極化SAR圖像目標分解方法的研究進展

張臘梅 段寶龍 鄒 斌

?

極化SAR圖像目標分解方法的研究進展

張臘梅*段寶龍 鄒 斌

(哈爾濱工業大學 哈爾濱 150001)

極化合成孔徑雷達(極化SAR)經過近幾年的迅速發展，已經成為遙感領域的一大研究熱點。極化目標分解作為極化SAR圖像分析的一種基本手段，所提取的極化信息是極化SAR圖像目標檢測和分類的基礎，在極化SAR圖像解譯中起著關鍵作用。通過對近幾年極化目標分解方法的發展作一個全面的闡述，重點介紹該領域出現的新技術，使相關研究人員能夠更清晰地了解這一領域的最新進展。

極化合成孔徑雷達；特征提取；極化目標分解

1 引言

作為主動式微波遙感成像傳感器的一種，合成孔徑雷達(SAR)不僅具有全天時全天候工作的能力，而且具有一定的穿透力，可以反映出地物的結構信息，已經得到了廣泛的應用。極化合成孔徑雷達(極化SAR)是建立在傳統SAR系統上的新體制SAR系統，它通過不同極化方式的組合對物體進行全極化測量，記錄物體的物質組成、幾何特征、方位指向等信息，實現對物體更為全面的描述，能夠針對不同的應用場景提供所需的具體信息，已經成為SAR遙感領域的研究熱門[1,2]。

經過近些年的發展，大量機載和星載極化SAR系統被應用于遙感領域，進而越來越多的極化SAR圖像數據被獲得，但是目前極化SAR圖像解譯技術還遠滯后于信息源的發展[3,4]，并且由于SAR圖像特有的成像機理和復雜的成像環境也大大增加了圖像解譯的難度。如何對獲得的極化SAR圖像數據進行高效利用、快速而有效地提取出有用的信息，已成為一個亟待解決的難題。

極化目標分解是極化SAR圖像極化特征提取的主要實現方法[5]，基于切合實際的物理約束來解譯目標的散射機制，將獲得的極化數據分解為若干具有實際物理意義的參數，從而方便分析目標復雜的散射過程。還可以將分解得到的參數應用于后續極化SAR圖像目標檢測和分類，因此，對極化SAR圖像進行目標分解的研究并將其應用到圖像解譯中具有相當重要的意義。本文對近幾年極化SAR圖像目標分解方法進行分析和闡釋，方便有關人員更全面地了解這一技術的最新發展。極化目標分解理論首先由Huynen提出，自這一獨創性工作開展以來，多種分解方法相繼被提出，目前，我們將極化目標分解理論分為用于描述純目標的相干目標分解和用于描述分布式目標的非相干目標分解兩大類。

2 相干目標分解

相干目標分解是一種主要用于描述純目標的分解方法，通過對純目標的極化散射矩陣進行加法或乘積分解，提取出一系列能夠較好描述目標的極化特征。目前，相干目標分解主要包括Pauli分解、Krogager分解、Cameron分解、對Cameron分解的改進、無損的相干目標分解以及基于群論的獨立完整目標分解等方法。

Pauli分解是一種加性分解，在單站后向散射情況下，它將極化散射矩陣分解為各向同性奇次散射、各向同性偶次散射和45°旋轉的各向同性偶次散射，它們分別對應平面散射、與雷達飛行方向平行的二面角和與雷達飛行方向呈45°的二面角。分解得到的3種成分之間相互正交，但是與之對應的目標特性并不相互獨立，只能區分奇次散射和偶次散射，這在很大程度上限制了它的實際應用，故而Pauli分解結果通常用作數據有效性檢驗而不能用作后續處理的極化特征。

Krogager分解[6,7]在圓極化基的基礎上將極化散射矩陣分解為3個具有明確物理意義的相干分量之和，分別對應于球散射、二面角散射和螺旋散射(不同情況對應不同螺旋方向)。分解總共得到6個參數，包括3個角度：散射矩陣的絕對相位，球散射分量對于二面角散射分量的相移，取向角和3個分量的散射強度：球散射、二面角散射和螺旋體散射分量的散射強度,和。由于二面角散射和螺旋散射的基互相之間不正交，目標矢量之間的正交性不再成立，故各分解參數不再是基不變的。Krogager分解充分利用了極化SAR數據的內在相干性，對高分辨率的極化SAR數據應用效果較好。

Cameron分解[8,9]建立在目標的對稱性和互易性基礎上，首先將極化散射矩陣分解成互易分量和非互易分量，然后將互易分量進一步分解為最大對稱成分和最小對稱成分，再通過計算最大對稱成分與典型目標的相似度來匹配典型目標。其中最大對稱成分具體可分為三面體、二面體、偶極子、圓柱體、窄二面體、1/4波振子以及左螺旋體和右螺旋體這8種成分。由于Cameron分解方法是建立在目標互易性和對稱性的基礎上，并且在分解之前并不進行目標的對稱性檢驗，故在不滿足對稱性的雷達目標區域會產生錯誤。

