全极化合成孔径雷达图像归类方法、系统及终端技术方案

本发明专利技术涉及一种全极化合成孔径雷达图像归类方法，包括：读入待分类图像的目标相干矩阵T，进行去取向处理，得到去取向后的极化相干矩阵对去取向后的极化相干矩阵进行去非对称性处理，得到去非对称性处理后的极化相干矩阵T

【技术实现步骤摘要】
全极化合成孔径雷达图像归类方法、系统及终端


[0001]本专利技术涉及一种全极化合成孔径雷达图像归类方法、系统及终端。

技术介绍

[0002]雷达是进行地物探测的重要手段，随着人们对目标电磁极化散射机理认识的深入及雷达极化测量技术的发展，雷达极化研究逐渐受到关注。极化雷达通过测量入射波与散射波电场矢量或Stokes矢量间的变换关系，获得目标极化矩阵。对单目标，以2*2Sinclair散射矩阵表示，对分布式目标，以3*3极化相干矩阵或极化协方差矩阵表示，通过对这些矩阵的分析与处理，可以反演目标的物理散射机制和几何结构信息，以及对目标进行归类。
[0003]极化参数的提取目前主要是基于极化分解的方式进行，对分布式目标而言，主要的极化分解包括基于特征分解的分解方法和基于模型的分解方法，其中，基于特征分解的分解方法可以提取散射角alpha和极化散射熵H，已被广泛地应用于地物属性分析和分类中，基于模型的分解将目标分解为表面散射、二次散射、体散射、螺旋体散射等多个散射分量的相干和，并且基于散射分量的大小判断目标的主要散射机制。
[0004]X
‑
Bragg散射模型也成为扩展的Bragg散射模型，由两个参数组成，分别为形状参数δ和截断参数Δ，其意义与Cloude
‑
Pottier分解中alpha角和散射熵H相近，而且随着参数δ与Δ的变化，X
‑
Bragg散射模型可以转换为表面散射、二次散射以及体散射模型，因此X
‑
Bragg模型是连接基于特征分解方法和基于模型分解方法的桥梁，对深入理解两种分解方法及两类分解之间的联系大有帮助。然而目前对X
‑
Bragg模型的研究较少，缺乏参数的有效估算方法，且没有相关应用。
[0005]现有的X
‑
Bragg模型的求解方式均不完备，仅考虑了极化相干矩阵的部分特征。经过分析，X
‑
Bragg模型求解困难的原因主要有两方面：(1)X
‑
Bragg模型是理想化的标准模型，取向角为0，且没有非对称散射部分，但对于一般的目标，其极化相干矩阵均难以满足；(2)对一般目标，由多种散射目标组合而成，是多种散射机制的和，单一的X
‑
Bragg模型与实际的极化相干矩阵之间存在一定的差异，无法找到确定的两个参数，使得X
‑
Bragg模型与实际的极化相干矩阵完全一致。

