朱岱寅 楊鳴冬 宋 偉 葉少華

(1.南京航空航天大學(xué)電子信息工程學(xué)院，雷達(dá)成像與微波光子技術(shù)教育部重點(diǎn)實(shí)驗(yàn)室，南京，211106； 2.中航工業(yè)雷華電子技術(shù)研究所，無錫，214063)

?

高分辨率極化合成孔徑雷達(dá)成像研究進(jìn)展*

朱岱寅1楊鳴冬1宋 偉2葉少華2

(1.南京航空航天大學(xué)電子信息工程學(xué)院，雷達(dá)成像與微波光子技術(shù)教育部重點(diǎn)實(shí)驗(yàn)室，南京，211106； 2.中航工業(yè)雷華電子技術(shù)研究所，無錫，214063)

合成孔徑雷達(dá)(Synthetic aperture radar，SAR)是一種有效的地球遙感技術(shù)，對(duì)觀測區(qū)域進(jìn)行全天時(shí)、全天候的高分辨率大范圍成像，在軍事偵察、環(huán)境監(jiān)測和地質(zhì)測繪等領(lǐng)域有著十分廣泛的應(yīng)用。隨著雷達(dá)技術(shù)和地球科學(xué)的發(fā)展，人們期望能夠獲取更多的目標(biāo)特性，傳統(tǒng)的單極化SAR已經(jīng)難以滿足越來越多元化的實(shí)際應(yīng)用需求。極化合成孔徑雷達(dá)(Polarimetric synthetic aperture radar，PolSAR)基于多個(gè)極化通道獲取目標(biāo)不同極化狀態(tài)下的散射特性豐富了SAR圖像的信息量，拓展了SAR的應(yīng)用領(lǐng)域。從極化數(shù)據(jù)中準(zhǔn)確地解譯目標(biāo)的物理特性是PolSAR應(yīng)用的重要前提。本文對(duì)PolSAR的研究進(jìn)展進(jìn)行了總結(jié)，重點(diǎn)介紹了極化目標(biāo)分解算法，給出了高分辨率PolSAR實(shí)測數(shù)據(jù)處理結(jié)果，并對(duì)未來研究方向進(jìn)行了展望。

極化合成孔徑雷達(dá)；雷達(dá)成像；極化目標(biāo)分解；散射機(jī)理；散射模型

引 言

合成孔徑雷達(dá)(Synthetic aperture radar，SAR)作為一種先進(jìn)的航空、航天微波遙感手段，能夠提供觀測區(qū)域的高分辨率二維圖像，在災(zāi)害監(jiān)測、海洋觀測、環(huán)境保護(hù)、資源勘查、精細(xì)農(nóng)業(yè)、地質(zhì)測繪以及城市規(guī)劃等方面有著十分廣泛的應(yīng)用[1-6]。SAR基于飛機(jī)、衛(wèi)星等雷達(dá)平臺(tái)的運(yùn)動(dòng)，通過信號(hào)處理的方法獲取二維高分辨率，在本質(zhì)上是唯一可以實(shí)現(xiàn)高分辨率的成像雷達(dá)技術(shù)。SAR的傳感器是能夠穿透云、霧、雨和塵等物質(zhì)的主動(dòng)式微波輻射源，無須依賴太陽光源，從而具備全天時(shí)、全天候的全球范圍對(duì)地成像能力。隨著越來越多機(jī)載、星載SAR系統(tǒng)的投入使用，SAR在對(duì)地觀測領(lǐng)域展現(xiàn)出卓越的能力和不可或缺性，目前已經(jīng)成為高分辨率對(duì)地觀測和全球資源管理最重要的手段之一。

自20世紀(jì)50年代理論的提出以來，經(jīng)過數(shù)十年的發(fā)展，合成孔徑雷達(dá)已經(jīng)取得了眾多舉世矚目的成果。SAR系統(tǒng)的早期應(yīng)用中，主要是以軍事偵察和人造目標(biāo)探測為目的，SAR圖像僅僅能夠表征目標(biāo)的散射系數(shù)。隨著分辨率越來越高，SAR系統(tǒng)已經(jīng)不再滿足于只是獲得觀測區(qū)域的二維灰度圖像。同時(shí)，雷達(dá)技術(shù)、地球物理學(xué)參數(shù)反演模型的不斷發(fā)展，為SAR更廣泛的應(yīng)用提供了理論基礎(chǔ)。因此，在高分辨率成像處理技術(shù)不斷改進(jìn)的同時(shí)，SAR對(duì)目標(biāo)物理特性的解譯能力也需要進(jìn)一步提高。SAR的早期研究主要是依靠引入各種新技術(shù)，目前及未來的發(fā)展則逐漸轉(zhuǎn)變?yōu)橛筛鞣N應(yīng)用需求來推動(dòng)，提高圖像所包含的信息量，增強(qiáng)系統(tǒng)獲取目標(biāo)特征的能力。其中極化雷達(dá)遙感技術(shù)獲得了前所未有的關(guān)注和投入，是當(dāng)前研究的熱點(diǎn)，近年來發(fā)射和計(jì)劃發(fā)射的星載SAR都具有極化能力。主要以國外的雷達(dá)系統(tǒng)為代表，例如日本JAXA的ALOS-1，ALOS-2，加拿大CSA/MDA的RADARSAT Constellation Mission，德國DLR/Astrium的TerraSAR-X，Tandem-L，以及歐洲ESA的Sentinel-1和BIOMASS。

極化合成孔徑雷達(dá)(Polarimetric synthetic aperture radar，PolSAR)在SAR的基礎(chǔ)上引入電磁學(xué)中的極化理論，拓展了SAR的應(yīng)用領(lǐng)域。PolSAR通過分析散射電磁波中所包含的極化信息，以獲取目標(biāo)的散射特性，實(shí)現(xiàn)參數(shù)的精確反演。相比于傳統(tǒng)單極化SAR，全極化SAR具有以下優(yōu)勢：(a)全極化SAR能夠獲取更加豐富的目標(biāo)散射信息，從而可以估計(jì)相關(guān)物理參數(shù)，例如幾何形狀、材料構(gòu)成、濕度、粗糙度以及定向角等；(b)極化信息處理提取目標(biāo)的極化特征，降低了雷達(dá)波段、觀測角度等因素對(duì)目標(biāo)檢測的影響，增強(qiáng)了目標(biāo)的識(shí)別分類性能；(c)單極化SAR由于電磁波極化狀態(tài)固定，并不能對(duì)所有類型的目標(biāo)都能取得較好的觀測效果，全極化SAR通過不同的收發(fā)極化狀態(tài)對(duì)不同散射特性的目標(biāo)進(jìn)行更靈活的觀測；(d)全極化SAR能夠選取收發(fā)極化組合，以獲取目標(biāo)散射電磁波的最優(yōu)接收，提高系統(tǒng)抗干擾和雜波抑制的能力。PolSAR技術(shù)在軍事、農(nóng)業(yè)、林業(yè)、海洋以及地質(zhì)等方面存在重要的應(yīng)用潛力和價(jià)值[7-14]：(a)極化信息能夠反映農(nóng)作物的多種物理特性，農(nóng)作物的散射特性通常會(huì)隨著生長而發(fā)生變化，并且不同農(nóng)作物的散射特性之間也存在差異，PolSAR圖像可以用于監(jiān)測農(nóng)作物的生長情況，對(duì)不同農(nóng)作物進(jìn)行分類；(b)森林植被等一直是PolSAR應(yīng)用研究中的重要領(lǐng)域，研究人員致力于利用極化信息進(jìn)行森林生物量估計(jì)和植被種類識(shí)別，極化干涉SAR同時(shí)引入干涉測量技術(shù)，基于地表和隨機(jī)體散射模型(Random volume over ground，RVoG)能夠進(jìn)一步提高森林高度估計(jì)和植被分類的精度；(c)PolSAR對(duì)于海洋遙感的研究主要針對(duì)海浪、洋流和海面活性物質(zhì)，有效進(jìn)行海洋表面坡度測量、方位海浪坡度譜測量以及海流引起的表面特征測量，PolSAR圖像增強(qiáng)了雷達(dá)海洋探測的能力；(d)地表粗糙度和土壤濕度是地質(zhì)研究中的關(guān)鍵參數(shù)，傳統(tǒng)雷達(dá)回波受粗糙度、波長和地表介電常數(shù)等因素的影響，難以精確估計(jì)地表特征參數(shù)，PolSAR增加的測量信息使得地表粗糙度和土壤濕度對(duì)雷達(dá)回波的影響區(qū)分開來，從而提高估計(jì)精度，同時(shí)PolSAR圖像還常用于災(zāi)害監(jiān)測和損失評(píng)估。國內(nèi)外研究人員對(duì)極化信息的處理和應(yīng)用做了大量有意義的工作，本文對(duì)這些研究工作進(jìn)行了總結(jié)。

1 高分辨率SAR成像處理概述

對(duì)于極化合成孔徑雷達(dá)來說，極化信息處理的重要前提是SAR信號(hào)處理，獲得聚焦良好的高分辨率圖像。因此，本文首先對(duì)高分辨率SAR成像處理做一個(gè)簡單介紹。SAR作為一種廣泛應(yīng)用的遙感手段，根據(jù)不同觀測需求，可以按不同模式工作，從經(jīng)典的條帶(Stripmap)、聚束(Spotlight)和掃描(Scan)，到新興的滑動(dòng)聚束(Sliding spotlight)、TOPS(Terrain observation by progressive scans)以及延伸的逆SAR(Inverse SAR，ISAR)、雙基SAR(Bistatic SAR)和干涉SAR(Interferometric SAR，InSAR)等。經(jīng)過數(shù)十年的發(fā)展，研究人員提出了一系列優(yōu)秀的成像處理算法，獲取二維高分辨率。距離多普勒算法(Range Doppler algorithm，RDA)[4]是最簡單的精確成像處理技術(shù)，對(duì)距離向和方位向分別進(jìn)行匹配濾波，高效實(shí)用；但是二次距離壓縮(Second range compression，SRC)是處理中的一個(gè)難點(diǎn)，嚴(yán)重影響高分辨率情況下的聚焦效果。Chirp Scaling算法(Chirp scaling algorithm，CSA)[15]基于尺度變換原理對(duì)線性調(diào)頻(Chirp)信號(hào)進(jìn)行處理，距離徙動(dòng)校正(Range cell migration correction，RCMC)的插值操作可以通過傅里葉變換和復(fù)數(shù)乘法來實(shí)現(xiàn)，降低了運(yùn)算量；CSA忽略了SRC的距離空變性，并且使用了信號(hào)距離多普勒域的近似形式，在大斜視角、大場景成像時(shí)會(huì)產(chǎn)生嚴(yán)重的散焦，擴(kuò)展CSA(ECSA)[16]、分?jǐn)?shù)階CSA(FrCSA)[17]、非線性CSA(NCSA)[18]等進(jìn)行了改進(jìn)，以適用更多的場景。Frequency Scaling算法(Frequency scaling algorithm，F(xiàn)SA)[19]將尺度變換原理應(yīng)用于去斜率(Dechirp)信號(hào)，完成頻域信號(hào)變標(biāo)處理。Omega-K算法(Omega-K algorithm，OKA)[20,21]又稱為距離徙動(dòng)算法(Range migration algorithm，RMA)，基于信號(hào)二維頻譜的精確表達(dá)形式，沒有任何近似，是一種十分理想的成像算法，適用于各種場景的成像處理，精度高；但是核心步驟Stolt插值運(yùn)算量較大，影響了OKA的處理效率。極坐標(biāo)格式算法(Polar format algorithm，PFA)[3,22]主要應(yīng)用于聚束SAR成像，適用于成像場景較小的情況；核心步驟二維插值需要耗費(fèi)較大的運(yùn)算量，并且需要進(jìn)行額外的波前彎曲校正。除了上述頻域成像算法，還有典型的時(shí)域成像算法——后向投影算法(Back projection algorithm，BPA)[23]，及其改進(jìn)算法快速BPA，其需要對(duì)每個(gè)像素點(diǎn)進(jìn)行相干積累成像，運(yùn)算代價(jià)很高。

