本發明屬于圖像處理
技術領域：
，主要是針對極化sar數據分解，具體地說是一種自適應體散射模型的freeman/特征值分解方法，可應用于極化sar目標的識別與分類。
背景技術：
：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。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，用切合實際的物理約束來解譯目標的散射機制，將極化數據分解為若干具有實際物理意義的參數，以方便分析目標復雜的散射過程。極化目標分解理論，首先由huynen提出，此后，多種分解方法相繼被提出，目前，將極化目標分解方法分為用于描述純目標的相干目標分解和用于描述分散式目標的非相干目標分解兩大類。相干極化目標分解方法，主要基于散射矩陣的分解，是用于描述純目標的分解方法，通常要求目標的散射矩陣是穩定的。相干目標分解方法主要包括，pauli分解、sdh分解等。然而對于自然界中大量存在的復雜目標(非確定性目標)而言，該類分解方法有諸多局限性，近年來的發展并不多。非相干極化目標分解方法，主要基于散射矩陣的二階極化描述子，即極化協方差矩陣<[c3]>、極化相干矩陣<[t3]>。非相干目標分解是將<[c3]>或<[t3]>矩陣分解為幾種典型地物目標的散射模型的線性組合，近年來得到了迅速發展和廣泛應用，這些方法包括基于散射模型的非相干目標分解，基于特征值分解的非相干目標分解等。cloude在polarisation:applicationsinremotesensing.2009書中提出了一種混合freeman/eigenvalue分解方法，將基于散射模型的目標分解和特征值分解聯系起來。但是該分解方法采用固定體散射模型，不能適應不同地物特征，出現體散射分量過估計問題和存在負功率的問題。2013年，針對polarisation:applicationsinremotesensing.2009書中的原始混合freeman/eigenvalue分解方法里的體散射過估計問題和負功率的問題，gulabsingh提出了擴展體散射模型，根據參數的不同，采用不同的固定體散射模型。相比于原始的混合freeman/eigenvalue分解方法，使用這種方法改善了體散射過估計問題和減少了負功率比例，但是其采用固定體散射模型，依然存在體散射過估計問題和負功率問題。技術實現要素：本發明目的在于克服上述現有技術的不足，提出一種改善了體散射分量過估計和能自適應不同的地物特征的自適應體散射模型的freeman/特征值分解方法。本發明是一種自適應體散射模型的freeman/特征值分解方法，其特征在于，包括有如下步驟：(1)輸入極化sar圖像數據矩陣(t或c)：載入極化sar協方差矩陣c或者極化sar相干矩陣t作為輸入，當輸入數據為相干矩陣t時，t中包含六個矩陣t11,t12,t13,t22,t23,t33，代表極化sar圖像中每個像素點的極化信息；當輸入數據為協方差矩陣c時，c中包含六個矩陣c11,c12,c13,c22,c23,c33，代表極化sar圖像中每個像素點的極化信息；(2)精致lee濾波：采用精致lee濾波方法，將極化合成孔徑雷達sar圖像進行濾波，去除斑點噪聲的影響，得到濾波后的極化合成孔徑雷達sar圖像中每個像素點的相干矩陣t；(3)計算極化方位角θ：根據極化相干矩陣t，通過極化方位角計算公式得到極化方位角θ；極化方位角θ用于極化方向補償，減少目標極化方位角的隨機性；(4)通過極化方位角θ得到新相位差npd：對極化方位角θ進行判斷，當極化方位角小于一定值θch時，新相位差npd等于共極化相位差cpd；當極化方位角大于一定值θch時，新相位差npd等于交叉極化相位差xpd；用于判斷的一定值選為π/8；(5)構建改進的自適應體散射模型：通過極化方位角θ和方位角分布函數建模得到表征城市區域的方位二面角