CN107507251A - 一种双极化sar图像的伪彩色合成方法和装置 - Google Patents
一种双极化sar图像的伪彩色合成方法和装置 Download PDFInfo
- Publication number
- CN107507251A CN107507251A CN201710589260.0A CN201710589260A CN107507251A CN 107507251 A CN107507251 A CN 107507251A CN 201710589260 A CN201710589260 A CN 201710589260A CN 107507251 A CN107507251 A CN 107507251A
- Authority
- CN
- China
- Prior art keywords
- passages
- polarization sar
- relational model
- channel datas
- objects
- 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.)
- Granted
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/90—Determination of colour characteristics
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Radar Systems Or Details Thereof (AREA)
Abstract
本发明实施例公开了一种双极化合成孔径雷达SAR图像的伪彩色合成方法,该方法包括:建立不同地物对应的多个通道间的关系模型;确定当前获取的双极化SAR的两个通道数据对应的地物类型;获取确定出的地物类型对应的关系模型,并根据两个通道数据和确定出的地物类型对应的关系模型构造出全极化SAR其他通道数据;根据预设的第一算法、两个通道数据以及构造出的全极化SAR其他通道数据进行伪彩色合成。本发明实施例还公开了一种双极化合成孔径雷达SAR图像的伪彩色合成装置。通过该实施例方案,能够丰富双极化SAR图像的色彩,并提高图像中不同地物的区分度。
Description
技术领域
本发明实施例涉及雷达技术领域,尤指一种双极化SAR图像的伪彩色合成方法和装置。
背景技术
合成孔径雷达(Synthetic Aperture Radar,SAR)在遥感领域相对于光学成像,具备全天时、全天候、穿透性等优点,并且具有较高的成像分辨率,是一种非常有效的遥感手段,能够与光学成像手段相铺相成,对目标进行有效的观测。极化SAR利用不同极化方式交替发射和接收雷达信号,从而使得雷达系统能够获得丰富的地物目标散射特性信息,与单极化SAR系统相比,极化SAR能够根据不同目标的电磁波极化散射特性,得到反应地物目标固有特性的极化复散射矩阵,从而分析、提取和反演目标特征,在目标检测、分类、识别方面获得更加优秀的性能。因此,极化SAR的研究在遥感应用中有重要意义,在军事、民用中都有很广阔的应用前景。常见的极化SAR工作模式有双极化(两通道)、紧缩极化(两通道)以及全极化(四通道)模式。
对于极化SAR图像处理,一个关键步骤是对图像进行伪彩色合成,充分利用极化信息,能够区分不同散射特性的地物,如海洋、城区、森林、裸地等,方便对图像的解译。目前全极化SAR系统的图像伪彩色合成方法较为成熟,如基于Pauli分解、Freeman分解等的伪彩色合成方法,但这些方法仅限于全极化SAR的伪彩色合成。
对于双极化SAR,目前的双极化SAR图像伪彩色合成方法一种是先对地物进行分类,然后再对不同地物赋予不同颜色,该方法虽然能够在一定程度上区分不同地物,但所成图像利用极化信息较少;另一种方法是利用两个极化通道及其相加或相减对应RGB三原色分量实现伪彩色合成,虽然利用了部分极化信息,但没有深度挖掘已有两通道隐含的极化信息。
发明内容
为了解决上述技术问题,本发明实施例提供了一种双极化SAR图像的伪彩色合成方法和装置,能够丰富双极化SAR图像的色彩,并提高图像中不同地物的区分度。
为了达到本发明实施例目的,本发明实施例提供了一种双极化合成孔径雷达SAR图像的伪彩色合成方法,该方法包括:
建立不同地物对应的多个通道间的关系模型;
确定当前获取的双极化SAR的两个通道数据对应的地物类型;
获取确定出的地物类型对应的关系模型,并根据两个通道数据和确定出的地物类型对应的关系模型构造出全极化SAR其他通道数据;其中,其他通道数据是指确定出的地物类型的全极化SAR除两个通道数据以外的通道数据;
根据预设的第一算法、两个通道数据以及构造出的全极化SAR其他通道数据进行伪彩色合成。
可选地,建立不同地物对应的多个通道间的关系模型包括:
选择不同地物的训练区域,并获取不同地物的训练区域对应的不同的历史全极化SAR数据;
基于历史全极化SAR数据,在预先建立的关系模型中采用预设的第二算法确定不同地物分别对应的多个通道间的关系系数;
将确定出的多个通道间的关系系数代入预先建立的关系模型中,获取不同地物分别对应的多个通道间的关系模型。
可选地,预先建立的关系模型包括各类型地物对应的一阶线性模型:
AVV=m1 AHH+m2 AHV
