一种面向全极化合成孔径雷达图像的散射金字塔分类方法

摘要

本发明涉及一种面向全极化合成孔径雷达图像的散射金字塔分类方法，包括：读入待分类图像的相干矩阵并进行去取向处理；分别求取目标对表面散射、二面散射和体散射的偏好度参数SDoPs、SDoPd和SDoPv以及平均偏好度参数SDoP3；基于SDoP3构建三层金字塔模型，该三层金字塔模型从底到顶分别代表高、中、低三种散射随机情形；基于参数SDoPs、SDoPd和SDoPv的排列组合，将三层金字塔模型划分为十块，分别表示十种不同的散射机制；用不同的标记将待分类图像加以标识，形成最终分类图。

说明书

技术领域

本发明涉及图像分类方法，特别涉及一种面向全极化合成孔径雷达图像的散射 金字塔分类方法。

背景技术

全极化合成孔径雷达图像分类是微波遥感和地球科学领域的研究热点。全极化 雷达通过交替正交接收可获得关于目标物理散射和几何结构等信息，这些信息包含 在获取的目标散射二阶统计矩阵，诸如Kennaugh矩阵、相干矩阵和协方差矩阵当中。 要想从这些矩阵中解译出目标信息，需对其进行一定的处理。Huynen在1970年发 现(参见参考文献1：“J.R.Huynen,"Phenomenological Theory of Radar Targets,"Ph.D. Dissertation,Tech.Univ.Delft,Delft,The Netherland,1970”)：目标分解是一种有效地 理解目标散射信息的方法，其通过从目标中提取出主要散射信息或将其在不同标准 散射机制上进行展开，可在一定程度上将特定目标散射信息揭露无遗。Huynen分解 是第一个正式提出的极化目标分解技术，其奠定了该领域的基础。该领域在过去四 十多年里受到了持续的广泛关注，大批不同极化分解方法被提出，并已广泛用于机 载和星载极化雷达图像处理领域。这其中使用最广泛、最成功的莫属Cloude-Pottier 分解，基于该分解发展的熵/alpha角分类在极化雷达图像处理领域具有广泛的影响力 (参见参考文献2：“S.R.Cloude and E.Pottier,"An entropy based classification scheme  for land applications of polarimetric SAR,"IEEE Trans.Geosci.Remote Sens.,vol.35,no. 1,pp.68-78,Jan.1997”)。

尽管Huynen分解具有重要理论意义，但并没有得到广泛的实际应用，一个主要 原因是其只能处理规则/对称目标。而实际上许多自然目标和人造目标并非如此理想， 具有复杂的非规则性和非对称性，例如茂密的森林和拥挤的城市建筑群。对于这类 目标，Huynen分解将无能为力。标准Huynen分解的提出意欲克服Huynen分解在这 方面的不足。从目标散射描述的物理可实现条件出发，Li和Zhang近期发现仍存在 另外两种分解形式，分别偏好于散射非对称性和非规则性，其与原始Huynen分解一 起构成了标准Huynen分解，可提供关于目标散射的全面描述，这在自适应雷达目标 提取方面已得到了成功应用(参见参考文献3：“D.Li and Y.Zhang,"Huynen  dichotomy-based radar target adaptive extraction,"in Proc.PIERS,Stockholm,Sweden, 2013,pp.881-85”)。然而关于该分解的分类应用，尚没有一个有效的实现方案。分类 应用考查的是一个分解算法能否用于对随机分布目标的描述，这比自适应目标提取 更具挑战性，因为后者通常只需处理单目标即可。按照当前极化分解领域的发展趋 势，一个优秀的分解算法不仅须能提取单目标，更须对广泛存在的分布目标具有适 用性。因此标准Huynen分解能否有效用于目标分类，是影响其未来应用的关键指标。