針對Cameron分解中的對稱目標部分，Touzi[10]提出了一種對稱散射特征化方法(SSCM)。該方法將Cameron分解中的最大對稱部分用表征部分相干目標散射類型的，表征散射矢量方向的，角及三面角和二面角通道的相位差來描述，并通過將歸一化最大對稱部分表示為龐加萊球角,的函數，可以更完整地描述單位圓盤和典型目標的關系且減少冗余，能更加準確地將最大對稱部分中的極化散射信息提取出來。在此基礎上，Touzi[11]提出了目標散射向量模型(TSVM)，用目標散射角和4個與方位向無關的目標參數()來描述散射特性，這4個的參數含義分別如下：螺旋度、最大振幅和描述對稱散射類型的兩個極坐標。隨后，Touzi[12]將TSVM應用到Cloude特征分解，提出了相干目標分解TSVM-CTD模型，在單視和多視SAR數據區域都適用。

針對傳統相干目標分解沒有完全獲取極化散射矩陣4個復數所包含的信息，Paladini等人[13,14]對當前的相干目標分解方法進行了總結，提出了一種無損目標分解方法(LSTD)。該方法充分考慮了目標對稱的充分性、互易的充分性、基選擇的正交性和參數提取的完整性，通過引入法拉第旋轉角[15]，并利用6個四階特殊酉矩陣將極化散射矩陣分解為8個具有物理意義的參數，這8個參數分別為：散射能量，極化指向角，奇次-偶次散射度，非互易度，螺旋度，同極化-交叉極化相位差，法拉第旋轉角和絕對相位。無損分解方法在很大程度上減小了由于極化所帶來的傳播畸變，對于下一代星載全極化SAR有很廣泛的應用前景。但是LSTD存在參數不滿足獨立性的問題，這是由于只有在對稱(=0)和互易(=0)的情況下，角才能夠被準確估計。

在此基礎上，Zou等人[16]針對相干目標分解信息提取的完整性和提取參數的獨立性問題，提出了基于群論的獨立完整目標分解方法(ISTD)。該分解方法利用群論知識將四階酉矩陣SU(4)表示轉換到六階實正交矩陣SO(6)表示，并通過分析與奇次-偶次散射度量，螺旋度量，非互易度量等參數有關的典型目標在六階實正交矩陣中的表征，可以完整地從極化散射矩陣中獲取8個互相獨立且具有明確物理意義的參數。8個參數的物理意義與LSTD分解相同，且ISTD同時滿足目標分解的獨立性與完整性，可以更簡單直觀地將當前散射體歸為典型目標，提供更多的地物細節，并且在森林區域，ISTD提取的角不會被過估計，這個特點使得它能夠用來區分人造目標與森林區域。

研究人員利用UAVSAR, EMISAR和ESAR等典型極化數據對LSTD分解和幾種傳統相干目標分解方法進行對比驗證。實驗結果表明，Krogager分解模型和計算過程較為簡單，能夠提取到3個極化特征，但是3個特征的組合很難對地物進行細致的表征。與之相比，ISTD分解可以提供精細的地物細節，能夠更多地區分地物種類，但是由于模型的復雜度較高，計算比Krogager分解復雜。Cameron分解結果經過一個判決過程可以將每個散射體分為三面角、二面角、偶極子、圓柱體、窄極子、1/4波振子、左螺旋和右螺旋中的一個，由于引入了判決過程，模型相對復雜，與之相比，ISTD分解在對結果進行散射體歸類時相對簡單，能夠直接地將當前散射體歸納為某種具體散射類型。TSVM分解和ISTD分解都能提取到角，但是ISTD提取的角不會過估計，使這得其能夠很好地應用于區分人造目標和森林區域。

由于相干目標分解是基于散射矩陣的分解方法，只能用于描述純目標，故近年來的發展并不多。表1總結了目前主要的相干目標分解方法。

3 非相干目標分解

Huynen[17]首次提出了“目標信息分解”和分布式目標的概念。Huynen分解將輸入的雷達數據分解成一個平均單一散射目標分量和一個殘留分量，由于引入了分布式目標，該方法能夠從雜波環境中提取出所需目標，適用于時變目標的提取。后來發展的許多分解方法大都以此為基礎。對分布式目標的目標分解叫做非相干目標分解，主要分為基于Mueller矩陣的非相干目標分解、基于協方差矩陣或相干矩陣的特征值非相干目標分解和基于協方差矩陣或相干矩陣的非相干目標分解，也稱作基于散射模型的非相干目標分解。

3.1 基于Mueller矩陣的非相干目標分解

Van Zyl[18]將目標的Mueller矩陣分解為奇次散射、偶次散射和漫散射的線性組合，隨后Dong等人[19]在此基礎上加入了交叉散射，將任意目標的散射特性分解為奇次散射、偶次散射、布拉格散射以及交叉散射4種散射機制的加權和，并用最小二乘法求取4種成分的最佳組合。國內的王之禹等人[20]將Mueller矩陣分解為奇次散射、偶次散射、體散射以及布拉格散射4種散射機制。上述分解方法得到的各分量都具有明確的物理意義，且各分量之間統計獨立，可以和真實地物對應。

