專利名稱：一種基于全極化合成孔徑雷達的地物目標分類方法和裝置的制作方法
技術領域：
本發明涉及合成孔徑雷達，尤其涉及一種基于全極化合成孔徑雷達的地 物目標分類方法和裝置。
背景技術：
合成孔徑雷達(SAR)是20世紀50年代發展起來的最重要的對地觀測 技術，它通過雷達天線在隨載體的運動中以一定的時間間隔發射電磁脈沖信 號，在不同位置上接收地面物體反射的回波信號，并記錄和存儲下來，形成 地面的高分辨率圖像。極化是電磁波的基本特征。極化合成孔徑雷達 (Polarimetric SAR)通過天線發射不同極化狀態的電磁脈沖，如水平極化波 和垂直極化波(常用H表示水平，V表示垂直)，然后又以不同的極化狀態 接收地面物體反射的回波，從而得到地物目標在不同發射和接收極化組合下 的散射特性。由于電磁波的極化狀態對目標的介電常數、物理特性、幾何形 狀和取向等比較敏感，因而極化合成孔徑雷達具有很強的對地物目標進行分 類和識別的能力。自2006年以后發射的所有新一代衛星合成孔徑雷達系統， 包括ALOS PALSAR， TerraSAR， Cosmo-SkyMed， Radarsat-2，都具有多極 化或全極化成像能力。因此，關于SAR極化影像的分析和處理，特別是全極 化SAR影像的分類成為合成孔徑雷達遙感領域的重點研究內容。
本文H、 ^和"參數分別表示散射熵、各向異性和平均散射角。
目標相干矩陣C是根據目標散射矩陣得到的，它是一個3X3半正定的埃 米爾特矩陣，具有3個非負實特征值，可以分解為如下形式
C = M《+化《+早,f )
5其中A，^4是特征值，且4>4>4>()， W&為對應特征向量，兩兩正
交，上標"H"表示共軛轉置。目標相關矩陣被分解為三個相互正交的相關 矩陣的加權和，它們分別代表三個相互獨立、互補相關的散射過程單向散
射，雙向散射和交叉散射。熵"、各向異性^和"角是相干矩陣c的特征值和
特征矢量的函數，具有相應的物理意義。
散射熵描述了上述三種基本散射過程的混亂程度和無序性，定義如下
^ A+幾2+4 (2)
散射熵^的大小描述了目標散射的隨機性。當^=0時，說明目標只有一 種主要的散射機理，相關矩陣只有一個特征值不為零，此時處于完全極化狀 態，極化測量所能提供的極化信息量最大。隨著熵的逐漸增大，目標去極化 程度增加，目標極化散射信息的不確定性加大，表明目標散射由兒種散射過 程組成。如果熵^值較高，說明三個特征值的大小近似相等，目標處于較高 的去極化狀態，不再認為僅存在一個占主要地位的散射機理。在^=1的極限 情況下，所能獲得的極化信息為零，目標的散射完全隨機，即處于完全非極 化狀態。
各向異性^描述除了占主導地位的一種散射機制外的其他兩種散射機制 的關系，
P2+P3 (3)
熵相同時，各向異性可以有不同的值，因此它是熵的有益補充。通常， 只有在熵比較高，例如^>0.7時才利用各向異性^作為補充，因為熵很低說明 相關矩陣第二和第三特征值很小，對應散射過程所占總功率的比重很小，因 此受到較強的噪聲影響，此時各向異性^也表現得相當雜亂，類似噪聲。
角《是由目標分解衍生出來的一個重要的角度參數，用來描述地物的散射
特性。相干矩陣C的特征向量^可以寫成如下形式
6夂=一 L咖sin", cos A一 '■ sin"' sin A'一」 (4 )
而《角定義為散射角分量的概率加權平均
角的值在
之間，它反映了地物的主要散射機理，即三個特征值對
應散射機理中的最大項。當《 = 0時，表示地物目標的主要散射機理是各向同 性的表面散射，如平靜的水面；隨著"角度的增加，反映出的散射機理將變為 各向異性的表面散射；當"=45'時，表示偶極子散射模型，其散射分量有一個 為零；"角繼續增大時，反映的散射機理為各向異性的二面角散射；在《=90° 的極端情況下，表示二面角散射。