φVV=n1φHH+n2φHV
其中,AVV指该地物的垂直-垂直VV通道的幅度;AHH指该地物的水平-水平HH通道的幅度;AHV指该地物的水平-垂直HV通道的幅度;VV指该地物的垂直-垂直VV通道的相位;HH指该地物的水平-水平HH通道的相位;φHV指该地物的水平-垂直HV通道的相位;m1、m2、n1和n2为关系系数;
第一算法包括:Pauli算法;
第二算法包括:线性最小二乘估计法。
可选地,确定当前获取的双极化SAR的两个通道数据对应的地物类型包括:
采用预设的第三算法对当前获取的双极化SAR的两个通道的数据进行分类,根据分类结果确定两个通道的数据对应的地物类型。
可选地,根据两个通道数据和确定出的地物类型对应的关系模型构造出全极化SAR其他通道数据包括:
将当前获取的双极化SAR的两个通道的数据代入确定出的地物类型对应的关系模型中获取全极化SAR其他通道数据。
可选地,第三算法包括:Wishart分类器算法。
可选地,地物包括:海洋、裸地、森林、城区;
多个通道包括:HH通道、HV通道、VH通道以及VV通道。
为了达到本发明实施例目的,本发明实施例还提供了一种双极化合成孔径雷达SAR图像的伪彩色合成装置,该装置包括:建立模块、确定模块、构造模块和合成模块;
建立模块,用于建立不同地物对应的多个通道间的关系模型;
确定模块,用于确定当前获取的双极化SAR的两个通道数据对应的地物类型;
构造模块,用于获取确定出的地物类型对应的关系模型,并根据两个通道数据和确定出的地物类型对应的关系模型构造出全极化SAR其他通道数据;其中,其他通道数据是指确定出的地物类型的全极化SAR除两个通道数据以外的通道数据;
合成模块,用于根据预设的第一算法、两个通道数据以及构造出的全极化SAR其他通道数据进行伪彩色合成。
可选地,建立模块建立不同地物对应的多个通道间的关系模型包括:
选择不同地物的训练区域,并获取不同地物的训练区域对应的不同的历史全极化SAR数据;
基于历史全极化SAR数据,在预先建立的关系模型中采用预设的第二算法确定不同地物分别对应的多个通道间的关系系数;
将确定出的多个通道间的关系系数代入预先建立的关系模型中,获取不同地物分别对应的多个通道间的关系模型。
可选地,预先建立的关系模型包括各类型地物对应的一阶线性模型:
AVV=m1 AHH+m2 AHV
φVV=n1φHH+n2φHV
其中,AVV指该地物的VV通道的幅度;AHH指该地物的HH通道的幅度;AHV指该地物的HV通道的幅度;φVV指该地物的VV通道的相位;φHH指该地物的HH通道的相位;φHV指该地物的HV通道的相位;m1、m2、n1和n2为关系系数;
第一算法包括:Pauli算法;
第二算法包括:线性最小二乘估计法。
可选地,确定模块确定当前获取的双极化SAR的两个通道数据对应的地物类型包括:
采用预设的第三算法对当前获取的双极化SAR的两个通道的数据进行分类,根据分类结果确定两个通道的数据对应的地物类型。
可选地,构造模块根据两个通道数据和确定出的地物类型对应的关系模型构造出全极化SAR其他通道数据包括:
将当前获取的双极化SAR的两个通道的数据代入确定出的地物类型对应的关系模型中获取全极化SAR其他通道数据。
可选地,第三算法包括:Wishart分类器算法。
可选地,地物包括:海洋、裸地、森林、城区;
多个通道包括:HH通道、HV通道、VH通道以及VV通道。
本发明实施例包括:建立不同地物对应的多个通道间的关系模型;确定当前获取的双极化SAR的两个通道数据对应的地物类型;获取确定出的地物类型对应的关系模型,并根据两个通道数据和确定出的地物类型对应的关系模型构造出全极化SAR其他通道数据;其中,其他通道数据是指确定出的地物类型的全极化SAR除两个通道数据以外的通道数据;根据预设的第一算法、两个通道数据以及构造出的全极化SAR其他通道数据进行伪彩色合成。通过该实施例方案,能够丰富双极化SAR图像的色彩,并提高图像中不同地物的区分度。
本发明实施例的其它特征和优点将在随后的说明书中阐述,并且,部分地从说明书中变得显而易见,或者通过实施本发明实施例而了解。本发明实施例的目的和其他优点可通过在说明书、权利要求书以及附图中所特别指出的结构来实现和获得。
附图说明
附图用来提供对本发明实施例的技术方案的进一步理解,并且构成说明书的一部分,与本申请的实施例一起用于解释本发明实施例的技术方案,并不构成对本发明实施例技术方案的限制。
图1为本发明实施例的双极化SAR图像的伪彩色合成方法流程图;
图2为本发明实施例的建立不同地物对应的多个通道间的关系模型方法流程图;
图3为本发明实施例的双极化SAR图像的伪彩色合成方法示意图;
图4为本发明实施例的双极化SAR图像的伪彩色合成装置组成框图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚明白,下文中将结合附图对本发明的实施例进行详细说明。需要说明的是,在不冲突的情况下,本申请中的实施例及实施例中的特征可以相互任意组合。
在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行。并且,虽然在流程图中示出了逻辑顺序,但是在某些情况下,可以以不同于此处的顺序执行所示出或描述的步骤。
