CN106483524A - 基于全极化干涉合成孔径雷达数据的建筑物提取方法 - Google Patents

Abstract

本发明公开了基于全极化干涉合成孔径雷达数据的建筑物提取方法，所述方法包括：步骤1)依次计算全极化干涉合成孔径雷达图像中每个点的散射总功率SPAN；步骤2)确定功率阈值α₁，依次比较图像中每个点的功率SPAN是否大于α₁，如果判定结果是否定的，则该点不是建筑物，否则，对于SPAN比阈值α₁大的点，转入步骤3)；步骤3)基于全极化干涉合成孔径雷数据，求解相干最优化问题，计算平均相干参数；步骤4)确定平均相干参数的阈值α₂，判定值比阈值α₂小的点不是建筑物，反之则判定为建筑物。本发明的方法可以提高雷达图像中建筑物的识别准确率。

Description

基于全极化干涉合成孔径雷达数据的建筑物提取方法

技术领域

本发明涉及重复轨道全极化干涉合成孔径雷达的信息处理领域，特别涉及基于全极化干涉合成孔径雷达数据进行建筑物提取方法。

背景技术

利用雷达图像提取或识别建筑物对于土地资源监管是非常重要的手段。目前，使用全极化合成孔径雷达数据进行建筑物提取是常用的方法。一般采用目标分解的方法来解译目标散射体的散射类型。当雷达的发射的电磁波照射到建筑物上，建筑物一般会产生很强的双次散射。如果目标散射体的回波中包含很强的双次散射，则认为目标很可能是建筑物。但是当建筑物的方向与雷达航迹有一定的夹角的时候，建筑物的双次散射减弱，并且会产生额外的交叉极化的后向散射。当建筑物的方向与雷达航迹的夹角很大时(45度左右)，额外产生的交叉极化很强，双次散射很弱，导致这样的建筑物被错误判定为森林。虽然目前一些目标分解方法是旋转不变的(比如H/Alpha分解、Touzi分解等)，但仍然也存在这个问题。

目前，全极化干涉合成孔径雷达技术被广泛应用。对于重复轨道的全极化干涉合成孔径雷达，建筑物对雷达的时间基线不敏感，而自然目标则相反。所以可以利用极化干涉相干参数来区别建筑物和自然目标，并且和建筑物与雷达的航迹之间的夹角无关。

发明内容

本发明的目的在于克服了全极化合成孔径雷达数据受建筑物与雷达航迹之间的夹角调制的缺点，提出了基于全极化干涉合成孔径雷达数据进行建筑物提取方法，该方法利用同一幅场景的不同时间的全极化数据之间的干涉特性，弥补单一全极化数据受建筑物与雷达航迹之间夹角调制的缺点。

为实现上述目的，本发明提出了基于全极化干涉合成孔径雷达数据的建筑物提取方法，所述方法包括：

步骤1)依次计算全极化干涉合成孔径雷达图像中每个点的散射总功率SPAN；

步骤2)确定功率阈值α₁，依次比较图像中每个点的功率SPAN是否大于α₁，如果判定结果是否定的，则该点不是建筑物，否则，对于SPAN比阈值α₁大的点，转入步骤3)；

步骤3)基于全极化干涉合成孔径雷达数据，求解相干最优化问题，计算平均相干参数；

步骤4)确定平均相干参数的阈值α₂，判定值比阈值α₂小的点不是建筑物，反之则判定为建筑物。

上述技术方案中，所述步骤1)具体为：

首先读入全极化干涉合成孔径雷达图像中每个点的散射矩阵形式的数据，得到两个三维的散射矢量k₁和k₂；利用k₁和k₂构建6×6的半正定艾米特矩阵T₆：

其中，上标*T表示矩阵的共轭转置操作；

对T₆进行斑点滤波，降低斑点噪声；然后从T₆中得到3×3矩阵T₁₁、T₂₂和Ω₁₂数据：

和

最后得到总功率SPAN：

SPAN＝trace(T₁₁)+trace(T₂₂)

SPAN是两个通道的功率之和。

上述技术方案中，所述步骤3)具体为：

对3×3矩阵进行特征分解，得到特征矢量ω₁₁、ω₁₂和ω₁₃，特征值υ₁₁、υ₁₂和υ₁₃；对3×3矩阵进行特征分解，得到特征矢量ω₂₁、ω₂₂和ω₂₃，特征值υ₂₁、υ₂₂和υ₂₃；由此得到三个最优的相干参数γ₁、γ₂和γ₃：

利用三个特征值υ₁₁、υ₁₂和υ₁₃定义三个伪概率p₁、p₂和p₃：

p_i＝υ_1i/(υ₁₁+υ₁₂+υ₁₃)

p₁、p₂和p₃表示相应的特征矢量出现的概率，由于三个最优的相干参数是由特征矢量计算得到的，所以相干参数γ₁、γ₂和γ₃出现的概率也是p₁、p₂和p₃；那么，定义一个平均相干参数

