一种基于拓展G4U的极化SAR图像目标分解方法技术

本发明专利技术公开了一种基于拓展G4U的极化SAR图像目标分解方法，所述方法包括：基于一个与待分解极化SAR图像目标自身相关的判决参数，根据该判决参数在G4U和对偶G4U间自动选择与目标最佳匹配的分解方法，实现了极化SAR图像中未知目标的自适应分解。本发明专利技术的目标分解方法通过一个自适应选择策略，将G4U和对偶G4U有效结合在一起，实现了二者互补效应的最大化，使得对雷达目标的识别和理解更加精确。

【技术实现步骤摘要】
一种基于拓展G4U的极化SAR图像目标分解方法
本专利技术涉及极化SAR图像信息处理领域，特别涉及极化SAR目标分解和基于模型的目标分解领域，具体涉及一种基于拓展G4U的极化SAR图像目标分解方法。
技术介绍
基于模型的极化分解致力于将未知目标的极化相干矩阵[T]在若干标准散射模型上展开，实现对其识别与分类。经典的四分量模型分解方法例如Y4R和S4R都只能实现对相干矩阵[T]七个自由度的解释，仍有两个自由度未使用，对应于T13分量的实部和虚部。为了达到这一目的，Singh等(G.Singh,Y.Yamaguchi,andS.-E.Park,“Generalfour-componentscatteringpowerdecompositionwithunitarytransformationofcoherencymatrix,”IEEETransactionsonGeoscienceandRemoteSensing,vol.51,no.5,pp.3014-3022,May2013)在2013年提出了G4U分解，其通过引入另一个酉变换实现了对T13分量的部分解释，代表着四分量分解的最新水平。模型分解的核心是求解分解平衡方程组，传统Y4R和S4R提供了关于未知参数的五个方程，但这些方程中都未涉及相干矩阵[T]的T13分量，因此无法实现对T13的有效使用。G4U通过数学上的酉变换将Y4R和S4R形成的五个平衡方程中的一个：fSβ+fDα+fVd＝T′12二分为fSβ+fDα+fVd＝T′12+T′13和fSβ+fDα+fVd＝T′12-T1′3两个方程，成功地将T13分量纳入至等式右端，从而使T13分量第一次在四分量分解中得到使用。然而由于这两个方程来源于对同一个方程的二分，因此它们之间并非完全独立，导致最终得到的平衡方程组不再具有唯一解。为此Singh等在G4U中只选择了方程fSβ+fDα+fVd＝T′12+T′13，而放弃了方程fSβ+fDα+fVd＝T′12-T′13。我们前期研究表明，方程fSβ+fDα+fVd＝T′12-T′13也能提供一个合理的解，其与G4U恰好构成对偶形式，基于此发展出了对偶G4U分解，弥补了G4U存在的分解缺陷，提供了对G4U的一个完美补充。G4U和对偶G4U的互补效应体现在，对于一些G4U不适用的目标，对偶G4U恰能得到更好的分解；反之，对于一些对偶G4U不适用的目标，G4U恰能得到更好的分解。那么问题是，对于一个未知目标，如何在不对其进行分解的情况下知道其适用于G4U还是对偶G4U，从而使G4U和对偶G4U的互补效应得到最大发挥。
技术实现思路
本专利技术的目的在于通过一个自适应选择策略，将G4U和对偶G4U有效结合在一起，实现对二者互补效应的最大发挥。为了实现上述目的，本专利技术提出了一种基于拓展G4U的极化SAR图像目标分解方法，所述方法包括：基于一个与待分解极化SAR图像目标自身相关的判决参数，根据该判决参数在G4U和对偶G4U间自动选择与目标最佳匹配的分解方法，实现了极化SAR图像中未知目标的自适应分解。作为上述方法的一种改进，所述方法具体包括：步骤1)读入待分解极化SAR图像的相干矩阵[T]，执行去取向操作获得去取向的相干矩阵[T′]；步骤2)基于步骤1)得到的去取向的相干矩阵[T′]，计算分解参数C，基于C计算分支条件参数BC1和BC2；步骤3)基于步骤2)得到的参数C、BC1和BC2，确定分解参数V，基于V进一步计算判决参数D；步骤4)基于步骤3)得到的判决参数D，若D为正，则执行G4U获得表面散射功率PS、二面散射功率PD、体散射功率PV和螺旋散射功率PC；反之，则执行对偶G4U获得相应的PS、PD、PV和PC。作为上述方法的一种改进，在步骤1)中，若待分解极化SAR图像的相干矩阵[T]为则去取向后的相干矩阵[T′]为：其中[U3(θ)]表示SU(3)旋转矩阵：取向角θ的估计方式如下：作为上述方法的一种改进，所述步骤2)中，参数C的计算方法如下：C＝|Im{T′23}|H(T′33-|Im{T′23}|)其中，H(·)表示单位阶跃函数：其中，t为变量；基于参数C，分支条件参数BC1和BC2的计算方法如下：作为上述方法的一种改进，所述步骤3)中，基于C、BC1和BC2计算分解参数V：判决参数D的计算方法如下：本专利技术的优点在于：1、本专利技术的目标分解方法通过一个自适应选择策略，将G4U和对偶G4U有效结合在一起，实现对二者互补效应的最大发挥；2、在二面散射占优区域，拓展G4U能获得比G4U和对偶G4U更大的二面散射功率；在表面散射占优区域，其能获得比G4U和对偶G4U更大的表面散射功率，实现了1+1>2的效果，是对G4U分解和对偶G4U分解的实质性提升，使得对雷达目标的识别和理解更加精确。附图说明图1是本专利技术的基于拓展G4U的极化SAR图像目标分解方法的总体流程图；图2是本专利技术的基于拓展G4U的极化SAR图像目标分解方法的具体流程图；图3是本专利技术的一个实施例中所采用的待分解极化SAR图像相干矩阵[T]数据Pauli图；图4是本专利技术的实施例中极化SAR图像经本专利技术的方法分解后得到的表面散射功率PS对数化显示(即log10PS)；图5是本专利技术的实施例中极化SAR图像经本专利技术的方法分解后得到的二面散射功率PD对数化显示(即log10PD)；图6是本专利技术的实施例中极化SAR图像经本专利技术的方法分解后得到的体散射功率PV对数化显示(即log10PV)；图7是本专利技术的实施例中极化SAR图像经本专利技术的方法分解后得到的螺旋散射功率PC对数化显示(即log10PC)；图8是本专利技术的实施例中极化SAR图像经本专利技术的方法分解后得到的最终结果；图9是本专利技术的在实施例中的极化SAR数据上，G4U分解和对偶G4U分解在本专利技术的方法分解中的最终选择情况图：白色像素点代表选择G4U的区域，黑色像素点代表选择对偶G4U的区域。具体实施方式现结合附图对本专利技术作进一步的描述。参考图1和图2，本专利技术的一种极化SAR图像的拓展G4U目标分解方法，包括以下步骤：步骤1)、读入待分解极化SAR图像相干矩阵[T]数据，执行去取向操作获得[T′]；步骤2)、基于步骤1)得到的相干矩阵[T′]，计算分解参数C，基于C计算分支条件参数BC1和BC2；步骤3)、基于步骤2)得到的参数C、BC1和BC2，确定分解参数V，基于V进一步计算判决参数D；步骤4)、基于步骤3)得到的参数D，若D为正，则执行G4U获得表面散射功率PS、二面散射功率PD、体散射功率PV和螺旋散射功率PC；反之，则执行对偶G4U获得相应的PS、PD、PV和PC。下面对本专利技术方法中的步骤做进一步描述。在步骤1)中，读入待分解极化SAR图像相干矩阵[T]数据，进行去取向操作获得[T′]；在一个实施例中，所读入的待分解极化SAR图像相干矩阵[T]数据的Pauli图如图3所示，图像尺寸920×456，由加拿大C波段Radarsat-2雷达2008年4月9日获取美国旧金山地区。若读入的目标相干矩阵[T]为去取向后的目标相干矩阵[T′]计算如下：其中[U3(θ)]表示SU(3)旋转矩阵：取向角θ的估计方式如下：基于步骤1)得到的相干矩阵[T′]，在步骤2)中，我本文档来自技高网...