反射體的交叉散射模型<[t]〉cross；通過對自然區域中能產生體散射分量的散射體進行建模得到自適應的廣義體散射模型(6)確定新相位差npd的閾值，判斷目標所處的區域并使用相應的模型：當新相位差npd大于一定值時，目標像素點處于城市等人造區域，使用方位二面角反射體的交叉散射模型來代替原始混合freeman/eigenvalue分解方法中的體散射模型來進行極化sar圖像分解，獲得人造區域的表面散射功率ps，偶次散射功率pd，體散射功率pv；當新相位差npd小于一定值時，目標像素點處于自然區域，使用自適應的廣義體散射模型來代替原始混合freeman/eigenvalue分解方法中的體散射模型來進行極化sar圖像分解，獲得自然區域的表面散射功率ps，偶次散射功率pd，體散射功率pv；(7)用紅色r、綠色g、藍色b三個顏色分量作為三基色，分別表示輸入極化sar圖像中的pd,pv,ps三種散射功率分布灰度圖像，并合成rgb圖像輸出。本發明采用了含有廣義體散射模型的技術方案使得體散射模型更具普遍性，抑制了體散射過估計問題，而且加入的交叉極化分量模型，能夠更好區分城市區域和森林區域，分解得到的參數可以更好地應用于后續極化sar圖像目標檢測和分類。本發明與現有技術相比具有以下優點：第一，本發明使用的改進體散射模型，相比于采用固定體散射模型的算法，根據目標所處區域采用不同的表征體散射分量的模型，當目標處于城市區域時，使用表征二面角反射體的交叉散射模型；當目標處于自然區域時，使用廣義體散射模型，這兩種模型隨著目標像素點的不同而自適應調整，能夠有效地應對各種地物的特征，可以有效地抑制體散射過估計問題的同時，增大各區域主導散射機制的比例。第二，相比于原始的混合freeman/eigenvalue分解，本發明使用改進體散射模型，使得各個散射區域分解結果更符合對應的地物特征，大大降低了產生負功率的像素點的比例。附圖說明圖1是本發明的流程圖；圖2是flevoland_smallpicture地區paulirgb原圖，標有區域a，區域a表示城市區域；圖3是本發明與現有技術方法對flevoland_smallpicture地區分解rgb效果對比圖；其中圖3(a)為原始混合freeman/eigenvalue分解結果，圖3(b)為基于擴展體散射模型的混合freeman/eigenvalue分解結果，圖3(c)為本發明分解結果圖。具體實施方式下面結合附圖和具體實施例對本發明詳細說明。現有技術是采用固定體散射模型，不能具體地表征各種地物的體散射分量，體散射分量會過度估計，產生負功率的問題。針對這些技術問題本發明開展了研究與創新，提出了一種自適應體散射模型的freeman/特征值分解方法。實施例1本發明是一種自適應體散射模型的freeman/特征值分解方法，參見圖1，包括有如下步驟：(1)輸入極化sar圖像數據矩陣：直接輸入極化sar圖像相干矩陣t或協方差矩陣c，當輸入數據為相干矩陣t時，t中包含六個矩陣t11,t12,t13,t22,t23,t33，代表極化sar圖像中每個像素點的極化信息；當輸入數據為協方差矩陣c時，c中包含六個矩陣c11,c12,c13,c22,c23,c33，代表極化sar圖像中每個像素點的極化信息；協方差矩陣c和相干矩陣t可以相互轉換。本例使用極化相干矩陣t作為輸入。(2)精致lee濾波：采用精致lee濾波方法，將極化合成孔徑雷達sar圖像進行濾波，去除斑點噪聲的影響，得到濾波后的極化合成孔徑雷達sar圖像中每個像素點的相干矩陣t；也就是對極化sar圖像矩陣的預處理。極化sar圖像還可以使用simga濾波、極化白化濾波等，但是精致lee濾波算法簡單有效，去噪效果明顯，本例采用精致lee濾波。(3)計算極化方位角θ：根據極化sar圖像的極化相干矩陣t，通過極化方位角計算公式得到極化方位角θ；計算極化方位角θ是為了用于極化方位角補償，減少目標極化方位角的隨機性，最大限度地減少方位角對分解結果產生的影響。