发明内容

本发明的目的在于克服现有技术中尚缺乏对Huynen分解的有效实现方案，从而 提供一种简单快速、易于实现的图像分类方法。

为了实现上述目的，本发明提供了一种面向全极化合成孔径雷达图像的散射金 字塔分类方法，包括：

步骤1)、读入待分类图像的目标相干矩阵并进行去取向处理；

步骤2)、由步骤1)所得到的结果分别求取目标对表面散射、二面散射和体散 射的偏好度参数SDoP_s、SDoP_d和SDoP_v以及平均偏好度参数SDoP₃；

步骤3)、基于步骤2)所得到的SDoP₃构建三层金字塔模型，该三层金字塔模 型从底到顶分别代表高、中、低三种散射随机情形；

步骤4)、基于参数SDoP_s、SDoP_d和SDoP_v的排列组合，进一步将步骤3)所得 到的三层金字塔模型划分为十块，分别表示十种不同的散射机制；

步骤5)、用不同的标记将待分类图像根据步骤4)所做的划分加以标识，形成 最终分类图。

上述技术方案中，所述步骤1)具体包括：对待分类图像中每一个像素位置的目 标相干矩阵做去取向操作；其中，

若原始的目标相干矩阵T为：

$T=\left(\begin{array}{ccc}{T}_{11}& T_{12}& T_{13}\\ T_{21}& T_{22}& T_{23}\\ T_{31}& T_{32}& T_{33}\end{array}\right);$

取向角通过下式估计：

则去取向后的目标相干矩阵T'表示为：

$T^{\prime }=\left(\begin{array}{ccc}{T}_{11}^{\prime }& T_{12}^{\prime }& T_{13}^{\prime }\\ T_{21}^{\prime }& T_{22}^{\prime }& T_{23}^{\prime }\\ T_{31}^{\prime }& T_{32}^{\prime }& T_{33}^{\prime }\end{array}\right)={\mathrm{RTR}}^H,$

上述技术方案中，在步骤2)中，目标对表面散射的偏好度参数SDoP_s、目标对 二面散射的偏好度参数SDoP_d、目标对体散射的偏好度参数SDoP_v的计算公式分别 为：

${\mathrm{SDoP}}_s=\frac{{\Sigma }_{i=1}^3{\left|T_{i1}^{\prime }\right|}^2}{T_{11}^{\prime }{\Sigma }_{i=1}^3{T}_{\mathrm{ii}}^{\prime }},{\mathrm{SDoP}}_d=\frac{{\Sigma }_{i=1}^3{\left|T_{i2}^{\prime }\right|}^2}{T_{22}^{\prime }{\Sigma }_{i=1}^3{T}_{\mathrm{ii}}^{\prime }},{\mathrm{SDoP}}_v=\frac{{\Sigma }_{i=1}^3{\left|T_{i3}^{\prime }\right|}^2}{T_{33}^{\prime }{\Sigma }_{i=1}^3{T}_{\mathrm{ii}}^{\prime }};$

平均偏好度参数SDoP₃的计算公式为：

${\mathrm{SDoP}}_3=\frac{{\mathrm{SDoP}}_s^2+{\mathrm{SDoP}}_d^2+{\mathrm{SDoP}}_v^2}{{\mathrm{SDoP}}_s+{\mathrm{SDoP}}_d+{\mathrm{SDoP}}_v}.$

上述技术方案中，在步骤3)中，基于SDoP₃所构建的三层金字塔模型为：

上述技术方案中，在步骤4)中，将三层散射金字塔划分为十块包括：

其中，金字塔顶层被划分为三块，其中的S表示偏好表面散射、D表示二面散 射、V表示体散射；金字塔中层被划分为六块，分别用SD、SV、DS、DV、VS和VD 表示，SD表示目标散射“偏好表面散射和二面散射”，SV表示目标散射“偏好表面 散射和体散射”，DS表示目标散射“偏好二面散射和表面散射”，DV表示目标散射 “偏好二面散射和体散射”，VS表示目标散射“偏好体散射和表面散射”，VD表示 目标散射“偏好体散射和二面散射”。

上述技术方案中，所述步骤5)进一步包括：

步骤5-1)、对待分类图像中的某一像素基于该像素位置的T矩阵计算参数 SDoP_s、SDoP_d、SDoP_v以及它们的平均SDoP₃，

步骤5-2)、然后利用三层金字塔模型判断其位于金字塔哪一层以及该层的哪一 类；

步骤5-3)、用赋予该类别的区分标记标识该像素位置；

步骤5-4)、对待分类图像中的所有像素均做步骤5-1)-步骤5-3)操作，得到最 终分类图。

本发明的优点在于：

本发明的散射金字塔分类方法有效地将标准Huynen分解用于目标分类，该方法 实现简单且易于理解，与当前最流行的分类方法的对比实验表明，其具有优异的雷 达目标区分性能。