全極化SAR影像記錄了地面每個分辨單元在四種基本極化狀態，即HH、 HV、 VH、 VV (HH表示水平發射/水平接收狀態，其它類推)的散射回波的 幅度(功率)和相位，形成一個散射矩陣。概括而言，關于全極化SAR影像 的分類方法可以歸納為兩類。第一類是光學影像分類方法的直接移植，即將 SAR的多極化通道視為光學影像的多光譜，然后把一些針對光學影像發展起 來的分類方法移植過來，處理全極化SAR影像的分類。這些方法包括支持向 量機(SVM)方法，人工神經網絡(ANN)方法，高斯-馬爾科夫隨機場(GMRF) 方法等。這一類方法沒有充分利用SAR的極化特征，在很多情況下無法取得 令人滿意的結果。第二類是通過分析地物的散射機制來實現影像分類，而對 散射機制的分析主要是通過極化目標分解來實現的。極化目標分解就是將地 物回波的復雜散射過程分解為幾種單一的散射過程。極化目標分解的方法主 要有基于目標散射矩陣的分解(如Pauli分解、Krogager分解)、基于散射 模型的分解(如Freeman分解)和基于目標相干矩陣特征值的分解(如Cloude 分解，也即H-A-"分解)。其中Cloude提出的H-A-"分解方法被廣泛使用， 成為目標散射特性描述的標準化工具。第二類全極化SAR影像分類方法主要 有基于H-"平面或者H-A-"空間的圖像分割非監督分類、基于目標相關矩
7陣或者協方差矩陣的復Wishart監督分類、H/A/"非監督分類與Wishart監督 分類結合形成的WishartH/A/"分類等、基于H-A-"參數的貝葉斯分類等。這 些方法是目前國際上主要研究的且被國內研究者紛紛仿效的極化SAR分類方 法，往往能取得比第一類方法更高一點的分類精度，但是也存在不足。主要 表現在1、易受SAR斑點噪聲影響，降低分類精度；2、在監督分類中一般 假定極化振幅數據服從高斯分布，極化協方差矩陣服從復Wishart分布，往往 容易產生誤差。綜上可見，如何實現全極化SAR影像的地物目標高精度分類 仍是目前亟待解決的一個重要課題。
發明內容
本發明的發明目的是為了解決如何實現全極化SAR影像的地物目標高精 度分類的問題。
一方面，本發明實施例提供了一種基于全極化合成孔徑雷達的地物目標 分類方法，所述方法包括接收地物目標的反饋信號，形成所述地物目標的 影像；對所述的地物目標的影像進行分割生成影像塊；從所述的影像塊中提 取極化特征參數；根據所述極化特征參數對所述地物目標進行分類。
另一方面，本發明實施例提供了一種基于全極化合成孔徑雷達的地物目 標分類裝置，所述裝置包括影像接收單元，用于接收地物目標的反饋信號， 形成所述地物目標的影像；分割單元，用于對所述的地物目標的影像進行分 割生成影像塊；參數提取單元，用于從所述的影像塊中提取極化特征參數； 分類單元，用于根據所述極化特征參數對所述地物目標進行分類。
上述本發明實施例的技術方案為實現對全極化SAR影像的地物目標高精 度分類提供了 一種解決方案。
為了更清楚地說明本發明實施例或現有技術中的技術方案，下面將對實施例或現有技術描述中所需要使用的附圖作簡單地介紹，顯而易見地，下面 描述中的附圖僅僅是本發明的一些實施例，對于本領域普通技術人員來講， 在不付出創造性勞動性的前提下，還可以根據這些附圖獲得其他的附圖。