(4)通過極化方位角θ得到新相位差npd：極化sar分解圖像中包含地球表面各種地物種類，為了更好地進行分解，將各種地物首先分成人造區域和自然區域兩大類，城市區域屬于人造區域。通過共極化相位差cpd和交叉極化相位差xpd，利用其在不同區域，所表現出的不同值來確定出新相位差npd，以便在極化sar圖像中區分城市區域和自然區域。本發明經過大量的實驗分析，對極化方位角進行如下判斷，當極化方位角小于一定值θch時，城市區域和自然區域用共極化相位角cpd來判斷。當極化方位角大于一定值θch時，城市區域和自然區域用交叉極化相位角xpd來判斷，更為合理。本例中用于判斷的一定值等于π/8。在本發明中，定義一個參數新相位差npd，當極化方位角小于一定值時，新相位差npd等于cpd，當極化方位角大于一定值時，新相位差npd等于xpd，用新相位差npd進行區分極化sar圖像中城市區域和自然區域相比于原始混合freeman/eigenvalue分解中的判斷城市區域和自然區域的條件更符合極化sar圖像的城市區域和自然區域的劃分。(5)構建改進的自適應體散射模型：通過極化方位角θ和方位角分布函數建模得到表征城市區域的方位二面角反射體的交叉散射模型<[t]>cross，相比在城市區域使用的固定方位二面角散射模型，本發明使用的交叉散射模型能夠隨著目標像素點的極化方位角來調整模型的結構，使得在分解城市區域時，得到的各散射分量更加符合城市區域的特征。本發明為了解決體散射模型選用困難的問題，在分析森林中散射體不完全滿足方位角對稱性的特點基礎上，通過對自然區域中森林冠層等典型的能產生體散射分量的散射體進行建模得到自適應的廣義體散射模型相比用于自然區域的固定體散射模型，本發明使用的廣義體散射模型能夠根據參數自適應調整模型的結構，可以適應自然區域不同的地物特征。(6)確定閾值，根據上述求得的新相位差npd判斷目標所處的區域：用于判斷的閾值是根據極化sar圖像的波段、搭載平臺和天氣的變化來確定，確定后用于城市區域和自然區域；根據極化sar圖像的特點，在城市區域的新相位差npd相對于自然區域的新相位差npd較大。當新相位差npd>閾值時，目標像素點處于城市等人造區域，使用二面角反射體的交叉散射模型<[t]>cross來代替原始混合freeman/eigenvalue分解方法中的體散射模型來進行極化sar圖像分解，獲得城市區域的表面散射功率ps，偶次散射功率pd，體散射功率pv；相比用于城市區域的方位二面角的固定散射模型，本發明使用的交叉散射模型根據目標像素點的極化方位角自適應調整，更加符合城市區域每個像素點的散射特征，可以有效地減少城市區域的體散射分量，增大城市區域主導散射分量，即偶次散射分量。當新相位差npd<閾值時，目標像素點處于自然區域，使用本發明提出的自適應的廣義體散射模型來代替原始混合freeman/eigenvalue分解方法中的體散射模型來進行極化sar圖像分解，獲得自然區域的表面散射功率ps，偶次散射功率pd，體散射功率pv；相比用于自然區域的hajnsek體散射模型，本發明使用的廣義體散射模型不僅能減少各區域的體散射分量，增大自然區域各主導散射分量，而且其能夠根據參數模型自適應調整，更具有普遍性。本例中用于判斷的閾值等于(7)用紅色r、綠色g、藍色b三個顏色分量作為三基色，分別表示輸入極化sar圖像中的pd,pv,ps三種散射功率分布灰度圖像，并合成rgb圖像輸出，完成了對輸入極化sar圖像的自適應體散射模型的freeman/eigenvalue分解。本發明使用的自適應體散射模型，相比于采用固定體散射模型的算法，根據目標所處區域采用不同的表征體散射分量的模型，當目標處于城市區域時，使用表征二面角反射體的交叉散射模型；當目標處于自然區域時，使用廣義體散射模型，這兩種模型隨著目標像素點的不同而自適應調整，能夠有效地應對各種地物的特征，可以有效地抑制體散射過估計問題的同時，增大各區域主導散射機制的比例。