为了达到本发明实施例目的,本发明实施例提供了一种双极化合成孔径雷达SAR图像的伪彩色合成方法,通过预建的关系模型利用已知的双极化SAR两个通道数据构造出全极化SAR的数据,从而可以用全极化SAR成熟的伪彩色合成方法,实现双极化SAR的伪彩色合成,使蕴含在极化通道中的极化信息得到尽量大的利用。具体地,如图1所示,该方法可以包括S101-S104:
S101、建立不同地物对应的多个通道间的关系模型。
在本发明实施例中,对于全极化SAR雷达,具有HH通道、HV通道、VH通道、VV通道四个通道的数据,单目标后向散射情况下,每个目标对应一个复散射矩阵S:
其中,SHH表示水平极化发射水平极化接收,SHV表示水平极化发射垂直极化接收,SVH表示垂直极化发射水平极化接收,SVV表示垂直极化发射垂直极化接收。在假设满足互易定理的情况下,SHV=SVH,这样相当于全极化SAR有三个通道的数据。矩阵S的元素值取决于目标的特征,特别是几何特征(粗糙度)和介电常数(湿度),同时也取决于信号的频率和入射角度。对于双极化SAR,只具有两个通道的数据,因而只能获得上述S矩阵的两个元素。
在本发明实施例中,极化SAR通道间的归一化幅度比和归一化相位差都服从一定规律的概率分布,这说明在允许一定误差存在的情况下,可以截取概率密度函数的主要部分,来表示通道间的幅度和相位的关系。因此也说明了用已知的两个通道拟合另一通道的可能性。进一步的,极化SAR通道间的幅度和相位分布呈现一定的相关性,对于相同的地物,如森林、海洋、裸地、城区等,通道间的幅度和相位比例关系呈现一定规律的概率分布。
在本发明实施例中,为清晰准确的阐述本发明实施例内容,可以假设应用背景为双极化SAR具有HH、HV两个通道数据,其他的通道组合下本发明实施例的方法同样适用。在已知HH、HV两个通道数据的情况下,只需构建VV通道同HH和HV通道的关系模型,就能构造出VV通道数据。为估计出模型的系数,可以利用全极化SAR数据进行实验,这样在HH、HV、VV三个通道数据全部知道的情况下,可以利用最小二乘估计来估计模型的参数。具体可以通过下述方案实现。
可选地,如图2所示,建立不同地物对应的多个通道间的关系模型可以包括S201-S203:
S201、选择不同地物的训练区域,并获取不同地物的训练区域对应的不同的历史全极化SAR数据。
在本发明实施例中,由于不同的地物具有不同的概率分布,导致关系模型的系数也不同,因此要针对不同地物选择训练区域,并针对不同地物分别进行系数估计。本发明实施例可以分别选取海洋、裸地、森林、城区四种类型的地物的训练区域进行关系模型的系数估计。
S202、基于历史全极化SAR数据,在预先建立的关系模型中采用预设的第二算法确定不同地物分别对应的多个通道间的关系系数。
可选地,第二算法包括:线性最小二乘估计法。
在本发明实施例中,可以利用历史获取的全极化SAR真实的VV通道数据,采用稳健最小二乘估计方法计算出不同地物幅度和相位的关系模型的系数。在本发明实施例中,该预先建立的关系模块可以是任何形式的关系模型,对于其具体形式不做限制。并且该第二算法也可以通过任何可以实施的估计算法实现,对于其具体算法不做限制。
可选地,预先建立的关系模型可以包括各类型地物对应的一阶线性模型:
AVV=m1 AHH+m2 AHV
φVV=n1φHH+n2φHV
其中,AVV指该地物的VV通道的幅度;AHH指该地物的HH通道的幅度;AHV指该地物的HV通道的幅度;φVV指该地物的VV通道的相位;φHH指该地物的HH通道的相位;φHV指该地物的HV通道的相位;m1、m2、n1和n2为关系系数。
在本发明实施例中,需要通过稳健最小二乘估计方法估计出该m1、m2、n1和n2的值。
在本发明实施例中,由于幅度与相位具有相同的关系模型,因此以下实施例中仅以幅度为例来说明本发明实施例方案,对于相位的关系模型中的系数具有相同的计算方法。
在本发明实施例中,对于线性最小二乘估计模型,由统计信号处理的知识可知,该模型可以表示为:
其中,是已知的全极化SAR的VV通道幅度数据,其中,N-1表示采集的第N-1个像素;
是待估计的系数m1、m2,m1和m2可以分别替代θ1和θ2;
是已知的全极化SAR的HH通道和HV通道幅度数据。
对上述稳健线性最小二乘估计模型求解可得:
由此便可估计出不同地物下对应的一阶线性模型的系数。但极化SAR数据不可避免的存在相干斑噪声和局部强点,这些像素点的幅度和相位不服从普遍的分布规律,是野值点。利用线性最小二乘估计法时,这些野值点的存在会增大估计的误差。稳健线性最小二乘估计法的主要思想是通过加权来尽量减小残差较大的点对参数估计的影响,以此实现稳健估计。因此本发明实施例可以进一步采用稳健最小二乘估计法来计算关系模型的系数。
在本发明实施例中,可以采用一种基于Huber M-稳健最小二乘估计法,针对上述的最小二乘法得到的估计值其具体的实现步骤可以包括:
步骤1:计算残差,初值为k=1;
步骤2:计算更新权值,
其中,β=1.54σ,σ取每次更新后残差的标准差,该步骤意为某点数据残差若比β小,权值为1,残差若比β大,则权值小于1,以此实现较少野值的影响;
步骤3:更新估计量,
可以设定循环次数,从步骤1至步骤3循环迭代,也可以设定阈值,当相邻两次迭代所得的二范数小于阈值时停止,最后得到HuberM-稳健估计的估计系数。
S203、将确定出的多个通道间的关系系数代入预先建立的关系模型中,获取不同地物分别对应的多个通道间的关系模型。
