CTLR紧缩极化SAR数据散射成分分解方法、装置、设备及介质与流程

ctlr紧缩极化sar数据散射成分分解方法、装置、设备及介质
技术领域
1.本发明涉及合成孔径雷达(sar)遥感技术领域，尤其涉及一种ctlr紧缩极化sar数据散射成分分解方法、装置、设备及介质。


背景技术：

2.合成孔径雷达(synthetic aperture radar，sar)是一种搭载在飞机或卫星上对地面进行遥感观测的主动微波成像传感器。在飞行观测过程中，sar按一定频率不断通过其天线向地面发射电磁波，然后接收地面散射回sar天线的电磁波信号，通过对飞行过程中一段时间接收到的地面散射电磁波信号进行成像处理，即可获得地面的高分辨率微波遥感图像。
3.sar根据发射和接收电磁波极化方式的不同可以分为单极化、双极化、全极化等类型。单极化指发射和接收都采用水平极化(h)或垂直极化(v)；双极化指采用h或v单一极化发射，采用h和v两种极化同时接收；全极化指采用h和v两种极化交替发射，采用h和v两种极化同时接收。其中，全极化数据包含地物完整的电磁散射矩阵，具有最大的极化信息量，但因为需要采用h和v两种极化交替发射，因此观测幅宽受限，仅为单极化和双极化的一半。为了既拥有大的观测幅宽又尽可能多的获取地物的电磁散射特征，紧缩极化被提出。紧缩极化指采用圆极化或45
°
线极化发射，采用h和v两种极化同时接收。紧缩极化在理论本质上仍属于双极化范畴，但因为发射和接收采用了3种不同极化，针对部分地物会有一定观测优势。
4.紧缩极化提出后，如何对其数据进行分解获得地物的各散射成分组成一直是研究的重点之一。针对圆极化发射h和v极化同时接收(circular polarization transmitting linear polarization receiving，ctlr)的紧缩极化sar数据，多种散射成分分解算法相继被提出，典型的，如：m-δ算法、m-χ算法和m-α算法。其中，m-α算法是三种算法中性能最好的，也是使用最广泛的一种算法。m-α算法将ctlr紧缩极化sar数据分解为两个散射成分，第一个成分对应体散射，第二个成分对应面散射和二次散射，两个成分各自的功率占比分别为1-m和m，其中m为极化度。
5.然而，在研究过程中发现，m-α算法具有过高估计体散射问题，也即采用m-α算法分解ctlr紧缩极化sar数据获得的地物的各散射成分功率中，体散射功率占比1-m相较于实际过大了。


技术实现要素：

6.有鉴于此，本发明实施例提供一种ctlr紧缩极化sar数据散射成分分解方法、装置、设备及介质，以解决现有技术中过高估计体散射功率占比的问题。
7.第一方面，本发明实施例提供一种ctlr紧缩极化sar数据散射成分分解方法，所述方法包括：
8.获取圆极化发射水平垂直极化接收ctlr紧缩极化sar数据；
9.调用改进后的m-α算法，对获取的所述sar数据进行散射成分的分解，分解结果中的体散射功率占比为f(1-m)，面散射和二次散射功率占比为1-f(1-m)，其中f(1-m)《(1-m)，m为大于0且小于1的极化度，f(1-m)在1-m＝1处有第一极值1，在1-m＝0处有第二极值0；
10.存储对所述sar数据的散射成分分解结果。
11.进一步的，f(1-m)＝(1-m)n，n为大于1的实数。
12.进一步的，n的范围是(1，3)。
13.进一步的，n＝2。
14.进一步的，调用改进后的m-α算法，对获取的所述sar数据进行散射成分的分解，包括：
15.按照如下公式，计算获取的所述sar数据的各散射成分的功率值：
16.pv＝k1×
g0×
f(1-m)
17.ps＝k2×
g0(1-f(1-m))cos2(α)
18.pd＝k3×
g0(1-f(1-m))sin2(α)
[0019][0020]
其中：
[0021][0022][0023]
g0、g1、g2和g3分别表示获取的所述sar数据stokes矢量的4个实数变量；pv表示体散射功率值、ps表示面散射功率值、pd表示二次散射功率值、表示相位；α是标识面散射和二次散射功率比例的参数；arg(
·
)表示取复数的相位，符号和
“±”
