一种具有大方位角城区目标识别算法

1.本发明涉及模式识别技术领域，尤其涉及一种大方位角城区目标识别方法。


背景技术：

2.极化合成孔径雷达(polarimetric synthetic aperture radar,polsar)可以利用不同极化通道的sar复图像区分物体的细致结构、目标指向、几何形状以及物质组成等参数，在遥感领域具有广阔的应用前景。
3.在极化sar数据分析中，可以利用极化目标分解理论提取地物的极化散射特性，进而实现极化sar图像的分类、地物的检测和识别等应用。极化分解方法分为基于极化散射矩阵的相干极化目标分解和基于极化协方差矩阵或者极化相干矩阵的非相干极化目标分解。由于相干分解方法是基于矢量特性的分解方法，在通过相干目标分解方法进行极化目标分解时，要求目标的散射矩阵不随时间变化。然而，在实际情况下，对于非稳态的地物目标，其后向散射特性是随着时间变化的，所以散射矩阵中的每一个元素都是一个随时间变化的量，而且，空间上由于多个散射中心会造成随机斑点噪声，因此，需要利用极化协方差矩阵或相干矩阵来描述目标的电磁散射特性。
4.利用极化协方差矩阵或相干矩阵进行的非相干极化目标分解算法主要有基于特征值的极化目标分解算法和基于模型的极化目标分解算法。1998年freeman和durden首次建立了体散射、偶次散射和表面散射三种散射模型。该模型假设三个分量在统计上独立不相关，允许三者相加。然而在该分解算法中，体散射能量往往被过高估计。为了更加准确的对体散能量进行估计，yamaguchi等人在2005年建立了yamaguchi三分量分解算法，该算法对体散射模型进行了扩展，并根据实际图像信息，对体散射模型进行选择。另外，为了更好的描述城区目标，yamaguchi等人还针对城区目标进行了螺旋极化散射模型，与yamaguchi三分量分解算法相结合，形成了yamaguchi四分量分解算法。
5.yamaguchi四分量分解算法虽然可以对林区目标、具有较小方位角的城区目标以及水面等平坦地物目标的散射特征进行描述。而对于具有较大方位角的城区目标，由于体散射能量强于偶次散射能量，该类城区目标往往被误分为林区目标。
6.为了解决误分类问题，对于具有较大方位角的城区目标，需要增强该类目标的偶次散射能量，同时减少体散射能量。


