毕业论文_基于散射特性分解的极化SAR图像分类.doc
《毕业论文_基于散射特性分解的极化SAR图像分类.doc》由会员分享，可在线阅读，更多相关《毕业论文_基于散射特性分解的极化SAR图像分类.doc（42页珍藏版）》请在冰豆网上搜索。
本科毕业设计论文
题目 基于散射特性分解的极化SAR图像分类
专业名称
学生姓名
指导教师
毕业时间
本科毕业设计论文
摘要
极化合成孔径雷达（SyntheticApertureRadar，简称SAR）以多个极化通道的方式探测地表目标的电磁极化散射特性，获取目标的多维特征以揭示目标的精细
特性。
极化SAR图像分类是遥感应用中重要的研究问题。
本文首先简单介绍了SAR和极化SAR的特点，以及极化目标的两者描述方式，即Sinclair矩阵和Mueller矩阵，并综述了基于物理散射特性的极化SAR目标分类方法。
接着以此研究目标的物理散射特征，推导出基于Sinclair矩阵的Pauli分解系数、Krogager分解系数和Graves功率矩阵的Mueller矩阵元素表示。
最后按照散射特性实例分类了日本北海道山区的L波段和C波段的极化SAR目标。
但由于相干斑噪声的影响，分类结果并不是很理想。
关键词：
合成孔径雷达，极化SAR,Sinclair散射矩阵,Mueller矩阵，物理散射特性
Abstract
ThePOLarimetricSyntheticApertureRadar（POLSAR）measuresthescatteringofatargetindifferentpolarimetricmodesandobtainstheobject’shigh-dimensionalcharacteristicstodescribetheobjection.AclassificationofPOLSARimageisanimportantresearchofremotesenseingapplication.
Firstly,characteristicsofSAR,characteristicsofPOLSARandSinclairandMuellermatricesthatdescribepolarimetricobjectwerepresented.AndclassificationmethodsofPOLSARimageweresummarized.Secondly,fromaboveknowledge,object’sphysicalemittingfeatureswerestudied.AndKrogagerandPaulidecompositionparametersandGravespowermatrixbasedonSinclairmatrix,werededucedtobedenotedbyelementsofMuellermatrix.Inthelastpartofthispaper,thePOLSARimagesofL-bandandC-band,whichabouttheareaofHokkaidomountainousareainJapan,areclassifiedbytheemittingfeatures.Duetothecoherentnoise,theclassifiedresultsbyusingthesemethodsarenotsatisfied.
Keywords:
SyntheticApertureRadar（SAR）,PolarimetricSAR,Sinclairscatteringmatrix,Muellermatrix,physicalemittingfeatures
目录
摘要 I
ABSTRACT II
第一章引言 1
1.1SAR的特点以及极化SAR的特性 1
1.2研究意义 2
1.3物理散射特性分类的研究现状 2
1.4本文内容安排 3
第二章基础知识 4
2.1成像机理 4
2.2极化SAR目标的描述方式:
Mueller矩阵和Sinclair矩阵及两者之间的联系 4
2.2.1Sinclair散射矩阵 5
2.2.2Mueller矩阵 6
2.3物理散射特性分类方法的简述（Pauli、Krogager、功率矩阵等） 7
2.3.1Pauli分解系数 7
2.3.2Krogager分解参数 8
2.3.3Graves功率矩阵 9
第三章基于MUELLER矩阵的极化目标的散射特性分解 10
3.1算法的引出 10
3.2Pauli分解 13
3.2.1Pauli分解系数的求解 13
3.2.2基于Pauli系数分解的分类方法 15
3.3Krogager分解 15
3.3.1Krogager分解参数的求解 16
3.3.2基于Krogager分解系数的分类方法 17
3.4基于Graves功率矩阵的分类 17
第四章基于目标的极化散射特性的SAR图像分类 19
4.1基于Pauli系数分解的图像 19
4.2基于Krogager分解系数的分类图像 20
4.3基于Graves功率矩阵的分类图像 20
结束语 23
参考文献 24
致谢 25
附件 26
38
第一章引言
随着雷达技术的发展，雷达测量已由仅仅是幅值测量向各种特征（如目标相位特性、极化特性等）测量的更高阶段迈进。
如极化合成孔径雷达以多个极化通道的方式测量目标的极化散射回波，描述目标散射回波的幅度和相位特性，揭示目标的纹理精细结构、目标方向、对称性以及材料组成等。
