CN105528767B - 极化sar图像中目标极化相干特征的增强方法 - Google Patents

极化sar图像中目标极化相干特征的增强方法 Download PDF

Info

Publication number
CN105528767B
CN105528767B CN201510888374.6A CN201510888374A CN105528767B CN 105528767 B CN105528767 B CN 105528767B CN 201510888374 A CN201510888374 A CN 201510888374A CN 105528767 B CN105528767 B CN 105528767B
Authority
CN
China
Prior art keywords
polarization
matrix
polarized
coherent
scattering
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN201510888374.6A
Other languages
English (en)
Other versions
CN105528767A (zh
Inventor
陈思伟
李永祯
王雪松
肖顺平
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
National University of Defense Technology
Original Assignee
National University of Defense Technology
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by National University of Defense Technology filed Critical National University of Defense Technology
Priority to CN201510888374.6A priority Critical patent/CN105528767B/zh
Publication of CN105528767A publication Critical patent/CN105528767A/zh
Application granted granted Critical
Publication of CN105528767B publication Critical patent/CN105528767B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/73—Deblurring; Sharpening
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10032—Satellite or aerial image; Remote sensing
    • G06T2207/10044—Radar image
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20172—Image enhancement details
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30181—Earth observation

Landscapes

  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Medicines Containing Antibodies Or Antigens For Use As Internal Diagnostic Agents (AREA)
  • Radar Systems Or Details Thereof (AREA)

Abstract

本发明提供一种极化SAR图像中目标极化相干特征的增强方法。技术方案包括：第一步是构建极化散射矢量，包括构建Pauli极化散射矢量和Lexicographic极化散射矢量。第二步是构建极化相干矩阵和极化协方差矩阵。第三步是极化相干矩阵和极化协方差矩阵旋转处理。第四步是计算旋转域中极化相干特征序列。第五步是计算增强的极化相干特征量。计算旋转域中极化相干特征序列的最大值，确定为增强的极化相干特征量。本发明对极化相干特征增强效果明显，对不同地物具有很好的普适性和鲁棒性。

