基于半正定約束的極化相似度最優(yōu)模型匹配目標分解

范慶輝 盧紅喜 保 錚 肖春寶

?

基于半正定約束的極化相似度最優(yōu)模型匹配目標分解

范慶輝*①②盧紅喜③保 錚③肖春寶①②

①(西安電子科技大學計算機學院 西安 710071)②(河南科技大學信息工程學院 洛陽 410023)③(西安電子科技大學雷達信號處理國家重點實驗室 西安 710071)

目標分解是實現極化合成孔徑雷達目標分類、檢測與識別應用的重要手段。傳統(tǒng)方法由于優(yōu)先對體散射分量進行提取，其體散射能量的高估或二面角散射能量的低估現象較為嚴重。該文通過引入極化相似度量，基于數據驅動自適應地對基本散射機制的最優(yōu)匹配模型進行選擇。在此基礎上，根據極化相似度量確定基本散射機制散射能量提取的優(yōu)先順序，并以各階次剩余矩陣能量非負為約束，最終確定面散射、二面角散射、體散射這3種基本散射機制的能量貢獻值。實測數據處理結果及其與光學圖像的對比結果表明，該文方法獲取的極化目標分解結果優(yōu)于傳統(tǒng)方法，能夠準確地提取目標區(qū)域的基本散射特征。

極化合成孔徑雷達；目標分解；極化相似度；最優(yōu)模型匹配

1 引言

隨著極化和高分辨測量技術的發(fā)展，分辨單元越小，它包含的散射中心的數目就越少，對目標結構特性的刻畫就越細致清晰，將極化與高分辨技術結合的雷達識別技術成為復雜目標識別的一個重要分支。極化合成孔徑雷達(Polarimetric SAR, PolSAR)通過測量地面每個分辨單元內的散射回波，經過成像處理獲取對應的散射矩陣，極化散射矩陣將目標散射能量特性、相位特性及極化特性統(tǒng)一起來，相對完整地描述了雷達目標的電磁散射特性[6,7]。從極化SAR圖像數據中可以提取目標的極化散射特性，實現全極化SAR目標的分類、檢測與識別等應用。

極化目標分解方法是有效提取目標極化散射特性的一類重要方法?，F有的極化目標分解方法主要有相干目標分解和非相干目標分解兩類。非相干目標分解方法一般基于參數模型進行展開，例如Freeman-Durden分解方法[11,12]，Yamaguchi分解方法[13,14]，基于非負特征值約束的模型分解方法[15]等。在這些方法中，相干矩陣被分解為幾種不同散射機制散射機理的疊加，通常主要考慮面散射，二面角散射，體散射，螺旋體散射等[12]。這些分解方法通常在首先計算體散射機制對應的散射能量，然后計算面散射與二面角散射機制對應的散射能量。這實質上是將體散射機制置于優(yōu)先分解的位置上，可能會導致體散射能量的高估及負能量的出現，同時也會導致在二面角散射機制或面散射機制占主導的地區(qū)，面散射或二面角散射能量的低估。本文方法基于極化相似度匹配度量準則，研究了全極化SAR單視及多視實際觀測數據中基本散射機理的分離，通過引入極化相似度確定不同散射機制的分解次序并自適應地選取匹配模型，解決現有方法中體散射能量的高估或二面角散射能量的低估問題，從而完成模型參數估計與散射能量的有效估計。實測數據處理結果及其與光學圖像的對比結果表明，本文方法能夠準確地提取目標區(qū)域的基本散射特征。

2 極化目標分解方法基本理論

通過分析極化數據提取目標的散射特性，其理論核心就是極化目標分解。大多數自然場景目標或分布目標為非相干目標，其散射特性可以是非確定或時變的，極化SAR系統(tǒng)觀測的各次散射回波非相干或部分相干。同時考慮到相干斑噪聲的影響，非相干目標需用不低于二階的統(tǒng)計量進行描述，如極化協方差矩陣或相干矩陣[16]。通過非相干目標分解方法從極化SAR觀測數據中提取各個基本散射機制貢獻分量的經典理論模型[17]可表示為

現有非相干目標極化特性分解方法的主要區(qū)別在于各散射機制能量貢獻的提取方法及其模型參數求解策略。本文通過引入極化相似度量，基于數據驅動自適應地對基本散射機制的最優(yōu)匹配模型進行選擇；在此基礎上，根據極化相似度量確定出基本散射機制散射能量提取的優(yōu)先順序，并以各階剩余矩陣能量非負為約束，最終確定出面散射、二面角散射、體散射這3種基本散射機制的能量貢獻值。