该参数包含了γ₁、γ₂和γ₃的信息，也表示两个干涉通道的相干性。

本发明的优点在于：

1、本发明的方法提出了平均相干参数的概念，该参数包含了三个最优相干参数的全部信息，同时表示重复轨道全极化干涉合成孔径雷达的两次测量数据之间的相干性。建筑物的重复轨道全极化干涉合成孔径雷达的两次测量的数据是相干的，而且与建筑物与雷达航迹之间的夹角无关，克服了全极化合成孔径雷达数据受建筑物与雷达航迹之间的夹角调制的缺点；

2、由于一些固定的自然目标(比如没有植被覆盖的土地)的两次测量数据也有很大的相干性，所以本发明的方法引入总功率SPAN来去除这些目标可能带来的误检测可能。

附图说明

图1是本发明的基于重复轨道全极化干涉合成孔径雷达数据的建筑物提取方法的流程图。

图2是Oberpfaffenhofen区域的Google Earth光学图像。

图3是本发明方法得到的总功率SPAN的图像。

图4是仅利用SPAN信息的建筑物提取结果。

图5是本发明方法提出的平均相干参数的图像。

图6是仅利用平均相干参数得到的建筑物提取结果。

图7是本发明方法得到的建筑物提取结果。

具体实施方式

下面结合附图和具体实验数据对本发明的方法进行详细说明。

如图1所示，本发明的基于全极化干涉合成孔径雷达数据进行建筑物提取方法，包括下述步骤：

步骤1)依次计算全极化干涉合成孔径雷达图像中每个点的散射总功率SPAN；

首先读入重复轨道全极化干涉合成孔径雷达图像中每个点的散射矩阵形式的数据，得到两个三维的散射矢量k₁和k₂。利用k₁和k₂构建6×6的半正定艾米特矩阵T₆

其中，上标*T表示矩阵的共轭转置操作。

对T₆形式的数据进行斑点滤波，降低斑点噪声。然后从T₆形式的数据中可以得到3×3矩阵T₁₁、T₂₂和Ω₁₂数据：

和

最后得到总功率SPAN：

SPAN＝trace(T₁₁)+trace(T₂₂)

SPAN是两个通道的功率之和。

步骤2)确定功率阈值α₁，依次比较图像中点的功率SPAN是否大于α₁，如果判定结果是否定的，则该点不是建筑物，否则，对于SPAN比阈值α₁大的点，转入步骤3)；

步骤3)基于重复轨道全极化干涉合成孔径雷达数据，求解S.R.Cloude和K.P.Papathanassiou提出的相干最优化问题，计算平均相干参数；

对3×3矩阵进行特征分解，得到特征矢量ω₁₁、ω₁₂和ω₁₃，特征值υ₁₁、υ₁₂和υ₁₃；对3×3矩阵进行特征分解，得到特征矢量ω₂₁、ω₂₂和ω₂₃，特征值υ₂₁、υ₂₂和υ₂₃。可以得到三个最优的相干参数γ₁、γ₂和γ₃：

利用三个特征值υ₁₁、υ₁₂和υ₁₃定义三个伪概率p₁、p₂和p₃：

p_i＝υ_1i/(υ₁₁+υ₁₂+υ₁₃)

表示相应的特征矢量出现的概率，由于三个最优的相干参数是由特征矢量计算得到的，所以相干参数γ₁、γ₂和γ₃出现的概率也是p₁、p₂和p₃。那么，可以定义一个平均相干参数

该参数包含了γ₁、γ₂和γ₃的信息，也表示两个干涉通道的相干性。

步骤4)确定平均相干参数的阈值α₂，判定值比阈值α₂小的点不是建筑物，反之则判定为建筑物。

下面结合实际的重复轨道全极化干涉合成孔径雷达数据验证本发明提出的平均相干参数以及建筑物提取方法的有效性。使用的数据是德国L波段机载全极化合成孔径雷达ESAR在Oberpfaffenhofen机场区域的沿同一航迹的两次飞行获得的数据，时间基线小于一天。该区域有大块的森林、机场建筑、机场草地、公路、耕地、居民区，但是居民区的房屋周围有树木。作为对照，图2为谷歌地球采集的该区域的光学图像。图3为总功率SPAN的图像，白色表示SPAN值较大。图4为SPAN检测结果，白色代表SPAN大于阈值1的点，黑色代表SPAN小于阈值1的点，可以看出建筑物和森林区域的功率较大。为了除去利用SPAN信息检测到的结果中的森林区域，可以进一步使用本发明提出的平均相干参数的信息，因为森林区域在时间上是去相干的，建筑物在时间上是相干的，即建筑物的平均相干参数的值较大，而森林区域的平均相干参数的值较小。图5为本发明的平均相干参数的图像，白色表示值较大。图6为仅利用平均相干参数的检测结果，白色为平均相干参数大于阈值2的点，黑色为平均相干参数小于阈值2的点，可以看出建筑物的平均相干参数值较大，森林的平均相干参数较小。值得注意的是机场草地和一些耕地的平均相干参数也比较大，这些区域属于粗糙面，一般会产生布拉格面散射，其散射功率比较小，所以可以使用SPAN信息除去这些目标。图7为本发明的联合SPAN和平均相干参数的建筑物提取方法的结果，白色为判定为建筑物的点，黑色为判定不是建筑物的点，可以看出检测结果中只包含建筑物信息，除去了森林等高SPAN目标，也除去了一些有高平均相干参数的自然面目标。