Description

极化SAR图像中目标极化相干特征的增强方法
技术领域
本发明属于极化SAR(Synthetic Aperture Radar，合成孔径雷达)成像遥感领域，涉及一种极化SAR图像中目标极化相干特征在绕雷达视线的旋转域中增强方法。
背景技术
极化SAR作为一种微波成像雷达，能够全天时全天候工作，成为对地观测领域的重要传感器。通过收发一组极化状态正交的电磁波，极化SAR能够获得目标完整的极化散射矩阵。不同于光学图像，极化SAR图像难以仅仅通过目视解译进行有效利用。极化散射矩阵中蕴含的目标丰富极化散射信息和极化特征量需要通过散射机理建模和解译方法进行挖掘和提取。不同极化通道间的极化相干特征是一种常用的极化特征参数。极化相干特征与目标的形状、类别和姿态等密切相关，广泛应用于人造目标提取、地物分类等应用领域。
目前，对极化相干特征的有效利用仍存在两方面的局限。首先，极化相干特征十分敏感于目标的姿态。以建筑物为例，极化相干特征的取值严重依赖于建筑物取向与极化SAR飞行方向的相对关系。当二者平行时，极化相干特征取值趋近于1；当二者有较大夹角时，极化相干特征取值恶化，远低于1。这样，极化SAR对具有不同取向的建筑物的解译就会产生模糊。其次，对具有散射对称性的地物区域(如农作物等)，极化相干特征的取值较小，趋近于0，难以获得实际应用。如何通过优化方法有效增强地物的极化相干特征成为制约其有效利用的关键。因此，研究简单、高效、普适的极化相干特征增强方法对极化SAR图像的解译和应用都非常有价值。
发明内容
本发明为有效解决极化SAR图像中目标极化相干特征取值恶化和利用率不足等问题，提供了一种在绕雷达视线的旋转域中增强目标极化相干特征的方法。本方法对极化相干特征增强效果明显，对不同地物具有很好的普适性和鲁棒性。
本发明的基本思路是：极化相干特征十分敏感于目标姿态与极化SAR飞行方向的相对几何关系。同一目标在不同姿态情形下，其极化相干特征的取值会显著不同。这样，通过绕雷达视线进行旋转处理，能够改变目标姿态与极化SAR飞行方向的相对几何关系。因此，通过寻求旋转域中最优的目标姿态，可以实现目标极化相干特征的增强。这是本发明的原理基础。具体而言，将极化矩阵绕雷达视线进行旋转处理，求取旋转域中极化相干特征量的最大值，从而实现对目标极化相干特征的旋转域增强处理。
本发明的技术方案是：一种极化SAR图像中目标极化相干特征的增强方法，具体包括下述步骤：
利用极化SAR图像，获得每个像素点的极化散射矩阵Sj,j＝1,2,…,W，W表示极化SAR图像的像素点数。为表达方便，令极化散射矩阵S＝Sj。
第一步，构建极化散射矢量：
设极化散射矩阵为且满足互易性条件即SHV＝SVH。利用下式分别计算Pauli极化散射矢量kP和Lexicographic极化散射矢量kL：
其中，SHH为在水平极化H发射和水平极化H接收条件下获取的复后向散射系数；SVH为在水平极化H发射和垂直极化V接收条件下获取的复后向散射系数；SHV为在垂直极化V发射和水平极化H接收条件下获取的复后向散射系数；SVV为在垂直极化V发射和垂直极化V接收条件下获取的复后向散射系数。上标T为转置处理。
第二步，构建极化相干矩阵和极化协方差矩阵；
利用Pauli极化散射矢量，选取具有散射相似性的样本像素，并通过样本集合平均处理，构建极化相干矩阵T为
利用Lexicographic极化散射矢量，选取具有散射相似性的样本像素，并通过样本集合平均处理，构建极化协方差矩阵C为
其中，<·>为集合平均处理，上标为共轭转置处理。
第三步，极化相干矩阵和极化协方差矩阵旋转处理；
在绕SAR视线方向，即以SAR和目标连线为中心轴，对极化相干矩阵进行旋转处理，对旋转域中的旋转角θi，计算旋转处理后的极化相干矩阵T′(θi)，为：
其中，旋转矩阵为θi为旋转域中的旋转角，N根据实际情况确定，通常可取N＝1000。
根据极化相干矩阵和极化协方差矩阵的相似性，计算旋转处理后的极化协方差矩阵C′(θi)，为：
C′(θi)＝A-1T′(θi)A
其中，相似性变换矩阵为A-1为A的逆矩阵。
第四步，计算旋转域中的极化相干特征序列；
对每一个旋转角θi，利用绕雷达视线旋转处理得到的极化相干矩阵T′(θi)和极化协方差矩阵C′(θi)，计算四个典型的极化相干特征量，为：
这样，对旋转域中的所有旋转角θi，得到上述四个典型的极化相干特征量在旋转域中的极化相干特征序列，分别为：
第五步，计算增强的极化相干特征量。
在旋转域，计算极化相干特征序列|γp-q(θ)|的最大值|γp-q(θ)|max，为
其中，p和q代表两个不同的极化通道，即当极化通道p和极化通道q分别为HH+VV和HV时，可求得增强的极化相干特征量|γ(HH+VV)-(HV)(θ)|max；当极化通道p和极化通道q分别为HH-VV和HV时，可求得增强的极化相干特征量|γ(HH-VV)-(HV)(θ)|max；当极化通道p和极化通道q分别为HH和VV时，可求得增强的极化相干特征量|γHH-VV(θ)|max；当极化通道p和极化通道q分别为HH和HV时，可求得增强的极化相干特征量|γHH-HV(θ)|max。
用本发明可取得以下技术效果：
本发明所述的对极化SAR图像中目标极化相干特征的增强方法，利用了目标在绕雷达视线的旋转域上的特征差异，通过旋转优化处理达到增强目标极化相干特征的效果，解决了目标极化相干特征取值恶化和利用率低的问题。本发明实现简单，对不同目标和地物具有很好的鲁棒性，并且实施起来也非常方便，可直接用于对各种极化SAR系统获得的极化SAR图像进行处理。本发明对于极化SAR人造目标提取、地物分类、农作物生长监测、目标鉴别等应用领域有着重要的参考价值。
附图说明
图1本发明流程图；
图2至图4是利用本发明进行实验一的处理结果，其中：图2为机载Pi-SAR系统在日本仙台城区获取的X波段极化SAR图像；图3为机载Pi-SAR系统X波段极化SAR图像中目标极化相干特征增强前后对比图；图4为机载Pi-SAR系统X波段极化SAR图像目标极化相干特征增强前后的统计直方图。
图5至图7是利用本发明进行实验二的处理结果，其中：图5为机载AIRSAR系统在荷兰Flevoland农作物区获取的L波段极化SAR图像；图6为机载AIRSAR系统L波段极化SAR图像中目标极化相干特征增强前后对比图；图7为机载AIRSAR系统L波段极化SAR图像目标极化相干特征增强前后的统计直方图。