在本发明实施例中,通过上述步骤获取关系模型的系数以后,可以将计算出的模型系数代入上述的关系模型AVV=m1 AHH+m2 AHV中便可以获得各个通道的幅度关系,同理可以计算出各个通道的相位关系。
S102、确定当前获取的双极化SAR的两个通道数据对应的地物类型。
在本发明实施例中,通过上述步骤获取不同地物的各个通道之间的关系模型以后,便可以基于该关系模型通过两个通道数据构造出其他通道数据。在此之前,首先需要通过当前获取的双极化SAR的两个通道数据获取对应的地物类型。
可选地,确定当前获取的双极化SAR的两个通道数据对应的地物类型可以包括:
采用预设的第三算法对当前获取的双极化SAR的两个通道的数据进行分类,根据分类结果确定两个通道的数据对应的地物类型。
可选地,第三算法可以包括:Wishart分类器算法。
在本发明实施例中,可以利用待伪彩色合成的双极化SAR的HH、HV两个通道的数据训练不同地物的Wishat分类器的特征矩阵Σi,该特征矩阵Σi公式可以如下所示:
其中,i表示地物类型,aHH是SHH的实部,bHH是SHH的虚部,HV通道也如此。对于待伪彩色合成的双极化SAR数据的每一个点,首先按照上述计算不同地物特征矩阵的公式计算其本身的特征矩阵Σ,然后分别按下式计算不同地物的di:
di=ln(∑i)+tr(∑i -1∑)
其中,di表示某类地物的Wishart距离,|Σi|表示特征矩阵的行列式,tr(Σi -1Σ)表示取迹,即矩阵对角线元素相加。最小的di对应的地物类别就是该点的地物类型。
S103、获取确定出的地物类型对应的关系模型,并根据两个通道数据和确定出的地物类型对应的关系模型构造出全极化SAR其他通道数据;其中,其他通道数据是指确定出的地物类型的全极化SAR除两个通道数据以外的通道数据。
在本发明实施例中,通过上述步骤获取不同地物的各个通道之间的关系模型以及当前获取的双极化SAR的两个通道数据对应的地物类型以后,便可以基于该关系模型通过两个通道数据构造出其他通道数据。
可选地,根据两个通道数据和确定出的地物类型对应的关系模型构造出全极化SAR其他通道数据包括:
将当前获取的双极化SAR的两个通道的数据代入确定出的地物类型对应的关系模型中获取全极化SAR其他通道数据。
在本发明实施例中,由步骤S102判断出该点的地物类型以后,利用步骤S101中计算得到的与之对应的系数和关系模型可以构造出VV通道的数据。具体为:
AVV=m1 AHH+m2 AHV
φVV=n1φHH+n2φHV
S104、根据预设的第一算法、两个通道数据以及构造出的全极化SAR其他通道数据进行伪彩色合成。
可选地,第一算法包括:Pauli算法。
在本发明实施例中,复散射矩阵S的Pauli基展开:
利用双极化SAR具有的HH、HV通道和步骤S103得到的VV通道,并在满足互易定理下HV=VH,可以采用Pauli基展开得到的|HH-VV|、|2HV|、|HH+VV|作为RGB三原色通道分量,进行双极化SAR的伪彩色合成。
在本发明实施例中,经过步骤S104之后,可以得到双极化SAR的伪彩色合成图像。
通过本发明实施例方案,可以实现双极化SAR图像的伪彩色合成,算法方法简单易行,能够充分利用极化信息,所合成的伪彩色图像具有明显的地物区分度,方便了对图像的解译工作。
下面通过具体实施例对本发明实施例方案做进一步介绍。
在本发明实施例中,使用的历史数据为TerraSAR的双极化和全极化数据。雷达数据的获取时间为2010年5月3日,图像对应的地点为北纬38.0964941781732°,西经122.4279625681164°,分辨率为1.8m,数据为单视复数据,图像大小为2000*2000。双极化数据的功率图是灰度图像,只能反映地面目标反射雷达信号的强度区别,对不同地物的区分能力有限。通过双极化数据两个极化通道及其相减的模,即|HH|、|HV|、|HH-HV|来对应RGB三原色分量实现伪彩色合成的图像,不同地物表现出一定的颜色差别,如大城区目标呈现亮白色,小城区目标呈现红色,但对于海洋、森林、裸地的颜色区别不大,基本都呈现绿色。全极化数据Pauli分解的伪彩色合成图像具有丰富的色彩,能够明显区分不同地物,城区呈现亮白色或红色,海洋呈现深绿色,森林呈现绿色,裸地呈现蓝色。本发明实施例的目标就是在只具有双极化数据的情况下获得尽量接近全极化效果的图像。
在本发明实施例中,本发明实施例给出的基于稳健最小二乘估计的双极化合成孔径雷达图像伪彩色合成技术的实施过程如图3所示。具体的实施过程分四个步骤。
步骤(一):本实施例中,首先在全极化数据中选择不同地物的训练区域,共将地物分为海洋、裸地、城区、森林四种,每类地物可以选择3个训练区域,区域大小可以为5*5像素。然后对于得到的每一类地物的训练数据,利用稳健最小二乘估计方法来计算给出的一阶线性模型的系数。
一阶线性模型为:
AVV=m1 AHH+m2 AHV
φVV=n1φHH+n2φHV
稳健最小二乘估计的过程为:
初值为k=1,为最小二乘法得到的估计值;
步骤1:计算残差,
步骤2:计算更新权值,
β=1.54σ,σ取每次更新后残差的标准差,该步骤意为某点数据残差若比β小,权值为1,残差若比β大,则权值小于1,以此实现较少野值的影响;
步骤3:更新估计量,
设定循环次数为10次,从步骤1至步骤3循环迭代,最后得到稳健最小二乘估计得到的模型参数。
