极化SAR影像分类综述

1、基于目标分解的极化 SAR图像分类硕研2010级6班金姗姗2010010615摘要：极化SAR图像分类是SAR图像解译的重要内容，从现有的文献来看，基 于目标分解理论的极化SAR图像分类算法是所有分类算法中较为实用、准确， 且发展较快的。以此为研究背景，论文首先介绍了雷达极化的基础理论， 并在此 基础上系统地分析了当前各种典型目标分解算法的特性， 最后总结了几种典型的 基于目标分解理论的极化SAR图像分类算法。关键词：极化SAR目标分解 图像分类Abstract: Polarimetric SAR image classification is pivotal in SAR image int

2、erpretation. According to current literature, the classification algorithm for polarimetric SAR image based on target decomposition theorems is the most practical and exact one with fast developing speed among all algorithms. Under this background of research, the basic theory on radar polarimetric

3、is discussed at first in this paper. Then the characteristic of typical target decomposition algorithms is analyzed in detail. Finally, typical polarimetric SAR image classification based on target decomposition theorems are summarized.Key words： POLSAR Target Decomposition Image Classification1引言极化

4、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。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，相对完整地描述了雷达目标的电磁散射特性， 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，其理论核心是目标分解。目标分解理论是PolSA R图像处理技术中最基本的方法，目标分解的主要目的是把极化散射矩阵或相干矩阵和 协方差矩阵分

5、解成代表不同散射机理的若干项之和，每一项对应一定的物理意 义。目标分解的突出优点就是它们大都具有明确的物理解释。因为目标回波的极化信息可以反映目标的几何结构和物理特性， 所以极化目标分解理论可用丁目标 检测或分类。目前，极化目标分解理论主要分为基丁散射矩阵分解的相干目标分 解方法和基丁协方差矩阵或相干矩阵的部分相干目标分解两类。本文从目标分解的基本理论出发，对这些分解方法进行了归纳和分析，以便对这些分解方法进行 深刻的把握。为目标分解方法应用丁 SAR图像分类提供一些参考。2极化SAR图像的基本理论2.1极化合成孔径雷达概述极化合成孔径雷达是合成孔径雷达向多功能方向发展的一个重要内容，它能有效

6、提高获取目标信息的能力，为提高目标分类的精度提供了有力的工具。传统的单极化合成孔径雷达仅能获得地面场景在某一特定极化收发组合下 的目标散射特性，所得到的信息量是有限的。若想对地物的地理和电磁特性作进 一步的分析与研究，需要了解地物目标在不同极化收发组合下的回波特性，即所谓的雷达极化信息。这种能够获得地物目标极化散射特性的SAR系统称为极化合成孔径雷达系统。应用极化合成孔径雷达系统进行观测，测量的数据不再只是 目标的后向散射系数，而是一个 22的复散射矩阵。与传统的单极化合成孔径 雷达相比，极化合成孔径雷达的突出优点在丁测量数据包含了更丰富的目标信 息，这样就为信息挖掘提供了可能，因此它在目标检

7、测、识别、分类以及目标参 数反演等方面具有显著的优势。极化合成孔径雷达通过测量地面每个分辨单元内的散射回波，进而获得其Sinclair矩阵 和Mueller矩阵，这些极化散射矩阵可以用来完全描述目标散射回 波的幅度和相位特性。利用极化合成技术，可以由目标回波的Mueller矩阵计算出天线在任意极化收发组合下所接收到的回波功率值。也就是说，只需获得四种基本极化组合，即HH、HV、VH和VV极化，就可以准确地计算出天线在所有 可能的极化状态下的接收功率值。总之，极化合成孔径雷达通过调整收发电磁波 的极化方式可以获得场景目标的极化散射矩阵， 为更加深入地研究目标的散射特 性提供了重要的依据,极大地增

8、强了成像雷达对目标信息的获取能力。2.2极化散射矩阵(Sinclair矩阵)与 Mueller矩阵在雷达目标电磁散射特性研究中，雷达散射截面(RCS)是最早出现且使用最为广泛的特征量，它能描述目标对电磁波散射效率，表征了目标散射场与入射场 之间的幅度变换特性，但 RCS缺乏对丁目标回波相位和极化特性的表征能力。 随着雷达研究的进一步深入，更多的学者认识到极化特性对丁雷达全面描述目标 届性的作用极为重要，因此迫切需要对雷达极化特性具有描述能力的物理量，极化散射矩阵与Mueller矩阵等能够描述极化效应的量值随之产生。2.2.1极化散射矩阵通常情况下，雷达目标在远场区的电磁散射是一个线性过程，若选

