郝萬兵　張軍　張昕

摘 要：利用公開的全極化SAR數(shù)據(jù)，研究基于SAR圖像的檢測、目標特性的研究。首先根據(jù)四個線極化通道合成的偽彩色圖像，對場景進行初步認知。利用圓極化基和線極化基的轉(zhuǎn)換公式，將線極化SAR數(shù)據(jù)轉(zhuǎn)換為圓極化基下的極化散射矩陣，完成對人造目標和自然目標互易性的判斷。對目標四個線極化通道一維距離像的信噪比分析，驗證了不同極化基下交叉極化分量與同極化分量的信噪比強度。

關(guān)鍵詞：全極化SAR數(shù)據(jù)；偽彩色圖像；極化散射矩陣；互易性

引言

當(dāng)電磁波照射到雷達目標時，散射波的極化方式通常不同于入射波的極化方式，也就是說目標存在去極化效應(yīng)。美國學(xué)者G.Sinclair最早明確指出了這一現(xiàn)象，并用“Sinclair極化散射矩陣”[1]加以表示，這是雷達極化學(xué)研究的開端。早期的極化目標特性的研究主要是針對極化散射矩陣元素進行的。

隨著寬帶微波技術(shù)、數(shù)字技術(shù)、高速信號處理技術(shù)的發(fā)展，高分辨率成像體制雷達得到了極大的推動和發(fā)展。以高分辨率雷達體制為背景，將全極化測量與高分辨技術(shù)相結(jié)合，通過一維或二維成像來分析目標的空間-極化散射結(jié)構(gòu)，進而抽取目標的空間結(jié)構(gòu)特征進行分類識別，已逐漸成為當(dāng)前目標識別技術(shù)領(lǐng)域公認的極具潛力的技術(shù)途徑。Morgan、Kennaugh和Boerner等都強調(diào)了高分辨背景下目標極化特性研究。Cameron、Huynen、Krogager等人相繼提出了基于極化散射矩陣分解的目標識別方法，即將目標分解為若干個子散射體疊加的形式，每一個子散射體對應(yīng)著確定的物理散射機制。

1 基于極化分解的目標識別算法

相干分解是基于極化散射矩陣S的分解方法，其主要思想是將任意的S矩陣分解成若干散射矩陣的和的形式，每一個矩陣對應(yīng)著某種確定的散射機制，即：

其中Si代表標準的極化散射矩陣，并且假設(shè)各矩陣具有獨立性；？琢i代表Si的權(quán)值系數(shù)，代表該成分在S矩陣中所占的比重。

Pauli分解的優(yōu)點是形式簡單，且Pauli基為完備正交基。直接利用最大值歸一化后的|a|2、|b|2和|c|2作為特征就可以進行識別。由pauli分解可以得到目標互易部分所占比例為

4，則目標為非互易散射體，否則為互易散射體。對于互易目標，還可以利用？茲rec判斷目標的對稱性，即？茲rec？燮？仔/8的目標可以認定為對稱目標。

2 線極化基和圓極化基

由簡單目標在線極化基和圓極化基下的S矩陣可知，目標旋轉(zhuǎn)時，圓極化基下的S矩陣元素幅度大小不變。若獲取的散射矩陣為線極化基下的散射矩陣，可以利用下式將S矩陣由線極化基轉(zhuǎn)換為圓極化基：

3 實驗結(jié)果及分析

利用全極化SAR數(shù)據(jù)，采集區(qū)域為美國舊金山的海岸與海灣。

互易性驗證：

理論上，滿足互易性的目標極化散射矩陣交叉極化項完全相同，因此相關(guān)系數(shù)應(yīng)該為1。對HV通道的數(shù)據(jù)和VH通道的數(shù)據(jù)按列進行相關(guān)，可以看出相關(guān)性較高（高于0.8）。

從圖4中可以看出，場景中大部分像素的互易性都較好。但還是存在一些較強的非互易散射體。圖5將互易散射體去掉后，從圖中可以明顯的看到一些孤立的非互易散射體的存在。結(jié)合圖1和圖5可以發(fā)現(xiàn)，感興趣的四艘艦船的互易性均較好。人造目標相比自然目標較大的區(qū)別就在于其具有對稱性，因此可以利用對稱性分辨人造目標，如下建筑物和艦船區(qū)域。

由于目標滿足互易性，對比圖1（a）與圖2（b）的結(jié)果可以發(fā)現(xiàn)，在圓極化基下，同極化分量的目標信噪比較大，而線極化基下交叉極化的目標信噪比較大。

4 結(jié)束語

文章針對全極化SAR數(shù)據(jù)，利用圓極化基和線極化基的轉(zhuǎn)換公式，將線極化SAR數(shù)據(jù)轉(zhuǎn)換為圓極化基下的極化散射矩陣，完成對目標互易性的判定及不同極化基下交叉極化與同極化分量的信噪比強度的研究，該方法計算方便、可信度高，可以用到類似問題的評估當(dāng)中。

參考文獻

[1]G·Sinclair. The transmission and reception of elliptically Polarized radar waves [J].Proc. IRE，1950，38（2）：148-151.

[2]Brichel S·H. Some invariant properties of the polarization scattering matrix. Proc[J].IEEE，1965：1070-1072.

[3]杜蘭.雷達高分辨距離像目標識別方法研究[D].西安電子科技大學(xué)，2007.

[4]C.J.C.Burges.A tutorial on support vector machines for pattern recognition[J].Data Mining and Knowledge Discovery，1998，2：121-167.

[5]張奔.基于高分辨距離像的目標識別算法和演示系統(tǒng)設(shè)計研究[J].西安電子科技大學(xué)，2011.

[6]Duda R·O，Hart P·E，Stork D·G.Pattern classification[J]. New York： Wiley， 2001.