圖1是本發明實施例一種基于全極化合成孔徑雷達的地物目標分類方法 流程圖2是本發明實施例一種基于全極化合成孔徑雷達的地物目標分類裝置 方框示意圖3是本發明實施例另一種基于全極化合成孔徑雷達的地物目標分類方 法流程圖4為現有技術選用的荷蘭弗萊福蘭(Flevoland)地區L波段全極化SAR 總功率影像；
圖5為本發明實施例經過分割處理后的圖斑總功率影像； 圖6為本發明實施例圖斑總功率均值形成的影像；
圖7為本發明實施例分別基于圖斑提取的極化特征參數(H、 A、 " 、 p 、 "K)、 DP)影像；
圖8為現有技術2001年已發表的基于與圖4同樣的SAR影像的三種不 同分類方法的分類結果及其精度；
圖9為本發明實施例提出的方法的分類結果； 圖IO為本發明實施例中所用的分類決策樹；
圖11為現有技術Flevoland地區1989年5月23日獲取的LandSatTM(美
國陸地衛星專題制圖儀)第5波段影像；
圖12為本發明實施例分類結果(b)與圖8中精度最高的基于Wishart分 布的全極化最大似然分類結果(a)及對應的參考數據(c)的直接比較。
具體實施例方式
下面將結合本發明實施例中的附圖，對本發明實施例中的技術方案進行清楚、完整地描述，顯然，所描述的實施例僅僅是本發明一部分實施例，而 不是全部的實施例。基于本發明中的實施例，本領域普通技術人員在沒有做 出創造性勞動前提下所獲得的所有其他實施例，都屬于本發明保護的范圍。 實施例一
影像分割是面向對象分析技術的基礎。影像分割是將整個影像區域分割 成若干互不交疊的非空子區域(本發明中稱為"圖斑")的過程，每個子區 域的內部都是連通的，同一區域內部具有相同或相似的特性，此處特性可以 是灰度、顏色、紋理等。影像分割，從二維化的像元(也稱為像素)數據陣 列中恢復出了影像所反映的景觀場景中目標地物的空間形狀及組合方式。分 割后影像的最小單元不再是單個的像元，而是一個個圖斑。
目標的最大/最小接收功率(合稱最優接收功率)也是表征目標后向散射 特征的重要參數。全極化影像記錄了目標的后向散射矩陣，運用極化合成技 術通過散射矩陣，可以計算出地物目標在任意接收和發射極化狀態下的接收 功率。對于任一目標， 一定存在某個特定的發射/接收極化狀態，使得在此狀 態下，目標的回波具有最大(或最小)的接收功率。這個問題可稱之為目標 的最優接收功率問題。目標的最優接收功率和目標的后向散射特性密切相關， 對于目標的識別和分類具有重要意義。
如圖1所示，是本發明實施例一種基于全極化合成孔徑雷達的地物目標 分類方法流程圖，所述方法包括
步驟IOI，接收地物目標的反饋信號，形成所述地物目標的影像。 步驟102，對所述的地物目標的影像進行分割生成影像塊。 所述分割生成的影像塊可以為圖斑，其可以為具有相似極化后向散射特 性像元構成的圖斑。所述生成所述圖斑具體可以包括從所述地物目標的影
S =
像的極化散射矩陣
Sm s如
構造一個三波段振幅影像(2
L -"2 2|&
lk+"2)，對此影像進行分割以獲取具有相似極化后向散射特性像元構成的圖斑，其中，h為水平極化，V為垂直極化，hh表示水平極化發射/水平極化
接收狀態，hv表示水平極化發射/垂直極化接收狀態，vh表示垂直極化發射/ 水平極化接收狀態，vv表示垂直極化發射/垂直極化接收狀態。 步驟103，從所述的影像塊中提取極化特征參數。
可以以組成所述圖斑的像元的平均值表征所述圖斑的極化信息，提取所 述圖斑的極化相干矩陣和Stokes矩陣；可以以所述圖斑為單元，進行極化特
征參數提取，提取的所述極化特征參數可以包括采用目標相干矩陣特征值
分解技術生成的熵H、各向異性A、平均角參數oc、最小接收功率^n、目標 Stokes矩陣最大特征值4(K)、以及相對去極化比D^，其中"P按如下定義