9、定了散射坐标系及相应的极化基，则雷达入射波和目标散射波的各极化分量之间存在着极 化变换关系，因此，目标的变极化效应可用一个复二维矩阵的形式来表示，称为极化散射矩阵(Sinclair矩阵)，它代表了特定姿态和观测频率下目标的全部极化信 息。在后向散射坐标系中，雷达发射、接收的电磁波可以表示为Et =E" E：h(2-1)ES =Ejvs E；hs(2-2)式中£丁表示发射电磁波Jones欠量，ES表示接收电磁波Jones欠量，h和v分别为选定的正交极化基。根据电磁散射的线性性质，发射电磁波Et与接收电磁波ES之间的关系可通过一个2乂2矩阵来表示，此矩阵就称为极化散射矩阵，即：

10、(2-3)(2-4)或者可表小为:式中r为散射目标与接收天线之间的距离，k为电磁波的波数，S表示极化散射 矩阵。一般情况下，散射矩阵S具有复数形式，它是目标变极化效应的定量描述， 与雷达的照射和观测接收方向有关。 在特定的照射和观测方向上，对丁给定的工 作频率和目标姿态，散射矩阵完全表征了照射一观测方向上目标的相干极化电磁 散射特性。在满足互易性原理并使用后向散射坐标系条件下Shv = Svh,若再忽略绝对相位值，则极化散射矩阵中只有 5个独立变量(3个幅度以及2个相位)。实际上，目标的散射矩阵不但取决丁目标本身的形状、尺寸、结构、材料等 物理因素，同时也与目标和收/发测量系统之间的相对姿态取

11、向、空间几何位置 关系以及雷达工作频率等观测条件有关。2.2.2 Mueller 矩阵极化散射矩阵给出了入射波Jones欠量与散射波Jones欠量之间的关系，由 电磁波极化理论可知，Jones欠量只能用来描述完全极化电磁波，对丁广泛存在 的不完全极化波和完全非极化波则需要用Stokes欠量来描述。对丁这种情况，同样需要一个矩阵来建立入射波和散射波之间的联系，该矩阵就是Mueller矩阵。为了推导Mueller矩阵的形式，可以定义波的相干欠量如下：C =<E (t)® E (t)，>(2-5)其中险”表示Kronecher直积，“*表示取共钥，< >”表示求集合

12、平均。目标入射和散射波的相干欠量分别为：Ci=Ei®Ei)(2-6)Cs = EsE；(2-7)式中，巳表示目标入射波，Es表示目标散射波。散射与入射电磁 Jones欠量之间的关系为：Es=SEi(2-8)式中E既可以是完全极化的，也可以是部分极化的。极化散射矩阵 S是目标本身所具有的特性，与入射电场 耳无关。目标散射波的相干欠量为:C,=何弟=町)=佃舛)(耶E：)考虑到S与入射电场不相关，上式可变为:Ci=(S®S*XEJ®E；) = WCi式中中间矩阵W定义为：1 ss ss s)y xi Xy xyss ss s(2-10)(2-11)利用电磁散射理论中相

13、干欠量与Stokes欠量之间的等价关系，可得到目标牌 ” w ” yy yy入射电场与散射电场Stokes欠量之间的关系为：Js =RCs = RWRJj = MJi(2-12)式中M即为目标的Mueller矩阵，其计算表达式为其中变换矩阵R为:M= RWR从Mueller矩阵的定义式可以看出,(2-13)0 10 -11 0-j 0J (2-14)M是由W经过相似变换得到的，可见M与W存在等价关系。而中间矩阵W是由目标的极化散射矩阵得到的， 与极化 散射矩阵相比，丢掉了绝对相位信息。事实上，还存在一种反映雷达接收功率与 收发天线极化之间依赖关系的 Stokes矩阵，它与Mueller矩阵之间

14、的差异并不大，它们描述了同一个电磁散射过程的两个不同方面。但两个矩阵所包含关丁目标的电磁散射特性信息是完全相同的。由以上分析可以看出，对丁确定性目标，散射 矩阵完全表征了目标在特定观测条件下的电磁散射特性，它给出了目标对丁入射波与散射波Jones欠量的极化变化关系；而对丁起伏性目标，Mueller矩阵从统计 的角度描述了目标在特定观测条件下的极化散射特性，反映了目标对丁入射波和散射波Stokes欠量的极化变换关系。从信息量的角度讲，Mueller矩阵中仅包含关丁目标极化散射过程的二阶矩信息，而没有包含一阶及三阶以上更高阶矩的信 息，因此可以说Mueller矩阵所包含的信息对丁描述目标电磁散射特

15、性而言是不 完全的。2.3极化协方差矩阵与相干矩阵在极化SAR数据的分析过程中，为了表述方便我们常常需要将目标的极化 散射矩阵欠量化，从而得到散射欠量，并进一步得到目标的极化协方差矩阵和相 干矩阵。极化协方差矩阵和相干矩阵中包含了雷达测量得到的全部极化信息，其复元素是我们进行多极化SAR数据分析和处理的基础。2.3.1协方差矩阵根据数学法则，散射矩阵S的欠量化可以表示为：S = L s：f =(2一其中上标T表示矩阵的转置运算，V(S)为矩阵欠量化算子，Trace为求矩阵对角 线元素之和的运算符，耍为一组2乂2的复矩阵集，它是以Hermitian内积形成的 一个正交基集。对丁散射矩阵 S的欠量