具体实施方式
为了更好地理解本发明的技术方案，以下结合附图对本发明的实施方式作进一步描述。
图1为本发明所提供的实施流程图。该流程图的第一步是构建极化散射矢量，对极化SAR图像中每个像素单元的极化散射矩阵，构建Pauli极化散射矢量和Lexicographic极化散射矢量。第二步是构建极化相干矩阵和极化协方差矩阵。其中，散射相似性样本像素的选取采用基于相似性检测的SimiTest算法进行处理，具体算法内容参见文献Si-Wei Chen,Xue-Song Wang and Motoyuki Sato,“PolInSAR complex coherence estimation basedon covariance matrix similarity test,”IEEE Transactions on Geoscience andRemote Sensing,vol.50,no.11,pp.4699–4710,Nov.2012。第三步是极化相干矩阵和极化协方差矩阵旋转处理。首先将极化相干矩阵绕雷达视线进行旋转处理，得到旋转域中极化相干矩阵的表达式。然后，根据极化相干矩阵和极化协方差矩阵的相似性，通过相似变换，得到旋转域中极化协方差矩阵的表达式。第四步是计算旋转域中极化相干特征序列。利用旋转处理得到的极化相干矩阵和极化协方差矩阵，计算旋转域中四个相互独立的典型极化相干特征序列|γ(HH+VV)-(HV)(θ)|、|γ(HH-VV)-(HV)(θ)|、|γHH-VV(θ)|和|γHH-HV(θ)|。第五步是计算增强的极化相干特征量。对极化SAR图像中的每一个像素单元，针对给定极化通道组合的极化相干特征，计算旋转域中该极化相干特征序列的最大值，确定为增强的极化相干特征量。这样，遍历极化SAR图像的每一像素单元，就得到了在旋转域增强的目标极化相干特征图。
图2至图4是利用本发明的具体实施方式进行实验一的处理结果。该实验采用的是机载Pi-SAR系统在日本仙台城区获取的X波段极化SAR图像。该极化SAR图像主要包含建筑物、足球场、网球场、森林和河流等地物。距离向和方位向分辨率均约为1.25米。
图2为机载Pi-SAR系统在日本仙台城区获取的X波段极化SAR图像。图(a)为HH极化通道能量图，图(b)为VV极化通道能量图，图(c)为HV极化通道能量图。
图3为机载Pi-SAR系统X波段极化SAR图像中目标极化相干特征增强前后对比图。极化相干矩阵由SimiTest算法进行估计。图(a)-(d)为增强前的极化相干特征图，即不进行旋转处理(即旋转角θi＝0)时得到的极化相干特征图。其中，图(a)为|γ(HH+VV)-(HV)|，图(b)为|γ(HH-VV)-(HV)|，图(c)为|γHH-VV|和图(d)为|γHH-HV|。图(e)-(h)为增强后的极化相干特征图，即旋转域中极化相干特征序列的最大值。其中，图(e)为|γ(HH+VV)-(HV)(θ)|max，图(f)为|γ(HH-VV)-(HV)(θ)|max，图(g)为|γHH-VV(θ)|max和图(h)为|γHH-HV(θ)|max。可以清楚的看到，经过旋转域增强处理，各极化相干特征的取值得到了显著增强。同时，不同地物(如建筑物和森林)的极化相干特征的增强程度不同，即增强了地物之间的对比度，为后续人造目标提取等应用奠定了基础。
图4为机载Pi-SAR系统X波段极化SAR图像目标极化相干特征增强前后的统计直方图。图(a)为|γ(HH+VV)-(HV)|，图(b)为|γ(HH-VV)-(HV)|，图(c)为|γHH-VV|和图(d)为|γHH-HV|。其中，横坐标为极化相干特征的取值，纵坐标为极化相干特征的取值概率，虚线代表增强前极化相干特征的直方图，实线代表增强后对应极化相干特征的直方图。对各极化相干特征，增强后的直方图曲线向取值更大的区域移动，证实了增强的性能。通过旋转优化处理后，|γ(HH+VV)-(HV)|的均值由0.32增加至0.51，|γ(HH-VV)-(HV)|的均值由0.32增加至0.49，|γHH-VV|的均值由0.54增加至0.71，|γHH-HV|的均值由0.34增加至0.59，优化增强效果十分显著。
图5至图7是利用本发明的具体实施方式对L波段机载AIRSAR系统在荷兰Flevoland农作物区获取的极化SAR图像的处理结果。该极化SAR图像主要包含小麦、土豆、苜蓿、豌豆和甜菜等农作物。距离向和方位向分辨率分别约为6.7米和12.2米。
图5为机载AIRSAR系统在荷兰Flevoland农作物区获取的L波段极化SAR图像。图(a)为HH极化通道能量图，图(b)为VV极化通道能量图，图(c)为HV极化通道能量图。
图6为机载AIRSAR系统L波段极化SAR图像中目标极化相干特征增强前后对比图。极化相干矩阵由SimiTest算法进行估计。图(a)-(d)为增强前典型极化相干特征图，即不进行旋转处理(即旋转角θi＝0)时得到的极化相干特征。其中，图(a)为|γ(HH+VV)-(HV)|，图(b)为|γ(HH-VV)-(HV)|，图(c)为|γHH-VV|和图(d)为|γHH-HV|。图(e)-(h)为增强后极化相干特征图，即旋转域中极化相干特征的最大值。其中，图(e)为|γ(HH+VV)-(HV)(θ)|max，图(f)为|γ(HH-VV)-(HV)(θ)|max，图(g)为|γHH-VV(θ)|max和图(h)为|γHH-HV(θ)|max。可以清楚的看到，经过旋转域增强处理，各极化相干特征的取值得到了显著增强，同时增强了不同农作物之间的对比度，为后续农作物分类和生长监测等应用奠定了基础。
图7为机载AIRSAR系统L波段极化SAR图像目标极化相干特征增强前后的统计直方图，图(a)为|γ(HH+VV)-(HV)|，图(b)为|γ(HH-VV)-(HV)|，图(c)为|γHH-VV|和图(d)为|γHH-HV|。其中，横坐标为极化相干特征的取值，纵坐标为极化相干特征的取值概率，虚线代表增强前极化相干特征的直方图，实线代表增强后对应极化相干特征的直方图。对各极化相干特征，增强后的直方图向取值更大的区域移动，证实了增强的性能。通过旋转优化处理后，|γ(HH+VV)-(HV)|的均值由0.12增加至0.33，|γ(HH-VV)-(HV)|的均值由0.11增加至0.48，|γHH-VV|的均值由0.35增加至0.64，|γHH-HV|的均值由0.13增加至0.45，优化增强效果明显。

