使用Cameron分解的极化SAR特征检测

使用Cameron分解的极化SAR特征检测摘要—本文提供了一种检测特定的极化SAR特征的方法。一个分辨率单元的极化响应可以看做是这个分辨率单元的电磁散射矩阵的一个样本。尽管使用了多个相干孔径，还是能获得散射矩阵的多个样本。通过使用合适的分解和加权对数似然方程，估计被观察的散射矩阵响应匹配已知电磁特征的相似度是有可能的。关键词：相干，多角度，极化，散射矩阵分解，子孔径处理。I.引言有多种分辨率，频率带宽和极化方式的SAR传感器有很大的应用范围，包括土地表面覆盖物的的表征和分类[1]-[5],[30]，和人造目标的探测/表征/分类，比如城市结构[6]-[8]，失事飞机[9]-[12]，轮船[13],[14]，军用车辆[15],[16]，地雷[17],[18]，未爆炸武器(UXO)[19]，等等。全极化SAR数据集提供给了一个强有力的工具，可以用来描述允许使用复杂的散射矩阵响应的目标的散射行为。利用极化SAR成像的标准方法大多包括用分解变换(举例子来说，见[20]-[30])来使数据标准化这一过程。极化分解一般分为明显的两类——相干和非相干分解。非相干分解(例如，Cloude-Plottier[3],[26])包含基于局部极化行为的统计信息，而且通常利用相关联的像素或分辨率单元的平均相关矩阵（或米勒矩阵）。相干分解（例如，Krogager[22],[23]，Cameron[24],[25]）是基于单个像素的响应，因此直接用于测量每个像素的复散射矩阵。因为在本文中我们关注的是特定散射中心的检测，不管周围像素的散射机制，所以我们不能使用任何一个利用局部统计信息的分解方法，这将限制我们对相干分解的讨论。相干分解一般只能产生，由单个主散射中心组成的这些分辨率单元的有效的结果。在主散射体缺少时，斑点响应将导致一个明显的随机散射矩阵，而且产生一个随机响应。事实上，相干解调由于其固有的敏感的斑点噪声，在文献[26]中已经受到了批评。相干方法的初始应用是描述以像素基础构成像素散射机制的基础的特征。有以下两点考虑是比较中肯的，首先，光极限散射的假设隐含了上散射类型的定义。第二，结果仅在一个给定的分辨率单元有占主要地位的单个散射中心时有效。类似的，正如也将在这篇文章中看到的，没有光极限假设会导致对单个主散射中心完全不同的响应。Cameron分解[24],[25]把一个任意的散射矩阵分解成两个正交的非互易的和互易的散射分量，互易的散射分量可以进一部分解成最大的和最小的对称散射分量。这个分解由几个有物理意义的和不引起歧义的分解分量，包括Cameron散射类型参数z。这个参数z是一个包含在复平面的单位圆的一个复数，表示一个来自散射模型的旋转（与视线有关）的变量。Cameron介绍了一系列典型的散射类型，包括：三面角、偶极子、二面角和1/4波器件等类型。在光极限散射和特征（宽边）视角层面下，这些标准散射体位置分别是是1，0，-1，和±i。光极限假设的隐含意思是整个雷达带宽上频率响应是常数。如果不能满足这些条件，观察到的参数值就会从根本上偏离标准值。Cameron等表明，随着二面角的方向的变化，散射体类型参数轨迹是一条单位圆上的曲线[25]。值得注意的是，这些关于标准散射类型参数值的假设仅仅属于这些标准散射类型为一个分类方案做基础使用时。正如我们将在下一节看到的，Cameron分解不依赖于这些假设，可以用在更一般的结构中。大孔径，UHF或L波段，高分辨率SAR数据违反了所有要使用传统相干分解技术去分类主散射体响应时的要求。在SAR系统中，几乎所有的感兴趣散射中心均在Mie散射区域（大小10个波长）。Geng等人[36]意识到，在高频技术不再有效的地方改进模型来精确仿真和表征在Mie散射区域的目标散射很有必要。他们使用电磁波全波分析，特定矩量法（MoM）[39]，来计算放置在有损、色散的半空间(模仿土壤)上面的三面角导体反射器的宽带VHF散射，目的是用一个函数的频率、极化、三面倾斜和土壤性质表征土壤对三面体反应的影响。