本發(fā)明屬于圖像處理
技術(shù)領(lǐng)域：
，主要是針對(duì)極化sar數(shù)據(jù)分解，具體地說是一種自適應(yīng)體散射模型的freeman/特征值分解方法，可應(yīng)用于極化sar目標(biāo)的識(shí)別與分類。
背景技術(shù)：
：極化合成孔徑雷達(dá)(極化sar)是建立在傳統(tǒng)sar系統(tǒng)上的新體制sar系統(tǒng)，它通過不同極化方式的組合對(duì)物體進(jìn)行全極化測(cè)量，記錄物體的物質(zhì)組成、幾何特征、方位指向等信息，實(shí)現(xiàn)對(duì)物體更為全面的描述，能夠針對(duì)不同的應(yīng)用場(chǎng)景提供所需的具體信息。極化目標(biāo)分解是極化sar圖像極化特征提取的主要實(shí)現(xiàn)方法，用切合實(shí)際的物理約束來解譯目標(biāo)的散射機(jī)制，將極化數(shù)據(jù)分解為若干具有實(shí)際物理意義的參數(shù)，以方便分析目標(biāo)復(fù)雜的散射過程。極化目標(biāo)分解理論，首先由huynen提出，此后，多種分解方法相繼被提出，目前，將極化目標(biāo)分解方法分為用于描述純目標(biāo)的相干目標(biāo)分解和用于描述分散式目標(biāo)的非相干目標(biāo)分解兩大類。相干極化目標(biāo)分解方法，主要基于散射矩陣的分解，是用于描述純目標(biāo)的分解方法，通常要求目標(biāo)的散射矩陣是穩(wěn)定的。相干目標(biāo)分解方法主要包括，pauli分解、sdh分解等。然而對(duì)于自然界中大量存在的復(fù)雜目標(biāo)(非確定性目標(biāo))而言，該類分解方法有諸多局限性，近年來的發(fā)展并不多。非相干極化目標(biāo)分解方法，主要基于散射矩陣的二階極化描述子，即極化協(xié)方差矩陣<[c3]>、極化相干矩陣<[t3]>。非相干目標(biāo)分解是將<[c3]>或<[t3]>矩陣分解為幾種典型地物目標(biāo)的散射模型的線性組合，近年來得到了迅速發(fā)展和廣泛應(yīng)用，這些方法包括基于散射模型的非相干目標(biāo)分解，基于特征值分解的非相干目標(biāo)分解等。cloude在polarisation:applicationsinremotesensing.2009書中提出了一種混合freeman/eigenvalue分解方法，將基于散射模型的目標(biāo)分解和特征值分解聯(lián)系起來。但是該分解方法采用固定體散射模型，不能適應(yīng)不同地物特征，出現(xiàn)體散射分量過估計(jì)問題和存在負(fù)功率的問題。2013年，針對(duì)polarisation:applicationsinremotesensing.2009書中的原始混合freeman/eigenvalue分解方法里的體散射過估計(jì)問題和負(fù)功率的問題，gulabsingh提出了擴(kuò)展體散射模型，根據(jù)參數(shù)的不同，采用不同的固定體散射模型。相比于原始的混合freeman/eigenvalue分解方法，使用這種方法改善了體散射過估計(jì)問題和減少了負(fù)功率比例，但是其采用固定體散射模型，依然存在體散射過估計(jì)問題和負(fù)功率問題。技術(shù)實(shí)現(xiàn)要素：本發(fā)明目的在于克服上述現(xiàn)有技術(shù)的不足，提出一種改善了體散射分量過估計(jì)和能自適應(yīng)不同的地物特征的自適應(yīng)體散射模型的freeman/特征值分解方法。本發(fā)明是一種自適應(yīng)體散射模型的freeman/特征值分解方法，其特征在于，包括有如下步驟：(1)輸入極化sar圖像數(shù)據(jù)矩陣(t或c)：載入極化sar協(xié)方差矩陣c或者極化sar相干矩陣t作為輸入，當(dāng)輸入數(shù)據(jù)為相干矩陣t時(shí)，t中包含六個(gè)矩陣t11,t12,t13,t22,t23,t33，代表極化sar圖像中每個(gè)像素點(diǎn)的極化信息；當(dāng)輸入數(shù)據(jù)為協(xié)方差矩陣c時(shí)，c中包含六個(gè)矩陣c11,c12,c13,c22,c23,c33，代表極化sar圖像中每個(gè)像素點(diǎn)的極化信息；(2)精致lee濾波：采用精致lee濾波方法，將極化合成孔徑雷達(dá)sar圖像進(jìn)行濾波，去除斑點(diǎn)噪聲的影響，得到濾波后的極化合成孔徑雷達(dá)sar圖像中每個(gè)像素點(diǎn)的相干矩陣t；(3)計(jì)算極化方位角θ：根據(jù)極化相干矩陣