技术实现要素：

7.本发明提供一种对于具有较大方位角城区目标识别方法，用于提高图像分解和散射分类的精度。
8.为了解决上述技术问题，本发明提供了一种对于具有较大方位角城区目标的识别算法，利用极化雷达数据的相干系数矩阵的线性组合，提出了一种新的相关系数，利用该系数修正已有的体散射模型，结合该新的体散射模型建立一种新的四分量极化目标分解算法，并对新的四分量分解算法进行求解。
9.为了便于描述本发明的内容，首先定义：
10.定义一、极化散射矩阵
11.通常情况下，雷达目标在远场区的电磁散射特性是一个线性过程，如果选定了散射空间坐标系以及相应的极化基，那么雷达照射波和目标散射波的各极化分量之间存在着线性变换关系。因此，目标的变极化效应可以用一个复二维矩阵的形式来表示，称为sinclair散射矩阵[s]，它代表了特定姿态和观测频率下目标的全极化信息。
[0012][0013]
定义二、极化相干矩阵[t]
[0014]
极化相干矩阵是极化散射矩阵的二阶统计量，是后向散射电磁波功率的表示，能够有效压制雷达噪声，相比于散射矩阵，极化相干矩阵能够更好的描述地物目标的后向散射特征。
[0015]
在对全极化sar数据进行分析时，首先需要将极化散射矩阵进行矢量化。当利用pauli基对极化散射矩阵进行矢量化时，所得到的的散射矢量的元素与地物目标的后向散射电磁波的物理特征近似。其中pauli基表示为：
[0016][0017]
对应的pauli散射矩阵为：
[0018][0019]
其中，t为矩阵转置运算。根据互易定理s
hv
＝s
vh
，可得散射矢量k
p
：
[0020][0021]
目标的极化相干矩阵[t]为：
[0022][0023]
其中，
*
表示共轭转置，《
·
》表示总体平均。
[0024]
在林区，特别是水淹森林区域，该类目标具有很强的偶次散射能量。对于该类目标，保持yamaguchi四分量分解结果；同样的，当偶次散射能量占比或者表明散射能量占比大于等于0.5时，同样保持yamaguchi四分量分解结果，否则采用新的四分量分解算法。
[0025]
作为优选，具体包括以下步骤：
[0026]
(1)获取雷达原始数据。
[0027]
(2)利用polsarpro软件获取极化散射矩阵[s]和极化相干矩阵[t]以及矩阵元素t
22
和t
33
。
[0028]
(3)利用相干矩阵进行yamaguchi四分量分解，获取地物相应的体散射分量[t]v、偶次散射分量[t]d、奇次散射分量[t]s以及螺旋体散射分量[t]h。
[0029]
(4)定义相干系数r：r＝|t
22-t
33
|。
[0030]
(5)利用相干系数r的函数对体散射模型[t]v进行修正，得到修正后的体散射模型[t]
v_new
。
[0031]
(6)将新的体散射模型[t]
v_new
替换yamaguchi四分量分解算法中的体散射模型，得到城区目标识别四分量分解算法。
[0032]
(7)根据四分量分解算法对全极化sar图像进行目标分解，得到表面散射、偶次散射、体散射和螺旋体散射四个分量强度：ps、pd、pv、ph。
[0033]
与现有技术相比，本发明的对于具有大方位角的城区目标识别算法的有益效果在于：与现有技术中的yamaguchi四分量分解方法相比，本发明的方法在城区目标的识别中表现更优。为了解决具有大方位角城区目标误分的问题，本发明提出了一个新的相干系数r，该系数的值在城区目标高，非城区目标低，能够很好的描述城区目标的散射特征值，且不需要考虑城区目标的方位角的影响。利用将该相干系数对已有的体散射模型进行修正，得到新的四分量分解算法，该算法能够有效增强具有较大方位角的城区目标的偶次散射能量，减弱体散射能量，使得偶次散射能量强于体散射能量，从而使得城区目标能够被正确的识别和分类。
附图说明
[0034]
图1为本发明提出的新的四分量分解算法。
[0035]
图2(a)为采用本发明分解结果图；图2(b)采用yamaguchi四分量分解算法结果图。
[0036]
图3(a)(b)为采用本发明分解结果图；图3(c)(d)采用yamaguchi四分量分解算法结果图。
[0037]
图4(a)为采用本发明分解结果图；图4(b)采用yamaguchi四分量分解算法结果图。
[0038]
图5(a)为采用本发明分解结果图；图5(b)采用yamaguchi四分量分解算法结果图。
具体实施方式
[0039]
下面结合附图和具体实施例对本发明的实施例的对于具有大方位角城区目标识别算法作进一步详细描述，但不作为对本发明的限定，具体包括以下步骤：
[0040]
1、读取不同波段的雷达数据，包括l波段uansar polsar数据、l波段alos-palsar数据。
[0041]
2、利用polsarpro软件获取极化散射矩阵[s]和极化相干矩阵[t]以及矩阵元素t
22
和t
33
。
[0042]
3、利用相干矩阵进行yamaguchi四分量分解，获取地物相应的体散射分量[t]v、偶次散射分量[t]d、奇次散射分量[t]s以及螺旋体散射分量[t]h。
[0043]
4、定义相干系数r：r＝|t
22-t
33
|。
[0044]
5、利用相干系数r的函数对体散射模型[t]v进行修正，得到修正后的体散射模型[t]
v_new
。
[0045]
(51)在极化相干矩阵形式下，体散射模型可以表示为对角矩阵。因此，为了合理、有效地使用r对体散射模型进行修正，首先使用参数化的体散射模型：
[0046][0047]
其中，a、b、c为关于r的函数。
[0048]
(6)将新的体散射模型[t]
v_new
替换yamaguchi四分量分解算法中的体散射模型，得到城区目标识别四分量分解算法:
[0049]
[t]＝fs[t]s fd[t]d fv[t]
v_new
fc[t]hꢀꢀꢀ②
[0050]
(61)参照yamaguchi四分量分解求解算法，对公式进行求解得：
[0051]
fc＝|im(t
23
)|
ꢀꢀꢀ③
[0052]
其中im(
·
)为取实部操作。
[0053][0054]
进一步地，当的实部大于等于0时，则有：
[0055][0056]
进一步地，当的实部小于0时，则有：
[0057][0058]
(7)根据四分量分解算法对全极化sar图像进行目标分解，得到表面散射、偶次散射、体散射和螺旋体散射四个分量强度：ps、pd、pv、ph:
[0059][0060]
进一步地，确定参数a、b、c的最终形式。
[0061]
在极化相干矩阵形式下，freeman-durden分解算法中的体散射模型为：
[0062][0063]
进一步地，倾斜建筑物模型可以写为：
[0064][0065]
进一步地，引入极化方位角θ
dom
的倾斜建筑物模型为：
[0066][0067]
进一步地，将公式
⑨
简化为：
[0068][0069]
进一步地，公式
⑩
中f(θ
dom
)＝cos(4θ
dom
)/15，
∝
用于简化式子表达。
[0070]
进一步地，对于具有较大方位角的城区目标，利用相关系数f(r)函数替换f(θ
dom
)，结合公式
⑧
得出新的体散射模型：
[0071][0072]
进一步地，公式可以简化为：
[0073][0074]
进一步地，令f(r)＝3r，新的体散射模型的最终形式为：
[0075][0076]
最终，结合公式
①
和公式求解公式
⑦
，可得每种散射机制的能量占比。