中上面的符号对应左旋圆极化发射的ctlr紧缩极化sar数据情况、下面的符号对应右旋圆极化发射的ctlr紧缩极化sar数据情况；调整系数k1、k2、k3均大于1。
[0024]
进一步的，所述方法还包括：
[0025]
获取真实的sar数据的散射成分分解结果；
[0026]
比较存储的对所述sar数据的散射成分分解结果与真实的sar数据的散射成分分解结果的接近程度。
[0027]
进一步的，获取ctlr紧缩极化sar数据，包括：获取全极化sar数据，仿真生成ctlr紧缩极化sar数据；
[0028]
获取真实的sar数据的散射成分分解结果，包括：调用全极化分解算法，对获取的所述全极化sar数据进行散射成分的分解，将该分解结果作为真实的sar数据的散射成分分解结果。
[0029]
第二方面，本发明实施例提供一种ctlr紧缩极化sar数据散射成分分解装置，所述装置包括：
[0030]
获取单元，用于获取圆极化发射水平垂直极化接收ctlr紧缩极化sar数据；
[0031]
分解单元，用于调用改进后的m-α算法，对获取的所述sar数据进行散射成分的分解，分解结果中的体散射功率占比为f(1-m)，面散射和二次散射功率占比为1-f(1-m)，其中
f(1-m)《(1-m)，m为大于0且小于1的极化度，f(1-m)在1-m＝1处有第一极值1，在1-m＝0处有第二极值0；
[0032]
存储单元，用于存储对所述sar数据的散射成分分解结果。
[0033]
进一步的，分解单元用于调用改进后的m-α算法，对获取的所述sar数据进行散射成分的分解，包括：
[0034]
按照如下公式，计算获取的所述sar数据的各散射成分的功率值：
[0035]
pv＝k1×
g0×
f(1-m)
[0036]
ps＝k2×
g0(1-f(1-m))cos2(α)
[0037]
pd＝k3×
g0(1-f(1-m))sin2(α)
[0038][0039]
其中：
[0040][0041][0042]
g0、g1、g2和g3分别表示获取的所述sar数据stokes矢量的4个实数变量；pv表示体散射功率值、ps表示面散射功率值、pd表示二次散射功率值、表示相位；α是标识面散射和二次散射功率比例的参数；arg(
·
)表示取复数的相位，符号和
“±”
中上面的符号对应左旋圆极化发射的ctlr紧缩极化sar数据情况，下面的符号对应右旋圆极化发射的ctlr紧缩极化sar数据；调整系数k1、k2、k3均大于1。
[0043]
进一步的，所述获取单元还用于获取真实的sar数据的散射成分分解结果；
[0044]
所述装置还包括：比较单元，用于比较存储单元存储的对所述sar数据的散射成分分解结果与获取单元获取的真实的sar数据的散射成分分解结果的接近程度。
[0045]
进一步的，所述获取单元用于获取ctlr紧缩极化sar数据，包括：获取全极化sar数据，仿真生成ctlr紧缩极化sar数据；
[0046]
所述获取单元用于获取真实的sar数据的散射成分分解结果，包括：调用全极化分解算法，对获取的所述全极化sar数据进行散射成分的分解，将该分解结果作为真实的sar数据的散射成分分解结果。
[0047]
第三方面，本发明实施例提供一种电子设备，所述电子设备包括：壳体、处理器、存储器、电路板和电源电路，其中，电路板安置在壳体围成的空间内部，处理器和存储器设置在电路板上；电源电路，用于为上述电子设备的各个电路或器件供电；存储器用于存储可执行程序代码；处理器通过读取存储器中存储的可执行程序代码来运行与可执行程序代码对应的程序，用于执行前述的ctlr紧缩极化sar数据散射成分分解方法。
[0048]
第四方面，本发明实施例提供一种计算机可读存储介质，所述计算机可读存储介质存储有一个或者多个程序，所述一个或者多个程序可被一个或者多个中央处理器执行，以实现前述的ctlr紧缩极化sar数据散射成分分解方法。
[0049]
本发明实施例提供的技术方案，采用了一种新的体散射功率占比降低方法，该方法不再使用单一固定系数，而是使用与极化度m值有关的函数来动态调整缩小比例，具有很
好的散射成分分解性能。
附图说明
[0050]