t，通過極化方位角計(jì)算公式得到極化方位角θ；極化方位角θ用于極化方向補(bǔ)償，減少目標(biāo)極化方位角的隨機(jī)性；(4)通過極化方位角θ得到新相位差npd：對(duì)極化方位角θ進(jìn)行判斷，當(dāng)極化方位角小于一定值θch時(shí)，新相位差npd等于共極化相位差cpd；當(dāng)極化方位角大于一定值θch時(shí)，新相位差npd等于交叉極化相位差xpd；用于判斷的一定值選為π/8；(5)構(gòu)建改進(jìn)的自適應(yīng)體散射模型：通過極化方位角θ和方位角分布函數(shù)建模得到表征城市區(qū)域的方位二面角反射體的交叉散射模型<[t]〉cross；通過對(duì)自然區(qū)域中能產(chǎn)生體散射分量的散射體進(jìn)行建模得到自適應(yīng)的廣義體散射模型(6)確定新相位差npd的閾值，判斷目標(biāo)所處的區(qū)域并使用相應(yīng)的模型：當(dāng)新相位差npd大于一定值時(shí)，目標(biāo)像素點(diǎn)處于城市等人造區(qū)域，使用方位二面角反射體的交叉散射模型來代替原始混合freeman/eigenvalue分解方法中的體散射模型來進(jìn)行極化sar圖像分解，獲得人造區(qū)域的表面散射功率ps，偶次散射功率pd，體散射功率pv；當(dāng)新相位差npd小于一定值時(shí)，目標(biāo)像素點(diǎn)處于自然區(qū)域，使用自適應(yīng)的廣義體散射模型來代替原始混合freeman/eigenvalue分解方法中的體散射模型來進(jìn)行極化sar圖像分解，獲得自然區(qū)域的表面散射功率ps，偶次散射功率pd，體散射功率pv；(7)用紅色r、綠色g、藍(lán)色b三個(gè)顏色分量作為三基色，分別表示輸入極化sar圖像中的pd,pv,ps三種散射功率分布灰度圖像，并合成rgb圖像輸出。本發(fā)明采用了含有廣義體散射模型的技術(shù)方案使得體散射模型更具普遍性，抑制了體散射過估計(jì)問題，而且加入的交叉極化分量模型，能夠更好區(qū)分城市區(qū)域和森林區(qū)域，分解得到的參數(shù)可以更好地應(yīng)用于后續(xù)極化sar圖像目標(biāo)檢測(cè)和分類。本發(fā)明與現(xiàn)有技術(shù)相比具有以下優(yōu)點(diǎn)：第一，本發(fā)明使用的改進(jìn)體散射模型，相比于采用固定體散射模型的算法，根據(jù)目標(biāo)所處區(qū)域采用不同的表征體散射分量的模型，當(dāng)目標(biāo)處于城市區(qū)域時(shí)，使用表征二面角反射體的交叉散射模型；當(dāng)目標(biāo)處于自然區(qū)域時(shí)，使用廣義體散射模型，這兩種模型隨著目標(biāo)像素點(diǎn)的不同而自適應(yīng)調(diào)整，能夠有效地應(yīng)對(duì)各種地物的特征，可以有效地抑制體散射過估計(jì)問題的同時(shí)，增大各區(qū)域主導(dǎo)散射機(jī)制的比例。第二，相比于原始的混合freeman/eigenvalue分解，本發(fā)明使用改進(jìn)體散射模型，使得各個(gè)散射區(qū)域分解結(jié)果更符合對(duì)應(yīng)的地物特征，大大降低了產(chǎn)生負(fù)功率的像素點(diǎn)的比例。附圖說明圖1是本發(fā)明的流程圖；圖2是flevoland_smallpicture地區(qū)paulirgb原圖，標(biāo)有區(qū)域a，區(qū)域a表示城市區(qū)域；圖3是本發(fā)明與現(xiàn)有技術(shù)方法對(duì)flevoland_smallpicture地區(qū)分解rgb效果對(duì)比圖；其中圖3(a)為原始混合freeman/eigenvalue分解結(jié)果，圖3(b)為基于擴(kuò)展體散射模型的混合freeman/eigenvalue分解結(jié)果，圖3(c)為本發(fā)明分解結(jié)果圖。具體實(shí)施方式下面結(jié)合附圖和具體實(shí)施例對(duì)本發(fā)明詳細(xì)說明。現(xiàn)有技術(shù)是采用固定體散射模型，不能具體地表征各種地物的體散射分量，體散射分量會(huì)過度估計(jì)，產(chǎn)生負(fù)功率的問題。針對(duì)這些技術(shù)問題本發(fā)明開展了研究與創(chuàng)新，提出了一種自適應(yīng)體散射模型的freeman/特征值分解方法。