上述成像算法的提出都是假設(shè)雷達(dá)運(yùn)載平臺(tái)勻速直線運(yùn)動(dòng)，忽略了實(shí)際情況中平臺(tái)的不規(guī)則運(yùn)動(dòng)引起的航跡誤差。由于SAR 是相干成像系統(tǒng)，回波信號(hào)相位的精度決定了最終的圖像質(zhì)量。星載SAR中，運(yùn)動(dòng)誤差對(duì)于成像處理的影響不大，通?？梢院雎?。機(jī)載SAR中，即使微小的運(yùn)動(dòng)誤差都會(huì)引起較大的相位誤差，在某種程度上對(duì)分辨率、幾何線性度和對(duì)比度等產(chǎn)生影響，從而導(dǎo)致圖像聚焦質(zhì)量明顯下降。因此，運(yùn)動(dòng)補(bǔ)償是機(jī)載SAR數(shù)據(jù)處理中的關(guān)鍵步驟。特別是隨著分辨率不斷提高，合成孔徑時(shí)間較長，運(yùn)動(dòng)誤差引起的圖像散焦現(xiàn)象更加嚴(yán)重。目前，常用的運(yùn)動(dòng)補(bǔ)償方法有兩類：基于運(yùn)動(dòng)測量數(shù)據(jù)的運(yùn)動(dòng)補(bǔ)償和基于回波數(shù)據(jù)的運(yùn)動(dòng)補(bǔ)償?；谶\(yùn)動(dòng)測量數(shù)據(jù)的運(yùn)動(dòng)補(bǔ)償算法的代表是一步運(yùn)動(dòng)補(bǔ)償法[24]和兩步運(yùn)動(dòng)補(bǔ)償法[16]，通過包絡(luò)補(bǔ)償和相位補(bǔ)償兩個(gè)步驟對(duì)信號(hào)中的誤差進(jìn)行校正。由于運(yùn)動(dòng)誤差的距離空變性，包絡(luò)補(bǔ)償需要通過插值操作將信號(hào)校正到正確的距離單元，運(yùn)算量較大；算法補(bǔ)償效果受運(yùn)動(dòng)測量數(shù)據(jù)精度的影響較大，而高精度的運(yùn)動(dòng)參數(shù)測量設(shè)備通常成本較高?；诨夭〝?shù)據(jù)的運(yùn)動(dòng)補(bǔ)償算法又稱為自聚焦算法，利用參數(shù)估計(jì)技術(shù)從信號(hào)中估計(jì)載機(jī)的運(yùn)動(dòng)參數(shù)信息或運(yùn)動(dòng)誤差引起的相位誤差信息。優(yōu)點(diǎn)是補(bǔ)償精度高，幾乎不需要額外的硬件成本；缺點(diǎn)是實(shí)現(xiàn)復(fù)雜，處理效率低。典型的自聚焦算法有子孔徑偏移算法(Map drift，MD)[25]、秩一相位估計(jì)算法(Rank one phase estimation，ROPE)[26]和相位梯度自聚焦算法(Phase gradient autofocus，PGA)[27]。由于上述傳統(tǒng)自聚焦算法是基于聚束模式提出的，直接應(yīng)用于條帶模式效果并不理想。針對(duì)條帶模式與聚束模式的差異，研究人員進(jìn)行了改進(jìn)，其中具有代表性的是PGA-MD算法[28]。該算法結(jié)合兩種自聚焦算法的特點(diǎn)，利用相鄰子圖像間方位向偏移量和線性相位之間的關(guān)系，計(jì)算線性相位差，并基于一階導(dǎo)數(shù)實(shí)現(xiàn)子孔徑相位誤差函數(shù)拼接，能有效減小子孔徑相位誤差函數(shù)拼接過程中引入的誤差，提高對(duì)條帶SAR圖像的自聚焦效果。

綜上所述，要想獲取聚焦良好的成像結(jié)果，需要結(jié)合多種關(guān)鍵處理技術(shù)。本文簡要介紹了在機(jī)載SAR實(shí)測數(shù)據(jù)處理中一套行之有效的成像處理流程，該流程兼顧聚焦效果和處理效率，具有很好的實(shí)用價(jià)值。核心成像算法選擇Omega-K算法，因?yàn)槠涫且环N精度較高的理想成像算法；此外，該算法能夠首先完成距離向脈壓，后續(xù)處理時(shí)可以對(duì)數(shù)據(jù)距離向劃分子帶，針對(duì)距離向測繪帶較寬的情況合理匹配運(yùn)算資源，提高處理效率。運(yùn)動(dòng)補(bǔ)償采用多級(jí)處理的方法，將基于運(yùn)動(dòng)測量數(shù)據(jù)的運(yùn)動(dòng)補(bǔ)償與基于回波數(shù)據(jù)的運(yùn)動(dòng)補(bǔ)償結(jié)合起來，以獲取更好的效果。首先是基于運(yùn)動(dòng)測量數(shù)據(jù)的運(yùn)動(dòng)補(bǔ)償，因?yàn)榫嚯x向脈壓已經(jīng)完成，所以一步運(yùn)動(dòng)補(bǔ)償法更加適用于Omega-K算法；同時(shí)結(jié)合距離子帶對(duì)一步運(yùn)動(dòng)補(bǔ)償法的流程進(jìn)行改進(jìn)，對(duì)于單個(gè)距離子帶來說，運(yùn)動(dòng)誤差的距離空變性有所降低，可以近似為子帶中心距離單元的運(yùn)動(dòng)誤差，包絡(luò)補(bǔ)償就可以用復(fù)數(shù)乘法代替運(yùn)算量較大的插值，實(shí)現(xiàn)快速近似包絡(luò)補(bǔ)償；為了保證相位精度不受影響，推導(dǎo)了運(yùn)動(dòng)誤差的另一種表達(dá)式，改進(jìn)了相位補(bǔ)償，從而能夠在包絡(luò)補(bǔ)償前完成相位補(bǔ)償；快速近似包絡(luò)補(bǔ)償可以在Omega-K算法中的一致壓縮步驟進(jìn)行，不再需要一個(gè)單獨(dú)步驟，進(jìn)一步簡化了處理流程。自聚焦算法對(duì)Omega-K算法處理后的數(shù)據(jù)進(jìn)行處理，補(bǔ)償殘余運(yùn)動(dòng)誤差。完整的數(shù)據(jù)處理流程如圖1所示。

圖1 高分辨率機(jī)載SAR成像處理流程Fig.1 Flow diagram of high resolution airborne SAR imaging

2 極化合成孔徑雷達(dá)概述

隨著SAR技術(shù)的不斷發(fā)展，傳統(tǒng)單極化SAR獲取的電磁信息難以全面反映目標(biāo)散射特性。極化合成孔徑雷達(dá)作為一種應(yīng)用十分廣泛的微波遙感技術(shù)，一般通過兩個(gè)通道發(fā)射和接收特定極化狀態(tài)的電磁波，所測得的4組極化數(shù)據(jù)可以構(gòu)成一類完備的極化基集，從而獲取完整的極化信息。極化信息不僅包含散射功率信息，各通道間的相對(duì)相位信息還可以反映目標(biāo)散射特性的差異。PolSAR在SAR的基礎(chǔ)上引入電磁學(xué)中的極化理論對(duì)獲取的極化信息進(jìn)行處理，能夠增強(qiáng)SAR解譯散射機(jī)理的能力，精確反演目標(biāo)參數(shù)(如材料、形狀、粗糙度和定向角等)，在非監(jiān)督地物分類、目標(biāo)檢測和識(shí)別以及地物參數(shù)估計(jì)方面存在重要的應(yīng)用潛力和價(jià)值。PolSAR圖像最直接的應(yīng)用體現(xiàn)在其能夠更加精細(xì)地反映目標(biāo)的細(xì)節(jié)特征，盡管目前的SAR系統(tǒng)已經(jīng)能夠獲得比較高的分辨率，但雷達(dá)回波作為多種散射機(jī)理的集合，令目標(biāo)特征的解譯仍然存在巨大的挑戰(zhàn)。PolSAR通過分析不同散射機(jī)理的極化信息，從而識(shí)別更精細(xì)的目標(biāo)特征。Lee等通過處理丹麥Great Belt大橋C波段的全極化數(shù)據(jù)，得到橋梁建設(shè)過程中不同階段的極化圖像，提取出橋梁各個(gè)部分的散射特征，展示了PolSAR在分析人造建筑物目標(biāo)特征時(shí)表現(xiàn)出的優(yōu)越性能[7]。其次，PolSAR圖像包含更多的測量信息，擴(kuò)展了目標(biāo)的觀測維度，提取出的極化參數(shù)能夠反映更多的目標(biāo)散射特征，地表粗糙度和土壤濕度的估計(jì)、森林高度估計(jì)、冰川監(jiān)控以及海洋參數(shù)測量等都是PolSAR圖像的主要應(yīng)用領(lǐng)域。

為了便于分析極化合成孔徑雷達(dá)的應(yīng)用，首先介紹常用的參量。對(duì)于PolSAR，Sinclair提出了極化后向散射矩陣的概念[29]

(1)

式中：矩陣的4個(gè)元素表示復(fù)散射系數(shù)或復(fù)散射幅度，下標(biāo)H，V分別表示水平極化和垂直極化，對(duì)應(yīng)于接收和發(fā)射的極化狀態(tài)。本文主要討論單站后向散射的情況，在此條件下，滿足互易性假設(shè)的散射矩陣為對(duì)稱矩陣，即SHV=SVH，Pauli特征矢量可以表示為

(2)

Lexicographic特征矢量可以表示為

(3)

基于上述兩組特征矢量，可以得到描述目標(biāo)散射特性的兩個(gè)重要物理量。3×3極化相干矩陣由Pauli特征矢量與自身共軛的向量外積的統(tǒng)計(jì)平均得到

(4)

式中：〈·〉表示對(duì)數(shù)據(jù)求時(shí)間或空間的統(tǒng)計(jì)平均，主要針對(duì)分布式目標(biāo)的情況。3×3極化協(xié)方差矩陣則由Lexicographic特征矢量與自身向量外積的統(tǒng)計(jì)平均得到

(5)

對(duì)于單一散射目標(biāo)，其極化散射特性可以完全由式(1)的散射矩陣表示。分布式目標(biāo)可以認(rèn)為由大量隨機(jī)分布的單一散射目標(biāo)構(gòu)成，觀測的散射矩陣是由各獨(dú)立的散射機(jī)理相干疊加而成，無法由等價(jià)的單一散射目標(biāo)表示。因此，式(4)和式(5)中的二階統(tǒng)計(jì)量可以對(duì)分布式目標(biāo)進(jìn)行更全面、更精確的分析，PolSAR的大量研究也是基于極化相關(guān)矩陣或協(xié)方差矩陣進(jìn)行。此外，在目標(biāo)分類、參數(shù)反演等實(shí)際應(yīng)用中還會(huì)使用不同極化通道之間的復(fù)相關(guān)系數(shù)

(6)

式中SRR和SLL分別表示圓極化基下的右旋圓極化散射系數(shù)和左旋圓極化散射系數(shù)，能夠表示為線極化基下的散射系數(shù)的線性組合。

經(jīng)過數(shù)十年的發(fā)展，研究人員進(jìn)行了大量有關(guān)極化雷達(dá)應(yīng)用的研究。極化合成孔徑雷達(dá)的研究涉及電磁波散射理論、多通道相干雷達(dá)系統(tǒng)及數(shù)據(jù)處理技術(shù)以及目標(biāo)物理參數(shù)反演等，是基礎(chǔ)理論與實(shí)驗(yàn)科學(xué)緊密結(jié)合并相互促進(jìn)的典型研究領(lǐng)域之一，主要研究進(jìn)展歸納如下。

(1)極化信號(hào)自身特性

與其他科學(xué)研究類似，研究人員首先對(duì)極化信號(hào)、極化數(shù)據(jù)的自身特性進(jìn)行了深入研究，如最優(yōu)極化增強(qiáng)、極化數(shù)據(jù)的統(tǒng)計(jì)特性等。最優(yōu)極化討論的是如何選取收發(fā)極化組合，以求解目標(biāo)散射電磁波的最優(yōu)接收功率問題。Kostinski和Boerner研究了任意發(fā)射極化狀態(tài)下的最優(yōu)接收功率問題[30]；Ioannidis和Hammers討論了雜波環(huán)境下如何獲得最大的雷達(dá)信號(hào)強(qiáng)度，利用最優(yōu)極化辨別雜波和目標(biāo)[31]；楊健等提出了相對(duì)最優(yōu)極化的概念[32]，基于數(shù)值計(jì)算的方法求解各種收發(fā)極化組合情況下的相對(duì)最優(yōu)極化問題；楊健等還提出了極化相似性的理論[33]，進(jìn)一步提高抗干擾和雜波抑制的能力，并結(jié)合極化散射熵研究了廣義相對(duì)最優(yōu)極化問題[34]。最優(yōu)極化理論使得雜波抑制可以在極化域?qū)崿F(xiàn)，在抗干擾、極化增強(qiáng)和極化圖像分類等方面有著廣泛的應(yīng)用。王雪松等以瞬時(shí)極化信號(hào)理論為思路，在極化成像及干擾抑制等方面也作出了重要貢獻(xiàn)[35-37]。

關(guān)于極化數(shù)據(jù)統(tǒng)計(jì)特性的研究，以散射矩陣、相干矩陣和協(xié)方差矩陣的概率密度問題為主。研究表明復(fù)散射系數(shù)的幅度滿足瑞利概率密度分布，相位滿足均勻概率密度分布[38]；均勻區(qū)域目標(biāo)特征矢量滿足零均值復(fù)高斯分布，非均勻區(qū)域目標(biāo)特征矢量滿足K分布[39]；極化相干矩陣和協(xié)方差矩陣滿足復(fù)Wishart概率密度分布[40]。研究極化數(shù)據(jù)的統(tǒng)計(jì)特性能更有效地設(shè)計(jì)相干斑濾波、目標(biāo)分類和目標(biāo)檢測等算法，同時(shí)需要針對(duì)實(shí)際觀測數(shù)據(jù)的散射特性優(yōu)化統(tǒng)計(jì)方法。

