專利名稱：基于全極化合成孔徑雷達數(shù)據(jù)的地表分類方法
技術(shù)領(lǐng)域：
本發(fā)明屬于空間SAR遙感信息處理技術(shù)領(lǐng)域，具體涉及一種基于全極化合成孔徑雷達數(shù)據(jù)的地表分類方法。
背景技術(shù)：
用全極化SAR圖像對復(fù)雜地表信息獲取與分類是一項重要的應(yīng)用研究。早期的全極化分類是基于完全相關(guān)的散射矩陣或不相干的多個極化通道的散射數(shù)據(jù)的監(jiān)督分類方法[1]。
van Zyl在1989年發(fā)展了一種無監(jiān)督分類方法[2]，通過將全極化散射數(shù)據(jù)與簡單的奇數(shù)次散射、偶數(shù)次散射和漫散射的散射矩陣對比，根據(jù)相似程度進行簡單的分類。Cloud和Pottier提出一種基于目標(biāo)解析參數(shù)熵的無監(jiān)督分類方法[3]，用Pauli展開和相關(guān)矩陣的特征值分析得到目標(biāo)解析參數(shù)α和熵H，并在α-H平面上建立無監(jiān)督分類譜。Freeman和Durden提出全極化數(shù)據(jù)的三部分分解方法[4]，根據(jù)不同散射機制的特點將全極化散射數(shù)據(jù)分解為粗糙面散射、偶極子散射和二次面散射三部分，用于簡單地表的分類。Lee等發(fā)展了目標(biāo)解析與復(fù)Wishart分類器結(jié)合的無監(jiān)督分類方法[5]，先采用α-H分類平面或者三部分分解方法得到初始分類集，將此分類集作為復(fù)Wishart分類器的監(jiān)督分類的初始集，并進行迭代得到較好的分類效果。
由于地表目標(biāo)的全極化散射受多種因素的影響，比如取向、形狀、介電常數(shù)及散射機制等，怎樣將多種因素的影響從散射信息中參數(shù)化分離出來是全極化測量理論研究的關(guān)鍵問題之一。復(fù)雜地表目標(biāo)的取向往往是隨機分布的，產(chǎn)生散射回波的隨機起伏，使散射目標(biāo)分類不容易明確。兩類本身不同特征不同取向的目標(biāo)，可能產(chǎn)生相類似的散射，不易區(qū)分它們。

發(fā)明內(nèi)容
本發(fā)明的目的在于提出一種計算速度快、分析效率高，且可適用于復(fù)雜地表的地表分類方法。
本發(fā)明提出的地表分類方法，是一種基于全極化合成孔徑雷達數(shù)據(jù)的地表分類方法，其基本步驟為先通過對全極化數(shù)據(jù)的去取向分析，提取對應(yīng)地物的部分空間取向信息；在去除部分取向信息后，再從全極化數(shù)據(jù)中提取表示地表散射特征的特征參數(shù)，這些特征參數(shù)包含特性參數(shù)u、散射機制參數(shù)v、去極化參數(shù)w以及去取向角ψ；根據(jù)上述取向信息和特征參數(shù)，進行地表分類。對于非確定性目標(biāo)的全極化數(shù)據(jù)，本發(fā)明還對其進行了特征值分析，得到熵，以及多個(如3個或4個)確定性目標(biāo)的全極化數(shù)據(jù)，然后繼續(xù)提取前面所述的參數(shù)，用這些參數(shù)即可以進行地表分類和取向分析。
本發(fā)明中，提出了隨機目標(biāo)極化散射去取向分析的概念，首先將隨機起伏的取向信息濾除，使得去取向之后的散射信息集中突出目標(biāo)的其它特征。在此基礎(chǔ)上，再通過取向信息判斷目標(biāo)取向是一致的或隨機的，來作進一步的分類。
本發(fā)明從波傳播方向、極化基及目標(biāo)取向三者之間的幾何關(guān)系，推導(dǎo)了目標(biāo)旋轉(zhuǎn)時目標(biāo)散射矢量的變換公式，并由此提出目標(biāo)全極化散射的去取向分析。通過交叉極化最小化將目標(biāo)變換到一個固定的狀態(tài)或取向，從而將散射信息中部分目標(biāo)取向信息分離，得到表示目標(biāo)實際取向偏離固定取向的角度ψ。
本發(fā)明根據(jù)目標(biāo)散射矢量“直序展開”的簡單直觀等特點，引入?yún)?shù)u，v，w，分別表示去取向后散射矩陣中兩個同極化分量的幅度比、相位差、及交叉極化分量的大小。在u，v，w的特征空間中，產(chǎn)生各種典型特征目標(biāo)的分布。結(jié)合Cloude的目標(biāo)解析理論中的參數(shù)α，在u-v平面上建立u，v與α的關(guān)系。