實(shí)施例1本發(fā)明是一種自適應(yīng)體散射模型的freeman/特征值分解方法，參見圖1，包括有如下步驟：(1)輸入極化sar圖像數(shù)據(jù)矩陣：直接輸入極化sar圖像相干矩陣t或協(xié)方差矩陣c，當(dāng)輸入數(shù)據(jù)為相干矩陣t時(shí)，t中包含六個(gè)矩陣t11,t12,t13,t22,t23,t33，代表極化sar圖像中每個(gè)像素點(diǎn)的極化信息；當(dāng)輸入數(shù)據(jù)為協(xié)方差矩陣c時(shí)，c中包含六個(gè)矩陣c11,c12,c13,c22,c23,c33，代表極化sar圖像中每個(gè)像素點(diǎn)的極化信息；協(xié)方差矩陣c和相干矩陣t可以相互轉(zhuǎn)換。本例使用極化相干矩陣t作為輸入。(2)精致lee濾波：采用精致lee濾波方法，將極化合成孔徑雷達(dá)sar圖像進(jìn)行濾波，去除斑點(diǎn)噪聲的影響，得到濾波后的極化合成孔徑雷達(dá)sar圖像中每個(gè)像素點(diǎn)的相干矩陣t；也就是對(duì)極化sar圖像矩陣的預(yù)處理。極化sar圖像還可以使用simga濾波、極化白化濾波等，但是精致lee濾波算法簡(jiǎn)單有效，去噪效果明顯，本例采用精致lee濾波。(3)計(jì)算極化方位角θ：根據(jù)極化sar圖像的極化相干矩陣t，通過極化方位角計(jì)算公式得到極化方位角θ；計(jì)算極化方位角θ是為了用于極化方位角補(bǔ)償，減少目標(biāo)極化方位角的隨機(jī)性，最大限度地減少方位角對(duì)分解結(jié)果產(chǎn)生的影響。(4)通過極化方位角θ得到新相位差npd：極化sar分解圖像中包含地球表面各種地物種類，為了更好地進(jìn)行分解，將各種地物首先分成人造區(qū)域和自然區(qū)域兩大類，城市區(qū)域?qū)儆谌嗽靺^(qū)域。通過共極化相位差cpd和交叉極化相位差xpd，利用其在不同區(qū)域，所表現(xiàn)出的不同值來確定出新相位差npd，以便在極化sar圖像中區(qū)分城市區(qū)域和自然區(qū)域。本發(fā)明經(jīng)過大量的實(shí)驗(yàn)分析，對(duì)極化方位角進(jìn)行如下判斷，當(dāng)極化方位角小于一定值θch時(shí)，城市區(qū)域和自然區(qū)域用共極化相位角cpd來判斷。當(dāng)極化方位角大于一定值θch時(shí)，城市區(qū)域和自然區(qū)域用交叉極化相位角xpd來判斷，更為合理。本例中用于判斷的一定值等于π/8。在本發(fā)明中，定義一個(gè)參數(shù)新相位差npd，當(dāng)極化方位角小于一定值時(shí)，新相位差npd等于cpd，當(dāng)極化方位角大于一定值時(shí)，新相位差npd等于xpd，用新相位差npd進(jìn)行區(qū)分極化sar圖像中城市區(qū)域和自然區(qū)域相比于原始混合freeman/eigenvalue分解中的判斷城市區(qū)域和自然區(qū)域的條件更符合極化sar圖像的城市區(qū)域和自然區(qū)域的劃分。(5)構(gòu)建改進(jìn)的自適應(yīng)體散射模型：通過極化方位角θ和方位角分布函數(shù)建模得到表征城市區(qū)域的方位二面角反射體的交叉散射模型<[t]>cross，相比在城市區(qū)域使用的固定方位二面角散射模型，本發(fā)明使用的交叉散射模型能夠隨著目標(biāo)像素點(diǎn)的極化方位角來調(diào)整模型的結(jié)構(gòu)，使得在分解城市區(qū)域時(shí)，得到的各散射分量更加符合城市區(qū)域的特征。本發(fā)明為了解決體散射模型選用困難的問題，在分析森林中散射體不完全滿足方位角對(duì)稱性的特點(diǎn)基礎(chǔ)上，通過對(duì)自然區(qū)域中森林冠層等典型的能產(chǎn)生體散射分量的散射體進(jìn)行建模得到自適應(yīng)的廣義體散射模型相比用于自然區(qū)域的固定體散射模型，本發(fā)明使用的廣義體散射模型能夠根據(jù)參數(shù)自適應(yīng)調(diào)整模型的結(jié)構(gòu)，可以適應(yīng)自然區(qū)域不同的地物特征。(6)確定閾值，根據(jù)上述求得的新相位差npd判斷目標(biāo)所處的區(qū)域：用于判斷的閾值是根據(jù)極化sar圖像的波段、搭載平臺(tái)和天氣的變化來確定，確定后用于城市區(qū)域和自然區(qū)域；根據(jù)極化sar圖像的特點(diǎn)，在城市區(qū)域的新相位差npd相對(duì)于自然區(qū)域的新相位差npd較大。