CN100410683C - 基于全极化合成孔径雷达数据的地表分类方法 - Google Patents

Abstract

本发明属于SAR遥感信息处理技术领域，具体为一种利用全极化合成孔径雷达的数据进行地表分类的方法。先通过对全极化数据的去取向分析，提取对应地物的部分空间取向信息；在去除部分取向信息后，再从全极化数据中提取表示地表散射特征的特征参数，这些特征参数包含特性参数u、散射机制参数v、去极化参数w以及去取向角ψ；根据上述取向信息和特征参数，进行地表分类。对于非确定性目标的全极化数据，本发明还对其进行了特征值分析，得到熵，以及多个(如3个或4个)确定性目标的全极化数据，然后继续提取前面所述的参数，用这些参数即可以进行地表分类和取向分析。本发明方法，计算速度快，分析效率高，且可适用于复杂地表的分类。

Description

基于全极化合成孔径雷达数据的地表分类方法

发明领域

本发明属于空间SAR遥感信息处理技术领域，具体涉及一种基于全极化合成孔径雷达数据的地表分类方法。

背景技术

用全极化SAR图像对复杂地表信息获取与分类是一项重要的应用研究。早期的全极化分类是基于完全相关的散射矩阵或不相干的多个极化通道的散射数据的监督分类方法[1]。

van Zyl在1989年发展了一种无监督分类方法[2]，通过将全极化散射数据与简单的奇数次散射、偶数次散射和漫散射的散射矩阵对比，根据相似程度进行简单的分类。Cloud和Pottier提出一种基于目标解析参数熵的无监督分类方法[3]，用Pauli展开和相关矩阵的特征值分析得到目标解析参数α和熵H，并在α-H平面上建立无监督分类谱。Freeman和Durden提出全极化数据的三部分分解方法[4]，根据不同散射机制的特点将全极化散射数据分解为粗糙面散射、偶极子散射和二次面散射三部分，用于简单地表的分类。Lee等发展了目标解析与复Wishart分类器结合的无监督分类方法[5]，先采用α-H分类平面或者三部分分解方法得到初始分类集，将此分类集作为复Wishart分类器的监督分类的初始集，并进行迭代得到较好的分类效果。

由于地表目标的全极化散射受多种因素的影响，比如取向、形状、介电常数及散射机制等，怎样将多种因素的影响从散射信息中参数化分离出来是全极化测量理论研究的关键问题之一。复杂地表目标的取向往往是随机分布的，产生散射回波的随机起伏，使散射目标分类不容易明确。两类本身不同特征不同取向的目标，可能产生相类似的散射，不易区分它们。

发明内容

本发明的目的在于提出一种计算速度快、分析效率高，且可适用于复杂地表的地表分类方法。

本发明提出的地表分类方法，是一种基于全极化合成孔径雷达数据的地表分类方法，其基本步骤为：先通过对全极化数据的去取向分析，提取对应地物的部分空间取向信息；在去除部分取向信息后，再从全极化数据中提取表示地表散射特征的特征参数，这些特征参数包含特性参数u、散射机制参数v、去极化参数w以及去取向角ψ；根据上述取向信息和特征参数，进行地表分类。对于非确定性目标的全极化数据，本发明还对其进行了特征值分析，得到熵，以及多个(如3个或4个)确定性目标的全极化数据，然后继续提取前面所述的参数，用这些参数即可以进行地表分类和取向分析。

本发明中，提出了随机目标极化散射去取向分析的概念，首先将随机起伏的取向信息滤除，使得去取向之后的散射信息集中突出目标的其它特征。在此基础上，再通过取向信息判断目标取向是一致的或随机的，来作进一步的分类。

本发明从波传播方向、极化基及目标取向三者之间的几何关系，推导了目标旋转时目标散射矢量的变换公式，并由此提出目标全极化散射的去取向分析。通过交叉极化最小化将目标变换到一个固定的状态或取向，从而将散射信息中部分目标取向信息分离，得到表示目标实际取向偏离固定取向的角度ψ。

本发明根据目标散射矢量“直序展开”的简单直观等特点，引入参数u，v，w，分别表示去取向后散射矩阵中两个同极化分量的幅度比、相位差、及交叉极化分量的大小。在u，v，w的特征空间中，产生各种典型特征目标的分布。结合Cloude的目标解析理论中的参数α，在u-v平面上建立u，v与α的关系。

本发明根据目标散射矢量的相干矩阵特征值分析，对每个特征矢量作去取向分析，将该方法推广至非确定性随机目标的情况。对随机分布目标的主散射矢量，即相应特征值最大的特征矢量解析，得到的参数u，v及ψ，用于描述非确定性目标的综合或平均特性。这些参数再结合熵H用于表示随机分布目标的特征，并进行分类。