Claims (1)

1.一种极化SAR图像中目标极化相干特征的增强方法，SAR是指合成孔径雷达，获得极化SAR图像每个像素点的极化散射矩阵Sj,j＝1,2,…,W，W表示极化SAR图像的像素点数，令极化散射矩阵S＝Sj，其特征在于，包括下述步骤：
第一步，构建极化散射矢量：
设极化散射矩阵为且满足互易性条件即SHV＝SVH；利用下式分别计算Pauli极化散射矢量kP和Lexicographic极化散射矢量kL：
<mrow> <msub> <mi>k</mi> <mi>P</mi> </msub> <mo>=</mo> <mfrac> <mn>1</mn> <msqrt> <mn>2</mn> </msqrt> </mfrac> <msup> <mfenced open = "[" close = "]"> <mtable> <mtr> <mtd> <mrow> <msub> <mi>S</mi> <mrow> <mi>H</mi> <mi>H</mi> </mrow> </msub> <mo>+</mo> <msub> <mi>S</mi> <mrow> <mi>V</mi> <mi>V</mi> </mrow> </msub> </mrow> </mtd> <mtd> <mrow> <msub> <mi>S</mi> <mrow> <mi>H</mi> <mi>H</mi> </mrow> </msub> <mo>-</mo> <msub> <mi>S</mi> <mrow> <mi>V</mi> <mi>V</mi> </mrow> </msub> </mrow> </mtd> <mtd> <mrow> <mn>2</mn> <msub> <mi>S</mi> <mrow> <mi>H</mi> <mi>V</mi> </mrow> </msub> </mrow> </mtd> </mtr> </mtable> </mfenced> <mi>T</mi> </msup> </mrow>
<mrow> <msub> <mi>k</mi> <mi>L</mi> </msub> <mo>=</mo> <msup> <mfenced open = "[" close = "]"> <mtable> <mtr> <mtd> <msub> <mi>S</mi> <mrow> <mi>H</mi> <mi>H</mi> </mrow> </msub> </mtd> <mtd> <mrow> <msqrt> <mn>2</mn> </msqrt> <msub> <mi>S</mi> <mrow> <mi>H</mi> <mi>V</mi> </mrow> </msub> </mrow> </mtd> <mtd> <msub> <mi>S</mi> <mrow> <mi>V</mi> <mi>V</mi> </mrow> </msub> </mtd> </mtr> </mtable> </mfenced> <mi>T</mi> </msup> </mrow>
其中，SHH为在水平极化H发射和水平极化H接收条件下获取的复后向散射系数；SVH为在水平极化H发射和垂直极化V接收条件下获取的复后向散射系数；SHV为在垂直极化V发射和水平极化H接收条件下获取的复后向散射系数；SVV为在垂直极化V发射和垂直极化V接收条件下获取的复后向散射系数；其中V表示垂直，H表示水平，上标T为转置处理；
第二步，构建极化相干矩阵和极化协方差矩阵；
利用Pauli极化散射矢量，选取具有散射相似性的样本像素，并通过样本集合平均处理，构建极化相干矩阵T为：
利用Lexicographic极化散射矢量，选取具有散射相似性的样本像素，并通过样本集合平均处理，构建极化协方差矩阵C为：
其中，<·>为集合平均处理，上标为共轭转置处理，上标*表示求共轭；
第三步，极化相干矩阵和极化协方差矩阵旋转处理；
在绕SAR视线方向，对极化相干矩阵进行旋转处理，对旋转域中的旋转角θi，计算旋转处理后的极化相干矩阵T′(θi)，为：
其中，旋转矩阵为θi为旋转域中的旋转角，N根据实际情况确定；
计算旋转处理后的极化协方差矩阵C′(θi)为：
<mrow> <msup> <mi>C</mi> <mo>&amp;prime;</mo> </msup> <mrow> <mo>(</mo> <msub> <mi>&amp;theta;</mi> <mi>i</mi> </msub> <mo>)</mo> </mrow> <mo>=</mo> <msup> <mi>A</mi> <mrow> <mo>-</mo> <mn>1</mn> </mrow> </msup> <msup> <mi>T</mi> <mo>&amp;prime;</mo> </msup> <mrow> <mo>(</mo> <msub> <mi>&amp;theta;</mi> <mi>i</mi> </msub> <mo>)</mo> </mrow> <mi>A</mi> <mo>=</mo> <mfenced open = "[" close = "]"> <mtable> <mtr> <mtd> <mrow> <msub> <mi>C</mi> <mn>11</mn> </msub> <mrow> <mo>(</mo> <msub> <mi>&amp;theta;</mi> <mi>i</mi> </msub> <mo>)</mo> </mrow> </mrow> </mtd> <mtd> <mrow> <msub> <mi>C</mi> <mn>12</mn> </msub> <mrow> <mo>(</mo> <msub> <mi>&amp;theta;</mi> <mi>i</mi> </msub> <mo>)</mo> </mrow> </mrow> </mtd> <mtd> <mrow> <msub> <mi>C</mi> <mn>13</mn> </msub> <mrow> <mo>(</mo> <msub> <mi>&amp;theta;</mi> <mi>i</mi> </msub> <mo>)</mo> </mrow> </mrow> </mtd> </mtr> <mtr> <mtd> <mrow> <msub> <mi>C</mi> <mn>21</mn> </msub> <mrow> <mo>(</mo> <msub> <mi>&amp;theta;</mi> <mi>i</mi> </msub> <mo>)</mo> </mrow> </mrow> </mtd> <mtd> <mrow> <msub> <mi>C</mi> <mn>22</mn> </msub> <mrow> <mo>(</mo> <msub> <mi>&amp;theta;</mi> <mi>i</mi> </msub> <mo>)</mo> </mrow> </mrow> </mtd> <mtd> <mrow> <msub> <mi>C</mi> <mn>23</mn> </msub> <mrow> <mo>(</mo> <msub> <mi>&amp;theta;</mi> <mi>i</mi> </msub> <mo>)</mo> </mrow> </mrow> </mtd> </mtr> <mtr> <mtd> <mrow> <msub> <mi>C</mi> <mn>31</mn> </msub> <mrow> <mo>(</mo> <msub> <mi>&amp;theta;</mi> <mi>i</mi> </msub> <mo>)</mo> </mrow> </mrow> </mtd> <mtd> <mrow> <msub> <mi>C</mi> <mn>32</mn> </msub> <mrow> <mo>(</mo> <msub> <mi>&amp;theta;</mi> <mi>i</mi> </msub> <mo>)</mo> </mrow> </mrow> </mtd> <mtd> <mrow> <msub> <mi>C</mi> <mn>33</mn> </msub> <mrow> <mo>(</mo> <msub> <mi>&amp;theta;</mi> <mi>i</mi> </msub> <mo>)</mo> </mrow> </mrow> </mtd> </mtr> </mtable> </mfenced> </mrow>