當(dāng)新相位差npd>閾值時(shí)，目標(biāo)像素點(diǎn)處于城市等人造區(qū)域，使用二面角反射體的交叉散射模型<[t]>cross來代替原始混合freeman/eigenvalue分解方法中的體散射模型來進(jìn)行極化sar圖像分解，獲得城市區(qū)域的表面散射功率ps，偶次散射功率pd，體散射功率pv；相比用于城市區(qū)域的方位二面角的固定散射模型，本發(fā)明使用的交叉散射模型根據(jù)目標(biāo)像素點(diǎn)的極化方位角自適應(yīng)調(diào)整，更加符合城市區(qū)域每個(gè)像素點(diǎn)的散射特征，可以有效地減少城市區(qū)域的體散射分量，增大城市區(qū)域主導(dǎo)散射分量，即偶次散射分量。當(dāng)新相位差npd<閾值時(shí)，目標(biāo)像素點(diǎn)處于自然區(qū)域，使用本發(fā)明提出的自適應(yīng)的廣義體散射模型來代替原始混合freeman/eigenvalue分解方法中的體散射模型來進(jìn)行極化sar圖像分解，獲得自然區(qū)域的表面散射功率ps，偶次散射功率pd，體散射功率pv；相比用于自然區(qū)域的hajnsek體散射模型，本發(fā)明使用的廣義體散射模型不僅能減少各區(qū)域的體散射分量，增大自然區(qū)域各主導(dǎo)散射分量，而且其能夠根據(jù)參數(shù)模型自適應(yīng)調(diào)整，更具有普遍性。本例中用于判斷的閾值等于(7)用紅色r、綠色g、藍(lán)色b三個(gè)顏色分量作為三基色，分別表示輸入極化sar圖像中的pd,pv,ps三種散射功率分布灰度圖像，并合成rgb圖像輸出，完成了對(duì)輸入極化sar圖像的自適應(yīng)體散射模型的freeman/eigenvalue分解。本發(fā)明使用的自適應(yīng)體散射模型，相比于采用固定體散射模型的算法，根據(jù)目標(biāo)所處區(qū)域采用不同的表征體散射分量的模型，當(dāng)目標(biāo)處于城市區(qū)域時(shí)，使用表征二面角反射體的交叉散射模型；當(dāng)目標(biāo)處于自然區(qū)域時(shí)，使用廣義體散射模型，這兩種模型隨著目標(biāo)像素點(diǎn)的不同而自適應(yīng)調(diào)整，能夠有效地應(yīng)對(duì)各種地物的特征，可以有效地抑制體散射過估計(jì)問題的同時(shí)，增大各區(qū)域主導(dǎo)散射機(jī)制的比例。實(shí)施例2自適應(yīng)體散射模型的freeman/特征值分解方法同實(shí)施例1，步驟(4)中通過極化方位角θ得到新相位差npd，包括有如下步驟：4a)計(jì)算共極化相位差cpd：上式左邊表示復(fù)數(shù)的指數(shù)形式，共極化相位差cpd等于ρhhvv表示共極化相關(guān)系數(shù)。上式中間表示輸入極化sar圖像協(xié)方差矩陣c相關(guān)元素項(xiàng)的一般形式，其中：c11,c33,c13為協(xié)方差矩陣c的相關(guān)項(xiàng)。4b)計(jì)算交叉極化相位差xpd：上式左邊表示復(fù)數(shù)的指數(shù)形式，交叉極化相位差xpd等于ρhhhv表示交叉極化相關(guān)系數(shù)。上式中間表示輸入極化sar圖像協(xié)方差矩陣c相關(guān)元素項(xiàng)的一般形式，其中：c11,c22,c12為協(xié)方差矩陣c的相關(guān)項(xiàng)。根據(jù)復(fù)數(shù)求輻角函數(shù)angle求得cpd和xpd：上式中c11,c22,c33,c12,c13分別表示輸入極化sar圖像協(xié)方差矩陣c的元素項(xiàng)。當(dāng)輸入極化sar圖像確定后，其協(xié)方差矩陣元素項(xiàng)值是確定的。4c)求得新相位差npd：當(dāng)極化方位角θ小于一定值θch時(shí)，用共極化相位差cpd來界定城市區(qū)域和自然區(qū)域；當(dāng)極化方位角θ大于一定值θch時(shí)，用交叉極化相位差xpd來界定城市區(qū)域和自然區(qū)域。為此定義一個(gè)參數(shù)新相位差npd：用于判斷的一定值θch會(huì)根據(jù)極化sar運(yùn)載平臺(tái)和對(duì)于目標(biāo)區(qū)域的飛行方向變化而調(diào)整，本例中用于判斷的一定值θch等于π/8。實(shí)施例3自適應(yīng)體散射模型的freeman/特征值分解方法同實(shí)施例1-2，本發(fā)明步驟(6)中的確定用于判斷的新相位差npd的閾值，判斷目標(biāo)所處的區(qū)域，并進(jìn)行相應(yīng)的分解。現(xiàn)有技術(shù)中的原始的混合freeman/eigenvalue分解算法形式：α表示散射角，ps表示表面散射功率，pd表示偶次散射功率，pv表示體散射功率。