本發(fā)明根據(jù)目標(biāo)散射矢量的相干矩陣特征值分析，對每個特征矢量作去取向分析，將該方法推廣至非確定性隨機目標(biāo)的情況。對隨機分布目標(biāo)的主散射矢量，即相應(yīng)特征值最大的特征矢量解析，得到的參數(shù)u，v及ψ，用于描述非確定性目標(biāo)的綜合或平均特性。這些參數(shù)再結(jié)合熵H用于表示隨機分布目標(biāo)的特征，并進行分類。
本發(fā)明在數(shù)值模擬分析中，用單個Rayleigh近似非球形小粒子的散射分析粒子各物理參數(shù)(如Euler角、形狀、介電常數(shù))與u，v，ψ的關(guān)系。用隨機分布的非球形粒子云模擬隨機目標(biāo)的散射，驗證隨機分布目標(biāo)主散射矢量中解析參數(shù)u，v，ψ對隨機目標(biāo)平均特征的表征作用。


圖1本發(fā)明的實施例中的u，v，w空間。
圖2本發(fā)明的實施例中的去取向分類方法流程圖。
圖3本發(fā)明的實施例中的單次散射和二次散射的分類譜圖。
圖4本發(fā)明的實施例中的廣東惠陽地區(qū)SIR-C數(shù)據(jù)總功率圖。
圖5本發(fā)明的實施例中的分類決策樹。
圖6本發(fā)明的實施例中的廣東惠陽地區(qū)SIR-C數(shù)據(jù)的u，v，H分類結(jié)果。
圖7本發(fā)明的實施例中的加拿大Boreal地區(qū)AirSAR總功率圖。
圖8本發(fā)明的實施例中的加拿大Boreal地區(qū)AirSAR數(shù)據(jù)去取向分類結(jié)果。
圖9本發(fā)明的實施例中的對應(yīng)圖8中8類地表各自的取向分布。
具體實施例方式
本發(fā)明提出的基于極化合成孔徑雷達數(shù)據(jù)的地表分類方法主要，包含三個步驟A、對全極化數(shù)據(jù)進行去取向分析，提取部分取向信息；B、從去取向后的所述全極化數(shù)據(jù)中提取特征信息；C、根據(jù)所述取向信息和所述特征信息，進行地表分類。
其中第一步是對全極化數(shù)據(jù)做去取向分析，一般雷達得到的全極化數(shù)據(jù)分為非確定性目標(biāo)和確定新目標(biāo)兩種全極化數(shù)據(jù)。
一般全極化數(shù)據(jù)用散射矩陣表示，入射電場矢量Ei、目標(biāo)的散射電場矢量Es和散射矩陣[S]之間滿足關(guān)系Es＝[S]·Ei(1)其中散射矩陣[S]包含四個元素，寫為[S]=ShhSxSxSvv---(2)]]>其中各個元素分別為垂直極化分量Shh、水平極化分量Svv、交叉極化分量Sx。
為解析方便，一般將2×2的散射矩陣[S]矢量化，得到目標(biāo)矢量k。采用不同的基，就有不同的目標(biāo)散射矢量，其中比較重要的兩種基是“Pauli”展開和“直序展開”，分別定義為k‾P=12Shh+SvvShh-Svv2SxT---(3)]]>k‾L=Shh2SxSvvT---(4)]]>其中上標(biāo)T表示轉(zhuǎn)置，下標(biāo)L和P分別代表“Pauli展開”和“直序(Lexicographic)展開”，下標(biāo)h和v分別代表水平和垂直極化，x表示交叉極化。
如果雷達數(shù)據(jù)是多視數(shù)據(jù)，則是非確定性目標(biāo)的極化數(shù)據(jù)，用二階統(tǒng)計特性來描述，可以從數(shù)據(jù)得到等效于Mueller矩陣的相干矩陣[T]或協(xié)方差矩陣[C]。在這種情況下，本發(fā)明的實施例是通過對相干矩陣[T]或協(xié)方差矩陣[C]的特征分析，得到三個特征矢量kP，1，kP，2，kP，3或kL，1，kL，2，kL，3和對應(yīng)特征值λ1，λ2，λ3，[T]=Σi=13λik‾P,i·k‾P,i+,[C]=Σi=13λik‾L,i·k‾L,i+---(5)]]>其中λ1≥λ2≥λ3≥0為特征值，kP，i、kL，i為λi所對應(yīng)的特征矢量，即不相關(guān)目標(biāo)散射矢量。從特征值可以計算得到熵H，計算公式如下H=-Σi=13Pilog3Pi,Pi=λi/Σi=13λi---(6)]]>從每個特征矢量可以計算確定性目標(biāo)的全極化數(shù)據(jù)及散射矩陣[S]，計算公式就是(3)(4)。得到確定性目標(biāo)的全極化數(shù)據(jù)的[S]后，即可以按照確定性目標(biāo)的方法進行后續(xù)處理。