其中，相似性变换矩阵A-1为A的逆矩阵；
第四步，计算旋转域中的极化相干特征序列；
对每一个旋转角θi，计算极化相干特征量，为：
<mrow> <mo>|</mo> <msub> <mi>&amp;gamma;</mi> <mrow> <mo>(</mo> <mi>H</mi> <mi>H</mi> <mo>+</mo> <mi>V</mi> <mi>V</mi> <mo>)</mo> <mo>-</mo> <mo>(</mo> <mi>H</mi> <mi>V</mi> <mo>)</mo> </mrow> </msub> <mrow> <mo>(</mo> <msub> <mi>&amp;theta;</mi> <mi>i</mi> </msub> <mo>)</mo> </mrow> <mo>|</mo> <mo>=</mo> <mfrac> <mrow> <mo>|</mo> <msub> <mi>T</mi> <mn>13</mn> </msub> <mrow> <mo>(</mo> <msub> <mi>&amp;theta;</mi> <mi>i</mi> </msub> <mo>)</mo> </mrow> <mo>|</mo> </mrow> <msqrt> <mrow> <msub> <mi>T</mi> <mn>11</mn> </msub> <mrow> <mo>(</mo> <msub> <mi>&amp;theta;</mi> <mi>i</mi> </msub> <mo>)</mo> </mrow> <msub> <mi>T</mi> <mn>33</mn> </msub> <mrow> <mo>(</mo> <msub> <mi>&amp;theta;</mi> <mi>i</mi> </msub> <mo>)</mo> </mrow> </mrow> </msqrt> </mfrac> </mrow>
<mrow> <mo>|</mo> <msub> <mi>&amp;gamma;</mi> <mrow> <mo>(</mo> <mi>H</mi> <mi>H</mi> <mo>-</mo> <mi>V</mi> <mi>V</mi> <mo>)</mo> <mo>-</mo> <mo>(</mo> <mi>H</mi> <mi>V</mi> <mo>)</mo> </mrow> </msub> <mrow> <mo>(</mo> <msub> <mi>&amp;theta;</mi> <mi>i</mi> </msub> <mo>)</mo> </mrow> <mo>|</mo> <mo>=</mo> <mfrac> <mrow> <mo>|</mo> <msub> <mi>T</mi> <mn>23</mn> </msub> <mrow> <mo>(</mo> <msub> <mi>&amp;theta;</mi> <mi>i</mi> </msub> <mo>)</mo> </mrow> <mo>|</mo> </mrow> <msqrt> <mrow> <msub> <mi>T</mi> <mn>22</mn> </msub> <mrow> <mo>(</mo> <msub> <mi>&amp;theta;</mi> <mi>i</mi> </msub> <mo>)</mo> </mrow> <msub> <mi>T</mi> <mn>33</mn> </msub> <mrow> <mo>(</mo> <msub> <mi>&amp;theta;</mi> <mi>i</mi> </msub> <mo>)</mo> </mrow> </mrow> </msqrt> </mfrac> </mrow>
<mrow> <mo>|</mo> <msub> <mi>&amp;gamma;</mi> <mrow> <mi>H</mi> <mi>H</mi> <mo>-</mo> <mi>V</mi> <mi>V</mi> </mrow> </msub> <mrow> <mo>(</mo> <msub> <mi>&amp;theta;</mi> <mi>i</mi> </msub> <mo>)</mo> </mrow> <mo>|</mo> <mo>=</mo> <mfrac> <mrow> <mo>|</mo> <msub> <mi>C</mi> <mn>13</mn> </msub> <mrow> <mo>(</mo> <msub> <mi>&amp;theta;</mi> <mi>i</mi> </msub> <mo>)</mo> </mrow> <mo>|</mo> </mrow> <msqrt> <mrow> <msub> <mi>C</mi> <mn>11</mn> </msub> <mrow> <mo>(</mo> <msub> <mi>&amp;theta;</mi> <mi>i</mi> </msub> <mo>)</mo> </mrow> <msub> <mi>C</mi> <mn>33</mn> </msub> <mrow> <mo>(</mo> <msub> <mi>&amp;theta;</mi> <mi>i</mi> </msub> <mo>)</mo> </mrow> </mrow> </msqrt> </mfrac> </mrow>
<mrow> <mo>|</mo> <msub> <mi>&amp;gamma;</mi> <mrow> <mi>H</mi> <mi>H</mi> <mo>-</mo> <mi>H</mi> <mi>V</mi> </mrow> </msub> <mrow> <mo>(</mo> <msub> <mi>&amp;theta;</mi> <mi>i</mi> </msub> <mo>)</mo> </mrow> <mo>|</mo> <mo>=</mo> <mfrac> <mrow> <mo>|</mo> <msub> <mi>C</mi> <mn>12</mn> </msub> <mrow> <mo>(</mo> <msub> <mi>&amp;theta;</mi> <mi>i</mi> </msub> <mo>)</mo> </mrow> <mo>|</mo> </mrow> <msqrt> <mrow> <msub> <mi>C</mi> <mn>11</mn> </msub> <mrow> <mo>(</mo> <msub> <mi>&amp;theta;</mi> <mi>i</mi> </msub> <mo>)</mo> </mrow> <msub> <mi>C</mi> <mn>22</mn> </msub> <mrow> <mo>(</mo> <msub> <mi>&amp;theta;</mi> <mi>i</mi> </msub> <mo>)</mo> </mrow> </mrow> </msqrt> </mfrac> </mrow>
