[发明专利]一种改进的混合Freeman/Eigenvalue分解方法

说明书

本发明公开了一种改进的混合Freeman/Eigenvalue分解方法，步骤包括：获得全极化SAR数据相干矩阵，并进行滤波；判断全极化SAR数据中像素点处的主导散射机制；根据主导散射机制判断结果，计算像素点处表面散射功率、二次散射功率和体散射功率；得到分解后的RGB合成图。本发明能够有效的解决体散射功率过估计、表面散射和二次散射产生负功率的现象；针对自然目标区域和人造目标区域，选择不同的体散射模型，并且针对自然目标区域引入广义体散射模型，解决了传统分解方法的体散射模型有限，不能够总是满足实际情况的问题；本发明方法能够得到更加精确的目标散射特性分解图，可以在地物类型的分类中得到更加准确的分类类别。

技术领域

本发明属于微波遥感技术领域，主要是针对全极化SAR数据的分解，具体地是一种改进的混合Freeman/Eigenvalue分解方法。

背景技术

作为一种主动的航天、航空遥感手段，微波成像技术具有全天时、全天候工作的特点，在环境保护、海洋观测、地质测绘等方面有着广泛的应用。极化合成孔径雷达(PolSAR)是微波成像系统的一个发展方向，它具有多参数、多通道，通过测量地面上每一分辨单元内的极化散射回波来获取目标的极化信息，如散射矩阵、极化相干矩阵等。极化目标分解是提取极化SAR信息的重要方法，也是最近几年极化SAR领域内最活跃的方向之一。极化SAR分解可以分为相干目标分解和非相干目标分解，相比相干分解，非相干分解不依赖于数据的分布且分解结果更加符合目标的散射机理。最典型就是Freeman的三分量散射机制模型分解，该方法将目标分为表面散射，二次散射和体散射，但是在分解的过程中由于交叉极化项只存在体散射模型，导致表面散射和二次散射功率存在负值。针对负功率问题，Cloude将基于散射模型分解与特征值分解结合起来提出了混 Freeman/Eigenvalue分解方法，将表面散射与二次散射模型正交，改善了负值现象。随后Singh等在混合Freeman/Eigenvalue分解的基础上扩展了体散射模型，并结合相干矩阵的旋转变换处理，有效地改善了负功率的问题。

发明内容

基于散射模型分解方法的最大缺陷是分解结果与实际地物散射不一致。现有的一部分目标分解方法针对体散射分量的计算时，会有过估计现象，但是散射回波矩阵的总能量是一定的，所以就造成表面散射或者二次散射功率值出现负值的现象；另一部分目标分解方法采用的体散射模型不能随全极化SAR数据的不同进行自适应的调整，模型不能够总是满足实际情况，导致分解结果实际地物散射不一致。针对现有技术中所存在的问题，本专利的方案考虑混合Freeman/Eigenvalue的散射模型分解方法。

为达到以上目的，一方面，本发明提出了一种改进的混合 Freeman/Eigenvalue的散射模型分解方法，包括以下步骤：

步骤S1：获得全极化SAR数据相干矩阵T₃，并进行滤波；

步骤S2：判断全极化SAR数据中像素点处的主导散射机制；

步骤S3：根据主导散射机制判断结果，计算像素点处表面散射功率m_s、二次散射功率m_v和体散射功率m_d；

步骤S4：得到分解后的RGB合成图。

优选地，所述步骤S1的相干矩阵T₃及滤波方法为：

优选地，所述步骤S2中主导散射机制的判断方法为：计算每个像素点的元素t₁₁-t₂₂的值，如果t₁₁-t₂₂0，则表面散射占主导，如果 t₁₁-t₂₂≤0，则二次散射占主导。

优选地，所述步骤S3在表面散射占主导时的计算步骤如下：