在本实施例中,得到的城市区域幅度的系数为:
0.3941135455206230.357966310659819
得到的城市区域相位的系数为:
0.109480749389782 -0.0163262167881740
得到的裸地区域幅度的系数为:
1.14124219429562 -0.107322788824152
得到的裸地区域相位的系数为:
-0.176787585098433 -0.106818478294917
得到的海洋区域幅度的系数为:
0.631281099106708 0.169892521531526
得到的海洋区域相位的系数为:
0.144827241214329 -0.503429609122199
得到的森林区域幅度的系数为:
0.315815400883512 0.489484489699043
得到的森林区域相位的系数为:
-0.0371990705623640 -0.269287202758895
步骤(二):利用待伪彩色合成的双极化SAR数据的HH、HV两个通道的数据训练不同地物的Wishat分类器的特征矩阵Σi,公式如下:
其中,i表示地物的类别,aHH是SHH的实部,bHH是SHH的虚部,HV通道也如此。
在本发明实施例中,得到的不同地物的特征矩阵如下:
城市区域特征矩阵:
0.1865275+0.000000i -0.09255729-0.04446377i
-0.09255729-0.04446377i 0.1545245+0.000000i;
裸地区域特征矩阵:
0.1780601+0.000000i 0.02902214+0.04474168i
0.02902214+0.04474168i 0.1235135+0.000000i;
海洋区域特征矩阵:
0.08585409+0.000000i-0.01309422-0.02647945i
-0.01309422-0.02647945i 0.07446551+0.000000i;
森林区域特征矩阵:
0.05805342+0.000000i 0.005385614-0.008428673i
0.005385614-0.008428673i 0.03414020+0.000000i。
在本发明实施例中,对于待伪彩色合成的双极化SAR数据的每一个点,首先按照上述计算不同地物特征矩阵的公式计算其本身的特征矩阵Σ,然后分别按下式计算不同地物的di:di=ln(Σi)+tr(Σi -1Σ)。最小的di对应的地物类别就是该点的地物类别。
步骤(三):由步骤(二)判断出该点的类别后,利用步骤(一)中计算得到的与之对应的系数和一阶线性模型利用双极化两个通道HH、HV的数据构造出VV通道的数据。具体公式如下:
AVV=m1 AHH+m2 AHV
φVV=n1φHH+n2φHV
步骤(四):利用双极化SAR具有的HH、HV通道数据和步骤(三)得到的VV通道数据,并在满足互易定理下HV=VH,采用Pauli基展开得到的|HH-VV|、|2HV|、|HH+VV|作为RGB三原色通道分量,进行双极化SAR的伪彩色合成。对RGB三通道的归一化采用不同的归一化系数,具体为:归一化系数为各通道均值的2倍,即可得到双极化SAR的伪彩色合成图像。
在本发明实施例中,经过前面四个步骤,已经提供了一种基于稳健最小二乘估计的双极化合成孔径雷达图像伪彩色合成技术的实现方案,得到的伪彩色图像充分利用了极化信息,具有丰富的色彩,能够对不同地物进行区分。
为了达到本发明实施例目的,本发明实施例还提供了一种双极化合成孔径雷达SAR图像的伪彩色合成装置1,需要说明的是,上述的方法实施例中的任何实施例均适用于该装置实施例中,如图4所示,该装置可以包括:建立模块11、确定模块12、构造模块13和合成模块14;
建立模块11,用于建立不同地物对应的多个通道间的关系模型。
确定模块12,用于确定当前获取的双极化SAR的两个通道数据对应的地物类型。
构造模块13,用于获取确定出的地物类型对应的关系模型,并根据两个通道数据和确定出的地物类型对应的关系模型构造出全极化SAR其他通道数据;其中,其他通道数据是指确定出的地物类型的全极化SAR除两个通道数据以外的通道数据。
合成模块14,用于根据预设的第一算法、两个通道数据以及构造出的全极化SAR其他通道数据进行伪彩色合成。
可选地,建立模块11建立不同地物对应的多个通道间的关系模型包括:
选择不同地物的训练区域,并获取不同地物的训练区域对应的不同的历史全极化SAR数据;
基于历史全极化SAR数据,在预先建立的关系模型中采用预设的第二算法估计不同地物分别对应的多个通道间的关系系数;
将估计出的多个通道间的关系系数代入预先建立的关系模型中,获取不同地物分别对应的多个通道间的关系模型。
可选地,预先建立的关系模型包括各类型地物对应的一阶线性模型:
AVV=m1 AHH+m2 AHV
φVV=n1φHH+n2φHV
其中,AVV指该地物的VV通道的幅度;AHH指该地物的HH通道的幅度;AHV指该地物的HV通道的幅度;φVV指该地物的VV通道的相位;φHH指该地物的HH通道的相位;φHV指该地物的HV通道的相位;m1、m2、n1和n2为关系系数;
第一算法包括:Pauli算法;
第二算法包括:线性最小二乘估计法。
可选地,确定模块12确定当前获取的双极化SAR的两个通道数据对应的地物类型包括:
