专利名称：一种基于散射矩阵的相干目标分解方法
技术领域：
本发明涉及全极化SAR图像数据处理领域，尤其涉及一种基于散射矩阵的相干目标分解方法。
背景技术：
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。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Mokes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。当基本散射体被任意的，但具有确定极化态的发射信号照射时，都会反射雷达信号，而散射矩阵包含能够预测反射信号的所有信息。在线性极化基下，散射矩阵可以表示为5=(^" ^12 Lsij e C, i, j e {1,2}(1)基于雷达目标的两个基本特性一互易性和对称性，Cameron提出了一种相干目标分解方法^ = a[cos ^ret (cos ^max +sin ^min) +Sin^inJ(2)其中及是散射矩阵玄的向量形式，&表示非互易散射分量散射矩阵，之3)(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。^^ (o<erec<^)
°min2
是散射矩阵与互易子空间Wm。之间的夹角，表示散射矩阵服从互易性原理的程度。 r (O^r 表示互易散射分量的对称程度。分解之后，Cameron将最大对称散射分量以归一化的复向量λ来表示^niax = αβ'ΡΚ(ψ)Α(ζ) , a e IR+, ρ , ψ e (- ji , ji ](3)其中
权利要求
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511获取目标区域的全极化SAR图像数据；512提取所述全极化SAR图像数据的散射矩阵&其中
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，设定限制条件为戎二疼+ f。
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^ = max ，其中λ_表示λ 2的最大值，Xmin表示λ3的最小
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，设定限制条件为也=病士 f。
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。
全文摘要
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。
文档编号G01S7/41GK102262223SQ20101018917
公开日2011年11月30日 申请日期2010年5月26日 优先权日2010年5月26日
发明者张红, 李洪忠 申请人:中国科学院对地观测与数字地球科学中心