基于极化分解的极化SAR数据地质信息提取方法研究

张微，林健，陈玲，杨金中

(中国国土资源航空物探遥感中心，北京 100083)

1 引 言

合成孔径雷达(Synthetic Aperture Radar，SAR)能够主动发射电磁波，具有不依赖太阳光照且不受云、雨等影响的全天时、全天候对地观测能力[1]，同时由于SAR的后向散射对地物的介电特性(土壤和植被的含水量)及几何特性(地表粗糙度)非常敏感，对植被、干燥地物有一定的穿透性[2-3]，可提供与光学、热红外等遥感手段所不同的特有数据。此外，通过调节最佳观测视角，其成像的立体效应可以有效地探测目标地物的空间形态，增强地形地貌信息；这些独特的优势使得成像雷达在地质学中得到了广泛地应用，能够在地质填图、构造信息提取等方面发挥重大作用[4-6]。以地质矿产研究为例，成像雷达能提供丰富的地质构造、岩性、隐伏地质体等地质矿产信息，尤其在火山探测、断裂解译，以及构造带控制下的金属矿床探测等方面具有独特的优势。谢立云[7]在俄罗斯楚克奇火山一带开展了基于侧视雷达的地质填图工作，建立了与图罗姆奇恩斯穹窿和派生穹窿有关的同心圆状和放射状断裂构造系统，圈定了11个火山构造引起的巨型环形构造，为矿产资源勘查提供了翔实的资料。赵福岳等[8]开展了SAR图像填图方法研究，总结出回波强度与地形单元和岩石之间变化规律，提出了灰度-结构单元为基本单位的地质填图方法技术。谭衢霖和邵芸[9]总结了SAR 应用技术的发展过程，以及成像雷达遥感在地学中的应用。此外，中科院遥感所、对地观测中心、电子科技大学等单位也在雷达图像处理、地学应用和地表参数反演等方面做了大量工作。

全极化SAR数据是20世纪90年代初出现并迅速发展起来的一种新型成像雷达[10]。它同时发射和接收H、V两种线性极化雷达脉冲，以Stokes矩阵或散射矩阵为基本记录单元，记录了地物HH、HV、VH、VV4种极化状态的散射振幅和相位，并可利用极化合成技术计算任意一种极化状态的后向散射回波，因此能提取更多的地物极化信息和目标信息，从而更准确地描述地面散射特征，提高对地物的识别能力[11]。

本文采用目前在轨具有全极化成像能力的Radarsat-2雷达卫星数据[12]，通过目标分解方法进行极化数据信息提取，分析地物的散射特性，有效地提取岩性与构造信息，探索极化数据对图像分类与反演地表参数的潜力，为利用全极化SAR数据开展矿产资源勘查与资源评价提供基础数据和参考依据。

2 理论与方法

2.1 特征值分解理论

对于全极化雷达，目标对电磁波的变极化效应可以用一个复二维矩阵的形式来表示[13]，即2×2的极化散射矩阵[S]：

(1)

极化矩阵[S]相干分解的目的就是将散射矩阵[S]表示成与某种确定的散射机理相对应的基本目标的基矩阵之和。Pauli极化相干分解采用Pauli基作为基本散射矩阵，这样极化散射矩阵[S]可以表示成[14]：

(2)

其中，a，b，c，d均为复数且可以表示为：

(3)

当介质满足互易条件(SHV=SVH)时，d=0，这样散射矩阵[S]就可以写成矢量形式：

(4)

Pauli 分解后总的功率保持不变，且a，b，c，d分别表示了散射矩阵在四个基上的权重且为复数，而|a|2，|b|2，|c|2，|d|2则表征了四个分量的功率[15]。Pauli基分解的第一项的物理意义为单次散射或奇次散射，第二项表示与雷达—目标之间视线成0°的二面角散射，第三项与多次散射有关。

T=kk*T

(5)

极化SAR数据通常利用对n个相邻像素求平均的多视处理方法来降低图像斑噪及数据量。多视处理的相干矩阵可以表示为：

(6)

