【《SAR影像基础原理分析》6700字】

致谢-PAGE128--PAGE127-SAR影像基础原理分析目录TOC\o"1-3"\h\u242SAR影像基础原理分析 1211111.1SAR成像原理 136321.2SAR影像建筑物特征 2231931.2.1SAR影像建筑物成像特征 213631.2.2建筑物在SAR影像上的表征 5269351.3纹理特征分析 1055051.3.1灰度直方图 10154081.3.2灰度共生矩阵 11274351.3.3LBP 13174301.3.4Gabor滤波器 15232841.4极化特征分析 15307001.4.1相干目标分解 16268751.4.2非相干目标分解 171.1SAR成像原理合成孔径雷达属于主动微波遥感，根据波长大小可分为8个波段，如表所示。遥感传感器所用雷达系统多为侧视雷达，雷达天线位于飞行器下方，在轨飞行过程中不断向垂直于航线的一侧或两侧的目标发射能量脉冲，同时不断地将回波信号接收并记录在传感器中。通过传感器平台向前移动不断地发射波束与接收回波信号，可得到连续带状雷达图像，即建立地表二维图像，从而对地物目标的特性进行分析，图为SAR系统成像过程。表2-1电磁波类型波段波长范围波段波长范围毫米波Ka0.8~1.1cm厘米波C3.8~7.3cmK1.1~1.7cmS7.3~15cm厘米波Ku1.7~1.4cm分米波L15~30cmX1.4~3.8cmP30~100cm图2-1SAR系统成像几何示意图1.2SAR影像建筑物特征1.2.1SAR影像建筑物成像特征1.2.1.1几何特征由于SAR侧视成像的特点，其发射的雷达波束通过一定的俯角投射到目标地物，因此入射角的大小对SAR图像的特性有着很大的影响，如图所示，当局部入射角越大时，回波信号越弱，在SAR图像上呈现出较暗的特征，反之亦然。也正是因为该特点使得SAR图像中存在叠掩、透视收缩和阴影等几何特征，本节主要对以上三种几何特征进行具体说明。图2-2地形与入射角和SAR图像的亮度关系（1）叠掩当雷达波束投射到建筑物，建筑物前的地面、墙面及屋顶到雷达的距离相同时，其回波的记录时间也相同，后向散射信号叠加，形成叠掩现象，如图所示，在SAR图像中呈现为较亮的特征。图2-3SAR影像上建筑物叠掩模型（2）透视收缩由于雷达波束照射时沿入射方向投影，其斜距长度往往较地表实际的水平距离短，即产生透视收缩现象，该现象仅在距离向上发生。以尖顶建筑物为例，如图所示，当屋顶前角α与后角α1相同时，入射角θ越小，透视收缩现象越严重，在SAR图像中呈现越亮的特征。当入射角小到一定程度时，地物目标在影像中还会发生顶底倒置现象。图2-4SAR影像建筑物透视收缩模型（3）阴影当雷达波束照射到建筑物时，由于建筑物遮挡，其背后会存在雷达波束无法到达的区域，无法产生后向散射信号。如图所示，在SAR影像中的亮度很低，即为阴影。图2-5SAR影像建筑物阴影模型1.2.1.2散射特征SAR图像多为单波段图像，其图像信息主要根据图像的灰度及其空间变化来进行分析，在SAR图像中不同的灰度大小代表了不同地物目标后向散射强度的大小。地物目标的后向散射回波强度越大，SAR图像中的灰度值越大，反之亦然。在雷达侧视成像的过程中，其后向散射强度也会受到传感器的各种参数及地物目标的散射特性的影响。当地物目标接收到雷达传感器发射的波束后会产生不同的极化散射类型的回波，散射类型通常包括镜面散射、二次散射、体散射等，其中镜面散射和体散射为雷达成像时所涉及的主要的散射类型。图2-6建筑区主要散射机制1.2.1.3图像特性由于SAR基于相干原理成像，在雷达向地物目标发射相干信号的过程中，目标上的随机散射面形成的散射信号相互干涉，这种在雷达信号回波中产生的相干斑噪声是SAR图像中存在的固有缺陷，在图像中表现为颗粒状的“椒盐”噪声。这种噪声对SAR图像的质量产生较大的影响，不仅会降低图像的信噪比以及分辨率，还影响其可解译性及后续应用，当噪声严重时，可能还会造成目标地物特征消失的现象。因此，在对SAR图像进行分析解译之前，需要通过合适的滤波方法对图像中的斑点噪声进行滤除，从而改善其辐射性能，削减噪声对目标信息的干扰。