根據(jù)原始的混合freeman/eigenvalue分解可得：上面的tab,a,b∈(1,2,3)表示極化sar圖像的相干矩陣t的對(duì)應(yīng)項(xiàng)。由上式分別可得每個(gè)像素點(diǎn)的體散射功率pv、表面散射功率ps、偶次散射功率pd。原始的混合freeman/eigenvalue分解體散射模型的一般形式如下：本發(fā)明對(duì)上述原始混合freeman/eigenvalue分解方法提出改進(jìn)方案：當(dāng)新相位差npd>閾值時(shí)，目標(biāo)處于城市區(qū)域，用二面角反射體的交叉散射模型代替原始的固定體散射模型；當(dāng)新相位差npd<閾值時(shí)，目標(biāo)處于自然區(qū)域，用廣義提散射模型來代替原始的固定提散射模型。本發(fā)明通過新相位角npd的閾值，判斷目標(biāo)所處的區(qū)域，并進(jìn)行相應(yīng)的分解，包括如下步驟：6a)當(dāng)新相位差npd>閾值時(shí)，目標(biāo)像素點(diǎn)處在城市區(qū)域：使用方位二面角反射體的交叉散射模型<[t]>cross來代替原始混合freeman/eigenvalue分解方法中的體散射模型，此時(shí)：本發(fā)明使用的用于城市區(qū)域分解的交叉散射模型中的fd,fv對(duì)應(yīng)項(xiàng)，根據(jù)目標(biāo)像素點(diǎn)的極化方位角的變化而調(diào)整，相對(duì)于原始混合freeman/eigenvalue分解方法中使用固定體散射模型，能自適應(yīng)城市區(qū)域的地區(qū)特征。6b)當(dāng)新相位差npd<閾值時(shí)，目標(biāo)像素點(diǎn)處在自然區(qū)域：使用廣義體散射模型來代替原始混合freeman/eigenvalue分解中的體散射模型，此時(shí)：其中表示水平極化分量與垂直極化分量之間的比值。本發(fā)明使用的用于自然區(qū)域的廣義體散射模型中fs,fd,fv,fsd,fds對(duì)應(yīng)項(xiàng)，根據(jù)目標(biāo)像素點(diǎn)的水平極化分量與垂直極化分量之間的比值而自適應(yīng)調(diào)整，相比于原始的混合freeman/eigenvalue分解方法中的固定體散射模型，本發(fā)明使用的廣義散射模型能夠適應(yīng)不同自然區(qū)域的地物特征。用于判斷的閾值是根據(jù)極化sar圖像的波段、搭載平臺(tái)和天氣的變化確定，本發(fā)明經(jīng)過實(shí)驗(yàn)驗(yàn)證閾值在范圍內(nèi)浮動(dòng)。閾值會(huì)在區(qū)間略微調(diào)整，確定后的閾值用于區(qū)分城市區(qū)域和自然區(qū)域。本例中用于判斷的閾值等于本發(fā)明首先利用極化方位角θ和方位角分布函數(shù)求得二面角散射體的交叉散射模型<[t]>cross，用于表征城市區(qū)域的體散射分量；并且提出了能隨著水平分量與垂直分量之間比值變化的廣義體散射模型用于表征自然區(qū)域的體散射分量。下面給出一個(gè)完成的例子，對(duì)本發(fā)明做進(jìn)一步說明。實(shí)施例4自適應(yīng)體散射模型的freeman/特征值分解方法同實(shí)施例1-3，參照?qǐng)D1本發(fā)明具體步驟如下：步驟1：輸入極化sar數(shù)據(jù)矩陣：即極化協(xié)方差矩陣c或極化相干矩陣t。c11,c22,c33,c12,c13表示協(xié)方差矩陣的元素項(xiàng)，分別表示c12,c13,c23的共軛轉(zhuǎn)置；t11,t22,t33,t12,t13表示協(xié)方差矩陣的元素項(xiàng)，分別表示t12,t13,t23的共軛轉(zhuǎn)置。t與c矩陣可以相互轉(zhuǎn)化，轉(zhuǎn)化系數(shù)為a：其中，c＝inv(a)*t*inv(at)，t＝a*c*at，inv表示矩陣的逆，矩陣上標(biāo)t表示矩陣的轉(zhuǎn)置運(yùn)算。本例中使用極化相干矩陣t作為輸入。步驟2：精致lee濾波：采用精致lee濾波方法，對(duì)極化合成孔徑雷達(dá)sar圖像進(jìn)行濾波，去除斑點(diǎn)噪聲對(duì)極化分解產(chǎn)生的影響，得到濾波后的極化合成孔徑雷達(dá)sar圖像的相干矩陣t。步驟3：計(jì)算極化方位角θ：根據(jù)極化方位角計(jì)算公式可得：tan-1表示反正切函數(shù)，t23,t22,t33表示相干矩陣的元素項(xiàng)，re{t23}表示相干矩陣t23項(xiàng)的實(shí)部。