基于分布目标的全极化SAR隔离度评价方法

摘要

本发明提供了一种基于分布目标的全极化SAR隔离度评价方法，该方法通过选取地物，并向所选地物的实测散射矩阵反向加入串扰，利用通道间的相关系数得到SAR串扰的估计值，从而反映该极化SAR的极化通道隔离度，主要解决全极化SAR质量评价中极化隔离度的估算问题，其主要实现步骤包括：选取地物，将所选地物的实测散射矩阵即需要进行评估的数据M分为N块大小相同的数据块M

说明书

技术领域

本发明涉及SAR信号处理领域，特别涉及一种基于分布目标的全极化SAR隔离度评价方法。

背景技术

合成孔径雷达(SAR)具有全天时、全天候和高分辨率成像的优点，在地形测绘、海洋监测、农林作物评估、灾害救援等领域有广泛的应用。全极化SAR具有SAR的所有特点，还能提供更为丰富的目标信息，为分析和提取目标特性提供了更广泛的数据来源。而良好的数据质量是极化SAR应用的基础，有效的极化SAR图像质量评价指标是掌握极化SAR数据质量，衡量数据处理效果的必要条件，同时，也能为卫星运行参数没计以及后续系统优化提供指导依据。

目前，极化SAR图像质量评价的常用指标有：分辨率、峰值旁瓣比、积分旁瓣比、极化隔离度、幅相不平衡、等效视数、等效噪声系数、动态范围、极化熵等。其中，极化隔离度是指不同极化通道之间串扰的水平，串扰越低，隔离度越高，系统性能越好。如果极化隔离度不够高，会使极化SAR系统测量得到的极化散射矩阵失真，影响后续极化SAR数据的定量应用，因此，极化隔离度是衡量极化SAR数据质量的关键指标之一。

在大多数系统中，串扰因素是不可忽略的，须进行串扰定标。目前国内外开展了很多关于串扰估算(定标)的研究，但基本都基于定标场进行，如定标器或热带雨林。常见的串扰定标方法按定标体类型分成点目标定标法和分布目标定标法两类：第一类用散射特性已知的点目标作为定标体，主要有Whitt算法，该方法能获得较好的参数精度，但点目标能准确控制的范围和数据周期十分有限，布设定标器比较麻烦，且点目标的定标误差与背景对定标结果影响很大。而分布目标能避免点目标的多种缺点，并且随着极化数据的日益增多，利用分布目标进行串扰定标的方法正逐渐成为定标方法的主流。该方法的主要算法有van Zyl算法、Klein算法、Quegan算法、Ainsworth算法等。利用分布目标进行串扰定标的算法能较准确的计算串扰值，但均对定标地物具有严格的要求，一般要求其满足后向散射互易性或(与)同极化与交叉极化通道之间的不相关性，而极化图像中的大多数地物往往比较复杂、不均匀，无法严格满足定标的要求。因此，上述串扰定标算法不适用于极化SAR的质量评价，急需一种无需依赖定标场和定标器等设施，能在一般极化图像中使用的串扰估计方法，在一定程度上反映极化隔离度情况，评价极化SAR的数据质量，辅助实际系统的处理和极化SAR的应用。

发明内容

(一)要解决的技术问题

本发明的目的在于提供一种基于分布目标的全极化SAR隔离度评价方法，以解决上述的至少一项技术问题。

(二)技术方案

本发明提供了一种基于分布目标的全极化SAR隔离度评价方法，所述方法包括如下步骤：

步骤1、选取地物，将所选地物的实测散射矩阵即需要进行评估的数据M分块，得到N个大小相同的数据块M_N，N大于等于1；

步骤2、对所述数据块M_N反向加入串扰δ，并计算在不同δ下同极化通道HH和VV与交叉极化通道HV和VH之间的相关系数ρ_HHHV、ρ_HHVH、ρ_VVHV、ρ_VVVH，其中H为水平极化，V为垂直极化；