其中，[T]为3×3的Hermitian矩阵。根据特征分解理论，[T]矩阵可以分解为：

(7)

λi和ei分别为相对应的特征值和特征向量且λ1≥λ2≥λ3≥0。特征向量可以写成：

(8)

其中，α角对应着从面散射(α=0°)到偶极子散射(α=45°)再到导电界面的二次散射 (α=90°)；β角两倍于极化方位角；δ角是SHH+SVV项与SHH-SVV项间的相位差，γ角是SHH+SVV项与SHV项间的相位差；φ角是SHH+SVV项的相位。

Cloude定义散射熵H为：

(9)

(10)

反熵(各向异性)A为：

(11)

且A是熵H的有效补充参数。

2.2 分类方法

3 研究区及数据

3.1 实验区概况

研究区位于新疆塔什库尔干南部的塔萨拉地区(图1)，出露地层以元古代布伦阔勒岩群片岩、石英片岩、片麻岩类，夹少量大理岩、火山岩等。区内岩浆活动强烈，北部、东部和西部分别与石英闪长岩、花岗闪长岩等侵入岩接触，规模较大。断裂较发育，以北西向次级断层为主，北东、近南北向断裂也比较发育，切割岩体与地层。上述地质条件为极化SAR数据的地质信息提取提供了地质基础。

图1 新疆塔萨拉地区ASTER异常图(黄框为研究区)

3.2 实验数据

本文利用加拿大2007年发射的Radarsat-2全极化数据在新疆塔萨拉地区开展地表散射特性分析及地质研究，数据的主要参数如表1所示。

研究使用的数据为Radarsat-2精细极化模式数据，工作波段为C波段，极化方式有HH、HV、VH和VV，成像波束为FQ11，入射角为30.287°～32.002°，数据类型为单视复(Single Look Complex，SLC)数据，像元大小为4.733m×5.590m，成像时间为2010年3月25日。

表1 Radarsat-2数据主要参数

4 散射特性分析及分类

4.1 散射特性分析

首先，对HH、HV和VV极化方式进假彩色合成图像(图2)，通过解译获取不同极化方式的后向散射信息。与原图像相比，合成后的图像提取了更多的地物极化信息，更准确地描述地面散射特征，同时提高了图像对比度和对地物的识别能力(图3)。

图2 多极化假彩色合成处理

此外，为了更好地利用Radarsat-2数据的极化信息，需对极化SAR数据进行极化分解，以便最大限度地提取目标极化信息。本次研究采用Pauli极化分解，得到分解后的单次散射、二面角散射和多次散射三个分量的功率图。从图3可以看出，处理后的图像的信息量和可解译程度较图2更为明显，能更好地反映了研究区的区域地质特征，尤其对区内构造带、破碎带、接触带、以及大型蚀变岩及热液脉等均有较好的反映，处理结果在野外也得到了有效验证。

图3 Pauli基分解后的三个分量功率图

图4 Cloude分解后的H，A，及Alpha参数效果图

图5 分类结果与实地验证

5 结论及讨论

本次研究主要利用Radarsat-2全极化SAR数据，对新疆塔萨拉地区的岩性、构造和矿化蚀变异常信息进行提取。采用H-A-Alpha极化分解的方法最大限度地提取目标地物极化信息，与传统的单极化及多极化假彩色合成相比，增加了图像的信息量和可解译程度；同时利用基于Cloude分解的H-A-Alpha-Wishart极化分类方法对全极化SAR图像非监督分类进行了研究，获取了区域地质背景和区域构造规律，提取的异常信息在野外得到了有效验证，证明全极化SAR数据在地质填图与矿产勘查中的应用前景，可作为常规方法的有效补充。与此同时，由于研究区处于山区，雷达图像上的阴影及叠掩现象比较严重，也一定程度加大了SAR数据的解译难度，解译时也要充分考虑地形因素的影响。

参考文献：

[1] HENDERSON F M，LEWIS A J.Radar detection of wetland ecosystems：A review[J].International Journal of Remote Sensing，2008，29(20)：5809-5835.

