一种紧缩极化sar数据的五分量功率分解方法及系统,用于雷达目标分解,属于合成孔径雷达目标分解。
背景技术:
1、全极化(fp)sar通过交替发射水平(h)和垂直(v)这两种线极化的电磁信号,获取含有9个独立参数的协方差矩阵,其中,包含丰富的后向散射信息有助于更好地理解目标属性,进而实现土地利用和地形分类等应用,在对地观测中体现出了优势。然而交替发射两种电磁信号的事实造成fp的脉冲重复频率是传统双极化(dp)sar系统的两倍,而数据覆盖面积理论上只有其1/2,复杂的系统设计与维护以及高昂的数据获取成本限制了fp的应用。紧缩极化sar作为一种相干双极化系统,通过发射一种特殊的极化(最常见的为45度倾斜线极化和左右圆极化)实现了同时发射h和v极化,在提供了比传统dp系统更多信息(相对相位)的同时,保留了dp系统相对fp系统的系统复杂度与数据获取成本方面的优势,兼顾了目标信息获取和观测覆盖面积。根据发射和接收极化的不同,紧缩极化sar主要有三种模式,即发射45度线极化接收正交线极化的pi/4模式、发射右旋圆极化接收正交线极化的ctlr模式、以及发射和接收圆极化的dcp模式。在这三种模式中,ctlr模式由于具有旋转不变性、硬件实现简单以及自校准等特点,是目前实际系统中唯一使用的模式,也是最被广泛应用于对地观测应用的紧缩极化sar。
2、目前,紧缩极化sar的数据处理方法主要分为伪全极化重建和紧缩极化功率分解两类。伪全极化重建方法通常是将紧缩极化sar数据重建为全极化协方差矩阵的过程中基于某种隐含假设(如反射对称性)而引入了不确定性,影响了重建精度,因此直接对紧缩极化sar数据进行处理的紧缩极化功率分解方法更受到研究者青睐。紧缩极化功率分解方法主要分为基于波分解定理和基于散射模型两类。基于波分解定理的方法通过极化度参数将总功率分解为完全去极化成分和完全极化成分之和,并将前者视为体散射分量,后者视为表面散射和双弹散射之和。基于模型的方法立足于全极化的模型分解理论,利用全极化与紧缩极化之间的投影转换关系建立紧缩极化sar散射模型,具有明显的物理意义。
3、紧缩极化sar数据只有4个观测量,最简单的经典freeman-durden三分量模型也具有7个未知数。现有紧缩极化散射模型都为三分量散射模型,通过在表面散射或双弹散射主导的情况下固定参数α或β的值,以及在功率为正的限制条件下解出合理的三分量散射功率,对于复杂目标的刻画能力有限。更多分量的紧缩极化散射模型不仅在模型构造上具有难度,而且在模型分解方法上(与三分量模型相比更多的未知数)也具有挑战性。另外,现有紧缩极化功率分解方法大多将总功率中的完全去极化成分等同于体散射功率,即将植被等视为去极化效应的唯一来源,忽略了起伏表面和建筑物等可能引起的去极化效应,造成体散射功率的高估。
4、综上所述,现有技术中紧缩极化sar分解方法存在如下技术问题:
5、1、只能分解出紧缩极化sar图像中的每个像素的散射模型的三个分量,从而造成对复杂目标的刻画能力有限的问题,进而限制了基于紧缩极化sar数据的地物分类、目标检测和识别等应用;
6、2、大多将总功率中的完全去极化成分等同于体散射功率,即将植被等视为去极化效应的唯一来源,忽略了起伏表面和建筑物等可能引起的去极化效应,造成体散射功率的高估的问题,进而影响地物分类和目标识别等应用的准确度,即在地物分类应用中,体散射的高估可能造成部分建筑物和起伏地表被错误地分类为植被;在目标检测和识别中,可能导致目标被误判;
7、3.具有挑战性:紧缩极化sar协方差矩阵只有4个独立参数的事实为构造和解出更多分量(大于3)的散射模型带来了巨大的挑战。
技术实现思路
1、本发明的目的在于提供一种紧缩极化sar数据的五分量功率分解方法及系统,解决只能分解出紧缩极化sar图像中的每个像素的散射模型的三个分量,从而造成对复杂目标的刻画能力有限的问题,进而限制了基于紧缩极化sar数据的地物分类、目标检测和识别等应用。