在闡述本發(fā)明的去取向分析具體技術(shù)細節(jié)之前，首先介紹目標(biāo)矢量參數(shù)化的相關(guān)內(nèi)容。目標(biāo)矢量的參數(shù)化可方便于目標(biāo)散射矢量的物理解釋，定義Pauli展開的kP的參數(shù)α、β等，寫成k‾P=||k‾P||cosαejφ1sinαcosβejφ2sinαsinβejφ3T---(7)]]>這里‖·‖表示對矢量取范數(shù)?？梢钥闯?，角度α，β描述Pauli空間中kP各復(fù)分量模值的相對大小，角度φ1，φ2，φ3表示各分量的相位。采用類似的方法對直序展開的kL進行參數(shù)化，寫成k‾L=||k‾L||sinccosa·ejφ0cosc·ejφxsincsina·ej(φ0+2b)T---(8)]]>兩種目標(biāo)矢量即kP(目標(biāo)矢量)和kL(直序目標(biāo)矢量)可以從散射矩陣[S]計算得到，同時也表示兩者可以相互計算，通過已知的一個計算另一個。而(7)、(8)兩式又說明，兩個目標(biāo)矢量的參數(shù)可以相互計算。
從(8)式可見，α表示同極化散射Shh和Svv模值比；b表示同極化散射項Svv和Shh之間的相位差；c表示交叉極化大小。kL的參數(shù)化和去取向分析能提供一種更簡單直觀有效的目標(biāo)特征描述方法。
本發(fā)明所述的去取向，是指通過對目標(biāo)矢量的變換來等效地旋轉(zhuǎn)目標(biāo)，旋轉(zhuǎn)的目的是使得目標(biāo)的交叉極化分量最小，信息都集中在同極化分量上，這樣一來使得不同取向的目標(biāo)可以突出其本質(zhì)區(qū)別，同時可以使得信息更為集中，容易處理。
本發(fā)明提出去取向(Deorientation)的概念，可以去除目標(biāo)取向?qū)ι⑸涞挠绊懚怀鲲@示目標(biāo)本體特性，兩個不同取向而其它特征完全一樣的散射目標(biāo)，在經(jīng)過去取向的轉(zhuǎn)換后，散射信息應(yīng)是完全相同的。
去取向給分類帶來的好處是使得完全隨機取向的目標(biāo)群的特征更加明顯，容易區(qū)別；使得相同目標(biāo)在取向不同的情況下能夠被劃分為一類；不同目標(biāo)在不同取向下可能產(chǎn)生相似的散射而不會誤分為一類。由于自然界物體的取向多呈隨機分布，我們往往更關(guān)注目標(biāo)的本體特征，如種類、形狀等。對于同一類目標(biāo)，采用某特定取向時的目標(biāo)散射矢量來代表該目標(biāo)，即將任意取向的同一類目標(biāo)經(jīng)過一定角度的旋轉(zhuǎn)后都變換到同一取向。
本發(fā)明所述的去取向方法，是將目標(biāo)經(jīng)過一定角度ψ的旋轉(zhuǎn)，使得新的目標(biāo)散射矢量中的交叉極化分量達到最小，稱為交叉極化最小化。這樣，分析將集中在同極化分量上。
設(shè)目標(biāo)旋轉(zhuǎn)矩陣[U][U]==1000cos2ψsin2ψ0-sin2ψcos2ψ---(9)]]>目標(biāo)矢量kP左乘[U]之后得到的新矢量即為旋轉(zhuǎn)角度ψ后的目標(biāo)矢量，稱為去取向后的目標(biāo)矢量kPd，這里上標(biāo)d表示去取向以后，因此去取向的公式如下k‾Pd=[U]·k‾P---(10)]]>根據(jù)去取向的原理，去取向以后的目標(biāo)矢量kPd的第三個元素kP，3d(代表交叉極化分量，見(3)式)達到了最小值，也就是滿足以下式子，minψ|kP,3d|||k‾Pd||=minψ|sinα(-sin2ψcosβcos2ψsinβ·ej(φ3-φ2))·ejφ2|---(11)]]>令ψ∈
，即可解得ψ=[sgn{cos(φ2-φ3)}2β-[2β]π+[tan-1{tan2β|cos(φ2-φ3)|}]π4]π2---(12)]]>這里[x]y表示x對y取余，sgn{·}表示取符號。
在得到去取向后的目標(biāo)矢量kPd后，同樣的反過來就可以計算去取向后的散射矩陣[Sd]，即k‾Pd=12Shhd+SvvdShhd-Svvd2SxdT---(13)]]>以及由[Sd]計算去取向后的直序目標(biāo)矢量kLd，即k‾Ld=Shhd2SxdSvvdT---(14)]]>從去取向后的直序目標(biāo)矢量kLd，再由(8)式可計算得到參數(shù)a，b，c，重新寫為k‾Ld=||k‾Ld||sinccosa·ejφ0cosc·ejφxsincsina·ej(φ0+2b)T---(15)]]>若sin 2a＝0時，(2)式中同極化分量Svv或Shh趨于0，表示其相位差的參數(shù)b無甚意義；若sin2a＝0時，(2)式中兩個同極化分量均趨于0，參數(shù)a，b均無甚意義。鑒于此，定義新參數(shù)u，v，w