本发明在数值模拟分析中，用单个Rayleigh近似非球形小粒子的散射分析粒子各物理参数(如Euler角、形状、介电常数)与u，v，ψ的关系。用随机分布的非球形粒子云模拟随机目标的散射，验证随机分布目标主散射矢量中解析参数u，v，ψ对随机目标平均特征的表征作用。

附图说明

图1本发明的实施例中的u，v，w空间。

图2本发明的实施例中的去取向分类方法流程图。

图3本发明的实施例中的单次散射和二次散射的分类谱图。

图4本发明的实施例中的广东惠阳地区SIR-C数据总功率图。

图5本发明的实施例中的分类决策树。

图6本发明的实施例中的广东惠阳地区SIR-C数据的u，v，H分类结果。

图7本发明的实施例中的加拿大Boreal地区AirSAR总功率图。

图8本发明的实施例中的加拿大Boreal地区AirSAR数据去取向分类结果。

图9本发明的实施例中的对应图8中8类地表各自的取向分布。

具体实施方式

本发明提出的基于极化合成孔径雷达数据的地表分类方法主要，包含三个步骤：

A、对全极化数据进行去取向分析，提取部分取向信息；

B、从去取向后的所述全极化数据中提取特征信息；

C、根据所述取向信息和所述特征信息，进行地表分类。

其中第一步是对全极化数据做去取向分析，一般雷达得到的全极化数据分为非确定性目标和确定新目标两种全极化数据。

一般全极化数据用散射矩阵表示，入射电场矢量E_i、目标的散射电场矢量E_s和散射矩阵[S]之间满足关系：

E_s＝[S]·E_i              (1)

其中散射矩阵[S]包含四个元素，写为

$\left[S\right]=\left[\begin{array}{cc}{S}_{\mathrm{hh}}& S_x\\ S_x& S_w\end{array}\right]---\left(2\right)$

其中各个元素分别为垂直极化分量S_hh、水平极化分量S_vv、交叉极化分量S_x。

为解析方便，一般将2×2的散射矩阵[S]矢量化，得到目标矢量k。采用不同的基，就有不同的目标散射矢量，其中比较重要的两种基是“Pauli”展开和“直序展开”，分别定义为

${\stackrel{\‾}{k}}_P=\frac{1}{\sqrt{2}}{\left[\begin{array}{ccc}{S}_{\mathrm{hh}}+S_w& S_{\mathrm{hh}}-S_w& {2S}_x\end{array}\right]}^T---\left(3\right)$

${\stackrel{\‾}{k}}_L={\left[\begin{array}{ccc}{S}_{\mathrm{hh}}& \sqrt{2}{S}_x& S_w\end{array}\right]}^T---\left(4\right)$

其中上标T表示转置，下标L和P分别代表“Pauli展开”和“直序(Lexicographic)展开”，下标h和v分别代表水平和垂直极化，x表示交叉极化。

如果雷达数据是多视数据，则是非确定性目标的极化数据，用二阶统计特性来描述，可以从数据得到等效于Mueller矩阵的相干矩阵[T]或协方差矩阵[C]。在这种情况下，本发明的实施例是通过对相干矩阵[T]或协方差矩阵[C]的特征分析，得到三个特征矢量k_P，1，k_P，2，k_P，3或k_L，1，k_L，2，k_L，3和对应特征值λ₁，λ₂，λ₃，

$\left[T\right]=\underset{i=1}{\overset{3}{\mathrm{\Σ}}}{\mathrm{\λ}}_i{\stackrel{\‾}{k}}_{P,i}\·{\stackrel{\‾}{k}}_{P,i}^{+},$ $\left[C\right]=\underset{i=1}{\overset{3}{\mathrm{\Σ}}}{\mathrm{\λ}}_i{\stackrel{\‾}{k}}_{L,i}\·{\stackrel{\‾}{k}}_{L,i}^{+}---\left(5\right)$

其中λ₁≥λ₂≥λ₃≥0为特征值，k_P，i、k_L，i为λ_i所对应的特征矢量，即不相关目标散射矢量。从特征值可以计算得到熵H，计算公式如下(其中，P_i为相干矩阵第i个特征矢量权重)：

$H=-\underset{i=1}{\overset{3}{\mathrm{\Σ}}}{P}_i{\log }_3{P}_i,$ $P_i={\mathrm{\λ}}_i/\underset{i=1}{\overset{3}{\mathrm{\Σ}}}{\mathrm{\λ}}_i---\left(6\right)$

从每个特征矢量可以计算确定性目标的全极化数据及散射矩阵[S]，计算公式就是(3)(4)。得到确定性目标的全极化数据的[S]后，即可以按照确定性目标的方法进行后续处理。

在阐述本发明的去取向分析具体技术细节之前，首先介绍目标矢量参数化的相关内容。目标矢量的参数化可方便于目标散射矢量的物理解释，定义Pauli展开的k_P的参数α、β等，写成