雖然這種方法在理論上有特殊意義，但是近年來發展并不多，沒有得到廣泛應用。表2給出了幾種典型的基于Mueller矩陣的目標分解方法。

表1 主要相干目標分解方法

表2基于Mueller矩陣的目標分解方法

3.2 基于特征值分解的非相干目標分解

Cloude等人[12]首先開展研究了基于特征值分解的極化目標分解，他們提出的算法通過將目標相干矩陣進行特征值分解并求取最大特征值來確定地物中的主導散射機制。對最大特征值對應的特征向量進行目標分解，可以將目標主導散射機制歸為奇次散射、偶次散射和體散射之一。在此基礎上，Cloude和Pottier[21]用3個特征向量構建出3種純目標并將目標相干矩陣分解為3種純目標的加權和，特征值描述某種散射在所有散射中所占得權重，特征向量描述不同的散射過程。由特征值和特征向量獲取到3個參數：極化信息熵，極化散射角和各向異性度。的大小代表了散射隨機性的大小，當= 1時，極化信息為零，目標散射完全是一個隨機噪聲；的大小反映了分解中相對較弱的2個散射分量之間的關系，在實際應用中，當>0.7時，才會用于散射機制的識別；角主要用來識別目標散射機制，表示目標為表面散射，表示目標為偶極子散射，表示目標為二面角散射。這3個參數都與明確的物理特性關聯，根據參數和, Cloude和Pottier提出了一種基于2維/平面的非監督分類方法，其中/平面可以表征所有隨機散射機制，在極化SAR圖像分類領域應用非常廣泛。Cloude-Pottier分解物理意義明確，簡單易用，能夠區分自然目標，受到相關領域的廣泛關注，是一種經典的極化目標分解方法之一。2010年，清華大學的An等人[22]提出了一種快速計算和的方法，該方法通過計算它們的替代量來計算參數和，可以使Cloude-Pottier分解的計算效率得到很大程度上的提高。

Holm等人[23]也提出了一種基于特征值分解的目標分解方法，該方法將觀測目標看作一個點目標和兩個噪聲的疊加。Holm分解[23]將相干矩陣分解成3個部分，其中第1部分看作一個對應穩態目標的部分，散射能量較大，認為它是該目標的主導散射成分；第2部分和第3部分可以看作是噪聲和殘留項。通常，只有第1部分的秩為1，所以只有第1部分可以看作一個固定目標的散射。Van Zyl分解[24]是基于特征值分解和對稱假設的分解方法，該方法用協方差矩陣描述方位向對稱的自然媒質，適用于土地和森林等自然目標區域。在Van Zyl分解中，同極化和交叉極化的相干性被假定為0，分解得到的前兩個特征向量對應的散射過程看作是奇次散射和偶次散射，該分解方法是后續基于散射模型的目標分解方法的基礎。Ainsworth等人[25]提出的基于特征向量的分解方法在圓極化基下，通過定義一組復旋轉變換，同時保留特征向量的正交性，將特征向量分解為4個有清晰物理意義的參數和2個去極化參數，分解得到的這6個參數互相獨立。

由特征分解得到的參數在極化SAR領域得到了非常廣泛的應用，但是由于這類方法并沒有直接建立特征向量與不同散射機制之間的關系，無法獲得散射機制的功率等參數。目前基于特征值分解的方法的發展似乎已經進入停滯，大多應用熵和散射角來分析地物特征，并沒有新的實用分解方法或參數被提出來。表3給出了幾種主要的基于特征值分解的目標分解方法。

表3基于特征值的分解方法

分解方法分解參數適用性分析 Cloude-Pottier分解信息熵，散射角和各項異性度方法簡明易用，能夠區分自然目標，在極化SAR圖像分類方面得到廣泛應用 An分解通過替代量快速計算信息熵和散射角提高了Cloude-Pottier分解的計算效率 Holm分解得到1個點目標和2個噪聲適用于靜止目標的分析 Van Zyl分解前2個特征矢量對應的奇次散射和偶次散射適用于土壤、森林等反射對稱的自然區域 Anisworth分解4個有直接物理意義的參數和2個去極化參數能夠得到相位偏移和去極化參數

3.3 基于散射模型的非相干目標分解

Freeman和Durden[26]最先提出這類基于協方差矩陣或相干矩陣的分解方法，其核心思想是將協方差矩陣或相干矩陣分解成幾種基本散射模型的疊加。Freeman-Durden分解[26]把極化SAR的協方差矩陣分解為3個成分的疊加，分別是粗糙表面的Bragg散射、由二面角反射器得到的偶次散射和由一系列隨機取向偶極子得到的體散射。Freeman-Durden分解方法并不是完全通過數學手段來進行的，而是充分利用雷達散射的物理特性，分解結果的3種成分有著明確的物理意義。這種方法可以很好地描述自然區域，在滿足反射對稱即的區域得到了較好的應用。Freeman-Durden分解是基于散射模型的非相干目標分解的基礎，但是該方法存在兩個假設，一是假設了散射中偶極子的旋轉是均勻的，這并不符合所有的散射情況；二是假設了反射對稱條件的成立。這兩個假設極大地限制了該方法的通用性。

針對人造目標不滿足對稱性的特點，Moriyama等人[27]建立了OEC模型，該模型將后向散射分為奇次散射、偶次散射和交叉散射3種成分，其中奇次散射和偶次散射與Freeman-Durden分解相同，交叉散射包含其余的散射成分并且與交叉極化響應有關。OEC模型不僅適用于自然區域，還在城鎮區域得到了較好的應用。隨后，Yamaguchi等人[28]在Freeman三成分分解的基礎上，針對人造目標的特點，引入螺旋散射成分，建立了四成分分解模型，該模型能夠應用到具有城鎮或者復雜地形的區域，相比三成分分解，其適用范圍更加廣泛。后來他們又提出基于相干矩陣的四成分分解方法，結果與基于協方差矩陣的分解相同，優點在于可以用散射矩陣元素明確地表達4種成分，定量地進行極化SAR圖像解譯。在四成分分解基礎上，Zhang等人[29]針對建筑物邊緣區域引入了線散射，提出了多成分分解模型(MCSM)，該模型將協方差矩陣分解為奇次散射、偶次散射、體散射、螺旋散射和線散射這5種基本散射機制的加權和，構建了更加普適的散射模型，在人造目標檢測方面獲得了較好的效果。多成分分解相比于其他分解能夠更加細致地描述地物特征，對城鎮的識別度更高，但是同時計算過程也變得相對復雜。隨后Yamaguchi在論文中給出了基于散射模型目標分解的實現流程，極大地簡化了計算過程。