采用预设的第三算法对当前获取的双极化SAR的两个通道的数据进行分类,根据分类结果确定两个通道的数据对应的地物类型。
可选地,构造模块13根据两个通道数据和确定出的地物类型对应的关系模型构造出全极化SAR其他通道数据包括:
将当前获取的双极化SAR的两个通道的数据代入确定出的地物类型对应的关系模型中获取全极化SAR其他通道数据。
可选地,第三算法包括:Wishart分类器算法。
可选地,地物包括:海洋、裸地、森林、城区;
多个通道包括:VV通道、HV通道、VH通道以及HH通道。
本发明实施例包括:建立不同地物对应的多个通道间的关系模型;确定当前获取的双极化SAR的两个通道数据对应的地物类型;获取确定出的地物类型对应的关系模型,并根据两个通道数据和确定出的地物类型对应的关系模型构造出全极化SAR其他通道数据;其中,其他通道数据是指确定出的地物类型的全极化SAR除两个通道数据以外的通道数据;根据预设的第一算法、两个通道数据以及构造出的全极化SAR其他通道数据进行伪彩色合成。通过该实施例方案,能够丰富双极化SAR图像的色彩,并提高图像中不同地物的区分度。
虽然本发明实施例所揭露的实施方式如上,但所述的内容仅为便于理解本发明而采用的实施方式,并非用以限定本发明实施例。任何本发明实施例所属领域内的技术人员,在不脱离本发明实施例所揭露的精神和范围的前提下,可以在实施的形式及细节上进行任何的修改与变化,但本发明实施例的专利保护范围,仍须以所附的权利要求书所界定的范围为准。
Claims (10)
1.一种双极化合成孔径雷达SAR图像的伪彩色合成方法,其特征在于,所述方法包括:
建立不同地物对应的多个通道间的关系模型;
确定当前获取的双极化SAR的两个通道数据对应的地物类型;
获取确定出的所述地物类型对应的关系模型,并根据所述两个通道数据和确定出的所述地物类型对应的关系模型构造出全极化SAR其他通道数据;其中,所述其他通道数据是指确定出的所述地物类型的全极化SAR除所述两个通道数据以外的通道数据;
根据预设的第一算法、所述两个通道数据以及构造出的所述全极化SAR其他通道数据进行伪彩色合成。
2.如权利要求1所述的双极化SAR图像的伪彩色合成方法,其特征在于,所述建立不同地物对应的多个通道间的关系模型包括:
选择不同地物的训练区域,并获取所述不同地物的训练区域对应的不同的历史全极化SAR数据;
基于所述历史全极化SAR数据,在预先建立的关系模型中采用预设的第二算法确定所述不同地物分别对应的多个通道间的关系系数;
将确定出的所述多个通道间的关系系数代入所述预先建立的关系模型中,获取所述不同地物分别对应的多个通道间的关系模型。
3.如权利要求2所述的双极化SAR图像的伪彩色合成方法,其特征在于,所述预先建立的关系模型包括各类型地物对应的一阶线性模型:
AVV=m1AHH+m2AHV
φVV=n1φHH+n2φHV
其中,AVV指该地物的垂直-垂直VV通道的幅度;AHH指该地物的水平-水平HH通道的幅度;AHV指该地物的水平-垂直HV通道的幅度;φVV指该地物的垂直-垂直VV通道的相位;φHH指该地物的水平-水平HH通道的相位;φHV指该地物的水平-垂直HV通道的相位;m1、m2、n1和n2为所述关系系数;
所述第一算法包括:Pauli算法;
所述第二算法包括:线性最小二乘估计法。
4.如权利要求1所述的双极化SAR图像的伪彩色合成方法,其特征在于,所述确定当前获取的双极化SAR的两个通道数据对应的地物类型包括:
采用预设的第三算法对所述当前获取的双极化SAR的两个通道的数据进行分类,根据分类结果确定所述两个通道的数据对应的地物类型。
5.如权利要求1或4所述的双极化SAR图像的伪彩色合成方法,其特征在于,所述根据所述两个通道数据和确定出的所述地物类型对应的关系模型构造出全极化SAR其他通道数据包括:
将所述当前获取的双极化SAR的两个通道的数据代入确定出的所述地物类型对应的关系模型中获取所述全极化SAR其他通道数据。
6.如权利要求4所述的双极化SAR图像的伪彩色合成方法,其特征在于,所述第三算法包括:Wishart分类器算法。
7.如权利要求1-5任意一项所述的双极化SAR图像的伪彩色合成方法,其特征在于,
所述地物包括:海洋、裸地、森林、城区;
所述多个通道包括:HH通道、HV通道、VH通道以及VV通道。
8.一种双极化合成孔径雷达SAR图像的伪彩色合成装置,其特征在于,所述装置包括:建立模块、确定模块、构造模块和合成模块;
所述建立模块,用于建立不同地物对应的多个通道间的关系模型;
所述确定模块,用于确定当前获取的双极化SAR的两个通道数据对应的地物类型;
所述构造模块,用于获取确定出的所述地物类型对应的关系模型,并根据所述两个通道数据和确定出的所述地物类型对应的关系模型构造出全极化SAR其他通道数据;其中,所述其他通道数据是指确定出的所述地物类型的全极化SAR除所述两个通道数据以外的通道数据;
所述合成模块,用于根据预设的第一算法、所述两个通道数据以及构造出的所述全极化SAR其他通道数据进行伪彩色合成。
9.如权利要求8所述的双极化SAR图像的伪彩色合成装置,其特征在于,所述建立模块建立不同地物对应的多个通道间的关系模型包括:
选择不同地物的训练区域,并获取所述不同地物的训练区域对应的不同的历史全极化SAR数据;