【技术保护点】
1.一种基于拓展G4U的极化SAR图像目标分解方法，所述方法包括：基于一个与待分解极化SAR图像目标自身相关的判决参数，根据该判决参数在G4U和对偶G4U间自动选择与目标最佳匹配的分解方法，实现了极化SAR图像中未知目标的自适应分解。

【技术特征摘要】
1.一种基于拓展G4U的极化SAR图像目标分解方法，所述方法包括：基于一个与待分解极化SAR图像目标自身相关的判决参数，根据该判决参数在G4U和对偶G4U间自动选择与目标最佳匹配的分解方法，实现了极化SAR图像中未知目标的自适应分解。2.根据权利要求1所述的基于拓展G4U的极化SAR图像目标分解方法，其特征在于，所述方法具体包括：步骤1)读入待分解极化SAR图像的相干矩阵[T]，执行去取向操作获得去取向的相干矩阵[T′]；步骤2)基于步骤1)得到的去取向的相干矩阵[T′]，计算分解参数C，基于C计算分支条件参数BC1和BC2；步骤3)基于步骤2)得到的参数C、BC1和BC2，确定分解参数V，基于V进一步计算判决参数D；步骤4)基于步骤3)得到的判决参数D，若D为正，则执行G4U获得表面散射功率PS、二面散射功率PD、体散射功率PV和螺...

【专利技术属性】
技术研发人员：李东，张云华，
申请(专利权)人：中国科学院国家空间科学中心，
类型：发明
国别省市：北京,11