研究人員利用EMISAR和ESAR等典型極化數據對典型的基于散射模型的分解方法進行了實驗驗證和對比分析，實驗結果表明，Freeman分解和OEC分解模型都是提取到3個極化特征，模型復雜度較低且二者計算效率幾乎相當，但是Freeman分解將大部分城鎮區域識別錯誤，而OEC分解則能夠相對較好地表征城鎮區域。四成分分解結果能夠得到4個極化特征，相比于Freeman分解更好地識別出城鎮區域，但是該模型復雜度和計算效率相比于Freeman分解稍差。

表4給出了幾種主要的基于散射模型的分解方法。這類方法能夠獲得不同散射機制的功率等參數，物理意義更加明確，具有更高的實用價值。但是這類方法同樣存在一些問題，目前仍在解決中。

表4 基于散射模型的非相干目標分解

分解方法分解參數適用性分析 Freeman分解(三成分分解)奇次散射、偶次散射和體散射適用于滿足反射對稱的自然目標，但不能區分自然區域和人造目標 OEC分解奇次散射、偶次散射和交叉散射不僅適用于自然區域，還適用于建筑物的特征提取 Yamaguchi分解(四成分分解)奇次散射、偶次散射、體散射和螺旋散射適用于非對稱目標區域，能夠對城鎮等人造目標有較好的表征 多成分分解奇次散射、偶次散射、體散射、螺旋散射和線散射考慮了更多的散射機制，是一個更全面的模型，能更好地表征自然區域和人造目標

3.4 基于散射模型的目標分解存在的問題及解決

非相干目標分解方法主要是將協方差矩陣和相干矩陣進行分解，近年來得到了迅速發展和廣泛應用，但這些方法大多基于Cloude特征值分解和Freeman三成分分解，其應用都有一定的局限性。2011年，Lee等人[30]對當前基于模型的目標分解方法進行總結并指出了這類目標分解方法存在的幾個問題：(1)散射模型選擇尤其是體散射模型選擇困難的問題；(2)存在負功率問題；(3)體散射過估計或極化指向角補償問題。其中第1個問題是因為傳統目標分解方法的體散射模型有限，而實際體散射過程復雜，模型并不能總是滿足實際情況。第2個問題是由于在傳統基于模型的目標分解中沒有加入功率限制，從而導致負功率的產生。第3個問題是由于具有旋轉的偶次散射在傳統基于模型的目標分解方法結果中表現為體散射為主，必須經過極化指向角補償才能夠保證分解結果的正確性。第3個問題是這幾個問題中影響最為嚴重的一個。針對以上3個問題，國內外學者提出了大量的改進方法。

針對體散射模型選擇困難問題，Antropov等人[31]在分析森林中散射體不完全滿足方位向對稱性的特點，通過對實際的體散射建模得到通用的體散射模型。Antropov等人提出的體散射模型足夠通用，能夠對目前大量的體散射建模，并兼容之前提出的多種體散射模型，將其應用到ALOS-PALSAR圖像森林應用中。Arii等人[32]認為之前的基于模型的目標分解方法對體散射模型存在部分假設，導致體散射模型的數量不足以滿足所有的體散射情況，同時基于模型的目標分解方法在全幅圖像中利用完全一樣的體散射模型或者僅僅利用很少幾種體散射模型，不符合實際情況，因此Arii認為應該對圖像中不同區域采用不同的體散射模型。Arii通過計算圖像中每個像素的極化指向角和體散射不均勻度來構建一個自適應的體散射模型，而且目標分解中不需要體散射反射對稱假設，使得這種體散射更符合實際情況，通過最小化殘余量的方式自適應選擇模型以達到目標分解的目的。

針對負功率問題，Van Zyl等人[33]提到基于模型的目標分解方法中存在負功率問題的起因，提出一種非負特征值的方法解決負功率問題。Van Zyl等人提出的基于非負特征值分解(NNED)的四成分分解方法保證分解后的協方差矩陣的特征值都是非負的，聯合提出的非負特征值分解去解決當前四成分目標分解中部分參數假設的問題，實驗結果表明基于非負特征值分解的四成分分解方法不僅在負功率問題上得到了很好的解決，同時通過實驗證明了其能夠有效地控制體散射過估計的問題。劉高峰等人[34]針對現有的四成分分解存在相干矩陣不滿足非負特征值約束(NER)的問題，提出了一種基于層次NER的四成分模型。由于NER問題主要來自于散射功率的過估計，只需解決余項相干矩陣的NER問題就可以解決所有相干矩陣的NER問題。該模型依次建立了抑制散射功率過估計的第1層至第4層NER方法，其中后層的NER方法需要分層次的執行前層NER方法，最后解決了余項相干矩陣的NER問題。針對NNED存在的問題，Wang等人[35]提出了一個“不基于RSA的NNED”，將傳統NNED拓展到反射不對稱情況，能夠將相干矩陣的元素全部利用到。經過實驗驗證，該方法的結果在某些情況下，有效地提高了奇次散射功率和偶次散射功率，降低了體散射功率。并且由于該方法不基于RSA，所以無論是解方程還是特征分解的過程計算量都很可觀。蔡永俊等人[36]提出了一種自適應三分量分解模型，該模型考慮了像素中不同旋轉角的兩個面或偶次散射目標，然后利用Alpha角決定除體散射外的其他主導機制，這使面或偶次散射得到了更充分的保持。同時他們提出了一種針對負功率的優化措施，使用非負特征值的替代方法，大大降低了負功率的出現，實驗結果表明，負功率像素比例從66.2%降低到了2.4%。

