雷達影像和光學影像融合步驟？

如下步驟：

1)分別獲取某一地區的光學遙感數據和雷達遙感數據，并進行預處理，將光學遙感數據和雷達遙感數據依據研究區進行圖像裁剪和配準；

2)使用灰度共生矩陣提取雷達遙感數據的紋理信息；

3)使用主成分分析法對雷達遙感數據和光學遙感數據進行融合；

4)在融合數據的圖像上獲取感興趣區，創建基于感興趣區的訓練樣本；

5)利用得到的融合數據和雷達遙感數據的紋理信息，結合訓練樣本的光譜特征和后向散射特征使用支持向量機法進行分類。優選地，在所述步驟1)中，光學遙感數據的預處理過程包括：對光學遙感數據進行輻射定標、大氣與幾何校正、重采樣、裁剪；為了防止波段丟失進行分辨率為10m的重采樣，選擇最近鄰法為升采樣方式；雷達遙感數據的預處理過程包括：輻射定標、幾何校正、影像配準以及噪聲濾波。

優選地，在所述步驟2)中，利用灰度共生矩陣，采用5×5的窗口提取10種紋理信息，包括：均值、方差、協同性、對比度、相異性、信息熵、角二階矩、相關性、能量和最大概率。

優選地，在所述步驟3)中，還包含使用j-m距離對訓練樣本進行可分離性分析：j-m距離計算方式為：j＝2(1-e-b)式中，b是指在該特征為上的巴氏距離，兩種不同類別間樣本對象的巴氏距離計算方式為：式中，mi表示特征的均值，表示該類特征的方差，其中，i＝1,2；j-m距離的取值范圍是[0,2]，越接近2則可分離性越高，當訓練樣本的j-m距離大于1.8時認為該訓練樣本為合格樣本。

優選地，在所述步驟4)中，選用支持向量機法進行分類：支持向量機法的決策函數為：其中，構建最優分類超平面為：fi(x)表示分類結果，i＝1,2,…,m，m表示土地覆蓋類別的總數。優選地，本發明的方法還包括：采用混淆矩陣對兩種分類方法進行分類精度評價；在確定檢驗樣本后，建立混淆矩陣，對支持向量機的分類精度進行檢驗，得到各類土地覆蓋的總體分類精度和kappa系數，對總體分類精度和kappa系數進行比較和分析。所述技術特征可以各種合適的波段組合或等效的技術特征來代替，只要能夠達到本發明的目的。