附图说明

图1是本发明的面向全极化合成孔径雷达图像的散射金字塔分类方法的总体流 程图；

图2是本发明的面向全极化合成孔径雷达图像的散射金字塔分类方法的具体流 程图；

图3是一个实施例中所采用的待分类全极化合成孔径雷达图像的示意图；

图4(a)是本发明的方法所实现的散射金字塔模型的示意图；

图4(b)是现有技术中的熵/alpha角分类模型的示意图；

图5是图3经本发明的方法做分类后的结果示意图；

图6是图3采用现有技术中的熵/alpha角分类方法做分类后的结果示意图。

具体实施方式

现结合附图对本发明作进一步的描述。

参考图1和图2，本发明的面向全极化合成孔径雷达图像的散射金字塔分类方法 包括以下步骤：

步骤1)、读入待分类图像的相干矩阵并进行去取向处理；

步骤2)、由步骤1)所得到的结果分别求取目标对表面散射、二面散射和体散 射的偏好度(SDoP，Scattering Degree of Preference)参数SDoP_s、SDoP_d和SDoP_v， 以及平均偏好度参数SDoP₃；

步骤3)、基于步骤2)所得到的SDoP₃构建三层金字塔模型，从底到顶分别代 表高、中、低三种散射随机情形；

步骤4)、基于参数SDoP_s、SDoP_d和SDoP_v的排列组合，进一步将步骤3)所得 到的三层金字塔模型划分为十块，分别表示十种不同的散射机制；

步骤5)、用不同的标记将待分类图像根据步骤4)所做的划分加以标识，形成 最终分类图。

下面对本发明方法中的步骤做进一步描述。

在步骤1)中，读入待分类的全极化合成孔径雷达图像。在一个实施例中，所读 入的图像如图3所示，该图像由NASA/JPL研制的机载AIRSAR系统获取于美国旧 金山地区，该地区的地面验证信息易于获得，因此经常被用于各种分解和分类算法 的有效性验证中。

在读入待分类的全极化合成孔径雷达图像后，对图像每一个像素位置的目标相 干矩阵(描述了对应像素的散射信息)进行去取向操作。若原始目标相干矩阵T为：

$T=\left(\begin{array}{ccc}{T}_{11}& T_{12}& T_{13}\\ T_{21}& T_{22}& T_{23}\\ T_{31}& T_{32}& T_{33}\end{array}\right)---\left(1\right)$

则取向角可通过下式估计：

去取向后的目标相干矩阵T'可表示为：

$T^{\prime }=\left(\begin{array}{ccc}{T}_{11}^{\prime }& T_{12}^{\prime }& T_{13}^{\prime }\\ T_{21}^{\prime }& T_{22}^{\prime }& T_{23}^{\prime }\\ T_{31}^{\prime }& T_{32}^{\prime }& T_{33}^{\prime }\end{array}\right)={\mathrm{RTR}}^H,$

目标若在垂直于雷达视线的平面内存在非零倾角，将会使同极化散射能量分解 至交叉极化上，引起交叉极化散射能量增加，最终可导致建筑物被错识别为森林。 经过本步骤中的上述去取向操作，目标物理取向产生的散射贡献得以补偿，保证了 后续分类结果不受影响。

本发明的分类方法是基于标准Huynen分解实现的，因此步骤1)所得到的去取 向后的目标相干矩阵T'可由三种子分解组成，统一表示为：

$T^{\prime }=T_{\mathrm{Si}}^{\prime }+T_{\mathrm{Ni}}^{\prime }=k_{\mathrm{Si}}^{\prime }·k_{\mathrm{Si}}^{\prime H}+T_{\mathrm{Ni}}^{\prime },i=\mathrm{1,2,3}---\left(4\right)$

其中，上标“H”表示矩阵共轭转置操作，T'_Ni为分解得到的剩余N-目标，T'_Si为提出的等价单目标，k'_Si为与T'_Si对应的散射Pauli矢量。三种子分解对应的k'_Si分别为：

$k_{S1}^{\prime }=\frac{1}{\sqrt{T_{11}^{\prime }}}\left(\begin{array}{c}{T}_{11}^{\prime }\\ T_{21}^{\prime }\\ T_{31}^{\prime }\end{array}\right),k_{S2}^{\prime }=\frac{1}{\sqrt{T_{22}^{\prime }}}\left(\begin{array}{c}{T}_{12}^{\prime }\\ T_{22}^{\prime }\\ T_{32}^{\prime }\end{array}\right),k_{S3}^{\prime }=\frac{1}{\sqrt{T_{33}^{\prime }}}\left(\begin{array}{c}{T}_{13}^{\prime }\\ T_{23}^{\prime }\\ T_{33}^{\prime }\end{array}\right)---\left(5\right)$