(2)SAR圖像相干斑濾波

SAR圖像由于其成像原理，不可避免地受到相干斑噪聲的影響。相干斑噪聲增加了圖像解譯的難度，需要對(duì)PolSAR圖像進(jìn)行相干斑濾波，以使得極化數(shù)據(jù)的分析更加精確。均值濾波和中值濾波等常用的濾波技術(shù)雖然能有效降斑，但是目標(biāo)細(xì)節(jié)特征損失較嚴(yán)重，造成邊緣和特征模糊，并且缺乏自適應(yīng)性。Lee使用乘性噪聲模型描述相干斑的特性，提出了基于最小均方誤差的Lee濾波器[41]，利用局部均值和局部方差進(jìn)行相干斑濾波，因此又稱為局部統(tǒng)計(jì)特性濾波器。為了保持邊緣特征，Lee提出了基于邊界對(duì)齊窗的改進(jìn)Lee濾波器[42]，不再使用簡單的正方形窗選取鄰近像素，而是采用方向與邊緣方向相同的非正方形窗。基于局部統(tǒng)計(jì)特性的相干斑濾波算法還有很多改進(jìn)[43-45]，如Kuan濾波、Frost濾波、sigma濾波和最大后驗(yàn)概率(Maximum a posteriori，MAP)濾波等。同時(shí)還與一些新興理論結(jié)合[46]，如基于場景結(jié)構(gòu)模型、模擬退火等。上述濾波算法沒有對(duì)相干矩陣或協(xié)方差矩陣中的非對(duì)角線元素進(jìn)行合適的濾波，無法保留原始的極化信息。Goze和Lopes使用上述濾波器對(duì)協(xié)方差矩陣的非對(duì)角線元素進(jìn)行處理[47]；Novak和Burl提出了極化白化濾波器(Polarimetric whitening filter，PWF)[48]，通過最優(yōu)地組合協(xié)方差矩陣的所有元素，能夠?qū)θ珮O化數(shù)據(jù)進(jìn)行濾波；Lopes和Sery基于紋理模型和乘性噪聲模型，提出了針對(duì)紋理變化的相干斑濾波算法[49]。

(3)極化目標(biāo)分解算法

(4)極化目標(biāo)分類算法

(5)極化目標(biāo)檢測算法

目標(biāo)檢測一直是雷達(dá)技術(shù)應(yīng)用中的一個(gè)重要研究方向。經(jīng)典的目標(biāo)檢測大多基于統(tǒng)計(jì)方法，Chaney，Novak等提出一系列基于統(tǒng)計(jì)方法的極化目標(biāo)檢測技術(shù)，如極化白化濾波器、最優(yōu)極化檢測器(Optimal polarimetric detector，OPD)、單位似然比檢驗(yàn)(Identity likelihood ratio test，ILRT)等[78-81]?；诮y(tǒng)計(jì)方法的目標(biāo)檢測往往缺乏物理基礎(chǔ)，PolSAR由于其本身的系統(tǒng)設(shè)計(jì)，可同時(shí)提供目標(biāo)在多個(gè)極化通道的信息，因此極化目標(biāo)檢測應(yīng)充分利用更多的目標(biāo)散射信息。極化目標(biāo)檢測衍生出另一類基于物理方法的目標(biāo)檢測算法，該類算法在初始階段可以利用目標(biāo)的極化散射特性進(jìn)行檢測，在后續(xù)處理時(shí)再結(jié)合統(tǒng)計(jì)方法進(jìn)一步提高檢測能力。Lee等基于極化通道間的復(fù)相關(guān)系數(shù)[82,83]，分析了不同散射特性目標(biāo)的復(fù)相關(guān)系數(shù)的差別，提高了人造目標(biāo)與自然目標(biāo)的區(qū)分能力。文獻(xiàn)[33]中的極化相似性參數(shù)可用于估計(jì)目標(biāo)的散射類型、幾何結(jié)構(gòu)，文獻(xiàn)[34]結(jié)合極化散射熵、各極化通道功率和相似性參數(shù)，能夠有效進(jìn)行道路檢測和水面目標(biāo)檢測。此外，研究人員提出了一系列方法來檢測識(shí)別雷達(dá)圖像中的典型軍事目標(biāo)[84-87]，尤其是關(guān)于艦船目標(biāo)檢測的應(yīng)用最為廣泛。

極化數(shù)據(jù)處理的主要流程如圖2所示。極化目標(biāo)分解可以看作是一個(gè)定性處理的步驟，得到觀測區(qū)域的偽彩色合成圖像，直觀展示目標(biāo)散射特性；目標(biāo)檢測、目標(biāo)分類和參數(shù)反演等則可以認(rèn)為是定量應(yīng)用，利用目標(biāo)分解得到的散射特征參數(shù)進(jìn)行處理。

圖2 極化數(shù)據(jù)處理流程Fig.2 Flow diagram of polarimetric data processing

3 極化目標(biāo)分解的基本原理

對(duì)于實(shí)測數(shù)據(jù)來說，極化后向散射信號(hào)通?？梢钥醋魇遣煌幕旧⑸錂C(jī)理的疊加。常用的基本散射機(jī)理有表面散射、二次散射和體散射等。極化目標(biāo)分解的主要任務(wù)是將測量的極化散射矩陣分解為基本散射機(jī)理的求和形式，根據(jù)不同散射機(jī)理所占權(quán)重確定目標(biāo)的散射特性，獲取相關(guān)物理參數(shù)。極化目標(biāo)分解理論已成功應(yīng)用于多種領(lǐng)域，如地表目標(biāo)檢測和分類、土壤濕度估計(jì)、森林勘探、海洋遙感和環(huán)境監(jiān)測等。經(jīng)過數(shù)十年的發(fā)展，研究人員相繼提出了眾多優(yōu)秀的極化目標(biāo)分解算法。根據(jù)前文的介紹，PolSAR數(shù)據(jù)可以表示為不同的矩陣形式，從最基本的后向散射矩陣S，到二階統(tǒng)計(jì)量極化相干矩陣T和協(xié)方差矩陣C。根據(jù)處理的矩陣形式，分解算法可以分為兩大類：相干分解和非相干分解。主要的極化目標(biāo)分解算法如圖3所示。

圖3 極化目標(biāo)分解經(jīng)典算法Fig.3 Classical polarimetric target decomposition algorithms

3.1 相干分解

針對(duì)極化后向散射矩陣S的分解算法稱為相干分解，表示成幾種典型散射機(jī)理的加權(quán)求和。相干分解對(duì)主要散射分量單一的情況比較有效，例如用做定標(biāo)器的二面角、三面角的散射。此外，相干分解在高分辨率和低熵散射問題中也有一定應(yīng)用，用于分解相干矩陣T或協(xié)方差矩陣C的主要特征矢量。常用的相干分解方法有：Pauli分解、Krogager分解和Cameron分解。Pauli分解比較基礎(chǔ)和直觀，將散射矩陣S表示為Pauli基矩陣的加權(quán)和，即

(7)

式中a，b，c和d為權(quán)重系數(shù)。每個(gè)Pauli基矩陣根據(jù)其性質(zhì)分別與一種基本散射機(jī)理相對(duì)應(yīng)：表面散射，方向角為0°和45°的二面角散射，殘余分量代表散射矩陣的所有不對(duì)稱分量。最終求解的權(quán)重系數(shù)反映每種散射機(jī)理所占的比例。Pauli分解雖然效果有限，但是處理簡單高效，因此通常作為快速分解算法，初步分析觀測區(qū)域的散射機(jī)理。圖4(a)為德國ESAR在Oberpfaffenhofen地區(qū)錄取的實(shí)測數(shù)據(jù)經(jīng)過Pauli分解處理的偽彩色合成結(jié)果。

Cameron分解仍然基于Pauli基矩陣對(duì)散射矩陣進(jìn)行分解，對(duì)于不滿足對(duì)稱性假設(shè)的散射體，目的在于提取出目標(biāo)的最大對(duì)稱分量。Cameron認(rèn)為雷達(dá)散射目標(biāo)的兩個(gè)基本性質(zhì)是互易性和對(duì)稱性。當(dāng)目標(biāo)嚴(yán)格服從互易定理時(shí)，對(duì)應(yīng)的散射矩陣是對(duì)稱的。Cameron分解將散射矩陣投影到各Pauli基矩陣，根據(jù)散射矩陣分解得到的分量生成最大對(duì)稱分量，使得原散射分量與對(duì)稱分量之間的殘余分量最小化。進(jìn)一步研究發(fā)現(xiàn)，Cameron分解求解最大對(duì)稱分量的過程，實(shí)際是通過目標(biāo)定向角旋轉(zhuǎn)使同極化通道散射功率最大。因此后文將要介紹的定向角補(bǔ)償除了使同極化通道散射功率最大，還使得目標(biāo)旋轉(zhuǎn)到最大對(duì)稱分量的位置。

除了基于Pauli基的相干分解算法，Krogager分解將散射矩陣表示成圓極化基的形式，保留球?qū)ΨQ項(xiàng)，然后提取主要的螺旋散射體分量，殘余項(xiàng)就對(duì)應(yīng)極化方向角為θ的二面角散射，因此又稱為SDH(球-雙平面-螺旋體)分解

(8)

式中:φ表示絕對(duì)相位；kS,kD和kH為權(quán)重系數(shù)。Krogager分解將散射矩陣表示為3個(gè)有具體物理意義的相干散射分量之和，建立了3種散射模型與實(shí)測數(shù)據(jù)的直接聯(lián)系，從而通過3個(gè)矩陣分量可以反映實(shí)際的電磁散射過程。并且，Krogager分解得到的3個(gè)散射分量的權(quán)重系數(shù)具有旋轉(zhuǎn)不變性。但是Krogager分解后的3個(gè)散射分量并不相互正交，因此分解參數(shù)不滿足基不變特性。圖4(b)為Krogager分解處理的偽彩色合成結(jié)果。

圖4 相干分解處理結(jié)果Fig.4 Processing results of coherent decomposition

相干分解的主要缺陷是，對(duì)于一個(gè)給定的散射矩陣，在缺乏先驗(yàn)信息的情況下，很難確定使用哪種分解方法。另一個(gè)問題是，實(shí)測數(shù)據(jù)的散射矩陣通常受到相干斑噪聲的影響，相干分解算法在推導(dǎo)過程中沒有考慮這一因素。為了更好地解譯PolSAR實(shí)測數(shù)據(jù)，通常需要進(jìn)行相干斑濾波，而相干斑濾波算法大多是基于數(shù)據(jù)的二階統(tǒng)計(jì)量。因此，研究人員提出了另一類應(yīng)用更廣泛的極化目標(biāo)分解算法——非相干分解，基于相干矩陣或協(xié)方差矩陣這些二階統(tǒng)計(jì)量進(jìn)行處理。

3.2 非相干分解

3.2.1 基于現(xiàn)象理論的二分量分解

Huynen奠定了非相干分解算法的理論基礎(chǔ)，在不利用任何參考模型的條件下，討論了極化相干矩陣中的參數(shù)所包含的實(shí)際物理信息。Huynen在文獻(xiàn)[52]中提出“現(xiàn)象理論”(Phenomenological theory)，首次明確闡述了目標(biāo)分解理論，并將其用于雷達(dá)目標(biāo)物理特性和結(jié)構(gòu)信息的提取。對(duì)于單一散射目標(biāo)，Huynen將極化相干矩陣T表示成9個(gè)“Huynen參數(shù)”的形式

(9)

單一散射目標(biāo)條件下，T為秩1的Hermitian矩陣，因此可以得到9個(gè)參數(shù)之間的關(guān)系[52]。9個(gè)參數(shù)對(duì)應(yīng)的物理意義如表1所示。

表1 Huynen參數(shù)

對(duì)于單一散射目標(biāo)，可以定義與目標(biāo)物理特性有關(guān)的9個(gè)“Huynen”參數(shù)。當(dāng)目標(biāo)隨時(shí)間和空間變化時(shí)，則需要使用分布式目標(biāo)的概念。分布式目標(biāo)的結(jié)構(gòu)有其自身的特點(diǎn)，與靜態(tài)目標(biāo)或點(diǎn)目標(biāo)不同，一般由相干矩陣的統(tǒng)計(jì)平均表示。經(jīng)過平均處理的相干矩陣仍可以表示成9個(gè)參數(shù)的形式，但參數(shù)之間的關(guān)系式不再成立，參數(shù)間相互獨(dú)立。由此可見，分布式目標(biāo)無法由等價(jià)的單一散射目標(biāo)表示。Huynen分解目的在于解決如何將所需目標(biāo)從雜波環(huán)境中區(qū)分開的問題，其基本思想是將實(shí)測數(shù)據(jù)的相干矩陣分解成一個(gè)平均單一散射目標(biāo)分量和一個(gè)殘余分量(稱為“N目標(biāo)”)，因此可以看作是一種二分量分解方法。Huynen分解的基本模型為

