从极化SAR图像数据中，我们可以提取目标的极化散射特性，从而实现全极化数据的分类和聚类等其他应用。这需要我们对极化数据进行分析，有效地分离出目标的散射特性，其理论核心是目标分解。本文针对几种现有的目标分解方法进行了深入的分析和研究，并从分解思想、分解结果、算法实现难点、计算量以及应用范围等多方面进行比较，以期对这些分解方法进行更深刻的理解，为目标分解方法的实际应用提供一定的理论参考。关键词：SAR； 信息处理；目标极化分解； 散射矩阵多极化合成孔径雷达（SAR）通过测量地面每个分辨单元内的散射回波，进而获得其极化散射矩阵以及Stokes矩阵[1]。极化散射矩阵将目标散射的能量特性、相位特性和极化特性统一起来，相对完整的描述了雷达目标的电磁散射特性[2]，为更加深入地研究地物目标提供了重要的依据，极大地增强了成像雷达对目标信息的获取能力。从极化SAR图像数据中，我们可以提取目标的极化散射特性，从而实现全极化数据的分类和聚类等其他应用。这需要我们对极化数据进行分析，有效地分离出目标的散射特性，其理论核心是目标极化分解。现有的目标分解主要有两类方法：基于复反射电压矩阵的相干分解和基于反射功率矩阵的特征分解。基于复反射电压矩阵的分解方法有多种，常用的有Pauli分解，Polar分解等。基于反射功率矩阵的分解有Cloud分解等。本文从目标分解的基本理论出发，对这些分解方法进行了深入的分析，并从方法的理论核心、算法实现和性能特点等多方面进行总结和比较，以便对这些分解方法进行更深刻的把握，为目标分解方法的实际应用提供一定的理论参考。
京公网安备 11010802033920号
Copyright © 2005-2024 EEWORLD.com.cn, Inc. All rights reserved
评论