极化SAR图像中目标极化相干特征的增强方法技术

本发明专利技术提供一种极化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。本发明专利技术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。

【技术实现步骤摘要】

本专利技术属于极化SAR(SyntheticApertureRadar，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。
技术介绍
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。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。>
技术实现思路
本专利技术为有效解决极化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。本专利技术的基本思路是：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。这是本专利技术的原理基础。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。本专利技术的技术方案是：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：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。第一步，构建极化散射矢量：设极化散射矩阵为S=SHHSHVSVHSVV,]]>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：kP=12SHH+SVVSHH-SVV2SHVT]]>kL=SHH2SHVSVVT]]>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。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。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，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：其中，旋转矩阵为R3(θi)=1000cos2θisin2θi0-sin2θicos2θi.]]>θi为旋转域中的旋转角，θi=-π,-π+2πN,-π+22πN,...0,2πN,22πN,...,π.]]>N根据实际情况确定，通常可取N＝1000。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：C′(θi)＝A-1T′(θi)A其中，相似性变换矩阵为A=1210110-1020.]]>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，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：|γ(HH+VV)-(HV)(θi)|=|T13(θi)|T11(θi)T33(θi)]]>|γ(HH-VV)-(HV)(θi)|=|T23(θi)|T22(θi)T33(θi)]]>|γHH-VV(θi)|=|C13(θi)|C11(θi)C33(θi)]]>|γHH-HV(θi)|=|C12(θi)|C11(θi)C22(θi)]]>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：|γ(HH+VV)-(HV)(θ)|={|γ(HH+VV)-(HV)(θi)||θi=-π,-π+2πN,-π+22πN,...0,2πN,22πN,...,π本文档来自技高网...

【技术保护点】
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S=SHHSHVSVHSVV,]]>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：kP=12SHH+SVVSHH-SVV2SHVT]]>kL=SHH2SHVSVVT]]>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：=12<|SHH+SVV|2><(SHH+SVV)(SHH-SVV)*><2(SHH+SVV)SHV*><(SHH+SVV)*(SHH-SVV)><|SHH-SVV|2><2(SHH-SVV)SHV*><2(SHH+SVV)*SHV><2(SHH-SVV)*SHV><4|SHV|2>]]>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：=<|SHH|2>2<SHHSHV*><SHHSVV*>2<SHH*SHV>2<|SHV|2>2<SHVSVV*><SHH*SHV>2<SHV*SVV><|SVV|2>]]>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R3(θi)=1000cos2θisin2θi0-sin2θicos2θi;]]>θi为旋转域中的旋转角，θi=-π,-π+2πN,-π+22πN,...0,2πN,22πN,...,π;]]>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：C′(θi)＝A‑1T′(θi)A其中，相似性变换矩阵A=1210110-1020;]]>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：|γ(HH+VV)-(HV)(θi)|=|T13(θi)|T11(θi)T33(θi)]]>|γ(HH-VV)-(HV)(θi)|=|T23(θi)|T22(θi)T33(θi)]]>|γHH-VV(θi)|=|C13(θi)|C11(θi)C33(θi)]]>|γHH-HV(θi)|=|C12(θi)|C11(θi)C22(θi)]]>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：|γ(HH+VV)-(HV)(θ)|={|γ(HH+VV)-(HV)(θi)||θi=-π,-π+2πN,-π+22πN,...0,2πN,22πN,...,π},]]>|γ(HH-VV)-(HV)(θ)|={|γ(HH-VV)-(HV)(θi)||θi=-π,-π+2πN,-π+22πN,...0,2πN,22πN,...,π},]]>|γHH-VV(θ)|={|γHH-VV(θi)||θi=-π,-π+2πN,-π+22πN,......

【技术特征摘要】
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S=SHHSHVSVHSVV,]]>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：
kP=12SHH+SVVSHH-SVV2SHVT]]>kL=SHH2SHVSVVT]]>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：
=12<|SHH+SVV|2><(SHH+SVV)(SHH-SVV)*><2(SHH+SVV)SHV*><(SHH+SVV)*(SHH-SVV)><|SHH-SVV|2><2(SHH-SVV)SHV*><2(SHH+SVV)*SHV><2(SHH-SVV)*SHV><4|SHV|2>]]>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：
=<|SHH|2>2<SHHSHV*><SHHSVV*>2<SHH*SHV>2<|SHV|2>2<SHVSVV*><SHH*SHV>2<SHV*SVV>...

【专利技术属性】
技术研发人员：陈思伟，李永祯，王雪松，肖顺平，
申请(专利权)人：中国人民解放军国防科学技术大学，
类型：发明
国别省市：湖南;43