基于所述历史全极化SAR数据,在预先建立的关系模型中采用预设的第二算法确定所述不同地物分别对应的多个通道间的关系系数;
将确定出的所述多个通道间的关系系数代入所述预先建立的关系模型中,获取所述不同地物分别对应的多个通道间的关系模型。
10.如权利要求9所述的双极化SAR图像的伪彩色合成装置,其特征在于,所述预先建立的关系模型包括各类型地物对应的一阶线性模型:
AVV=m1AHH+m2AHV
φVV=n1φHH+n2φHV
其中,AVV指该地物的垂直-垂直VV通道的幅度;AHH指该地物的水平-水平HH通道的幅度;AHV指该地物的水平-垂直HV通道的幅度;φVV指该地物的垂直-垂直VV通道的相位;φHH指该地物的水平-水平HH通道的相位;φHV指该地物的水平-垂直HV通道的相位;m1、m2、n1和n2为所述关系系数;
所述第一算法包括:Pauli算法;
所述第二算法包括:线性最小二乘估计法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710589260.0A CN107507251B (zh) | 2017-07-19 | 2017-07-19 | 一种双极化sar图像的伪彩色合成方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710589260.0A CN107507251B (zh) | 2017-07-19 | 2017-07-19 | 一种双极化sar图像的伪彩色合成方法和装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107507251A true CN107507251A (zh) | 2017-12-22 |
CN107507251B CN107507251B (zh) | 2020-03-31 |
Family
ID=60678668
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710589260.0A Active CN107507251B (zh) | 2017-07-19 | 2017-07-19 | 一种双极化sar图像的伪彩色合成方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107507251B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111047525A (zh) * | 2019-11-18 | 2020-04-21 | 宁波大学 | Sar遥感图像到光学遥感图像的翻译方法 |
CN113487493A (zh) * | 2021-06-02 | 2021-10-08 | 厦门大学 | 基于GANilla的SAR图像自动彩色化方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5546091A (en) * | 1994-11-23 | 1996-08-13 | Hughes Aircraft Company | Psuedo-color display for enhanced visual target detection |
CN102609709A (zh) * | 2012-02-03 | 2012-07-25 | 清华大学 | 一种基于极化sar数据融合的海面溢油分割方法 |
CN105138970A (zh) * | 2015-08-03 | 2015-12-09 | 西安电子科技大学 | 基于空间信息的极化sar图像分类方法 |
CN106405545A (zh) * | 2016-08-20 | 2017-02-15 | 甘宗平 | 一种双时相异模双极化SAR类Pauli假彩色影像合成方法 |
CN106910178A (zh) * | 2017-01-20 | 2017-06-30 | 中国人民解放军装备学院 | 一种基于色调统计特性分类的多角度sar图像融合方法 |
-
2017
- 2017-07-19 CN CN201710589260.0A patent/CN107507251B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5546091A (en) * | 1994-11-23 | 1996-08-13 | Hughes Aircraft Company | Psuedo-color display for enhanced visual target detection |
CN102609709A (zh) * | 2012-02-03 | 2012-07-25 | 清华大学 | 一种基于极化sar数据融合的海面溢油分割方法 |
CN105138970A (zh) * | 2015-08-03 | 2015-12-09 | 西安电子科技大学 | 基于空间信息的极化sar图像分类方法 |
CN106405545A (zh) * | 2016-08-20 | 2017-02-15 | 甘宗平 | 一种双时相异模双极化SAR类Pauli假彩色影像合成方法 |