3 基于極化相似度模型匹配的目標分解方法

本節(jié)首先介紹基于極化相似度模型匹配目標分解方法的基本原理，并在此基礎上對本文提出的基于極化相似度模型匹配的目標分解方法具體實施步驟進行詳細展開。

3.1基于極化相似度模型匹配的目標分解方法基本原理

現有極化目標分解方法通常優(yōu)先對體散射機制進行分離再分解其他散射機制，針對這些方法存在的體散射能量高估現象，本文以極化相似度量為準則自適應地完成參數模型匹配，并以此確定各基本散射機制的分解順序。對于實際觀測得到的相干矩陣，參數化模型的極化目標分解方法極容易受目標方位取向角的影響[13]，因此在應用極化目標分解方法前必須予以去除。在此基礎上，各個基本散射機制的分解順序以極化相似度量值為依據，在各散射機理相干矩陣半正定的約束下，依次提取出各散射機理的最大能量貢獻分量。在各基本散射機理分量提取完畢之后，計算出最終殘余矩陣與各基本散射機理之間的極化相似度大小，并以此為依據對其散射機理類型歸屬進行判別，最終得到各基本散射機理對觀測相干矩陣的能量貢獻。

3.2本文算法基本流程

下文分別以8個步驟來對本文方法進行展開，詳細講述各個步驟實現的具體方法。

步驟1 方位取向角去除 首先根據獲取的全極化SAR圖像數據計算出每個像素點對應的相干矩陣，并對其方位取向角進行估計與去除，得到零方位取向角下的相干矩陣。方位取向角的估計方法為[13,17]

步驟2 第1散射機制確定及其相干矩陣模型參數估計 考慮3種基本的散射機制，即面散射機制、二面角散射機制及體散射機制。計算與面散射機制對應的相干矩陣，二面角散射機制對應的相干矩陣及體散射機制對應的相干矩陣之間的最大極化相似度，確定相干矩陣的第1散射機制及其對應的相干矩陣。

步驟3 第1散射機制能量貢獻與剩余矩陣計算。

由二階主子式非負可得

步驟4 第2散射機制確定及其相干矩陣模型參數估計 對已提取出第1散射機制的剩余矩陣，采用步驟2的方法計算其與去除第1散射機制后的剩余兩種散射機制之間的最大極化相似度，確定的主導散射機制為第2散射機制，并對其相干矩陣的模型參數進行估計。

步驟5 第2散射機制能量貢獻與剩余矩陣計算 根據上述步驟得到的及，在剩余矩陣能量非負的約束下，計算第2散射機制對應的散射能量，重新計算并更新剩余矩陣為。

步驟6 第3散射機制相干矩陣模型參數估計、能量貢獻及剩余矩陣計算 采用步驟2的方法計算與去除第1、第2散射機制后的最后剩余散射機制(記為第3散射機制)之間的最大極化相似度，確定第3散射機制對應的相干矩陣。由與，在剩余矩陣能量非負的約束下，采用步驟5的方法計算第3散射機制對應的散射能量及剩余矩陣。

步驟7 剩余矩陣散射機制類型歸屬確定 采用步驟2的方法計算與3種散射機制之間的最大極化相似度，確定的主導散射機制，將對應的能量歸于該主導散射機制對應的散射能量上。

步驟8 各個基本散射機制散射能量的確定 根據第1散射機制，第2散射機制和第3散射機制對應的散射類型，確定當前像素點對應地面單元的面散射機制對應的能量，二面角散射機制對應的能量及體散射機制對應的能量。

4 實驗與結果分析

本節(jié)試驗分別采用機載和星載極化SAR數據對本文算法的性能進行分析。第1組為2005年10月AIRSAR機載系統(tǒng)獲取的San Francisco的全極化SAR 4視數據，第2組為2008年6月Radarsat2星載系統(tǒng)獲取的日本東京地區(qū)的全極化SAR單視數據。試驗區(qū)域圖像的像素大小為。試驗中分別采取van Zyl提出的非負特征值約束分解方法(NNED)與本文所提基于極化相似度模型匹配的目標分解方法對上述兩組全極化SAR數據進行目標分解處理。在San Francisco地區(qū)的全極化SAR 4視數據中，選擇6個不同的試驗區(qū)域圖像，如圖1所示。圖2為利用本文方法得到的極化目標分解結果，圖3為利用NNED方法得到的分解結果。為了定量對兩種方法的數據處理結果進行分析，表1中給出了圖1所示的每一個試驗區(qū)域圖像分解結果中各個散射機制所占能量的百分比(在表1的拼圖中，深灰色代表二面角散射機制所占能量，淺灰色代表體散射機制所占能量，黑色代表面散射機制所占能量，并采用向下取整方式顯示各個分量所占整體的百分比，下同)。

