一种角度优化处理的全极化SAR目标分解方法技术

本发明专利技术提供一种角度优化处理的全极化SAR目标分解方法，读入极化SAR数据，滤波并进行去取向的Yamaguchi四分量分解，获得初始的表面散射分量、偶次散射分量、体散射分量、螺旋散射分量、偶次散射参数、表面散射参数、旋转角度及泛化体散射分量、二面角散射贡献的体散射分量；将T

【技术实现步骤摘要】
一种角度优化处理的全极化SAR目标分解方法
本专利技术属于合成孔径雷达(SyntheticApertureRadar，SAR)图像处理
，更进一步涉及一种角度优化处理的全极化SAR目标分解方法。
技术介绍
极化SAR通过发射和接收电磁波，能够全天时、全天候进行对地观测，为地物目标的解译提供了丰富的散射信息。通过有效的方法确定和理解散射机制，能够极大地提高极化SAR图像在目标检测、地物分类等任务中的能力，使极化SAR在应急抢险救灾、城市分析规划等领域发挥更重要的作用。考虑数据互易性，极化SAR数据可表示为后向散射矩阵S2、极化协方差矩阵C3、极化相干矩阵T3，三者具有唯一对应关系，可相互转化。以极化相干矩阵T3矩阵为例，将T3矩阵分解并与标准散射体(如平面、二面角、螺旋体等)的极化相干矩阵进行比较，可以得到目标的散射机理，即利用目标分解方法，可以基于切合实际物理约束地进行目标散射机制的解译，因此在极化SAR数据处理与目标解译领域受到广泛关注。极化SAR目标分解方法主要可以分为基于特征值的分解方法和基于模型的分解方法。基于特征值的分解方法具有明确的数学意义，且分解得到的特征值唯一；基于模型的分解方法具有较好的物理可解释性，然而其求解过程基于不同的假设条件和模型，因此对基于模型的分解方法的研究始终是极化SAR领域的热点之一。Freeman等人于1998年最先提出Freeman-Durden分解，将目标T3矩阵分解为表面散射、偶次散射和体散射的T3矩阵之和，又称三分量分解。Yamaguchi等人于2005年提出Yamaguchi分解，在三分量的基础上加入螺旋散射分量，形成四分量分解方法(Y4O)。上述两种分解方法是基于模型的分解方法中最为经典的。随后，在Yamaguchi四分量的基础上，学者们针对体散射模型的普适性、体散射分量估计过高等问题对模型进行研究和修改，先后提出了去取向的Yamaguchi四分量分解(Y4R)，扩展体分量的Yamaguchi四分量分解(S4R)，两次角度补偿的Yamaguchi四分量分解(G4U)，泛化的体分量模型(GSVM)等分解方法。然而，现有的基于模型的分解方法仍存在三大问题。其一，基于模型的分解方法往往采用求解方程的方式获得各个成分分量的值，由于未知数小于方程总数，往往仅利用了T3矩阵中的9个变量中的5至8个，T3矩阵中的散射信息没有得到充分利用；其二，体散射分量估计过高；其三，分解过程中存在许多假设和条件分支，使处理流程复杂化。因此，如何充分利用极化SAR原始数据中的全部信息，有效估计各成分分量，同时简化处理过程中的判断和条件分支，是基于模型的分解方法需要解决的问题。
技术实现思路
本专利技术针对现有技术对极化SAR数据进行模型分解时信息利用不充分、体散射分量估计过高，以及处理流程条件分支繁多的问题，提出一种角度优化处理的全极化SAR目标分解方法。通过构建分解损失，以优化求解的方法代替传统求解方程组的方法获得各成分分量所占比重，充分利用T3矩阵中的全部信息。本专利技术的技术方案为一种角度优化处理的全极化SAR目标分解方法，包括以下步骤，步骤1，读入极化SAR数据，若源数据为极化相干矩阵T3，进入步骤2；若源数据为后向散射矩阵S2或极化协方差矩阵C3，则将数据转换为极化相干矩阵T3；步骤2，数据滤波，得到滤波后的极化SAR数据；步骤3，进行去取向的Yamaguchi四分量分解，获得初始的表面散射分量fs、偶次散射分量fd、体散射分量fvol、螺旋散射分量fc、偶次散射参数α、表面散射参数β，以及初始的旋转角度θ，将泛化体散射分量fv初始化为当前的体散射分量fvol，并初始化二面角散射贡献的扩展体散射分量fod＝0；步骤4，利用初始的旋转角度θ，对T3矩阵通过旋转变换获得θ角下的T3矩阵T3(θ)，定义分解模型如下，将T3(θ)矩阵分解为表面散射分量fs、偶次散射分量fd、泛化体散射分量fv、扩展体散射分量fod、螺旋散射分量fc的加权和，如下式，T3(θ)＝fsTOdd+fdTDbl+fvTVol+fodTod+fcTHlx+Trem其中，TOdd为表面散射模型矩阵、TDbl为偶次散射模型矩阵、TVol为泛化体散射模型矩阵、Tod为扩展体散射模型、THlx为螺旋散射模型、Trem为分解残余量矩阵。构建并计算分解模型的重构损失如下，其中，T'ij为残余量矩阵第i行j列的元素：T'11＝fs+fd|α|2+afv-T11(θ),T'22＝fs|β|2+fd+bfv+1/2fc+7/15fod-T22(θ),T'33＝cfv+8/15fod+1/2fc-T33(θ),Re[T'12]＝fsβ*+fdRe[α]+dfv-Re[T12(θ)],Im[T'12]＝fdIm[α]-Im[T12(θ)],Re[T'13]＝Re[T13(θ)],Im[T'13]＝Im[T13(θ)],Re[T'23]＝Re[T23(θ)],Im[T'23]＝1/2fc-Im[T23(θ)]其中，Re[·],Im[·]分别表示取实部和取虚部，*表示共轭运算，重构损失L中，反应了四分量分解后的信息与原始T3矩阵信息损失，反应了四分量分解后各分量功率之和与总功率之差；角度优化处理的优化问题为表示求解最优的一组参数{fs,fd,fv,fod,fc,α,β,θ}，使得重构损失L最小；步骤5，利用梯度下降法求解优化问题，得到最优的一组参数{fs,fd,fv,fod,fc,α,β,θ}；步骤6，利用步骤5获得的表面散射分量fs、偶次散射分量fd、泛化体散射分量fv、螺旋散射分量fc、偶次散射参数α、表面散射参数β、旋转角θ以及二面角散射贡献的扩展体散射分量fod，提取表面散射功率Ps、偶次散射功率Pd、体散射功率Pv、螺旋散射功率Pc，获得四分量分解结果，得到SAR图像的目标特性。而且，步骤2中，采用滤波窗口大小为3x3的boxcar滤波器，对原始极化SAR数据进行滤波，得到滤波后的极化SAR数据。而且，步骤5的实现方式如下，计算重构损失L对表面散射分量fs、偶次散射分量fd、泛化体散射分量fv、螺旋散射分量fc、偶次散射参数α、表面散射参数β、旋转角θ以及二面角散射贡献的扩展体散射分量fod的导数；利用导数值，根据梯度下降算法更新更新表面散射分量fs、偶次散射分量fd、泛化体散射分量fv、螺旋散射分量fc、偶次散射参数α、表面散射参数β、旋转角θ以及二面角散射贡献的扩展体散射分量fod；判断更新的所有参数是否满足边界条件，若不满足则将其设置为边界值；利用更新后的参数重新计算分解模型的重构损失L，若达到收敛条件或达到迭代次数，则进入步骤6，否则重复本步骤直至达到收敛条件或达到迭代次数。而且，步骤6中提取表面散射功率Ps、偶次散射功率Pd、体散射功率Pv、螺旋散射功率Pc，实现本文档来自技高网...