利用極化方位角θ，通過公式t(θ)＝[r(θ)]t[r(θ)]*將輸入的相干矩陣t進(jìn)行方位角補(bǔ)償，減少目標(biāo)極化方位角的隨機(jī)性對(duì)分解結(jié)果帶來的影響，方位角補(bǔ)償矩陣：其中t是極化相干矩陣，t(θ)是方位角補(bǔ)償后的相干矩陣，上標(biāo)*表示矩陣的共軛轉(zhuǎn)置。步驟4：計(jì)算共極化相位差cpd、交叉極化相位差xpd和npd：4a)計(jì)算共極化相位差cpd：上式左邊表示復(fù)數(shù)的指數(shù)形式，共極化相位差cpd等于ρhhvv表示共極化相關(guān)系數(shù)。4b)計(jì)算交叉極化相位差xpd：上式左邊表示復(fù)數(shù)的指數(shù)形式，交叉極化相位差xpd等于ρhhhv表示交叉極化相關(guān)系數(shù)。在matlab中根據(jù)負(fù)數(shù)求輻角函數(shù)angle求得cpd和xpd：上式中c11,c22,c33,c12,c13分別表示輸入極化sar圖像協(xié)方差矩陣c的元素項(xiàng)。4c)求得新相位差npd：當(dāng)極化方位角θ小于一定值θch時(shí)，用共極化相位差cpd來界定城市區(qū)域和自然區(qū)域；當(dāng)極化方位角θ大于一定值θch時(shí)，用交叉極化相位差xpd來界定城市區(qū)域和自然區(qū)域。為此定義一個(gè)參數(shù)，新相位差npd：本例中用于判斷的一定值θch等于π/8步驟5：構(gòu)建改進(jìn)的自適應(yīng)散射模型：5a)當(dāng)新相位差npd>閾值時(shí)，目標(biāo)處在城市區(qū)域，使用二面角反射體的交叉散射模型<[t]>cross來代替體散射模型；交叉散射模型如下：其中θ表示極化方位角，td(θ)表示二面角反射體的相干矩陣，p(θ)表示方位角分布函數(shù)。5b)當(dāng)新相位差npd<閾值時(shí)，目標(biāo)位于自然區(qū)域，使用廣義體散射模型來代替原始混合freeman/eigenvalue分解方法中的體散射模型。廣義體散射模型如下：其中表示水平極化分量與垂直極化分量之間的比值。gulabsingh提出使用擴(kuò)展體散射模型來改進(jìn)混合freeman/eigenvalue分解方法中，當(dāng)目標(biāo)像素點(diǎn)處于自然區(qū)域時(shí)，使用hajnsek體散射模型。當(dāng)r>2時(shí)：當(dāng)r<-2時(shí)：當(dāng)-2≤r≤2時(shí)：其中r表示垂直極化分量與水平極化分量比值取對(duì)數(shù)，c11,c33表示協(xié)方差矩陣的相應(yīng)項(xiàng)。當(dāng)r>2時(shí)，對(duì)應(yīng)的體散射模型是γ＝3/8時(shí)的廣義體散射模型；當(dāng)r<-2時(shí)，對(duì)應(yīng)的體散射模型是γ＝8/3時(shí)的廣義體散射模型；當(dāng)-2≤r≤2時(shí)，對(duì)應(yīng)的體散射模型是γ＝1時(shí)的廣義體散射模型。廣義體散射模型取不同的γ值，涵蓋了hajnsek提出的根據(jù)參數(shù)采用的不同的固定體散射模型。廣義體散射模型還能夠隨著γ值的變化，在hajnsek三種體散射模型之間連續(xù)變化，所以廣義體散射模型根據(jù)不同像素點(diǎn)γ值能夠進(jìn)行自適應(yīng)調(diào)整，能適應(yīng)不同的地物特征。步驟6：確定用于判斷的新相位差npd的閾值，判斷目標(biāo)所處的區(qū)域，并進(jìn)行相應(yīng)的分解：6a)當(dāng)新相位差npd>閾值時(shí)，像素點(diǎn)處在城市區(qū)域：根據(jù)原始的混合freeman/eigenvalue分解可得：上面的taba,b∈(1,2,3)表示極化相干矩陣t的對(duì)應(yīng)項(xiàng)。由上三式分別可得極化圖像中每個(gè)像素點(diǎn)的體散射功率值pv、表面散射功率值ps、偶次散射功率值pd，合成rgb圖像輸出。6b)當(dāng)新相位差npd<閾值時(shí)，像素點(diǎn)處在自然區(qū)域：α表示散射角，ps表示表面散射功率，pd表示偶次散射功率，pv表示體散射功率。根據(jù)原始的混合freeman/eigenvalue分解可得：上面的taba,b∈(1,2,3)表示極化相干矩陣t的對(duì)應(yīng)項(xiàng)，如t11為矩陣t第一行第一列的對(duì)應(yīng)項(xiàng)。由上三式分別可得每個(gè)像素點(diǎn)的體散射功率值pv、表面散射功率值ps、偶次散射功率值pd，合成rgb圖像輸出。