${\stackrel{\‾}{k}}_P=\left|\right|{\stackrel{\‾}{k}}_P\left|\right|{\left[\begin{array}{ccc}\cos \mathrm{\α}{e}^{{\mathrm{j\φ}}_1}& \sin \mathrm{\α}\cos \mathrm{\β}{e}^{{\mathrm{j\φ}}_2}& \sin \mathrm{\α}\sin \mathrm{\β}{e}^{{\mathrm{j\φ}}_3}\end{array}\right]}^T---\left(7\right)$

这里‖□‖表示对矢量取范数。可以看出，角度α，β表示Pauli空间中k_P各复分量模值的相对大小，角度φ₁，φ₂，φ₃表示各分量的相位。采用类似的方法对直序展开的k_L进行参数化，写成

${\stackrel{\‾}{k}}_L=\left|\right|{\stackrel{\‾}{k}}_L\left|\right|{\left[\begin{array}{ccc}\sin c\cos a\·e^{{\mathrm{j\φ}}_0}& \cos c\·e^{{\mathrm{j\φ}}_x}& \sin c\sin a\·e^{j({\mathrm{\φ}}_0+2b)}\end{array}\right]}^T---\left(8\right)$

两种目标矢量即k_P(目标矢量)和k_L(直序目标矢量)可以从散射矩阵[S]计算得到，同时也表示两者可以相互计算，通过已知的一个计算另一个。而(7)、(8)两式又说明，两个目标矢量的参数可以相互计算。

从(8)式可见，a表示同极化散射S_hh和S_vv模值比；b表示同极化散射项S_vv和S_hh之间的相位差；c表示交叉极化大小，φ₀，φ_x分别表示k_L的第一和第二个绝对相位。k_L的参数化和去取向分析能提供一种更简单直观有效的目标特征描述方法。

本发明所述的去取向，是指通过对目标矢量的变换来等效地旋转目标，旋转的目的是使得目标的交叉极化分量最小，信息都集中在同极化分量上，这样一来使得不同取向的目标可以突出其本质区别，同时可以使得信息更为集中，容易处理。

本发明提出去取向(Deorientation)的概念，可以去除目标取向对散射的影响而突出显示目标本体特性，两个不同取向而其它特征完全一样的散射目标，在经过去取向的转换后，散射信息应是完全相同的。

去取向给分类带来的好处是：使得完全随机取向的目标群的特征更加明显，容易区别；使得相同目标在取向不同的情况下能够被划分为一类；不同目标在不同取向下可能产生相似的散射而不会误分为一类。由于自然界物体的取向多呈随机分布，我们往往更关注目标的本体特征，如种类、形状等。对于同一类目标，采用某特定取向时的目标散射矢量来代表该目标，即将任意取向的同一类目标经过一定角度的旋转后都变换到同一取向。

本发明所述的去取向方法，是将目标经过一定角度ψ的旋转，使得新的目标散射矢量中的交叉极化分量达到最小，称为交叉极化最小化。这样，分析将集中在同极化分量上。

设目标旋转矩阵[U]：

$\left[U\right]=\left[\begin{array}{ccc}1& 0& 0\\ 0& \cos 2\mathrm{\ψ}& \sin 2\mathrm{\ψ}\\ 0& -\sin 2\mathrm{\ψ}& \cos 2\mathrm{\ψ}\end{array}\right]---\left(9\right)$

目标矢量k_P左乘[U]之后得到的新矢量即为旋转角度ψ后的目标矢量，称为去取向后的目标矢量k_P ^d，这里上标d表示去取向以后，因此去取向的公式如下：

${\stackrel{\‾}{k}}_P^d=\left[U\right]\·{\stackrel{\‾}{k}}_P---\left(10\right)$

根据去取向的原理，去取向以后的目标矢量k_P ^d的第三个元素k_P，3 ^d(代表交叉极化分量，见(3)式)达到了最小值，也就是满足以下式子，

$\underset{\mathrm{\ψ}}{\min }\frac{\left|k_{P,3}^d\right|}{\left|\right|{\stackrel{\‾}{k}}_P^d\left|\right|}=\underset{\mathrm{\ψ}}{\min }|\sin \mathrm{\α}(-\sin 2\mathrm{\ψ}\cos \mathrm{\β}+\cos 2\mathrm{\ψ}\sin \mathrm{\β}\·e^{j({\mathrm{\φ}}_3-{\mathrm{\φ}}_2)})\·e^{{\mathrm{j\φ}}_2}|---\left(11\right)$