，其中^(K)為所述圖斑的Stokes矩陣K的最大特征值，所述^ax為最大 接收功率。
步驟104，根據所述極化特征參數對所述地物目標進行分類。 根據所述極化特征參數可以構建決策樹分類規則(如圖IO所示)對所述 地物目標進行分類。上述提取的多種極化特征參數無法用統一的概率密度函 數來描述，因此常用的基于參數化概率分布的監督分類器(如最大似然分類) 無法使用。本發明實施例提出利用決策樹分類規則(可以利用決策樹分類器 實現)，以多種極化特征參數為決策節點變量構建規則，完成對圖斑的高精 度分類。
如圖2所示，是本發明實施例一種基于全極化合成孔徑雷達的地物分類 裝置方框示意圖，所述裝置20包括影像接收單元201，用于接收地物目標 的反饋信號，形成所述地物目標的影像；分割單元202，用于對所述的地物目 標的影像進行分割生成影像塊；參數提取單元203，用于從所述的影像塊中提 取極化特征參數；分類單元204，用于根據所述極化特征參數對所述地物目標進行分類。
可選的，分割單元202，具體用于對所述的地物目標的影像進行分割生成
的影像塊為具有相似極化后向散射特性像元構成的圖斑。所述分割單元，具
5*、," 《,,
構造一個三波段振
s =
體用于從所述地物目標的影像的極化散射矩陣
il&廣S』 2|幻2
幅影像(2l "" ， ， 21 "wl )，對此影像進行分割以獲取具有相似極
化后向散射特性像元構成的圖斑。參數提取單元203，具體可以用于以組成所 述圖斑的像元的平均值表征所述圖斑的極化信息，提取所述圖斑的極化相干 矩陣和Stokes矩陣；還用于以所述圖斑為單元，進行極化特征參數提取，提 取的所述極化特征參數包括采用目標相干矩陣特征值分解技術生成的熵H、 各向異性A、平均角參數oc、最小接收功率^n、目標Stokes矩陣最大特征值
^:("K)-尸匪)
4(K\以及相對去極化比^，其中&按如下定義 A(K) (亦即
上述公式(6))，其中^K)為所述圖斑的Stokes矩陣K的最大特征值，所
述^x為最大接收功率。所述分類單元204，具體用于根據所述極化特征參數 構建決策樹分類規則對所述地物目標進行分類。
本發明實施例在不同極化通道振幅影像分割的基礎上，提取圖斑的多種 極化特征參數，最后根據這些極化特征參數實現對全極化SAR影像的地物目 標高精度分類。
實施例二
本發明實施例的主要內容在于提出了一種全極化SAR影像的新的分類處 理方法。該方法通過影像分割技術有效去除了 SAR影像固有的斑點噪聲的影 響，通過多個特征參數充分利用了全極化SAR影像包含的豐富信息，利用決 策樹這一非參數分類器容納了具有不同概率分布的多個極化特征參數，從而 實現了全極化SAR影像的高精度分類。如圖3所示，是本發明實施例另一種基于全極化合成孔徑雷達的地物目 標分類方法流程圖，所述方法包括
步驟301，接收地物目標的反饋信號，形成所述地物目標的影像。 步驟302，對所述的地物目標的影像進行分割生成影像塊對所述的地物 目標的影像進行分割生成的影像塊為具有相似極化后向散射特性像元構成的 圖斑，利用影像分割技術，對全極化通道的振幅影像進行分割(全極化四個
通道中，HV和VH通道高度相關，因此一般以三個波段表示全極化SAR影
像的后向散射強度信息，本發明實施例中推薦使用的三個波段為^^—"2， 2|&|2， ^^+^2)，以分割后的圖斑作為后面處理的單元。這樣處理能一方
面能有效地消除斑點噪聲的影響，因為將用圖斑內像元的均值作為圖斑值。 另一方面，通過將勻質像元集合在一起，能使目標分解得到的參數能更準確 地反映圖斑區域內占主導地位的后向散射機制。