T=T0+TN

(10)

式中T0為等價(jià)的單一散射目標(biāo)，TN為“N目標(biāo)”。圖5(a)為Huynen分解處理的偽彩色合成結(jié)果。Huynen分解得到的所有目標(biāo)相互獨(dú)立，可由參數(shù)完全描述且物理可實(shí)現(xiàn)?！癗目標(biāo)”用來表示非對(duì)稱目標(biāo)參數(shù)，由于“N目標(biāo)”散射特性不隨目標(biāo)旋轉(zhuǎn)角度變化，所以Huynen分解的一個(gè)基本性質(zhì)就是“N目標(biāo)”具有旋轉(zhuǎn)不變性。Huynen分解雖然利用“N目標(biāo)”旋轉(zhuǎn)不變性限制了單一散射目標(biāo)分量的選擇，但是并不能提供唯一解。與式(10)中的模型一致，Barnes和Holm在其算法中給出了單一散射目標(biāo)分量的另外兩個(gè)解[54]，圖5(b)為其中一個(gè)解的偽彩色合成結(jié)果。楊健等提出的Yang分解[88]通過對(duì)Kennaugh矩陣做簡單變換，解決了當(dāng)參數(shù)A0相對(duì)較小時(shí)Huynen分解無法提取預(yù)期目標(biāo)的問題。

圖5 二分量分解處理結(jié)果Fig.5 Processing results of target dichotomy

非相干分解的另外兩類主要方法為：基于特征值特征矢量的分解算法和基于散射模型的分解算法?；谔卣髦岛吞卣魇噶康哪繕?biāo)分解具有更加明確的數(shù)學(xué)理論背景，最終可以得到唯一的分解結(jié)果，因此相對(duì)更加成熟。與此相反，基于散射模型的目標(biāo)分解算法能夠根據(jù)散射模型的變化得到不同的分解結(jié)果。

3.2.2 基于特征值和特征矢量的分解算法

由極化相干矩陣和協(xié)方差矩陣的定義可以得到，兩者均為半正定的Hermitian矩陣，Cloude和Pottier提出直接從半正定Hermitian矩陣的性質(zhì)出發(fā)，通過矩陣分解得到正交的特征矢量和非負(fù)實(shí)特征值，并證明了這種分解的唯一性，從而提出基于特征值和特征矢量的分解算法?；谔卣髦岛吞卣魇噶康姆纸馑惴ǖ臄?shù)學(xué)理論基礎(chǔ)是半正定Hermitian矩陣的性質(zhì)。極化相干矩陣作為Hermitian矩陣，可以利用其特征值和特征矢量表示成一種對(duì)角化形式

(11)

(12)

式中：Σ為3個(gè)非負(fù)實(shí)特征值構(gòu)成的對(duì)角矩陣，λ1≥λ2≥λ3≥0；U為歸一化特征矢量構(gòu)成的酉矩陣，每一列對(duì)應(yīng)于相互正交的特征矢量u1，u2和u3。Cloude等提出特征矢量可以由5個(gè)角度參數(shù)化表示[7,8]

(13)

式中：n=1,2,3；φn表示目標(biāo)的絕對(duì)相位，可以認(rèn)為是相互獨(dú)立的；由于特征矢量之間相互正交，因此αn，βn，δn和γn之間不再獨(dú)立。利用這種對(duì)特征矢量參數(shù)化表示的方法，可以很方便地對(duì)散射機(jī)理進(jìn)行統(tǒng)計(jì)方法分析。

與其他分解算法的思路類似，基于特征值和特征矢量的分解算法利用式中相干矩陣的對(duì)角化形式，將相干矩陣表示為3個(gè)相互獨(dú)立的目標(biāo)之和，每個(gè)目標(biāo)對(duì)應(yīng)一種確定的散射機(jī)理，與一個(gè)等價(jià)的簡單散射矩陣相關(guān)聯(lián)

(14)

式中:每一種散射機(jī)理在整個(gè)散射過程中的權(quán)重系數(shù)由對(duì)應(yīng)的特征值確定，散射機(jī)理的類型與歸一化特征矢量有關(guān)。

Cloude最先展開了這類基于特征值和特征矢量的分解算法的研究[7,8]。Cloude將極化相干矩陣分解為主散射分量和噪聲分量，主散射分量對(duì)應(yīng)于最大特征值λ1的特征矢量，得到的矩陣T1確定地物目標(biāo)中的主要散射機(jī)理。Cloude分解對(duì)所有的酉變換保持不變，不僅僅是Huynen分解要求的旋轉(zhuǎn)不變。圖6(a)為Cloude分解處理的偽彩色合成結(jié)果。

Holm對(duì)Cloude分解進(jìn)行了擴(kuò)展，提出了基于特征值和特征矢量分解算法的另一種物理解釋[54]。Holm分解結(jié)合了特征值分析、單一散射目標(biāo)概念和Huynen分解中的噪聲模型，將分布式目標(biāo)理解為一個(gè)單一散射目標(biāo)和兩個(gè)噪聲或殘余項(xiàng)之和。該算法對(duì)特征值對(duì)角陣分解形式為

(15)

結(jié)合式(11)和式(15)計(jì)算，Holm分解得到的3個(gè)散射分量分別對(duì)應(yīng)于：單一散射目標(biāo)表征了目標(biāo)的平均形式；混合目標(biāo)表征了實(shí)際目標(biāo)與其平均形式的差異；噪聲項(xiàng)表征了未極化混合狀態(tài)。式(15)中的組合還能表示成其他形式，Holm分解也隨之能獲取其他結(jié)果。圖6(b)為Holm分解處理的偽彩色合成結(jié)果。

圖6 基于特征值特征矢量的分解處理結(jié)果Fig.6 Processing results of eigenvalues-eigenvectors based on decomposition

基于相干矩陣的特征值，研究人員還提取出兩個(gè)重要的統(tǒng)計(jì)性參數(shù)。第一個(gè)參數(shù)是極化散射熵H

(16)

(17)

式中Pn表示散射分量出現(xiàn)的偽概率。容易得到，極化散射熵的數(shù)值在0～1之間，表征散射過程的隨機(jī)性，同時(shí)也能反映出依據(jù)式(14)能夠解譯出的有效散射分量的數(shù)目。當(dāng)H=0時(shí)，表示平均相干矩陣秩為1，只有1個(gè)非零特征值，意味著是單一散射目標(biāo)；當(dāng)H=1時(shí)，表示存在3個(gè)相等的非零特征值，表征為“隨機(jī)的”或“完全去極化”的目標(biāo)，且與極化狀態(tài)完全無關(guān)；分布式目標(biāo)大多介于這兩種狀態(tài)之間的，目標(biāo)是部分極化的，此時(shí)對(duì)目標(biāo)極化特性的分析既需要研究特征值的分布，又需要研究展開式中各種散射機(jī)理的表征。

另一個(gè)關(guān)鍵參數(shù)是極化散射各向異性度A。一般將特征值按照從大到小順序排列λ1>λ2>λ3>0，各向異性度表示第2個(gè)和第3個(gè)特征值的差異程度

(18)

A的取值范圍也在0～1之間，當(dāng)A=0時(shí)存在兩種可能：H=0，表示確定的散射類型；H=1，表示完全隨機(jī)的散射類型。當(dāng)極化散射熵的取值介于這兩種狀態(tài)之間時(shí)，各向異性度作為極化散射熵的補(bǔ)充，是描述散射特性的有利工具。值得注意的是，極化散射熵H和各向異性度A具有旋轉(zhuǎn)不變性。

(19)

上述3個(gè)參數(shù)提出至今，研究人員基于特征值和特征矢量的分解算法，開展了大量有意義的工作，如何更穩(wěn)健地從實(shí)測數(shù)據(jù)中估計(jì)這些參數(shù)需要進(jìn)一步研究，同時(shí)還根據(jù)不同應(yīng)用需求擴(kuò)展了其他一些新參數(shù)，具體可參見相關(guān)文獻(xiàn)[63-65, 91-93]。

3.2.3 基于散射模型的分解算法

基于散射模型的極化目標(biāo)分解是另一類應(yīng)用廣泛的非相干分解方法，其根據(jù)一系列實(shí)際已知的基本散射模型，對(duì)實(shí)測數(shù)據(jù)進(jìn)行分解，最終將觀測區(qū)域表示為各種散射模型的組合。根據(jù)所選散射模型的不同，基于散射模型的分解算法能夠得到不同的分解結(jié)果。Freeman-Durden分解(Freeman-Durden decomposition，F(xiàn)DD)是其中一種經(jīng)典算法，該算法將極化相干矩陣或協(xié)方差矩陣表示為3種基本散射分量的組合，分別對(duì)應(yīng)于表面散射、二次散射和體散射。相干矩陣能夠更加方便地描述目標(biāo)的極化散射特性，且與多數(shù)文獻(xiàn)中的表述一致，因此本文為了便于分析，對(duì)傳統(tǒng)FDD推導(dǎo)中的協(xié)方差矩陣進(jìn)行替換，使用相干矩陣介紹基于散射模型的分解算法及其改進(jìn)。

表面散射分量由一階Bragg表面散射模型表示，模擬微粗糙表面，忽略交叉極化項(xiàng)，極化相干矩陣的表達(dá)式為

(20)

(21)

(22)

基于上述3種散射模型，F(xiàn)DD可以表示為

T=fsTs+fdTd+fvTv

(23)

式中:fs，fd和fv分別表示散射分量對(duì)應(yīng)的權(quán)重系數(shù)。因此，每種散射模型各自的功率可以表示為

(24)

Pv=4fv

圖7為FDD處理的偽彩色合成結(jié)果。FDD可以用來初步確定每種散射機(jī)理在觀測區(qū)域所占的比重。FDD最初是應(yīng)用于森林植被的散射特性研究， 實(shí)測數(shù)據(jù)處理

圖7 Freeman-Durden分解處理結(jié)果Fig.7 Processing result of Freeman-Durden decomposition

表明，F(xiàn)DD在區(qū)分混合散射媒質(zhì)中的散射類型時(shí)都能取得一定的效果，例如城市遙感、海洋遙感和地表覆蓋等。FDD的優(yōu)勢在于，其利用簡單散射模型的組合來匹配復(fù)雜的實(shí)際散射過程，物理意義更加具體，而不僅僅是單純的數(shù)學(xué)計(jì)算。FDD雖然物理意義簡單明了，實(shí)現(xiàn)也比較容易，但是由于觀測區(qū)域的復(fù)雜性，傳統(tǒng)FDD中的散射模型或者前提假設(shè)與實(shí)際散射特性不相符，嚴(yán)重影響到最終的分解效果。例如算法基于反射對(duì)稱性假設(shè)，令同極化分量與交叉極化分量的相關(guān)系數(shù)為零，簡化了散射模型的構(gòu)造和權(quán)重系數(shù)的估計(jì)，實(shí)測數(shù)據(jù)通常難以滿足該假設(shè)條件。研究人員對(duì)FDD進(jìn)行了深入研究，以提高散射機(jī)理的解譯精度，拓展基于散射模型的分解算法的適用范圍。

4 基于散射模型分解算法的改進(jìn)

傳統(tǒng)FDD雖然物理意義比較明確，但是如果使用的模型或者前提假設(shè)與觀測區(qū)域的地物特性不相符，最終的分解效果將不夠理想。基于散射模型的分解算法的研究主要針對(duì)以下4個(gè)方面：(a)反射對(duì)稱性假設(shè)，這是FDD的重要前提，同極化分量與交叉極化分量的相關(guān)系數(shù)為零，簡化散射模型的構(gòu)造，但是對(duì)大多數(shù)人造目標(biāo)不再適用；(b)定向角(又稱為極化方向角)效應(yīng)，當(dāng)散射目標(biāo)的定向角較大時(shí)，會(huì)產(chǎn)生不可忽略的交叉極化功率分量，尤其是人造目標(biāo)，造成最終分解結(jié)果中體散射分量過估計(jì)，如圖7所示，圖像整體偏綠；(c)FDD不能完全與實(shí)際地物的散射特性相匹配，在計(jì)算過程中造成表面散射分量和二次散射分量的功率值為負(fù)值；(d)散射模型的構(gòu)造和選取，使得與觀測區(qū)域的極化數(shù)據(jù)更加匹配。研究人員進(jìn)行了大量的深入研究，提出了很多有意義的改進(jìn)，下面從這4個(gè)方面來介紹一些代表性的方法。

4.1 反射對(duì)稱性假設(shè)的影響

為了使算法匹配反射對(duì)稱性假設(shè)不成立的情況，Yamaguchi等[56]在三分量散射模型的基礎(chǔ)上提出了四分量散射模型。第4個(gè)散射模型的極化相干矩陣表達(dá)式為

(25)