根據(jù)極化sar圖像的特點(diǎn)，在城市區(qū)域的新相位差npd相對(duì)于自然區(qū)域的新相位差npd較大，本例中用于判斷的閾值經(jīng)過實(shí)驗(yàn)驗(yàn)證等于比較合理。下面通過仿真實(shí)驗(yàn)對(duì)本發(fā)明的技術(shù)效果進(jìn)行驗(yàn)證和說明。實(shí)施例5自適應(yīng)體散射模型的freeman/特征值分解方法同實(shí)施例1-4，下面結(jié)合仿真對(duì)本發(fā)明的效果做進(jìn)一步說明。仿真實(shí)驗(yàn)條件：本發(fā)明的硬件測(cè)試平臺(tái)是：處理器為intercorei3-550tmcpu，主頻為3.2ghz，內(nèi)存4gb，軟件平臺(tái)為：windows7旗艦版64位操作系統(tǒng)和matlabr2015b。本發(fā)明輸入為2375x1635的flevoland_smallpicture地區(qū)的極化sar圖像的極化相干矩陣t。仿真內(nèi)容：在仿真中用到的兩個(gè)與本發(fā)明進(jìn)行效果對(duì)比的現(xiàn)有技術(shù)方法，如下：a)s.r.cloude等人在出版學(xué)術(shù)書“polarisation:applicationsinremotesensing.london,u.k.:oxforduniv.press,2009.”中提出的原始混合freeman/eigenvalue分解方法。b)gulabsingh等人在文獻(xiàn)“hybridfreeman/eigenvaluedecompositionmethodwithextendedvolumescatteringmodelieeegeoscienceandremotesensingletters,vol.10,no.1,january2013”中提出的基于擴(kuò)展體散射模型的混合freeman/eigenvalue分解方法。c)本發(fā)明方法。仿真實(shí)驗(yàn)結(jié)果：表格1是仿真內(nèi)容中的三種方法得到的負(fù)功率像素點(diǎn)在整個(gè)flevoland_smallpicture地區(qū)所占的百分比。根據(jù)表格1可知，原始的混合freeman/eigenvalue分解方法，體散射過估計(jì)問題比較嚴(yán)重，導(dǎo)致極化sar圖像中，產(chǎn)生許多的負(fù)散射功率，占了47.29％，由于在極化sar圖像不會(huì)出現(xiàn)負(fù)功率，所以原始的混合freeman/eigenvalue分解方法所得到的分解結(jié)果與圖像不一致問題非常嚴(yán)重。基于擴(kuò)展體散射模型的混合freeman/eigenvalue分解方法可以有效地改善負(fù)功率問題，降低了flevoland_smallpicture地區(qū)的極化sar圖像中的負(fù)功率像素點(diǎn)所占比例至6.09％；而采用本發(fā)明，針對(duì)同一極化sar圖像進(jìn)行極化分解，不僅擴(kuò)展了體散射的普遍性，更能適應(yīng)不同的地物特征，而且進(jìn)一步降低了flevoland_smallpicture地區(qū)的極化sar圖像中的負(fù)功率像素點(diǎn)所占的比例至0.0175％。負(fù)功率像素點(diǎn)所占比例大為減少，分解結(jié)果基本符合圖像的地物特征。表格1三種方法負(fù)功率百分比方法負(fù)功率百分比原始混合分解方法47.29％基于擴(kuò)展體散射模型的混合分解方法6.09％本發(fā)明方法0.0175％表格2是仿真內(nèi)容中的三種方法得到的各散射功率在區(qū)域a占總散射功率的百分比。根據(jù)表格2可知，在城市區(qū)域a，原始的混合freeman/eigenvalue分解方法，體散射依然占據(jù)相當(dāng)一部分比例，為14.90％；由于體散射模型主要反映的是枝繁葉茂的森林地區(qū)，所以體散射在城市區(qū)域a中所占比例非常小。基于擴(kuò)展體散射模型的混合freeman/eigenvalue分解方法中，在城市區(qū)域時(shí)，使用了方位二面角散射模型來代替體散射模型，能降低了體散射在城區(qū)中所占的比例至7.12％，使得更符合實(shí)際的地物特征。而采用本發(fā)明，針對(duì)同一極化sar圖像進(jìn)行極化分解，不僅引入新的相位差npd，使得區(qū)分城區(qū)和自然區(qū)域更加合理，而且，引入了二面角散射體的交叉散射模型用于城市區(qū)域的分解，本發(fā)明使用的二面角散射體的交叉散射模型隨著極化sar圖像中不同像素點(diǎn)的極化方位角θ來進(jìn)行調(diào)整，能夠自適應(yīng)城市的不同區(qū)域。