1.2.2建筑物在SAR影像上的表征显著的外形轮廓作为建筑物最为典型的特征，在SAR影像中的形态分布较为规整，拥有规则的纹理特征，其形态以长方形、L形、圆形或多种规则几何形状的组合居多。由于光滑地面与墙面之间存在二次散射，以及与建筑物的凹部及其他表面，例如阳台、屋顶等构成的多次散射，使得建筑物在图像中拥有较强的散射强度，在SAR图像中表现出较亮的特性。同时由于不同的雷达入射角与各种几何形态屋顶的建筑物的存在，建筑物的SAR影像特征也各有差别，本节讨论的情况为同一入射角下，不同几何形态屋顶的建筑物在SAR影像上的表征。1.2.1.1完好建筑物在SAR影像上的表征建筑物在高分辨率SAR影像中的典型特征有分布式的强散射点、建筑物的阴影区域以及二次散射亮线，由这些影像特征可知，建筑物在SAR图像中会出现叠掩区、角反射区、阴影区以及屋顶区等部分。一般情况下，根据屋顶的几何形态主要分为平顶建筑物与尖顶建筑物，平顶建筑物多为城区建筑，而尖顶建筑物主要为农村建筑。从SAR图像特征上来看，完好建筑物的排列布局较为规则。图2-7为正侧视情况下，平顶建筑物（剖面）在地距影像上的投影情况，从近距到远距处依次为叠掩区、角反射区、屋顶区以及阴影区，其中角反射区为一条最亮的亮线，传感器接收到的屋顶区与叠掩区的回波相对较弱，图像亮度较低，阴影区域的灰度值最低。图2-7完好建筑物SAR图像成像示例尖顶建筑物除此之外还需要考虑屋顶的坡角的影响，与平顶建筑物的散射特征不同，因此还存在屋顶单次反射效应，这是由于屋顶在距离向上较长，回波信号到达墙角的距离小于信号到达屋顶后端的距离，使得有一部分屋顶具有独立的回波信号。图2-8为尖顶建筑物（剖面）在地距影像上的投影情况（坡角小于入射角）示意图。图2-8尖顶建筑物成像机理与投影关系图为建筑物在不同分辨率的SAR图像中的目视效果，当空间分辨率越高时，建筑物的影像特征越清晰。ERS-2(25米)Radarsat-1(8米)机载SAR(3米)TerraSAR-X(1米)图2-9建筑在不同分辨率SAR图像中的表现1.3.1.2震害建筑物在SAR影像上的表征地震往往会引起建筑物发生不同程度的损毁倒塌，其结构也因此受到破坏，当房屋完全倒塌后，规则的纹理特征以及房屋排列关系消失，墙面与地面之间形成的二面角反射器消失，入射雷达波被散射至各个方向，回波信号减弱；而房屋倒塌后造成的瓦砾碎砖的堆积，使得叠掩、阴影等特征消失或减弱，同时可能会形成很多小的角反射器，回波信号增强，在图像中表现为杂乱、高亮的点。图2-10倒塌房屋散射特征图分别为损毁未倒塌、坍塌损毁、倾斜损毁的高分辨率SAR图像及光学图像。(a)(b)(c)图1.4损毁未倒塌建筑SAR图像及相应的光学图像和实地照片（Brunner,2010）(a)损毁平顶建筑SAR图像，TerraSAR-X,1米分辨率，建筑未倒塌，(b)震后同一建筑的WorldView-1图像，(c)实地相片(a)(b)(c)图1.5部分坍塌损毁平顶建筑SAR图像及相应的光学图像和实地照片（Brunner,2010）(a)为震前QuickBird图像，(b)为震后WorldView-1图像，图中建筑靠下部有一部分坍塌损毁，(c)震后TerraSAR-X图像（图中坍塌损毁的建筑二次反射亮线明显消失，图像靠右边的二次反射由围墙产生）。(a)(b)(c)图1.6倾斜损毁平顶建筑SAR图像及相应的光学图像和实地照片（Brunner,2010）。(a)为震前QuickBird图像，(b)为震后WorldView-1图像，(c)震后TerraSAR-X图像。1.3纹理特征分析图像中的纹理特征是灰度的空间分布特征，主要用来表示地表的粗糙程度和空间分布状态，在遥感影像中，纹理特征是判别地物目标的一种重要标志（Gong等，2014）。提取纹理特征的方法有模型纹理分析、结构纹理分析、统计纹理分析、空间/频率域联合纹理分析法。遥感影像中建筑物的纹理特征体现了空间等多种特征的组合信息，其中最常用的为统计纹理分析法，通过对某一单位的窗口大小的统计分析来获取纹理特征，可以较好地描述局部纹理模式的随机性和空间统计性及一些纹理细节，适用于识别遥感图像中复杂的地物分布（Gong等，2016）。