得到上述极化相干特征量在旋转域中的极化相干特征序列，分别为：
<mrow> <mo>|</mo> <msub> <mi>&amp;gamma;</mi> <mrow> <mo>(</mo> <mi>H</mi> <mi>H</mi> <mo>+</mo> <mi>V</mi> <mi>V</mi> <mo>)</mo> <mo>-</mo> <mo>(</mo> <mi>H</mi> <mi>V</mi> <mo>)</mo> </mrow> </msub> <mrow> <mo>(</mo> <mi>&amp;theta;</mi> <mo>)</mo> </mrow> <mo>|</mo> <mo>=</mo> <mo>{</mo> <mo>|</mo> <msub> <mi>&amp;gamma;</mi> <mrow> <mo>(</mo> <mi>H</mi> <mi>H</mi> <mo>+</mo> <mi>V</mi> <mi>V</mi> <mo>)</mo> <mo>-</mo> <mo>(</mo> <mi>H</mi> <mi>V</mi> <mo>)</mo> </mrow> </msub> <mrow> <mo>(</mo> <msub> <mi>&amp;theta;</mi> <mi>i</mi> </msub> <mo>)</mo> </mrow> <mo>|</mo> <mo>|</mo> <msub> <mi>&amp;theta;</mi> <mi>i</mi> </msub> <mo>=</mo> <mo>-</mo> <mi>&amp;pi;</mi> <mo>,</mo> <mo>-</mo> <mi>&amp;pi;</mi> <mo>+</mo> <mfrac> <mrow> <mn>2</mn> <mi>&amp;pi;</mi> </mrow> <mi>N</mi> </mfrac> <mo>,</mo> <mo>-</mo> <mi>&amp;pi;</mi> <mo>+</mo> <mn>2</mn> <mfrac> <mrow> <mn>2</mn> <mi>&amp;pi;</mi> </mrow> <mi>N</mi> </mfrac> <mo>,</mo> <mo>...</mo> <mn>0</mn> <mo>,</mo> <mfrac> <mrow> <mn>2</mn> <mi>&amp;pi;</mi> </mrow> <mi>N</mi> </mfrac> <mo>,</mo> <mn>2</mn> <mfrac> <mrow> <mn>2</mn> <mi>&amp;pi;</mi> </mrow> <mi>N</mi> </mfrac> <mo>,</mo> <mo>...</mo> <mo>,</mo> <mi>&amp;pi;</mi> <mo>}</mo> <mo>,</mo> </mrow>
<mrow> <mo>|</mo> <msub> <mi>&amp;gamma;</mi> <mrow> <mo>(</mo> <mi>H</mi> <mi>H</mi> <mo>-</mo> <mi>V</mi> <mi>V</mi> <mo>)</mo> <mo>-</mo> <mo>(</mo> <mi>H</mi> <mi>V</mi> <mo>)</mo> </mrow> </msub> <mrow> <mo>(</mo> <mi>&amp;theta;</mi> <mo>)</mo> </mrow> <mo>|</mo> <mo>=</mo> <mo>{</mo> <mo>|</mo> <msub> <mi>&amp;gamma;</mi> <mrow> <mo>(</mo> <mi>H</mi> <mi>H</mi> <mo>-</mo> <mi>V</mi> <mi>V</mi> <mo>)</mo> <mo>-</mo> <mo>(</mo> <mi>H</mi> <mi>V</mi> <mo>)</mo> </mrow> </msub> <mrow> <mo>(</mo> <msub> <mi>&amp;theta;</mi> <mi>i</mi> </msub> <mo>)</mo> </mrow> <mo>|</mo> <mo>|</mo> <msub> <mi>&amp;theta;</mi> <mi>i</mi> </msub> <mo>=</mo> <mo>-</mo> <mi>&amp;pi;</mi> <mo>,</mo> <mo>-</mo> <mi>&amp;pi;</mi> <mo>+</mo> <mfrac> <mrow> <mn>2</mn> <mi>&amp;pi;</mi> </mrow> <mi>N</mi> </mfrac> <mo>,</mo> <mo>-</mo> <mi>&amp;pi;</mi> <mo>+</mo> <mn>2</mn> <mfrac> <mrow> <mn>2</mn> <mi>&amp;pi;</mi> </mrow> <mi>N</mi> </mfrac> <mo>,</mo> <mo>...</mo> <mn>0</mn> <mo>,</mo> <mfrac> <mrow> <mn>2</mn> <mi>&amp;pi;</mi> </mrow> <mi>N</mi> </mfrac> <mo>,</mo> <mn>2</mn> <mfrac> <mrow> <mn>2</mn> <mi>&amp;pi;</mi> </mrow> <mi>N</mi> </mfrac> <mo>,</mo> <mo>...</mo> <mo>,</mo> <mi>&amp;pi;</mi> <mo>}</mo> <mo>,</mo> </mrow>