本文展示了我们的一个方法，这个方法用散射矩阵的多角度观察来区分可能占据单个像素的目标的不同尺寸和形状，尤其关注Mie散射区域的散射。基于单个孔径的SAR图像可以用符合原始孔径的不同子集的子孔径图像序列替代，因此可以在稍有不同的方向抽样散射矩阵。通过比较给定目标（在一个给定的方位）的期望响应和观察到的许多散射矩阵的响应。我们不再被那些面向光极限假设和散射矩阵单个观察体（例如，同轴的三面反射体，球面和平板的特征是无法区分的）的相干方法锁固有的假设限制。散射矩阵多个样本的使用给我们提供了额外的必要的信息来决定响应是对应大小和形状的可能性，更可以通过斑点来区分两者。多个作者[19],[37],[38]已经合并了子孔径分析和局部邻域返回的空间相关性，这使得这些方法不适合得出散射机制独立于单个像素的结论。相反的，我们的方法不依赖于相干矩阵或者任何空间邻域的像素分析。我们用子孔径分析来跟踪全部孔径上的单个像素的复杂的散射矩阵响应的变化，并把这个观察到的像素响应的变化和相关特征比照，我们的这种方法明显的不同于前种。当我们的方法可以有效地互换多个散射矩阵样本的方位或交叉距离分辨率，只要我们感兴趣的散射中心保持在它的分辨率单元返回的主要来源中，上面所说的那些就不是问题了。我们使用Cameron分解把四个极化通道（散射矩阵）非线性变换到Cameron基础或特征空间。这个特征空间是我们接下来使用加权对数似然法来比较观察值和参考“特征”值的特征空间。我们目前实现的方法假设所有的感兴趣的特征是基于相干散射的，这在确定性的参考散射矩阵中已显现出来了。当把我们的构想扩展到包括作为一个时间函数的散射矩阵的一个随机变量成为可能，本文的关注点就仅仅是在一个分辨率单元中基于特征的相干散射的检测。第II节介绍了一种基于多孔径上散射矩阵变量的特征检测方法。第III节呈现了一个用Cameron分解的分类方法的限制的讨论。我们的加权对数-似然特征检测法的详细描述将在第IV节中说明。第V节中描述了我们怎么估计物理特征并且转换它用在我们的特征检测方法中。我们基于NASA/JPLAIRSARL-Bank数据的研究结果将在第VI节中讨论。在第VII节中我们用一些结论评价来结束本文。II.散射矩阵的特征检测方法在UHF频段（200-1000MHz），大多数的感兴趣目标是在Mie或者谐振域。这个区域是L波段（1-1.5GHz）较小的扩展，在这个区域相对很少有感兴趣目标在尺寸上比几米大。甚至对那些大于几米的，在米级或更小的图像分辨率上，我们通常解决组合的散射中心，这仅仅是整体大目标的一部分。处理Mie区域的直接结果是麦克斯韦方程组的全波解包含所有的散射。在一个极化SAR图像的每个像素或分辨率单元，我们都有散射矩阵的一个样本，这个样本是基于分辨率单元的脉冲距离和合成孔径（那就是说，如果我们忽略了在附近分辨率单元的散射中心的所有旁瓣结果的影响）的整体的响应。“散斑”现象的概念本身是一个光学极限角度的概念。散斑一般是指在一个分辨率单元中有很多和散射中心相似的情况。相应结果的相干叠加是一个剧烈变化的散射矩阵，以至于一个小小的视角的变化都会引起响应结果的巨大改变。这种情景仅仅被应用在光学极限的情况下，在这种情况下响应是被独立的计算和相干的合并。但分辨率单元仅仅是一个波长大小开始而分辨率单元中的任一“散射中心”的必要条件是小于一个波长，那么我们不得不抛弃光学极限图片然后回到麦克斯韦方程组的全波解中。这反过来就强迫我们关注主要响应而且假设在分辨率单元中杂波引起的散焦是最小的。在这个方面需要检测的另一个项目是“散射中心”。对于由四个复数描述的目标和电磁波相互作用的单个散射矩阵的测量，它很好地解释了散射发生在如同“相位中心”的（偏振独立性）位置一样，“有效的”发生在散射中心。虽然在Mie区域甚至作为一个描述工具都很有用，但这又是有一个光学极限概念，这个概念不是Mie区域散射很精确的描述。