从雷达目标现象学理论角度看，三种子分解分别偏好散射规则/对称性、非规则 性和非对称性；从标准目标散射角度看，其分别偏好表面散射、二面散射和体散射。 为了进一步描述分解的散射偏好程度，定义如下散射偏好度(SDoP，Scattering  Degree of Preference)参数：

$\left(\begin{array}{c}{\mathrm{SDoP}}_s=\frac{{\mathrm{SPAN}}_{S1}}{\mathrm{SPAN}}=\frac{{\left|\right|k_{S1}^{\prime }\left|\right|}_F^2}{{\Sigma }_{j=1}^3{T}_{\mathrm{jj}}^{\prime }}\\ {\mathrm{SDoP}}_d=\frac{{\mathrm{SPAN}}_{S2}}{\mathrm{SPAN}}=\frac{{\left|\right|k_{S2}^{\prime }\left|\right|}_F^2}{{\Sigma }_{j=1}^3{T}_{\mathrm{jj}}^{\prime }}\\ {\mathrm{SDoP}}_v=\frac{{\mathrm{SPAN}}_{S3}}{\mathrm{SPAN}}=\frac{{\left|\right|k_{S3}^{\prime }\left|\right|}_F^2}{{\Sigma }_{j=1}^3{T}_{\mathrm{jj}}^{\prime }}\end{array}\right)---\left(6\right)$

其中，下标“F”表示取Frobenius范数操作，SPAN为原始目标总功率，SPAN_Si(i ＝1,2,3)为单目标k'_Si总功率，因此SDoP是一个相对功率描述量。将式(5)带 入至式(6)，进一步有：

${\mathrm{SDoP}}_s=\frac{{\Sigma }_{i=1}^3{\left|T_{i1}^{\prime }\right|}^2}{T_{11}^{\prime }{\Sigma }_{i=1}^3{T}_{\mathrm{ii}}^{\prime }},{\mathrm{SDoP}}_d=\frac{{\Sigma }_{i=1}^3{\left|T_{i2}^{\prime }\right|}^2}{T_{22}^{\prime }{\Sigma }_{i=1}^3{T}_{\mathrm{ii}}^{\prime }},{\mathrm{SDoP}}_v=\frac{{\Sigma }_{i=1}^3{\left|T_{i3}^{\prime }\right|}^2}{T_{33}^{\prime }{\Sigma }_{i=1}^3{T}_{\mathrm{ii}}^{\prime }}---\left(7\right)$

在步骤2)中，按照上述式(7)计算目标对表面散射、二面散射和体散射的偏 好度参数SDoP_s、SDoP_d和SDoP_v。在得到这三个偏好度参数的基础上，可进一步计 算平均散射偏好度参数：

${\mathrm{SDoP}}_3=\frac{{\mathrm{SDoP}}_s^2+{\mathrm{SDoP}}_d^2+{\mathrm{SDoP}}_v^2}{{\mathrm{SDoP}}_s+{\mathrm{SDoP}}_d+{\mathrm{SDoP}}_v}---\left(8\right)$

该平均散射偏好度参数可用于刻画目标散射随机性。

在步骤3)中，利用参数SDoP_s、SDoP_d、SDoP_v以及SDoP₃可实现散射金字塔 的构建。首先基于SDoP₃参数将金字塔确定为三层结构，每层对应一种特定随机散 射情形。从顶层到底层的划分方法及其物理意义如下：

在步骤4)中，基于参数SDoP_s、SDoP_d和SDoP_v的排列组合，本步骤中进一步 将步骤3)所得到的三层散射金字塔自适应划分为十块：

十块金字塔区域分别对应十种目标散射情形。金字塔顶层被划分为三块，分别 表示偏好表面散射(S)、二面散射(D)或体散射(V)；金字塔中层被划分为六块， 分别用SD、SV、DS、DV、VS和VD表示，以SD为例，SD代表目标散射“偏好表 面散射和二面散射”，其SV、DS、DV、VS和VD物理意义也可类推出；金字塔底层 代表高随机性散射，不再进行划分，直接用R表示。这十块金字塔区域代表了十种 类别，最终得到的散射金字塔模型如图4(a)所示。