本發(fā)明分解得到的結(jié)果，在城市區(qū)域a體散射功率比例進(jìn)一步降低至6.04％，上述兩種方法都未達(dá)到的。本發(fā)明在城區(qū)中偶次散射功率所占的比例為56.10％，增大了城市區(qū)域的主導(dǎo)散射分量的比例。表格2中的數(shù)據(jù)表明，在城市區(qū)域，本發(fā)明方法相比現(xiàn)有技術(shù)體散射分量減少的同時(shí)，增大了偶次散射分量的比例。表格2三種方法分解得到的各散射功率在區(qū)域a所占百分比方法表面散射功率偶次散射功率體散射功率原始混合分解方法33.56％51.54％14.90％基于擴(kuò)展體散射模型的混合分解方法37.40％55.47％7.12％本發(fā)明方法37.86％56.10％6.04％實(shí)施例6自適應(yīng)體散射模型的freeman/特征值分解方法同實(shí)施例1-4，仿真條件和仿真內(nèi)容同實(shí)施例5，圖2是flevoland_smallpicture地區(qū)的原始paulirgb圖像，圖中主要有海洋、城區(qū)、森林、農(nóng)田等典型的地物目標(biāo)，圖中紅色區(qū)域即用矩形方框標(biāo)注的區(qū)域a表示城區(qū)，綠色區(qū)域即城市周邊的區(qū)域表示森林區(qū)域，藍(lán)色區(qū)域即矩形塊為單元連接成的區(qū)域表示農(nóng)田區(qū)域，圖2左上方深藍(lán)色區(qū)域表示海洋；圖2中區(qū)域a的正上方是一片城市與田野交錯(cuò)的區(qū)域。圖3(a)為原始混合freeman/eigenvalue分解結(jié)果rgb合成圖，在圖3(a)中可以看出原始的混合freeman/eigenvalue分解方法在城市區(qū)域只能分解出大致輪廓，在標(biāo)記區(qū)域a的正上方的城市區(qū)域體散射分量過大，導(dǎo)致許多像素點(diǎn)表現(xiàn)為綠色，不符合城市區(qū)域的地物特征；圖3(b)為基于擴(kuò)展體散射模型的混合freeman/eigenvalue分解結(jié)果rgb合成圖，相比于圖3(a)，在標(biāo)記區(qū)域a的正上方的城市區(qū)域的體散射分量得到部分抑制，在圖中表現(xiàn)為減少了該區(qū)域中綠色的區(qū)域；圖3(c)為本發(fā)明分解結(jié)果rgb合成圖，相比于圖3(a)和圖3(b)，本發(fā)明在標(biāo)記a的正上方的城市區(qū)域的體散射分量得到進(jìn)一步抑制，表現(xiàn)為圖中該部分城市區(qū)域的綠色部分大幅度減少，更準(zhǔn)確地反映該區(qū)域的地物特征。綜上所述，本發(fā)明是一種自適應(yīng)體散射模型的freeman/特征值分解方法，解決了極化sar圖像分解出現(xiàn)的體散射分量過估計(jì)和產(chǎn)生負(fù)功率像素點(diǎn)的技術(shù)問題。本發(fā)明的體散射模型可以根據(jù)參數(shù)自適應(yīng)調(diào)整，相比于現(xiàn)有技術(shù)方法，本發(fā)明的交叉散射模型和廣義體散射模型能夠適應(yīng)不同的地物特征。其具體的分解過程為：輸入極化sar圖像的數(shù)據(jù)矩陣，本發(fā)明使用極化相干矩陣t；精致lee濾波，消除斑點(diǎn)噪聲對(duì)極化分解結(jié)果產(chǎn)生的影響；計(jì)算極化方位角θ，進(jìn)行方位角補(bǔ)償；通過極化方位角θ得到新相位差npd，計(jì)算共極化相位差cpd、交叉極化相位差xpd，根據(jù)npd判斷目標(biāo)處在城市區(qū)域還是自然區(qū)域；構(gòu)建改進(jìn)的自適應(yīng)體散射模型，在城市區(qū)域的體散射分量二面角散射體的交叉散射模型，在自然區(qū)域的廣義體散射模型；確定用于判斷的新相位差npd的閾值，判斷目標(biāo)所處的區(qū)域，用對(duì)應(yīng)的模型代替原始混合freeman/eigenvalue分解方法中的體散射分量模型；用紅色r、綠色g、藍(lán)色b三個(gè)顏色分量作為三基色，分別表示pd,pv,ps三種散射功率分布，并合成rgb圖像輸出。本發(fā)明采用的自適應(yīng)體散射模型，在極化目標(biāo)分解領(lǐng)域，能夠適應(yīng)不同的地物特征，尤其在城市等人造區(qū)域，分解結(jié)果更準(zhǔn)確，可應(yīng)用于極化sar目標(biāo)的識(shí)別與分類。當(dāng)前第1頁12