圖1 San Francisco地區(qū)Google Earth光學圖像

圖2 本文方法分解結果

圖3 NNED方法分解結果

表1 San Francisco數據不同分解方法下各散射機制所占百分比

如圖1所示的區(qū)域1和區(qū)域3，由光學圖像可知該試驗區(qū)域圖像為城市建筑區(qū)。對于城市建筑區(qū)，二面角散射機制占主導，且二面角散射能量所占比例越高，越利于后續(xù)的檢測識別。由表1可知，非負特征值約束下區(qū)域1中二面角散射機制所占能量比例為59%，采用本文方法區(qū)域1中二面角散射機制所占能量比例為69%；非負特征值約束下區(qū)域3中二面角散射機制所占能量比例為39%，而采用本文方法區(qū)域3中二面角散射機制所占能量比例為49%。由此可見，利用本文分解方法獲取的城市地區(qū)主導散射機制能量比例優(yōu)于NNED方法。在區(qū)域2與區(qū)域4中，由圖1中光學圖像可知該試驗區(qū)域圖像對應于森林植被區(qū)，本文方法與NNED方法的分解結果中體散射機制所占能量比例相差不大，均表現為體散射機制占主導，與真實結果相一致。區(qū)域5對應為裸露山區(qū)，其面散射為主導散射機制，本文方法得到的分解結果中面散射機制能量比例也高出NNED方法結果近10%；而對于區(qū)域6對應的海面區(qū)域，本文方法與NNED方法獲取的結果相當。

在東京地區(qū)的全極化SAR單視數據中，選擇4個不同的試驗區(qū)域圖像，如圖4所示。圖5為利用本文方法得到的該數據極化目標分解結果，圖6為利用NNED方法得到的分解結果。針對單視數據的情況，按照兩種方法進行數據處理的定量分析結果如表2所示。

圖4 日本東京地區(qū)Google Earth光學圖像

圖5 本文方法分解結果

圖6 NNED方法分解結果

表2對日本數據不同極化分解方法下個散射機制所占比例

表2列出了東京地區(qū)數據所選子區(qū)域中各個散射機制所占百分比。對于圖4中的區(qū)域1，由光學圖像可知該子區(qū)域為某發(fā)電廠地區(qū)，其人工建筑特征明顯(即二面角散射機制占主導)。如表2所示，在非負特征值約束下區(qū)域1中二面角散射機制所占能量比例為38%，而采用本文方法其二面角散射機制所占能量比例為47%。對于區(qū)域3區(qū)域，由光學圖像可知該區(qū)域對應傾斜的城市建筑，由NNED方法得到的二面角散射機制所占能量比例為25%，而采用本文方法區(qū)域3中二面角散射機制所占能量比例為29%。由此可見，本文方法所提取的城市地區(qū)二面角散射機制對應的能量比例優(yōu)于NNED的方法。由光學圖像可知，區(qū)域2對應區(qū)域為裸露河床，其大部分像素是二面角散射與面散射機制占主導，僅僅是子圖周邊區(qū)域存在一定的體散射過程。本文方法二面角與面散射機制兩者之和為53%，遠遠高于NNED方法的44%，可見本文方法能夠較為準確地提取出河床地表的散射機制。區(qū)域4對應為海灣區(qū)域，很明顯其面散射機制占主導，而體散射機制最弱，考慮到海灣水面的波瀾起伏，其二面角散射分量明顯會高于體散射分量。從實驗處理結果可以看出，本文方法與NNED方法相比能夠準確地提取出海灣區(qū)域的散射機理。

5 結束語

本文針對傳統(tǒng)極化目標分解算法的缺陷，通過引入極化相似度量最優(yōu)化極化目標分解策略。該文基于數據驅動自適應地對各個基本散射機制的最優(yōu)匹配模型進行選擇；在此基礎上，根據極化相似度量確定出基本散射機制散射能量提取的優(yōu)先順序，并以各階次剩余矩陣能量非負為約束，最終確定出面散射、二面角散射、體散射這3種基本散射機制的能量貢獻值；解決了傳統(tǒng)方法優(yōu)先對體散射分量進行提取而導致的體散射能量高估或二面角散射能量低估問題。實測數據處理結果及其與光學圖像的對比結果表明，該文方法獲取的極化目標分解結果優(yōu)于傳統(tǒng)方法，能夠準確地提取目標區(qū)域的基本散射特征。

參考文獻

[1] Boerner W M, Yan W L, Xi A Q,Basic Concepts of Radar Polarimetry[M]. Netherlands: Springer, 1992: 155-245.

