基于極化分解的極化SAR數據地質信息提取方法研究

張微，林健，陳玲，楊金中

(中國國土資源航空物探遙感中心，北京 100083)

1 引 言

合成孔徑雷達(Synthetic Aperture Radar，SAR)能夠主動發射電磁波，具有不依賴太陽光照且不受云、雨等影響的全天時、全天候對地觀測能力[1]，同時由于SAR的后向散射對地物的介電特性(土壤和植被的含水量)及幾何特性(地表粗糙度)非常敏感，對植被、干燥地物有一定的穿透性[2-3]，可提供與光學、熱紅外等遙感手段所不同的特有數據。此外，通過調節最佳觀測視角，其成像的立體效應可以有效地探測目標地物的空間形態，增強地形地貌信息；這些獨特的優勢使得成像雷達在地質學中得到了廣泛地應用，能夠在地質填圖、構造信息提取等方面發揮重大作用[4-6]。以地質礦產研究為例，成像雷達能提供豐富的地質構造、巖性、隱伏地質體等地質礦產信息，尤其在火山探測、斷裂解譯，以及構造帶控制下的金屬礦床探測等方面具有獨特的優勢。謝立云[7]在俄羅斯楚克奇火山一帶開展了基于側視雷達的地質填圖工作，建立了與圖羅姆奇恩斯穹窿和派生穹窿有關的同心圓狀和放射狀斷裂構造系統，圈定了11個火山構造引起的巨型環形構造，為礦產資源勘查提供了翔實的資料。趙福岳等[8]開展了SAR圖像填圖方法研究，總結出回波強度與地形單元和巖石之間變化規律，提出了灰度-結構單元為基本單位的地質填圖方法技術。譚衢霖和邵蕓[9]總結了SAR 應用技術的發展過程，以及成像雷達遙感在地學中的應用。此外，中科院遙感所、對地觀測中心、電子科技大學等單位也在雷達圖像處理、地學應用和地表參數反演等方面做了大量工作。

全極化SAR數據是20世紀90年代初出現并迅速發展起來的一種新型成像雷達[10]。它同時發射和接收H、V兩種線性極化雷達脈沖，以Stokes矩陣或散射矩陣為基本記錄單元，記錄了地物HH、HV、VH、VV4種極化狀態的散射振幅和相位，并可利用極化合成技術計算任意一種極化狀態的后向散射回波，因此能提取更多的地物極化信息和目標信息，從而更準確地描述地面散射特征，提高對地物的識別能力[11]。

本文采用目前在軌具有全極化成像能力的Radarsat-2雷達衛星數據[12]，通過目標分解方法進行極化數據信息提取，分析地物的散射特性，有效地提取巖性與構造信息，探索極化數據對圖像分類與反演地表參數的潛力，為利用全極化SAR數據開展礦產資源勘查與資源評價提供基礎數據和參考依據。

2 理論與方法

2.1 特征值分解理論

對于全極化雷達，目標對電磁波的變極化效應可以用一個復二維矩陣的形式來表示[13]，即2×2的極化散射矩陣[S]：

(1)

極化矩陣[S]相干分解的目的就是將散射矩陣[S]表示成與某種確定的散射機理相對應的基本目標的基矩陣之和。Pauli極化相干分解采用Pauli基作為基本散射矩陣，這樣極化散射矩陣[S]可以表示成[14]：

(2)

其中，a，b，c，d均為復數且可以表示為：

(3)

當介質滿足互易條件(SHV=SVH)時，d=0，這樣散射矩陣[S]就可以寫成矢量形式：

(4)

Pauli 分解后總的功率保持不變，且a，b，c，d分別表示了散射矩陣在四個基上的權重且為復數，而|a|2，|b|2，|c|2，|d|2則表征了四個分量的功率[15]。Pauli基分解的第一項的物理意義為單次散射或奇次散射，第二項表示與雷達—目標之間視線成0°的二面角散射，第三項與多次散射有關。

T=kk*T

(5)

極化SAR數據通常利用對n個相鄰像素求平均的多視處理方法來降低圖像斑噪及數據量。多視處理的相干矩陣可以表示為：

(6)

