一种极化SAR图像特征提取方法
文献发布时间:2024-04-18 19:58:21
技术领域
本发明涉及基于两阶段目标分解模型的极化SAR图像特征提取方法,属于极化SAR图像特征提取技术领域。
背景技术
极化合成孔径雷达(SAR)作为一种先进的微波遥感手段,具有全天候、全天时、分辨率高、大面积覆盖的优势,它通过观测不同收发极化组合下的回波信息,区分物体的细致结构、目标指向以及物质组成等参数来更加系统全面地反映目标的后向散射特性,从而获得更为全面丰富的地物信息,在遥感领域具有广阔的应用前景。
极化SAR图像最具有代表性的特点是其丰富的极化电磁散射信息。这种组合收发多种极化方式电磁波的形式能够反映出不同地物的结构、尺寸、介电常数等信息,可以得到与人眼辨别的光学图像不同的电磁散射特征,拓展了人类对于目标信息的获取与识别能力。另一方面,从空间维度上来说,极化SAR图像也同样具有图像的表现形式,能够反映不同类型地物之间的空间分布信息,这也为极化SAR图像的解译提供了更多更丰富的应用手段。因此,研究极化SAR图像中目标的全极化散射特性,分析目标的全极化特征与其物化特征的联系,提取有价值的目标特征,进而实现有效的目标分类或识别是极化SAR图像解译的重点和难点。
在众多地物信息提取理论和方法中,极化目标分解方法因具有算法简单、结果易于解译、物理意义明确等优点而成为了极化SAR领域备受关注的研究热点。因此,研究有效的极化目标分解方法具有重要的理论研究价值以及广泛的应用前景。目前现有的目标分解方法仍然存在一些问题。首先需要考虑散射模型的假设问题,当散射模型与实际数据不匹配时,某些散射成分可能会出现负能量,从而失去物理意义。其次是散射对称性假设问题,这是由于在极化目标分解中存在散射对称性现象,因此需要区别散射对称情况和散射非对称情况。最后是需要考虑对旋转的偶次散射进行极化指向角补偿从而保证分解的正确性。因此,如何改善上述问题,设计有效的目标分解方法是极化SAR图象解译需要解决的关键性问题。
发明内容
本发明用于解决非相干目标分解方法未能充分考虑散射对称性假设的问题,提供了一种基于两阶段目标分解模型的极化SAR图像特征提取方法。
如图1所示,所述极化SAR图像特征提取方法包含以下步骤:
步骤一、采集原始极化SAR图像数据,进行预处理,获得极化SAR图像的相干矩阵;
步骤二、对所述相干矩阵进行极化指向角补偿;
步骤三、对极化指向角补偿后的相干矩阵进行椭圆率角补偿;
步骤四、计算散射非对称成分对应的功率占总功率的比例;
步骤五、将步骤三中椭圆率角补偿后的相干矩阵分解为散射对称部分和散射非对称部分,获得每个部分的相干矩阵与散射功率;
步骤六、确定自适应体散射模型;
步骤七、将步骤五中得到的散射对称部分分解成表面散射成分、偶次散射成分和自适应体散射成分;
步骤八、将步骤五中得到的散射非对称部分分解为螺旋散射成分、定向偶极子散射成分和复合非对称散射成分。
进一步地,所述步骤二中对相干矩阵进行极化指向角补偿的方法包括以下内容:
确定待特征提取的极化SAR图像的相干矩阵T为:
式中每个元素S
计算旋转角θ:
其中,T
对相干矩阵进行旋转T(θ)=[U(θ)]T[U(θ)]
进一步地,步骤三中对极化指向角补偿后的相干矩阵进行椭圆率角补偿包括:
计算椭圆率角
计算旋转矩阵
其中,j是虚数,对极化指向角补偿后的相干矩阵进行椭圆率角旋转
进一步地,步骤四中计算散射非对称成分对应的功率占总功率的比例Cor为:
进一步地,所述步骤五获得每个部分的相干矩阵与散射功率包括以下内容:
对于散射对称的目标,相干矩阵中的元素T
式子中A、B、E、F表示T
其中,m表示水平极化和垂直极化的后向散射系数的比值,n表示交叉极化和垂直极化的后向散射系数的比值,则散射非对称部分的相干矩阵T
将补偿后的相干矩阵
其中,
P
P
散射对称部分和散射非对称部分的相干矩阵为:
进一步地,所述步骤六包含以下步骤:
自适应体散射模型表示为:
其中,
进一步地,步骤七中将步骤五中得到的散射对称部分分解成表面散射成分、偶次散射成分和自适应体散射成分的具体过程为:
式子中T
使公式等号左右两侧各项对应相等,设
S,D,C为求解过程中的参数,求解可得,
为保证求解的唯一性,使用
当
其中P
进一步地,将步骤五中得到的散射非对称部分螺旋散射成分、定向偶极子散射成分和复合非对称散射成分的具体过程为:
首先将步骤五中得到的散射非对称部分螺旋散射成分和定向偶极子散射成分
其中,T
其中,
P
本发明具有以下有益效果:
可以针对不同状态的地物进行更细致的描述,能够较好地提取不同地物的散射信息,同时增加了更具有代表性的散射成分,更详细地分解了散射非对称部分,对分析不同地物的散射特性起到了很大的作用,有效区分各种类型的地物。
附图说明
图1是本发明所述基于两阶段目标分解模型的极化SAR图像特征提取方法的流程图;
图2是待特征提取的极化SAR图像Pauli分解的伪彩色合成图像;
图3是第一阶段分解散射对称功率P
图4是第一阶段分解散射非对称功率P
图5是第二阶段分解结果伪彩色合成示意图,其中红色表示P
图6是第二阶段分解结果伪彩色合成示意图,其中红色表示P
