[论文解读] A PolSAR Scattering Power Factorization Framework and Novel Roll-Invariant Parameters Based Unsupervised Classification Scheme Using a Geodesic Distance

Debanshu Ratha, Éric Pottier+2 more|arXiv (Cornell University)|Jun 27, 2019

Synthetic Aperture Radar (SAR) Applications and Techniques参考文献 29被引用 5

一句话总结

本文提出了一种用于全向量SAR（PolSAR）数据的新颖散射功率分解框架（SPFF），通过在归一化Kennaugh矩阵上基于测地距离的相似性度量，将总功率（Span）分解为非负散射分量。该方法实现了滚动不变的参数估计和无监督分类方案，结果表明在C波段（RADARSAT-2）和L波段（ALOS-2）旧金山数据中，散射机制的区分能力得到提升。

ABSTRACT

We propose a generic Scattering Power Factorization Framework (SPFF) for Polarimetric Synthetic Aperture Radar (PolSAR) data to directly obtain $N$ scattering power components along with a residue power component for each pixel. Each scattering power component is factorized into similarity (or dissimilarity) using elementary targets and a generalized random volume model. The similarity measure is derived using a geodesic distance between pairs of $4 imes4$ real Kennaugh matrices. In standard model-based decomposition schemes, the $3 imes3$ Hermitian positive semi-definite covariance (or coherency) matrix is expressed as a weighted linear combination of scattering targets following a fixed hierarchical process. In contrast, under the proposed framework, a convex splitting of unity is performed to obtain the weights while preserving the dominance of the scattering components. The product of the total power (Span) with these weights provides the non-negative scattering power components. Furthermore, the framework along the geodesic distance is effectively used to obtain specific roll-invariant parameters which are then utilized to design an unsupervised classification scheme. The SPFF, the roll invariant parameters, and the classification results are assessed using C-band RADARSAT-2 and L-band ALOS-2 images of San Francisco.

研究动机与目标

• 开发一种灵活的、基于测地距离的框架，用于将PolSAR总功率分解为具有物理意义的散射分量。
• 通过保留主导顺序和总功率的同时实现单位的凸分解，解决传统基于模型和基于特征值分解的局限性。
• 基于测地距离推导出三种新颖的滚动不变参数：散射类型角αGD、螺旋度τGD和去极化指数PGD，以增强散射机制表征。
• 设计一种高效的无监督分类方案，利用推导出的参数进行聚类，无需预先训练数据。
• 在多时相、多波段PolSAR数据（C波段和L波段）上验证该框架，以提升土地覆盖和散射区域识别能力。

提出的方法

• 在4×4实数Kennaugh矩阵的单位球面上使用测地距离（GD）来度量观测目标与基本散射目标之间的相似性。
• 应用单位的凸分解以计算权重，从而保留主导顺序并保持总功率（Span），确保散射功率分量为非负。
• 基于测地距离推导出三个新颖的滚动不变参数：散射类型角αGD、螺旋度τGD和去极化指数PGD。
• 利用测地距离计算观测Kennaugh矩阵与预定义散射模型（如地表、体积、奇数次反弹）之间的相似性/不相似性。
• 将推导出的参数（尤其是PGD和αGD）作为输入，通过聚类实现无监督分类方案，避免依赖标注数据。
• 在C波段RADARSAT-2和L波段ALOS-2旧金山PolSAR图像上验证该框架，并与Pauli和Y4R RGB合成图进行比较。

实验结果

研究问题

• RQ1 基于测地距离的Kennaugh矩阵相似性度量是否能有效将PolSAR总功率分解为具有物理解释意义的散射分量？
• RQ2 所提出的滚动不变参数（αGD、τGD、PGD）与标准参数相比，在区分散射机制方面表现如何？
• RQ3 该测地距离框架在无标注训练数据条件下，能在多大程度上提升PolSAR图像的无监督分类性能？
• RQ4 该框架如何处理PolSAR数据中的时间差异和波段差异，如C波段与L波段以及11年的时序分离？
• RQ5 该框架是否能在不同传感器和获取条件下保持散射区域识别的一致性？

主要发现

• SPFF成功利用基于测地距离推导出的凸权重，将Span分解为非负散射功率分量，同时保留总功率和主导顺序。
• 新颖的滚动不变参数αGD、τGD和PGD能有效区分散射机制，其中仅αGD即可实现城市与植被区域的分离。
• τGD参数在区分陆地-海洋或船只-海洋场景方面尤为有效，显示出其对散射对称性的高灵敏度。
• 基于PGD和αGD的无监督分类方案能准确识别主要散射区域，包括城市区域（如南市场区）、森林（金门公园）和开阔水面。
• 该框架捕捉到了时间与波段相关的散射变化：金门大桥以北区域在ALOS-2数据中表现为体积散射，而在RADARSAT-2中为奇数次反弹散射，与H/α图分析结果一致。
• SPFF输出图（如主导散射类别标签）与Pauli和Y4R RGB合成图高度一致，同时揭示了标准可视化中不可见的额外散射行为细节。