u=sinccos2av=sincsin2acos2bw=cosc---(16)]]>可以看出，w反映交叉極化和同極化的相對大?。辉诮徊鏄O化較小時(sin c→1)，u反映了兩個同極化分量的相對大小，v反映了在兩個同極化分量相對大小可比時(sin 2a→1)的相位差。
以參數(shù)u，v，w為軸可以做出如圖1所示的四分之一個球體，球體內(nèi)部的點為可能的參數(shù)分布位置，參數(shù)u，v，w對應(yīng)軸OA，B1B2，OC。由于u≥0和u＜0區(qū)別僅僅在于同極化分量哪個更大，其散射機制相同，因此圖中只畫出u≥0的部分?？梢姡徊鏄O化較大時分布趨向于點C，當(dāng)交叉極化較小時分布點趨向于平面B1B2A；而在平面B1B2A上，當(dāng)同極化分量相對幅度大小相差懸殊時，分布趨向于點A，當(dāng)同極化分量相對幅度大小可比時，分布趨向于線B1B2，；在線B1B2上，隨著同極化分量相位差由小到大從點B1向點B2變化。
容易給出各種經(jīng)典的基本散射體在圖1所示特征空間中的分布，螺旋線散射趨向于點C，偶極子散射趨向于點A，球體散射或面散射趨向于點B1，角散射體散射(二次面散射)趨向于點B2。而O點附近為特殊材料散射或者復(fù)雜多次散射。
在u，v，w中，w→1說明目標(biāo)為螺旋狀；w→0，|u|→1說明目標(biāo)為偶極子；w→0，|u|→0，v→1說明目標(biāo)為球形；w→0，|u|→0，v→-1說明目標(biāo)為二次面散射；w→0，|u|→0，v→0說明目標(biāo)為特殊材料或者復(fù)雜的多次散射。而ψ為目標(biāo)實際取向偏離交叉極化最小時取向的角度。
綜上所述，本發(fā)明的去取向分析得到部分取向信息去取向角ψ，由(12)計算；特征信息包含特性參數(shù)u、散射機制參數(shù)v、去極化參數(shù)w，由(16)計算。
這些參數(shù)的計算步驟總結(jié)如下(1)先從極化數(shù)據(jù)得到散射矩陣[S]，然后由(3)式計算目標(biāo)矢量kP；(2)按照(7)式對目標(biāo)矢量kP進行參數(shù)化得到α，β，φ1，φ2，φ3；(3)然后根據(jù)(12)式計算去取向角ψ；(4)接著根據(jù)(9)(10)式對目標(biāo)矢量去取向kP，得到去取向后的目標(biāo)矢量kPd；(5)從去取向后的目標(biāo)矢量kPd，根據(jù)(13)(14)兩式計算去取向后的直序目標(biāo)矢量kLd；(6)按(15)式對去取向后的直序目標(biāo)矢量kLd參數(shù)化得到a，b，c；(7)最后按(16)式計算去取向特征參數(shù)u，v，w。
另外，如果極化數(shù)據(jù)為非確定性目標(biāo)的全極化數(shù)據(jù)時，前面已經(jīng)提到，以通過(5)式計算得到三個特征矢量即目標(biāo)矢量，而根據(jù)(6)式可以得到熵H。
由于特征矢量相互正交，因此在隨機目標(biāo)特性比較均一的情況下，如單層植被的散射來自葉子散射組成，第一特征值較其余特征值大得多，目標(biāo)主要由第一特征矢量反映出來。在隨機目標(biāo)包含多種不同散射機制的情況下，如高層樹木散射既包含樹冠葉子散射又包含來自粗糙地面的面散射以及地面到樹干的二次散射等多次散射，第二、第三特征值向第一特征值靠近，每個特征矢量對應(yīng)某種散射機制，各個特征矢量均包含各自的信息。而按概率求平均的方法可能抹蓋了各自含有的信息，比如兩種完全不同的散射機制經(jīng)過求平均之后可能變成第三種散射機制。
根據(jù)這一情況，本發(fā)明選擇最大特征值所對應(yīng)的特征矢量即第一特征矢量進行去取向分析，得到目標(biāo)解析參數(shù)，以判定目標(biāo)的主要散射機制和特性。本發(fā)明將表征隨機分布目標(biāo)平均特性或主要特性的第一特征矢量稱為目標(biāo)主特征矢量。