其中，[T]為3×3的Hermitian矩陣。根據特征分解理論，[T]矩陣可以分解為：

(7)

λi和ei分別為相對應的特征值和特征向量且λ1≥λ2≥λ3≥0。特征向量可以寫成：

(8)

其中，α角對應著從面散射(α=0°)到偶極子散射(α=45°)再到導電界面的二次散射 (α=90°)；β角兩倍于極化方位角；δ角是SHH+SVV項與SHH-SVV項間的相位差，γ角是SHH+SVV項與SHV項間的相位差；φ角是SHH+SVV項的相位。

Cloude定義散射熵H為：

(9)

(10)

反熵(各向異性)A為：

(11)

且A是熵H的有效補充參數。

2.2 分類方法

3 研究區及數據

3.1 實驗區概況

研究區位于新疆塔什庫爾干南部的塔薩拉地區(圖1)，出露地層以元古代布倫闊勒巖群片巖、石英片巖、片麻巖類，夾少量大理巖、火山巖等。區內巖漿活動強烈，北部、東部和西部分別與石英閃長巖、花崗閃長巖等侵入巖接觸，規模較大。斷裂較發育，以北西向次級斷層為主，北東、近南北向斷裂也比較發育，切割巖體與地層。上述地質條件為極化SAR數據的地質信息提取提供了地質基礎。

圖1 新疆塔薩拉地區ASTER異常圖(黃框為研究區)

3.2 實驗數據

本文利用加拿大2007年發射的Radarsat-2全極化數據在新疆塔薩拉地區開展地表散射特性分析及地質研究，數據的主要參數如表1所示。

研究使用的數據為Radarsat-2精細極化模式數據，工作波段為C波段，極化方式有HH、HV、VH和VV，成像波束為FQ11，入射角為30.287°～32.002°，數據類型為單視復(Single Look Complex，SLC)數據，像元大小為4.733m×5.590m，成像時間為2010年3月25日。

表1 Radarsat-2數據主要參數

4 散射特性分析及分類

4.1 散射特性分析

首先，對HH、HV和VV極化方式進假彩色合成圖像(圖2)，通過解譯獲取不同極化方式的后向散射信息。與原圖像相比，合成后的圖像提取了更多的地物極化信息，更準確地描述地面散射特征，同時提高了圖像對比度和對地物的識別能力(圖3)。

圖2 多極化假彩色合成處理

此外，為了更好地利用Radarsat-2數據的極化信息，需對極化SAR數據進行極化分解，以便最大限度地提取目標極化信息。本次研究采用Pauli極化分解，得到分解后的單次散射、二面角散射和多次散射三個分量的功率圖。從圖3可以看出，處理后的圖像的信息量和可解譯程度較圖2更為明顯，能更好地反映了研究區的區域地質特征，尤其對區內構造帶、破碎帶、接觸帶、以及大型蝕變巖及熱液脈等均有較好的反映，處理結果在野外也得到了有效驗證。

圖3 Pauli基分解后的三個分量功率圖

圖4 Cloude分解后的H，A，及Alpha參數效果圖

圖5 分類結果與實地驗證

5 結論及討論

本次研究主要利用Radarsat-2全極化SAR數據，對新疆塔薩拉地區的巖性、構造和礦化蝕變異常信息進行提取。采用H-A-Alpha極化分解的方法最大限度地提取目標地物極化信息，與傳統的單極化及多極化假彩色合成相比，增加了圖像的信息量和可解譯程度；同時利用基于Cloude分解的H-A-Alpha-Wishart極化分類方法對全極化SAR圖像非監督分類進行了研究，獲取了區域地質背景和區域構造規律，提取的異常信息在野外得到了有效驗證，證明全極化SAR數據在地質填圖與礦產勘查中的應用前景，可作為常規方法的有效補充。與此同時，由于研究區處于山區，雷達圖像上的陰影及疊掩現象比較嚴重，也一定程度加大了SAR數據的解譯難度，解譯時也要充分考慮地形因素的影響。

參考文獻：

[1] HENDERSON F M，LEWIS A J.Radar detection of wetland ecosystems：A review[J].International Journal of Remote Sensing，2008，29(20)：5809-5835.