【技术保护点】
1.一种角度优化处理的全极化SAR目标分解方法，其特征在于：包括以下步骤，/n步骤1，读入极化SAR数据，若源数据为极化相干矩阵T

【技术特征摘要】
1.一种角度优化处理的全极化SAR目标分解方法，其特征在于：包括以下步骤，
步骤1，读入极化SAR数据，若源数据为极化相干矩阵T3，进入步骤2；若源数据为后向散射矩阵S2或极化协方差矩阵C3，则将数据转换为极化相干矩阵T3；
步骤2，数据滤波，得到滤波后的极化SAR数据；
步骤3，进行去取向的Yamaguchi四分量分解，获得初始的表面散射分量fs、偶次散射分量fd、体散射分量fvol、螺旋散射分量fc、偶次散射参数α、表面散射参数β，以及初始的旋转角度θ，将泛化体散射分量fv初始化为当前的体散射分量fvol，并初始化二面角散射贡献的扩展体散射分量fod＝0；
步骤4，利用初始的旋转角度θ，对T3矩阵通过旋转变换获得θ角下的T3矩阵T3(θ)，定义分解模型如下，
将T3(θ)矩阵分解为表面散射分量fs、偶次散射分量fd、泛化体散射分量fv、扩展体散射分量fod、螺旋散射分量fc的加权和，如下式，
T3(θ)＝fsTOdd+fdTDbl+fvTVol+fodTod+fcTHlx+Trem
其中，TOdd为表面散射模型矩阵、TDbl为偶次散射模型矩阵、TVol为泛化体散射模型矩阵、Tod为扩展体散射模型、THlx为螺旋散射模型、Trem为分解残余量矩阵。
构建并计算分解模型的重构损失如下，



其中，T′ij为残余量矩阵第i行j列的元素：
T′11＝fs+fd|α|2+afv-T11(θ),
T′22＝fs|β|2+fd+bfv+1/2fc+7/15fod-T22(θ),
T′33＝cfv+8/15fod+1/2fc-T33(θ),
Re[T′12]＝fsβ*+fdRe[α]+dfv-Re[T12(θ)],
Im[T′12]＝fdIm[α]-Im[T12(θ)],
Re[T′13]＝Re[T13(θ)],Im[T′13]＝Im[T13(θ)],
Re[T′23]＝Re[T23(θ)],Im[T′23]＝1/2fc-Im[T23(θ)]
其中，Re[·],Im[·]分别表示取实部和取虚部，*表示共轭运算，

【专利技术属性】
技术研发人员：徐新，杨瑞，桂容，王磊，卜方玲，
申请(专利权)人：武汉大学，
类型：发明
国别省市：湖北;42