針對體散射過估計或極化指向角補償問題，目前出現了大量的改進方法。An等人[37]分析了負功率產生的原因和Freeman三成分目標分解中體散射過估計的原因，通過引入極化指向角補償，對Freeman三成分分解進行改進，該方法雖然是在解決負功率的問題，然而實質也是對體散射過估計的問題進行改進，ESAR實驗結果表明該方法在旋轉建筑物區域能夠有效地反應出建筑物該有的散射特性。Yamaguchi等人[38]在四成分目標分解基礎上，通過對相干矩陣進行旋轉，解決極化指向角帶來的體散射過估計的問題[39]，與An分解不同的是指向角推導的過程不同，然而指向角提取的最后公式是一致的，同時旋轉的Yamaguchi分解是四成分分解，比An分解多一個螺旋散射分量，使得該方法能夠更好地用于人造目標區域，目前已成為廣泛使用的目標分解方法之一。Chen等人[40]認為體散射過估計的原因是由于極化指向角補償無效導致的，Yamaguchi和An在極化角估計時利用最小化交叉極化項來完成，然而Chen等人認為這種估計方法無法保證偶次散射和奇次散射能夠同時被補償，因此旋轉建筑物會出現體散射過估計的問題。Chen分解通過建立通用偶次散射和奇次散射模型來滿足所有可能出現的情況，進而提出了一種通用的基于模型的目標分解方法，他們利用非線性最優求解方法搜索最優的分解結果，實驗結果驗證了其在具有旋轉的建筑物區域的有效性。Bhattacharya等人[41]通過定義隨機距離解決體散射過估計的問題，Bhattacharya等人在提取極化指向角方面也與Yamaguchi和An不同，通過最大化旋轉前和旋轉后的相干矩陣中的兩個元素的Hellinger距離來獲取極化指向角，經過該極化指向角補償后，旋轉建筑物區域的體散射過估計的問題得到了有效的抑制，同時負功率的問題也得到了一定的解決。閻麗麗等人[42]提出一種適合旋轉建筑物的四分量目標分解方法，同樣在一定程度上解決了體散射過估計的問題，可以用來區分旋轉建筑物和植被，該目標分解方法對方位向補償后的相干矩陣進行相位旋轉，然后構造了一種修正的體散射模型既包含純體散射模型又包含旋轉二面角散射模型，同時加入能量限制防止負功率的產生，實驗結果驗證了該方法能夠有效區分具有旋轉的建筑物。Zhang等人[43]結合基于模型的目標分解方法和特征值分解的方法，對Freeman三成分分解方法體散射過估計問題也進行了改進，該目標分解方法將兩個較大的特征值作為表面散射和二次散射模型，并不需要假設反射對稱條件，同時由于散射能量的計算是一個線性組合問題，因此其具有旋轉不變特性，由于加入了散射能量約束使得其解決了負功率問題。車美琴等人[44]提出一種利用目標散射矢量模型(TSVM)生成的選擇不變極化參數組合提取城市區域建筑、道路、橋梁等典型人造目標的方法，該方法利用目標散射矢量模型分解和Relief特征選擇算法提取出描述對稱性的旋轉不變極化參數和描述散射機制的散射角旋轉不變極化參數，然后將得到的特征進一步利用。結果證明，該方法的檢測精度比利用生物物理組合指數(BCI)方法提升了10%以上。范慶輝等人[45]通過引入極化相似度量，在數據驅動基礎上自適應地對基本散射機制的最優匹配模型進行選擇，以各階次剩余矩陣能量非負為約束，根據極化相似度量來決定基本散射機制散射能量提取的順序，極大地改善了體散射能量過估計的問題。殷君君等人[46]對Lee提出的3個問題都進行了分析，提出了一種改進的四成分分解方法，先通過極化指向角進行提取，利用極化指向角減小隨機取向對各散射分量的影響，進而通過構建新的體散射模型對目標進行四成分分解，能夠有效提高地物的分類結果。

4 結束語

極化SAR技術利用獲取到的全極化信息來分析目標的物質組成、幾何結構等特性，它的出現大大拓寬了SAR的應用領域。目前，各國對極化SAR系統的發展都投入了大量的人力和物力，獲取到的遙感圖像數據也越來越多，如何快速有效地對極化SAR圖像進行解譯是一個重要的研究方向。目標分解技術作為極化SAR圖像解譯的基本手段，后續的分類和目標檢測都是以分解結果作為輸入，對其進行研究有很大的必要性。但是從實際應用的角度出發，尚存在一些問題，而對這些問題的解決則代表了這一領域的發展趨勢[47]。