實施例2自適應體散射模型的freeman/特征值分解方法同實施例1，步驟(4)中通過極化方位角θ得到新相位差npd，包括有如下步驟：4a)計算共極化相位差cpd：上式左邊表示復數的指數形式，共極化相位差cpd等于ρhhvv表示共極化相關系數。上式中間表示輸入極化sar圖像協方差矩陣c相關元素項的一般形式，其中：c11,c33,c13為協方差矩陣c的相關項。4b)計算交叉極化相位差xpd：上式左邊表示復數的指數形式，交叉極化相位差xpd等于ρhhhv表示交叉極化相關系數。上式中間表示輸入極化sar圖像協方差矩陣c相關元素項的一般形式，其中：c11,c22,c12為協方差矩陣c的相關項。根據復數求輻角函數angle求得cpd和xpd：上式中c11,c22,c33,c12,c13分別表示輸入極化sar圖像協方差矩陣c的元素項。當輸入極化sar圖像確定后，其協方差矩陣元素項值是確定的。4c)求得新相位差npd：當極化方位角θ小于一定值θch時，用共極化相位差cpd來界定城市區域和自然區域；當極化方位角θ大于一定值θch時，用交叉極化相位差xpd來界定城市區域和自然區域。為此定義一個參數新相位差npd：用于判斷的一定值θch會根據極化sar運載平臺和對于目標區域的飛行方向變化而調整，本例中用于判斷的一定值θch等于π/8。實施例3自適應體散射模型的freeman/特征值分解方法同實施例1-2，本發明步驟(6)中的確定用于判斷的新相位差npd的閾值，判斷目標所處的區域，并進行相應的分解。現有技術中的原始的混合freeman/eigenvalue分解算法形式：α表示散射角，ps表示表面散射功率，pd表示偶次散射功率，pv表示體散射功率。根據原始的混合freeman/eigenvalue分解可得：上面的tab,a,b∈(1,2,3)表示極化sar圖像的相干矩陣t的對應項。由上式分別可得每個像素點的體散射功率pv、表面散射功率ps、偶次散射功率pd。原始的混合freeman/eigenvalue分解體散射模型的一般形式如下：本發明對上述原始混合freeman/eigenvalue分解方法提出改進方案：當新相位差npd>閾值時，目標處于城市區域，用二面角反射體的交叉散射模型代替原始的固定體散射模型；當新相位差npd<閾值時，目標處于自然區域，用廣義提散射模型來代替原始的固定提散射模型。本發明通過新相位角npd的閾值，判斷目標所處的區域，并進行相應的分解，包括如下步驟：6a)當新相位差npd>閾值時，目標像素點處在城市區域：使用方位二面角反射體的交叉散射模型<[t]>cross來代替原始混合freeman/eigenvalue分解方法中的體散射模型，此時：本發明使用的用于城市區域分解的交叉散射模型中的fd,fv對應項，根據目標像素點的極化方位角的變化而調整，相對于原始混合freeman/eigenvalue分解方法中使用固定體散射模型，能自適應城市區域的地區特征。6b)當新相位差npd<閾值時，目標像素點處在自然區域：使用廣義體散射模型來代替原始混合freeman/eigenvalue分解中的體散射模型，此時：其中表示水平極化分量與垂直極化分量之間的比值。本發明使用的用于自然區域的廣義體散射模型中fs,fd,fv,fsd,fds對應項，根據目標像素點的水平極化分量與垂直極化分量之間的比值而自適應調整，相比于原始的混合freeman/eigenvalue分解方法中的固定體散射模型，本發明使用的廣義散射模型能夠適應不同自然區域的地物特征。用于判斷的閾值是根據極化sar圖像的波段、搭載平臺和天氣的變化確定，本發明經過實驗驗證閾值在范圍內浮動。閾值會在區間略微調整，確定后的閾值用于區分城市區域和自然區域。