步驟303，從所述的影像塊中提取極化特征參數以圖斑為處理對象，生 成圖斑的相干矩陣C:
<formula>formula see original document page 13</formula>
(7)
其中*表示共軛，、？表示圖斑內像元的統計平均。根據公式(2) 、 (3)、 (5)可以提取圖斑的相干矩陣特征值分解參數//、 ^、 《。
H、 ^和"參數能較好地描述目標的散射特性。但僅使用這三個參數是不 夠的。例如平坦的地面和水面都常表現為低熵表面散射，在H-A-"參數空間 中是無法區分它們的。因此本發明實施例提出增加另外三個極化特征參數
最小接收功率^m，目標Stokes矩陣最大特征值4(K)和相對去極化比"P。這 三個參數與圖斑的Stokes矩陣密切相關，圖斑的Stokes矩陣定義為<formula>formula see original document page 14</formula>
常數矩陣
<formula>formula see original document page 14</formula>上式中^》表示圖斑內像元的平均散射矩陣。"0"表示矩陣的外積。圖斑
的極化接收功率^^5《"《，《、G'分別表示接收和發射天線的Stokes矢量。 在已知圖斑的Stokes矩陣K情況下，通過矩陣奇異值分解技術可以計算K的
最大特征值4(K)，通過極化合成技術可以求得圖斑的最大接收功率P,和最 小接收功率7^，然后根據式(6)求得相對去極化比參數"^。最小接收功率 表達了目標后向散射回波中完全非極化分量的多少，目標Stokes矩陣最大特 征值代表目標后向散射回波中總的可接收功率，而相對去極化比則揭示了后 向散射回波中完全非極化部分相對于完全極化部分的比值。雷達天線發射的 是完全極化的地磁波，經地物散射后，由于任何地物都存在一定程度的去極 化效應，散射波為部分極化波。根據電磁波理論，部分極化波可以表達為完 全極化波和完全非極化波的疊加?；夭ㄖ械耐耆珮O化部分可以通過調整接收 天線的極化狀態，得到最大或最小的接收功率(最小的接收功率將為零)。 而完全非極化波被天線接收后，無論接收天線的極化狀態如何，接收功率都 不會變化。平坦的地面和水面盡管都常表現為低熵表面散射，但是水體的相 對去極化比一定會更小。因此，綜合這6個參數，可以非常全面地描述地物 的后向散射特性。
步驟304，根據所述極化特征參數利用決策樹分類方法對所述地物目標進
行分類利用決策樹分類方法基于上述多個極化特征參數(H、 A、 《、 p 、
A(K)、 "P)進行極化SAR影像監督分類。決策樹方法具有直觀簡單、精度 高和速度快的優點，而且無需考慮輸入數據的概率分布，非常適合于上述多 個極化特征參數的情況。首先根據參考數據選擇一些已知地物類別的圖像塊
14作為訓練樣本，對訓練樣本的(H、 A、 《、 p 、 ^K)、 參數進行學習，
形成規則，然后對所有的圖斑進行分類。
為了更好地說明本發明技術方案的有效性和優越性，現對應用上述技術 方案后本發明實施例與現有技術進行如下對比分析如圖4所示，為現有技
術選用的荷蘭Flevoland地區L波段全極化SAR總功率影像，該影像獲取時 間為1989年8月。如圖5所示，為本發明實施例經過分割處理后的圖斑總功 率影像，經過此處理后，將以分割所得的圖斑作為后續處理的基本單元。如 圖6所示，為本發明實施例圖斑總功率均值形成的影像。如圖7所示，為本