不論是相干目標分解和非相干目標分解，都或多或少存在問題，只能在一定條件下適用。由于相干目標分解只能描述純目標，這使得關于它的發展并不是很多，但是隨著高分辨率極化SAR系統的應用，圖像中同一分辨單元內不同散射體個數會明顯減少，使得在低分辨率極化SAR圖像中表現為分布式目標的散射體有可能在高分辨率極化SAR圖像中表現為純目標，此時若繼續采用基于統計平均的非相干目標分解來進行特征提取有可能導致目標細節信息的丟失。故隨著極化SAR圖像分辨率的提升，為了更加準確地從高分辨率極化SAR圖像中提取特征，對相干目標分解的深入研究有著重要意義。對于分布式目標，可以用非相干目標分解來描述其特性。近年來，大量的非相干目標分解方法涌現出來，它們大都是針對Cloude特征值分解和Freeman分解存在的問題進行改進，這些方法取得了一定的效果，尤其是在人造目標區域得到了較多應用。然而，對極化方位角偏移、散射類型復雜多樣以及弱后向散射地物區分困難等問題仍然很難處理，如何解決這些問題，找到一種快速而有效的目標分解方法，將是未來工作的重點。

目前，目標分解技術對極化SAR數據中的信息挖掘還不夠充分，特別是針對多頻段數據的研究較少。多頻段極化SAR系統中測量數據包含了豐富的信息，針對同一目標，在不同頻段極化SAR圖像中表現出不同的散射行為，而且目標的紋理等幾何特征也與雷達波長有關[48]。而不同目標在不同波段的散射行為也是不同的。因此，針對多頻段極化SAR數據的目標分解可以提取出更多有用的極化信息，具有研究價值。現有的目標分解多是針對單波段進行研究，如何建立一種能夠描述多個頻段的散射模型將是未來發展的方向之一。此外，利用極化干涉SAR數據不僅能夠獲得目標物理幾何特性，還能夠獲得目標高程信息，而提取特征的準確度直接影響了對于目標高度的估計結果。隨著極化干涉SAR的發展，利用目標分解技術對其數據進行特征提取也備受關注。Ballester-Berman和Lpoez-Sanchez[49]首先將Freeman三分量分解引入到極化干涉SAR中，隨后的Minh等人[50]都對此問題進行了有意義的嘗試，提出了一些基于極化目標分解進行目標高程信息提取的方法。因此適用于極化干涉SAR圖像的目標分解方法也是未來的發展需求。

參考文獻

[1] 王振力, 鐘海. 國外先進星載SAR衛星的發展現狀及應用[J]. 國防科技, 2016, 37(1): 19-24. doi: 10.13943/j.issn1671-4547. 2016.01.06.

WANG Zhenli and ZHONG Hai. The nowadays development and application of oversea advanced space borne SARS[J].&, 2016, 37(1): 19-24. doi: 10.13943/j.issn1671-4547.2016.01.06.

[2] CHEN F, LASAPONARA R, and MASINI N. An overview of satellite synthetic aperture radar remote sensing in archaeology: From site detection to monitoring[J]., 2015, 2015: 1-7. doi: 10.1016/j.culher. 2015.05.003.

[3] YANG J, YAMAGUCHI Y, LEE J S,. Applications of polarimetric SAR[J]., 2015, 2015: 1-2. doi: 10.1155/2015/316391.

[4] 陳曦, 吳濤, 陶利, 等. 極化SAR發展需求及其目標識別關鍵技術[J]. 科技視界, 2015, (16): 21-22.

CHEN Xi, WU Tao, TAO Li,. Development needs of polarimetric SAR and key technology of target recognition[J].&, 2015, (16): 21-22.

[5] JAWAK S D, BIDAWE T G, and LUIS A J. A review on applications of imaging synthetic aperture radar with a special focus on cryospheric studies[J]., 2015, 4(2): 163-175. doi: 10.4236/ars.2015.42014.

[6] KROGAGER E. Aspects of polarimetric radar imaging[D]. [Ph.D. dissertation], TUD, Lyngby, Denmark, 1993.

[7] KROGAGER E and CZYZ Z H. Properties of the sphere, diplane, helix decomposition[C]. Proceedings of JIPR'95, Nantes, France, 1995: 106-114.

[8] CAMERON W L and LEUNG L K. Feature motivated polarization scattering matrix decomposition[C]. IEEE International Radar Conference, Arlington, VA, 1990: 549-557.

[9] CAMERON W L, YOUSSEF N N, and LEUNG L K. Simulated polarimetric signatures of primitive geometrical shapes[J]., 1996, 34(3): 793-803.

[10] TOUZI R. Characterization of target symmetric scattering using polarimetric SARs[J]., 2002, 40(11): 2507-2516.

[11] TOUZI R. Target scattering decomposition of one-look and multi-look SAR data using a new coherent scattering model: The TSVM[C]. IEEE International Geosience and Remote Sensing Symposium, Alaska, USA, 2004: 2491-2494.

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

[13] PALADINI R, MARTORELLA M, and BERIZZI F. Classification of man-made targets via invariant coherency- matrix eigenvector decomposition of polarimetric SAR/ISAR images[J]., 2011, 49(8): 3022-3034. doi: 10.1109/TGRS.2011. 2116121.