[2] WANG Y，HESS L L，FILOSO S，et al.Understanding the radar backscattering from flooded and nonflooded Amazonian forests：Results from canopy backscatter modeling[J].Remote Sensing of Environment，1995，54(3)：324-332.

[3] KASISCHKE E S，BOURGEAU-CHAVEZ L L.Monitoring South Florida wetlands using ERS-1 SAR imagery[J].Photogrammetric Engineering & Remote Sensing，1997，63(3)：281-291.

[4] SHEN G Z，GUO H D，LIAO J J.Change vector analysis method for inundation change detection using multi-temporal multi-polarized SAR images[C].Wuhang：SPIE，2007.

[5] SHEN G Z，GUO H D，LIAO J J.Object oriented method for detection of inundation extent using multi-polarized synthetic aperture radar image[J].Journal of Applied Remote Sensing，2008，2(1)：23512-23519.

[6] DU L，LEE J S，MANGO S A.Fuzzy classification of Earth terrain covers using multi-look polarimetric SAR image data[J].International Geoscience and Remote Sensing Symposium，1993(4)：1602-1604.

[7] 谢立云.侧视雷达在地质勘查与找矿中的应用[J].国外地质勘探技术，1980(10)：12-16.

[8] 赵福岳，张瑞江，杨清华.合成孔径雷达图像填图方法与应用探讨[J].国土资源遥感，2007，74(4)：100-105.

[9] 谭衢霖，邵芸.成像雷达(SAR) 遥感地质应用综述[J].地质找矿论丛，2003，18(1)：59-66.

[10] DU L，LEE J S.Fuzzy classification of earth terrain covers using complex polarimetric SAR data[J].International Journal of Remote Sensing，1996，17(4)：809-826.

[11] CLOUDE S R，POTTIER E.An entropy based classification scheme for land applications of polarimetric SAR[J].IEEE Transactions on Geoscience and Remote Sensing，1997，35(1)：68-78.

[12] TOUZI R.Wetland characterization using polarimetric Radarsat-2 capability[C].IEEE International Conference on Geoscience and Remote Sensing Symposium，Denver，USA，2006：1639-1642.

[13] CHEN C T，CHEN K S，LEE J S.The use of fully polarimetric information for the fuzzy neural classification of SAR images[J].IEEE Transactions on Geoscience and Remote Sensing，2003，41(9)：2089-2100.

[14] YAHIA M，BELHADJ Z.Unsupervised classification of polarimetric SAR images using neural networks[C]IEEE International Geosctence and Remote Sensing Symposium.2003(1)：203-205.

[15] CHEN J S，SHAO Y，LIN H.Classification of polarimetric SAR imagerary based on target decomposition and neural network classifier[Z].Chiang Mai，Thailand，2004.

[16] ALBERGA V.A study of land cover classification using polarimetric SAR parameters[J].International Journal of Remote Sensing，2007，28(17)：3851-3870.

[17] CLOUDE S R，POTTIER E.A review of target decomposition theorems in radar polarimetry[J].IEEE Transactions on Geoscience and Remote Sensing，1996，34(2)：498-518.

[18] LEE J S，GRUNES M R，KWOK R.Classification of multi-look polarimetric SAR imagery based on complex Wishart distribution[J].International Journal of Remote Sensing，1994，15(11)：2299-2311.

[19] FERRO-FAMIL L，POTTIER E，LEE J.Unsupervised classification of multifrequency and fully polarimetric SAR images based on the H/A/Alpha-Wishart classifier[J].IEEE Transactions on Geoscience and Remote Sensing，2001，39(11)：2332-2342.

[20] LEE J S.Refined filtering of image noise using local statistics[J].Computer Vision，Graphics，and Image Processing，1981(15)：380-389.

[21] LEE J，GRUNES M R，AINSWORTH T L，et al.Unsupervised classification using polarimetric decomposition and the complex Wishart classifier[J].IEEE Transactions on Geoscience and Remote Sensing，1999，37(5)：2249-2258.