步骤3、针对各个数据块M_N，统计使其相关系数ρ_HHHV、ρ_HHVH、ρ_VVHV、ρ_VVVH达到最小时所加入的串扰值；

步骤4、将步骤3得到的4N个串扰值进行统计平均，得到串扰估计值，并取负，得到极化通道隔离度。

优选地，步骤1中，对所选地物的实测散射矩阵M，距离向和方位向的分块大小均选取80～100个像素点，分块后得到N个数据块M_N。

优选地，步骤2中采取如下公式向数据块M_N反向加入串扰δ：

其中，R为失真矩阵，M′_N为反向加入串扰δ后的散射矩阵。

优选地，在区间[-0.17,0.17]内改变δ的大小，计算在不同δ下同极化通道和交叉极化通道间的相关系数ρ_HHHV、ρ_HHVH、ρ_VVHV、ρ_VVVH：

其中，M′_pp为散射矩阵M′_N中的同极化分量M′_HH、M′_VV，M′_rs为散射矩阵M′_N中的交叉极化分量M′_HV、M′_VH，*表示数据的共轭。

优选地，得到ρ_HHHV、ρ_HHVH、ρ_VVHV、ρ_VVVH随着δ变化的四条曲线，找到每条曲线的最小值点所对应的δ值，记为δ_w，1、δ_w，2、δ_w，3、δ_w，4。

优选地，计算得到串扰估计值：

其中w为1至N的整数。

求得隔离度：

隔离度＝(-1)×δ_{value_dB}。

优选地，在所述步骤1中所述选取地物包括以下步骤：

步骤01、选择区域，将所选区域的无串扰全极化数据或隔离度在35dB以上的已定标全极化数据分块，得到T个大小相同的数据块S_T，T大于等于1；

步骤02、对所述数据块S_T计算协方差矩阵C：

其中，S_lk中l表示接收的极化方式，k表示发射的极化方式，*表示数据的共轭，<·>表示区域内求平均；

步骤03、根据协方差矩阵C，求出以下四个参数：

其中，

C(2，1)＝x₁+iy₁，C(3，1)＝x₂+iy₂，C(2，4)＝x₃+iy₃，

C(3，4)＝x₄+iy₄，C(4，1)＝m+in，C(2，3)＝p+iq，γ₁＝m+C(1，1)+C(2，2)+p，γ₂＝m+C(1，1)+C(3，3)+p，γ₃＝m+C(2，2)+C(4，4)+p，γ₄＝m+C(3，3)+C(4，4)+p，

C(x，y)表示协方差矩阵C中第x行第y列的值，i为虚数单位；

步骤04、计算出衡量所选区域能否进行隔离度评价的参数θ_min：其中t为1至T的整数；

步骤05、判断所选区域能否作为隔离度评价的地物：如果|θ_min|≤0.002，则满足条件，所选区域能作为隔离度评价的地物，否则该区域不能作为隔离度评价的地物。

优选地，步骤01中，所述无串扰全极化数据或隔离度在35dB以上的已定标全极化数据，在距离向和方位向的分块大小均选取80～100个像素点，得到T个大小相同的数据块S_T。

优选地，所述地物可以为成片的林木植被覆盖区。

(三)有益效果

1、本发明无需依赖定标场和定标器等设施，只需选取满足衡量参数

|θ_min|≤0.002的全极化SAR数据，便能实现串扰的估计，而该类数据存在于一般的SAR图像中，更加符合实际中极化SAR质量评估的要求；

2、本发明通过寻找相关系数ρ_HHHV、ρ_HHVH、ρ_VVHV、ρ_VVVH随反向加入串扰δ的变化曲线的拐点来估算串扰，实验分析得出，当信噪比在10dB以上时，拐点基本不随信噪比变化而变化，因此本发明具有一定的抗噪能力；