最后所应说明的是，以上实施例仅用以说明本发明的技术方案而非限制。尽管参照实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，对本发明的技术方案进行修改或者等同替换，都不脱离本发明技术方案的精神和范围，其均应涵盖在本发明的权利要求范围当中。

Claims (3)

1.基于全极化干涉合成孔径雷达数据的建筑物提取方法，所述方法包括：

步骤1)依次计算全极化干涉合成孔径雷达图像中每个点的散射总功率SPAN；

步骤2)确定功率阈值α₁，依次比较图像中每个点的功率SPAN是否大于α₁，如果判定结果是否定的，则该点不是建筑物，否则，对于SPAN比阈值α₁大的点，转入步骤3)；

步骤3)基于全极化干涉合成孔径雷达数据，求解相干最优化问题，计算平均相干参数；

步骤4)确定平均相干参数的阈值α₂，判定值比阈值α₂小的点不是建筑物，反之则判定为建筑物。

2.根据权利要求1所述的基于全极化干涉合成孔径雷达数据的建筑物提取方法，其特征在于，所述步骤1)具体为：

首先读入全极化干涉合成孔径雷达图像中每个点的散射矩阵形式的数据，得到两个三维的散射矢量k₁和k₂；利用k₁和k₂构建6×6的半正定艾米特矩阵T₆：

$T_6=<\left[\begin{array}{c}{k}_1\\ k_2\end{array}\right]\&lsqb;\begin{array}{cc}{k}_1^{*T}& k_2^{*T}\end{array}\&rsqb;>=\left[\begin{array}{cc}{T}_{11}& {\mathrm{\&Omega;}}_{12}\\ {\mathrm{\&Omega;}}_{12}^{*T}& T_{22}\end{array}\right]$

其中，*T表示矩阵的共轭转置操作；

对T₆进行斑点滤波，降低斑点噪声；然后从T₆中得到3×3矩阵T₁₁、T₂₂和Ω₁₂数据：

和

最后得到总功率SPAN：

SPAN＝trace(T₁₁)+trace(T₂₂)

SPAN是两个通道的功率之和。

3.根据权利要求2所述的基于全极化干涉合成孔径雷达数据的建筑物提取方法，其特征在于，所述步骤3)具体为：

对3×3矩阵进行特征分解，得到特征矢量ω₁₁、ω₁₂和ω₁₃，特征值υ₁₁、υ₁₂和υ₁₃；对3×3矩阵进行特征分解，得到特征矢量ω₂₁、ω₂₂和ω₂₃，特征值υ₂₁、υ₂₂和υ₂₃；由此得到三个最优的相干参数γ₁、γ₂和γ₃：

${\mathrm{\&gamma;}}_i=\frac{|<{\mathrm{\&omega;}}_{1i}^{*T}\&lsqb;{\mathrm{\&Omega;}}_{12}\&rsqb;{\mathrm{\&omega;}}_{2i}>|}{\sqrt{<{\mathrm{\&alpha;}}_{1i}^{*T}\&lsqb;T_{11}\&rsqb;{\mathrm{\&alpha;}}_{1i}>\left|\right|<{\mathrm{\&omega;}}_{2i}^{*T}\&lsqb;T_{22}\&rsqb;{\mathrm{\&omega;}}_{2i}>|}},i=1,2,3$

利用三个特征值υ₁₁、υ₁₂和υ₁₃定义三个伪概率p₁、p₂和p₃：

p_i＝υ_1i/(υ₁₁+υ₁₂+υ₁₃)

p₁、p₂和p₃表示相应的特征矢量出现的概率，由于三个最优的相干参数是由特征矢量计算得到的，所以相干参数γ₁、γ₂和γ₃出现的概率也是p₁、p₂和p₃；那么，定义一个平均相干参数

$\stackrel{\&OverBar;}{\mathrm{\&gamma;}}=p_1{\mathrm{\&gamma;}}_1+p_2{\mathrm{\&gamma;}}_2+p_3{\mathrm{\&gamma;}}_3$

该参数包含了γ₁、γ₂和γ₃的信息，也表示两个干涉通道的相干性。