(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202210401838.6 (22)申请日 2022.04.18 (71)申请人 中国电子科技 集团公司第十四研究 所 地址 210039 江苏省南京市雨 花台区国睿 路8号 (72)发明人 刘爱芳　徐一凡　楼良盛　陈刚　 林幼权　 (74)专利代理 机构 南京知识律师事务所 32 207 专利代理师 严梦婷　高娇阳 (51)Int.Cl. G06T 7/11(2017.01) G06K 9/62(2022.01) G01S 13/90(2006.01) G06V 10/764(2022.01)G06V 10/80(2022.01) (54)发明名称 一种基于极化干涉SAR的地物分类方法 (57)摘要 本发明提供了一种基于极化干涉SAR的地物 分类方法， 包括： 极化干涉SAR数据获取； 数据预 处理； 极化SAR图像分割； DEM高程提取； 划分强弱 散射区域； 弱散射区域分类； 强散射区域 分类； 植 被分类； 分类结果融合。 本发明提供了一种基于 极化干涉SAR的地物分类方法， 综合利用地物的 极化信息、 干涉信息， 结合极化SAR图像分割结 果、 功率信息、 高程信息、 图形特征以及统计信 息， 使得可区分的地物 类别提升至8类， 地物分类 精度显著提升 。 权利要求书3页 说明书8页 附图10页 CN 114998365 A 2022.09.02 CN 114998365 A 1.一种基于极化干涉SAR的地物分类方法， 其特 征在于， 包括以下步骤： 1.极化干涉SAR数据获取： 获取观测场景的极化干涉SAR数据， 并对数据进行保相成像 处理， 得到包 含极化信息和干涉信息的多幅复图像； 2.数据预处理： 对步骤1获取的复图像进行数据预处理， 所述预处理操作包括辐射定 标、 极化干涉定标以及相干斑滤波； 3.极化SA R图像分割： 对步骤2中经过预处理的复图像， 融合不同极化通道的信息， 提取 全极化多方位梯度图， 将图像分割为 不同的同质区域即不同的网格； 4.DEM高程提取： 提取步骤1获取复图像中的HHm复图像以及 HHs复图像中地物的DEM高程 信息； 所述HHm复图像表示主天线水平极化发射 水平极化接收得到的复图像， 所述HHs复图像 表示辅天线水平极化发射水平极化接收得到的复图像； 5.划分强弱散射区域： 依据步骤3中极化SAR图像分割结果以及复图像的功率， 将复图 像中的区域划分为强散射区域和弱散射区域； 6.弱散射区域分类： 通过DEM高程信息以及复图像的角点将步骤5提取的弱散射区域进 行细分； 7.强散射区域分类： 对步骤5划分的强散射区域进行极化分解， 得到不同像素对应的表 面散射分量、 偶次散射分量以及体散射分量； 并依据这些散射分量的相对关系， 将强散射区 域分类为 裸露土壤、 人工建筑以及植被区域并进行自适应分类； 8.植被分类： 对步骤7中提取的植被区域进行极化分解， 结合步骤4提取的DEM高程信 息， 将植被细分进行细分； 9.分类结果融合： 融合步骤6、 步骤7、 以及步骤8的分类结果， 对分类结果进行配色， 形 成地物分类图。 2.根据权利要求1所述的基于极化干涉SAR的地物分类方法， 其特征在于， 步骤6所述弱 散射区域分类的分类种类包括阴影和水体； 步骤8植被分类的分类种类包括矮阔叶植被、 矮 针叶植被、 高阔叶植被和高针叶植被。 3.