該模型等價(jià)于螺旋散射體，引入了同極化分量與交叉極化分量的相關(guān)系數(shù)不為零的附加項(xiàng)，以表征反射對(duì)稱性假設(shè)不成立的情況。螺旋散射體通常存在于具有復(fù)雜結(jié)構(gòu)的目標(biāo)或人造建筑，在分布式自然散射介質(zhì)中幾乎不存在。圖8為Yamaguchi分解處理的偽彩色合成結(jié)果，與圖7對(duì)比，可以看出效果明顯改善。

4.2 定向角補(bǔ)償

同一目標(biāo)的極化響應(yīng)會(huì)隨定向角的變化而改變，目標(biāo)散射類型的區(qū)分容易受到定向角的影響，從而產(chǎn)生誤差。尤其是定向角較大的人造目標(biāo)，會(huì)產(chǎn)生不可忽略的交叉極化功率分量，對(duì)分解結(jié)果影響更大。定向角補(bǔ)償，又稱為去定向角(Deorientation)，通過極化矩陣圍繞雷達(dá)視線方向旋轉(zhuǎn)一定角度，使得交叉極化功率分量最小，從而降低定向角的影響[94-96]。

圖8 Yamaguchi分解處理結(jié)果Fig.8 Processing result of Yamaguchi decomposition

實(shí)際觀測情況中，地形存在起伏，建筑物等人造目標(biāo)也并不總是垂直于雷達(dá)視線，定向角與地形坡度和雷達(dá)視角之間存在一個(gè)散射幾何關(guān)系[59]。定向角會(huì)引入顯著的交叉極化功率分量。然而，如前文所介紹的，傳統(tǒng)的FDD在估計(jì)表面散射和二次散射的功率分量時(shí)，使用的散射模型中交叉極化項(xiàng)均為零。FDD在處理時(shí)默認(rèn)實(shí)測數(shù)據(jù)中的交叉極化功率分量全部來自于體散射目標(biāo)，因此造成最終分解結(jié)果中的體散射功率分量過估計(jì)。尤其是存在定向角的建筑物和山坡，通常會(huì)被誤判為體散射目標(biāo)，嚴(yán)重降低極化目標(biāo)分解的精度。

補(bǔ)償?shù)那疤崾菍?duì)定向角進(jìn)行準(zhǔn)確的估計(jì)，圓極化算法是其中比較有效的算法，應(yīng)用十分廣泛。圓極化算法的具體推導(dǎo)過程可以參考文獻(xiàn)[59,60,97]，這里給出最終的結(jié)論

圖9 結(jié)合定向角補(bǔ)償?shù)腇DD處理結(jié)果 Fig.9 Processing result of FDD with deorientation

(26)

式中ReT23表示T23的實(shí)部。利用估計(jì)的定向角構(gòu)造相應(yīng)的旋轉(zhuǎn)矩陣，繞視線方向旋轉(zhuǎn)極化矩陣，即可完成定向角補(bǔ)償。圖9為結(jié)合定向角補(bǔ)償?shù)腇DD處理的偽彩色合成結(jié)果，散射模型仍然與傳統(tǒng)算法一致。

通過定向角補(bǔ)償處理，T33的數(shù)值降低到最小，同時(shí)T22提高相同的數(shù)值[94]。這也是文獻(xiàn)[95,98]中估計(jì)定向角的基本思想，即通過定向角補(bǔ)償使得同極化功率分量達(dá)到最大，等價(jià)于使交叉極化功率分量達(dá)到最小，得到的估計(jì)結(jié)果與式(26)一致。由式(4)可知，T33對(duì)應(yīng)于交叉極化功率分量，決定了最終的體散射功率分量估計(jì)結(jié)果。定向角補(bǔ)償后，體散射功率分量隨之降低，二次散射功率分量提高，表面散射功率分量幾乎不變，螺旋散射體由于具有旋轉(zhuǎn)不變性，不受定向角的影響。因此，定向角補(bǔ)償能夠一定程度上解決體散射功率分量過估計(jì)的問題。同時(shí)，T22的增大對(duì)負(fù)功率值的問題也有明顯的改善[94,95]，因?yàn)樵斐杀砻嫔⑸浠蚨紊⑸涔β手禐樨?fù)的一個(gè)主要原因就是T22

然而，定向角補(bǔ)償并不是在所有情況下都能取得良好的效果。對(duì)于定向角位于雷達(dá)視線垂直平面的目標(biāo)，定向角的影響能夠被完全去除；對(duì)于定向角位于其他平面的目標(biāo)，定向角補(bǔ)償?shù)男Ч蜁?huì)大打折扣[97,98]。文獻(xiàn)[98,99]證明，尤其當(dāng)定向角為45°時(shí)，定向角補(bǔ)償幾乎完全失效。因此，對(duì)于某些建筑物目標(biāo)，即使經(jīng)過定向角補(bǔ)償，仍然具有較大的交叉極化功率分量。一類有效的方法是擴(kuò)展體散射模型，通過考慮定向角的影響，構(gòu)造自適應(yīng)的體散射模型[99,100]，與地物特性更好地匹配，后文將詳細(xì)介紹這類方法。如何對(duì)人造目標(biāo)和地形坡度進(jìn)行完全的定向角補(bǔ)償，仍是值得深入研究的方向。

定向角還能夠用于改進(jìn)散射模型。對(duì)于定向角為零的建筑物來說，其產(chǎn)生的二次散射較強(qiáng)，能夠用式的二面角反射器模型來表征；對(duì)于定向角不為零的建筑物來說，則產(chǎn)生不能忽略的交叉極化功率分量，使得整個(gè)實(shí)測數(shù)據(jù)的交叉極化功率分量增大。傳統(tǒng)FDD認(rèn)為交叉極化分量全部來自體散射，造成存在定向角的建筑物區(qū)域體散射分量過估計(jì)。研究人員指出，對(duì)于存在定向角的建筑區(qū)域，其產(chǎn)生的交叉極化分量既不符合體散射模型，又不符合二次散射模型[101]。文獻(xiàn)[101]提出了一種交叉散射模型來匹配存在定向角的建筑物區(qū)域，結(jié)合定向角來構(gòu)造極化矩陣

(27)

式中θ為定向角的估計(jì)值。該方法將建筑物目標(biāo)產(chǎn)生的交叉極化分量從整個(gè)極化數(shù)據(jù)中單獨(dú)提取出來，構(gòu)造了一種新的散射模型，從而提高了目標(biāo)的識(shí)別能力。

通過前文的介紹，可以知道定向角補(bǔ)償?shù)谋举|(zhì)是對(duì)極化矩陣進(jìn)行旋轉(zhuǎn)，使得交叉極化分量最小；如果將極化矩陣旋轉(zhuǎn)其他角度，可能會(huì)對(duì)矩陣中的各元素造成影響呢。基于這個(gè)思路，文獻(xiàn)[102]進(jìn)行延伸研究，提出了極化矩陣一致旋轉(zhuǎn)理論。相關(guān)文獻(xiàn)指出，極化相干矩陣旋轉(zhuǎn)一定角度后，矩陣元素都能以正弦函數(shù)形式統(tǒng)一表示，正弦函數(shù)的幅度、頻率和初相可以用來描述散射特性隨旋轉(zhuǎn)角度的變化。文中推導(dǎo)了一系列角度，以此來使旋轉(zhuǎn)后的極化矩陣滿足某一特定性質(zhì)。上述推導(dǎo)的參量都具有特定的物理含義，與Huynen參數(shù)有直接聯(lián)系。因此，一致旋轉(zhuǎn)技術(shù)能夠通過極化矩陣旋轉(zhuǎn)特定的角度，使得某一Huynen參數(shù)達(dá)到期望值。經(jīng)過實(shí)測數(shù)據(jù)的驗(yàn)證，一致旋轉(zhuǎn)技術(shù)在人造目標(biāo)識(shí)別和非監(jiān)督分類應(yīng)用中取得了不錯(cuò)的效果[102]，其他應(yīng)用需要未來繼續(xù)研究。

4.3 負(fù)功率值問題

傳統(tǒng)FDD首先求得體散射模型的權(quán)重系數(shù)fv=T33，極化相干矩陣減去體散射模型對(duì)應(yīng)的相干矩陣分量

(28)

由式(28)易得，要使得表面散射和二次散射分量的功率非負(fù)，需要滿足以下條件

(29)

式中:第1個(gè)不等式與表面散射的功率有關(guān)，第2個(gè)不等式與二次散射的功率有關(guān)。第2個(gè)不等式也驗(yàn)證了定向角補(bǔ)償對(duì)負(fù)功率值問題的改善。

圖10 NNED處理結(jié)果 Fig.10 Processing result of NNED

除了定向角補(bǔ)償可以減少負(fù)功率值的像素?cái)?shù)量，研究人員還提出了其他有效的方法。第1類方法是將基于散射模型的分解算法與基于特征值的分解算法相結(jié)合，利用特征值分解的特性來改善負(fù)功率值問題。Cloude提出了一種廣義FDD[8]，該算法仍然使用傳統(tǒng)FDD中的體散射模型，對(duì)表面散射和二次散射的功率估計(jì)則采用特征值的方法，因此該算法稱為Freeman-Durden/特征值混合分解算法。該方法假設(shè)表面散射與二次散射正交，這樣可以用一種散射機(jī)理來表示另一種，從而可以減少待估計(jì)的模型未知參數(shù)，得到5個(gè)參數(shù)和5個(gè)觀測量的平衡系統(tǒng)。該方法有效避免了負(fù)功率值的出現(xiàn)，還可以估計(jì)表面散射和體散射分量的比值，稱為地體幅度比，是極化干涉測量中的一個(gè)重要參數(shù)[8]。另外一種方法是由van Zyl等提出的非負(fù)特征值分解(Nonnegative eigenvalue decomposition，NNED)[103]，該方法從理論基礎(chǔ)上解決負(fù)功率值的問題。圖10為NNED處理的偽彩色合成結(jié)果。NNED基于反射對(duì)稱性假設(shè)，引入非負(fù)特征值約束準(zhǔn)則(Nonnegative eigenvalue constraint，NNEC)，令式(28)中減去體散射分量后的殘余相干矩陣Tremainder的特征值非負(fù)，計(jì)算滿足條件的體散射分量功率最大值，文獻(xiàn)[103]給出了體散射分量功率最大值的解析表達(dá)式。NNED中只需要使用體散射模型估計(jì)體散射分量的功率，表面散射和二次散射分量的功率則是通過特征值和特征矢量來估計(jì)。為了消除反射對(duì)稱性假設(shè)的影響，研究人員提出了NNED的后續(xù)改進(jìn)算法。Kusano等對(duì)極化相干矩陣的主子式進(jìn)行分析[104]，將體散射分量功率的約束條件推廣到非反射對(duì)稱性情況中。文獻(xiàn)[105]對(duì)NNEC進(jìn)行了推廣，在某些特定條件下，體散射分量功率的最大值可以不需要基于反射對(duì)稱性假設(shè)得到。

第2類方法是對(duì)散射模型進(jìn)行改進(jìn)，不再基于反射對(duì)稱性假設(shè)，通過改變傳統(tǒng)散射模型中的參數(shù)，采用自適應(yīng)的散射模型，該方法又稱為廣義散射模型分解算法。文獻(xiàn)[106,107]中提出了廣義散射模型分解的處理框架，通過線性或者非線性優(yōu)化算法來估計(jì)模型中的未知參數(shù)。廣義散射模型分解的表達(dá)形式為

T=fvTv+fdTd+fsTs+fhTh+…+frTresidual

(30)

式中：Tresidual可以看作是相干斑、噪聲、與模型不匹配的目標(biāo)等對(duì)極化數(shù)據(jù)的貢獻(xiàn)。式(30)如何選取適當(dāng)?shù)纳⑸淠Ｐ?，所依?jù)的準(zhǔn)則是能確保參數(shù)估計(jì)成為確定性問題。Tresidual為衡量這些散射模型與觀測目標(biāo)匹配程度的物理量。因此，對(duì)于參數(shù)估計(jì)、模型反演等問題，優(yōu)化準(zhǔn)則即為Tresidual最小。文獻(xiàn)[106，107]中是令Tresidual的二范數(shù)最小，即

(31)

式(31)能夠通過非線性的最小二乘法進(jìn)行求解，獲得參數(shù)的最優(yōu)估計(jì)，還可以避免反射對(duì)稱性假設(shè)和負(fù)功率值問題。需要注意的是，通過廣義散射模型分解算法并不能使選取的散射模型與觀測區(qū)域精確匹配，而是在一定準(zhǔn)則下使所有像素單元均能求得非負(fù)功率值的最優(yōu)解。非線性優(yōu)化通常需要大量的處理時(shí)間，得到的也只是局部最優(yōu)解，仍有需要進(jìn)一步研究的地方。

4.4 散射模型的改進(jìn)

