郑煜，陈圣波，陈彦冰，李安臻

吉林大学 地球探测科学与技术学院，长春 130026

0 引言

地物分类一般被视为遥感目标解译的初始阶段和关键环节。光学遥感影像具有分辨率高、覆盖范围广和成本低等优点[1--2]，传统利用遥感影像进行地物分类多基于光学影像[3--4]。但在实际运用中，光学影像易受多云、多雨和多雾等不良天气的影响，不可避免地在地物分类中造成数据信息的缺失，增加分类难度。合成孔径雷达(Synthetic Aperture Radar, SAR)影像具有全天时、全天候、高分辨率和多极化方式等特点[5--8],弥补了光学影像易受不良天气影响的弊端，两种数据具有互补性，在土地利用、地形测绘、农作物分类、洪涝灾害监测、森林和湿地监测以及城市监测等实际应用中具有重要意义[9--14]。

目前，在结合SAR与光学影像进行地物分类的研究中，更侧重于通过不同的数据融合算法和多时相数据达到提高地物分类精度的目的[15--19]。Pei et al.[15]提出了一种基于全极化SAR影像、极化相干矩阵特征、光学遥感影像光谱和纹理的多种特征融合和多分类器集成的遥感影像分类新方法，利用主被动遥感数据在不同地表景观类型提取上的潜力，有效地提取土地覆盖信息。Liu et al.[16]针对不同融合算法差异，对主成分分析(PCA)、Gram--Schmidt(GS)、Brovey和小波变换4种融合算法进行比较，基于面向对象技术对旱地作物进行分类，结果表明融合后分类精度均有所提高，其中，GS和Brovey融合优于另外2种融合算法。张海龙等[17]利用改进的Synthetic Variable Ratio(SVR)算法融合Radarsat SAR与Landsat TM影像，采用BP神经网络模型进行监督分类，提高地物分类精度。……