3、传统串扰定标算法大多采用迭代算法求解，而本发明使用统计平均的方法进行串扰估计，不需迭代，避免结果不收敛的问题。

附图说明

图1为本发明实施例的基于分布目标的全极化SAR隔离度评价方法的过程示意图；

图2A为本发明实施例使用的第一组RadarSat-2全极化数据的图像；

图2B为本发明实施例使用的第一组RadarSat-2全极化数据的衡量参数θ_min的分布图；

图3A为本发明实施例使用的第二组RadarSat-2全极化数据的图像；

图3B为本发明实施例使用的第二组RadarSat-2全极化数据的衡量参数θ_min的分布图；

图4为本发明实施例使用图3A中植被覆盖区的一块全极化数据得到的相关系数ρ随着反向加入串扰δ的变化曲线；

图5为本发明实施例使用图3A中植被覆盖区的一块全极化数据得到的ρ_HHHV＝f₁(δ)曲线与信噪比的关系；

图6A为本发明实施例使用图3A中植被覆盖区的一块全极化数据得到的ρ_HHHV＝f₁(δ)曲线随着真实存在串扰δ_real的变化趋势；

图6B为本发明实施例使用图3A中植被覆盖区的一块全极化数据得到的ρ_HHHV＝f₁(δ)曲线拐点对应串扰值δ_min随着真实存在串扰δ_real的变化趋势；

图7为本发明实施例对模拟失真散射矩阵的估计串扰值与真实串扰值之间的关系。

具体实施方式

极化隔离度是指不同极化通道之间串扰的水平，串扰越低，极化隔离度越高，系统性能越好。因此，极化隔离度是衡量极化SAR数据质量的关键指标之一。目前，利用点目标的串扰定标算法布设定标器比较麻烦，且点目标的定标误差与背景对定标结果影响很大；而利用分布目标进行串扰定标的算法虽能较准确的计算串扰值，但对定标地物具有严格的要求，一般要求其满足后向散射互易性或(与)同极化与交叉极化通道之间的不相关性，而极化图像中的大多数地物往往比较复杂、不均匀，无法严格满足定标的要求；因此，常用的点目标串扰定标法和分布目标串扰定标法依赖于定标器和满足严格要求的定标场，均无法在普通极化图像中使用。

本发明实施例为了解决以上问题，提供了一种基于分布目标的全极化SAR隔离度评价方法，该方法不必依赖定标场和定标器，并通过选取地物，向所选地物的实测散射矩阵M反向加入串扰，利用通道间的相关系数得到极化SAR的串扰估计值，取负得到极化SAR的极化通道隔离度。图1为本发明实施例基于分布目标的全极化SAR隔离度评价方法的过程示意图，如图1所示，所述方法包括如下步骤：

步骤1、选取地物，将所选地物的实测散射矩阵即需要进行评估的数据M分块，得到N个大小相同的数据块M_N，N大于等于1；

具体的可以为，首先，进行地物的选取，包括：

步骤01、选择区域，将所选区域的无串扰全极化数据或隔离度在35dB以上的已定标全极化数据分块，得到T个大小相同的数据块S_T，T大于等于1；

更进一步地，其中所述无串扰全极化数据或隔离度在35dB以上的已定标全极化数据，在距离向和方位向的分块大小均选取80～100个像素点，得到T个大小相同的数据块S_T。

步骤02、对所述数据块S_T计算协方差矩阵C：

其中，S_lk中1表示接收的极化方式，k表示发射的极化方式，*表示数据的共轭，<·>表示区域内求平均；

步骤03、根据协方差矩阵C，求出以下四个参数：

其中，

C(2，1)＝x₁+iy₁，C(3，1)＝x₂+iy₂，C(2，4)＝x₃+iy₃，

C(3，4)＝x₄+iy₄，C(4，1)＝m+in，C(2，3)＝p+iq，γ₁＝m+C(1，1)+C(2，2)+p，γ₂＝m+C(1，1)+C(3，3)+p，γ₃＝m+C(2，2)+C(4，4)+p，γ₄＝m+C(3，3)+C(4，4)+p，

C(x，y)表示协方差矩阵C中第x行第y列的值，i为虚数单位；

步骤04、计算出衡量所选区域能否进行隔离度评价的参数θ_min：其中t为1至T的整数；

步骤05、判断所选区域能否作为隔离度评价的地物：如果|θ_min|≤0.002，则满足条件，所选区域能作为隔离度评价的地物，否则该区域不能作为隔离度评价的地物。

具体地，所述地物可以为成片的林木植被覆盖区。

选择符合条件的地物后，对所选地物的实测散射矩阵即需要进行评估的数据M，距离向和方位向的分块大小均选取80～100个像素点，分块后得到N个数据块M_N。

步骤2、对所述数据块M_N反向加入串扰δ，并计算在不同δ下同极化通道HH和VV与交叉极化通道HV和VH之间的相关系数ρ_HHHV、ρ_HHVH、ρ_VVHV、ρ_VVVH，其中H为水平极化，V为垂直极化；

具体的可以为，采取如下公式向数据块M_N反向加入串扰δ：

其中，R为失真矩阵，M′_N为反向加入串扰δ后的散射矩阵。

步骤3、针对各个数据块M_N，统计使其相关系数ρ_HHHV、ρ_HHVH、ρ_VVHV、ρ_VVVH达到最小时所加入的串扰值；

具体的可以为，在区间[-0.17,0.17]内改变δ的大小，计算在不同δ下同极化通道和交叉极化通道间的相关系数ρ_HHHV、ρ_HHVH、ρ_VVHV、ρ_VVVH：

其中，M′_pp为散射矩阵M′_j中的同极化分量M′_HH、M′_VV，M′_rs为散射矩阵M′_N中的交叉极化分量M′_HV、M′_VH，*表示数据的共轭。

得到ρ_HHHV、ρ_HHVH、ρ_VVHV、ρ_VVVH随着δ变化的四条曲线，找到每条曲线的最小值点所对应的δ值，记为δ_w，1、δ_w，2、δ_w，3、δ_w，4。