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其它的附图。
[0051]
图1为本发明实施例提供的一种ctlr紧缩极化sar数据散射成分分解方法的流程图；
[0052]
图2中国gf-3卫星巴尔瑙尔实验数据典型区域选取示意图；
[0053]
图3印度risat卫星旧金山实验数据典型区域选取示意图；
[0054]
图4为本发明实施例提供的一种ctlr紧缩极化sar数据散射成分分解装置的结构示意图；
[0055]
图5为本发明实施例提供的一种电子设备的结构示意图。
具体实施方式
[0056]
下面结合附图对本发明实施例进行详细描述。
[0057]
应当明确，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其它实施例，都属于本发明保护的范围。
[0058]
本发明实施例提供了一种ctlr紧缩极化sar数据散射成分分解方法，该方法可以由对应的ctlr紧缩极化sar数据散射成分分解装置执行，该装置可以被集成在部署有数据交互和数据处理功能的电子设备中。参见图1，该方法具体包括如下步骤101-103。
[0059]
步骤101、获取ctlr紧缩极化sar数据。
[0060]
步骤102、调用改进后的m-α算法，对获取的ctlr紧缩极化sar数据进行散射成分的分解。
[0061]
大量实验显示，采用现有的m-α算法分解ctlr紧缩极化sar数据，得到的体散射功率占比1-m过高，因此如果寻找一个新的更合理的体散射功率占比的话，其值最好小于1-m。本发明实施例中，新的体散射功率占比是一个与1-m有关的函数，即f(1-m)。f(1-m)《(1-m)，其中m为大于0且小于1的极化度。通过分析发现函数f(1-m)有两个极值：
[0062]
第一个极值对应地物仅包含体散射的情况，即1-m＝1，在此情况下假设f(1-m)＝1是合理的：
[0063]
第二个极值对应地物仅包含完全相干散射的情况，此时ctlr紧缩极化sar数据stokes矢量是完全极化的，即1-m＝0，此种情况下假设f(1-m)＝0也是合理的。
[0064]
同时，大量实验还显示，对于实际地物的多视全极化散射，除了体散射成分会产生ctlr紧缩极化sar数据斯托克斯矢量矢量的去极化部分功率外，其余2个以上面散射或二次散射成分的组和也会生成一部分stokes矢量的去极化功率。第二部分去极化功率的大小与面散射和二次散射功率的大小相关，因为面散射和二次散射功率在stokes矢量全部功率中的占比为m，因此假设第二部分去极化功率在全部去极化功率中的占比也为m是合理的；这
个假设的直接推论就是，体散射对应的去极化部分功率占全部去极化功率的比例为1-m。上述两个去极化部分功率的比例正好对应了新的体散射成分功率占比f(1-m)。新的体散射成分功率占比f(1-m)实际等价于将stokes矢量去极化部分功率占比1-m划分为了f(1-m)和1-m-f(1-m)两部分。其中第一部分对应体散射成分，而第二部分是对应由2个以上面散射或二次散射成分组和造成的去极化功率，因此后续也将其功率按α参数确定的面散射和二次散射功率比例分别进行了划分。
[0065]
具体实施时，调用改进后的m-α算法，对获取的ctlr紧缩极化sar数据进行散射成分的分解，包括：
[0066]
按照如下公式，计算获取的ctlr紧缩极化sar数据的各散射成分的功率值：
[0067]
pv＝k1×
g0×
f(1-m)
[0068]
ps＝k2×
g0(1-f(1-m))cos2(α)
[0069]
pd＝k3×
g0(1-f(1-m))sin2(α)
[0070][0071]
其中：
[0072][0073][0074]
g0、g1、g2和g3分别表示获取的所述sar数据stokes(斯托克斯)矢量的4个实数变量，该4个实数变量是紧缩极化数据的基本表示形式，其物理意义为本领域技术人员所公知；pv表示体散射功率值、ps表示面散射功率值、pd表示二次散射功率值、表示相位；α是标识面散射和二次散射功率比例的参数；arg(
·
)表示取复数的相位，符号和
“±”
