CN109740109A - 一种基于酉变换的PolSAR图像广义目标分解方法 - Google Patents
一种基于酉变换的PolSAR图像广义目标分解方法 Download PDFInfo
- Publication number
- CN109740109A CN109740109A CN201811592014.1A CN201811592014A CN109740109A CN 109740109 A CN109740109 A CN 109740109A CN 201811592014 A CN201811592014 A CN 201811592014A CN 109740109 A CN109740109 A CN 109740109A
- Authority
- CN
- China
- Prior art keywords
- power
- scattering
- unitary transformation
- polsar image
- decomposed
- 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
- 238000000354 decomposition reaction Methods 0.000 title claims abstract description 47
- 238000000034 method Methods 0.000 title claims abstract description 36
- 230000009466 transformation Effects 0.000 title claims abstract description 22
- 239000011159 matrix material Substances 0.000 claims description 31
- 238000004364 calculation method Methods 0.000 claims description 3
- 239000004576 sand Substances 0.000 claims description 3
- 241000208340 Araliaceae Species 0.000 description 2
- 235000005035 Panax pseudoginseng ssp. pseudoginseng Nutrition 0.000 description 2
- 235000003140 Panax quinquefolius Nutrition 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 235000008434 ginseng Nutrition 0.000 description 2
- 230000010287 polarization Effects 0.000 description 2
- 230000002411 adverse Effects 0.000 description 1
- 238000009795 derivation Methods 0.000 description 1
- 238000010494 dissociation reaction Methods 0.000 description 1
- 230000005593 dissociations Effects 0.000 description 1
- 235000013399 edible fruits Nutrition 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 238000011426 transformation method Methods 0.000 description 1
Landscapes
- Radar Systems Or Details Thereof (AREA)
- Image Processing (AREA)
Abstract
一种基于酉变换的PolSAR图像广义目标分解方法,所述方法包括:对于待分解PolSAR图像,通过寻求Singh酉变换所产生的冗余平衡方程组的一般通解,发展出一个广义G4U分解形式,由此获得对表面散射目标、二面散射目标、体散射目标和螺旋散射目标功率信息。本发明的方法实现了对原始G4U分解的有效提升和推广,提高了雷达目标的识别精度。
Description
技术领域
本发明涉及PolSAR图像信息处理领域,特别涉及PolSAR目标分解和基于模型的目标分解领域,具体涉及一种基于酉变换的PolSAR图像广义目标分解方法。
背景技术
基于模型的极化分解致力于将未知目标的极化相干矩阵[T]在若干标准散射模型上展开,实现对其识别与分类,代表工作为三分量模型分解和四分量模型分解。基于酉变换的四分量散射功率分解(G4U)由Singh等学者(G.Singh,Y.Yamaguchi,and S.-E.Park,“General four-component scattering power decomposition with unitarytransformation of coherency matrix,”IEEE Transactions on Geoscience andRemote Sensing,vol.51,no.5,pp.3014-3022,May 2013)于2013年提出,其通过引入一个酉变换实现了对相干矩阵[T]所有九个自由度的使用,是一种广泛使用的四分量模型分解方法。
四分量模型分解的核心是求解分解平衡方程组,传统Y4O、Y4R和S4R提供了关于未知参数的五个方程,但这些方程中都未涉及相干矩阵[T]的T13分量,故无法实现对T13的有效使用。G4U通过数学上的酉变换将Y4O、Y4R和S4R形成的五个平衡方程中的一个:fSβ+fDα+fVd=T′12二分为fSβ+fDα+fVd=T′12+T′13和fSβ+fDα+fVd=T′12-T′13两个方程,成功地将T13分量纳入在等式右端,从而使T13分量第一次在四分量分解中得到使用。然而由于这两个方程来源于对同一个方程的二分而非实际物理过程,因此它们之间并非完全独立,导致最终得到的平衡方程组不再具有唯一解。为此Singh等在G4U中只选择了方程fSβ+fDα+fVd=T′12+T′13,而放弃了方程fSβ+fDα+fVd=T′12-T′13。研究工作表明,方程fSβ+fDα+fVd=T′12-T′13也能提供一个合理的分解,不能将其简单放弃。这种放弃操作使得原本存在的对目标散射机制的多样性认识退化为一个固定的G4U分解形式,从而对雷达目标的精确识别和理解产生潜在的不利影响。
发明内容
本发明的目的在于通过寻求Singh酉变换所产生的冗余平衡方程组的一般通解,发展出一个全新的广义G4U分解形式,实现对原始G4U分解的有效提升和推广。
为了实现上述目的,本发明提供了一种基于酉变换的PolSAR图像广义目标分解方法,所述方法包括:对于待分解PolSAR图像,通过寻求Singh酉变换所产生的冗余平衡方程组的一般通解,发展出一个广义G4U分解形式,由此获得对表面散射目标、二面散射目标、体散射目标和螺旋散射目标功率信息。
作为上述方法的一种改进,所述方法具体包括:
步骤1)读入待分解PolSAR图像的相干矩阵[T]数据以及分解常数μ,执行去取向操作获得去取向后的相干矩阵[T′];
步骤2)基于步骤1)得到的去取向的相干矩阵[T′],计算螺旋散射功率PC以及分支条件参数BC0、BC1和BC2,基于BC1和BC2确定体散射模型参数a、b、c和d并计算体散射功率PV;
步骤3)基于步骤1)得到的去取向后的相干矩阵[T′]以及步骤2)确定的体散射模型参数a、b、c和d,进一步计算分解参数S、C1、C2和D,根据S+D的符号执行功率守恒判据:若非正,则不再计算表面散射功率PS和二面散射功率PD,直接更新体散射功率PV;否则,进入步骤4);
步骤4)若步骤3)中的S+D为正,则基于步骤1)读入的分解常数μ以及步骤3)得到的分解参数S、C1、C2和D,计算表面散射功率PS和二面散射功率PD,根据PS和PD的符号对PS和PD再更新,获得满足非负物理判据的PS和PD。
作为上述方法的一种改进,在步骤1)中,若待分解PolSAR图像的相干矩阵[T]为:
则去取向后的相干矩阵[T′]为:
其中[U3(θ)]表示SU(3)旋转矩阵:
取向角θ的估计方式如下:
作为上述方法的一种改进,所述步骤2)进一步包括:
步骤2-1)计算螺旋散射功率PC:
PC=2|Im{T′23}|H(T′33-|Im{T′23}|)
其中,H(·)表示单位阶跃函数:
其中,t为变量;
步骤2-2)基于PC计算分支条件参数BC0、BC1和BC2:
步骤2-3)基于BC1和BC2确定体散射模型参数a、b、c和d:
步骤2-4)进而计算体散射功率PV:
作为上述方法的一种改进,所述步骤3)进一步包括:
步骤3-1)计算分解参数S、C1、C2和D:
步骤3-2)根据S+D符号执行功率守恒判据,若S+D≤0,则置PS=0,PD=0
更新PV:
PV=SPAN-PC
其中,SPAN为目标总散射功率:
SPAN=T′11+T′22+T′33。
作为上述方法的一种改进,所述步骤4)进一步包括:
步骤4-1)若S+D≥0,则基于分解常数计算分解μ和分解参数S、C1、C2和D的表面散射功率PS和二面散射功率PD计算方法如下:
步骤4-2)根据PS和PD的符号对PS和PD进行非负更新:
本发明的优点在于:
本发明的目标分解方法通过寻求Singh酉变换所产生的冗余平衡方程组的一般通解,发展出一个全新的广义G4U分解形式,实现对原始G4U分解的有效提升和推广,代表着四分量分解的最新水平,提高了雷达目标的识别精度。
附图说明
图1是本发明的基于酉变换的PolSAR图像广义目标分解方法的总体流程图;
图2是本发明的基于酉变换的PolSAR图像广义目标分解方法的具体流程图;
图3是本发明的一个实施例中所采用的待分解PolSAR图像相干矩阵[T]数据Pauli图;
图4是本发明的实施例中PolSAR图像经本发明的方法分解后得到的螺旋散射功率PC对数化显示(即log10PC);
图5是本发明的实施例中PolSAR图像经本发明的方法分解后得到的体散射功率PV对数化显示(即log10PV);
图6是本发明的实施例中PolSAR图像经本发明的方法分解后得到的表面散射功率PS对数化显示(即log10PS);
图7是本发明的实施例中PolSAR图像经本发明的方法分解后得到的二面散射功率PD对数化显示(即log10PD);
图8是本发明的实施例中PolSAR图像经本发明的方法分解后得到的最终结果。
具体实施方式
现结合附图对本发明作进一步的描述。
本申请致力于通过数学推导寻求该冗余平衡方程组的一般通解,基于此发展出了广义G4U分解。广义G4U分解在数学上可表示为其核心是一个分解常数μ,需在分解前事先给定。当μ=1时,广义G4U将退化为Singh等提出的G4U分解,即而当μ取其它值时,将得到各种不同形式且具有不同散射偏好的G4U。因此广义G4U分解是传统G4U分解的提升和推广,代表着四分量分解的最新水平。
参考图1和图2,本发明的一种基于酉变换的PolSAR广义模型的目标分解方法包括以下步骤:
步骤1)、读入待分解PolSAR图像相干矩阵[T]数据以及分解常数μ,执行去取向操作获得相干矩阵[T′];
步骤2)、基于步骤1)得到的相干矩阵[T′],计算螺旋散射功率PC以及分支条件参数BC0、BC1和BC2,基于BC1和BC2确定体散射模型参数a、b、c和d并计算体散射功率PV;
步骤3)、基于步骤1)得到的相干矩阵[T′]以及步骤2)确定的体散射模型参数a、b、c和d,进一步计算分解参数S、C1、C2和D,根据S+D的符号执行功率守恒判据:若非正,则不再计算表面散射功率PS和二面散射功率PD,直接更新体散射功率PV;
步骤4)、若步骤3)中的S+D为正,则基于步骤1)读入的分解常数μ以及步骤3)得到的分解参数S、C1、C2和D,计算表面散射功率PS和二面散射功率PD,根据PS和PD的符号对PS和PD再更新,获得满足非负物理判据的PS和PD。
下面对本发明方法中的步骤做进一步描述。
在步骤1)中,读入待分解PolSAR图像相干矩阵[T]数据以及分解常数μ,进行去取向操作获得相干矩阵[T′];在一个实施例中,输入分解常数取值为μ=-1,即在此我们使用的广义G4U分解形式。而所读入的待分解PolSAR图像相干矩阵[T]数据的Pauli图如图3所示,图像尺寸920×456,由加拿大c波段Radarsat-2雷达2008年4月9日获取美国旧金山地区。若读入的目标相干矩阵[T]为
去取向后的目标相干矩阵[T′]计算如下:
其中[U3(θ)]表示SU(3)旋转矩阵:
取向角θ的估计方式如下:
基于步骤1)得到的相干矩阵[T′],在步骤2)中,进一步执行如下:
步骤2-1)、计算螺旋散射功率PC:
PC=2|Im{T′23}|H(T′33-|Im{T′23}|)
其中,H(·)表示单位阶跃函数:
步骤2-2)、基于PC计算分支条件参数BC0、BC1和BC2:
步骤2-3)、基于BC1和BC2确定体散射模型参数a、b、c和d:
步骤2-4)、进而计算体散射功率PV:
图4所示为在实施例中的PolSAR数据上,本发明分解方法所得到的对数形式PC(即log10PC,这里取对数操作只是为了降低动态范围,使分解结果方便展示)。
基于步骤1)得到的相干矩阵[T′]以及步骤2)确定的体散射模型参数a、b、c和d,在步骤3)中,进一步执行如下:
步骤3-1)、计算分解参数S、C1、C2和D:
步骤3-2)、根据S+D符号执行功率守恒判据,若S+D≤0,则置PS=0,PD=0
更新PV
PV=SPAN-PC
其中,SPAN为目标总散射功率:
SPAN=T′11+T′22+T′33
图5所示为在实施例中的PolSAR数据上,本发明分解方法所得到的对数形式PV,即log10PV。
基于步骤3)得到的分解参数S和D,若S+D为正,则基于步骤1)读入的分解常数μ以及步骤3)得到的分解参数S、C1、C2和D,在步骤4)中,进一步执行如下:
步骤4-1)、若S+D≥0,则基于分解常数计算分解μ和分解参数S、C1、C2和D的表面散射功率PS和二面散射功率PD计算方法如下:
步骤4-2)、根据PS和PD的符号对PS和PD进行非负更新:
图6和图7所示为在实施例中的PolSAR数据上,本发明分解方法所得到的对数形式PS和PD,即log10PS和log10PD。图8所示为本发明分解方法在实施例中的PolSAR数据上获得的最终分解结果图。
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 (6)
1.一种基于酉变换的PolSAR图像广义目标分解方法,所述方法包括:对于待分解PolSAR图像,通过寻求Singh酉变换所产生的冗余平衡方程组的一般通解,发展出一个广义G4U分解形式,由此获得对表面散射目标、二面散射目标、体散射目标和螺旋散射目标功率信息。
2.根据权利要求1所述的基于酉变换的PolSAR图像广义目标分解方法,其特征在于,所述方法具体包括:
步骤1)读入待分解PolSAR图像的相干矩阵[T]数据以及分解常数μ,执行去取向操作获得去取向后的相干矩阵[T′];
步骤2)基于步骤1)得到的去取向的相干矩阵[T′],计算螺旋散射功率PC以及分支条件参数BC0、BC1和BC2,基于BC1和BC2确定体散射模型参数a、b、c和d并计算体散射功率PV;
步骤3)基于步骤1)得到的去取向后的相干矩阵[T′]以及步骤2)确定的体散射模型参数a、b、c和d,进一步计算分解参数S、C1、C2和D,根据S+D的符号执行功率守恒判据:若非正,则不再计算表面散射功率PS和二面散射功率PD,直接更新体散射功率PV;否则,进入步骤4);
步骤4)若步骤3)中的S+D为正,则基于步骤1)读入的分解常数μ以及步骤3)得到的分解参数S、C1、C2和D,计算表面散射功率PS和二面散射功率PD,根据PS和PD的符号对PS和PD再更新,获得满足非负物理判据的PS和PD。
3.根据权利要求2所述的基于酉变换的PolSAR图像广义目标分解方法,其特征在于,在步骤1)中,若待分解PolSAR图像的相干矩阵[T]为:
则去取向后的相干矩阵[T′]为:
其中[U3(θ)]表示SU(3)旋转矩阵:
取向角θ的估计方式如下:
4.根据权利要求3所述的基于酉变换的PolSAR图像广义目标分解方法,其特征在于,所述步骤2)进一步包括:
步骤2-1)计算螺旋散射功率PC:
PC=2|Im{T′23}|H(T′33-|Im{T′23}|)
其中,H(·)表示单位阶跃函数:
其中,t为变量;
步骤2-2)基于PC计算分支条件参数BC0、BC1和BC2:
步骤2-3)基于BC1和BC2确定体散射模型参数a、b、c和d:
步骤2-4)进而计算体散射功率PV:
5.根据权利要求4所述的基于酉变换的PolSAR图像广义目标分解方法,其特征在于,所述步骤3)进一步包括:
步骤3-1)计算分解参数S、C1、C2和D:
步骤3-2)根据S+D符号执行功率守恒判据,若S+D≤0,则置
PS=0,PD=0
更新PV:
PV=SPAN-PC
其中,SPAN为目标总散射功率:
SPAN=T′11+T′22+T′33。
6.根据权利要求5所述的基于酉变换的PolSAR图像广义目标分解方法,其特征在于,所述步骤4)进一步包括:
步骤4-1)若S+D≥0,则基于分解常数计算分解μ和分解参数S、C1、C2和D的表面散射功率PS和二面散射功率PD计算方法如下:
步骤4-2)根据PS和PD的符号对PS和PD进行非负更新:
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811592014.1A CN109740109B (zh) | 2018-12-25 | 2018-12-25 | 一种基于酉变换的PolSAR图像广义目标分解方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811592014.1A CN109740109B (zh) | 2018-12-25 | 2018-12-25 | 一种基于酉变换的PolSAR图像广义目标分解方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109740109A true CN109740109A (zh) | 2019-05-10 |
CN109740109B CN109740109B (zh) | 2023-05-16 |
Family
ID=66359865
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811592014.1A Active CN109740109B (zh) | 2018-12-25 | 2018-12-25 | 一种基于酉变换的PolSAR图像广义目标分解方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109740109B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110501704A (zh) * | 2019-07-16 | 2019-11-26 | 中国科学院电子学研究所 | 一种全极化图像极化分解方法、装置及存储介质 |
CN112597434A (zh) * | 2020-11-05 | 2021-04-02 | 中国科学院国家空间科学中心 | 一种极化kht分解的快速实现方法及系统 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103593669A (zh) * | 2013-11-22 | 2014-02-19 | 中国电子科技集团公司第五十四研究所 | 一种极化合成孔径雷达影像四分量分解的方法 |
CN104698447A (zh) * | 2015-03-13 | 2015-06-10 | 中国科学院空间科学与应用研究中心 | 自适应选择酉变换的全极化合成孔径雷达目标分解方法 |
CN104931950A (zh) * | 2015-06-23 | 2015-09-23 | 中国科学院空间科学与应用研究中心 | 一种全极化合成孔径雷达的基于模型的目标分解方法 |
CN106778884A (zh) * | 2016-12-23 | 2017-05-31 | 辽宁工程技术大学 | 基于散射熵和三分量分解平面的极化sar图像分类方法 |
CN107229933A (zh) * | 2017-05-11 | 2017-10-03 | 西安电子科技大学 | 自适应体散射模型的freeman/特征值分解方法 |
-
2018
- 2018-12-25 CN CN201811592014.1A patent/CN109740109B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103593669A (zh) * | 2013-11-22 | 2014-02-19 | 中国电子科技集团公司第五十四研究所 | 一种极化合成孔径雷达影像四分量分解的方法 |
CN104698447A (zh) * | 2015-03-13 | 2015-06-10 | 中国科学院空间科学与应用研究中心 | 自适应选择酉变换的全极化合成孔径雷达目标分解方法 |
CN104931950A (zh) * | 2015-06-23 | 2015-09-23 | 中国科学院空间科学与应用研究中心 | 一种全极化合成孔径雷达的基于模型的目标分解方法 |
CN106778884A (zh) * | 2016-12-23 | 2017-05-31 | 辽宁工程技术大学 | 基于散射熵和三分量分解平面的极化sar图像分类方法 |
CN107229933A (zh) * | 2017-05-11 | 2017-10-03 | 西安电子科技大学 | 自适应体散射模型的freeman/特征值分解方法 |
Non-Patent Citations (1)
Title |
---|
GULAB SINGH等: "General Four-Component Scattering Power Decomposition With Unitary Transformation of Coherency Matrix", 《IEEE TRANSACTIONS ON GEOSCIENCE AND REMOTE SENSING》 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110501704A (zh) * | 2019-07-16 | 2019-11-26 | 中国科学院电子学研究所 | 一种全极化图像极化分解方法、装置及存储介质 |
CN110501704B (zh) * | 2019-07-16 | 2021-05-07 | 中国科学院电子学研究所 | 一种全极化图像极化分解方法、装置及存储介质 |
CN112597434A (zh) * | 2020-11-05 | 2021-04-02 | 中国科学院国家空间科学中心 | 一种极化kht分解的快速实现方法及系统 |
CN112597434B (zh) * | 2020-11-05 | 2024-03-22 | 中国科学院国家空间科学中心 | 一种极化kht分解的快速实现方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN109740109B (zh) | 2023-05-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Alyamkin et al. | Low-power computer vision: Status, challenges, and opportunities | |
CN104318243B (zh) | 基于稀疏表示和空谱拉普拉斯图的高光谱数据降维方法 | |
CN108846851B (zh) | 运动目标跟踪方法及终端设备 | |
CN112712546A (zh) | 一种基于孪生神经网络的目标跟踪方法 | |
KR102272411B1 (ko) | 합성 개구면 레이더 영상의 시뮬레이션 영상 데이터베이스의 식별률을 높이기 위한 인공신경망 학습 방법 및 그 장치 | |
CN104732546B (zh) | 区域相似性和局部空间约束的非刚性sar图像配准方法 | |
Guo et al. | Radar target recognition based on feature Pyramid fusion lightweight CNN | |
CN113963148B (zh) | 对象检测方法、对象检测模型的训练方法及装置 | |
Zhang et al. | Multi-task dictionary learning based convolutional neural network for computer aided diagnosis with longitudinal images | |
CN104299241A (zh) | 基于 Hadoop 的遥感图像显著性目标检测方法及系统 | |
CN109740109A (zh) | 一种基于酉变换的PolSAR图像广义目标分解方法 | |
CN115497000A (zh) | 森林生物量反演方法、装置、终端设备及存储介质 | |
CN116563096B (zh) | 用于图像配准的形变场的确定方法、装置以及电子设备 | |
Ananth et al. | A geodesic active contour level set method for image segmentation | |
CN108549899A (zh) | 一种图像识别方法及装置 | |
Lu et al. | A multimedia image edge extraction algorithm based on flexible representation of quantum | |
CN109614999A (zh) | 一种数据处理方法、装置、设备及计算机可读存储介质 | |
CN112182492B (zh) | 基于离散四元数傅里叶变换的信号稀疏表示方法及装置 | |
WO2023056501A1 (en) | Harmonizing diffusion tensor images using machine learning | |
CN109459768A (zh) | 一种基于北斗卫星信号强度权重优化模型的快速选星方法 | |
CN115909086A (zh) | 基于多级增强网络的sar目标检测识别方法 | |
CN104361601A (zh) | 一种基于标记融合的概率图形模型图像分割方法 | |
CN111179254B (zh) | 一种基于特征函数和对抗学习的域适应医学图像分割方法 | |
Yang et al. | Multi-phase level set method for precise segmentation and correction of brain MRI | |
CN111160464B (zh) | 基于多隐层加权动态模型的工业高阶动态过程软测量方法 |
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 |