因此，從非確定目標(biāo)的全極化數(shù)據(jù)計算確定性目標(biāo)的全極化數(shù)據(jù)的方法如下從第一個特征矢量kP，1計算所述垂直極化分量Shh、水平極化分量Svv、交叉極化分量Sxk‾P,1=12Shh+SvvShh-Svv2SxT---(17)]]>根據(jù)上述步驟得到的特征參數(shù)進行地表分類，具體方法如下先按所述散射機制參數(shù)v從高到低分為二次散射、三次及以上散射、一次散射三類；對于每一類，再按所述熵H從高到低分為至少兩個子類；對于每一子類，再按所述特性參數(shù)u的絕對值從高到低分為至少兩個亞子類。
對于每一亞子類，在按所述去取向角ψ的分布情況，分為至少兩個超子類。
將所述熵H、特性參數(shù)u、散射機制參數(shù)v、去取向角ψ作為地表特征輸入分類器進行聚類得到地表分類結(jié)果。
在本發(fā)明的一個實施例中，通過理論模擬來分析去取向分類方法的可靠性和各個參數(shù)的意義。
考慮單個非球形粒子散射的情況，由理論模擬，我們建立粒子各個物理特征參數(shù)與目標(biāo)解析參數(shù)u，v的關(guān)系。模擬結(jié)果顯示當(dāng)粒子形狀從盤狀扁橢球向球形變化時，|u|單調(diào)減??；當(dāng)粒子形狀從球形向針狀長橢球變化時，|u|單調(diào)變大，可見|u|反映了粒子形狀特征。而當(dāng)粒子長軸與視線夾角ξ0從0→π/2時，對于針狀或者盤狀粒子，|u|均單調(diào)增大，而對于球形粒子則|u|保持不變?？梢妡u|反映的是粒子在視線方向投影形狀的不對稱性，因此本發(fā)明稱之為特性參數(shù)，反應(yīng)目標(biāo)本身的一些物理幾何特性。
我們還模擬了隨機分布的非球形粒子云的情況，結(jié)果顯示，去取向角ψ與粒子的平均取向之間滿足理想的線性關(guān)系。另外，計算結(jié)果顯示，隨著粒子分布的隨機，H增大，它反映了目標(biāo)隨機程度增加。
此外，我們還模擬了自然地表散射，包括五種典型的地表類型海面、地面、兩種不同植被、森林。
從上述各種地表的|u|-H分布看出土壤地面和海面以面散射為主，由于散射機制單一，H較??；地面越粗糙H越大。隨植被體散射增強，H增大，特別是厚層的樹林植被，H最大。在樹林從稀疏變到茂密，其散射機制從樹干散射為主到樹冠散射為主，H先逐漸變大，再到成分均一分布均勻的樹冠散射時，又略為變小。土壤地表和海面介電特征不同，使得u不同，在|u|上錯開分布。植被的粒子取向變得隨機后，散射粒子的平均對稱性增強，|u|變?。恢脖?和植被2的特征不同，因此在|u|上也錯開分布。而樹林茂密樹葉隨機分布，使H明顯增強。
樹林植被的散射包括下墊粗糙面的面散射M0，樹干與樹葉的體散射M1，經(jīng)過下墊面到樹干樹葉的二次散射M2，經(jīng)過下墊面到樹干樹葉再到下墊面的三次散射M3。從這些散射項在在|u|-v平面上的分布可以看出，單次散射位于v＞0，二次散射位于v＜0，三次散射由于多次散射增強交叉極化分量而接近v＝0。這是由于三次及以上的復(fù)雜多次散射在去取向后其交叉極化分量仍然很大，使v趨向于0。因此，本發(fā)明稱參數(shù)v為散射機制參數(shù)，反應(yīng)地表的散射機制類型。
樹林由疏到密的變化過程中總散射效應(yīng)M顯示在|u|-v平面上，可以明顯看出，總散射M從樹干散射M2變化到樹冠散射M1的過程。
從模擬結(jié)果看出，H可以用于區(qū)分其層次結(jié)構(gòu)從簡單到復(fù)雜的不同地表，u可以用于區(qū)分相同層次結(jié)構(gòu)而特征不同的地表，v可以用于區(qū)分單次散射和二次散射以及多次(三次及以上)散射的地表。
關(guān)于上述理論模擬的具體細節(jié)參見文獻[6]。
本發(fā)明的另一個實施例，是用美國噴氣推進實驗室的SIR-C數(shù)據(jù)進行對廣東惠陽地區(qū)的分類。
由u，v，H將地表分為不同類別，再在每類中由ψ分析地表目標(biāo)的取向分布情況，比如隨機分布、一致分布，可以利用取向信息進一步區(qū)分容易混淆的特殊地表，或者按取向分布特征細化分類。分類流程如圖2所示。
按照u，v，H值將地表分類19類，其中單次散射(v＞0.2)分為9類，二次散射(v＜-0.2)分為9類，多次(三次及以上)散射(-0.2≤v≤0.2)分為1類。在地表分類中，除了植被樹林散射中多次散射較顯著外，一般情況下只考慮單次和二次。圖3給出了單次散射和二次散射情況下的分類譜。