1.3.1灰度直方图像素点的组合构成图像，灰度图或彩色图中的每个像素点的值代表了该点的颜色。灰度直方图就是通过统计灰度图中的像素点值得到一个统一的灰度概念，该统计方法是最直观的统计分析方法之一，通过对每个灰度值的频率大小进行计数得到统计结果。主要有均值、方差、偏度、峰度、熵等纹理特征。1.3.2灰度共生矩阵在统计纹理分析法中，基于灰度共生矩阵的纹理特征分析方法（GrayLevelCo-occurrenceMatrix，GLCM）是最常用也是最经典的方法之一，目前已广泛应用于遥感影像的纹理信息提取中（Ulaby等，1986；Wang等，2010；Anys等，1994；吴樊等，2005）。灰度共生矩阵方法是计算二阶纹理特征最常用的方法之一，其主要思想是在一幅图像中利用计算一定距离内两个灰度级之间的相关性，来反映图像在方向、变化范围等方面的综合信息，强调了灰度的空间依赖性，反映了图像像元之间的空间关系(Soh和Tsatsoulis，1999)。多数学者都是基于GLCM的纹理特征分析方法来提取震害建筑物的纹理信息。最常用的特征有反差、相异度、同质性、角二阶矩、熵、均值、方差、相关性等。本实验中应用的纹理特征参数特征描述如下：（1）均值（MEAN）用于反映图像中灰度分布及局部变化情况。u（2）方差（VAR）表示像元值与均值的偏差，用于衡量图像中灰度分布的分散和不均匀特性，反映了纹理的强度信息。σ（3）相关性（COR）描述了灰度共生矩阵元素在一定位置关系的相似程度，例如在行或列方向上，反映了图像纹理的一致性。当其相关性值越大，矩阵元素值相差越大，代表矩阵元素越均匀，图像纹理的一致性越强，表明该区域的稳定无变化性越大。COR=其中，uuσσ（4）反差（CON）反映了图像纹理沟纹的深度和及锐度。纹理沟纹越深，其对比度越大，视觉效果越鲜明，图像越清晰，反之亦然。对比度大的像素对越多，即灰度差越大，灰度共生矩阵中远离对角线的元素值越大，反差的值越大。CON=（5）异质性（DIS）与反差呈高度线性相关关系，矩阵中远离对角线的元素值越大，局部反差越大，异质性值也越大。DIS=（6）同质性（HOM）与反差、异质性呈反相关关系。反映了图像纹理的不同区域间的变化，矩阵中远离对角线的元素值越小，同质性值越大，突出显示了局部均匀的目标区域。HOM=（7）熵（ENT）表征了纹理的非均匀程度或复杂程度，是图像所具有的信息量的度量。当灰度不均匀时，即地物类型较多，建筑物排列越不规则时，纹理信息越杂乱，熵值越大，随机性越大，反之亦然。ENT=（8）角二阶矩（ASM）是灰度共生矩阵元素值的平方和，也称能量，同样也是表征纹理复杂程度的纹理特征，与熵呈反相关关系。当地物类型较少，建筑物纹理均匀且规则分布时，角二阶距值较大，反之亦然。ASM=在上述公式中，i,j均表示0,1,2,···,N–1，N表示图像灰度级数，Pi,j代表从图像灰度为i的像素出发，在统计与距离为δ的情况下，灰度为j的像素出现的概率。1.3.3LBP局部二值模式(LocalBinaryPattern，LBP)是一种被广泛应用的纹理分析方法，可以较好的识别图像纹理的局部结构特征。该算法（图2）利用一个3×3窗口中心像素的灰度值，对邻域进行阈值化，从而得到一个LBP值，然后对归一化处理后各区域的统计直方图进行连接，得到的最终的LBP纹理特征向量，算法简单且效率较高，计算公式为（1）。之后有许多研究人员对原始LBP特征进行了改进，主要有旋转不变LBP特征（RotationInvariant，LBP），等价模式或均匀模式LBP特征（UniformPattern，LBP）等。RILBP具有旋转不变的特性，在灰度变化方面具有很强的鲁棒性，其LBP值为旋转圆形邻域后得到的不同的初始LBP值中的最小值（Ojalaetal，2002），计算公式为（2）。Ojala提出的ULBP模式实际上是对LBP产生的多种二进制模式降维，从而提高统计性，计算公式为（3）。图2基本LBP算子Fig.2BasicLBPoperator(1)（当x大于等于0时，s(x)等于1，其小于0时s(x)=0）(2)(3)其中，公式中各字母代表的含义如下：p：窗口中第p个像素点（除了中心像素点）；I(c)：中心像素点的灰度值；I(p)：领域内第p个像素点的灰度值；ROR(x，i)：沿顺时针方向将第p个像素点x移动i次。1.3.4Gabor滤波器二维Gabor滤波器由DennisGabor首次提出，属于一种短时傅里叶变换，适用于纹理特征提取与识别（SandlerR，2006）。Gabor滤波器对于图像的边缘敏感，能够提供良好的，方向选择特性，可以在频域上不同尺度、不同方向上提取相关的特征，因此易于提取SAR目标与背景处的边缘信息及不同方位目标的方向信息（王璐等，2015）。在空间域上，二维Gabor滤波器是正弦平面波调制的高斯核函数，其计算公式为（4）。(4)其中，ω为调制频率，σ为标准差，θ为滤波器方向。1.4极化特征分析电磁波极化对目标物理散射特性敏感，通过极化测量即可对目标在物理上进行识别和分类（张红，2015）。1970年，Huynen第一次提出了目标极化分解的思想用于对目标进行识别分类（Huynen，1970）。目标极化分解是将散射回波复杂的散射过程分解为多种单一的散射过程，并赋予相应的散射矩阵，可以通过极化散射矩阵更好地揭示散射体的物理机制，并更加充分地利用极化信息进行应用。根据目标散射特性的变化，极化分解分为相干目标分解和非相干目标分解。相干目标分解针对极化散射矩阵的分解，要求目标的散射特征是确定的或稳态的；而非相干目标分解主要是针对极化协方差矩阵C、极化相干矩阵T等其他矩阵的分解，其分解的目标可以是非确定的，其应用更为普遍，这是因为在实际中，地物目标多为随机散射。本节基于相干目标极化分解和非相干目标极化分解，分析了两种分解方式的原理，其中包括Pauli分解、Krogager分解、Freeman分解、Yamaguchi分解、H/A/α分解五种极化分解方式。1.4.1相干目标分解1.4.1.1Pauli分解Pauli分解利用相干矩阵表征目标的极化特征，从而实现对目标地物的提取。地物目标的散射特性可以由HH、VV、HV、VH四种极化散射之和表示。该极化分解是选择Pauli基来测量散射矩阵的。在正交线性基（H，V）下，Pauli基可由以下四组2*2矩阵表示：SSSS散射矩阵S可采用如下形式：S其中，a、b、c、d均为复数。若用向量K表示，则如下：K=根据互易定理，上式可变为K=可看出Pauli分解的总功率保持不变：SPAN=1.4.1.2krogager分解1990年，Krogager提出了一种相干目标分解方法，该方法将对称的散射矩阵分解为相干分量球、二面角分量和螺旋体分量。在正交线性基下，散射矩阵[S]的Krogager分解可以表示如下：S=由于散射矩阵的绝对相位φ与雷达到目标之间的距离有关，因此，在处理数据时常把φ看成一个不相关参量。相位φs代表球分量相对于二面角分量和螺旋体分量的偏移量，ks、kd、kh分别表示球面、二面角、螺旋体散射分量对矩阵1.4.2非相干目标分解1.4.1.1H/A/α分解H/A/α分解是基于相干矩阵特征向量特征值的一种非相干目标分解，也叫特征值/特征向量分解，将目标相干矩阵分解为3种相干矩阵的和，并由相干矩阵的特征值得到3个特征向量，用于分析目标的散射特性。根据特征分解定理，3*3Hermitian矩阵T3T实数对角矩阵Σ3包含TΣ其中0<λ1<λ2<λ3归一化矩阵U3U特征向量可用如下公式表示u根据公式，T3T其中*T代表复共轭转置，如公式所示，秩等于3的矩阵可分解为三个秩等于1的相干矩阵的组合：TCloude和Pottier基于特征值-特征矢量分析的方法，进一步提出了极化熵、散射角和极化反熵（各向异性）等参数用于描述地物的散射机制，熵越低，目标越确定，熵越高，目标随机性越大。（1）散射熵（H）散射熵（H）是一种表示介质散射随机性的物理量（0<=H<=1），描述了目标地物在单向散射、双向散射和交叉散射过程中的混乱度与随机性，其公式表达如下：H其中，pi代表特征值λi当熵值较低时，目标地物的去极化效应较弱，随着熵值H的逐渐增大，目标地物的去极化效应逐渐增加，其计划散射信息的随机性增大，此时便需要考虑散射矩阵中的所有特征值。当熵值最大即H=1时，地物