令ψ∈[0，π/2]，即可解得

$\mathrm{\ψ}={\left[\mathrm{sgn}\right\{\cos ({\mathrm{\φ}}_2-{\mathrm{\φ}}_3)\left\}\frac{2\mathrm{\β}-{\left[2\mathrm{\β}\right]}_{\mathrm{\π}}+{\left[{\tan }^{-1}\right\{\tan 2\mathrm{\β}\left|\cos ({\mathrm{\φ}}_2-{\mathrm{\φ}}_3)\right|\left\}\right]}_{\mathrm{\π}}}{4}\right]}_{\frac{\mathrm{\π}}{2}}---\left(12\right)$

这里[x]_y表示x对y取余，sgn{□}表示取符号。

在得到去取向后的目标矢量k_P ^d后，同样的反过来就可以计算去取向后的散射矩阵[S_d]，即

${\stackrel{\‾}{k}}_P^d=\frac{1}{\sqrt{2}}{\left[\begin{array}{ccc}{S}_{\mathrm{hh}}^d+S_w^d& S_{\mathrm{hh}}^d-S_w^d& {2S}_x^d\end{array}\right]}^T---\left(13\right)$

以及由[S_d]计算去取向后的直序目标矢量k_L ^d，即

${\stackrel{\‾}{k}}_L^d={\left[\begin{array}{ccc}{S}_{\mathrm{hh}}^d& \sqrt{2}{S}_x^d& S_w^d\end{array}\right]}^T---\left(14\right)$

从去取向后的直序目标矢量k_L ^d，再由(8)式可计算得到参数a，b，c，重新写为：

${\stackrel{\‾}{k}}_L^d=\left|\right|{\stackrel{\‾}{k}}_L^d\left|\right|{\left[\begin{array}{ccc}\sin c\cos a\·e^{{\mathrm{j\φ}}_0}& \cos c\·e^{{\mathrm{j\φ}}_x}& \sin c\sin a\·e^{j({\mathrm{\φ}}_0+2b)}\end{array}\right]}^T---\left(15\right)$

这里，a表示同极化散射S_hh ^d和S_vv ^d模值比；b表示同极化散射项S_vv ^d和S_hh ^d之间的相位差；c表示交叉极化大小，φ₀，φ_x分别表示k_P ^d的第一和第二个绝对相位。若sin2a＝0时，(2)式中同极化分量S_vv或S_hh趋于0，表示其相位差的参数b无甚意义；若sin2a＝0时，(2)式中两个同极化分量均趋于0，参数a，b均无甚意义。鉴于此，定义新参数u，v，w：

$\left\{\begin{array}{c}u=\sin c\cos 2a\\ v=\sin c\sin 2a\cos 2b\\ w=\cos c\end{array}\right.---\left(16\right)$

可以看出，w反映交叉极化和同极化的相对大小；在交叉极化较小时(sinc→1)，u反映了两个同极化分量的相对大小，v反映了在两个同极化分量相对大小可比时(sin2a→1)的相位差。

以参数u，v，w为轴可以做出如图1所示的四分之一个球体，球体内部的点为可能的参数分布位置，参数u，v，w对应轴OA，B₁B₂，OC。由于u≥0和u＜0区别仅仅在于同极化分量哪个更大，其散射机制相同，因此图中只画出u≥0的部分。可见，交叉极化较大时分布趋向于点C，当交叉极化较小时分布点趋向于平面B₁B₂A；而在平面B₁B₂A上，当同极化分量相对幅度大小相差悬殊时，分布趋向于点A，当同极化分量相对幅度大小可比时，分布趋向于线B₁B₂，；在线B₁B₂上，随着同极化分量相位差由小到大从点B₁向点B₂变化。

容易给出各种经典的基本散射体在图1所示特征空间中的分布，螺旋线散射趋向于点C，偶极子散射趋向于点A，球体散射或面散射趋向于点B₁，角散射体散射(二次面散射)趋向于点B₂。而O点附近为特殊材料散射或者复杂多次散射。

在u，v，w中，w→1说明目标为螺旋状；w→0，|u|→1说明目标为偶极子；w→0，|u|→0，v→1说明目标为球形；w→0，|u|→0，v→-1说明目标为二次面散射；w→0，|u|→0，v→0说明目标为特殊材料或者复杂的多次散射。而ψ为目标实际取向偏离交叉极化最小时取向的角度。

