基于极化SAR图像的目标特性研究

郝万兵　张军　张昕

摘 要：利用公开的全极化SAR数据，研究基于SAR图像的检测、目标特性的研究。首先根据四个线极化通道合成的伪彩色图像，对场景进行初步认知。利用圆极化基和线极化基的转换公式，将线极化SAR数据转换为圆极化基下的极化散射矩阵，完成对人造目标和自然目标互易性的判断。对目标四个线极化通道一维距离像的信噪比分析，验证了不同极化基下交叉极化分量与同极化分量的信噪比强度。

关键词：全极化SAR数据；伪彩色图像；极化散射矩阵；互易性

引言

当电磁波照射到雷达目标时，散射波的极化方式通常不同于入射波的极化方式，也就是说目标存在去极化效应。美国学者G.Sinclair最早明确指出了这一现象，并用“Sinclair极化散射矩阵”[1]加以表示，这是雷达极化学研究的开端。早期的极化目标特性的研究主要是针对极化散射矩阵元素进行的。

随着宽带微波技术、数字技术、高速信号处理技术的发展，高分辨率成像体制雷达得到了极大的推动和发展。以高分辨率雷达体制为背景，将全极化测量与高分辨技术相结合，通过一维或二维成像来分析目标的空间-极化散射结构，进而抽取目标的空间结构特征进行分类识别，已逐渐成为当前目标识别技术领域公认的极具潜力的技术途径。Morgan、Kennaugh和Boerner等都强调了高分辨背景下目标极化特性研究。Cameron、Huynen、Krogager等人相继提出了基于极化散射矩阵分解的目标识别方法，即将目标分解为若干个子散射体叠加的形式，每一个子散射体对应着确定的物理散射机制。

1 基于极化分解的目标识别算法

相干分解是基于极化散射矩阵S的分解方法，其主要思想是将任意的S矩阵分解成若干散射矩阵的和的形式，每一个矩阵对应着某种确定的散射机制，即：

其中Si代表标准的极化散射矩阵，并且假设各矩阵具有独立性；？琢i代表Si的权值系数，代表该成分在S矩阵中所占的比重。

Pauli分解的优点是形式简单，且Pauli基为完备正交基。直接利用最大值归一化后的|a|2、|b|2和|c|2作为特征就可以进行识别。由pauli分解可以得到目标互易部分所占比例为

4，则目标为非互易散射体，否则为互易散射体。对于互易目标，还可以利用？兹rec判断目标的对称性，即？兹rec？燮？仔/8的目标可以认定为对称目标。

2 线极化基和圆极化基

由简单目标在线极化基和圆极化基下的S矩阵可知，目标旋转时，圆极化基下的S矩阵元素幅度大小不变。若获取的散射矩阵为线极化基下的散射矩阵，可以利用下式将S矩阵由线极化基转换为圆极化基：

3 实验结果及分析

利用全极化SAR数据，采集区域为美国旧金山的海岸与海湾。

互易性验证：

理论上，满足互易性的目标极化散射矩阵交叉极化项完全相同，因此相关系数应该为1。对HV通道的数据和VH通道的数据按列进行相关，可以看出相关性较高（高于0.8）。

从图4中可以看出，场景中大部分像素的互易性都较好。但还是存在一些较强的非互易散射体。图5将互易散射体去掉后，从图中可以明显的看到一些孤立的非互易散射体的存在。结合图1和图5可以发现，感兴趣的四艘舰船的互易性均较好。人造目标相比自然目标较大的区别就在于其具有对称性，因此可以利用对称性分辨人造目标，如下建筑物和舰船区域。

由于目标满足互易性，对比图1（a）与图2（b）的结果可以发现，在圆极化基下，同极化分量的目标信噪比较大，而线极化基下交叉极化的目标信噪比较大。

4 结束语

文章针对全极化SAR数据，利用圆极化基和线极化基的转换公式，将线极化SAR数据转换为圆极化基下的极化散射矩阵，完成对目标互易性的判定及不同极化基下交叉极化与同极化分量的信噪比强度的研究，该方法计算方便、可信度高，可以用到类似问题的评估当中。

参考文献

[1]G·Sinclair. The transmission and reception of elliptically Polarized radar waves [J].Proc. IRE，1950，38（2）：148-151.

[2]Brichel S·H. Some invariant properties of the polarization scattering matrix. Proc[J].IEEE，1965：1070-1072.

[3]杜蘭.雷达高分辨距离像目标识别方法研究[D].西安电子科技大学，2007.

[4]C.J.C.Burges.A tutorial on support vector machines for pattern recognition[J].Data Mining and Knowledge Discovery，1998，2：121-167.

[5]张奔.基于高分辨距离像的目标识别算法和演示系统设计研究[J].西安电子科技大学，2011.

[6]Duda R·O，Hart P·E，Stork D·G.Pattern classification[J]. New York： Wiley， 2001.