H反映了地表的隨機程度，u反映了地表的形狀、質(zhì)地，v反映了地表的散射機制。據(jù)此，在圖3中對于單次散射按照H＜0.5、0.5≤H≤0.8、H＞0.8分為表面、覆蓋層、樹林，其中樹林的單次散射來自樹冠。因此單次散射為主的樹林為茂密樹林，各類進一步按照|u|＜0.3、0.3≤|u|≤0.7、|u|＞0.7細分為3類。對于二次散射，按照H＜0.5、0.5≤H≤0.8、H＞0.8分為簡單城區(qū)、復(fù)雜城區(qū)、樹林，其中樹林的二次散射來自樹干和地面的相互作用，因此二次散射(樹干+地面)為主的樹林為稀疏樹林。同樣的，各類進一步按照|u|＜0.3、0.3≤|u|≤0.7、|u|＞0.7細分為3類。
在實際分類應(yīng)用中，上述分類閾值是可以調(diào)整的。另外，對于不同波段，由于波長不同，因此目標(biāo)的散射特性也會發(fā)生變化，分類結(jié)果也會不同，比如同一疏密程度的樹林在L波段散射以樹干和地面的二次散射為主，而在C波段則以樹冠為主。
用噴氣推進實驗室(JPL)合成孔徑雷達SIR-C 1994年對中國廣東省惠陽地區(qū)的全極化數(shù)據(jù)(L波段)進行基于去取向分析的地表分類。圖4為該地區(qū)全極化數(shù)據(jù)的總功率圖。
按如下決策樹方法(圖5)將地表分為8類林地(Timber)，第二類城區(qū)(Urban2)，第一類城區(qū)(Urban1)，第二類覆蓋層(Canopy2)，第一類覆蓋層(Canopy1)，第三類表面區(qū)(Surface3)，第二類表面區(qū)(Surface2)，第一類表面區(qū)(Surface1)。初步分類結(jié)果受噪聲影響較大，因此最后進行窗口大小為5×5的聚類分析，我們的u，v，H最終分類結(jié)果如圖6所示。通過與實際地物的對比，分類結(jié)果較滿意。從分類結(jié)果上看，參數(shù)u，v，H的分類性能較好，比如u，v，H對于地面和海面的區(qū)分、市區(qū)和郊區(qū)的區(qū)分、及海濱和林地的區(qū)分能力都很好。
本發(fā)明的另一個實施例，是用美國噴氣推進實驗室的AirSAR數(shù)據(jù)對加拿大的Boreal地區(qū)分類，并且還根據(jù)去取向角進行取向分析，細化分類。
為進一步分析不同取向的各種類型地表目標(biāo)，我們選取植被種類較豐富的加拿大Boreal地區(qū)的AirSAR全極化數(shù)據(jù)(L波段)(圖7總功率圖)，作去取向分類和取向分析，該地區(qū)主要以針葉林為主(Plummer and Curran 1998)。
圖8分別為我們選取的這個區(qū)域去取向分類結(jié)果圖。這里采用的分類方法和分類譜與圖2所示的方法完全相同，最后還進行了9×9的聚類分析。對于某些特殊地表，由于其散射相似而難以分類，這時就需要通過取向分析進行進一步的確認。
圖9給出了對應(yīng)圖8中8類地表的取向分布圖。圖中對應(yīng)某一像素位置的小線段的取向角等于該像素的去取向參數(shù)ψ。每一個4×4的窗口只取中間一個像素。可以看出1.林地(Timber)的大部分區(qū)域取向分布隨機(如Timber中A區(qū)域的小線段取向混亂)，小部分區(qū)域取向一致(如Timber中B區(qū)域的小線段均豎直)；2.第二類城區(qū)(Urban2)的取向較統(tǒng)一的落在水平豎直兩個方向，如Urban2中C區(qū)域的小線段要么豎直要么水平，這是由于人工建筑一般較有規(guī)律；3.第一類城區(qū)(Urban1)(極其稀疏林地)的趨向統(tǒng)一為豎直，這與光禿的林地取向一致的情況吻合，這進一步說明了該區(qū)域應(yīng)該為稀疏林地，而非人工建筑；4.第一類覆蓋層(Canopy1)取向均很隨機，圖中小線段取向均很混亂，說明該區(qū)域可能以雜亂的灌木叢為主，而圖中D區(qū)域的取向混亂，該區(qū)域?qū)嶋H上應(yīng)該為林中道路，混亂的取向可能是由于路邊的灌木叢所致；5.第二類表面區(qū)(Surface2)的取向明顯可以分為一致豎直(如圖中E區(qū)域)和混亂(如圖中F區(qū)域)兩類，一致水平的區(qū)域可能為水面，取向混亂的則可能為雜草區(qū)域；6.第一類表面區(qū)(Surface1)的取向明顯可以分類一直豎直(如圖中G區(qū)域)和一致水平(如圖中H區(qū)域)，一致水平的區(qū)域可能為水面，一致豎直的則可能為較整齊的草地；7.第二類覆蓋層(Canopy2)、第三類表面區(qū)(Surface3)在圖中分布較少。
經(jīng)過上述取向分析，可以將各類地表進一步確定其類型，或者按照取向特征不同而細化分類。