综上所述，本发明的去取向分析得到部分取向信息：去取向角ψ，由(12)计算；特征信息包含特性参数u、散射机制参数v、去极化参数w，由(16)计算。

这些参数的计算步骤总结如下：

(1)先从极化数据得到散射矩阵[S]，然后由(3)式计算目标矢量k_P；

(2)按照(7)式对目标矢量k_P进行参数化得到α，β，φ₁，φ₂，φ₃；

(3)然后根据(12)式计算去取向角ψ；

(4)接着根据(9)(10)式对目标矢量去取向k_P，得到去取向后的目标矢量k_P ^d；

(5)从去取向后的目标矢量k_P ^d，根据(13)(14)两式计算去取向后的直序目标矢量k_L ^d；

(6)按(15)式对去取向后的直序目标矢量k_L ^d参数化得到a，b，c；

(7)最后按(16)式计算去取向特征参数u，v，w。

另外，如果极化数据为非确定性目标的全极化数据时，前面已经提到，以通过(5)式计算得到三个特征矢量即目标矢量，而根据(6)式可以得到熵H。

由于特征矢量相互正交，因此在随机目标特性比较均一的情况下，如单层植被的散射来自叶子散射组成，第一特征值较其余特征值大得多，目标主要由第一特征矢量反映出来。在随机目标包含多种不同散射机制的情况下，如高层树木散射既包含树冠叶子散射又包含来自粗糙地面的面散射以及地面到树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，每个特征矢量对应某种散射机制，各个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盖了各自含有的信息，比如两种完全不同的散射机制经过求平均之后可能变成第三种散射机制。

根据这一情况，本发明选择最大特征值所对应的特征矢量即第一特征矢量进行去取向分析，得到目标解析参数，以判定目标的主要散射机制和特性。本发明将表征随机分布目标平均特性或主要特性的第一特征矢量称为目标主特征矢量。

因此，从非确定目标的全极化数据计算确定性目标的全极化数据的方法如下：从第一个特征矢量k_P，1计算所述垂直极化分量S_hh、水平极化分量S_vv、交叉极化分量S_x：

${\stackrel{\‾}{k}}_{P,1}=\frac{1}{\sqrt{2}}{\left[\begin{array}{ccc}{S}_{\mathrm{hh}}+S_{\mathrm{vv}}& S_{\mathrm{hh}}-S_{\mathrm{vv}}& {2S}_x\end{array}\right]}^T---\left(17\right)$

根据上述步骤得到的特征参数进行地表分类，具体方法如下：

先按所述散射机制参数v从高到低分为：二次散射、三次及以上散射、一次散射三类；

对于每一类，再按所述熵H从高到低分为至少两个子类；

对于每一子类，再按所述特性参数u的绝对值从高到低分为至少两个亚子类。

对于每一亚子类，在按所述去取向角ψ的分布情况，分为至少两个超子类。

将所述熵H、特性参数u、散射机制参数v、去取向角ψ作为地表特征输入分类器进行聚类得到地表分类结果。

在本发明的一个实施例中，通过理论模拟来分析去取向分类方法的可靠性和各个参数的意义。

考虑单个非球形粒子散射的情况，由理论模拟，我们建立粒子各个物理特征参数与目标解析参数u，v的关系。模拟结果显示当粒子形状从盘状扁椭球向球形变化时，|u|单调减小；当粒子形状从球形向针状长椭球变化时，|u|单调变大，可见|u|反映了粒子形状特征。而当粒子长轴与视线夹角ξ₀从0→π/2时，对于针状或者盘状粒子，|u|均单调增大，而对于球形粒子则|u|保持不变。可见|u|反映的是粒子在视线方向投影形状的不对称性，因此本发明称之为特性参数，反应目标本身的一些物理几何特性。

我们还模拟了随机分布的非球形粒子云的情况，结果显示，去取向角ψ与粒子的平均取向之间满足理想的线性关系。另外，计算结果显示，随着粒子分布的随机，H增大，它反映了目标随机程度增加。

此外，我们还模拟了自然地表散射，包括五种典型的地表类型：海面、地面、两种不同植被、森林。

从上述各种地表的|u|-H分布看出：土壤地面和海面以面散射为主，由于散射机制单一，H较小；地面越粗糙H越大。随植被体散射增强，H增大，特别是厚层的树林植被，H最大。在树林从稀疏变到茂密，其散射机制从树干散射为主到树冠散射为主，H先逐渐变大，再到成分均一分布均匀的树冠散射时，又略为变小。土壤地表和海面介电特征不同，使得u不同，在|u|上错开分布。植被的粒子取向变得随机后，散射粒子的平均对称性增强，|u|变小；植被1和植被2的特征不同，因此在|u|上也错开分布。而树林茂密树叶随机分布，使H明显增强。

树林植被的散射包括：下垫粗糙面的面散射M₀，树干与树叶的体散射M₁，经过下垫面到树干树叶的二次散射M₂，经过下垫面到树干树叶再到下垫面的三次散射M₃。从这些散射项在在|u|-v平面上的分布可以看出，单次散射位于v＞0，二次散射位于v＜0，三次散射由于多次散射增强交叉极化分量而接近v＝0。这是由于三次及以上的复杂多次散射在去取向后其交叉极化分量仍然很大，使v趋向于0。因此，本发明称参数v为散射机制参数，反应地表的散射机制类型。

树林由疏到密的变化过程中总散射效应M显示在|u|-v平面上，可以明显看出，总散射M从树干散射M₂变化到树冠散射M₁的过程。

从模拟结果看出，H可以用于区分其层次结构从简单到复杂的不同地表，u可以用于区分相同层次结构而特征不同的地表，v可以用于区分单次散射和二次散射以及多次(三次及以上)散射的地表。