[2] WANG Y，HESS L L，FILOSO S，et al.Understanding the radar backscattering from flooded and nonflooded Amazonian forests：Results from canopy backscatter modeling[J].Remote Sensing of Environment，1995，54(3)：324-332.

[3] KASISCHKE E S，BOURGEAU-CHAVEZ L L.Monitoring South Florida wetlands using ERS-1 SAR imagery[J].Photogrammetric Engineering & Remote Sensing，1997，63(3)：281-291.

[4] SHEN G Z，GUO H D，LIAO J J.Change vector analysis method for inundation change detection using multi-temporal multi-polarized SAR images[C].Wuhang：SPIE，2007.

[5] SHEN G Z，GUO H D，LIAO J J.Object oriented method for detection of inundation extent using multi-polarized synthetic aperture radar image[J].Journal of Applied Remote Sensing，2008，2(1)：23512-23519.

[6] DU L，LEE J S，MANGO S A.Fuzzy classification of Earth terrain covers using multi-look polarimetric SAR image data[J].International Geoscience and Remote Sensing Symposium，1993(4)：1602-1604.

[7] 謝立云.側視雷達在地質勘查與找礦中的應用[J].國外地質勘探技術，1980(10)：12-16.

[8] 趙福岳，張瑞江，楊清華.合成孔徑雷達圖像填圖方法與應用探討[J].國土資源遙感，2007，74(4)：100-105.

[9] 譚衢霖，邵蕓.成像雷達(SAR) 遙感地質應用綜述[J].地質找礦論叢，2003，18(1)：59-66.

[10] DU L，LEE J S.Fuzzy classification of earth terrain covers using complex polarimetric SAR data[J].International Journal of Remote Sensing，1996，17(4)：809-826.

[11] CLOUDE S R，POTTIER E.An entropy based classification scheme for land applications of polarimetric SAR[J].IEEE Transactions on Geoscience and Remote Sensing，1997，35(1)：68-78.

[12] TOUZI R.Wetland characterization using polarimetric Radarsat-2 capability[C].IEEE International Conference on Geoscience and Remote Sensing Symposium，Denver，USA，2006：1639-1642.

[13] CHEN C T，CHEN K S，LEE J S.The use of fully polarimetric information for the fuzzy neural classification of SAR images[J].IEEE Transactions on Geoscience and Remote Sensing，2003，41(9)：2089-2100.

[14] YAHIA M，BELHADJ Z.Unsupervised classification of polarimetric SAR images using neural networks[C]IEEE International Geosctence and Remote Sensing Symposium.2003(1)：203-205.

[15] CHEN J S，SHAO Y，LIN H.Classification of polarimetric SAR imagerary based on target decomposition and neural network classifier[Z].Chiang Mai，Thailand，2004.

[16] ALBERGA V.A study of land cover classification using polarimetric SAR parameters[J].International Journal of Remote Sensing，2007，28(17)：3851-3870.

[17] CLOUDE S R，POTTIER E.A review of target decomposition theorems in radar polarimetry[J].IEEE Transactions on Geoscience and Remote Sensing，1996，34(2)：498-518.

[18] LEE J S，GRUNES M R，KWOK R.Classification of multi-look polarimetric SAR imagery based on complex Wishart distribution[J].International Journal of Remote Sensing，1994，15(11)：2299-2311.

[19] FERRO-FAMIL L，POTTIER E，LEE J.Unsupervised classification of multifrequency and fully polarimetric SAR images based on the H/A/Alpha-Wishart classifier[J].IEEE Transactions on Geoscience and Remote Sensing，2001，39(11)：2332-2342.

[20] LEE J S.Refined filtering of image noise using local statistics[J].Computer Vision，Graphics，and Image Processing，1981(15)：380-389.

[21] LEE J，GRUNES M R，AINSWORTH T L，et al.Unsupervised classification using polarimetric decomposition and the complex Wishart classifier[J].IEEE Transactions on Geoscience and Remote Sensing，1999，37(5)：2249-2258.