本發(fā)明的其他實施例中還采用人工智能及圖像處理專用方法進行分類，比如采用人工神經(jīng)網(wǎng)絡(luò)、人工智能聚類分析等，在前述提取的多種參數(shù)基礎(chǔ)上，以這些參數(shù)作為輸入，經(jīng)過這些方法的處理，將地表分類，得到較好的結(jié)果。
參考文獻[1]Zebker H.A.and Van Zyl J.J.(1991)，Image radar polarimetrya review，Proc.IEEE，79(11)1583-1605. van Zyl Z.Z.(1989)，Unsupervised classification of scattering behavior using radarpolarimetry data，IEEE Transactions on Geoscience and Remote Sensing，27(1)36-45. Cloude S.R.and E.Pottier(1996)，A review of target decomposition theorems in radarpolarimetry，IEEE Transactions on Geoscience and Remote Sensing，34498-518. Freeman A.and S.L.Durden(1998)，A three-component scattering model for polarimetricSAR data，IEEE Transactions on Geoscience and Remote Sensing，36963-973. Lee J.S.et al.(2004)，Unsupervised terrain classification preserving polarimetricscattering characteristics，IEEE Transactions on Geoscience and Remote Sensing，42722-731. Xu F.and Jin Y.Q.(2005)，Deprientation of polarimetric scattering targets and applicationof terrain surfaces classification，IEEE Transactions on Geoscience and Remote Sensing，43(10)2351-2365.
權(quán)利要求
1.一種基于全極化合成孔徑雷達數(shù)據(jù)的地表分類方法，其特征在于，基本步驟如下先通過對全極化數(shù)據(jù)的去取向分析，提取對應(yīng)地物的部分空間取向信息，在去除部分取向信息后，再從全極化數(shù)據(jù)中提取表示地表散射特征的特征參數(shù)，這些特征參數(shù)包含特性參數(shù)u、散射機制參數(shù)v、去極化參數(shù)w以及去取向角ψ；根據(jù)上述取向信息和特征參數(shù)，進行地表分類。
2.根據(jù)權(quán)利要求1所述的基于全極化合成孔徑雷達數(shù)據(jù)的地表分類方法，其特征在于當(dāng)所述全極化數(shù)據(jù)為非確定性目標(biāo)的全極化數(shù)據(jù)時，先對其做特征值分析，得到熵，以及多個確定性目標(biāo)的全極化數(shù)據(jù)；然后對所述確定性目標(biāo)的全極化數(shù)據(jù)進行后續(xù)處理。
3.根據(jù)權(quán)利要求1所述的基于全極化合成孔徑雷達數(shù)據(jù)的地表分類方法，其特征在于，所述去取向分析包含以下步驟先根據(jù)下式計算所述去取向角ψψ=[sgn{cos(φ2-φ3)}2β-[2β]π+[tan-1{tan2β|cos(φ2-φ3)|}]π4]π2---(12)]]>這里[x]y表示x對y取余，sgn{·}表示取符號，其中上述各參數(shù)從目標(biāo)矢量KP計算，計算公式如下k‾P=||k‾P||cosαejφ1sinαcosβejφ2sinαsinβejφ3T---(7)]]>‖·‖表示對矢量取范數(shù)，而目標(biāo)矢量KP的各個元素由極化合成孔徑雷達數(shù)據(jù)中的垂直極化分量Shh、水平極化分量Svv、交叉極化分量Sx計算，計算公式如下k‾P=12Shh+SvvShh-Svv2SxT;---(3)]]>然后對目標(biāo)矢量KP做如下變換k‾Pd=[U]·k‾P---(10)]]>其中[U]=1000cos2ψsin2ψ0-sinψcos2ψ---(9)]]>得到去取向后的目標(biāo)矢量KPd，上標(biāo)d表示去取向后。