关于上述理论模拟的具体细节参见文献[6]。

本发明的另一个实施例，是用美国喷气推进实验室的SIR-C数据进行对广东惠阳地区的分类。

由u，v，H将地表分为不同类别，再在每类中由ψ分析地表目标的取向分布情况，比如随机分布、一致分布，可以利用取向信息进一步区分容易混淆的特殊地表，或者按取向分布特征细化分类。分类流程如图2所示。

按照u，v，H值将地表分类19类，其中单次散射(v＞0.2)分为9类，二次散射(v＜-0.2)分为9类，多次(三次及以上)散射(-0.2≤v≤0.2)分为1类。在地表分类中，除了植被树林散射中多次散射较显著外，一般情况下只考虑单次和二次。图3给出了单次散射和二次散射情况下的分类谱。

H反映了地表的随机程度，u反映了地表的形状、质地，v反映了地表的散射机制。据此，在图3中对于单次散射按照H＜0.5、0.5≤H≤0.8、H＞0.8分为表面、覆盖层、树林，其中树林的单次散射来自树冠。因此单次散射为主的树林为茂密树林，各类进一步按照|u|＜0.3、0.3≤|u|≤0.7、|u|＞0.7细分为3类。对于二次散射，按照H＜0.5、0.5≤H≤0.8、H＞0.8分为简单城区、复杂城区、树林，其中树林的二次散射来自树干和地面的相互作用，因此二次散射(树干+地面)为主的树林为稀疏树林。同样的，各类进一步按照|u|＜0.3、0.3≤|u|≤0.7、|u|＞0.7细分为3类。

在实际分类应用中，上述分类阈值是可以调整的。另外，对于不同波段，由于波长不同，因此目标的散射特性也会发生变化，分类结果也会不同，比如同一疏密程度的树林在L波段散射以树干和地面的二次散射为主，而在C波段则以树冠为主。

用喷气推进实验室(JPL)合成孔径雷达SIR-C 1994年对中国广东省惠阳地区的全极化数据(L波段)进行基于去取向分析的地表分类。图4为该地区全极化数据的总功率图。

按如下决策树方法(图5)将地表分为8类：林地(Timber)，第二类城区(Urban2)，第一类城区(Urban1)，第二类覆盖层(Canopy2)，第一类覆盖层(Canopy1)，第三类表面区(Surface3)，第二类表面区(Surface2)，第一类表面区(Surface1)。初步分类结果受噪声影响较大，因此最后进行窗口大小为5×5的聚类分析，我们的u，v，H最终分类结果如图6所示。通过与实际地物的对比，分类结果较满意。从分类结果上看，参数u，v，H的分类性能较好，比如u，v，H对于地面和海面的区分、市区和郊区的区分、及海滨和林地的区分能力都很好。

本发明的另一个实施例，是用美国喷气推进实验室的AirSAR数据对加拿大的Boreal地区分类，并且还根据去取向角进行取向分析，细化分类。

为进一步分析不同取向的各种类型地表目标，我们选取植被种类较丰富的加拿大Boreal地区的AirSAR全极化数据(L波段)(图7总功率图)，作去取向分类和取向分析，该地区主要以针叶林为主(Plummer and Curran 1998)。

图8分别为我们选取的这个区域去取向分类结果图。这里采用的分类方法和分类谱与图2所示的方法完全相同，最后还进行了9×9的聚类分析。对于某些特殊地表，由于其散射相似而难以分类，这时就需要通过取向分析进行进一步的确认。

图9给出了对应图8中8类地表的取向分布图。图中对应某一像素位置的小线段的取向角等于该像素的去取向参数ψ。每一个4×4的窗口只取中间一个像素。可以看出：

1.林地(Timber)的大部分区域取向分布随机(如Timber中A区域的小线段取向混乱)，小部分区域取向一致(如Timber中B区域的小线段均竖直)；

2.第二类城区(Urban2)的取向较统一的落在水平竖直两个方向，如Urban2中C区域的小线段要么竖直要么水平，这是由于人工建筑一般较有规律；

3.第一类城区(Urban1)(极其稀疏林地)的趋向统一为竖直，这与光秃的林地取向一致的情况吻合，这进一步说明了该区域应该为稀疏林地，而非人工建筑；

4.第一类覆盖层(Canopy1)取向均很随机，图中小线段取向均很混乱，说明该区域可能以杂乱的灌木丛为主，而图中D区域的取向混乱，该区域实际上应该为林中道路，混乱的取向可能是由于路边的灌木丛所致；