上面的符号对应左旋圆极化发射的ctlr紧缩极化sar数据情况，下面的符号对应右旋圆极化发射的ctlr紧缩极化sar数据情况；调整系数k1、k2、k3均大于1，使其对应的散射成分功率值在绝对大小上接近于真实值。其中，关于符号和
“±”
，可具体理解为：符号中上面的负号对应左旋圆极化发射的ctlr紧缩极化sar数据情况，下面的正号对应右旋圆极化发射的ctlr紧缩极化sar数据情况；符号
“±”
中上面的正号对应左旋圆极化发射的ctlr紧缩极化sar数据情况，下面的负号对应右旋圆极化发射的ctlr紧缩极化sar数据情况。
[0075]
进一步的，基于上述2个极值，可以确定[1-m,f(1-m)]曲线的两个端点为[0,0]和[1,1]。因此，本发明实施例可设定f(1-m)的具体形式如下：
[0076]
f(1-m)＝(1-m)n[0077]
其中，n是一个实数。因为f(1-m)需要小于1-m，因此n需要大于1。经大量实验发现如果n的值大于3，则会使得分解结果中的体散射功率占比过低，因此可以确认n的合理值域范围是(1,3)。典型的，在本发明实施例中，n＝2，即新的体散射功率占比为(1-m)2，经验证(1-m)2的值域仍然是[0,1]，且其始终小于1-m。当n＝2时，上述公式中的调整系数k1、k2、k3均等于2。
[0078]
改进后的m-α算法具有一个重要属性：分解过程中无极化信息丢失，其输出可以完整重建输入。例如，当f(1-m)＝(1-m)2且调整系数k1、k2、k3均取值为2时，能够完全将分解结
果这一输出按照如下公式计算恢复得到ctlr紧缩极化sar数据stokes矢量的4个实数变量g0、g1、g2和g3、极化度m以及参数α：
[0079]
g0＝(pv+ps+pd)/2
[0080][0081][0082]
g1＝mg
0 sin2αcosφ
[0083][0084]
g3＝
±
mg
0 cos2α
[0085]
现有m-α分解算法如下：
[0086]
pv＝(1-m)g0[0087]
ps＝mg0cos2(α)
[0088]
pd＝mg
0 sin2(α)
[0089][0090]
本发明实施例中改进后的m-α分解算法的3个改进点。首先，最显著的改进在于其分解结果中的体散射功率占比由原m-α分解的1-m变为了小于1-m的函数f(1-m)；然后相应的面散射和二次散射功率和占比由1-(1-m)＝m变为了1-f(1-m)；最后改进m-α算法将所有散射成分功率都乘以了调整系数，以使得其分解结果与全极化数据分解结果在绝对大小上也具有了可比性。
[0091]
步骤103、存储对ctlr紧缩极化sar数据的散射成分分解结果。
[0092]
在以上方案的基础上，本发明实施例提供的ctlr紧缩极化sar数据散射成分分解方法还包括如下步骤：
[0093]
获取真实的sar数据的散射成分分解结果；
[0094]
比较存储的对ctlr紧缩极化sar数据的散射成分分解结果与真实的sar数据的散射成分分解结果的接近程度。
[0095]
通过比较利用改进后的m-α算法对获取的ctlr紧缩极化sar数据进行散射成分的分解得到的结果与真实分解结果，可以获知改进后的m-α算法的准确性，两个分解结果越接近则表明紧缩极化分解性能越好，反之当两个分解结果差距越大则说明紧缩极化分解性能越差，当差距超过预设阈值时可以根据比较的接近程度调整f(1-m)的具体形式或者修改调整系数k1、k2和k3。
[0096]
示例性的，上述步骤101中获取ctlr紧缩极化sar数据，包括：获取全极化sar数据，仿真生成ctlr紧缩极化sar数据；
[0097]
相应地，获取真实的sar数据的散射成分分解结果，包括：调用全极化分解算法，对获取的全极化sar数据进行散射成分的分解，将该分解结果作为真实的sar数据的散射成分分解结果。
[0098]
以下，以改进的m-α算法如下述计算公式为例：
[0099]
pv＝2g0(1-m)2[0100]
ps＝2g0(1-(1-m)2)cos2(α)
[0101]
pd＝2g0(1-(1-m)2)sin2(α)
[0102][0103][0104][0105]