鉴于在光学极限中，一个相位中心存在与目标表面几何体上能把射线返回到发射源的任何一个地方，在Mie区域一个简单地平板会产生一个频率和相位相互共振的散射矩阵。一个更多的复杂的目标会产生不同的但性质上相似（频率和相位相互共振）的散射矩阵。这是在极化SAR分析中指导我们得到基于特征方程的散射矩阵的观点。自从我们能抽样散射矩阵作为一个相位和/或频率的函数，明显的方法变成估计来自一个或多个参考散射矩阵“特征”的观察值对应期望值的相似度。在这些专业名词中，我们有一系列上散射矩阵的观察资料，可以拿来和参考特征比较从而估计观察值和对应的特殊参考特征（而且，因此这引出了特征的目标）的相似度。具体来说，我们使用“特征”来代表一系列对应给定方位向上的给定参考目标的散射矩阵响应，通过观察它，使用那些比较的响应来给出极化SAR图像中的收集和图像形成的参数。鉴于观察的散射矩阵响应由于杂波和/或收集或产生的鬼影，总是有不同程度的噪声，因此在给定方位上的一个目标的特征假定完全有那个目标产生（有可能也包含一个地面平面）。给定任意的绝对相位，一个特征和被观察数据的比较最好在一个下面会给出的派生特征空间中完成。我们把这样一个特征的变换视为在派生特征空间的特征的代表，而且也把它当做一个特征。语境中应该指明“特征”是指散射矩阵的收集还是他们的转变后的同义词。我们用四个绝对最小的观察值来执行基于特征的检测。当使用不足四个观察值，将会严重降低区分不同散射机制的能力。在一次观察的限制下，一个球体，三面体和平板的光学极限反应，是相同的，因此要求用多重观测来区别他们。增加观察的角度和合成孔径整体的视角，将会提高我们区分不同目标以及他们的方位的能力。这种方法还需要说明的是，如果（1）参考目标出现在要解决的分辨率单元，（2）是从分辨率单元返回的主要来源，观测响应仅仅用来匹配参考特征。作为（2）的推论，最好是使用一个分辨率的单元格大小，这将最大限度地放大对象的响应从而被检测到，同时最大限度地减少任何包含相同的分辨率单元的其他来源的返回响应的机会。在接下来的一节中，我们将重点讲基于一般相干分解方法，尤其是Cameron分解的分类的问题。III.使用Cameron分解分类的局限Cameron[25]把单位圆分解到分类区域中，已达到每一个完全的均衡的以基本的散射中心形状返回的分类，然后显示每一个散射中心的类型/形状和它的方位。这种方法在显示已知的扩展目标的散射特性上很有用，但在从背景杂波挑出一个(或几个)像素目标上不是特别有用。这是因为带有散斑类型(有效随机)响应的复杂图像中只看一小部分像素将通过任何相互测试及完全对称性，这些像素将被列为基本对称散射中心类型之一。就在此时，唯一的办法是基于幅值的阈值。尽管对于明亮的目标，这可能提供许多小的虚警率，它可能导致只有平均亮度的更小的目标，出现高得不可接受的虚警率。当在特征空间使用Cameron分解分类技术推动当前工作的时候，我们遇到的正是这个问题。虽然我们将在下面详细分析Cameron分解带来的问题，问题是属性决定的，而且可能在基于复杂的图像的单一视图，并应用于像素基础的单个像素上的特征的任何分类方案上遇到的。首先，单位圆的理想响应是宽边带响应。虽然在光极限（目标尺寸λ）中，在幅度从宽带急剧降落的地方（因此通过合成孔径的整体响应近似宽带响应），这不是一个严重的问题，但在Mie区域（目标尺寸~λ）却是一个严重的问题。在Mie域，作为一个功能函数有一个非常宽的幅度响应（见图.1-3）。另外，散射体类型参数在单位圆上有一个复杂的轨迹。正因为如此，带宽外响应集成在宽角度上的反应有重大贡献。一般情况下，结果会不符合标准散射类型。第二，基于领域像素点的散射中心来分类散射机制不允许噪声，轻度杂波，或者是Mie算法带来的观测响应变化。第三，对于包含单个显性散射中心的像素缺少先验信息，很大比例的像素将按基本散射类型分类。在有散斑情况下，分类的结果在本质上是随机的，所以就在识别潜在散射机制上是没有意义的。不幸的是，对于散射矩阵的单个观测的一个给定像素没有办法区分单显