极化SAR图像中目标极化相干特征的增强方法转让专利

申请号 : CN201510888374.6

文献号 : CN105528767B

文献日 : 2018-02-09

本发明提供一种极化SAR图像中目标极化相干特征的增强方法。技术方案包括：第一步是构建极化散射矢量，包括构建Pauli极化散射矢量和Lexicographic极化散射矢量。第二步是构建极化相干矩阵和极化协方差矩阵。第三步是极化相干矩阵和极化协方差矩阵旋转处理。第四步是计算旋转域中极化相干特征序列。第五步是计算增强的极化相干特征量。计算旋转域中极化相干特征序列的最大值，确定为增强的极化相干特征量。本发明对极化相干特征增强效果明显，对不同地物具有很好的普适性和鲁棒性。

1.一种极化SAR图像中目标极化相干特征的增强方法，SAR是指合成孔径雷达，获得极化SAR图像每个像素点的极化散射矩阵Sj,j＝1,2,…,W，W表示极化SAR图像的像素点数，令极化散射矩阵S＝Sj，其特征在于，包括下述步骤：第一步，构建极化散射矢量：

设极化散射矩阵为且满足互易性条件即SHV＝SVH；利用下式分别计算Pauli极化散射矢量kP和Lexicographic极化散射矢量kL：其中，SHH为在水平极化H发射和水平极化H接收条件下获取的复后向散射系数；SVH为在水平极化H发射和垂直极化V接收条件下获取的复后向散射系数；SHV为在垂直极化V发射和水平极化H接收条件下获取的复后向散射系数；SVV为在垂直极化V发射和垂直极化V接收条件下获取的复后向散射系数；其中V表示垂直，H表示水平，上标T为转置处理；

第二步，构建极化相干矩阵和极化协方差矩阵；

利用Pauli极化散射矢量，选取具有散射相似性的样本像素，并通过样本集合平均处理，构建极化相干矩阵T为：利用Lexicographic极化散射矢量，选取具有散射相似性的样本像素，并通过样本集合平均处理，构建极化协方差矩阵C为：其中，<·>为集合平均处理，上标为共轭转置处理，上标*表示求共轭；

第三步，极化相干矩阵和极化协方差矩阵旋转处理；

在绕SAR视线方向，对极化相干矩阵进行旋转处理，对旋转域中的旋转角θi，计算旋转处理后的极化相干矩阵T′(θi)，为：其中，旋转矩阵为 θi为旋转域中的旋转角，N根据实际情况确定；

计算旋转处理后的极化协方差矩阵C′(θi)为：其中，相似性变换矩阵 A-1为A的逆矩阵；

第四步，计算旋转域中的极化相干特征序列；

对每一个旋转角θi，计算极化相干特征量，为：得到上述极化相干特征量在旋转域中的极化相干特征序列，分别为：第五步，计算增强的极化相干特征量；

在旋转域，计算极化相干特征序列|γp-q(θ)|的最大值|γp-q(θ)|max，为其中，p和q分别代表相应的极化通道。

极化SAR图像中目标极化相干特征的增强方法

技术领域

[0001] 本发明属于极化SAR(Synthetic Aperture Radar，合成孔径雷达)成像遥感领域，涉及一种极化SAR图像中目标极化相干特征在绕雷达视线的旋转域中增强方法。

背景技术

[0002] 极化SAR作为一种微波成像雷达，能够全天时全天候工作，成为对地观测领域的重要传感器。通过收发一组极化状态正交的电磁波，极化SAR能够获得目标完整的极化散射矩阵。不同于光学图像，极化SAR图像难以仅仅通过目视解译进行有效利用。极化散射矩阵中蕴含的目标丰富极化散射信息和极化特征量需要通过散射机理建模和解译方法进行挖掘和提取。不同极化通道间的极化相干特征是一种常用的极化特征参数。极化相干特征与目标的形状、类别和姿态等密切相关，广泛应用于人造目标提取、地物分类等应用领域。

[0003] 目前，对极化相干特征的有效利用仍存在两方面的局限。首先，极化相干特征十分敏感于目标的姿态。以建筑物为例，极化相干特征的取值严重依赖于建筑物取向与极化SAR飞行方向的相对关系。当二者平行时，极化相干特征取值趋近于1；当二者有较大夹角时，极化相干特征取值恶化，远低于1。这样，极化SAR对具有不同取向的建筑物的解译就会产生模糊。其次，对具有散射对称性的地物区域(如农作物等)，极化相干特征的取值较小，趋近于0，难以获得实际应用。如何通过优化方法有效增强地物的极化相干特征成为制约其有效利用的关键。因此，研究简单、高效、普适的极化相干特征增强方法对极化SAR图像的解译和应用都非常有价值。

发明内容

[0004] 本发明为有效解决极化SAR图像中目标极化相干特征取值恶化和利用率不足等问题，提供了一种在绕雷达视线的旋转域中增强目标极化相干特征的方法。本方法对极化相干特征增强效果明显，对不同地物具有很好的普适性和鲁棒性。

[0005] 本发明的基本思路是：极化相干特征十分敏感于目标姿态与极化SAR飞行方向的相对几何关系。同一目标在不同姿态情形下，其极化相干特征的取值会显著不同。这样，通过绕雷达视线进行旋转处理，能够改变目标姿态与极化SAR飞行方向的相对几何关系。因此，通过寻求旋转域中最优的目标姿态，可以实现目标极化相干特征的增强。这是本发明的原理基础。具体而言，将极化矩阵绕雷达视线进行旋转处理，求取旋转域中极化相干特征量的最大值，从而实现对目标极化相干特征的旋转域增强处理。

[0006] 本发明的技术方案是：一种极化SAR图像中目标极化相干特征的增强方法，具体包括下述步骤：

[0007] 利用极化SAR图像，获得每个像素点的极化散射矩阵Sj,j＝1,2,…,W，W表示极化SAR图像的像素点数。为表达方便，令极化散射矩阵S＝Sj。

[0008] 第一步，构建极化散射矢量：

[0009] 设极化散射矩阵为且满足互易性条件即SHV＝SVH。利用下式分别计算Pauli极化散射矢量kP和Lexicographic极化散射矢量kL：

[0010]

[0011]

[0012] 其中，SHH为在水平极化H发射和水平极化H接收条件下获取的复后向散射系数；SVH为在水平极化H发射和垂直极化V接收条件下获取的复后向散射系数；SHV为在垂直极化V发射和水平极化H接收条件下获取的复后向散射系数；SVV为在垂直极化V发射和垂直极化V接收条件下获取的复后向散射系数。上标T为转置处理。

[0013] 第二步，构建极化相干矩阵和极化协方差矩阵；

[0014] 利用Pauli极化散射矢量，选取具有散射相似性的样本像素，并通过样本集合平均处理，构建极化相干矩阵T为

[0015]

[0016] 利用Lexicographic极化散射矢量，选取具有散射相似性的样本像素，并通过样本集合平均处理，构建极化协方差矩阵C为

[0017]

[0018] 其中，<·>为集合平均处理，上标为共轭转置处理。

[0019] 第三步，极化相干矩阵和极化协方差矩阵旋转处理；

[0020] 在绕SAR视线方向，即以SAR和目标连线为中心轴，对极化相干矩阵进行旋转处理，对旋转域中的旋转角θi，计算旋转处理后的极化相干矩阵T′(θi)，为：

[0021]

[0022] 其中，旋转矩阵为 θi为旋转域中的旋转角，N根据实际情况确定，通常可取N＝
1000。

[0023] 根据极化相干矩阵和极化协方差矩阵的相似性，计算旋转处理后的极化协方差矩阵C′(θi)，为：

[0024] C′(θi)＝A-1T′(θi)A

[0025] 其中，相似性变换矩阵为 A-1为A的逆矩阵。

[0026] 第四步，计算旋转域中的极化相干特征序列；

[0027] 对每一个旋转角θi，利用绕雷达视线旋转处理得到的极化相干矩阵T′(θi)和极化协方差矩阵C′(θi)，计算四个典型的极化相干特征量，为：

[0028]

[0029]

[0030]

[0031]

[0032] 这样，对旋转域中的所有旋转角θi，得到上述四个典型的极化相干特征量在旋转域中的极化相干特征序列，分别为：

[0033]

[0034]

[0035]

[0036]

[0037] 第五步，计算增强的极化相干特征量。

[0038] 在旋转域，计算极化相干特征序列|γp-q(θ)|的最大值|γp-q(θ)|max，为[0039]

[0041] 用本发明可取得以下技术效果：

[0042] 本发明所述的对极化SAR图像中目标极化相干特征的增强方法，利用了目标在绕雷达视线的旋转域上的特征差异，通过旋转优化处理达到增强目标极化相干特征的效果，解决了目标极化相干特征取值恶化和利用率低的问题。本发明实现简单，对不同目标和地物具有很好的鲁棒性，并且实施起来也非常方便，可直接用于对各种极化SAR系统获得的极化SAR图像进行处理。本发明对于极化SAR人造目标提取、地物分类、农作物生长监测、目标鉴别等应用领域有着重要的参考价值。

附图说明

[0043] 图1本发明流程图；

[0044] 图2至图4是利用本发明进行实验一的处理结果，其中：图2为机载Pi-SAR系统在日本仙台城区获取的X波段极化SAR图像；图3为机载Pi-SAR系统X波段极化SAR图像中目标极化相干特征增强前后对比图；图4为机载Pi-SAR系统X波段极化SAR图像目标极化相干特征增强前后的统计直方图。

[0045] 图5至图7是利用本发明进行实验二的处理结果，其中：图5为机载AIRSAR系统在荷兰Flevoland农作物区获取的L波段极化SAR图像；图6为机载AIRSAR系统L波段极化SAR图像中目标极化相干特征增强前后对比图；图7为机载AIRSAR系统L波段极化SAR图像目标极化相干特征增强前后的统计直方图。

具体实施方式

[0046] 为了更好地理解本发明的技术方案，以下结合附图对本发明的实施方式作进一步描述。

[0047] 图1为本发明所提供的实施流程图。该流程图的第一步是构建极化散射矢量，对极化SAR图像中每个像素单元的极化散射矩阵，构建Pauli极化散射矢量和Lexicographic极化散射矢量。第二步是构建极化相干矩阵和极化协方差矩阵。其中，散射相似性样本像素的选取采用基于相似性检测的SimiTest算法进行处理，具体算法内容参见文献Si-Wei Chen,Xue-Song Wang and Motoyuki Sato“, PolInSAR complex coherence estimation based on covariance matrix similarity test,”IEEE Transactions on Geoscience and Remote Sensing,vol.50,no.11,pp.4699–4710,Nov.2012。第三步是极化相干矩阵和极化协方差矩阵旋转处理。首先将极化相干矩阵绕雷达视线进行旋转处理，得到旋转域中极化相干矩阵的表达式。然后，根据极化相干矩阵和极化协方差矩阵的相似性，通过相似变换，得到旋转域中极化协方差矩阵的表达式。第四步是计算旋转域中极化相干特征序列。利用旋转处理得到的极化相干矩阵和极化协方差矩阵，计算旋转域中四个相互独立的典型极化相干特征序列|γ(HH+VV)-(HV)(θ)|、|γ(HH-VV)-(HV)(θ)|、|γHH-VV(θ)|和|γHH-HV(θ)|。第五步是计算增强的极化相干特征量。对极化SAR图像中的每一个像素单元，针对给定极化通道组合的极化相干特征，计算旋转域中该极化相干特征序列的最大值，确定为增强的极化相干特征量。这样，遍历极化SAR图像的每一像素单元，就得到了在旋转域增强的目标极化相干特征图。

[0048] 图2至图4是利用本发明的具体实施方式进行实验一的处理结果。该实验采用的是机载Pi-SAR系统在日本仙台城区获取的X波段极化SAR图像。该极化SAR图像主要包含建筑物、足球场、网球场、森林和河流等地物。距离向和方位向分辨率均约为1.25米。

[0049] 图2为机载Pi-SAR系统在日本仙台城区获取的X波段极化SAR图像。图(a)为HH极化通道能量图，图(b)为VV极化通道能量图，图(c)为HV极化通道能量图。

[0052] 图5至图7是利用本发明的具体实施方式对L波段机载AIRSAR系统在荷兰Flevoland农作物区获取的极化SAR图像的处理结果。该极化SAR图像主要包含小麦、土豆、苜蓿、豌豆和甜菜等农作物。距离向和方位向分辨率分别约为6.7米和12.2米。

[0053] 图5为机载AIRSAR系统在荷兰Flevoland农作物区获取的L波段极化SAR图像。图(a)为HH极化通道能量图，图(b)为VV极化通道能量图，图(c)为HV极化通道能量图。

极化SAR图像中目标极化相干特征的增强方法转让专利

申请号 : CN201510888374.6

文献号 : CN105528767B

文献日 : 2018-02-09

基本信息: 请登录后查看

PDF: 请登录后查看

法律信息: 请登录后查看

相似专利: 请登录后查看

发明人 : 陈思伟 , 李永祯 , 王雪松 , 肖顺平

申请人 : 中国人民解放军国防科学技术大学

摘要 :

权利要求 :

说明书 :