技术实现思路

[0006]有鉴于此，有必要提供一种全极化合成孔径雷达图像归类方法、系统及终端。
[0007]本专利技术提供一种全极化合成孔径雷达图像归类方法，该方法包括如下步骤：a.读入待分类图像的目标相干矩阵T，进行去取向处理，得到去取向后的极化相干矩阵b.对去取向后的极化相干矩阵进行去非对称性处理，得到去非对称性处理后的极化相干矩阵T
sym
；c.根据得到的去非对称性处理后的极化相干矩阵T
sym
，对X
‑
Bragg模型的自适应估算参数进行估算，获取最优参数δ、Δ，其中δ为形状因子，Δ为截断参数；d.根据上述获取的最优参数δ、Δ，对待分类图像按属性进行归类。
[0008]优选地，所述的步骤a具体包括：
[0009]假设输入的极化目标相干矩阵，标记为T，具体形式如下所示：
[0010][0011]其中，A0,B0,B,C,D,E,F,G,H均为Huynen参数，均为实数；
[0012]取向角通过下式计算：
[0013][0014]则去取向后的极化相干矩阵表示为：
[0015][0016]其中，为旋转算子；
[0017][0018]优选地，所述的步骤b具体包括：
[0019]利用公式
[0020][0021]其中，T
sym
为对称性分量，T
asym
为非对称性分量，去非对称性处理即为获取对称性分量，T
sym
和T
asym
分别表示为：
[0022][0023]其中：
[0024][0025][0026][0027]T
sym
即为去非对称性处理后的极化相干矩阵。
[0028]优选地，所述的步骤c具体包括：
[0029]X
‑
Bragg模型为截断的统一分布模型，表示为：
[0030][0031][0032][0033][0034]其中，δ为形状因子，Δ为截断参数，δ与Δ为X
‑
Bragg模型自适应估算的参数，根据T
sym
对参数δ与Δ进行估算，操作步骤如下：
[0035](1)设定初始值
[0036][0037][0038](2)以δ0、Δ0作为初始输入应用牛顿法，获取最优参数δ、Δ，其中最优判断准则为：
[0039][0040]其中，Tr表示极化相干矩阵矩阵的迹。
[0041]优选地，所述的步骤d具体包括：
[0042]基于获取的最优参数δ、Δ，对待分类图像进行按属性归类，归类准则为：
[0043](1)0≤δ≤0.8，Δ≤45，归类为低熵下的面散射；
[0044](2)0.8<δ<1.2，Δ≤45，归类为低熵下的偶极子散射；
[0045](3)1.2≤δ，Δ≤45，归类为低熵下的偶次散射；
[0046](4)0≤δ≤0.8，Δ>45，归类为高熵下的奇次散射；
[0047](5)0.8<δ<1.2，Δ>45，归类为高熵下的偶次散射；
[0048](6)1.2≤δ，Δ>45，归类为高熵下的偶极子散射。
[0049]本专利技术提供一种全极化合成孔径雷达图像归类系统，该系统包括去取向处理模块、去非对称性处理模块、参数估算模块、归类模块，其中：所述去取向处理模块用于读入待分类图像的目标相干矩阵T，进行去取向处理，得到去取向后的极化相干矩阵所述去非对称性处理模块用于对去取向后的极化相干矩阵进行去非对称性处理，得到去非对称性处理后的极化相干矩阵T
sym
；所述参数估算模块用于根据得到的去非对称性处理后的极化相干矩阵T
sym
，对X
‑
Bragg模型的自适应估算参数进行估算，获取最优参数δ、Δ，其中δ为形状因子，Δ为截断参数；所述归类模块用于根据上述获取的最优参数δ、Δ，对待分类图像按属性进行归类。
[0050]优选地，所述的去取向处理模块具体用于：
[0051]假设输入的极化目标相干矩阵，标记为T，具体形式如下所示：
[0052][0053]其中，A0,B0,B,C,D,E,F,G,H均为Huynen参数，均为实数；
[0054]取向角通过下式计算：
[0055][0056]则去取向后的极化相干矩阵表示本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种全极化合成孔径雷达图像归类方法，其特征在于，该方法包括如下步骤：a.读入待分类图像的目标相干矩阵T，进行去取向处理，得到去取向后的极化相干矩阵b.对去取向后的极化相干矩阵进行去非对称性处理，得到去非对称性处理后的极化相干矩阵T
sym
；c.根据得到的去非对称性处理后的极化相干矩阵T
sym
，对X
‑
Bragg模型的自适应估算参数进行估算，获取最优参数δ、Δ，其中δ为形状因子，Δ为截断参数；d.根据上述获取的最优参数δ、Δ，对待分类图像按属性进行归类。2.如权利要求1所述的方法，其特征在于，所述的步骤a具体包括：假设输入的极化目标相干矩阵，标记为T，具体形式如下所示：其中，A0,B0,B,C,D,E,F,G,H均为Huynen参数，均为实数；取向角通过下式计算：则去取向后的极化相干矩阵表示为：其中，为旋转算子；其中，分别表示矩阵去取向后矩阵的第i行第j列元素。3.如权利要求2所述的方法，其特征在于，所述的步骤b具体包括：利用公式其中，T
sym
为对称性分量，T
asym
为非对称性分量，去非对称性处理即为获取对称性分量，T
sym
和T
asym
分别表示为：
其中：其中：其中：T
sym
即为去非对称性处理后的极化相干矩阵。4.如权利要求3所述的方法，其特征在于，所述的步骤c具体包括：X
‑
Bragg模型为截断的统一分布模型，表示为：Bragg模型为截断的统一分布模型，表示为：Bragg模型为截断的统一分布模型，表示为：Bragg模型为截断的统一分布模型，表示为：其中，δ为形状因子，Δ为截断参数，δ与Δ为X
‑
Bragg模型自适应估算的参数，根据T
sym
对参数δ与Δ进行估算，操作步骤如下：(1)设定初始值(1)设定初始值(2)以δ0、Δ0作为初始输入应用牛顿法，获取最优参数δ、Δ，其中最优判断准则为：其中，Tr表示极化相干矩阵矩阵的迹。5.如权利要求4所述的方法，其特征在于，所述的步骤d具体包括：基于获取的最优参数δ、Δ，对待分类图像进行按属性归类，归类准则为：(1)0≤δ≤0.8，Δ≤45，归类为低熵下的面散射；(2)0.8<δ<1.2，Δ≤45，归类为低熵下的偶极子散射；(3)1.2≤δ，Δ≤45，归类为低熵下的偶次散射；(4)0≤δ≤0.8，Δ>45，归类为高熵下的奇次散射；(5)0.8<δ<1.2，Δ>45，归类为高熵下的偶次散射；(6)1.2≤δ，Δ>45，归类为高熵下的偶极子散射。
6.一种全极化合成孔径雷达图像归类系统，其特征在于，该系统包括去取向处理模块、去非对称性处理模块、参数估算模块、归类模块，其中：所述去取向处理模块用于读入待分类图像的目标相干矩阵T，进行去取向处理，得到去取向后的极化相干...

【专利技术属性】
技术研发人员：李洪忠，孙鹭怡，韩宇，陈劲松，
申请(专利权)人：深圳先进技术研究院，
类型：发明
国别省市：