因此把极化SAR目标散射信号中的极化信息应用在目标检测、增强、滤波及识别中，形成了一种新的理论研究。
对于极化信息中的目标散射机理以及相应的统计特征的研究，逐渐改变了原本单一的雷达目标的幅值研究方式，从而得到更精确的目标特征分析没，达到对目标的改进理解与识别。
极化散射矩阵将目标散射的能量特性、相位特性和极化特性统一起来，相对完整的描述了雷达目标的电磁散射特性，为更加深入地研究地物目标提供了重要的依据，极大地增强了成像雷达对目标信息的获取能力。
因而研究极化SAR图像的物理散射特性以达到对地表目标的精确分类也是非常重要的。
本文就是在应用的基础上，研究基于散射特性分解的极化SAR图像分类。
1.1SAR的特点以及极化SAR的特性
SAR（合成孔径雷达）是一种成像雷达，与真实孔径雷达相比，相同之处在于都是使用脉冲压缩的测距技术实现垂直于卫星轨迹方向的空间分辨率，但不测量距；不同之处在于采用合成孔径技术，依靠不太长的星载天线，利用多普勒效应，星载SAR获得每个发射脉冲位置上相应的相位历程，经地面成像的相干处理实现方位向的高空间分辨率。
具有高分辨率、全天候、全天时、对某些地表物有一定的穿透能力等优点，能够提供详细的地表特征等特点而受到极大的重视。
而极化SAR可以获得每种极化状态下地表每个分辨单元的散射振幅和相位差，因而能获得比SAR更多的回波信息。
这些遥感数据主要用来进行地物分类、确定现状、多期比较、发现变化、揭示规律。
尽管对SAR图像的研究经过几十年的发展取得了很大的成就，但在“如何提高图像的自动分割精度以及目标的准确识别度”这个关键问题上一直没有得到很好的解决。
针对这个问题，众多学者主要从两个方面进行研究，一个方面是对图像的成像及散射机理的研究；另一方面是对图像信息处理的研究。
1.2研究意义
由于SAR图像所具有的特点，它已经被广泛地应用于军用和民用，尤其是极化SAR图像分类的研究能够根据极化SAR的特性提供更精确的地物分类。
因此，它必将在国防和经济建设的各个领域发挥作用，在军事侦查、目标监视、农作物长势监测、土地利用调查、地表资源普查、灾情检测、地质找矿、石油勘探、天气预报、地形测绘、海洋应用等诸多领域都有了许多成功的应用，取得了巨大的经济和社会效益，展现了广阔的应用前景。
1.3物理散射特性分类的研究现状
1970年，基于Kennaugh原创性工作，Huynen发展了雷达极化的现象学方法，提出了极化叉概念。
研究表明，各种简单目标的Huynen极化叉差别甚远，而复杂目标的Huynen极化叉也有明显的差异，因此Huynen对目标散射矩阵进行分解的基础上提出一套目标特性描述参数。
基于Jones和Mueller矩阵关于光学测度的内积分解理论的分解，将sinclair和Kennaugh矩阵根据正交原则，分解为一系列目标特性。
由此，cameron等把目标视为很多简单散射体的组合，并把这些散射体划分为非互反性散射体、右螺旋体、左螺旋体、非对称散射体和对称散射体；按照球体或平面盘、线性偶极或循环螺旋状散射体、二面角散射和体散射等，分解散射矩阵，产生Pauli分解系数和Krogager分解系数；vanZy提出用奇次散射、偶次散射和体散射进行地表分类研究；2005年物Yamaguehi用四元素的散射模型进行极化分解。
1992年，Rignot利用不同极化模式之间的相关系数进行分类。
基于Mueller矩阵的分解，1991年Cordially和Pottier提出极化熵概念，借助于极化分解理论，给出了目标分解特性，并于1995年提出散射熵、散射角平面，并用之分类极化SAR图像。
2001年，杨健提出极化目标之间的相似性参数，进行极化SAR图像分类。
在目标平均散射机理描述参数中，凸现出Huynen工作的首创性.他首次公式化目标分解理论，导致基于目标分解理论的发展，展开了系列目标特征参数的定义。
然而Huynen的参数只适于描述简单目标，各个参数之间没有合理的联系，不能充分地说明复杂目标的特性；cloude熵分解提出的散射角的描述过于笼统，根据散射熵和散射角平面，划分为9个区域，相应于不同的物理特性来分类；这种方法简单易行具有明显的优点，然而，预设的区域边界是人为的经验知识，在目前数据库资源不足够充分的情况下难以适用于各种不同地表可能引起较大的误差。
因此，为了解决这个问题，很多相关的量值引入，如各向异性参数、Nl参数等，以改善目标的分类。
1.4本文内容安排
本文以极化SAR图像的分类为研究的应用背景，针对物理散射特性的分类，偏重于实际应用。
第二章里简单介绍了极化SAR的成像机理、极化SAR目标的描两种述方式:
Mueller矩阵和Sinclair矩阵，及两者之间的联系，以及基于Sinclair散射矩阵分解的Pauli和Krogager分解系数和功率矩阵等极化不变量。
为了简化在分类中的计算，在第三章我们将特征值的计算直接由Mueller矩阵元素推到出来，省去计算Sinclair矩阵这一中间过程。
因为这篇文章是具体结合着一组雷达数据研究的，所以在第四章我们将按照论文介绍的方法分类得到的图像列出，观察实际效果。
由于极化SAR数据是以Mueller矩阵给出的，而前面的基于物理散射特性分解的分类方法全部是由Sinclair矩阵导出，因此在第三章推导出了Puali、Krogager分解系数和功率矩阵等极化不变量的Mueller矩阵元素的表达式。
在第四章，文章由第三章推导的目标的分解系数进行有监督的分类。
第二章基础知识
2.1成像机理
SAR图像通过相干波成像，在产
升级会员 