發明實施例分別基于圖斑提取的極化特征參數(H、 A、 《、 4、 4(K)、 "P) 影像。如圖8所示，為現有技術2001年已發表的基于與圖4同樣的SAR影 像的三種不同分類方法的分類結果及其精度，從中可以看到基于Wishart分布 的全極化最大似然方法的分類精度最高，為81.63%，而僅考慮HH和VV通 道的振幅影像的分類精度最低，僅有56.35%。如圖9所示，為本發明實施例 提出的方法的分類結果(不同類別的顏色代碼與圖8 —致)，即通過對訓練
樣本的學習，以H、 A、 《、 4、 A(K)、 "P等6個參數為變量構建了決策規 則，用決策樹方法對圖斑進行分類的結果。根據圖8中的分類參考圖象選取 了 11個類別的訓練樣本以及用于精度評價的檢査樣本，本圖的分類精度為 93.42%，遠遠高于圖8中三種方法的分類精度。如圖10所示，為本發明實施 例中所用的分類決策樹。如圖11所示，為Flevoland地區1989年5月23日 獲取的LandSatTM(美國陸地衛星專題制圖儀)第5波段影像，該圖像與SAR 圖像的獲取時間接近。從圖右邊緣部分的水體來看，圖9所示水體的分類精 度大大高于圖8中三種方法的水體分類精度。如圖12所示，為本發明實施例 分類結果(b)與圖8中精度最高的基于Wishart分布的全極化最大似然分類 結果(a)及對應的參考數據(c)的直接比較。從目視效果看，本發明實施例 提出的方法完全消除了斑點(Speckle)噪聲的影響。通過圖12中(a) 、 (b)
15與(C)的比較，可以明顯看出本發明的分類正確率大大高于常規方法的結果。
上述實施例采用荷蘭中部Flevoland地區的L波段全極化SAR影像進行 了土地覆蓋分類試驗，并將本發明實施例提出的分類方法的結果與已在國際 權威期刊上發表的多種分類方法的結果進行了比較。其采用與已發表論文中 同樣的地面參考數據對本發明實施例分類結果進行了精度評價，評價顯示本 發明實施例的分類結果精度為93.5%，優于已發表的所有方法。同時，選擇其 中的一個局部區域，對比顯示了本發明實施例分類結果與已發表的已知的具 有最高精度分類結果，直接顯示了本發明實施例分類結果的高精度。
本領域普通技術人員可以理解實現上述實施例方法中的全部或部分步驟 是可以通過程序來指令相關硬件來完成，所述的程序可以存儲于一計算機可 讀取存儲介質中，該程序在執行時，包括上述全部或部分步驟，所述的存儲 介質，如ROM/RAM、磁盤、光盤等。
以上所述的具體實施方式
，對本發明的目的、技術方案和有益效果進行 了進一步詳細說明，所應理解的是，以上所述僅為本發明的具體實施方式
而 已，并不用于限定本發明的保護范圍，凡在本發明的精神和原則之內，所做 的任何修改、等同替換、改進等，均應包含在本發明的保護范圍之內。
權利要求
1、一種基于全極化合成孔徑雷達的地物目標分類方法，其特征在于，所述方法包括接收地物目標的反饋信號，形成所述地物目標的影像；對所述的地物目標的影像進行分割生成影像塊；從所述的影像塊中提取極化特征參數；根據所述極化特征參數對所述地物目標進行分類。
2、 如權利要求l所述方法，其特征在于，所述對所述的地物目標的影像 進行分割生成的影像塊為圖斑，其為具有相似極化后向散射特性像元構成的圖斑。
3、 如權利要求2所述方法，其特征在于，所述生成所述圖斑具體包括s從所述地物目標的影像的極化散射矩陣S/7V ^，」構造一個三波段振幅影像(2l " " ， Zl。" ， 21 W ")，對此影像進行分割以獲取具有相似極化 后向散射特性像元構成的圖斑，其中，h為水平極化，V為垂直極化，hh表示水平極化發射/水平極化接收狀態，hv表示水平極化發射/垂直極化接收狀態， vh表示垂直極化發射/水平極化接收狀態，vv表示垂直極化發射/垂直極化接收狀態。