结合两个具体示例详细说明本发明实施例改进的m-α算法的具体实施方法和实施效果，经实验验证其相比于其它已有紧缩极化分解算法在sar数据散射成分分解性能上存在优势。
[0106]
示例一
[0107]
本示例中使用的实验数据为2018年5月5日中国高分三号卫星(gf-3)对俄罗斯巴尔瑙尔市区及其周边区域观测获得的c波段全极化数据。之所以使用全极化数据是因为基于全极化数据可以仿真生成各类紧缩极化数据从而进行紧缩极化分解实验，同时基于全极化数据和全极化分解算法可以获取地物各散射成分功率占比的真实值，从而为判断各紧缩极化分解结果的好坏提供依据。紧缩极化分解结果中各散射成分功率占比与全极化分解结果中各散射成分功率占比越接近说明紧缩极化分解性能越好，反之则性能越差。
[0108]
具体实验过程如下。
[0109]
(1)由gf-3全极化数据仿真生成ctlr紧缩极化数据
[0110]
将全极化散射矩阵数据经过空间多视和极化滤波变为极化相干矩阵数据后，由极化相干矩阵生成多视ctlr紧缩极化数据的方法如下面公式所示：
[0111][0112]
其中t
ij
为极化相干矩阵t的元素，具体如下
[0113][0114]
大量实例实验显示左旋圆极化发射与右旋圆极化发射的实验结果非常类似，因此后续仅展示右旋圆极化发射的实验结果。
[0115]
(2)多算法紧缩极化分解
[0116]
使用原始m-α算法分解、wang算法分解和本发明实施例改进m-α分解三种算法分别处理上面仿真获得的多视ctlr紧缩极化数据，获得各自分解结果。wang等学者给出了一种分解算法(称之为wang算法)将体散射功率占比缩小为0.65(1-m)。
[0117]
(3)全极化分解
[0118]
使用经典的freeman-durden算法分解处理全极化数据，其分解结果可认为是地物各散射成分功率真实值。
[0119]
(4)对上述四个分解实验结果进行比较分析
[0120]
为了更加定量化分析比较结果，由实验区域选取裸地、森林、城区三种典型地物，具体如图2中的a、b、c三个白色矩形框所示；然后计算矩形框内全部像素各散射功率占比的均值，结果如表1所示。表1中a区域结果的面散射功率占比最高，其中原m-α算法分解的面散射功率占比明显低于其它算法结果，而改进m-α算法分解的面散射功率占比最高，考虑到裸地应以面散射机制为主，因此改进m-α算法的分解结果相对最优。表1中b区域的体散射功率占比最高，这与森林区域以体散射机制为主的物理现实相符；其中改进m-α算法分解的体散射功率占比非常接近freeman-durden算法分解的结果但要稍小，考虑到freeman-durden算法分解具有过高估计体散射问题，因此改进m-α算法分解具有最优的结果；原m-α算法分解的体散射功率占比甚至比freeman-durden算法分解的结果都高，这验证了原m-α算法具有更严重的过高估计体散射问题；wang算法分解的体散射功率占比明显低于其它分解算法,这个较差的结果是无法接受的，这证明仅使用0.65这一固定系数会造成森林区域体散射估计偏低。表1中c区域二次散射占比最高，这与城区应存在较多二次散射的物理现实相符；改进m-α算法分解和wang算法分解都具有比较接近freeman-durden分解的结果，而原m-α分解的结果明显低于其它分解算法。
[0121]
综上所述，通过散射功率占比定量分析可以获得以下结论：1)原m-α算法分解的面散射功率占比和二次散射功率占比都要明显弱于全极化分解结果，而体散射功率占比过高。2)wang算法分解存在森林区域体散射功率占比估计偏低问题。3)改进m-α算法分解的性能要明显优于原m-α算法分解和wang算法分解，且在结果上非常接近freeman-durden算法分解的结果。
[0122]
表1
[0123]
gf-3卫星巴尔瑙尔实验数据中三个典型地物区域各散射成分功率占比的均值
[0124][0125][0126]
其中span＝ps+pd+pv。
[0127]
示例二
[0128]
本示例中使用的实验数据为2016年8月9日印度risat卫星对美国旧金山市观测获取的实际右旋圆极化发射的ctlr紧缩极化数据，入射角为38.2
°
。将数据进行空间多视后，获得的多视stokes矢量图像包含1384