具体实施方式
以下结合附图和具体实施方式对本发明提出的一种极化SAR图像特征提取方法作进一步详细说明。
步骤一、采集原始极化SAR图像数据,进行预处理,获得待特征提取的极化SAR图像相干矩阵;
步骤二、对相干矩阵进行极化指向角补偿;
步骤三、对极化指向角补偿后的相干矩阵进行椭圆率角补偿;
步骤四、计算散射非对称成分对应的功率占总功率的比例;
步骤五、将步骤三中椭圆率角补偿后的相干矩阵分解为散射对称部分和散射非对称部分,获得每个部分的相干矩阵与散射功率;
步骤六、确定自适应体散射模型;
步骤七、将步骤五中得到的散射对称部分分解成表面散射成分、偶次散射成分和自适应体散射成分;
步骤八、将步骤五中得到的散射非对称部分分解为螺旋散射成分、定向偶极子散射成分和复合非对称散射成分。
进一步地,所述步骤二中对相干矩阵进行极化指向角补偿的方法包括:确定待特征提取的极化SAR图像的相干矩阵
式中每个元素S
计算旋转角:
其中,T
对相干矩阵进行旋转:
T(θ)=[U(θ)]T[U(θ)]
进一步地,步骤三中对极化指向角补偿后的相干矩阵进行椭圆率角补偿包括:计算椭圆率角
计算旋转矩阵
其中,j是虚数,对极化指向角补偿后的相干矩阵进行椭圆率角旋转
步骤四中计算散射非对称成分对应的功率占总功率的比例Cor为:
所述步骤五获得每个部分的相干矩阵与散射功率包括以下内容:
对于散射对称的目标,相干矩阵中的元素T
式子中A、B、E、F表示T
其中,m表示水平极化和垂直极化的后向散射系数的比值,n表示交叉极化和垂直极化的后向散射系数的比值;则散射非对称部分的相干矩阵T
将补偿后的相干矩阵
其中,
P
P
散射对称部分和散射非对称部分的相干矩阵为
所述步骤六包含以下步骤:
自适应体散射模型表示为:
其中,
步骤七中将步骤五中得到的散射对称部分分解成表面散射成分、偶次散射成分和自适应体散射成分的具体过程为:
式子中T
使公式等号左右两侧各项对应相等,设
S,D,C为求解过程中的参数,求解可得,
为保证求解的唯一性,使用
当
其中P
将步骤五中得到的散射非对称部分螺旋散射成分、定向偶极子散射成分和复合非对称散射成分的具体过程为:
首先将步骤五中得到的散射非对称部分螺旋散射成分和定向偶极子散射成分
其中,T
其中,
P
本发明的效果可以通过以下实验进一步说明。
1、实验数据
本发明实验所用数据为美国机载UAVSAR系统获取的美国半月湾地区的极化SAR图像全极化复相干格式,获取时间为2014年11月24日。其距离向和方位向分辨率分别为1.6m和0.6m。图像长5501像素,宽3377像素,其Pauli分解的伪彩色合成图如图2所示。根据谷歌地图上截取的光学图可知,该地区主要的地物类型包括海洋、森林、农作物、船只和城镇。由于光学图与实验图像的获取时间不同,地物的类型之间会存在轻微差异。
2、实验内容和分析
对极化SAR图像,基于两阶段目标分解模型的极化SAR图像特征提取方法,结果如图3-图6所示。利用UAVSAR实验数据得到的第一阶段目标分解结果如图3-图4所示,其中图3为散射对称功率P
第二阶段将散射对称部分和散射非对称部分继续分解,其中散射对称部分P
可以发现,对于森林区域,其森林冠层具有较强的后向散射,灰度值较高且纹理呈斑点状,主要散射机制为体散射成分,因此在目标分解中多表现为绿色。农田区域在图像上一般表现为灰度值较小的深色区域,这是由于农田区域较为平整,雷达接收到的散射回波相对较少,其散射机制以表面散射成分为主。建筑区域由于其存在人为建造的过程,其结构较为复杂,因此其表现也受多种因素影响,包括建筑物本身的性质如建筑物材质以及建筑物的大小结构、电磁波入射角、分辨率等。总得来说,其存在大量二面角形的结构特点,空间纹理的分布起伏较大,没有一定的规律。在极化SAR图像中一般体现为偶次散射,同时由于建筑区域复杂的空间排布,导致其也存在较多的体散射成分。因此在伪彩色合成图中通常显示为白色或紫色。对于海洋区域,光滑平静的海水表面后向散射较弱,水体的回波少,因此其主要散射成分表现为表面散射,灰度值较小。然而,在获取图像时,海面并不是平静的,从图中海洋区域的纹理能够看出,此时的图像具有大量的波浪存在,这些波浪具有明显的结构和纹理,导致其散射特性发生变化,存在更多的散射非对称成分。
本发明的结果显示,除了海洋区域能够发现具有相对较高的散射非对称成分以外,海浪的复杂纹理结构也会致使其存在更多的散射非对称成分,这也说明了所提方法可以针对不同状态的地物进行更细致的描述。实验结果说明了本发明能够较好地提取不同地物的散射信息,同时增加了更具有代表性的散射成分,更详细地分解了散射非对称部分,对分析不同地物的散射特性起到了很大的作用,有效区分各种类型的地物。
尽管本发明的内容已经通过上述优选实施例作了详细介绍,但应当认识到上述的描述不应被认为是对本发明的限制。在本领域技术人员阅读了上述内容后,对于本发明的多种修改和替代都将是显而易见的。因此,本发明的保护范围应由所附的权利要求来限定。
- 一种基于极化散射特征的全极化SAR卷积神经网络分类方法和装置
- 一种基于极化特性驱动的全极化SAR图像舰船检测方法