步骤4、将步骤3得到的4N个串扰值进行统计平均，得到串扰估计值，并取负，得到极化通道隔离度。

具体的可以为，计算得到串扰估计值：

求得隔离度：

隔离度＝(-1)×δ_{value_dB}。

为使本发明的目的、技术方案和优点更加清楚明白，以下结合具体实施例，并参照附图，对本发明作进一步的详细说明。

为了进一步体现本发明的效果，下面使用RadarSat-2的已定标全极化数据进行实验仿真，实验工具为MATLAB2012。

首先，选取符合条件的地物，按照如下步骤：

步骤01、选择区域(例如大小为：1000×1000个像素点)，将所选区域的RadarSat-2已定标全极化数据S分块，所述数据隔离度在35dB以上，分块大小为100×100个像素点，得到T个大小相同的数据块S_T，T为100；

步骤02、对所述数据块S_T计算协方差矩阵C：

其中，S_lk中l表示接收的极化方式，k表示发射的极化方式，*表示数据的共轭，<·〉表示区域内求平均；

步骤03、根据协方差矩阵C，求出以下四个参数：

其中，

C(2，1)＝x₁+iy₁，C(3，1)＝x₂+iy₂，C(2，4)＝x₃+iy₃，

C(3，4)＝x₄+iy₄，C(4，1)＝m+in，C(2，3)＝p+iq，γ₁＝m+C(1，1)+C(2，2)+p，γ₂＝m+C(1，1)+C(3，3)+p，γ₃＝m+C(2，2)+C(4，4)+p，γ₄＝m+C(3，3)+C(4，4)+p，

C(x，y)表示协方差矩阵C中第x行第y列的值，i为虚数单位；

步骤04、计算出衡量所选区域能否进行隔离度评价的参数θ_min：其中t取1至T的整数；

步骤05、判断所选区域能否作为隔离度评价的地物：如果|θ_min|≤0.002，则满足条件，所选区域能作为隔离度评价的地物，否则该区域不能作为隔离度评价的地物。

为详细介绍本实施例如何进行地物选取，图2和图3展示了两组RadarSat-2全极化数据的图像和衡量参数θ_min的分布图。图2A为本发明实施例使用的第一组RadarSat-2全极化数据的图像，图2B为本发明实施例使用的第一组RadarSat-2全极化数据的衡量参数θ_min的分布图，图3A为本发明实施例使用的第二组RadarSat-2全极化数据的图像，图3B为本发明实施例使用的第二组RadarSat-2全极化数据的衡量参数θ_min的分布图。如图2B和图3B所示，白色填充区域代表城市，灰色填充区代表植被覆盖区域，主要是林木植被，黑色填充区代表海洋(水体)，“★”(五角星)标记衡量参数满足|θ_min|≤0.002的区域，即能作为隔离度评价的区域，其中计算θ_min选取的分块大小为100×100个像素点，数据块个数为10×10，即T为100。需要说明的是，这两组SAR图像的地物十分丰富，并且各种地物相互融合，没有明确的分界线，为介绍选取结果，图中进行了简单的分区。对照图2A和图2B、图3A和图3B，可以看出，成片的林木植被覆盖区满足|θ_min|≤0.002，而大部分海洋和城市地区无法满足，因此，选择成片的林木植被覆盖区作为隔离度评价的地物。

因此，本实施例选择符合条件的地物为：RadarSat-2中成片的林木植被覆盖区，即图3A中的植被覆盖区域。

进一步，模拟生成失真散射矩阵M(即实测散射矩阵)。由于极化SAR的质量评价对串扰估计的精度要求没有串扰定标高，因此，可在极化失真模型中，假设发射天线失真和接收天线失真互易，水平极化天线和垂直极化天线的串扰相等，幅相不平衡接近1，于是使用下式向所选区域(图3A中矩形框出的区域)的已定标全极化数据S(大小为：1000×1000个像素点)加入幅值在[0，0.16]之间，相位在25°以内的串扰δ_real，以及幅度在0.5dB，相位在5°的幅相不平衡f来模拟生成失真散射矩阵M；

