基于目标分解理论的全极化SAR图像神经网络分类方法

由于全极化合成孔径雷达 (synthetic aperture radar)能够测量每一观测目标的全散射矩阵 ,即可合成包括线性极化、圆极化及椭圆极化在内的多种极化图像 ,因此与常规的单极化和多极化 SAR相比 ,在雷达目标探测、识别 ,纹理特征和几何参数的提取等方面 ,全极化 SAR均具有很多优点 ,但是由于地物分布的复杂性往往造成不同地物具有相似的后向散射信号特征 ,因而加大了地物信息提取的难度。同时由于这些极化合成图像具有较高的相关性 ,从而导致了图像分类精度的降低。为了提高全极化 SAR图像的分类精度 ,基于新疆和田地区的 SIR- C L波段全极化雷达数据 ,利用目标分解理论首先将地物回波的复杂散射过程分解为几种互不相关的单一的散射分量。由于这些单一的散射分量都对应于具有不同物理和几何特征以及分布特征的地物 ,从而提供了更加丰富的地表覆盖信息 ,这样就很大程度地改善了地物信息的分类精度 ;然后利用分解后单一散射分量数据结合传统的极化合成数据 ,可以得到更多的互不相关的数据源 ,再使用神经网络分类法对这些数据进行分类。分类结果表明 ,这种方法大幅度提高了全极化 SAR数据用于实验区土地覆盖分类的精度。这种分类方法也可以广泛地用于 SAR数据地表覆盖和土地利用动态监测和地表参数的提取。