[发明专利]一种基于拓展G4U的极化SAR图像目标分解方法

说明书

本发明公开了一种基于拓展G4U的极化SAR图像目标分解方法，所述方法包括：基于一个与待分解极化SAR图像目标自身相关的判决参数，根据该判决参数在G4U和对偶G4U间自动选择与目标最佳匹配的分解方法，实现了极化SAR图像中未知目标的自适应分解。本发明的目标分解方法通过一个自适应选择策略，将G4U和对偶G4U有效结合在一起，实现了二者互补效应的最大化，使得对雷达目标的识别和理解更加精确。

技术领域

本发明涉及极化SAR图像信息处理领域，特别涉及极化SAR目标分解和基于模型的目标分解领域，具体涉及一种基于拓展G4U的极化SAR图像目标分解方法。

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。经典的四分量模型分解方法例如Y4R和S4R都只能实现对相干矩阵[T]七个自由度的解释，仍有两个自由度未使用，对应于T₁₃分量的实部和虚部。为了达到这一目的，Singh等(G.Singh,Y.Yamaguchi,and S.-E.Park,“General four-component scattering power decomposition with unitary transformation ofcoherency matrix,”IEEE Transactions on Geoscience and Remote Sensing,vol.51,no.5,pp.3014-3022,May 2013)在2013年提出了G4U分解，其通过引入另一个酉变换实现了对T₁₃分量的部分解释，代表着四分量分解的最新水平。

模型分解的核心是求解分解平衡方程组，传统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，因此无法实现对T₁₃的有效使用。G4U通过数学上的酉变换将Y4R和S4R形成的五个平衡方程中的一个：f_Sβ+f_Dα+f_Vd＝T′₁₂二分为f_Sβ+f_Dα+f_Vd＝T′₁₂+T′₁₃和f_Sβ+f_Dα+f_Vd＝T′₁₂-T₁′₃两个方程，成功地将T₁₃分量纳入至等式右端，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，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f_Sβ+f_Dα+f_Vd＝T′₁₂+T′₁₃，而放弃了方程f_Sβ+f_Dα+f_Vd＝T′₁₂-T′₁₃。我们前期研究表明，方程f_Sβ+f_Dα+f_Vd＝T′₁₂-T′₁₃也能提供一个合理的解，其与G4U恰好构成对偶形式，基于此发展出了对偶G4U分解，弥补了G4U存在的分解缺陷，提供了对G4U的一个完美补充。

G4U和对偶G4U的互补效应体现在，对于一些G4U不适用的目标，对偶G4U恰能得到更好的分解；反之，对于一些对偶G4U不适用的目标，G4U恰能得到更好的分解。那么问题是，对于一个未知目标，如何在不对其进行分解的情况下知道其适用于G4U还是对偶G4U，从而使G4U和对偶G4U的互补效应得到最大发挥。

发明内容

本发明的目的在于通过一个自适应选择策略，将G4U和对偶G4U有效结合在一起，实现对二者互补效应的最大发挥。