[发明专利]极化SAR多成分目标分解方法

说明书

本发明提供了一种极化SAR多成分目标分解方法。该方法在以往四成分分解算法的基础上，增加了可能来自地形或粗糙表面的额外漫散射机制作为第五分解成分，即：将全极化SAR相干矩阵T或协方差矩阵C分解为五个散射成分(奇次散射、偶次散射、体散射、螺旋体散射和漫散射)的线性加权和。该算法采用改进的NNED方法求解体散射功率，并直接采用Pauli矩阵相应的奇次散射、偶次散射和漫散射模型，利用广义相似性参数GSP结合特征值分解直接求解奇次散射、偶次散射和漫散射的贡献值。本发明提供的新方法有利于提高极化SAR数据的地物分类精度。

技术领域

本发明属于遥感影像的SAR(Synthetic Aperture Radar，合成孔径雷达)图像处理领域，特别涉及一种极化SAR多成分目标分解方法。

背景技术

极化合成孔径雷达通过交替发射水平极化H和垂直极化V，并接收来自地面雷达观测目标的散射回波——水平极化波H和垂直极化波V，从而获得了观测目标的极化散射矩阵S₂(HH/HV/VH/VV)。极化散射矩阵将观测目标的散射能力特性、相位特性和极化特性统一起来，相对完整地描述了雷达观测目标的电磁波散射特性。雷达极化特征可反映观测目标的几何形状结构、表面粗糙度、对称性和取向等特性。极化目标分解是一种从极化SAR数据中提取雷达观测目标极化散射特性的有效手段，有助于揭示目标散射体的物理机制，从而有利于极化SAR数据地物的分类、检测和识别。

极化目标分解方法大致可分为两类：(1)针对极化散射矩阵的分解，此时要求目标的散射特征是确定的或稳态的，散射回波是相干的，故称为相干目标分解(CoherentTarget Decomposition，CTD)；(2)针对协方差矩阵、相干矩阵等极化数据的分解，此时观测目标的散射特征是时变的，散射回波是部分相干、非相干的，故称为非相干目标分解(Incoherent Target Decomposition，ICTD)。其中，CTD分解方法包括Pauli分解、SDH分解、Cameron分解和SSCM分解等。该类分解法主要是针对极化散射矩阵S₂的分解，在应用时，通常要求观测目标是确定不变的或稳态的。然而，对于自然界中大量存在的复杂目标而言，目标散射特性是随时间变化的，通常称为分布式目标。对这类目标的描述，通常采用集合平均的二阶统计方法进行，从而得到观测目标的协方差矩阵C、相干矩阵T等。对于这类目标的极化分解，主要包括：Cloude分解、Freeman分解、Yamaguchi分解等。1998年，Freeman&Durden首先提出了三成分的极化目标分解方法，将原始协方差矩阵C分解为三个散射成分(表面散射、偶次散射和体散射)的线性组合。该方法假设极化散射矩阵S₂的共极化成分与交叉极化成分的相关系数为0，即和故仅适用于反射对称散射的情况。然而，自然介质并非总是反射对称散射。因此，2005年，Yamaguchi等考虑到非反射对称散射情况(即和)，提出了四成分的极化目标分解方法，在原来三成分极化分解的基础上增加了螺旋体散射成分。但是，现有算法存在求解过程中待求参数个数多于方程个数的问题，而且现有算法在处理负功率问题时必须采用的强制性功率限制手段，影响检测、分类结果的合理性和精度。

发明内容

针对现有技术的以上问题，本发明提供的方法是在以往四成分分解算法的基础上，增加了可能来自地形或粗糙表面的额外漫散射机制作为第五分解成分，即：将全极化SAR相干矩阵T或协方差矩阵C分解为五个散射成分—奇次散射、偶次散射、体散射、螺旋体散射和漫散射—的线性加权和。该方法不仅解决了以往算法求解过程中待求参数个数多于方程个数的问题，而且也避免了以往算法在处理负功率问题时采用的强制性功率限制手段。与以往四成分分解方法相比，新方法分解过程更为直接、分解结果更为合理、更具物理意义(无需多余的功率限制判断来避免负功率的问题)，有利于提高极化SAR数据的地物分类精度。

本发明所述的极化SAR多成分目标分解方法，包括如下步骤：