前文已經(jīng)介紹了基于散射模型分解算法實(shí)際處理中遇到的3個(gè)問題，以及相應(yīng)的改進(jìn)方法。進(jìn)一步研究發(fā)現(xiàn)，這些改進(jìn)算法總會(huì)不可避免地存在一些局限性。傳統(tǒng)FDD預(yù)先定義了3種散射模型的極化矩陣，簡潔直觀，易于處理，但也缺乏自適應(yīng)性。因此，無論反射對(duì)稱性限制，還是定向角效應(yīng)和負(fù)功率值問題，其本質(zhì)都可以歸結(jié)為選取的散射模型與實(shí)際觀測數(shù)據(jù)不匹配。前文所述方法的思路是對(duì)極化相干矩陣或協(xié)方差矩陣進(jìn)行預(yù)處理，以使得觀測數(shù)據(jù)能夠與傳統(tǒng)散射模型更加吻合，提高FDD的性能。另一方面，還可以從改進(jìn)散射模型的角度來改善最終的分解效果。根據(jù)不同的應(yīng)用需求，研究人員從多種角度對(duì)散射模型進(jìn)行了修正。表面散射和二次散射模型的改進(jìn)主要是針對(duì)傳統(tǒng)模型中忽略交叉極化項(xiàng)的不足，對(duì)于方位向地形坡度和存在定向角的建筑物，交叉極化項(xiàng)的影響尤為顯著?；谝环N截?cái)嗟木鶆蚋怕拭芏确植?，X-Bragg模型[8]擴(kuò)展了原始Bragg模型，引入了交叉極化項(xiàng)，表征表面散射的去極化效應(yīng)。文獻(xiàn)[108]推導(dǎo)了表面散射和二次散射模型的廣義形式。文獻(xiàn)[107]則通過分離表面散射和二次散射相互獨(dú)立的極化方向角，匹配交叉極化項(xiàng)和極化矩陣中的非對(duì)角線項(xiàng)，構(gòu)造了另一種廣義散射模型。在散射模型研究中，以體散射模型最為廣泛深入，下面具體介紹幾種改進(jìn)的體散射模型。

傳統(tǒng)FDD在構(gòu)造體散射模型時(shí)，假設(shè)偶極子的極化方向角滿足均勻概率密度分布。為了更符合實(shí)際目標(biāo)的散射特性，研究人員引入了其他概率密度分布。Yamaguchi算法根據(jù)植被覆蓋區(qū)域的復(fù)雜結(jié)構(gòu)，提出了一種半余弦概率密度分布[56]

(32)

式中，θ是偶極子與水平方向的極化方向角。改進(jìn)后的體散射模型具有非對(duì)稱形式

(33)

此外，經(jīng)驗(yàn)性體散射模型是另一種廣泛應(yīng)用的改進(jìn)措施。Freeman提出了一種二分量散射模型[110]，引入一個(gè)形態(tài)參數(shù)變量，將森林冠層近似成一片由隨機(jī)取向的類圓柱體構(gòu)成的云層

(34)

式中ρ為形態(tài)參數(shù)變量，由水平和垂直兩個(gè)同極化通道功率比值定義。安文韜在文獻(xiàn)[95]中提出了另一種改進(jìn)的體散射模型。文獻(xiàn)指出，相比于表面散射和二次散射，體散射的主要特點(diǎn)是結(jié)構(gòu)比較復(fù)雜，由多種散射機(jī)理構(gòu)成，表現(xiàn)出一種混亂的散射狀態(tài)，極化相干矩陣的隨機(jī)性也較高。Cloude等提出的極化散射熵概念，可以衡量相干矩陣的隨機(jī)性。研究人員對(duì)大量實(shí)際觀測數(shù)據(jù)進(jìn)行分析得到，對(duì)于大量植被覆蓋的區(qū)域，體散射目標(biāo)比較多，極化散射熵較高。因此，文獻(xiàn)[95]利用極化散射熵為1定義了改進(jìn)的體散射模型，表征完全隨機(jī)的散射目標(biāo)

(35)

對(duì)比式(34)與式(35)可以發(fā)現(xiàn)，式(35)是式(34)在ρ=0時(shí)的特例。該模型的主要優(yōu)點(diǎn)在于其完全隨機(jī)性，而這也是體散射目標(biāo)的最主要特性；此外，該體散射模型還能有效減少負(fù)功率值的像素?cái)?shù)目。圖11為該分解算法的偽彩色合成結(jié)果，使用式(35)中的體散射模型，并結(jié)合定向角補(bǔ)償，稱為An分解。

圖11 An分解處理結(jié)果 Fig.11 Processing result of An decomposition

上述改進(jìn)模型有一個(gè)共同特點(diǎn)，體散射模型的自適應(yīng)不強(qiáng)，即使Yamaguchi算法能夠根據(jù)門限在3個(gè)體散射模型之間選擇，仍然不具備較好的自適應(yīng)性。陳思偉等提出了一種自適應(yīng)的體散射模型[100]，相干矩陣中的有關(guān)參數(shù)隨像素單元的散射特性而變化，能更好地與實(shí)測數(shù)據(jù)匹配。傳統(tǒng)表面散射和二次散射模型中假設(shè)交叉極化項(xiàng)為零，因此，分解算法認(rèn)為這兩類散射對(duì)極化數(shù)據(jù)中的交叉極化項(xiàng)T33沒有貢獻(xiàn)，估計(jì)過程中認(rèn)為交叉極化功率完全來自體散射分量。文獻(xiàn)指出，式(33,35)中使用的體散射模型參數(shù)都是固定常數(shù)，因此，最終體散射分量的功率完全由T33和模型參數(shù)決定。文獻(xiàn)[100]對(duì)已有的體散射模型進(jìn)行分析，推導(dǎo)了與之相匹配的體散射分量功率動(dòng)態(tài)范圍

(36)

前文已經(jīng)分析，存在定向角的人造目標(biāo)也會(huì)引入不可忽略的交叉極化功率。因此，自適應(yīng)的體散射模型應(yīng)該能夠符合更一般的情況，與更多的散射目標(biāo)相匹配。體散射分量功率動(dòng)態(tài)范圍也需要擴(kuò)展為

(37)

要精確地識(shí)別每種散射類型的目標(biāo)并不是很簡單，但是，人們期望至少不會(huì)將人造目標(biāo)與非人造目標(biāo)混淆。文獻(xiàn)[100]基于這個(gè)目的，提出了一種有效的自適應(yīng)體散射模型，體散射分量功率的動(dòng)態(tài)范圍滿足式(37)。該模型基于極化干涉SAR(PolInSAR)在森林觀測領(lǐng)域的先天優(yōu)勢，根據(jù)干涉復(fù)相干性與森林結(jié)構(gòu)目標(biāo)的緊密關(guān)系，將體散射模型中的參數(shù)以干涉相關(guān)系數(shù)來表示。通常，在干涉測量中，由于散射特性的不同，人造目標(biāo)表現(xiàn)為高相干性，非人造目標(biāo)(如森林植被)則表現(xiàn)為低相干性。干涉復(fù)相干性的計(jì)算根據(jù)不同條件會(huì)得到不同的結(jié)果，具體的自適應(yīng)體散射模型需要根據(jù)這些不同的干涉相關(guān)系數(shù)來構(gòu)造。詳細(xì)證明和應(yīng)用過程可以參考文獻(xiàn)[99，100]。對(duì)ESAR在Oberpfaffenhofen地區(qū)以干涉模式錄取的實(shí)測數(shù)據(jù)進(jìn)行處理，圖12(a)使用的是傳統(tǒng)FDD，圖12(b)使用的是文獻(xiàn)[100]中的Chen分解，對(duì)比人造目標(biāo)的分解效果可以看出，基于干涉復(fù)相干性構(gòu)造的自適應(yīng)體散射模型能夠改善算法性能。

圖12 PolInSAR目標(biāo)分解處理結(jié)果Fig.12 Processing results of PolInSAR target decomposition

通過上述介紹，可以發(fā)現(xiàn)，不同改進(jìn)方法之間并不是獨(dú)立，而是存在一種相互影響的關(guān)系。針對(duì)某一個(gè)問題的改進(jìn)方法，可能對(duì)另一個(gè)問題也有改善，同時(shí)也可能使其他問題更加復(fù)雜。但是這些改進(jìn)方法都有同一個(gè)核心，那就是使得基于散射模型的分解算法與實(shí)際目標(biāo)的散射特性更加匹配。

5 實(shí)測數(shù)據(jù)處理試驗(yàn)

基于某型號(hào)機(jī)載合成孔徑雷達(dá)的外場實(shí)測數(shù)據(jù)進(jìn)行了試驗(yàn)。雷達(dá)全極化雙通道成像，作用距離25 km，分辨率0.5 m×0.5 m(斜距×方位)。圖13為水平同極化通道回波數(shù)據(jù)的成像處理結(jié)果，其中圖13(a)為提取的相位誤差曲線；圖13(b)為Omega-K算法直接成像得到的局部圖像，未進(jìn)行運(yùn)動(dòng)補(bǔ)償；圖13(c)為結(jié)合運(yùn)動(dòng)補(bǔ)償?shù)腛mega-K算法成像得到的局部圖像，處理流程如圖1所示。圖13(b，c)對(duì)比可以看出，需要對(duì)運(yùn)動(dòng)誤差進(jìn)行精確補(bǔ)償，才能獲取聚焦良好的圖像，以確保后續(xù)極化處理的精度。

圖14為全極化數(shù)據(jù)目標(biāo)分解處理結(jié)果。圖13(c)和圖14(a～c)對(duì)比可以看出，經(jīng)過極化目標(biāo)分解處理，不同散射類型目標(biāo)之間的差異更加明顯，相對(duì)于傳統(tǒng)單極化SAR來說，圖像解譯能力得到增強(qiáng)。圖14(c)給出了Freeman-Durden分解的缺陷，傳統(tǒng)算法由于散射模型與實(shí)測數(shù)據(jù)不匹配，造成分解效果不夠理想，最直觀的表現(xiàn)就是體散射功率分量過估計(jì)(圖像整體偏綠)，仍然需要對(duì)改進(jìn)方法進(jìn)行研究，提高算法性能。

圖13 水平同極化通道處理結(jié)果Fig.13 Processing results of horizontal co-polarization channel

圖14 極化目標(biāo)分解處理結(jié)果Fig.14 Processing results of polarimetric target decomposition

6 結(jié)束語

極化合成孔徑雷達(dá)作為一種迅速發(fā)展的技術(shù)，結(jié)合了高分辨率雷達(dá)成像和極化信息處理，受到了廣泛的關(guān)注，在大量機(jī)載、星載雷達(dá)系統(tǒng)中得到了應(yīng)用。散射機(jī)理解譯是PolSAR應(yīng)用的重要前提，因此極化目標(biāo)分解算法一直是研究的重點(diǎn)。本文首先介紹了PolSAR的主要應(yīng)用研究進(jìn)展，對(duì)極化目標(biāo)分解算法的理論基礎(chǔ)進(jìn)行了闡述?；谏⑸淠Ｐ偷姆窍喔煞纸馑惴ㄅc目標(biāo)散射特性聯(lián)系更加緊密，物理意義更加明確，因此受到廣泛的關(guān)注。本文對(duì)其中的關(guān)鍵問題進(jìn)行了分析，并介紹了相應(yīng)的改進(jìn)方法。同時(shí)，結(jié)合實(shí)測數(shù)據(jù)處理結(jié)果，進(jìn)一步驗(yàn)證了PolSAR在散射機(jī)理解譯方面的優(yōu)勢。目前極化目標(biāo)分解算法的研究應(yīng)側(cè)重于以下幾個(gè)方面：(1)超高分辨率條件下極化目標(biāo)分解算法的改進(jìn)，主要針對(duì)散射模型的構(gòu)造和極化矩陣的自適應(yīng)估計(jì)；(2)人造目標(biāo)和自然目標(biāo)的識(shí)別區(qū)分，獲取更多有效的極化散射特征參量，提高參量估計(jì)的精度；(3)極化矩陣信息的完全利用，每個(gè)矩陣元素都有其物理含義，目前的算法大多只使用部分元素，極化信息并沒有充分利用；(4)極化目標(biāo)分解算法性能的評(píng)價(jià)標(biāo)準(zhǔn)，目前的評(píng)價(jià)指標(biāo)并不完善，需要制定更多可行的評(píng)價(jià)參數(shù)。極化合成孔徑雷達(dá)正處于發(fā)展的黃金時(shí)代，其作為基礎(chǔ)理論與實(shí)驗(yàn)科學(xué)緊密結(jié)合并相互促進(jìn)的典型研究領(lǐng)域之一，涉及多個(gè)學(xué)科，必定帶來更多的發(fā)展機(jī)遇。

[1] Reigber A, Scheiber R, Jager M, et al. Very high resolution airborne synthetic aperture radar imaging: Signal processing and applications[J]. Proceedings of the IEEE, 2012, 101(3): 759-783.

[2] Moreira A, Prats-Iraola P, Younis M, et al. A tutorial on synthetic aperture radar[J]. IEEE Geoscience and Remote Sensing Magazine, 2013, 1(1): 6-43.

[3] Carrara W G, Goodman R S, Majewski R M. Spotlight synthetic aperture radar signal processing algorithms[M]. Boston: Artech House, 1995.

[4] Cumming I G, Wong F H. Digital processing of synthetic aperture radar data: Algorithms and implementation[M]. Boston: Artech House, 2005.