本例中用于判斷的閾值等于本發明首先利用極化方位角θ和方位角分布函數求得二面角散射體的交叉散射模型<[t]>cross，用于表征城市區域的體散射分量；并且提出了能隨著水平分量與垂直分量之間比值變化的廣義體散射模型用于表征自然區域的體散射分量。下面給出一個完成的例子，對本發明做進一步說明。實施例4自適應體散射模型的freeman/特征值分解方法同實施例1-3，參照圖1本發明具體步驟如下：步驟1：輸入極化sar數據矩陣：即極化協方差矩陣c或極化相干矩陣t。c11,c22,c33,c12,c13表示協方差矩陣的元素項，分別表示c12,c13,c23的共軛轉置；t11,t22,t33,t12,t13表示協方差矩陣的元素項，分別表示t12,t13,t23的共軛轉置。t與c矩陣可以相互轉化，轉化系數為a：其中，c＝inv(a)*t*inv(at)，t＝a*c*at，inv表示矩陣的逆，矩陣上標t表示矩陣的轉置運算。本例中使用極化相干矩陣t作為輸入。步驟2：精致lee濾波：采用精致lee濾波方法，對極化合成孔徑雷達sar圖像進行濾波，去除斑點噪聲對極化分解產生的影響，得到濾波后的極化合成孔徑雷達sar圖像的相干矩陣t。步驟3：計算極化方位角θ：根據極化方位角計算公式可得：tan-1表示反正切函數，t23,t22,t33表示相干矩陣的元素項，re{t23}表示相干矩陣t23項的實部。利用極化方位角θ，通過公式t(θ)＝[r(θ)]t[r(θ)]*將輸入的相干矩陣t進行方位角補償，減少目標極化方位角的隨機性對分解結果帶來的影響，方位角補償矩陣：其中t是極化相干矩陣，t(θ)是方位角補償后的相干矩陣，上標*表示矩陣的共軛轉置。步驟4：計算共極化相位差cpd、交叉極化相位差xpd和npd：4a)計算共極化相位差cpd：上式左邊表示復數的指數形式，共極化相位差cpd等于ρhhvv表示共極化相關系數。4b)計算交叉極化相位差xpd：上式左邊表示復數的指數形式，交叉極化相位差xpd等于ρhhhv表示交叉極化相關系數。在matlab中根據負數求輻角函數angle求得cpd和xpd：上式中c11,c22,c33,c12,c13分別表示輸入極化sar圖像協方差矩陣c的元素項。4c)求得新相位差npd：當極化方位角θ小于一定值θch時，用共極化相位差cpd來界定城市區域和自然區域；當極化方位角θ大于一定值θch時，用交叉極化相位差xpd來界定城市區域和自然區域。為此定義一個參數，新相位差npd：本例中用于判斷的一定值θch等于π/8步驟5：構建改進的自適應散射模型：5a)當新相位差npd>閾值時，目標處在城市區域，使用二面角反射體的交叉散射模型<[t]>cross來代替體散射模型；交叉散射模型如下：其中θ表示極化方位角，td(θ)表示二面角反射體的相干矩陣，p(θ)表示方位角分布函數。5b)當新相位差npd<閾值時，目標位于自然區域，使用廣義體散射模型來代替原始混合freeman/eigenvalue分解方法中的體散射模型。廣義體散射模型如下：其中表示水平極化分量與垂直極化分量之間的比值。gulabsingh提出使用擴展體散射模型來改進混合freeman/eigenvalue分解方法中，當目標像素點處于自然區域時，使用hajnsek體散射模型。當r>2時：當r<-2時：當-2≤r≤2時：其中r表示垂直極化分量與水平極化分量比值取對數，c11,c33表示協方差矩陣的相應項。當r>2時，對應的體散射模型是γ＝3/8時的廣義體散射模型；當r<-2時，對應的體散射模型是γ＝8/3時的廣義體散射模型；當-2≤r≤2時，對應的體散射模型是γ＝1時的廣義體散射模型。廣義體散射模型取不同的γ值，涵蓋了hajnsek提出的根據參數采用的不同的固定體散射模型。廣義體散射模型還能夠隨著γ值的變化，在hajnsek三種體散射模型之間連續變化，所以廣義體散射模型根據不同像素點γ值能夠進行自適應調整，能適應不同的地物特征。步驟6：確定用于判斷的新相位差npd的閾值，判斷目標所處的區域，并進行相應的分解：6a)當新相位差npd>閾值時，像素點處在城市區域：根據原始的混合freeman/eigenvalue分解可得：上面的taba,b∈(1,2,3)表示極化相干矩陣t的對應項。由上三式分別可得極化圖像中每個像素點的體散射功率值pv、表面散射功率值ps、偶次散射功率值pd，合成rgb圖像輸出。6b)當新相位差npd<閾值時，像素點處在自然區域：α表示散射角，ps表示表面散射功率，pd表示偶次散射功率，pv表示體散射功率。根據原始的混合freeman/eigenvalue分解可得：上面的taba,b∈(1,2,3)表示極化相干矩陣t的對應項，如t11為矩陣t第一行第一列的對應項。由上三式分別可得每個像素點的體散射功率值pv、表面散射功率值ps、偶次散射功率值pd，合成rgb圖像輸出。根據極化sar圖像的特點，在城市區域的新相位差npd相對于自然區域的新相位差npd較大，本例中用于判斷的閾值經過實驗驗證等于比較合理。下面通過仿真實驗對本發明的技術效果進行驗證和說明。實施例5自適應體散射模型的freeman/特征值分解方法同實施例1-4，下面結合仿真對本發明的效果做進一步說明。仿真實驗條件：本發明的硬件測試平臺是：處理器為intercorei3-550tmcpu，主頻為3.2ghz，內存4gb，軟件平臺為：windows7旗艦版64位操作系統和matlabr2015b。本發明輸入為2375x1635的flevoland_smallpicture地區的極化sar圖像的極化相干矩陣t。仿真內容：在仿真中用到的兩個與本發明進行效果對比的現有技術方法，如下：a)s.r.cloude等人在出版學術書“polarisation:applicationsinremotesensing.london,u.k.:oxforduniv.press,2009.”中提出的原始混合freeman/eigenvalue分解方法。b)gulabsingh等人在文獻“hybridfreeman/eigenvaluedecompositionmethodwithextendedvolumescatteringmodelieeegeoscienceandremotesensingletters,vol.10,no.1,january2013”中提出的基于擴展體散射模型的混合freeman/eigenvalue分解方法。c)本發明方法。仿真實驗結果：表格1是仿真內容中的三種方法得到的負功率像素點在整個flevoland_smallpicture地區所占的百分比。根據表格1可知，原始的混合freeman/eigenvalue分解方法，體散射過估計問題比較嚴重，導致極化sar圖像中，產生許多的負散射功率，占了47.29％，由于在極化sar圖像不會出現負功率，所以原始的混合freeman/eigenvalue分解方法所得到的分解結果與圖像不一致問題非常嚴重。基于擴展體散射模型的混合freeman/eigenvalue分解方法可以有效地改善負功率問題，降低了flevoland_smallpicture地區的極化sar圖像中的負功率像素點所占比例至6.09％；而采用本發明，針對同一極化sar圖像進行極化分解，不僅擴展了體散射的普遍性，更能適應不同的地物特征，而且進一步降低了flevoland_smallpicture地區的極化sar圖像中的負功率像素點所占的比例至0.0175％。負功率像素點所占比例大為減少，分解結果基本符合圖像的地物特征。表格1三種方法負功率百分比方法負功率百分比原始混合分解方法47.29％基于擴展體散射模型的混合分解方法6.09％本發明方法0.0175％表格2是仿真內容中的三種方法得到的各散射功率在區域a占總散射功率的百分比。根據表格2可知，在城市區域a，原始的混合freeman/eigenvalue分解方法，體散射依然占據相當一部分比例，為14.90％；由于體散射模型主要反映的是枝繁葉茂的森林地區，所以體散射在城市區域a中所占比例非常小。基于擴展體散射模型的混合freeman/eigenvalue分解方法中，在城市區域時，使用了方位二面角散射模型來代替體散射模型，能降低了體散射在城區中所占的比例至7.12％，使得更符合實際的地物特征。而采用本發明，針對同一極化sar圖像進行極化分解，不僅引入新的相位差npd，使得區分城區和自然區域更加合理，而且，引入了二面角散射體的交叉散射模型用于城市區域的分解，本發明使用的二面角散射體的交叉散射模型隨著極化sar圖像中不同像素點的極化方位角θ來進行調整，能夠自適應城市的不同區域。本發明分解得到的結果，在城市區域a體散射功率比例進一步降低至6.04％，上述兩種方法都未達到的。本發明在城區中偶次散射功率所占的比例為56.10％，增大了城市區域的主導散射分量的比例。表格2中的數據表明，在城市區域，本發明方法相比現有技術體散射分量減少的同時，增大了偶次散射分量的比例。表格2三種方法分解得到的各散射功率在區域a所占百分比方法表面散射功率偶次散射功率體散射功率原始混合分解方法33.56％51.54％14.90％基于擴展體散射模型的混合分解方法37.40％55.47％7.12％本發明方法37.86％56.10％6.04％實施例6自適應體散射模型的freeman/特征值分解方法同實施例1-4，仿真條件和仿真內容同實施例5，圖2是flevoland_smallpicture地區的原始paulirgb圖像，圖中主要有海洋、城區、森林、農田等典型的地物目標，圖中紅色區域即用矩形方框標注的區域a表示城區，綠色區域即城市周邊的區域表示森林區域，藍色區域即矩形塊為單元連接成的區域表示農田區域，圖2左上方深藍色區域表示海洋；圖2中區域a的正上方是一片城市與田野交錯的區域。圖3(a)為原始混合freeman/eigenvalue分解結果rgb合成圖，在圖3(a)中可以看出原始的混合freeman/eigenvalue分解方法在城市區域只能分解出大致輪廓，在標記區域a的正上方的城市區域體散射分量過大，導致許多像素點表現為綠色，不符合城市區域的地物特征；圖3(b)為基于擴展體散射模型的混合freeman/eigenvalue分解結果rgb合成圖，相比于圖3(a)，在標記區域a的正上方的城市區域的體散射分量得到部分抑制，在圖中表現為減少了該區域中綠色的區域；圖3(c)為本發明分解結果rgb合成圖，相比于圖3(a)和圖3(b)，本發明在標記a的正上方的城市區域的體散射分量得到進一步抑制，表現為圖中該部分城市區域的綠色部分大幅度減少，更準確地反映該區域的地物特征。綜上所述，本發明是一種自適應體散射模型的freeman/特征值分解方法，解決了極化sar圖像分解出現的體散射分量過估計和產生負功率像素點的技術問題。本發明的體散射模型可以根據參數自適應調整，相比于現有技術方法，本發明的交叉散射模型和廣義體散射模型能夠適應不同的地物特征。其具體的分解過程為：輸入極化sar圖像的數據矩陣，本發明使用極化相干矩陣t；精致lee濾波，消除斑點噪聲對極化分解結果產生的影響；計算極化方位角θ，進行方位角補償；通過極化方位角θ得到新相位差npd，計算共極化相位差cpd、交叉極化相位差xpd，根據npd判斷目標處在城市區域還是自然區域；構建改進的自適應體散射模型，在城市區域的體散射分量二面角散射體的交叉散射模型，在自然區域的廣義體散射模型；確定用于判斷的新相位差npd的閾值，判斷目標所處的區域，用對應的模型代替原始混合freeman/eigenvalue分解方法中的體散射分量模型；用紅色r、綠色g、藍色b三個顏色分量作為三基色，分別表示pd,pv,ps三種散射功率分布，并合成rgb圖像輸出。本發明采用的自適應體散射模型，在極化目標分解領域，能夠適應不同的地物特征，尤其在城市等人造區域，分解結果更準確，可應用于極化sar目標的識別與分類。當前第1頁12