4、如權利要求3所述方法，其特征在于，所述從所述的影像塊中提取極化特征參數具體包括以組成所述圖斑的像元的平均值表征所述圖斑的極化信息，提取所述圖斑的極化相干矩陣和斯托克司Stokes矩陣；以所述圖斑為單元，進行極化特征參數提取，提取的所述極化特征參數包括采用目標相干矩陣特征值分解技術生成的熵H、各向異性A、平均角參數a、最小接收功率4、目標Stokes矩陣最大特征值^ (K)、以及相對去極化比化，其中^按如下定義 A(K)，其中^K)為所述圖斑的Stokes矩陣K的最大特征值，所述4"為最大接收功率。
5、 如權利要求4所述方法，其特征在于，所述根據所述極化特征參數對 所述地物目標進行分類具體為根據所述極化特征參數構建決策樹分類規則對所述地物目標進行分類。
6、 一種基于全極化合成孔徑雷達的地物目標分類裝置，其特征在于，所 述裝置包括影像接收單元，用于接收地物目標的反饋信號，形成所述地物目標的影像；分割單元，用于對所述的地物目標的影像進行分割生成影像塊； 參數提取單元，用于從所述的影像塊中提取極化特征參數； 分類單元，用于根據所述極化特征參數對所述地物目標進行分類。
7、 如權利要求6所述裝置，其特征在于，所述分割單元，具體用于對所 述的地物目標的影像進行分割生成的影像塊為具有相似極化后向散射特性像 元構成的圖斑。
8、 如權利要求7所述裝置，其特征在于，所述分割單元，具體用于從所構造一個三波段振幅影像s =述地物目標的影像的極化散射矩陣(*l^_l|2， 2|&v|2， ^^+U2)，對此影像進行分割以獲取具有相似極化后向散射特性像元構成的圖斑，其中，h為水平極化，v為垂直極化，hh表示水平 極化發射/水平極化接收狀態，hv表示水平極化發射/垂直極化接收狀態，vh 表示垂直極化發射/水平極化接收狀態，vv表示垂直極化發射/垂直極化接收狀 態。
9、如權利要求8所述裝置，其特征在于，所述參數提取單元，具體用于 以組成所述圖斑的像元的平均值表征所述圖斑的極化信息，提取所述圖斑的極化相干矩陣和Stokes矩陣；還用于以所述圖斑為單元，進行極化特征參數 提取，提取的所述極化特征參數包括采用目標相干矩陣特征值分解技術生成的熵H、各向異性A、平均角參數oc、最小接收功率7^、目標Stokes矩陣 最大特征值4(K)、以及相對去極化比^，其中^按如下定義A(K)，其中"K)為所述圖斑的Stokes矩陣K的最大特征值，所述^x為最大接收功率。
10、如權利要求9所述裝置，其特征在于，所述分類單元，具體用于根 據所述極化特征參數構建決策樹分類規則對所述地物目標進行分類。
全文摘要
本發明提供一種基于全極化合成孔徑雷達的地物目標分類方法和裝置，所述方法包括接收地物目標的反饋信號，形成所述地物目標的影像；對所述的地物目標的影像進行分割生成影像塊；從所述的影像塊中提取極化特征參數；根據所述極化特征參數對所述地物目標進行分類。所述裝置包括影像接收單元，用于接收地物目標的反饋信號，形成所述地物目標的影像；分割單元，用于對所述的地物目標的影像進行分割生成影像塊；參數提取單元，用于從所述的影像塊中提取極化特征參數；分類單元，用于根據所述極化特征參數對所述地物目標進行分類。上述本發明實施例的技術方案為實現對全極化SAR影像的地物目標高精度分類提供了一種解決方案。
文檔編號G01S13/90GK101498789SQ20091007831
公開日2009年8月5日 申請日期2009年2月25日 優先權日2009年2月25日
發明者寧曉剛, 張永紅, 張繼賢, 王梁文敬 申請人:中國測繪科學研究院
專業數控銑床產品供應商
20年生產經驗，實力工廠，精工品質，質量有保障