5.第二类表面区(Surface2)的取向明显可以分为一致竖直(如图中E区域)和混乱(如图中F区域)两类，一致水平的区域可能为水面，取向混乱的则可能为杂草区域；

6.第一类表面区(Surface1)的取向明显可以分类一直竖直(如图中G区域)和一致水平(如图中H区域)，一致水平的区域可能为水面，一致竖直的则可能为较整齐的草地；

7.第二类覆盖层(Canopy2)、第三类表面区(Surface3)在图中分布较少。

经过上述取向分析，可以将各类地表进一步确定其类型，或者按照取向特征不同而细化分类。

本发明的其他实施例中还采用人工智能及图像处理专用方法进行分类，比如采用人工神经网络、人工智能聚类分析等，在前述提取的多种参数基础上，以这些参数作为输入，经过这些方法的处理，将地表分类，得到较好的结果。

参考文献

[1]Zebker H.A.and Van Zyl J.J.(1991)，Image radar polarimetry：a review，Proc.IEEE，79(11)：1583-1605.

[2]van Zyl Z.Z.(1989)，Unsupervised classification of scattering behavior using radarpolarimetry data，IEEE Transactions on Geoscience and Remote Sensing，27(1)：36-45.

[3]Cloude S.R.and E.Pottier(1996)，A review of target decomposition theorems in radarpolarimetry，IEEE Transactions on Geoscience and Remote Sensing，34：498-518.

[4]Freeman A.and S.L.Durden(1998)，A three-component scattering model for polarimetricSAR data，IEEE Transactions on Geoscience and Remote Sensing，36：963-973.

[5]Lee J.S.et al.(2004)，Unsupervised terrain classification preserving polarimetricscattering characteristics，IEEE Transactions on Geoscience and Remote Sensing，42：722-731.

[6]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.

Claims (9)

1. 一种基于全极化合成孔径雷达数据的地表分类方法，其特征在于，基本步骤如下：先通过对全极化数据的去取向分析，提取对应地物的部分空间取向信息，在去除部分取向信息后，再从全极化数据中提取表示地表散射特征的特征参数，这些特征参数包含特性参数u、散射机制参数v、去极化参数w以及去取向角ψ；根据上述取向信息和特征参数，进行地表分类。

2. 根据权利要求1所述的基于全极化合成孔径雷达数据的地表分类方法，其特征在于：当所述全极化数据为非确定性目标的全极化数据时，先对其做特征值分析，得到熵，以及多个确定性目标的全极化数据；然后对所述确定性目标的全极化数据进行后续处理。

3. 根据权利要求1所述的基于全极化合成孔径雷达数据的地表分类方法，其特征在于，所述去取向分析包含以下步骤：

先根据下式计算所述去取向角ψ：

$\mathrm{\ψ}={\left[\mathrm{sgn}\right\{cos({\mathrm{\φ}}_2-{\mathrm{\φ}}_3)\left\}\frac{2\mathrm{\β}-{[2\mathrm{\β}]}_{\mathrm{\π}}+{\left[{\tan }^{-1}\right\{tan2\mathrm{\β}|cos({\mathrm{\φ}}_2-{\mathrm{\φ}}_3)|\left\}\right]}_{\mathrm{\π}}}{4}\right]}_{\frac{\mathrm{\π}}{2}}---\left(12\right)$

这里[x]_y表示x对y取余，sgn{·}表示取符号，

其中上述各参数从目标矢量k_P计算，计算公式如下

${\stackrel{\‾}{k}}_P=\left|\right|{\stackrel{\‾}{k}}_P\left|\right|{\left[\begin{array}{ccc}\cos \mathrm{\α}{e}^{j{\mathrm{\φ}}_1}& \sin \mathrm{\α}\cos \mathrm{\β}{e}^{j{\mathrm{\φ}}_2}& \sin \mathrm{\α}\sin \mathrm{\β}{e}^{j{\mathrm{\φ}}_3}\end{array}\right]}^T---\left(7\right)$

||·||表示对矢量取范数，

而目标矢量k_P的各个元素由极化合成孔径雷达数据中的垂直极化分量S_hh、水平极化分量S_vv、交叉极化分量S_x计算，计算公式如下：

${\stackrel{\‾}{k}}_P=\frac{1}{\sqrt{2}}{\left[\begin{array}{ccc}{S}_{\mathrm{hh}}+S_{\mathrm{vv}}& S_{\mathrm{hh}}-S_{\mathrm{vv}}& 2S_x\end{array}\right]}^T;---\left(3\right)$

然后对目标矢量k_P做如下变换：

${\stackrel{\‾}{k}}_P^d=\left[U\right]\·{\stackrel{\‾}{k}}_P---\left(10\right)$

其中

$\left[U\right]=\left[\begin{array}{ccc}1& 0& 0\\ 0& \cos 2\mathrm{\ψ}& \sin 2\mathrm{\ψ}\\ 0& -\sin 2\mathrm{\ψ}& \cos 2\mathrm{\ψ}\end{array}\right]---\left(9\right)$