[5] 朱岱寅, 俞翔, 汪玲. 海面艦船目標(biāo)ISAR最優(yōu)成像時(shí)間選擇算法[J]. 數(shù)據(jù)采集與處理, 2014, 29(4): 526-532.

Zhu Daiyin, Yu Xiang, Wang Ling. Optimal processing time and duration selection algorithm for ISAR[J]. Journal of Data Acquisition and Processing, 2014, 29(4): 526-532.

[6] 宋偉, 朱岱寅, 李勇. 機(jī)載聚束SAR圖像定位精度研究[J]. 數(shù)據(jù)采集與處理, 2014, 29(4): 555-561.

Song Wei, Zhu Daiyin, Li Yong. Airborne spotlight SAR geolocation accuracy[J]. Journal of Data Acquisition and Processing, 2014, 29(4): 555-561.

[7] Lee J S, Pottier E. Polarimetric radar imaging: From basics to applications[M]. Boca Raton, FL: CRC Press, 2009.

[8] Cloude S R. Polarisation application in remote sensing[M]. New York: Oxford University Press, 2010.

[9] Chen S W, Li Y Z, Wang X S, et al. Modeling and interpretation of scattering mechanisms in polarimetric synthetic aperture radar: Advances and perspectives[J]. Signal Processing Magazine IEEE, 2014, 31(4): 79-89.

[10]Ahmed A R, Strom H, Bierman S, et al. Polarimetric backscattering coefficients of flooded rice fields at L- and C-bands: Measurements, modeling and data analysis[J]. IEEE Transactions on Geoscience and Remote Sensing, 2009, 47(8): 2714-2721.

[11]Yin J J, Zhou Z S, Moon W M, et al. The use of a modified GOPCE method for forest and nonforest discrimination[J]. IEEE Geoscience and Remote Sensing Letters, 2015, 12(5): 1076-1080.

[12]Yeremy M, Campbell J W M, Mattar K, et al. Ocean surveillance with polarimetric SAR[J]. Canadian Journal of Remote Sensing, 2014, 27(4): 328-344.

[13]He L, Panciera R, Tanase M A, et al. Soil moisture retrieval in agricultural fields using adaptive model-based polarimetric decomposition of SAR data[J]. IEEE Transactions on Geoscience and Remote Sensing, 2016, 54(8): 4445-4460.

[14]Li X W, Guo H D, Zhang L, et al. A new approach to collapsed building extraction using RADARSAT-2 polarimetric SAR imagery[J]. IEEE Geoscience and Remote Sensing Letters, 2012, 9(4): 677-681.

[15]Raney R K, Runge H, Bamler R, et al. Precision SAR processing using chirp scaling[J]. IEEE Transactions on Geoscience and Remote Sensing, 1994, 32(4): 786-799.

[16]Moreira A, Mittermayer J, Scheiber R. Extended chirp scaling algorithm for air- and spaceborne SAR data processing in stripmap and scan SAR imaging modes[J]. IEEE Transactions on Geoscience and Remote Sensing, 1996, 34(5): 1123-1136.

[17]Amein A S, Soraghan J J. Azimuth fractional transformation of the fractional chirp scaling algorithm (FrCSA)[J]. IEEE Transactions on Geoscience and Remote Sensing, 2006, 44(10): 2871-2879.

[18]Davidson G W, Cumming I G, Ito M R. A chirp scaling approach for processing squint mode SAR data[J]. IEEE Transactions on Aerospace and Electronic Systems, 1996, 32(1): 121-133.

[19]Mittermayer J, Moreira A, Loffeld O. Spotlight SAR data processing using the frequency scaling algorithm[J]. IEEE Transactions on Geoscience and Remote Sensing, 1999, 37(5): 2198-2214.

[20]Cafforio C, Prati C, Rocca F. SAR data focusing using seismic migration techniques[J]. IEEE Transactions on Aerospace and Electronic Systems, 1991, 27(2): 194-207.

[21]Reigber A, Alivizatos E, Potsis A, et al. Extended wavenumber-domain synthetic aperture radar focusing with integrated motion compensation[J] IEE Proceedings - Radar Sonar and Navigation, 2006, 153(3): 301-310.

[22]Zhu D Y, Ye S H, Zhu Z D. Polar format algorithm using chirp scaling for spotlight SAR image formation[J]. IEEE Transactions on Aerospace and Electronic Systems, 2008, 44(4): 1433-1448.

[23]Desai M D, Jenkins W K. Convolution backprojection image reconstruction for spotlight mode synthetic aperture radar[J]. IEEE Transactions on Image Processing, 1992, 1(4): 505-517.

[24]Buckreuss S. Motion Compensation for airborne SAR based on inertial data, RDM and GPS[C]∥ Geoscience and Remote Sensing Symposium. IGARSS ′94. Surface and Atmospheric Remote Sensing: Technologies, Data Analysis and Interpretation. Pasadena, USA: IEEE, 1994: 1971-1973.

[25]Calloway T M, Donohoe G W. Subaperture autofocus for synthetic aperture radar[J]. IEEE Transactions on Aerospace and Electronic Systems, 1994, 30(2): 617-621.

[26]Snarski C A. Rank one phase error estimation for range-doppler imaging[J]. IEEE Transactions on Aerospace and Electronic Systems, 1996, 32(2): 676-688.

[27]Wahl D E, Eichel P H, Ghiglia D C, et al. Phase gradient autofocus—A robust tool for high resolution SAR phase correction[J]. IEEE Transactions on Aerospace and Electronic Systems, 1994, 30(3): 827-835.

[28]Zhu D Y, Jiang R, Mao X H, et al. Multi-subaperture PGA for SAR autofocusing[J]. IEEE Transactions on Aerospace and Electronic Systems, 2013, 49(1): 468-488.

[29]Sinclair G. The transmission and reception of elliptically polarized waves[J]. Proceedings of the Ire, 1950, 38(2): 148-151.

[30]Kostinski A, Boerner W M. On the polarimetric contrast optimization[J]. IEEE Transactions on Antennas and Propagation, 1987, 35(8): 988-991.

[31]Ioannidis G, Hammers D. Optimum antenna polarizations for target discrimination in clutter[J]. IEEE Transactions on Antennas and Propagation, 1979, 27(3): 357-363.

[32]Yang J, Yamaguchi Y, Boerner W M, et al. Numerical methods for solving the optimal problem of contrast enhancement[J]. IEEE Transactions on Geoscience and Remote Sensing, 2000, 38(2): 965-971.

[33]Yang J, Peng Y N, Lin S M. Similarity between two scattering matrices[J]. Electronics Letters, 2001, 37(3): 193-194.

[34]Yang J, Dong G W, Peng Y N, et al. Generalized polarimetric contrast enhancement[J]. IEEE Geoscience Remote Sensing Letters, 2004, 1(3): 171-174.

[35]王雪松. 寬帶極化信息處理的研究[D]. 長沙: 國防科學(xué)技術(shù)大學(xué), 1999.

Wang Xuesong. Study of wide-band polarization information processing[D]. Changsha, China: National University of Defense Technology, 1999.

[36]徐牧. 極化SAR圖像人造目標(biāo)提取與幾何結(jié)構(gòu)反演研究[D]. 長沙: 國防科學(xué)技術(shù)大學(xué), 2008.

Xu Mu. Extraction and geometrical structure retrieval of man-made target in PolSAR imagery[D]. Changsha, China: National University of Defense Technology, 2008.

[37]代大海. 極化雷達(dá)成像及目標(biāo)特征提取研究[D]. 長沙: 國防科學(xué)技術(shù)大學(xué), 2008.

Dai Dahai. Study on polarimetric radar imaging and target feature extraction[D]. Changsha, China: National University of Defense Technology, 2008.

[38]Ulaby F T, Sarabandi K, Nashashibi A. Statistical properties of the Mueller matrix of distributed targets[J]. Radar and Signal Processing IEE Proceedings F, 1992, 139(2): 136-146.

[39]Lee J S, Schuler D L, Lang R H, et al. K-distribution for multi-look processed polarimetric SAR imagery[C]∥ Geoscience and Remote Sensing Symposium, IGARSS′94. Surface and Atmospheric Remote Sensing: Technologies, Data Analysis and Interpretation International. Pasadena, USA:IEEE,1994: 2179-2181.

[40]Lee J S, Grunes M R, Kwok R. Classification of multi-look polarimetric SAR imagery based on complex Wishart distribution[J]. International Journal of Remote Sensing, 1994, 15(15): 2299-2311.

[41]Lee J S, Grunes M R, Mango S A. Speckle reduction in multipolarization, multifrequency SAR imagery[J]. IEEE Transactions on Geoscience and Remote Sensing, 1991, 29(4): 535-544.

[42]Lee J S, Grunes M R, De Grandi G. Polarimetric SAR speckle filtering and its implication for classification[J]. IEEE Transactions on Geoscience and Remote Sensing, 1999, 37(5): 2363-2373.

[43]Lee J S, Jurkevich L, Dewaele P, et al. Speckle filtering of synthetic aperture radar images: A review[J]. Remote Sensing Reviews, 1994, 8(4): 255-267.

[44]Lee J S, Ainsworth T L, Wang Y, et al. Polarimetric SAR speckle filtering and the extended Sigma filter[J]. IEEE Transactions on Geoscience and Remote Sensing, 2015, 53(3): 1150-1160.

[45]Foucher S, Lopezmartinez C. Analysis, evaluation, and comparison of polarimetric SAR speckle filtering techniques[J]. IEEE Transactions on Image Processing, 2014, 23(4): 1751-1764.

[46]Touzi R. A review of speckle filtering in the context of estimation theory[J]. IEEE Transactions on Geoscience and Remote Sensing, 2002, 40(11): 2392-2404.

[47]Goze S, Lopes A. A MMSE speckle filter for full resolution SAR polarimetric data[J]. Journal of Electromagnetic Waves and Applications, 1993, 7(7): 717-737.

[48]Novak L M, Burl M C. Optimal speckle reduction in polarimetric SAR imagery[J]. IEEE Transactions on Aerospace and Electronic Systems, 1990, 26(2): 293-305.

[49]Lopes A, Sery F. Optimal speckle reduction for the product model in multilook polarimetric SAR imagery and the Wishart distribution[J]. IEEE Transactions on Geoscience and Remote Sensing, 1997, 35(3): 632-647.

[50]Krogager E. New decomposition of the radar target scattering matrix[J]. Electronics Letters, 1990, 26(18): 1525-1527.

[51]Cameron W L, Youssef N N, Leung L K. Simulated polarimetric signatures of primitive geometrical shapes[J]. IEEE Transactions on Geoscience and Remote Sensing, 1996, 34(3): 793-803.

[52]Huynen J R. Phenomenological theory of radar targets[D]. Delft: Delft University, 1970.

[53]Cloude S R, Pottier E. A review of target decomposition theorems in radar polarimetry[J]. IEEE Transactions on Geoscience and Remote Sensing, 1996, 34(2): 498-518.

[54]Holm W A, Barnes R M. On radar polarization mixed target state decomposition techniques[C]∥ Radar Conference, Proceedings of the 1988 IEEE National. Ann Arbor, USA: IEEE, 1988: 249-254.

[55]Freeman A, Durden S L. A three-component scattering model for polarimetric SAR data[J]. IEEE Transactions on Geoscience and Remote Sensing, 1998, 36(3): 963-973.

[56]Yamaguchi Y, Moriyama T, Ishido M, et al. Four-component scattering model for polarimetric SAR image decomposition[J]. IEEE Transactions on Geoscience and Remote Sensing, 2005, 43(8): 1699-1706.

[57]Cloude S R, Pottier E. Concept of polarization entropy in optical scattering[J]. Optical Engineering, 1995, 34(34): 1599-1610.

[58]Cloude S R, Pottier E. An entropy based classification scheme for land applications of polarimetric SAR[J]. IEEE Transactions on Geoscience and Remote Sensing, 1997, 35(1): 68-78.

[59]Lee J S, Schuler D L, Ainsworth T L. Polarimetric SAR data compensation for terrain azimuth slope variation[J]. IEEE Transactions on Geoscience and Remote Sensing, 2000, 38(5): 2153-2163.

[60]Lee J S, Schuler D L, Ainsworth T L, et al. On the estimation of radar polarization orientation shifts induced by terrain slopes[J]. IEEE Transactions on Geoscience and Remote Sensing, 2002, 40(1): 30-41.

[61]Pottier E, Boerner W M, Schuler D L. Polarimetric detection and estimation of ship wakes[C]∥ Geoscience and Remote Sensing Symposium, IGARSS ′99 Proceedings. Hamburg, Germany: IEEE, 1999: 2458-2460.

[62]Hajnsek I, Pottier E, Cloude S R. Inversion of surface parameters from polarimetric SAR[J]. IEEE Transactions on Geoscience and Remote Sensing, 2003, 41(4): 727-744.

[63]van Zyl J J. Application of Cloude′s target decomposition theorem to polarimetric imaging radar data[J]. Proceedings of SPIE—The International Society for Optical Engineering, 1993, 1748: 184-191.