[2] Boerner W M. Basics of SAR Polarimetry I[R]. Chicago, IL: 2007.

[3] Mott H. Remote Sensing with Polarimetric Radar[M]. New York: Wiley-IEEE Press, 2007: 3-19.

[4] Cloude S R. Polarisation: Applications in Remote Sensing[M]. Oxford: Oxford University Press, 2009: 4-103.

[5] Lee J S and Pottier E. Polarimetric Radar Imaging From Basics to Applications[M]. United States: CRC Press, 2009: 5-53.

[6] Zebker H A and van Zyl J J. Imaging radar polarimetry: a review[J]., 1991, 79(11): 1583-1606.

[7] Chen Q, Kuang G Y, Li JUnsupervised land cover/land use classification using PolSAR imagery based on scattering similarity[J]., 2013, 51(3): 1817-1825.

[8] Frery A C, Cintra R J, and Nascimento A. Entropy-based statistical analysis of PolSAR data[J]., 2013, 51(6): 3733-3743.

[9] Kajimoto M and Susaki J. Urban-area extraction from polarimetric SAR images using polarization orientation angle[J]., 2013, 10(2): 337-341.

[10] Zhang P, Li M, Wu YUnsupervised multi-class segmentation of SAR images using fuzzy triplet Markov fields model[J]., 2013, 46(4): 1-16.

[11] Ballester-Berman J D and Lopez-Sanchez J M. Applying the Freeman-Durden decomposition concept to polarimetric SAR interferometry[J]., 2010, 48(1): 466-479.

[12] Freeman A and Durden S L. A three-component scattering model for polarimetric SAR data[J]., 1998, 36(3): 963-973.

[13] Yamaguchi Y, Sato A, Sato RFour-component scattering power decomposition with rotation of coherency matrix[J]., 2011, 49(6): 2251-2258.

[14] Yamada H, Komaya R, Yamaguchi Y,Scattering component decomposition for POL-InSAR dataset and its applications[C]. Geoscience and Remote Sensing Symposium, Cape Town, 2009: V-154-V-157.

[15] Van Zyl J J, Arii M, and Kim Y. Model-based decomposition of polarimetric SAR covariance matrices constrained for nonnegative eigenvalues[J]., 2011, 49(9): 3452-3459.

[16] Cloude S R and Pottier E. A review of target decomposition theorems in radar polarimetry[J].,1996, 34(2): 498-518.

[17] Singh G, Yamaguchi Y, and Park S E. General four- component scattering power decomposition with unitary transformation of coherency matrix[J]., 2013, 51(5): 3014-3022.

Positive-semidefinite Based Target Decomposition Using Optimal Model-matching with Polarization Similarity

Fan Qing-hui①②Lu Hong-xi③Bao Zheng③Xiao Chun-bao①②

①(,,’710071,)②(,,410023,)③(,,’710071,)

Target decomposition is an important tool to realize target classification, detection and recognition applications with Polarimetric SAR (PolSAR). However, the traditional method with priority of volume scattering component extraction seriously performs overestimation in the volume scattering energy or underestimation in the dihedral scattering energy. In this paper, by introducing polarimetric similarity measure, data-driven model- matching for basic scattering mechanism is proposed. On this basis, the priority of scattering mechanisms energy extraction is determined with the similarity measure. Based on the non-negative constraint of energy, all the orders of residual matrix are reextracted for the final energy contribution of the dihedral scattering, volume scattering, and surface scattering mechanism. The processing results of real data and their comparison with the optical image results show that the proposal is better than traditional methods for the accurate extracttion of the basic scattering characteristics in the targets region.

Polarimetric SAR (PolSAR); Target decomposition; Polarization similarity; Optimal model matching

TN957.51

A

1009-5896(2015)08-1821-07

10.11999/JEIT141468

范慶輝 haustfanqh@126.com

2014-11-24收到，2015-04-24改回，2015-06-09網絡優(yōu)先出版

國家自然科學基金(61271024, 61201292, 61201283)，新世紀優(yōu)秀人才支持計劃(NCET-09-0630)，全國優(yōu)秀博士學位論文作者專項資金(FANEDD-201156)，省部級基金和中央高?；究蒲袠I(yè)務費專項資助課題

范慶輝： 男，1978年生，博士生，研究方向為雷達目標識別、糾錯碼、嵌入式系統(tǒng)等.

盧紅喜： 男，1987年生，博士生，研究方向為極化SAR/InSAR、多基線InSAR信號處理、陣列優(yōu)化設計與極化層析成像技術研究.

肖春寶： 男，1976年生，博士生，研究方向為雷達目標識別、計算機視覺等.