根据权利要求1所述的基于极化干涉SAR的地物分类方法， 其特征在于， 所述复图像 具体包括： HHm复图像、 VHm复图像、 HVm复图像、 VVm复图像、 HHs复图像、 VHs复图像、 HVs复图像 和VVs复图像； 所述HHm复图像表示主天线水平极化发射水平极化接收得到的复图像， 所述 VHm复图像表示主天线水平极化发射垂直极化接收得到的复图像， 所述片Vm复图像表示主天 线垂直极化发射水平极化接收得到 的复图像， 所述VVm复图像表示主天线垂直极化发射垂 直极化接收得到 的复图像， 所述HHs复图像表示辅天线水平极化发射水平极化接收得到 的 复图像， 所述VHs复图像表示辅天线水平极化发射垂直极化接收得到的复图像， 所述HVs复图 像表示辅天线垂直极化发射水平极化接收得到的复图像， 所述VVs复图像表示辅天线垂直 极化发射垂直极化接收得到的复图像。 4.根据权利要求3所述的基于极化干涉SAR的地物分类方法， 其特征在于， 所述步骤3具 体包括以下步骤： 依据步骤3分割得到的网格， 计算每个网格内像素点的平均功率； 假设网格G内像素点 数为n， 则网格G内像素点的平均功率S PANG可表示为：权　利　要　求　书 1/3 页 2 CN 114998365 A 2其中 分别表示主天线获取的4幅复图像 中 某像素点对应的功率； (i， j)表示像素点的坐标， 该坐标限制在网格G内； 选取一个确定为阴影区域的网格， 将其平均功率的M倍作为阈值T； 将步骤3分割得到的 网格内像素点的平均功率小于等于阈值T的区域划 为弱散射区域； 将网格内像素点的平均 功率大于阈值T的区域划为强散射区域。 5.根据权利要求 4所述的基于极化干涉SAR的地物分类方法， 其特 征在于， 所述M取1.2。 6.根据权利要求4所述的基于极化干涉SAR的地物分类方法， 其特征在于， 步骤6 中对步 骤5中提取的弱散射区域进行细分的操作具体包括以下步骤： 依据步骤3的极化SA R图像分割结果以及步骤4提取的DEM高程信息， 计算每个网格内的 平均高程； 按照从雷达近距端到远距端的顺序， 比较相 邻网格的平均高程， 若近距端网格的 平均高程高于远距端网格的平均高程， 则把近距端网格标记为高程 突出区域； 遍历每一个弱散射区域， 若该区域相邻的近距端存在高程突出区域， 则将该区域列为 可疑阴影区域； 若 该区域相 邻的近距端不存在高程突出区域， 则该区域为水体区域； 通过对 比可疑阴影区域与高程突出区域的角点数量进行阴影区域确认， 可疑阴影区域与高程突出 区域的角点的提取方法为： 对于某区域， 依据步骤3的极化SAR图像 分割结果， 将待提取角点 的区域内像素灰度置为 1， 该区域外像素灰度置为0； 构建一个N ×N的模板， 其中N为奇数； 将 该模板的中心置于待提取角点的区域边缘的某一个像素上， 计算该模板内的灰度值之和， 若灰度值之和小于N ×N/3， 则将模板中心所在的边缘点记为角点； 将该模板滑过待提取角 点的区域边缘的每一个像素， 计算该模板内的灰度值之和， 提取所有角点； 可疑阴影区域提 取的角点数量为n1， 其相邻近距端高程突出区域的角点数为n2， 若|n1 ‑n2|/max(n1， n2)＜ Q， 该可疑阴影区域 为阴影区域； 若 |n1‑n2|/max(n1， n2)》 ＝ Q， 将该可疑阴影区域归为水体。 7.根据权利要求6所述的基于极化干涉SAR的地物分类方法， 其特 征在于， 所述 Q取0.2。 8.根据权利要求6所述的基于极化干涉SAR的地物分类方法， 其特征在于， 所述进行强 散射区域分类的具体步骤为： 构建相干矩阵T3， T3＝<k·k*T》                   (2) 其中， 上标*表示取共轭， 上标T表示转置， <·>表示多视处 理； 若T3(1， 1)》 T3(2， 2)+T3(3， 3)， 则表面散射占优， 则二面角散射是小量， 通过式(3)求解 三分量 若T3(1， 1)≤T3(2， 2)+T3(3， 3)， 则二面角散射占优， 则 表面散射是小量， 通过 式(4)求解 三分量权　利　要　求　书 2/3 页 3 CN 114998365 A 3