×
1089个像素点。
[0129]
将原m-α算法分解、wang算法分解和本发明实施例改进m-α算法分解分别应用于该多视紧缩极化数据，
[0130]
并由实验区域选取海洋、森林、城区三种典型地物，具体如图3中d、e、f三个白色矩形框所示；然后计算矩形框内全部像素各散射功率占比的均值，结果如表2所示。因为本景risat数据的全极化数据未知，全极化分解算法无法使用，即无法知道各典型地物区域各散射功率占比的真实值，因此仅进行如下分析。如表2所示，区域d海洋以面散射为主，改进m-α算法分解具有最高的面散射功率占比结果，性能相对最优；区域e森林以体散射为主，wang算法分解的体散射功率占比最低，原m-α分解结果偏高；区域f城区以二次散射为主，改进m-α分解的二次散射功率占比明显优于原m-α分解，但稍低于wang算法分解，不过wang算法分解的体散射功率占比明显高于改进m-α算法分解，综合来看两者性能比较相近。
[0131]
综上所述，通过散射成分功率占比定量分析，可以发现结论与使用全极化数据的仿真实验一致，即改进m-α算法分解的性能相对最优。
[0132]
表2
[0133]
risat卫星旧金山数据中三个典型地物区域各散射成分功率占比的均值
[0134][0135]
其中span＝ps+pd+pv。
[0136]
相应的，本发明实施例还提供一种ctlr紧缩极化sar数据散射成分分解装置，该装置可由软件和/或硬件实现。参见图4，该装置包括：
[0137]
获取单元401，用于获取圆极化发射水平垂直极化接收ctlr紧缩极化sar数据；
[0138]
分解单元402，用于调用改进后的m-α算法，对获取的所述sar数据进行散射成分的分解，分解结果中的体散射功率占比为f(1-m)，面散射和二次散射功率占比为1-f(1-m)，其中f(1-m)《(1-m)，m为大于0且小于1的极化度，f(1-m)在1-m＝1处有第一极值1，在1-m＝0处有第二极值0；
[0139]
存储单元403，用于存储对所述sar数据的散射成分分解结果。
[0140]
进一步的，f(1-m)＝(1-m)n，n为大于1的实数。
[0141]
进一步的，n的范围是(1，3)。
[0142]
进一步的，n＝2。
[0143]
进一步的，分解单元402用于调用改进后的m-α算法，对获取的所述sar数据进行散射成分的分解，包括：
[0144]
按照如下公式，计算获取的所述sar数据的各散射成分的功率值：
[0145]
pv＝k1×
g0×
f(1-m)
[0146]
ps＝k2×
g0(1-f(1-m))cos2(α)
[0147]
pd＝k3×
g0(1-f(1-m))sin2(α)
[0148][0149]
其中：
[0150][0151][0152]
g0、g1、g2和g3分别表示获取的所述sar数据stokes矢量的4个实数变量；pv表示体散射功率值、ps表示面散射功率值、pd表示二次散射功率值、表示相位；α是标识面散射和二次散射功率比例的参数；arg(
·
)表示取复数的相位，符号和
“±”
中上面的符号对应左旋圆极化发射的ctlr紧缩极化sar数据情况、下面的符号对应右旋圆极化发射的ctlr紧缩极化sar数据情况；调整系数k1、k2、k3均大于1。
[0153]
进一步的，获取单元401还用于获取真实的sar数据的散射成分分解结果；
[0154]
本发明实施例提供的ctlr紧缩极化sar数据散射成分分解装置还包括：
[0155]
比较单元404，用于比较存储单元存储的对所述sar数据的散射成分分解结果与获取单元获取的真实的sar数据的散射成分分解结果的接近程度。
[0156]
进一步的，获取单元401用于获取ctlr紧缩极化sar数据，包括：
[0157]
获取全极化sar数据，仿真生成ctlr紧缩极化sar数据；
[0158]
获取单元401用于获取真实的sar数据的散射成分分解结果，包括：
[0159]
调用全极化分解算法，对获取的所述全极化sar数据进行散射成分的分解，将该分解结果作为真实的sar数据的散射成分分解结果。
[0160]
