[发明专利]用于极化合成孔径雷达图像的多成分分解方法

说明书

技术领域

本发明涉及的是极化合成孔径雷达图像目标分解、图像分析的技术领域。

背景技术

极化合成孔径雷达是建立在传统合成孔径雷达体制上的新型雷达，它的出现大大拓宽了合成孔径雷达的应用领域。极化合成孔径雷达利用不同极化通道获取复图像来区分物体的细致结构、目标指向以及物质组成等参数，这些信息在农林、水文地理学、城市基本设施构成、火山、地震学、考古学以及军事侦察等领域具有无法估量的作用。

极化合成孔径雷达系统最早应用于二十世纪八十年代末，现在合成孔径雷达系统已全面进入全极化工作阶段，随着极化合成孔径雷达系统的推广，人们所获得的全极化数据也越来越丰富。如何对图像做出快速而准确的解译，如何有效地对目标进行分类或识别，已成为迫切需要解决的一个难题。如何对已有极化合成孔径雷达图像中的目标特性进行研究，如何从图像数据中提取出符合应用要求的目标特征，进而实现目标的分类与识别，已经成为能否对图像正确解译的关键步骤。

对于极化雷达数据，每个分辨单元都可以用极化散射矩阵表示，其元素完整地描述了目标的散射特性。因此，通过极化散射矩阵分解以获得目标极化散射特性就成为人们关注的焦点之一。极化合成孔径雷达图像目标分解的主要目的是把极化散射矩阵或相干矩阵和协方差矩阵分解成代表不同散射类型的若干项之和，并且每一项对应一定的物理意义。极化目标分解理论的突出优点就是它们大都具有明确的物理解释，因为目标回波的极化信息可以反映目标的几何结构和物理特性，所以极化目标分解理论可用于目标分类或检测。

目前已有的极化目标分解可分为两大类，基于极化散射矩阵的相干目标分解，以及基于相干矩阵或协方差矩阵的部分相干目标分解。

Pauli分解是最为经典的相干目标分解方法，将散射矩阵分解为奇次散射、偶次散射和与水平方向有45度倾角的偶次散射。这三种散射类型的基是相互正交的，但是它们代表的目标特征不是相互独立的，只能区分奇次散射和偶次 散射两种散射类型，这限制了它的实际应用，因此常常用来检验数据的有效性。

SDH分解方法把对称散射矩阵分解成并不相互正交但是代表一定特殊目标特性的基。SDH分解是在圆极化基的基础上将目标分解为球、二面体和螺旋体三种成分。SDH分解作用于相干基下的单个像素，充分利用了极化合成孔径雷达图像内在的相干特性，比较适用于高分辨率极化合成孔径雷达图像。

Cameron分解强调对称目标的重要性，将散射矩阵分解为一个最大对称成分和一个最小对称成分，最大对称成分再进行详细分类，最后可以分解得到8种成分。由于这种方法假设目标的散射是相干的，其分解是基于散射矩阵，在分解之前并不进行目标散射相干性的检验，在非相干散射区域会产生错误。

上述基于散射矩阵的相干目标分解把数据全部对应于某几种特定的简单散射类型，只能用于确定性的纯目标的分解，也就是目标的特性完全能用散射矩阵表示的目标。然而在实际过程中，往往研究的是分布式目标，需要考虑目标的二阶统计特性，只能用部分相干的目标分解方法进行分解。

部分相干的目标分解同相干的目标分解思想类似，是将协方差矩阵或相干矩阵分为几个具有不同散射特性的成分的叠加。典型的部分相干目标分解有Cloude特征值分解、Freeman分解以及四成分散射模型分解。

Cloude特征值分解方法是基于极化相干矩阵的特征值分解方法，将目标相干矩阵使用特征值分解方法分解为三种相干矩阵的加权和，不同的特征值和它相应的相干矩阵表示不同物质结构。并由相干矩阵的特征值得到三个特征参量：熵H、各向异性A和α角，它们都与特定的物理特性相联系。可以根据H和α的取值将图像划分为9类(其中有效区域8个)，再联合A的取值，可以将图像细分为16个类别。