得到去取向后的目标矢量k_P ^d，上标d表示去取向后；角度α，β表示Pauli空间中k_P各复分量模值的相对大小，角度φ₁，φ₂，φ₃表示各分量的相位。

4. 根据权利要求3所述的基于全极化合成孔径雷达数据的地表分类方法，其特征在于，所述特征信息计算公式如下：

$\left\{\begin{array}{c}u=\sin c\cos 2a\\ v=\sin c\sin 2a\cos 2b\\ w=\cos c\end{array}\right.---\left(16\right)$

其中a，b，c从直序目标矢量k_L ^d计算，计算公式如下：

${\stackrel{\‾}{k}}_L^d=\left|\right|{\stackrel{\‾}{k}}_L^d\left|\right|{\left[\begin{array}{ccc}\sin c\cos a\·e^{j{\mathrm{\φ}}_0}& \cos c\·e^{j{\mathrm{\φ}}_x}& \sin c\sin a\·e^{j({\mathrm{\φ}}_0+2b)}\end{array}\right]}^T---\left(15\right)$

其中直序目标矢量k_L ^d从去取向后的垂直极化分量S_hh ^d、去取向后的水平极化分量S_vv ^d、去取向后的交叉极化分量S_x ^d得到，计算公式如下

${\stackrel{\‾}{k}}_L^d={\left[\begin{array}{ccc}{S}_{\mathrm{hh}}^d& \sqrt{2}{S}_x^d& S_{\mathrm{vv}}^d\end{array}\right]}^T---\left(14\right)$

其中去取向后的垂直极化分量S_hh ^d、去取向后的水平极化分量S_vv ^d、去取向后的交叉极化分量S_x ^d从去取向后的目标矢量k_P ^d计算得到，计算公式如下

${\stackrel{\‾}{k}}_P^d=\frac{1}{\sqrt{2}}{\left[\begin{array}{ccc}{S}_{\mathrm{hh}}^d+S_{\mathrm{vv}}^d& S_{\mathrm{hh}}^d-S_{\mathrm{vv}}^d& {2S}_x^d\end{array}\right]}^T---\left(13\right)$

所述去取向后的目标矢量k_p ^d在所述去取向分析中得到，这里，a表示同极化散射S_hh ^d和S_vv ^d模值比；b表示同极化散射项S_vv ^d和S_hh ^d之间的相位差；c表示交叉极化大小，φ₀，φ_x分别表示k_p ^d的第一和第二个绝对相位。

5. 根据权利要求2所述的基于全极化合成孔径雷达数据的地表分类方法，其特征在于，对所述非确定性目标的全极化数据的特征值分析包含如下步骤：

先计算相干矩阵[T]的特征值λ₁≥λ₂≥λ₃≥0，和对应的特征矢量k_P，1，k_P，2，k_P，3，

其中所述相干矩阵[T]从所述非确定目标的全极化数据中得到；

然后，按下式计算所述熵H，

$H=-\underset{i=1}{\overset{3}{\mathrm{\Σ}}}{P}_i{\log }_3{P}_i,$ $P_i={\mathrm{\λ}}_i/\underset{i=1}{\overset{3}{\mathrm{\Σ}}}{\mathrm{\λ}}_i---\left(6\right)$

P_i为相干矩阵[T]的第i个特征矢量的权重。

6. 根据权利要求5所述的基于全极化合成孔径雷达数据的地表分类方法，其特征在于，从所述非确定目标的全极化数据计算所述确定性目标的全极化数据的方法如下：

从第一个所述特征矢量k_P，1计算所述垂直极化分量S_hh、水平极化分量S_vv、交叉极化分量S_x，公式如下

${\stackrel{\‾}{k}}_{P,1}=\frac{1}{\sqrt{2}}{\left[\begin{array}{ccc}{S}_{\mathrm{hh}}+S_{\mathrm{vv}}& S_{\mathrm{hh}}-S_{\mathrm{vv}}& 2S_x\end{array}\right]}^T.---\left(17\right)$

7. 根据权利要求1所述的基于全极化合成孔径雷达数据的地表分类方法，其特征在于，先按所述散射机制参数v从高到低分为：二次散射、三次及以上散射、一次散射三类；

对于每一类，再按所述熵H从高到低分为至少两个子类；

对于每一子类，再按所述特性参数u的绝对值从高到低分为至少两个亚子类。

8. 根据权利要求7所述的基于全极化合成孔径雷达数据的地表分类方法，其特征在于，对于每一亚子类，在按所述去取向角ψ的分布情况，分为至少两个超子类。

9. 根据权利要求6所述的基于全极化合成孔径雷达数据的地表分类方法，其特征在于，将所述熵H、特性参数u、散射机制参数v、去取向角ψ作为地表特征输入分类器进行聚类得到地表分类结果。

Images