[64]Durden S L, van Zyl J J, Zebker H A. The unpolarized component in polarimetric radar observations of forested areas[J]. IEEE Transactions on Geosciences and Remote Sensing, 1990, 28(2): 268-271.

[65]van Zyl J J, Zebker H A, Elachi C. Imaging radar polarization signatures: Theory and observation[J]. Radio Science, 1987, 22(4): 529-543.

[66]Kong J A, Swartz A A, Yueh H A, et al. Identification of terrain cover using the optimum polarimetric classifier[J]. Journal of Electromagnetic Waves and Applications, 1988, 2(2): 171-194.

[67]van Zyl J J, Burnette C F. Bayesian classification of polarimetric SAR images using adaptive a priori probabilities[J]. International Journal of Remote Sensing, 1992, 13(5): 835-840.

[68]Lee J S, Grunes M R, Ainsworth T L, et al. Unsupervised classification using polarimetric decomposition and the complex Wishart classifier[J]. IEEE Transactions on Geoscience and Remote Sensing, 1999, 37(5): 2249-2258.

[69]Ferro-Famil L, Pottier E, Lee J S. Unsupervised classification and analysis of natural scenes from polarimetric interferometric SAR data[C]∥ Geoscience and Remote Sensing Symposium, IGARSS ′01. Sydney, Australia: IEEE, 2001: 2715-2717.

[70]Ferro-Famil L, Pottier E, Lee J S. Unsupervised classification of multifrequency and fully polarimetric SAR images based onH/A/Alpha Wishart classifier[J]. IEEE Transactions on Geoscience and Remote Sensing, 2001, 39(11): 2332-2342.

[71]Lee J S, Grunes M R, Pottier E, et al. Unsupervised terrain classification preserving polarimetric scattering characteristics[J]. IEEE Transactions on Geoscience and Remote Sensing, 2004, 42(4): 722-731.

[72]Du L J, Lee J S. Fuzzy classification of earth terrain covers using complex polarimetric SAR data[J]. International Journal of Remote Sensing, 1996, 17(17): 809-826.

[73]Chen K S, Huang W P, Tsay D H, et al. Classification of multifrequency polarimetric SAR imagery using a dynamic learning neural network[J]. IEEE Transactions on Geoscience and Remote Sensing, 1996, 34(3): 814-820.

[74]Tzeng Y C, Chen K S. A fuzzy neural network to SAR image classification[J]. IEEE Transactions on Geoscience and Remote Sensing, 1998, 36(1): 301-307.

[75]Antropov O, Rauste Y, Astola H, et al. Land cover and soil type mapping from spaceborne PolSAR data at L-band with probabilistic neural network[J]. IEEE Transactions on Geoscience and Remote Sensing, 2013(9):1-15.

[76]Du L J, Lee J S, Hoppel K, et al. Segmentation of SAR images using the wavelet transform[J]. International Journal of Imaging Systems and Technology, 1992, 4(4): 319-326.

[77]De Grandi G D, Lee J S, Schuler D L. Target detection and texture segmentation in polarimetric SAR images using a wavelet frame: Theoretical aspects[J]. IEEE Transactions on Geoscience and Remote Sensing, 2007, 45(11): 3437-3453.

[78]Chaney R D, Bud M C, Novak L M. On the performance of polarimetric target detection algorithms[J]. IEEE Aerospace and Electronic Systems Magazine, 1990, 5(11): 10-15.

[79]Novak L M, Sechtin M B, Cardullo M J. Studies of target detection algorithms that use polarimetric radar data[J]. IEEE Transactions on Aerospace and Electronic Systems, 1989, 25(2): 150-165.

[80]Novak L M, Burl M C, Irving W W. Optimal polarimetric processing for enhanced target detection[J]. IEEE Transactions on Aerospace Electronic Systems, 1993, 29(1): 234-244.

[81]Novak L M, Hesse S R. Optimal polarizations for radar detection and recognition of targets in clutter[J]. Proceedings of SPIE—The International Society for Optical Engineering, 1993, 1700: 79-83.

[82]Ainsworth T L, Schuler D L, Lee J S. Polarimetric SAR characterization of man-made structures in urban areas using normalized circular-pol correlation coefficients[J]. Remote Sensing of Environment, 2008, 112(6):2876-2885.

[83]Chen S W, Li Y Z, Wang X S, et al. Manmade target extraction in PolSAR data using polarimetric coherence optimization[C]∥ IET International Radar Conference 2015. Hangzhou, China: IET, 2015: 1-4.

[84]Jeon B K, Jang J H, Hong K S. Road detection in spaceborne SAR images using a genetic algorithm[J]. IEEE Transactions on Geoscience and Remote Sensing, 2002, 40(1): 22-29.

[85]Cameron W L, Youssef N N, Leung L K. Simulated polarimetric signatures of primitive geometrical shapes[J]. IEEE Transactions on Geoscience and Remote Sensing, 1996, 34(3): 793-803.

[86]Touzi R, Raney R K, Charbonneau F. On the use of permanent symmetric scatters for ship characterization[J]. IEEE Transactions on Geoscience and Remote Sensing, 2004, 42(10): 2039-2045.

[87]Howell C, Power D, Lynch M, et al. Dual polarization detection of ships and icebergs-recent results with ENVISAT ASAR and data simulations of RADARSAT-2[C]∥ IGARSS 2008,2008 IEEE International Geoscience and Remote Sensing Symposium. Boston, USA: IEEE, 2008: III-206-209.

[88]Yang J, Peng Y N, Yamaguchi Y, et al. On Huynen′s decomposition of a Kennaugh matrix[J]. IEEE Geoscience and Remote Sensing Letters, 2006, 3(3): 369-372.

[89]Dabboor M, Collins M J, Karathanassi V, et al. An unsupervised classification approach for polarimetric SAR data based on the Chernoff distance for complex Wishart distribution[J]. IEEE Transactions on Geoscience and Remote Sensing, 2013, 51(7): 4200-4213.

[90]Cheng X G, Huang W L, Gong J Y. An unsupervised scattering mechanism classification method for PolSAR images[J]. IEEE Geoscience and Remote Sensing Letters, 2014, 11(10): 1677-1681.

[91]Allain S, Ferro-Famil L, Pottier E. Two novel surface model based inversion algorithms using multi-frequency polSAR data[C]∥ Geoscience and Remote Sensing Symposium, IGARSS ′04. Anchorage, USA: IEEE, 2004: 823-826.

[92]Réfrégier P, Morio J. Shannon entropy of partially polarized and partially coherent light with Gaussian fluctuations[J]. Journal of the Optical Society of America： A Optics Image Science and Vision, 2006, 23(12): 3036-44.

[93]Ainsworth T L, Cloude S R, Lee J S. Eigenvector analysis of polarimetric SAR data[C]∥ Geoscience and Remote Sensing Symposium, IGARSS ′02. [S.l.]:IEEE, 2002，1: 626-628.

[94]Lee J S, Ainsworth T L. The effect of orientation angle compensation on coherency matrix and polarimetric target decompositions[J]. IEEE Transactions on Geoscience and Remote Sensing, 2011, 49(1): 53-64.

[95]An W T, Cui Y, Yang J. Three-component model-based decomposition for polarimetric SAR data[J]. IEEE Transactions on Geoscience and Remote Sensing, 2010, 48(6): 2732-2739.

[96]Yamaguchi Y, Sato A, Boerner W M, et al. Four-component scattering power decomposition with rotation of coherency matrix[J]. IEEE Transactions on Geoscience and Remote Sensing, 2011, 49(6): 2251-2258.

[97]Xu F, Jin Y Q. Deorientation theory of polarimetric scattering targets and application to terrain surface classification[J]. IEEE Transactions on Geoscience and Remote Sensing, 2005, 43(10): 2351-2364.

[98]Chen S W, Ohki M, Shimada M, et al. Deorientation effect investigation for model-based decomposition over oriented built-up areas[J]. IEEE Geoscience and Remote Sensing Letters, 2013, 10(2): 273-277.

[99]Du A, Wang Y. Compensation for azimuth angle or scale effect on building extraction in urban using SAR scales of polarization and coherence[J]. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, 2016(99): 1-9.

[100]Chen S W, Wang X S, Li Y Z, et al. Adaptive model-based polarimetric decomposition using PolInSAR coherence[J]. IEEE Transactions on Geoscience & Remote Sensing, 2014, 52(3): 1705-1718.

[101]Xiang D L, Ban Y F, Su Y. Model-based decomposition with cross scattering for polarimetric SAR urban areas[J]. IEEE Geoscience and Remote Sensing Letters, 2015, 12(12): 2496-2500.

[102]Chen S W, Wang X S, Sato M. Uniform polarimetric matrix rotation theory and its applications[J]. IEEE Transactions on Geoscience and Remote Sensing, 2014, 52(8): 4756-4770.

[103]van Zyl J J, Arii M, Kim Y. Model-based decomposition of polarimetric SAR covariance matrices constrained for nonnegative eigenvalues[J]. IEEE Transactions on Geoscience and Remote Sensing, 2011, 49(9): 3452-3459.

[104]Kusano S, Takahashi K, Sato M. Volume scattering power constraint based on the principal minors of the coherency matrix[J]. IEEE Geoscience and Remote Sensing Letters, 2014, 11(1): 361-365.

[105]Cui Y, Yamaguchi Y, Yang J, et al. On complete model-based decomposition of polarimetric SAR coherency matrix data[J]. IEEE Transactions on Geoscience and Remote Sensing, 2014, 52(4): 1991-2001.

[106]Arii M, van Zyl J J, Kim Y. Adaptive model-based decomposition of polarimetric SAR covariance matrices[J]. IEEE Transactions on Geoscience and Remote Sensing, 2011, 49(3): 1104-1113.

[107]Chen S W, Sato M. General polarimetric model-based decomposition for coherency matrix[J]. IEEE Transactions on Geoscience and Remote Sensing, 2014, 52(3): 1843-1855.

[108]Lee J S, Ainsworth T L, Wang Y T. Generalized polarimetric model-based decompositions using incoherent scattering models[J]. IEEE Transactions on Geoscience and Remote Sensing, 2014, 52(5): 2474-2491.

[109]Neumann M, Ferro-Famil L, Reigber A. Improvment of vegetation parameter retrieval from polarimetric SAR interferometry using a simple polarimetric scattering model[C]∥Processing POLinSAR. Rome, Italy: [s.n.],2009.

[110]Freeman A. Fitting a two-component scattering model to polarimetric SAR data from forests[J]. IEEE Transactions on Geoscience and Remote Sensing, 2007, 45(8): 2583-2592.

朱岱寅(1974-)，男，博士，教授，博士生導(dǎo)師，研究方向：合成孔徑雷達(dá)信號(hào)處理、高分辨率雷達(dá)成像，E-mail：zhudy@nuaa.edu.cn。

葉少華(1966-)，男，博士，研究員，研究方向：雷達(dá)信號(hào)處理、雷達(dá)系統(tǒng)。

楊鳴冬(1989-)，男，博士研究生，研究方向：合成孔徑雷達(dá)信號(hào)處理。

宋偉(1980-)，男，博士，高級(jí)工程師，研究方向：雷達(dá)信號(hào)處理、雷達(dá)系統(tǒng)

Advances in High Resolution Polarimetric Synthetic Aperture Radar Imaging

Zhu Daiyin1, Yang Mingdong1, Song Wei2, Ye Shaohua2

(1.Key Laboratory of Radar Imaging and Microwave Photonics, Ministry of Education, College of Electronic and Information Engineering, Nanjing University of Aeronautics and Astronautics, Nanjing, 211106, China;2.AVIC Leihua Electronic Technology Research Institute, Wuxi, 214063, China)

As an effective technology for earth remote sensing, synthetic aperture radar (SAR) provides high-resolution, wide-swath, day-and-night and weather-independent images for observation region, which has been widely used for military reconnaissance, environmental monitoring, geological mapping, et al. With the developments of radar technology and geoscience, more target characteristics are expected to be acquired. Conventional single-polarimetric SAR has been difficult to meet diversified requirements for practical applications. Based on multi-polarization, polarimetric synthetic aperture radar (PolSAR) can obtain target characteristics under different polarization state. PolSAR enriches information of SAR images, whose applications are further expanded. Scattering mechanism interpretation is an important bridge between the collected data and real applications. In this paper, the research progress of PolSAR is firstly reviewed, with emphasis on polarimetric target decomposition. Processing results of real data is presented. Finally, some possible directions for future development are proposed.

polarimetric synthetic aperture radar (SAR); radar imaging; polarimetric target decomposition; scattering mechanism; scattering model

國家自然科學(xué)基金(61301210,61301212)資助項(xiàng)目；航空科學(xué)基金(20142052020,20142052021)資助項(xiàng)目；江蘇省自然科學(xué)基金(BK20130815)資助項(xiàng)目；江蘇省高校優(yōu)勢學(xué)科建設(shè)工程資助項(xiàng)目。

2016-06-14；

2016-07-02

TN958

A