2、一种紧缩极化sar数据的五分量功率分解方法,包括如下步骤:
3、s1、对获取的紧缩极化sar图像中的每个像素的协方差数据进行预处理,提取各像素的两种主导散射机制鉴别器,其中,主导散射机制鉴别器分别为鉴别器mv和鉴别器g3;
4、s2、根据所提取的各像素的两种主导散射机制鉴别器判断其主导散射机制,其中,主导散射机制包括体散射主导、表面散射主导和双弹散射主导;
5、s3、根据各像素的主导散射机制选择散射模型进行功率分解;
6、s4、对各散射模型进行功率分解,得到五分量功率。
7、进一步,所述步骤s1的具体步骤为:
8、s10、将紧缩极化sar图像中的每个像素的协方差矩阵c2转换为紧缩极化sarstokes矢量sv,其中,协方差矩阵c2为:
9、
10、式中,cxy表示第x行、第y列上的矩阵元素,c11和c22为实数,c12和c21为复数且互为复共轭;
11、紧缩极化sar stokes矢量sv的转换公式具体为:
12、
13、式中,g0表示总功率,g1表示水平或垂直线极化的功率,g2表示45度线极化的功率,g3表示圆极化的功率,re(c12)和im(c12)分别表示c12的实部和虚部;
14、s11、基于紧缩极化sar stokes矢量,提取各像素的鉴别器mv,鉴别器mv具体为:
15、
16、其中,max{a,b}表示取a、b中较大的数;
17、s12、基于紧缩极化sar stokes矢量,提取各像素的鉴别器g3。
18、进一步,所述步骤s2的具体步骤为:
19、步骤s20、判断鉴别器mv是否小于给定阈值,若小于阈值,则像素为体散射主导,否则转到步骤s21;
20、步骤s21、判断鉴别器g3是否小于零,若小于零则像素为表面散射主导,否则,为双弹散射主导。
21、进一步,所述步骤s3的具体步骤为:
22、步骤s30、若像素为体散射主导,则选择散射模型modelv进行功率分解;
23、散射模型modelv具体为:
24、
25、式中,fs、fd和fv分别为表面散射功率、双弹散射功率和体散射功率的权重因子,θ0为平均方向角;
26、步骤s31、若像素为表面散射主导,则选择散射模型models进行功率分解;
27、散射模型models具体为:
28、
29、式中,fvs为表面体散射功率的权重因子,β∈[-1,1]为表面散射的复观测值;
30、步骤s32、若像素为双弹散射主导,则选择散射模型modeld进行功率分解;
31、散射模型modeld具体为:
32、
33、式中,fvd为双弹体散射功率的权重因子,α∈[-1,1]为双弹散射的复观测值。
34、进一步,所述步骤s4的具体步骤为:
35、步骤s40、基于鉴别器mv和散射模型modelv,得到功率ps、pd和pv:
36、
37、默认pvs和pvd为零;
38、因此,得到五分量功率为:
39、
40、其中,ps表示表面散射功率、pd表示双弹散射功率、pv表示体散射功率、pvs表示表面体散射功率、pvd表示双弹体散射功率;
41、步骤s41、基于散射模型models,得到功率ps、pd、和pvs:
42、
43、默认pv和pvd为零;
44、因此,得到五分量功率为:
45、
46、其中:
47、
48、步骤s42、基于散射模型modeld,得到功率ps、pd、和pvd:
49、
50、默认pv和pvs为零;
51、因此,得到五分量功率为:
52、
53、其中:
54、
55、一种紧缩极化sar数据的五分量功率分解系统,包括:
56、提取模块:对获取的紧缩极化sar图像中的每个像素的协方差数据进行预处理,提取各像素的两种主导散射机制鉴别器,其中,主导散射机制鉴别器分别为鉴别器mv和鉴别器g3;