<mrow> <mo>|</mo> <msub> <mi>&amp;gamma;</mi> <mrow> <mi>H</mi> <mi>H</mi> <mo>-</mo> <mi>V</mi> <mi>V</mi> </mrow> </msub> <mrow> <mo>(</mo> <mi>&amp;theta;</mi> <mo>)</mo> </mrow> <mo>|</mo> <mo>=</mo> <mo>{</mo> <mo>|</mo> <msub> <mi>&amp;gamma;</mi> <mrow> <mi>H</mi> <mi>H</mi> <mo>-</mo> <mi>V</mi> <mi>V</mi> </mrow> </msub> <mrow> <mo>(</mo> <msub> <mi>&amp;theta;</mi> <mi>i</mi> </msub> <mo>)</mo> </mrow> <mo>|</mo> <mo>|</mo> <msub> <mi>&amp;theta;</mi> <mi>i</mi> </msub> <mo>=</mo> <mo>-</mo> <mi>&amp;pi;</mi> <mo>,</mo> <mo>-</mo> <mi>&amp;pi;</mi> <mo>+</mo> <mfrac> <mrow> <mn>2</mn> <mi>&amp;pi;</mi> </mrow> <mi>N</mi> </mfrac> <mo>,</mo> <mo>-</mo> <mi>&amp;pi;</mi> <mo>+</mo> <mn>2</mn> <mfrac> <mrow> <mn>2</mn> <mi>&amp;pi;</mi> </mrow> <mi>N</mi> </mfrac> <mo>,</mo> <mo>...</mo> <mn>0</mn> <mo>,</mo> <mfrac> <mrow> <mn>2</mn> <mi>&amp;pi;</mi> </mrow> <mi>N</mi> </mfrac> <mo>,</mo> <mn>2</mn> <mfrac> <mrow> <mn>2</mn> <mi>&amp;pi;</mi> </mrow> <mi>N</mi> </mfrac> <mo>,</mo> <mo>...</mo> <mo>,</mo> <mi>&amp;pi;</mi> <mo>}</mo> <mo>,</mo> </mrow>
<mrow> <mo>|</mo> <msub> <mi>&amp;gamma;</mi> <mrow> <mi>H</mi> <mi>H</mi> <mo>-</mo> <mi>H</mi> <mi>V</mi> </mrow> </msub> <mrow> <mo>(</mo> <mi>&amp;theta;</mi> <mo>)</mo> </mrow> <mo>|</mo> <mo>=</mo> <mo>{</mo> <mo>|</mo> <msub> <mi>&amp;gamma;</mi> <mrow> <mi>H</mi> <mi>H</mi> <mo>-</mo> <mi>H</mi> <mi>V</mi> </mrow> </msub> <mrow> <mo>(</mo> <msub> <mi>&amp;theta;</mi> <mi>i</mi> </msub> <mo>)</mo> </mrow> <mo>|</mo> <mo>|</mo> <msub> <mi>&amp;theta;</mi> <mi>i</mi> </msub> <mo>=</mo> <mo>-</mo> <mi>&amp;pi;</mi> <mo>,</mo> <mo>-</mo> <mi>&amp;pi;</mi> <mo>+</mo> <mfrac> <mrow> <mn>2</mn> <mi>&amp;pi;</mi> </mrow> <mi>N</mi> </mfrac> <mo>,</mo> <mo>-</mo> <mi>&amp;pi;</mi> <mo>+</mo> <mn>2</mn> <mfrac> <mrow> <mn>2</mn> <mi>&amp;pi;</mi> </mrow> <mi>N</mi> </mfrac> <mo>,</mo> <mo>...</mo> <mn>0</mn> <mo>,</mo> <mfrac> <mrow> <mn>2</mn> <mi>&amp;pi;</mi> </mrow> <mi>N</mi> </mfrac> <mo>,</mo> <mn>2</mn> <mfrac> <mrow> <mn>2</mn> <mi>&amp;pi;</mi> </mrow> <mi>N</mi> </mfrac> <mo>,</mo> <mo>...</mo> <mo>,</mo> <mi>&amp;pi;</mi> <mo>}</mo> <mo>;</mo> </mrow>
第五步，计算增强的极化相干特征量；
在旋转域，计算极化相干特征序列|γp-q(θ)|的最大值|γp-q(θ)|max，为
<mrow> <mo>|</mo> <msub> <mi>&amp;gamma;</mi> <mrow> <mi>p</mi> <mo>-</mo> <mi>q</mi> </mrow> </msub> <mrow> <mo>(</mo> <mi>&amp;theta;</mi> <mo>)</mo> </mrow> <msub> <mo>|</mo> <mrow> <mi>m</mi> <mi>a</mi> <mi>x</mi> </mrow> </msub> <mo>=</mo> <munder> <mrow> <mi>m</mi> <mi>a</mi> <mi>x</mi> </mrow> <mi>i</mi> </munder> <mo>{</mo> <mo>|</mo> <msub> <mi>&amp;gamma;</mi> <mrow> <mi>p</mi> <mo>-</mo> <mi>q</mi> </mrow> </msub> <mrow> <mo>(</mo> <msub> <mi>&amp;theta;</mi> <mi>i</mi> </msub> <mo>)</mo> </mrow> <mo>|</mo> <mo>|</mo> <msub> <mi>&amp;theta;</mi> <mi>i</mi> </msub> <mo>=</mo> <mo>-</mo> <mi>&amp;pi;</mi> <mo>,</mo> <mo>-</mo> <mi>&amp;pi;</mi> <mo>+</mo> <mfrac> <mrow> <mn>2</mn> <mi>&amp;pi;</mi> </mrow> <mi>N</mi> </mfrac> <mo>,</mo> <mo>-</mo> <mi>&amp;pi;</mi> <mo>+</mo> <mn>2</mn> <mfrac> <mrow> <mn>2</mn> <mi>&amp;pi;</mi> </mrow> <mi>N</mi> </mfrac> <mo>,</mo> <mo>...</mo> <mo>,</mo> <mi>&amp;pi;</mi> <mo>}</mo> </mrow>
其中，p和q分别代表相应的极化通道。
CN201510888374.6A 2015-12-05 2015-12-05 极化sar图像中目标极化相干特征的增强方法 Active CN105528767B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201510888374.6A CN105528767B (zh) 2015-12-05 2015-12-05 极化sar图像中目标极化相干特征的增强方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201510888374.6A CN105528767B (zh) 2015-12-05 2015-12-05 极化sar图像中目标极化相干特征的增强方法