CN106910178A (zh) * | 2017-01-20 | 2017-06-30 | 中国人民解放军装备学院 | 一种基于色调统计特性分类的多角度sar图像融合方法 |
Non-Patent Citations (1)
Title |
---|
余磊: "极化SAR图像伪彩色增强与可视化方法研究", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111047525A (zh) * | 2019-11-18 | 2020-04-21 | 宁波大学 | Sar遥感图像到光学遥感图像的翻译方法 |
CN113487493A (zh) * | 2021-06-02 | 2021-10-08 | 厦门大学 | 基于GANilla的SAR图像自动彩色化方法 |
CN113487493B (zh) * | 2021-06-02 | 2023-08-18 | 厦门大学 | 基于GANilla的SAR图像自动彩色化方法 |
Also Published As
Publication number | Publication date |
---|---|
CN107507251B (zh) | 2020-03-31 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108564006B (zh) | 基于自步学习卷积神经网络的极化sar地物分类方法 | |
Zhuang et al. | Strategies combining spectral angle mapper and change vector analysis to unsupervised change detection in multispectral images | |
CN107016691B (zh) | 基于超像素特征的运动目标检测方法 | |
CN101980293B (zh) | 一种基于刃边图像的高光谱遥感系统mtf检测方法 | |
CN110197517B (zh) | 基于多域循环一致性对抗生成网络的sar图像上色方法 | |
CN103620622A (zh) | 用于从航拍图像中去除伪影的方法和设备 | |
CN113343804B (zh) | 面向单视全极化sar数据的集成迁移学习分类方法及系统 | |
CN113281749B (zh) | 一种顾及同质性的时序InSAR高相干点选取方法 | |
Fu et al. | A statistical approach to detect edges in SAR images based on square successive difference of averages | |
CN104318572B (zh) | 基于极化方向角补偿的polsar图像海上目标检测方法 | |
CN105139375A (zh) | 一种结合全球dem与立体视觉的卫星影像云检测方法 | |
CN108805208B (zh) | 一种基于无标签样本一致性判定的协同训练方法 | |
CN107507251A (zh) | 一种双极化sar图像的伪彩色合成方法和装置 | |
CN109859219A (zh) | 结合相位与光谱的高分遥感影像分割方法 | |
CN111881725B (zh) | 一种融合空频域特征的光学遥感图像船舶目标检测方法 | |
CN110111346A (zh) | 基于视差信息的遥感图像语义分割方法 | |
CN109829426A (zh) | 基于高分遥感影像的铁路建设临时建筑监测方法及系统 | |
CN113298007B (zh) | 一种小样本sar图像目标识别方法 | |
CN104835142A (zh) | 一种基于纹理特征的车辆排队长度检测方法 | |
Kusetogullari et al. | Unsupervised change detection in landsat images with atmospheric artifacts: a fuzzy multiobjective approach | |
CN106204596B (zh) | 一种基于高斯拟合函数与模糊混合估计的全色波段遥感影像云检测方法 | |
Jin et al. | A quaternion gradient operator for color image edge detection | |
Zhang et al. | Spatial-attraction-based Markov random field approach for classification of high spatial resolution multispectral imagery | |
Li et al. | Automatic Road Extraction from High-Resolution Remote Sensing Image Based on Bat Model and Mutual Information Matching. | |
CN107578406A (zh) | 基于网格与韦泊统计特性的无参考立体图像质量评价方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |