基于散射機(jī)理和目標(biāo)分解的極化SAR圖像地物分類.pdf

1、極化合成孔徑雷達(dá)（Polarimetric Synthetic Aperture Radar，極化SAR）是一種多參數(shù)、多通道的成像雷達(dá)系統(tǒng)，它通過測量地面上每一分辨單元內(nèi)的極化散射回波來獲取目標(biāo)的極化信息，如散射矩陣、極化相干矩陣等。與傳統(tǒng)雷達(dá)圖像相比，極化SAR圖像能夠提供更多的地物信息和分類特征。由于極化SAR數(shù)據(jù)的復(fù)雜性，極化SAR圖像分類方法的研究不僅是一個熱點(diǎn)問題，也是一個難點(diǎn)問題。極化SAR圖像地物分類方法研究對于探索目標(biāo)

2、的極化散射特性，提高極化SAR圖像的解譯水平具有很重要的理論意義和現(xiàn)實(shí)價(jià)值。我國的極化SAR圖像處理還停留在數(shù)據(jù)解譯的初級階段，分類算法的準(zhǔn)確率和穩(wěn)定性都亟須改善。
　　本論文中，對極化SAR的目標(biāo)分解方法以及地物分類方法進(jìn)行了系統(tǒng)的研究，提出了一系列實(shí)際有效的極化SAR圖像地物分類方法和數(shù)據(jù)分解算法，主要的研究成果有：
　　1.提出了一種基于散射機(jī)制系數(shù)的極化SAR圖像地物分類方法。針對相干矩陣的特征值和特征向量對目標(biāo)的極

3、化特征描述過于復(fù)雜的問題，根據(jù)相干矩陣的特征值和特征向量的物理含義，提出了三個與散射機(jī)制相關(guān)的參數(shù)，分別是單目標(biāo)散射機(jī)制系數(shù)、雙目標(biāo)散射機(jī)制系數(shù)和混合隨機(jī)散射機(jī)制系數(shù)，可用于表征每一個像素點(diǎn)上存在多少種散射機(jī)制，利用真實(shí)的極化SAR數(shù)據(jù)驗(yàn)證了散射機(jī)制系數(shù)在地物分類方法中的可用性和合理性。為了更加準(zhǔn)確的描述極化SAR數(shù)據(jù)的內(nèi)在物理特性，對所提的散射機(jī)制系數(shù)進(jìn)行了改進(jìn)，針對不同的地物目標(biāo)的散射熵，使用不同的散射特征向量，并且在散射機(jī)制系數(shù)的

4、提取過程中，考慮像素點(diǎn)的先驗(yàn)概率。通過對比已有的散射機(jī)制系數(shù)，改進(jìn)的散射機(jī)制系數(shù)更加符合實(shí)際的地物目標(biāo)。經(jīng)過真實(shí)極化SAR數(shù)據(jù)的實(shí)驗(yàn)，證實(shí)了基于改進(jìn)散射機(jī)制系數(shù)的極化SAR圖像地物分類方法的有效性；
　　2.提出了一種基于非反射對稱散射模型的Freeman/Eigenvalue分解算法。已有的Freeman/Eigenvalue分解算法需要極化SAR數(shù)據(jù)滿足反射對稱性假設(shè)，但是實(shí)際的地物目標(biāo)往往是不能滿足反射對稱性，針對這一矛盾，

5、提出了不需要反射對稱性假設(shè)的表面散射模型和二次散射模型，提出了一種新穎的Freeman/Eigenvalue分解算法。提出的Freeman/Eigenvalue分解算法具有三個特點(diǎn)：一是不需要反射對稱性，更符合實(shí)際地物的數(shù)據(jù)特征，尤其是在復(fù)雜的人工建筑區(qū)域，二是散射能量是相干矩陣特征值的線性組合，因此散射能量都具有旋轉(zhuǎn)不變性，三是不需要進(jìn)行能量限制，而且不存在負(fù)值的表面散射能量和二次散射能量。利用真實(shí)的極化SAR數(shù)據(jù)實(shí)驗(yàn)證明了基于非反射

6、對稱性散射模型的Freeman/Eigenvalue分解的有效性；
　　3.提出了兩個基于改進(jìn)體散射模型的 Freeman/Eigenvalue分解算法。第一個是基于體散射模型擴(kuò)展的Freeman/Eigenvalue分解算法。針對極化SAR地物目標(biāo)方位角的隨機(jī)性會導(dǎo)致不同類別的目標(biāo)表現(xiàn)為相同的散射特征，使用了兩種單位變換矩陣對極化SAR數(shù)據(jù)的相干矩陣進(jìn)行去取向處理，消除方位角的隨機(jī)性，同時(shí)使得到的交叉極化項(xiàng)達(dá)到最小值點(diǎn)，消除了表

7、面散射能量和二次散射能量的負(fù)值現(xiàn)象。針對不同的地物目標(biāo)，使用了不同的體散射模型，采用有別于現(xiàn)有的Freeman/Eigenvalue分解算法的判別式來判斷體散射是來自于植被還是人工建筑，對于來自于植被的體散射，使用同極化比來選擇合適的體散射模型，使得目標(biāo)分解的結(jié)果更符合實(shí)際的地物目標(biāo)。第二個改進(jìn)的Freeman/Eigenvalue分解算法是利用去取向后的相干矩陣的特征值分解，由特征空間中提取體散射模型，同樣，在植被和人工建筑使用了不同

8、的體散射模型。通過真實(shí)的極化SAR數(shù)據(jù)實(shí)驗(yàn)，驗(yàn)證了改進(jìn)的兩種Freeman/Eigenvalue分解方法的可用性和有效性；
　　4.將所提的散射機(jī)制系數(shù)與Wishart MRF分類器相結(jié)合提出了一種極化SAR圖像地物分類算法。首先利用極化SAR數(shù)據(jù)的相干矩陣提取散射機(jī)制系數(shù)，根據(jù)散射機(jī)制系數(shù)進(jìn)行粗糙分類，得到三個類別；然后對相干矩陣進(jìn)行Freeman-Durden分解，利用得到的散射能量，進(jìn)行細(xì)化分類，得到十個更為精細(xì)的類別，最后