本实施例提供的ctlr紧缩极化sar数据散射成分分解装置与前述ctlr紧缩极化sar数据散射成分分解方法实施例属于同一发明构思，未在本实施例中描述的技术细节可参见前述方法实施例中的相关描述，在此不再赘述。
[0161]
此外，本发明实施例还提供一种电子设备。图5为本发明电子设备一个实施例的结构示意图，可以实现本发明图1所示实施例的流程，如图5所示，上述电子设备可以包括：壳体51、处理器52、存储器53、电路板54和电源电路55，其中，电路板54安置在壳体51围成的空间内部，处理器52和存储器53设置在电路板54上；电源电路55，用于为上述电子设备的各个电路或器件供电；存储器53用于存储可执行程序代码；处理器52通过读取存储器53中存储的可执行程序代码来运行与可执行程序代码对应的程序，用于执行前述任一实施例所述的ctlr紧缩极化sar数据散射成分分解方法。
[0162]
处理器52对上述步骤的具体执行过程以及处理器52通过运行可执行程序代码来
进一步执行的步骤，可以参见本发明图1所示实施例的描述，在此不再赘述。
[0163]
该电子设备可以多种形式存在，包括但不限于：
[0164]
(1)移动通信设备：这类设备的特点是具备移动通信功能，并且以提供话音、数据通信为主要目标；这类终端包括：智能手机(例如iphone)、多媒体手机、功能性手机，以及低端手机等；
[0165]
(2)超移动个人计算机设备：这类设备属于个人计算机的范畴，有计算和处理功能，一般也具备移动上网特性；这类终端包括：pda、mid和umpc设备等，例如ipad；
[0166]
(3)便携式娱乐设备：这类设备可以显示和播放多媒体内容；该类设备包括：音频、视频播放器(例如ipod)，掌上游戏机，电子书，以及智能玩具和便携式车载导航设备；
[0167]
(4)服务器：提供计算服务的设备，服务器的构成包括处理器、硬盘、内存、系统总线等，服务器和通用的计算机架构类似，但是由于需要提供高可靠的服务，因此在处理能力、稳定性、可靠性、安全性、可扩展性、可管理性等方面要求较高；
[0168]
(5)其他具有数据交互和处理功能的电子设备。
[0169]
再者，本发明实施例还提供一种计算机可读存储介质，所述计算机可读存储介质存储有一个或多个程序，所述一个或者多个程序可被一个或者多个中央处理器执行，以实现前述实施例所述的ctlr紧缩极化sar数据散射成分分解方法。
[0170]
需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个
……”
限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
[0171]
本发明实施例中术语“和/或”，描述关联对象的关联关系，表示可以存在三种关系，例如，a和/或b，可以表示：单独存在a，同时存在a和b，单独存在b这三种情况。字符“/”一般表示前后关联对象是一种“或”的关系。
[0172]
本说明书中的各个实施例均采用相关的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。
[0173]
尤其，对于装置实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。
[0174]
为了描述的方便，描述以上装置是以功能分为各种单元/模块分别描述。当然，在实施本发明时可以把各单元/模块的功能在同一个或多个软件和/或硬件中实现。
[0175]
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的程序可存储于一计算机可读取存储介质中，该程序在执行时，可包括如上述各方法的实施例的流程。其中，所述的存储介质可为磁碟、光盘、只读存储记忆体(read-only memory，rom)或随机存储记忆体(random access memory，ram)等。
[0176]
以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到的变化或替换，都应
涵盖在本发明的保护范围之内。因此，本发明的保护范围应以权利要求的保护范围为准。