png
[52]: /images/20220202/def21ef133e74c928764b9a223e5eddb.png
[53]: /images/20220202/292848afacb44ce0bf36ac8c0e13e891.png
[54]: /images/20220202/5852618790af4579979ee525b80456e3.png
[55]: /images/20220202/6b6df2a314cd49ae899c5e5c613ad1fe.png
[56]: /images/20220202/348030fc3d3e4d578ea4daf55cc2d468.png
[57]: /images/20220202/951ea92da8774f8eb164e174abfa9fa0.png
[58]: /images/20220202/91bd6f197cd546849cfe048cbf41ea2f.png
[59]: /images/20220202/5b15ece67987459890eb49c94a871f37.png
[60]: /images/20220202/8843717c6c4a49c6b1777cc4da7fcbf1.png
[61]: /images/20220202/19f1736e0c454205a8529230be748648.png
[62]: /images/20220202/97f4da0982a04c9e9f6690f5c56f4c49.png