[14] PALADINI R, FERRO F L, POTTIER E,. Lossless and sufficient-invariant decomposition of random reciprocal target[J]., 2012, 50(9): 3487-3501. doi: 10.1109/TGRS.2011. 2181397.

[15] FREEMAN A. Calibration of linearly polarized polarimetric SAR data subject to faraday rotation[J]., 2004, 42(8): 1617-1624. doi: 10.1109/TGRS.2004.830161.

[16] ZOU B, LU D, ZHANG L,. Eigen-decomposition-based four-component decomposition for PolSAR data[J]., 2016, 9(3): 1286-1296. doi: 10.1109/ JSTARS.2015.2513161.

[17] HUYNEN J R. Phenomenological theory of radar targets[D]. [Ph.D. dissertation], University of Technology, 1970.

[18] VAN ZYL J J. Unsupervised classification of scattering behavior using radar polarimetry data[J]., 1989, 27(1): 36-45.

[19] DONG Y, FROSTER B C, and TICEHURST C. A new decomposition of radar polarization signatures[J]., 1998, 36(3): 933-939.

[20] 王之禹, 朱敏惠, 白有天. 基于散射模型的極化SAR數據分解[J]. 電子與信息學報, 2001, 23(10): 954-961.

WANG Zhiyu, ZHU Minhui, and BAI Youtian. Decomposition of Polarimetric SAR data model[J].&, 2001, 23(10): 954-961.

[21] CLOUDE S R and POTTIER E. An entropy based classification scheme for land applications of polarimetric SAR[J]., 1997, 35(1): 68-78.

[22] AN W, CUI Y, YANG J,. Fast alternatives to H/alpha for polarimetric SAR[J]., 2010, 7(2): 343-347. doi: 10.1109/LGRS.2009. 2035135.

[23] HOLM W A and BAMES R M. On radar polarization mixed target state decomposition techniques[C]. Proceedings of the IEEE National Radar Conference, Dallas, Texas, USA, 1988: 249-254.

[24] VAN ZYL J J. Application of Cloude’s target decomposition theorem to polarimetric imaging radar data[C]. Proceedings of SPIE - The International Society for Optical Engineering, San Diego, CA, USA, 1993: 184-191.

[25] AINSWORTH T L, CLOUDE S R, and LEE J S. Eigenvector analysis of polarimetric SAR data[C]. IEEE International Geosience and Remote Sensing Symposium, Toronto, Canada, 2002, Vol.1: 626-628.

[26] FREEMAN A and DURDEN S. A Three-component scattering model to describe polarimetric SAR data[C]. Proceedings SPZE Conference on Radar Polarimetry, San Diego, CA, USA, 1993: 213-224.

[27] MORIYAMA T, URATSUKA S, UMEHARA T,. Polarimetric SAR image analysis using model fit for urban structures[J]., 2005, 88(3): 1234-1243.

[28] YAMAGUCHI Y, MORIYAMA T, ISHIDO M,. Four-component scattering model for polarimetric SAR image decomposition[J]., 2005, 43(8): 1699-1706. doi: 10.1109/TGRS. 2005.852084.

[29] ZHANG L, ZOU B, CAI H,. Multiple-component scattering model for polarimetric SAR image decomposition [J]., 2008, 5(4): 603-607. doi: 10.1109/LGRS.2008.2000795.

[30] LEE J S, AINSWORTH T L, and WANG Y. Recent advances in scattering model-based decompositions: An overview[C]. IEEE International Geoscience & Remote Sensing Symposium (IGARSS'11), Vancouver, BC, Canada, 2011: 9-12.

[31] ANTROPOV O, RAUSTE Y, and HAME T. Volume scattering modeling in PolSAR decompositions: Study of ALOS PALSAR data over boreal forest[J]., 2011, 49(10): 3838-3848. doi: 10.1109/TGRS.2011.2138146.

[32] ARII M, VAN ZYL J J, and KIM Y. Adaptive model-based decomposition of polarimetric SAR covariance matrices[J]., 2011, 49(3): 1104-1113. doi: 10.1109/TGRS.2010.2076285.

[33] 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. doi: 10.1109/TGRS.2011.2128325.

[34] 劉高峰, 李明, 王亞軍, 等. 基于層次非負特征值約束的Yamaguchi分解[J]. 電子與信息學報, 2013, 35(11): 2678-2685. doi: 10.3724/SP.J.1146.2012.01381.

LIU Gaofeng, LI Ming, WANG Yajun,. Yamaguchi decomposition based on hierarchical nonnegative eigenvalue restriction[J].&, 2013, 35(11): 2678-2685. doi: 10.3724/SP.J.1146. 2012.01381.

[35] WANG C, YU W, WANG R,. Comparison of nonnegative eigenvalue decompositions with and without reflection symmetry assumptions[J]., 2014, 52(4): 2278-2287. doi: 10.1109/TGRS.2013.2259177.

[36] 蔡永俊, 張祥坤, 姜景山. 極化SAR自適應三分量分解方法[J]. 測繪學報, 2016, 45(9): 1089-1095. doi: 10.11947/j.AGCS. 2016.20150533.

CAI Yongjun, ZHANG Xiangkun, and JIANG Jingshan. Adaptive three-component decomposition approach for polarimetric SAR data[J]., 2016, 45(9): 1089-1095. doi: 10.11947/j.AGCS.2016. 20150533.