对该区域的失真散射矩阵M使用本发明实施例对加入的串扰进行估计，所述方法包括如下步骤：

步骤1、将该区域(大小为：1000×1000个像素点)的模拟失真散射矩阵M分块，得到N个数据块M_N，其中分块大小为100×100个像素点，N为100；

步骤2、对所述数据块M_N反向加入串扰δ，并计算在不同δ下同极化通道(HH、VV)和交叉极化通道(HV、VH)之间的相关系数ρ_HHHV、ρ_HHVH、ρ_VVHV、ρ_VVVH；

具体实施为：采取如下公式向数据块M_N反向加入串扰δ，

其中，R为失真矩阵，M′_N为反向加入串扰δ后的散射矩阵；

在区间[-0.17,0.17]内改变δ的大小，计算同极化通道和交叉极化通道间的相关系数ρ_HHHV、ρ_HHVH、ρ_VVHV、ρ_VVVH：

其中，M′_pp为散射矩阵M′_j中的同极化分量M′_HH、M′_VV，M′_rs为散射矩阵M′_j中的交叉极化分量M′_HV、M′_VH。

步骤3、针对各个数据块，统计使其相关系数ρ_HHHV、ρ_HHVH、ρ_VVHV、ρ_VVVH达到最小时所加入的串扰值；

具体实施为：步骤2中得到ρ_HHHV、ρ_HHVH、ρ_VVHV、ρ_VVVH随着δ变化的四条曲线，找到每条曲线的最小值点所对应的δ值，记为δ_w，1、δ_w，2、δ_w，3、δ_w，4，w为1至N的整数；

步骤4、将步骤3得到的4N个串扰值进行统计平均，得到串扰估计值δ_{value_dB}，并取负得到隔离度：

隔离度＝(-1)×δ_{value_dB}。

为进一步解释本发明实施例的处理效果和优点，图4到图7展示了针对图3A中植被覆盖区的同一块全极化数据进行处理得到的一系列曲线图。

图4为本发明实施例使用图3A中植被覆盖区的一块全极化数据得到的相关系数ρ随着反向加入串扰δ的变化曲线，从图4可以看出，相关系数ρ_HHHV、ρ_HHVH、ρ_VVHV、ρ_VVVH与反向加入串扰δ的关系曲线是一个开口向上的类抛物线，并且每条曲线均存在一个使相关系数ρ达到最小的点(拐点)。为便于展示，对曲线进行了一定程度的平移。

图5为本发明实施例使用图3A中植被覆盖区的一块全极化数据得到的ρ_HHHV＝f₁(δ)曲线与信噪比的关系，其中，信噪比在0～30dB内变化。从图5中曲线ρ_HHHV＝f₁(δ)的变化趋势，可见，信噪比高于10dB时，曲线ρ_HHHV＝f₁(δ)基本重合，拐点处δ_min的值基本不变，即拐点对噪声不敏感，说明了有益效果中的第二点。

图6A为本发明实施例使用图3A中植被覆盖区的一块全极化数据得到的ρ_HHHV＝f₁(δ)曲线随着真实存在串扰δ_real的变化趋势，如图6A所示，每一条曲线上标明了本条曲线的真实串扰值δ_real，可以看出随着δ_real增大，曲线ρ_HHHV＝f₁(δ)向右移动，将不同δ_real下，曲线ρ_HHHV＝f₁(δ)的拐点所对应的δ_min值提取出来，并画出δ_min与δ_real的关系曲线得到图6B。图6B为本发明实施例使用图3A中植被覆盖区的一块全极化数据得到的拐点对应串扰值δ_min随着真实存在串扰δ_real的变化趋势，如图6B展示的图6A中ρ_HHHV＝f₁(δ)曲线拐点对应串扰δ_min与真实存在串扰δ_real之间的关系曲线，验证了理论推导所得出的结论：拐点所对应的δ_min与散射矩阵中存在的串扰δ_real呈现斜率为1的线性关系，即δ_min＝δ_real+C(C为常数)。

图7为本发明实施例对模拟失真散射矩阵的估计串扰值和真实串扰值之间的关系，如图所示，估计串扰和真实串扰之间的误差在1dB以内，满足极化SAR数据质量评价对串扰估算误差的要求，可以看出本发明实施例能较准确地估算出串扰的大小。

综上所述，本发明实施例提出的极化隔离度估计方法，在基于合理假设的情况下，不采用迭代算法，不需布设定标器，取材较易，能较快速、便捷且有效地从实测散射矩阵M中估算串扰，并且其估算精度满足质量评价的要求，反映全极化SAR的数据质量。

以上所述的具体实施例，对本发明的目的、技术方案和有益效果进行了进一步详细说明，应理解的是，以上所述仅为本发明的具体实施例而已，并不用于限制本发明，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。