一種改進的極化幹涉SAR植被高度聯合反演方法與流程
2023-09-14 21:16:40
本發明屬於遙感圖像處理技術領域，涉及一種改進的極化幹涉sar植被高度聯合反演方法。
背景技術：
合成孔徑雷達(sar)作為一種先進的微波遙感手段，具有全天候、全天時、解析度高、大面積覆蓋等優勢。極化sar和幹涉sar是傳統sar系統的重要分支。極化sar通過觀測不同收發極化組合下的回波信息，區分物體的細緻結構、目標指向及物質組成等參數來更加系統全面地反映目標的後向散射特性，從而獲得豐富全面的地物信息。幹涉sar通過空間位置略有差異的兩個點對目標成像，利用兩幅圖像對應點的相位差可以獲取目標垂直方向的高度信息。極化幹涉sar是將極化sar和幹涉sar結合於一體的新型遙感技術，同時具有極化sar能夠區分目標散射體細緻結構和幹涉sar能夠獲取目標高程信息的優點，極化幹涉sar能夠提供更為豐富的極化信息和高程信息，大大拓寬了sar的應用領域。
森林生態系統在全球碳循環過程和大尺度環境變化準確監測中起著極其重要的作用，而森林高度的地面測量不僅昂貴、費時，並且難以獲得大面積數據。極化幹涉sar技術的出現為該問題提供了有效的解決途徑。極化幹涉sar地表植被參數反演是指對場景內的地物植被進行參數估計，通常用於森林區域的植被高度信息提取。隨著越來越多的極化幹涉sar系統投入使用，獲得的森林區域極化幹涉sar圖像越來越豐富，現有的植被高度反演方法大都存在反演結果低估高度的缺陷，嚴重影響了極化幹涉sar在森林區域的應用。如何利用這些圖像來有效提取森林高度，一直是迫切需要解決的一個難題。
技術實現要素：
為了解決現有的極化幹涉sar圖像反演方法存在的低估反演高度的缺陷，本發明提供了一種改進的極化幹涉sar植被高度聯合反演方法。
本發明是通過以下技術方案實現的：
一種改進的極化幹涉sar植被高度聯合反演方法，包括如下步驟：
步驟一：輸入極化幹涉sar圖像，進行預處理，得到預處理後的極化幹涉sar圖像；
步驟二：採用基於相位分離相干優化的三階段算法對預處理後的極化幹涉sar圖像進行地表相位提取：
a：相位分離相干優化：對預處理後的極化幹涉sar圖像進行相位分離，得到高、低相位對應的復相干性係數；
b：三階段算法：①利用hh、hv、vv三種不同極化方式得到的復相干性係數和相位分離得到的高、低相位對應的復相干性係數進行最小二乘擬合，擬合直線與單位圓的交點之一就是地表相位；②根據最大植被偏差準則，選擇和體散射相位相距最大的那個點作為地表相位點；
步驟三：基於antropov體散射模型對預處理後的極化幹涉sar圖像進行極化目標分解，得到體散射成分，提取出冠層相位；
步驟四：根據相位差異法，利用步驟二得到的地表相位和步驟三得到的冠層相位的相位差異初步估計植被高度；
步驟五：採用相干幅度法對步驟四得到的高度進行補償，實現極化幹涉sar圖像的植被高度估計。
本發明具有如下優點：
1、本發明應用於遙感圖像處理領域，實現極化幹涉sar圖像植被高度反演。
2、本發明將傳統三階段算法和極化目標分解方法結合，採取了二者的優勢，並且利用相位分離技術優化三階段算法得到的地表相位，同時採用antropov體散射模型優化極化目標分解得到的冠層相位，解決了地表相位和冠層相位估計模糊的問題，提高了極化幹涉sar植被高度反演的精度。
附圖說明
圖1是本發明改進的極化幹涉sar植被高度聯合反演方法的流程圖。
圖2是原始極化幹涉sar圖像hh通道的幅度圖像。
圖3是復相干性係數在複平面的分布示意圖。
圖4是植被高度反演的三維成像結果。
圖5是本發明的植被反演結果和三階段反演算法的反演結果對比圖。
具體實施方式
下面結合附圖對本發明的技術方案作進一步的說明，但並不局限於此，凡是對本發明技術方案進行修改或者等同替換，而不脫離本發明技術方案的精神和範圍，均應涵蓋在本發明的保護範圍中。
具體實施方式一：本實施方式提供了一種改進的極化幹涉sar植被高度聯合反演方法，如圖1所示，具體實施步驟如下：
步驟一：輸入極化幹涉sar圖像，進行預處理，得到預處理後的極化幹涉sar圖像，其中：
預處理後極化幹涉sar圖像的極化相干矩陣t6為：
其中，和為pauli基散射矢量：
上式中，每個元素siqp(p,q＝h,v)表示以q極化方式發射，p極化方式接收時的目標後向復散射係數，由極化幹涉sar系統獲得。i＝1,2表示雷達系統在略微不同視角獲得的主、副兩幅sar圖像，h,v分別表示水平極化和垂直極化方式，表示空域平均。
步驟二：採用基於相位分離相干優化的三階段算法對預處理後的極化幹涉sar圖像進行地表相位提取：
a：相位分離相干優化：對預處理後的極化幹涉sar圖像進行相位分離，得到高、低相位對應的復相干性係數γpdh和γpdl。具體過程如下：
找到式(3)的兩個特徵向量ωh和ωl使式(4)所示的復相干性的餘切值達到最值，它們對應於複平面上具有最大相位差異的兩種極化狀態。然後根據相干性計算公式(5)，將得到的ωh和ωl分別代入式(5)，可以求得高、低相位所對應的復相干性γpdh和γpdl。