4.根據(jù)權(quán)利要求3所述的基于全極化合成孔徑雷達數(shù)據(jù)的地表分類方法，其特征在于，所述特征信息計算公式如下u=sinccos2av=sincsin2acos2bw=cosc---(16)]]>其中a，b，c從直序目標(biāo)矢量KLd計算，計算公式如下k‾Ld=||k‾Ld||sinccosa·ejφ0cosc·ejφxsincsina·ej(φ0+2b)T---(15)]]>其中直序目標(biāo)矢量KLd從去取向后的垂直極化分量Shhd、去取向后的水平極化分量Svvd、去取向后的交叉極化分量Sxd得到，計算公式如下k‾Ld=Shhd2SxdSvvdT---(14)]]>其中去取向后的垂直極化分量Shhd、去取向后的水平極化分量Svvd、去取向后的交叉極化分量Sxd從去取向后的目標(biāo)矢量kPd計算得到，計算公式如下k‾Pd=12Shhd+SvvdShhd-Svvd2SxdT---(13)]]>所述去取向后的目標(biāo)矢量Kpd在所述去取向分析中得到。
5.根據(jù)權(quán)利要求2所述的基于全極化合成孔徑雷達數(shù)據(jù)的地表分類方法，其特征在于，對所述非確定性目標(biāo)的全極化數(shù)據(jù)的特征值分析包含如下步驟先計算相干矩陣[T]的特征值λ1≥λ2≥λ3≥0，和對應(yīng)的特征矢量KP，1，KP，2，KP，3，其中所述相干矩陣[T]從所述非確定目標(biāo)的全極化數(shù)據(jù)中得到；然后，按下式計算所述熵HH=-Σi=13Pilog3Pi,Pi=λi/Σi=13λi.---(6)]]>
6.根據(jù)權(quán)利要求5所述的基于全極化合成孔徑雷達數(shù)據(jù)的地表分類方法，其特征在于，從所述非確定目標(biāo)的全極化數(shù)據(jù)計算所述確定性目標(biāo)的全極化數(shù)據(jù)的方法如下從第一個所述特征矢量KP，1計算所述垂直極化分量Shh、水平極化分量Svv、交叉極化分量Sx，公式如下k‾P.1=12Shh+SvvShh-Svv2SxT.---(17)]]>
7.根據(jù)權(quán)利要求1所述的基于全極化合成孔徑雷達數(shù)據(jù)的地表分類方法，其特征在于，先按所述散射機制參數(shù)v從高到低分為二次散射、三次及以上散射、一次散射三類；對于每一類，再按所述熵H從高到低分為至少兩個子類；對于每一子類，再按所述特性參數(shù)u的絕對值從高到低分為至少兩個亞子類。
8.根據(jù)權(quán)利要求7所述的基于全極化合成孔徑雷達數(shù)據(jù)的地表分類方法，其特征在于，對于每一亞子類，在按所述去取向角ψ的分布情況，分為至少兩個超子類。
9.根據(jù)權(quán)利要求6所述的基于全極化合成孔徑雷達數(shù)據(jù)的地表分類方法，其特征在于，將所述熵H、特性參數(shù)u、散射機制參數(shù)v、去取向角ψ作為地表特征輸入分類器進行聚類得到地表分類結(jié)果。
全文摘要
本發(fā)明屬于SAR遙感信息處理技術(shù)領(lǐng)域，具體為一種利用全極化合成孔徑雷達的數(shù)據(jù)進行地表分類的方法。先通過對全極化數(shù)據(jù)的去取向分析，提取對應(yīng)地物的部分空間取向信息；在去除部分取向信息后，再從全極化數(shù)據(jù)中提取表示地表散射特征的特征參數(shù)，這些特征參數(shù)包含特性參數(shù)u、散射機制參數(shù)v、去極化參數(shù)w以及去取向角ψ；根據(jù)上述取向信息和特征參數(shù)，進行地表分類。對于非確定性目標(biāo)的全極化數(shù)據(jù)，本發(fā)明還對其進行了特征值分析，得到熵，以及多個(如3個或4個)確定性目標(biāo)的全極化數(shù)據(jù)，然后繼續(xù)提取前面所述的參數(shù)，用這些參數(shù)即可以進行地表分類和取向分析。本發(fā)明方法，計算速度快，分析效率高，且可適用于復(fù)雜地表的分類。
文檔編號G01S7/02GK1758070SQ200510110259
公開日2006年4月12日 申請日期2005年11月10日 優(yōu)先權(quán)日2005年11月10日
發(fā)明者金亞秋, 徐豐 申請人:復(fù)旦大學(xué)