一种改进的极化干涉SAR植被高度联合反演方法与流程

本发明属于遥感图像处理技术领域，涉及一种改进的极化干涉sar植被高度联合反演方法。

背景技术：

合成孔径雷达(sar)作为一种先进的微波遥感手段，具有全天候、全天时、分辨率高、大面积覆盖等优势。极化sar和干涉sar是传统sar系统的重要分支。极化sar通过观测不同收发极化组合下的回波信息，区分物体的细致结构、目标指向及物质组成等参数来更加系统全面地反映目标的后向散射特性，从而获得丰富全面的地物信息。干涉sar通过空间位置略有差异的两个点对目标成像，利用两幅图像对应点的相位差可以获取目标垂直方向的高度信息。极化干涉sar是将极化sar和干涉sar结合于一体的新型遥感技术，同时具有极化sar能够区分目标散射体细致结构和干涉sar能够获取目标高程信息的优点，极化干涉sar能够提供更为丰富的极化信息和高程信息，大大拓宽了sar的应用领域。

森林生态系统在全球碳循环过程和大尺度环境变化准确监测中起着极其重要的作用，而森林高度的地面测量不仅昂贵、费时，并且难以获得大面积数据。极化干涉sar技术的出现为该问题提供了有效的解决途径。极化干涉sar地表植被参数反演是指对场景内的地物植被进行参数估计，通常用于森林区域的植被高度信息提取。随着越来越多的极化干涉sar系统投入使用，获得的森林区域极化干涉sar图像越来越丰富，现有的植被高度反演方法大都存在反演结果低估高度的缺陷，严重影响了极化干涉sar在森林区域的应用。如何利用这些图像来有效提取森林高度，一直是迫切需要解决的一个难题。

技术实现要素：

为了解决现有的极化干涉sar图像反演方法存在的低估反演高度的缺陷，本发明提供了一种改进的极化干涉sar植被高度联合反演方法。

本发明是通过以下技术方案实现的：

一种改进的极化干涉sar植被高度联合反演方法，包括如下步骤：

步骤一：输入极化干涉sar图像，进行预处理，得到预处理后的极化干涉sar图像；

步骤二：采用基于相位分离相干优化的三阶段算法对预处理后的极化干涉sar图像进行地表相位提取：

a：相位分离相干优化：对预处理后的极化干涉sar图像进行相位分离，得到高、低相位对应的复相干性系数；

b：三阶段算法：①利用hh、hv、vv三种不同极化方式得到的复相干性系数和相位分离得到的高、低相位对应的复相干性系数进行最小二乘拟合，拟合直线与单位圆的交点之一就是地表相位；②根据最大植被偏差准则，选择和体散射相位相距最大的那个点作为地表相位点；

步骤三：基于antropov体散射模型对预处理后的极化干涉sar图像进行极化目标分解，得到体散射成分，提取出冠层相位；

步骤四：根据相位差异法，利用步骤二得到的地表相位和步骤三得到的冠层相位的相位差异初步估计植被高度；

步骤五：采用相干幅度法对步骤四得到的高度进行补偿，实现极化干涉sar图像的植被高度估计。

本发明具有如下优点：

1、本发明应用于遥感图像处理领域，实现极化干涉sar图像植被高度反演。

2、本发明将传统三阶段算法和极化目标分解方法结合，采取了二者的优势，并且利用相位分离技术优化三阶段算法得到的地表相位，同时采用antropov体散射模型优化极化目标分解得到的冠层相位，解决了地表相位和冠层相位估计模糊的问题，提高了极化干涉sar植被高度反演的精度。

附图说明

图1是本发明改进的极化干涉sar植被高度联合反演方法的流程图。

图2是原始极化干涉sar图像hh通道的幅度图像。

图3是复相干性系数在复平面的分布示意图。

图4是植被高度反演的三维成像结果。

图5是本发明的植被反演结果和三阶段反演算法的反演结果对比图。

具体实施方式

下面结合附图对本发明的技术方案作进一步的说明，但并不局限于此，凡是对本发明技术方案进行修改或者等同替换，而不脱离本发明技术方案的精神和范围，均应涵盖在本发明的保护范围中。

具体实施方式一：本实施方式提供了一种改进的极化干涉sar植被高度联合反演方法，如图1所示，具体实施步骤如下：

步骤一：输入极化干涉sar图像，进行预处理，得到预处理后的极化干涉sar图像，其中：

预处理后极化干涉sar图像的极化相干矩阵t6为：

其中，和为pauli基散射矢量：

上式中，每个元素siqp(p,q＝h,v)表示以q极化方式发射，p极化方式接收时的目标后向复散射系数，由极化干涉sar系统获得。i＝1,2表示雷达系统在略微不同视角获得的主、副两幅sar图像，h,v分别表示水平极化和垂直极化方式，<g>表示空域平均。

步骤二：采用基于相位分离相干优化的三阶段算法对预处理后的极化干涉sar图像进行地表相位提取：

a：相位分离相干优化：对预处理后的极化干涉sar图像进行相位分离，得到高、低相位对应的复相干性系数γpdh和γpdl。具体过程如下：

找到式(3)的两个特征向量ωh和ωl使式(4)所示的复相干性的余切值达到最值，它们对应于复平面上具有最大相位差异的两种极化状态。然后根据相干性计算公式(5)，将得到的ωh和ωl分别代入式(5)，可以求得高、低相位所对应的复相干性γpdh和γpdl。

