一种基于散射矩阵的相干目标分解方法
阅读：141发布：2020-05-12
专利汇可以提供一种基于散射矩阵的相干目标分解方法专利检索，专利查询，专利分析的服务。并且本 发明 公开了一种基于散射矩阵的相干目标分解方法，包括：获取目标区域的全极化SAR图像数据；提取所述全极化SAR图像数据的散射矩阵；将所述散射矩阵分解为三面 角 分量散射矩阵、二面角分量散射矩阵以及旋转45度二面角分量散射矩阵的相干和，公式如下：设定限制条件求解参数λi、φi、ψ；根据分解结果合成图像。本发明的基于散射矩阵的相干目标分解方法将各种相干目标分解方法统一起来、通用性更好，提取的极化参数能够更加准确的反应目标(地物)的散射特征，提高了自动目标识别的准确度。，下面是一种基于散射矩阵的相干目标分解方法专利的具体信息内容。
1.一种基于散射矩阵的相干目标分解方法，其特征在于，包括：
S11：获取目标区域的全极化SAR图像数据；
S12：提取所述全极化SAR图像数据的散射矩阵 其中 S12＝S21；
S13：将所述散射矩阵 分解为三面角分量散射矩阵、二面角分量散射矩阵以及旋转45度二面角分量散射矩阵的相干和，公式如下：
其中， 表示三面角分量散射矩阵、表
示二面角分量散射矩阵，λi、φi分别表示分解后三个分量的强度及相位因子，λi≥0，i＝
1、2、3，R(ψ)表示旋转变换算子，ψ表示目标散射体的定向角；
S14：设定限制条件求解参数λi、φi、ψ；
S15：根据分解结果合成图像。
2.根据权利要求1所述的基于散射矩阵的相干目标分解方法，其特征在于，所述S14步骤中，设定限制条件为ψ＝0。
3.根据权利要求1所述的基于散射矩阵的相干目标分解方法，其特征在于，所述S14步骤中，设定限制条件为
4.根据权利要求1所述的基于散射矩阵的相干目标分解方法，其特征在于，所述S14步骤中，设定限制条件为 其中λmax表示λ2的最大值，λmin表示λ3的最小值， 表示 的最大值。
5.根据权利要求1所述的基于散射矩阵的相干目标分解方法，其特征在于，所述S14步骤中，设定限制条件为
6.根据权利要求1至5之一所述的基于散射矩阵的相干目标分解方法，其特征在于，所述S15步骤后，还包括：
S16：根据合成图像识别目标区域地物类型。
一种基于散射矩阵的相干目标分解方法
技术领域
背景技术
[0002] 目标的极化特征，包括表面粗糙度、对称性、定向性等，主要与它的形状和结构有关，因此极化SAR(synthetic aperture radar，即合成孔径雷达)图像数据能够比单通道SAR数据提供更多的地物信息，并且目标的极化特征能够促进自动目标识别(ATR)算法的发展，其中极化信息的提取方法正是目标分解(TD)，将复杂的散射目标分解为若干较小的基本散射目标的合成。
[0003] 目标分解理论(TD)大致可分为两类：相干目标分解(CTD)以及非相干目标分解(ICTD)。非相干目标分解是针对目标协方差矩阵、相干矩阵、Mueller矩阵或Stokes矩阵的分解，主要包括Huynen分解、Cloude分解以及Freeman-Durden分解等。随着极化和高分辨测量技术的发展，分辨单元越小，它含有的散射中心的数目就越少，应用基于散射矩阵的相干目标分解方法提取的参数就越能准确的反应目标的散射特征。到目前为止，已经有Pauli分解、SDH分解、Cameron分解以及TSVM分解模型等多种经典相干分解方法，且不同的分解方法可以得到相类似的极化参数。
[0005] sij∈C，i，j∈{1，2} (1)
[0006] 基于雷达目标的两个基本特性---互易性和对称性，Cameron提出了一种相干目标分解方法：
[0007]
[0008] 其中 是散射矩阵 的向量形式， 表示非互易散射分量散射矩阵， 和分别表示互易散射分量中最大以及最小对称散射分量散射矩阵。是散射矩阵与互易子空间Wrec之间的夹角，表示散射矩阵服从互易性原理的程度。
表示互易散射分量的对称程度。
表示互易散射分量的对称程度。
[0009] 分解之后，Cameron将最大对称散射分量以归一化的复向量 来表示：
[0010] a∈IR+，ρ，ψ∈(-π，π] (3)
[0011] 其中
[0012] z∈C，|z|≤1
[0013] a是散射矩阵的幅度值，IR+表示非负实数，ρ表示剩余相位，ψ表示散射体的定向角，R(ψ)表示旋转变换算子。复参量z可以用来描述所研究的对称散射体的散射类型，并且可以表示为复平面单位圆内一点。
[0014] 2002年，Touzi证明最大对称散射分量可以表示为如下形式：
[0015]
[0016] 其中 为Pauli基矩阵[Sa]和[Sb]的向量形式，分别表示三面角和二面角散射体。 表示三面角-二面角通道的相位差，在通道相干性很高的情况下，可以提供目标散射体的有用信息。参数η位于区间[0，π/2]，表示在三面角-二面角基下的散射矢量方向，并提供有关最大对称散射部分的散射类型的信息。
[0017] 另外，Cameron曾经指出分解结果中最大与最小对称散射分量存在正交性，而这大大限制了最小对称散射分量的取值范围，对于确定的最大对称散射分量 最小对称散射分量可以表示为：
[0018]
[0019] 上式表明除相位因子φmin之外，最小对称散射分量 的特征可以由最大对称散射分量的对角化参数ψmax确定。
[0020] 本发明人发现，目前尚没有研究分析这些分解模型之间的联系以及相似极化参数之间的差别，没有一个统一的分解方法，应用具有一定的局限性。
发明内容
[0021] 鉴于现有技术的上述问题，本发明的目的是提供一种可以将各种相干目标分解方法统一起来、通用性更好的基于散射矩阵的相干目标分解方法，使得提取的极化参数能够更加准确的反应目标(地物)的散射特征，提高自动目标识别的准确度。
[0022] 为了实现上述目的，本发明提供了一种基于散射矩阵的相干目标分解方法，包括：
[0023] S11：获取目标区域的全极化SAR图像数据；
[0024] S12：提取所述全极化SAR图像数据的散射矩阵 其中 S12＝S21；
[0025] S13：将所述散射矩阵 分解为三面角分量散射矩阵、二面角分量散射矩阵以及旋转45度二面角分量散射矩阵的相干和，公式如下：
[0026] 其中， 表示三面角分量散射矩阵、 表示二面角分量散射矩阵，λi、φi分别表示分解后三个分量的强度及相位因子，λi≥0，i＝1、2、3，R(ψ)表示旋转变换算子，ψ表示目标散射体的定向角；
[0027] S14：设定限制条件求解参数λi、φi、ψ；
[0028] S15：根据分解结果合成图像。
[0029] 作为优选，所述S14步骤中，设定限制条件为ψ＝0。
[0030] 作为优选，所述S14步骤中，设定限制条件为
[0031] 作为优选，所述S14步骤中，设定限制条件为 其中λmax表示λ2的最大值，λmin表示λ3的最小值， 表示 的最大值。
[0032] 作为优选，所述S14步骤中，设定限制条件为
[0033] 作为优选，所述S15步骤后，还包括：
[0034] S16：根据合成图像识别目标区域地物类型。
[0037] 图2是本发明实施例一的基于散射矩阵的相干目标分解方法设定限制条件为ψ＝0的合成图像(对某目标区域的全极化SAR数据)；
[0038] 图3是本发明实施例一的基于散射矩阵的相干目标分解方法设定限制条件为 的合成图像(对某目标区域的全极化SAR数据)与设定限制条件为的合成图像(对某目标区域的全极化SAR数据)的对比图；
[0039] 图4是本发明实施例一的基于散射矩阵的相干目标分解方法设定限制条件为的合成图像(对某目标区域的全极化SAR数据)；
[0040] 图5是本发明实施例一的基于散射矩阵的相干目标分解方法中分解参数分析对比图(从左至右依次为Cameron分解中最大对称散射分量散射类型参数η、Cloudeα-β分解模型中散射类型参数α以及TSVM分解模型散射类型强度αs)；
[0041] 图6是本发明实施例一的基于散射矩阵的相干目标分解方法中分解参数分析对比图(左至右依次为Cameron分解定向角参数|ψ|(消除模糊后)，Cloude分解模型方向角参数β/2)；
[0042] 图7是本发明实施例一的基于散射矩阵的相干目标分解方法中分解参数分析对比图(Cameron分解与TSVM分解模型螺旋性参数)；
[0043] 图8是本发明实施例一的基于散射矩阵的相干目标分解方法中分解参数分析对比图(Cameron分解参数η与TSVM分解模型参数2τm)；
[0044] 图9是本发明实施例一的基于散射矩阵的相干目标分解方法的求解示意图；
[0045] 图10是本发明实施例二的基于散射矩阵的相干目标分解方法的流程图。
具体实施方式
[0046] 下面结合附图详细说明本发明的实施例。实施例中，下标max表示最大值，下标min表示最小值。
[0047] S11：获取目标区域的全极化SAR图像数据；
[0048] S12：提取所述全极化SAR图像数据的散射矩阵 其中 S12＝S21；步骤S11和步骤S12是本领域技术人员熟知的步骤，在此不再赘述。
[0049] S13：将所述散射矩阵 分解为三面角分量散射矩阵、二面角分量散射矩阵以及旋转45度二面角分量散射矩阵的相干和，公式如下：
[0050]
[0051] 其中，表示三面角分量散射矩阵、表示二面角分量散射矩阵，λi、φi分别表示分解后三个分量的强度及相位因子，λi≥0，i＝1、2、3，R(ψ)表示旋转变换算子，ψ表示目标散射体的定向角；该公式可以由公式(4)、(5)带入公式(3)得到。公式(6)的分解模型具有7个未知参量(λi、φi、ψ)，却只有6个方程(分别对应共极化与交叉极化的实部与虚部)，因此该分解模型存在无穷多解。一般而言，事先设定一个限制条件，就可以得到一组解。
[0052] S14：设定限制条件求解参数λi、φi、ψ；
[0053] 情况一：
[0054] 设定限制条件为ψ＝0，则公式(6)可以简化为Pauli分解的形式：
[0055]
[0056] Pauli分解的优点在于它非常简单，相对应的限定条件也非常简单，然而定向角是描述目标散射体的一个重要参数，简单地限定为0(即目标水平定向，Horizontally Orientation)在大部分情况下并不能准确地描述实际情况。
[0057] 在以Pauli分解为基础的Cloudeα-β分解模型中，参数β用来描述目标方向角，在公式(6)的形式下可以描述为：
[0058]
[0059] 根据前面的描述以理论的方式证明上式对于目标方向角的表述是不正确的。
[0060] 情况二：
[0061] 设定限制条件为 如果λ2≥λ3，该分解模型可简化为：
[0062]
[0063]
[0064] 其中 表示螺旋体散射矩阵：
[0065]
[0066] 此时公式(6)正是SDH分解的等价形式。
[0067] 情况三：
[0068] 设定限制条件为：
[0069]
[0070] 当上式满足时， 也达到最大值，此时公式(6)的一、二分量相干和为目标最大对称散射部分，第三分量为最小对称散射部分，即公式(6)的分解模型是对称散射矩阵进行Cameron分解的等价形式。
[0071] 情况四：
[0072] 设定限制条件为：
[0073]
[0074] 当 公式(6)以向量形式表示：
[0075]
[0076] 类似于TSVM方法，将上式映射到Pauli基Sa、Sb、Sc上，得到：
[0077]
[0078] 当限制条件为 时，上式与TSVM分解模型等价。
[0079] 当 时，公式(6)在Pauli基上的映射为：
[0080]
[0081] 当限制条件为 时，上式与TSVM分解模型等价。
[0082] 公式(6)的分解模型没有确定的解，但我们可以在左右旋圆极化基下对它进行简化：
[0083]
[0084]
[0085]
[0086] 从公式(16)不难看出，第一散射分量的两个参数λ1和φ1可以由左右旋分量SRL完全确定，而与限定条件无关，因此对于不同的分解方法，三面角(球)散射分量的强度及相位因子都是完全一致的。另外模型(6)中三分量是相互正交的，因此下式成立：
[0087]
[0088] 其中范数||·||是由内积算子(·，·)定义的：
[0089]
[0090] 又由于λ1与限定条件无关，则λ2与λ3的平方和是常数。
[0091] 将等式(17)与(18)相乘，再以λ22+λ32进行归一化，得到：
[0092]
[0093] 上式可以看作单位圆周上两向量的凸组合，如图10所示。单位圆内的黑点表示等式(21)的左端表达式位置，单位圆周上蓝色两点分别表示向量 和 其中距离黑色点较近的表示 被黑色点分割的两线段长度比 从图2中可以看出，过黑色点的任何一条直线所确定的相位因子φ2，φ3以及两线段长度比都可以作为限制条件进行分解模型(6)的求解。
[0094] 如前所述，SDH分解是限制条件 下分解模型(6)的等价形式，在这种情况下，图2中单位圆上两向量相位差为π，即两向量的连线进过坐标原点。值得注意的是此时比率 达到最大值，而这正是Cameron分解对散射模型(6)的限制条件，因此我们可以得出结论：SDH分解与Cameron分解是相互等价的。
[0095] 在(H，V)线性正交基下，SDH分解可以表示为：
[0096]
[0097] 其中θ是定向角，表示绝对相位，三分量基矩阵表示为：
[0098]
[0099] 因为上式的基矩阵并没有像Pauli基一样进行归一化，且螺旋体分量散射矩阵可以表示为相位差为π/2的二面角与旋转π/4的二面角之和，Cameron分解的三分量强度λi与SDH三分量权重存在如下关系：
[0100]
[0101]
[0102]
[0103] 可以看出，现有的几种经典相干分解模型及其参数区别和联系都可以由公式(6)设定限制条件得到。即公式(6)是一种统一形式的相干分解模型，设定不同的限制条件可以得到不同的分解模型，实际应用中可以根据具体需要设定限制条件，使得提取的极化参数能够更加准确的反应目标(地物)的散射特征，进而提高自动目标识别的准确度。
[0104] S15：根据分解结果合成图像。不同的分解模型合成的图像是不同的，分解模型得到的极化参数反应目标(地物)的散射特征的准确性也不同，与实际情况的相符程度也就不同。因此分解模型的好坏直接关系到合成图像的质量。
[0105] 以下选择L波段ESAR全极化数据进行实验，使用本实施例的分解模型(设定限制条件)进行分解，并对分解结果以及提取参数进行比较分析，验证分解模型的统一性、正确性。ESAR是由德国宇航局(DLR)研制开发的机载极化SAR系统，选取的实验地区(目标区域)位于德国Oberpfaffenhofen，数据获取时间2000年9月30日，实验数据的分辨率2.8米×1.7米。该地区地物类型分布较多，包括森林、城区、机场，以及机场附近多种草地和停车场。如图2所示的设定限制条件为ψ＝0的合成图像(相当于Paul i分解的RGB合成图，其中HH+VV(蓝色)，HH-VV(红色)，2HV(绿色))，图3所示的设定限制条件为的合成图像(相当于Cameron分解的RGB合成图，λ2(红色)，λ3(绿色)，λ1(蓝色))和设定限制条件为 的合成图像(相当于SDH分解的RGB合成图，kd(红色)，kh(绿色)，ks(蓝色))的对比图，图4所示的设定限制条件为 的合成图像(相当于TSVM分解的RGB合成图，λ1(蓝色)，λ2(红色)，λ3(绿色))，各个合成图像中用灰度体现颜色差异。可以看出：
[0106] 1)图2的合成图与图3的两个合成图比较，对于机场跑道以及草地等地物类型相对简单的表面散射区域，两分解结果差别不大，而对于森林、城区以及停车场等区域，由于散射过程变复杂(森林区域多体散射及树干与地面二次散射，城区多螺旋体散射及二面角散射，停车场二面角散射较多)，简单地定义ψ＝0(情况1)使得两种分解结果有了比较明显的差别。
[0107] 2)图3中的两个合成图比较，几乎100％满足公式(24)的对应关系，即Cameron分解和SDH分解的等效性得到了进一步验证。
[0108] 3)图4的合成图与图2的合成图、图3的两个合成图差别较大。这是因为其限制条件与 与其他分解模型差别较大。Touzi对TSVM分解模型求解的方法是首先通过Huynen方法计算目标定向角并消除，然后再进行各个旋转不变参数的计算，但是对于相干目标，Huynen方法与Cloude模型、圆极化法(SDH分解)中计算的方向角差别不大，在这种情况下得到的分解结果与Cloude分解结果差别不大。图4是通过图9所示的模型进行求解的，各个参数的求解顺序如式(25)。
[0109]
[0110] 如图5所示，Cameron分解模型与Cloude分解模型在散射类型参数的表达上差别不大，这是因为Cloude分解模型中α参数是通过公式 得到，而-1
Cameron分解参数η通过公式η＝tan (λmax/λ1)得到，整个区域以自然地物分布为主，即使城镇地区，螺旋体散射也较少，Cameron分解中的最小对称散射分量λmin较小，而且两分解基都满足正交性，使得 从图5可以看出，仅仅依靠散射类型参数来区分不同地物比较困难(如草地与森林)，可以引入二面角-三面角相位差参数 来改进地物分类。TSVM分解模型中三面角分量与旋转45°二面角分量相位差为π/2，则这两分量的相干和可以表示为对称散射空间复平面单位圆圆周上的点，TSVM分解模型散射类型-1
参数αs由公式 得到，而对于Cameron分解η＝tan (λmax/λ1)，
λ2＜λmax，因此图5中参数αs明显小于参数η，仅仅当λmax＜＜λ1，即散射类型参数η→0时，两参数差别较小。
Cameron分解参数η通过公式η＝tan (λmax/λ1)得到，整个区域以自然地物分布为主，即使城镇地区，螺旋体散射也较少，Cameron分解中的最小对称散射分量λmin较小，而且两分解基都满足正交性，使得 从图5可以看出，仅仅依靠散射类型参数来区分不同地物比较困难(如草地与森林)，可以引入二面角-三面角相位差参数 来改进地物分类。TSVM分解模型中三面角分量与旋转45°二面角分量相位差为π/2，则这两分量的相干和可以表示为对称散射空间复平面单位圆圆周上的点，TSVM分解模型散射类型-1
参数αs由公式 得到，而对于Cameron分解η＝tan (λmax/λ1)，
λ2＜λmax，因此图5中参数αs明显小于参数η，仅仅当λmax＜＜λ1，即散射类型参数η→0时，两参数差别较小。
[0111] 如图6所示，从图中可以看出虽然β/2能够反映地物分布的基本趋势，但对于目标散射体，不论螺旋性高或低(即SDH分解中螺旋体分量大或小)，β/2与定向角参数|ψ|均存在一定差异，由于Cameron分解与SDH分解等价性，参数|ψ|与圆极化方法得到的定向角一致，即β/2并不能够准确的反应目标的定向角。
[0112] 如图7所示为，从图中可以清楚的看出两个参数的差别由两参数计算方法的差-1别引起的，Cameron分解中， 而TSVM分解中，τm＝tan (λ3/
λ1)/2，λmin＜λ3，则τ＜τm。另外需要注意的是对于图2所示的草地类型和森林区域不能够区分，与图3中Cameron分解散射类型参数η类似。由前面的分析，TSVM模型中三面角分量与旋转45°二面角分量相位差为π/2，则这两分量的相干和可以表示为对称散射空间复平面单位圆圆周上的点，根据Touzi对于对称散射体的表征，参数2τm可以看作表示三面角与旋转45°二面角相干和的对称散射体的散射类型，此时三面角-二面角相位差为π/2，参数αs则可以描述目标的螺旋性。Cameron分解参数η与TSVM模型参数2τm比较效果如图8所示。
λ1)/2，λmin＜λ3，则τ＜τm。另外需要注意的是对于图2所示的草地类型和森林区域不能够区分，与图3中Cameron分解散射类型参数η类似。由前面的分析，TSVM模型中三面角分量与旋转45°二面角分量相位差为π/2，则这两分量的相干和可以表示为对称散射空间复平面单位圆圆周上的点，根据Touzi对于对称散射体的表征，参数2τm可以看作表示三面角与旋转45°二面角相干和的对称散射体的散射类型，此时三面角-二面角相位差为π/2，参数αs则可以描述目标的螺旋性。Cameron分解参数η与TSVM模型参数2τm比较效果如图8所示。
[0113] 通过参数比较可知，各个分解方法之间虽然存在差别，但都存在相互内在联系。
[0114] 本发明实施例的基于散射矩阵的相干目标分解方法将几种经典相干分解模型统一起来，各个相干目标分解方法的参数的区别和联系也得到体现，因此实际应用中可以根据具体需要设定限制条件，使得提取的极化参数能够更加准确的反应目标(地物)的散射特征，进而提高自动目标识别的准确度。
[0115] 如图10所示的发明实施例二的基于散射矩阵的相干目标分解方法的流程图，在实施例一的基础上，所述S15步骤后，还包括：
[0116] S16：根据合成图像识别目标区域地物类型。
[0117] 由于本发明实施例的基于散射矩阵的相干目标分解方法将各种相干目标分解方法统一起来、通用性更好，提取的极化参数能够更加准确的反应目标(地物)的散射特征，因此可以根据合成图像识别目标区域地物类型，识别准确度也相应地提高。
| 标题 | 发布/更新时间 | 阅读量 |
|---|---|---|
| 多通道相干拉曼散射光学装置和成像系统 | 2020-05-12 | 95 |
| 极化相似度匹配下的极化相干矩阵散射能量分解方法 | 2020-05-14 | 125 |
| 基于光学相干背散射效应的原子气体浓度检测装置及方法 | 2020-05-14 | 606 |
| 用于相干散射CT的射束硬化和衰减校正 | 2020-05-12 | 152 |
| 一种超分辨快速扫描的相干拉曼散射成像方法 | 2020-05-13 | 30 |
| 低相干增强背散射光谱的系统、方法和设备 | 2020-05-13 | 893 |
| 一种集受激布里渊散射与光学相干弹性成像于一体的检测装置 | 2020-05-14 | 265 |
| 一种基于simulink的非相干散射雷达回波模拟方法及系统 | 2020-05-14 | 441 |
| 基于旋转反射面和散射体的匀场消相干装置 | 2020-05-13 | 147 |
| 一种基于散射的消相干匀场装置 | 2020-05-13 | 487 |
高效检索全球专利专利汇是专利免费检索,专利查询,专利分析-国家发明专利查询检索分析平台，是提供专利分析，专利查询，专利检索等数据服务功能的知识产权数据服务商。
我们的产品包含105个国家的1.26亿组数据，免费查、免费专利分析。
分析报告
专利汇分析报告产品可以对行业情报数据进行梳理分析，涉及维度包括行业专利基本状况分析、地域分析、技术分析、发明人分析、申请人分析、专利权人分析、失效分析、核心专利分析、法律分析、研发重点分析、企业专利处境分析、技术处境分析、专利寿命分析、企业定位分析、引证分析等超过60个分析角度，系统通过AI智能系统对图表进行解读，只需1分钟，一键生成行业专利分析报告。
QQ群二维码
意见反馈
意见反馈