Publications (2)

Publication Number Publication Date
CN105528767A CN105528767A (zh) 2016-04-27
CN105528767B true CN105528767B (zh) 2018-02-09

Family

ID=55770972

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201510888374.6A Active CN105528767B (zh) 2015-12-05 2015-12-05 极化sar图像中目标极化相干特征的增强方法

Country Status (1)

Country Link
CN (1) CN105528767B (zh)

Families Citing this family (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106340028A (zh) * 2016-09-18 2017-01-18 中国人民解放军国防科学技术大学 基于相似性检验的极化sar图像边缘检测方法
CN106897741B (zh) * 2017-02-20 2019-06-14 中国人民解放军国防科学技术大学 结合旋转域极化相干特征的极化sar地物分类方法
CN108875798B (zh) * 2018-05-29 2022-06-24 电子科技大学 一种基于空间金字塔池化的超像素级特征提取方法
CN110335214B (zh) * 2019-07-09 2021-02-26 中国人民解放军国防科技大学 结合上下文协方差矩阵的全极化sar图像相干斑滤波方法
CN111856421B (zh) * 2020-01-17 2022-07-15 中国人民解放军国防科技大学 一种极化旋转域特征提取与雷达目标增强的方法和装置

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5313210A (en) * 1993-02-23 1994-05-17 Ball Corporation Polarimetric radar signal mapping process
CN103529447A (zh) * 2012-07-02 2014-01-22 中国科学院对地观测与数字地球科学中心 面向城市区域的极化四分量分解方法
CN103901415A (zh) * 2014-02-28 2014-07-02 西安电子科技大学 极化相似度匹配下的极化相干矩阵散射能量分解方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5313210A (en) * 1993-02-23 1994-05-17 Ball Corporation Polarimetric radar signal mapping process
CN103529447A (zh) * 2012-07-02 2014-01-22 中国科学院对地观测与数字地球科学中心 面向城市区域的极化四分量分解方法
CN103901415A (zh) * 2014-02-28 2014-07-02 西安电子科技大学 极化相似度匹配下的极化相干矩阵散射能量分解方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
Four-Component Scattering Power Decomposition With Rotation of Coherency Matrix;Yoshio Yamaguchi 等;《2010 IEEE International Geoscience and Remote Sensing Symposium(IGARSS)》;20100730;2251-2258 *
Modelling and Interpretation of Scattering Mechanisms in Polarimetric Synthetic Aperture Radar;Si-Wei Chen 等;《IEEE SIGNAL PROCESSING MAGAZINE》;20140731;79-89 *
Polarimetric scattering analysis for detecting largely-oriented man-made objects based on eigenvalues/eigenvectors analysis to the rotated coherency matrix;Ryoichi Sato 等;《2015 IEEE International Geoscience and Remote Sensing Symposium(IGARSS)》;20150731;3810-3813 *

Also Published As

Publication number Publication date
CN105528767A (zh) 2016-04-27

Similar Documents

Publication Publication Date Title
CN105528767B (zh) 极化sar图像中目标极化相干特征的增强方法
CN110826643B (zh) 一种极化欧拉特征融合深度学习的海上目标识别方法
CN106909939B (zh) 一种结合旋转域极化零角特征的极化sar地物分类方法
CN107589412B (zh) 一种基于极化功率矩阵特征值的昆虫特征参数反演方法
CN109752696B (zh) 一种高分辨率合成孔径雷达卫星图像中角反射器rcs校正方法
CN107358214A (zh) 基于卷积神经网络的极化sar地物分类方法
CN107688169B (zh) 一种基于极化功率矩阵行列式的昆虫特征参数反演方法
CN106897741B (zh) 结合旋转域极化相干特征的极化sar地物分类方法
CN111766577B (zh) 一种基于三阶段算法p波段的输电线路通道树木高度反演方法
CN110223311A (zh) 基于功率驱动自适应窗的极化雷达遥感图像边缘检测方法
CN105467373B (zh) 一种宽带复合双基地雷达锥体目标物理尺寸估计方法
CN105447867A (zh) 基于isar图像的空间目标姿态估计方法
CN110297241B (zh) 一种用于图像处理的上下文协方差矩阵构建方法
CN108614249A (zh) 相位误差的估计方法、装置、补偿方法和系统
CN103940834A (zh) 采用合成孔径雷达技术测量土壤湿度的方法
CN105676200B (zh) 进动目标结构参数提取方法
Zhao et al. Seedlings number identification of rape planter based on low altitude unmanned aerial vehicles remote sensing technology
CN112684446A (zh) 基于最小熵准则的Bi-ISAR横向定标与畸变校正方法
CN108710816B (zh) 一种基于概率融合的极化sar图像建筑物检测方法
CN110276240B (zh) 一种sar图像建筑物墙面窗户信息提取方法
CN106291585A (zh) 低采样点数下的太赫兹高分辨率成像方法
CN107358162A (zh) 基于深度堆栈网络的极化sar影像变化检测方法
Wu et al. ISAR Image Registration Based on Normalized Correlation Coefficient
CN113640794B (zh) 一种mimo-sar三维成像自聚焦方法
CN106204664A (zh) 基于sar‑lark特征的sar舰船目标检测方法

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
C10 Entry into substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant