散射矢量模型与非相干目标分解
尹俊俊 1 和杨健 2
1. 北京科技大学 北京 100083
2. 清华大学 北京 100084
散射矢量模型与非相干目标分解
尹俊俊 1 和杨健 2
1. 北京科技大学 北京 100083
2. 清华大学 北京 100084
抽象的
散射机制识别是理解偏振合成孔径雷达(SAR)数据的基础。物理散射机制与目标的几何参数和地球物理参数相关,并且几乎普遍由目标散射矢量来描述。散射矢量建模方法主要有 散射模型、Touzi散射模型和最近发展的 散射模型三种。在本研究中,我们首先回顾了三种散射矢量模型,然后研究了模型参数的详细等价关系。还介绍了相应的不相干目标分解。在实验中,使用旧金山上空获取的 ALOS-2 数据进行演示,表明散射机制识别方法在为基于学习的算法提供有用的初始化方面具有巨大潜力。
索引术语——偏振测量、散射矢量建模、物理散射机制、目标分解、合成孔径雷达
1. 简介
目标物理散射机制的解释在极化合成孔径雷达(SAR)对地观测的应用中非常重要。偏振SAR提供多通道偏振信息来描述目标,全偏振SAR允许通过在传输和接收中使用正交偏振来完整地表征目标。已经开发了许多偏振特征提取方法,包括通过散射矩阵(或等效泡利基向量)对目标散射进行建模的相干目标分解(CTD)方法和对目标进行建模的非相干目标分解(ICTD)方法通过二阶统计相干矩阵(或等效协方差矩阵)进行散射。
散射矩阵表示s a
单身的
散射体
及其变化,即泡利基向量,
哪个is
通过分解得到
一组泡利自旋酉矩阵,是
通常用于描述散射机制,因为泡利自旋矩阵代表
典型的
典范
散射体 for the
镜面反射和the
二面体散射。
泡利散射矢量为
对于散射机制建模很重要
s。例如,我
的
基于模型的分解 [1][2],
泡利散射
向量s
二面体、三面体、螺旋体和偶极子
通常用作表面、双反射、螺旋和体积散射建模的基础
成分
。另一种方式
通过散射向量探索目标散射机制
参数化.
泡利散射矢量由 5 个个体建模
旋光法
参数包括归一化因子。
现在,the
经典的
散射矢量参数化方法
包括 the
散射模型 [3] and the
头子
散射模型 [4]
。两者也被认为是基于特征向量的分解算法。The
散射模型不是滚动不变的,因为
与目标方向有关
角度。
偷子的
散射模型基于
肯诺-惠南
对角化
的散射矩阵,并使用对称散射类型来表征目标散射和螺旋角来衡量目标的不对称性。参数提取自
偷子的
矢量模型是滚动不变的,因为在对角化过程中散射矢量是去方向的.
偷子的
散射模型可以提供非模糊性辨别
散射体. In [5]
,我们提出了一个散射向量
参数化方法,即
称为
散射
矢量模型。该模型也是滚动不变的
因为方向角是建模中的重要参数。它还可以提供目标的非模糊性区分。
Due to the effect of speckle noise, the performances of directly applying these scattering vector models to extract the target
由于散斑噪声的影响,直接应用这些散射矢量模型从单视散射矩阵中提取目标散射特征的性能通常不好。提取的特征表现出较大的变化和高噪声来表示同一类的目标。
ICTD方法通常用于处理随机后向散射过程,可以为目标解释提供稳定的特征。
在[3]和[6]中,提出了基于特征值分解的ICTD方法。 模型对应于经典的 分解,Touzi的ICTD方法对3个分解的1阶相干矩阵进行。在[7]中,我们提出了 目标分解方法,它是 散射模型的非相干分解。作为 分解,该方法也可以将散射机制分为8类。
在本研究中,我们首次全面研究了散射矢量模型之间的关系,然后比较了相应的ICTD方法在目标散射机制识别方面的性能。实验结合经典的监督方法迭代Wishart分类器进行。结果表明,物理散射机制识别在为基于学习的算法提供训练样本方面具有巨大的潜力。
2. 散射矢量模型
互易假设下的散射矩阵(即 )表示如下:
(1) |
在哪里
和 分别是目标螺旋角和目标取向角。 h 和 v 是 Kennaugh-Huynen 对角化参数 [4] 泡利基向量形式化如下。
(2) |
从泡利基向量出发,提出了两个重要的散射向量模型来描述目标的散射行为,即Cloude和Pottier的 散射模型和Touzi的散射模型[4],如(3)和(3)所示。 (4) 分别。
(3) | |
(4) |
其中 是由下式给出的旋转矩阵
,并且是归一化因子。偏振和对称散射类型都用于表征散射机制。 受目标方位角影响 文献[5]中使用参数 来描述目标散射机制,该参数在文献[8]中首次提出] 用于粗糙表面表征,然后我们将其扩展到一般情况 [7]。通过定义 ,泡利基向量可以如(5)所示表示。
(5) |
在哪里
.
由(3)、(4)和(5)可知,相干目标散射可以用泡利散射矢量参数来表征如下。
(6) |
接下来,我们将讨论这些参数之间的关系。在[4]中, 和 之间的关系进行了深入的讨论,我们在这里总结一下。从对称目标散射和一般目标散射两个方面讨论了这种关系。图1给出了不同参数之间的关系,其中还给出了 和 随 的变化。请注意, 和 之间的变化仅在反射对称情况下有效。还研究了目标散射类型的明确描述。 As ,也可用于识别散射模糊度。另一个重要的一点是,除了 poalriemtric 之外, 中 的参数不是滚动不变的,并且 和 中的参数都是滚动不变的。
为了减少散斑噪声对散射机制提取的影响,平均散射参数有利于目标表征。
模型和Touzi模型都采用相干矩阵的特征值-特征向量分解来实现ICTD。然而,仅使用基于特征向量的散射矢量分解,无法清楚地描述平均散射机制,并且每个散射矢量模型也会生成至少15个参数来描述一个散射体,导致难以理解主导散射机制。 模型是经典 分解的特征向量模型,是最流行的散射表征方法。极化H表示散射随机性,极化 表示散射机制。 H和 组合构成散射平面,使得散射机制识别和目标分类成为可能。
Touzi的ICTD计算散射类型参数和相干度,用于评估散射过程的相干条件。该方法已成功用于湿地分类[6],并取得了良好的效果。然而,对于一般目标散射类型分类,文献中尚未开发出可直接用于一般地形类型散射识别的通用分类平面。
所提出的散射矢量模型也可以用于从特征分解获得的特征向量中提取偏振特征,但是,通过这种方式很难表示平均散射机制并评估散射随机性。在[7]中,我们提出了 方法,利用共极化比来表示理想的确定性散射体。然后,使用随机散射体云与其理想中心的散射偏差来评估散射一致性。 方法也可以用于散射类型分类,因为 分解与分类平面具有一一确定的对应关系。通过这种方法,我们首次证明了散射随机性与散射机制有关。
图 2 测试数据的泡利基图像.
4. 实验
该分析通过 2018 年 8 月 21 日在旧金山上空采集的 L 波段 ALOS-2/PALSAR 数据进行了演示,中心入射角为 33.87°。泡利基图像如图2所示。对于散射矢量参数化方法,图1隐含地表明散射类型参数之间存在一定的等价性。我们在图 3 中显示了散射类型参数。可以看出,CTD 方法受散斑噪声的影响很大。观察森林和城市地区之间的散射类型差异并不容易。
ICTD 分解和 分解的结果如图4所示。通过目视观察,观察到 方法可以检测到更多的目标在市区。散射机制识别方法最重要的应用之一是它们可以为监督方法提供有用的训练样本。因此,两种方法都可以与迭代Wishart分类器结合,分类结果也如图4所示。两种地形类型分类结果看起来非常相似,但一个主要区别是,经过Wishart分类器进一步细化后,在 分类初始化的结果与1类索引的地形类型变化很大。如图5所示,地形类型从主要表面散射(海洋表面)到植被散射(森林地区)。在 方法初始化的结果中,Wishart分类器细化前后的地形类型保持不变,说明 方法对散射类型的识别效果更好,可以更好地识别散射类型。提供稳定的训练样本。
5. 结论
In this study, we introduce the scattering vector parameterization methods. Each scattering vector model consists of 5 polarimetric parameters relating to the physical scattering properties of the scatterer. Theoretical relationships between these models are discussed. When directly extract the polarimetric
在本研究中,我们介绍了散射矢量参数化方法。每个散射矢量模型由 5 个与散射体物理散射特性相关的偏振参数组成。讨论了这些模型之间的理论关系。当直接从单视复杂数据中提取基于散射矢量模型的偏振特征时,散斑噪声极大地影响了参数估计的准确度。因此,ICTD 是优选的并且可以通过两种方式来实现。
一种方法是基于特征向量的散射向量建模方法,所有三种散射向量模型都可以应用于相干矩阵的特征向量。另一种方法是通过平均参数来描述散射机制,其中
和 方法可用于根据物理特性对散射体进行分类。它们可以为基于学习的算法提供有用的训练样本,而训练样本对算法的性能影响很大。实验表明 方法能够提供较好的地形类型识别结果。今后将详细研究和评估三种散射矢量模型在目标散射识别方面的性能。
6.致谢
这项研究得到了国家自然科学基金委 62171023、国家自然科学基金 62222102 和中央高校基本科研业务费专项资金 FRF-TP-22-005C1 的资助。
(a) (b) (c)
图 3. 散射类型参数。
(a) (b)
(c) - 威沙特 (d) - 威沙特
图4.分类结果。
(a) 初始化 (b) 初始化
图 5. 第一分类类别中 Wishart 分类器迭代前后的像素变化。绿色和洋红色像素表示初始结果和最终结果,白色像素表示初始结果和最终结果位于同一位置。
7. 参考文献
[1] A. Freeman、S. Durden,“极化 SAR 数据的三分量散射模型”IEEE Trans。地理学。遥感,卷。 36,第 963–973 页,1998 年。
[2] Y. Yamaguchi、T. Moriyama、M. Ishido、H. Yamada“极化 SAR 图像分解的四分量散射模型”,IEEE Trans。地理学。遥感,卷。 43,第 1699–1706 页,2005 年.
[3] S. R. Cloude、E. Pottier,“极化 SAR 陆地应用的基于熵的分类方案”IEEE Trans。地理学。遥感,卷。 35,第 68-78 页,1997 年。
[4] R. Touzi,“根据滚动不变目标参数进行目标散射分解”,IEEE Trans。地理学。遥感,卷。 45,第 73-84 页,2007 年。
[5] J. Yin 和 J. Yang,“一种新的目标散射矢量”,《电子快报》,卷。 57、没有。 7,第 282-284 页,2021 年 3 月。
[6] R. Touzi、A. Deschamps 和 G. Rother,“使用偏振 C 波段 SAR 进行湿地表征的目标散射相位”IEEE Trans。地理学。遥感,卷。 47、没有。 9,第 3241-3261 页,2009 年。
[7] J. Yin、W. Moon、J. Yang,“基于模型的极化 SAR 数据散射机制识别新方法”IEEE Trans。地理学。遥感,卷。 54,第 520-532 页,2016 年。
[8] S. R. Cloude 和 D. G. Corr,“土壤湿度估算的新参数”,IGARSS 2002,加拿大多伦多,卷。 1,第 641–643 页,2002 年。