在步骤5)中，将待分类图像按照步骤4)所得到的散射金字塔模型做划分，图 像中属于不同类别的区域用不同的标记加以表征(如用不同颜色表示待分类图像中 属于不同类别的区域)，得到最终分类图。具体的说，对待分类图像中的某一像素基 于该像素位置的T矩阵计算参数SDoP_s、SDoP_d、SDoP_v以及它们的平均SDoP₃，然 后利用式(9)判断其位于金字塔哪一层，再根据式(10)判断其属于该层的哪一类； 最后用赋予该类别的区分标记标识该像素位置。对待分类图像中的所有像素均做上 述操作，即可得到最终分类图。

图5为图3所示图像做分类后的分类结果，从图中可以看出，图中所示地区的 一些典型目标，例如海区、山区、市区、森林、海岛、林荫道、海滩、公园、马球 场、高尔夫球场、金门大桥等都在分类图中得到了很好地区分，这说明了本发明的 分类方法的有效性。

为了进一步验证本发明的分类方法的有效性，下面将本发明的散射金字塔分类 法与现有技术中流行的熵/alpha角分类法进行比较。图4(b)所示为熵/alpha角分类 方案，其中熵参数可有效描述目标的散射随机程度，alpha角可在平均意义上刻画目 标的散射机制。该分类利用熵参数将目标分为低随机性、中随机性和高随机性三种 情形，这与散射金字塔中每层的作用相一致。三种散射情形进一步被alpha角划分为 八个区域，分别用Z1到Z8表示。其中，高随机性散射被分为Z1和Z2两部分，分 别表征高熵二面散射和高熵体散射；中随机性散射被分为Z3、Z4和Z5三部分，分 别对应于中熵二面散射、中熵体散射和中熵表面散射；Z6、Z7和Z8处于低随机性 散射区，分别表示低熵二面散射、低熵体散射和低熵表面散射。

熵/alpha角方法对旧金山区域的分类结果如图6所示，直观上看，其与图5所示 的分类结果具有很好的一致性，这是因为两种方法都利用随机性首先将目标散射粗 分为三种情形，且都将低随机性散射情形进一步划分为表面散射、二面散射和体散 射。尽管如此，两种分类结果之间的差异也非常明显，至少可观测到两个主要差异。 其一，图5中的森林区域较图6更清楚，特别在林荫道(图中用椭圆1和2标识出) 和公园区域(用圆形3标识出)，这种差异格外明显，这是因为两种方法对高随机性 散射有着不同的处置方法。本发明的散射金字塔方案不对高随机性散射做进一步划 分，而将其整体视为一类(R)，因为此时目标散射偏好已接近各向同性；而熵/alpha 角方案将高随机性散射分裂为Z1和Z2两部分。图5的优异表现说明，没有很大必 要对高随机散射目标作进一步区分。其二，矩形4所示的海滩区域在图6中被识别 成体散射，而在图5中为SD，即偏好于表面散射和二面散射。本申请人认为图5的 结果更合理，因为海滩一般由沙粒组成，不可能像拥挤的建筑物和森林区域那样出 现体散射。同样的情形也出现在椭圆5和6所示的马球场和高尔夫球场。进一步， 公园和椭圆7所示的金门大桥在图6中也被判别为体散射，而在图5中为DS，即偏 好于二面散射和表面散射。通过将两种分类结果与该区域的光学图像和非监督 Wishart极化分类图像相比较，可发现，图5的结果更具可信性。本申请人分析认为， 熵/alpha角分类在这些区域表现差的根源在于其对混合目标的统计平均建模。平均散 射尽管可在整体意义上很好表征混合目标散射信息，但也导致了一定程度的模糊。 本申请人以SD和DS为例来说明：本领域技术人员都知道，表面散射的alpha角小 于45°，二面散射的alpha角大于45°，在SD和DS两种类别下，目标对表面散射和 二面散射的偏好程度不相上下，这导致平均alpha角接近于45°，这在熵/alpha角分 类中表征体散射，从而导致该方法将SD和DS都归类为体散射。而SD和DS实际 上表征目标对表面散射和二面散射的偏好要远高于体散射，将它们识别为体散射显 然不合理，因此提出的散射金字塔方案可提供更多散射信息。

散射金字塔方案较于熵/alpha角分类方案的另一个优势是其较少的计算量。该分 类只依赖于参数SDoP_s、SDoP_d、SDoP_v以及SDoP₃，而这些参数只与目标相干矩阵 T'的每一列和对角元素有关系，因此可直接快速获得。而熵/alpha角分类基于Cloude 分解，需先对相干矩阵进行特征矢量分解以获得熵参数和alpha角，其引入的计算量 可以想象。

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。