[37] AN W, CUI Y, and YANG J. Three-component model-based decomposition for polarimetric SAR data[J]., 2010, 48(6): 2732-2739. doi: 10.1109/TGRS.2010.2041242.

[38] YAMAGUCHI Y, SATO A, BOERNER W M,. Four-component scattering power decomposition with rotation of coherency matrix[J]., 2011, 49(6): 2251-2258.

[39] SUGIMOTO M, OUCHI K, and NAKAMURA Y. Four-component scattering power decomposition algorithm with rotation of covariance matrix using ALOS-PALSAR polarimetric data[J]., 2012, 4(8): 2199-2209. doi: 10.3390/rs4082199.

[40] CHEN S W, WANG X S, XIAO S P,. General polarimetric model-based decomposition for coherency matrix[J]., 2014, 52(3): 1843-1855.

[41] BHATTACHARYA A, MUHURI A, DE S,. Modifying the yamaguchi four-component decomposition scattering powers using a stochastic distance[J].&, 2015, 8(7): 3497-3506. doi: 10.1109/JSTARS.2015. 2420683.

[42] 閆麗麗, 張繼賢, 高井祥, 等. 一種適合方位建筑物的基于物理散射模型的極化SAR影像四分量分解方法[J]. 電子學報, 2015, 43(1): 203-208. doi: 10.3969/j.issn.0372-2112.2015.01. 032.

YAN Lili, ZHANG Jixian, GAO Jingxiang,. Four- Component model-based decomposition of Polarimetric SAR data for oriented urban buildings[J]., 2015, 43(1): 203-208. doi: 10.3969/j.issn.0372-2112.2015.01. 032.

[43] SHUANG Z, SHUANG W, LI-CHENG R,. A novel hybrid Freeman/eigenvalue decomposition with general scattering models[J].&, 2015, 34(3): 265-270. doi: 10.11972/j.issn.1001-9014.2015.03. 002.

CHE Meiqin, SAMAT A, DU Peijun,. Urban man-made target extraction from Quad-PolSAR imagery with roll-invariant parameters[J]., 2016, 20(2): 303-314. doi: 10.11834/jrs.20165098.

[45] 范慶輝, 盧紅喜, 保錚, 等. 基于半正定約束的極化相似度最優模型匹配目標分解[J]. 電子與信息學報, 2015, 37(8): 1821-1827. doi: 10.11999/JEIT141468.

FAN Qinghui, LU Hongxi, BAO Zheng,. Positive- semidefinite based target decomposition using optimal model-matching with polarization similarity[J].&, 2015, 37(8): 1821-1827. doi: 10.11999/JEIT141468.

[46] 殷君君, 安文韜, 楊健, 等. 一種改進的極化SAR圖像四成分分解方法[J]. 信息與電子工程, 2011, 9(2): 127-132.

YIN Junjun, AN Wentao, YANG Jian,. A modified four- component model-based scattering decomposition method of polarimetric SAR images[J].&, 2011, 9(2): 127-132.

[47] 李春升, 王偉杰, 王鵬波, 等. 星載SAR技術的現狀與發展趨勢[J]. 電子與信息學報, 2016, 38(1): 229-240. doi: 10.11999/ JEIT151116.

LI Chunsheng, WANG Weijie, WANG Pengbo,. Current situation and development trends of spaceborne SAR technology[J].&, 2016, 38(1): 229-240. doi: 10.11999/JEIT151116.

[48] BOERNER W M. The development of multi-band equatorial orbiting POLSAR satellite sensors[C]. IEEE International Conference on Aerospace Electronics & Remotes Sensing Technology, Yogyakarta, Indonesia, 2014: 127-131.

[49] 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. doi: 10.1109/TGRS.2009.2024304.

[50] MINH N P, ZOU B, CAI H,. Forest height estimation from mountain forest areas using general model-based decomposition for PolInSAR image[J]., 2014, 8(1): 083676, doi: 10.1117/1.JRS.8. 083676.

張臘梅： 女，1980年生，副教授，博士生導師，研究方向為極化SAR圖像信息提取.

段寶龍： 男，1992年生，碩士生，研究方向為極化SAR圖像處理.

鄒 斌： 男，1968年生，教授，博士生導師，研究方向為遙感圖像處理.

Research Development on Target Decomposition Method of Polarimetric SAR Image

ZHANG Lamei DUAN Baolong ZOU Bin

(,150001,)

Polarimetric Synthetic Aperture Radar (Polarimetric SAR) has become a hot research topic in the field of remote sensing with the rapid development in recent years. Polarimetric target decomposition is a basic method for Polarimetric SAR image analysis, and plays a key role in Polarimetric SAR image interpretation, the extracted features from polarimetric target decomposition is the basis of target detection and image classification using Polarimetric SAR image. In this paper, through expositing the development of polarimetric target decomposition as well as the new technologies in recent years comprehensively, the relevant researchers can understand the latest progress in this field clearly.

Polarimetric SAR; Feature extraction; Polarimetric target decomposition

TN958

A

1009-5896(2016)12-3289-09

10.11999/JEIT160992

2016-09-29；改回日期：2016-11-14；

2016-12-13

張臘梅 lmzhang@hit.edu.cn

國家自然科學基金(61401124)，黑龍江省博士后科研啟動基金(LBH-Q13069)

The National Natural Science Foundation of China (61401124), The Postdoctoral Scientific Research Developmental Foundation of Heilongjiang Province (LBH- Q13069)