57、判断模块:根据所提取的各像素的两种主导散射机制鉴别器判断其主导散射机制,其中,主导散射机制包括体散射主导、表面散射主导和双弹散射主导;
58、选择模块:根据各像素的主导散射机制选择散射模型进行功率分解;
59、功率分解模块:对各散射模型进行功率分解,得到五分量功率。
60、进一步,所述提取模块的具体实现步骤为:
61、s10、将紧缩极化sar图像中的每个像素的协方差矩阵c2转换为紧缩极化sarstokes矢量sv,其中,协方差矩阵c2为:
62、
63、式中,cxy表示第x行、第y列上的矩阵元素,c11和c22为实数,c12和c21为复数且互为复共轭;
64、紧缩极化sar stokes矢量sv的转换公式具体为:
65、
66、式中,g0表示总功率,g1表示水平或垂直线极化的功率,g2表示45度线极化的功率,g3表示圆极化的功率,re(c12)和im(c12)分别表示c12的实部和虚部;
67、s11、基于紧缩极化sar stokes矢量,提取各像素的鉴别器mv,鉴别器mv具体为:
68、
69、其中,max{a,b}表示取a、b中较大的数;
70、s12、基于紧缩极化sar stokes矢量,提取各像素的鉴别器g3。
71、进一步,所述判断模块的具体实现步骤为:
72、步骤s20、判断鉴别器mv是否小于给定阈值,若小于阈值,则像素为体散射主导,否则转到步骤s21;
73、步骤s21、判断鉴别器g3是否小于零,若小于零则像素为表面散射主导,否则,为双弹散射主导。
74、进一步,所述选择模块的具体实现步骤为:
75、步骤s30、若像素为体散射主导,则选择散射模型modelv进行功率分解;
76、散射模型modelv具体为:
77、
78、式中,fs、fd和fv分别为表面散射功率、双弹散射功率和体散射功率的权重因子,θ0为平均方向角;
79、步骤s31、若像素为表面散射主导,则选择散射模型models进行功率分解;
80、散射模型models具体为:
81、
82、式中,fvs为表面体散射功率的权重因子,β∈[-1,1]为表面散射的复观测值;
83、步骤s32、若像素为双弹散射主导,则选择散射模型modeld进行功率分解;
84、散射模型modeld具体为:
85、
86、式中,fvd为双弹体散射功率的权重因子,α∈[-1,1]为双弹散射的复观测值。
87、进一步,所述功率分解模块的具体实现步骤为:
88、步骤s40、基于鉴别器mv和散射模型modelv,得到功率ps、pd和pv:
89、
90、默认pvs和pvd为零;
91、因此,得到五分量功率为:
92、
93、其中,ps表示表面散射功率、pd表示双弹散射功率、pv表示体散射功率、pvs表示表面体散射功率、pvd表示双弹体散射功率;
94、步骤s41、基于散射模型models,得到功率ps、pd、和pvs:
95、
96、默认pv和pvd为零;
97、因此,得到五分量功率为:
98、
99、其中:
100、
101、步骤s42、基于散射模型modeld,得到功率ps、pd、和pvd:
102、
103、默认pv和pvs为零;
104、因此,得到五分量功率为:
105、
106、其中:
107、
108、与现有技术相比,本发明的优点在于:
109、一、本发明中的分解方法能分解出紧缩极化sar图像中的每个像素的散射模型的五个分量(体散射功率pv、表面体散射功率pvs、双弹体散射功率pvd、表面散射功率ps和双弹散射功率pd),采用五个分量能对复杂目标的刻画的更精确;
110、二、本发明将总功率分解为体散射功率pv、表面体散射功率pvs、双弹体散射功率pvd、表面散射功率ps和双弹散射功率pd之和,与其他紧缩极化功率分解方法相比,增加了表面体散射功率pvs和双弹体散射功率pvd这两种成分,分别表征起伏地面和建筑物引起的去极化效应,解决了体散射高估的问题,实现了对复杂目标的更精准刻画。