其中，3個3×3復矩陣塊是極化相干矩陣t6的一部分，t＝(t11+t22)/2，ω＝ω1＝ω2是與極化狀態有關的歸一化復投影矢量，λ是相應的特徵值，γ是復相干性係數，j是虛數單位，*t表示共軛轉置。
b：三階段算法：利用hh、hv、vv三種極化方式得到復相干性係數γhh、γhv和γvv，將γhh、γhv、γvv和γpdh、γpdl進行最小二乘擬合，擬合直線與單位圓的交點之一就是地表相位；然後根據最大植被偏差準則，選擇和體散射相位相距最大的那個點作為地表相位點。具體過程如下：
對於hh極化方式，投影矢量代入相干性計算公式(5)中，得到對應的復相干性係數γhh；同理，對於hv極化方式，投影矢量ω＝ω1＝ω2＝[001]t，而對於vv極化方式，投影矢量由公式(5)可以計算出相應的復相干性係數γhv和γvv。然後對已經得到的5個復相干性係數γhh、γhv、γvv、γpdh和γpdl在複平面上進行最小二乘擬合。它們在複平面的分布示意圖如圖3所示。擬合得到的直線和複平面單位圓相交於兩點，其中一個即為所求的地表相位點。
根據最大植被偏差準則，選擇離體散射相干點相位距離最大的那個點作為地表相位點，其相位項φ0認為是地表相位，用來進行植被高度提取。這裡通常認為，hv極化通道獲得的復相干性係數γhv可以表徵體散射相干性，用來進行植被偏差準則比較。
步驟三：基於antropov體散射模型對預處理後的極化幹涉sar圖像進行極化目標分解，得到體散射成分，提取出冠層相位。其中，提取冠層相位的具體過程如下：
將預處理後極化幹涉sar圖像的互協方差矩陣分解為奇次散射、偶次散射和體散射三種基本散射機理的加權和：
[cint]＝[cs]+[cd]+[cv](6)
其中，為預處理後極化幹涉sar圖像的互協方差矩陣，這裡和是lexicographic基散射矢量：
[cs]為奇次散射協方差矩陣：
其中，ψhv＝ψh-ψv是不同極化方式下的復散射係數相位差，φs是奇次散射的相位項。
[cd]是偶次散射協方差矩陣：
其中，rgh、rth、rgv和rtv是菲涅耳(fresnel)係數，φd是偶次散射的相位項。
應用antropov體散射模型計算體散射相位，首先計算參考協方差矩陣：
其中δ＝/，則體散射協方差矩陣可表示為：
[cv]＝fv[cv_refer](11)
其中，φv是體散射的相位項。
根據公式(6)，使該公式等號左右兩側各項對應相等，可以得到
根據式(12)可以提取出體散射相位φv作為冠層相位。
步驟四：根據相位差異法，利用步驟二得到的地表相位和步驟三得到的冠層相位的相位差異初步估計植被高度，具體過程如下：
根據相位差異法，可得植被高度hv表達式如下：
其中，φ0是步驟二求得的地表相位，φv是步驟三求得的冠層相位，kz是有效垂直波數，由極化幹涉sar系統獲得。
步驟五：採用相干幅度法對步驟四得到的高度進行補償，實現極化幹涉sar圖像的植被高度估計，具體過程如下：
在rvog模型中，幹涉相干性表達式如下：
其中，是有效地體幅度比，只與極化方式有關，γv是體散射相干性，獨立於極化方式，只與消光係數σ和樹高hv有關，其表達式如下：
上式中，θ0為極化幹涉sar系統均值入射角。
當消光係數σ趨於零時，體散射相干性變成了只與樹高hv有關的函數：
因此，可以使用測量的相干幅度估計植被高度。體散射相干γv通常用體散射佔優的交叉極化復相干性係數γhv近似，通過相干幅度法獲得的植被高度hv表達式如下：
通過相干幅度法獲取的植被高度通常用於對其他植被高度估計算法的結果進行補償。本發明所述的精確高度估計算法將步驟四相位差異法獲得的高度和步驟五相干幅度法獲得的高度結合，最終求得的植被高度表達式如下：
其中，補償係數ε取值範圍為0.4:0.6。
具體實施方式二：本實施方式中所用實驗圖像為polsarprosim軟體產生的仿真極化幹涉sar圖像，圖像大小為164×141個像素，其hh通道幅度圖像如圖2所示。該仿真區域樹種為落葉林，森林密度為300棵/公頃，平均樹高為10m。
對極化幹涉sar圖像採用本發明所述改進的極化幹涉sar植被高度聯合反演方法進行植被高度反演，其3維成像結果如圖4所示。
對於圖像的第78列，本發明改進的極化幹涉sar植被高度聯合反演方法和三階段反演算法的高度圖像對比結果如圖5所示。對於整幅圖像，平均高度和均方根誤差結果對比如表1所示。
表1
通過圖5的反演結果可以看出：改進的極化幹涉sar聯合反演算法可以獲得很好的反演結果。由於引入了相位分離相干優化，獲得的地表相位更接近真實情況，並且採用antropov體散射模型，可以更全面精確地描述冠層結構，因而相位差異的結果接近真實植被高度。在算法誤差分析上，本發明算法的均方根誤差(rems)值為2.03m，而傳統的三階段反演算法的為6.09m。這是因為直線擬合過程中引入了由相位分離相干優化產生的更接近真實情況的兩個相干性，擬合的直線更精確。因此，本發明改進的極化幹涉sar植被高度聯合反演方法不僅提高了反演結果的精度，還大大降低了誤差。