其中，3个3×3复矩阵块是极化相干矩阵t6的一部分，t＝(t11+t22)/2，ω＝ω1＝ω2是与极化状态有关的归一化复投影矢量，λ是相应的特征值，γ是复相干性系数，j是虚数单位，^*t表示共轭转置。

b：三阶段算法：利用hh、hv、vv三种极化方式得到复相干性系数γhh、γhv和γvv，将γhh、γhv、γvv和γpdh、γpdl进行最小二乘拟合，拟合直线与单位圆的交点之一就是地表相位；然后根据最大植被偏差准则，选择和体散射相位相距最大的那个点作为地表相位点。具体过程如下：

对于hh极化方式，投影矢量代入相干性计算公式(5)中，得到对应的复相干性系数γhh；同理，对于hv极化方式，投影矢量ω＝ω1＝ω2＝[001]^t，而对于vv极化方式，投影矢量由公式(5)可以计算出相应的复相干性系数γhv和γvv。然后对已经得到的5个复相干性系数γhh、γhv、γvv、γpdh和γpdl在复平面上进行最小二乘拟合。它们在复平面的分布示意图如图3所示。拟合得到的直线和复平面单位圆相交于两点，其中一个即为所求的地表相位点。

根据最大植被偏差准则，选择离体散射相干点相位距离最大的那个点作为地表相位点，其相位项φ0认为是地表相位，用来进行植被高度提取。这里通常认为，hv极化通道获得的复相干性系数γhv可以表征体散射相干性，用来进行植被偏差准则比较。

步骤三：基于antropov体散射模型对预处理后的极化干涉sar图像进行极化目标分解，得到体散射成分，提取出冠层相位。其中，提取冠层相位的具体过程如下：

将预处理后极化干涉sar图像的互协方差矩阵分解为奇次散射、偶次散射和体散射三种基本散射机理的加权和：

[cint]＝[cs]+[cd]+[cv](6)

其中，为预处理后极化干涉sar图像的互协方差矩阵，这里和是lexicographic基散射矢量：

[cs]为奇次散射协方差矩阵：

其中，ψhv＝ψh-ψv是不同极化方式下的复散射系数相位差，φs是奇次散射的相位项。

[cd]是偶次散射协方差矩阵：

其中，rgh、rth、rgv和rtv是菲涅耳(fresnel)系数，φd是偶次散射的相位项。

应用antropov体散射模型计算体散射相位，首先计算参考协方差矩阵：

其中δ＝<|shh|²>/<|svv|²>，则体散射协方差矩阵可表示为：

[cv]＝fv[cv_refer](11)

其中，φv是体散射的相位项。

根据公式(6)，使该公式等号左右两侧各项对应相等，可以得到

根据式(12)可以提取出体散射相位φv作为冠层相位。

步骤四：根据相位差异法，利用步骤二得到的地表相位和步骤三得到的冠层相位的相位差异初步估计植被高度，具体过程如下：

根据相位差异法，可得植被高度hv表达式如下：

其中，φ0是步骤二求得的地表相位，φv是步骤三求得的冠层相位，kz是有效垂直波数，由极化干涉sar系统获得。

步骤五：采用相干幅度法对步骤四得到的高度进行补偿，实现极化干涉sar图像的植被高度估计，具体过程如下：

在rvog模型中，干涉相干性表达式如下：

其中，是有效地体幅度比，只与极化方式有关，γv是体散射相干性，独立于极化方式，只与消光系数σ和树高hv有关，其表达式如下：

上式中，θ0为极化干涉sar系统均值入射角。

当消光系数σ趋于零时，体散射相干性变成了只与树高hv有关的函数：

因此，可以使用测量的相干幅度估计植被高度。体散射相干γv通常用体散射占优的交叉极化复相干性系数γhv近似，通过相干幅度法获得的植被高度hv表达式如下：

通过相干幅度法获取的植被高度通常用于对其他植被高度估计算法的结果进行补偿。本发明所述的精确高度估计算法将步骤四相位差异法获得的高度和步骤五相干幅度法获得的高度结合，最终求得的植被高度表达式如下：

其中，补偿系数ε取值范围为0.4:0.6。

具体实施方式二：本实施方式中所用实验图像为polsarprosim软件产生的仿真极化干涉sar图像，图像大小为164×141个像素，其hh通道幅度图像如图2所示。该仿真区域树种为落叶林，森林密度为300棵/公顷，平均树高为10m。

对极化干涉sar图像采用本发明所述改进的极化干涉sar植被高度联合反演方法进行植被高度反演，其3维成像结果如图4所示。

对于图像的第78列，本发明改进的极化干涉sar植被高度联合反演方法和三阶段反演算法的高度图像对比结果如图5所示。对于整幅图像，平均高度和均方根误差结果对比如表1所示。

表1

通过图5的反演结果可以看出：改进的极化干涉sar联合反演算法可以获得很好的反演结果。由于引入了相位分离相干优化，获得的地表相位更接近真实情况，并且采用antropov体散射模型，可以更全面精确地描述冠层结构，因而相位差异的结果接近真实植被高度。在算法误差分析上，本发明算法的均方根误差(rems)值为2.03m，而传统的三阶段反演算法的为6.09m。这是因为直线拟合过程中引入了由相位分离相干优化产生的更接近真实情况的两个相干性，拟合的直线更精确。因此，本发明改进的极化干涉sar植被高度联合反演方法不仅提高了反演结果的精度，还大大降低了误差。