[发明专利]极化SAR图像分解方法及存储介质

说明书

本发明公开了一种极化SAR图像分解方法及存储介质，该极化SAR图像分解方法包括：获取全极化SAR图像数据的极化相干矩阵T；判断全极化SAR图像数据中每个像素点处的主导散射机制，并根据主导散射机制对像素点处的相干矩阵T进行修正，获得修正后的相干矩阵T′；对修正后的相干矩阵T′进行四分量目标分解，求解螺旋体散射、体散射、表面散射和偶次散射的功率值。本发明根据像素点的主导机制进行相应的方位角补偿和相位角旋转操作，大幅度降低了体散射的过度估计现象，并解决了表面散射和偶次散射产生的负功率现象；另外，引入自适应体散射模型调整，能够使HH和VV分量比例连续变化，使分解结果更接近实际地物目标的散射机理。

技术领域

本发明涉及微波遥感技术领域，尤其涉及一种极化SAR图像分解方法及存储介质。

背景技术

随着微波遥感技术的发展，极化合成孔径雷达(极化SAR)已成为微波遥感领域的一个重要研究方向，对于极化SAR的研究逐渐由单极化、单波段发展到多极化、多波段，相继出现了星载、机载等全极化SAR系统。极化SAR通过发射具有水平极化H或者垂直极化V的电磁波对地面进行照射，并接收该地面区域具有水平极化H和垂直极化V的散射回波，从而获得观测区域的极化散射矩阵。极化散射矩阵中包含了观测目标的详细信息，包括表面粗糙度、方位取向、对称性、几何形状结构等电磁散射特性。

极化目标分解理论最早由Huynen提出，是一种对极化SAR图像数据进行目标散射特性提取的主要方法。目前，极化SAR图像数据分解方法主要有描述纯目标的相干目标分解和描述分布式目标的非相干目标分解两大类。相干目标分解通过对纯目标的极化散射矩阵进行加法或乘积分解，提取出一系列能够较好描述目标的极化特征，该分解方法主要包括Pauli分解、Cameron分解、krogager分解等方法。非相干目标分解主要分为基于Mueller矩阵的非相干目标分解、基于协方差矩阵C或相干矩阵T的特征值非相干目标分解和基于散射模型的非相干目标分解，该分解方法主要包括：Cloude分解、Freeman分解、Yamaguchi分解等。

目标分解是极化SAR的一个重要部分，它是目标分类、遥感应用的前提基础，可以帮助分析散射目标的物理机制，有利于极化SAR数据的地物分类、目标识别等。1998年，Freeman和Durden首先提出了三成分的极化目标分解方法，根据获取的极化SAR数据确定观测区域中占主导地位的散射机制，将原始协方差矩阵C或相干矩阵T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，该方法假设偶极子的旋转是均匀的以及反射对称条件的成立。2005年，Yamaguchi等，在Freeman分解基础上提出了四成分的极化目标分解方法，增加了螺旋体散射成分。2009年，Cloude提出了一种混合Freeman/Eigenvalue分解方法，随后将其分解思想引入四分量模型分解中，非相干目标分解得到了迅速发展和广泛应用，但这些方法大部分是基于Cloude特征值分解和Freeman三成分分解，其应用都有一定的局限性。

现有的基于散射模型分解方法最大的缺陷就是负功率问题。在雷达系统中，给定发射机和接收机，那么与雷达截面积成正比的接收到的散射功率永远不可能是负的，所以在任何情况下散射功率都不可能是负值。负散射功率产生的原因是由于在分解过程中对其中一个散射分量的估计过高，由于所有散射分量的贡献之和等于接收到的相干矩阵的总功率，即总功率始终保持不变，如果某一散射分量的功率在某一像素处被高估，那么在该像素处剩余的散射分量就有可能存在负的贡献。另外，交叉极化功率的存在会降低目标分解的准确性，如二次面散射与体散射耦合产生的交叉极化功率，表面散射与体散射耦合产生的交叉极化功率；此外，传统的体散射模型不能随极化SAR数据的不同而进行自适应的调整，不能满足林地中HH分量和VV分量比例的连续变化需求。

发明内容

鉴于现有技术中存在的上述技术问题，本发明实施例所要解决的技术问题是提供一种极化SAR图像分解方法，其能够降低体散射功率的过高估计，避免偶次散射和表面散射产生负功率的问题，以解决现有基于散射模型分解中的负功率问题。