16、化，可以使用任意一个能够使欠量 的 范数保持不变且包含4个2 x 2复矩阵的完全正交基集。用来实现散射矩阵欠量化的一种常见完全正交基集如下所示：01 To(2-16)在满足互易性原理的后向散射情况下,通过上述欠量化可得到常规散射欠量'1 0 0 0C二时巾；卜 很£点 2|相 虹政M|七(2-19)(2-17)其中系数J2是为了保持散射欠量的范数不变，即令极化散射总功率(Span)的大小与基矩阵枣的选择无关：|虬卜巾；=卬他($)=如口件时)=辰件2|跖件|(2-18)得到常规散射欠量k?b后，目标的极化协方差矩阵c可定义为KL的Kronecker 积:2.3.2相干矩阵除了

17、上述给出的欠量化方法，不少学者还将最初在量子力学中用来描述旋转 的正交复Pauli矩阵基集引入到极化散射矩阵的欠量化过程中，从而得到了另一 种极为重要的欠量化方法。著名的 Pauli矩阵基集可表示为：(2-20)Pauli散射欠量为:（2-21）T = 卜! （s神 f）（电+靖），2队（土+新2(%+队)以2(%f )K(2-22)在满足互易性原理的后向散射情况下，通过欠量化可得到 其中系数1/据 和2同样是为了保持散射欠量的范数不变实际上，使用Paull基的好处在丁 Paull矩阵是以基本散射机理的形式给出 的，由此得到的Pauli散射欠量就非常接近电磁波散射的物理特性，在随后的章 节中会

18、进一步发现这一特点。由此，可定义目标的极化相干矩阵 T为如下形式:通过比较可以看出，极化协方差矩阵 C与相干矩阵T是不同的，但两者之间有一些相同的特性，例如两者都是 Hermitian半正定的，具有相同的非负特征值和正交特征欠量。实际上，极化协方差矩阵与相干矩阵是线性相关的，两者通T = NCN,过以下方式可实现线性转化:(2-23)与MueUer矩阵相比，相干矩阵特征值分析往往能对物理机制给予更好的物理解释，因此在极化数据分解、极化数据相干性分析以及极化SAR干涉等许多研究领域都有广泛的应用。3目标分解理论目标分解理论是 PolSAR图像处理技术中最基本的方法，目标分解的主要目的是把极化散射

19、矩阵或相干矩阵和协方差矩阵分解成代表不同散射机理的若干 项之和，每一项对应一定的物理意义。目标分解的突出优点就是它们大都具有明 确的物理解释。因为目标回波的极化信息可以反映目标的几何结构和物理特性，所以极化目标分解理论可用丁目标检测或分类。目前，极化目标分解理论主要分为基丁散射矩阵分解的相干目标分解方法和基丁协方差矩阵或相干矩阵的部分 相干目标分解两类。3.1相干目标分解相干目标分解方法主要包括 Pauli分解、Krogager分解、Cameron分解以及 一系歹0对Cameron分解的改进方法。Pauli分解将散射矩阵分解为奇次散射、偶次散射以及与水平方向有45°倾角 的偶次散射。

20、这3种成分是相互正交的，具有一定的抗噪性。但是它们代表的目 标特征不是相互独立的，只能区分单次散射和偶次散射两种散射机理，这限制了它 的实际应用，因此我们常常用它来检验数据的有效性。Krogager分解方法把散射矩阵分解为并不相互正交但是代表一定特殊目标 特性的基，在圆极化基的基础上将散射矩阵分解为球、二面体和螺旋体（不同的情 况对应不同的螺旋方向）3种成分，共有6个参数包括3个角度中、气、0和3个 实极化基的系数KS、Kd、Kh 3个系数分别表示3种成分所占的比重。Krogager 分解作用丁相干基下的单个像素，充分利用了 PolSAR数据内在的相干特性，对高 分辨率SAR数据比较适用。Ca

21、meron分解将散射矩阵分解为一个最大对称成分和一个最小对称成分（单站雷达目标互易情况下，散射矩阵不对称时分解为一个最大对称成分和一个非对 称成分）,最大对称成分再变换进行详细分类，得到三面体、二面体、窄二面体、偶 极子、柱面体、1/4波振子，左螺旋体和右螺旋体8种成分。由丁这种方法假设目 标的散射是相干的，在分解之前并不进行目标散射相干性的检验，因此在非相干散 射区域就会产生错误。Touzi针对Cameron分解的缺陷提出一种对称散射特征化方法 （SSCM）。这种 方法在三面角和二面角正交基向量张成的空间中，用3个参数a、&和T以及三面 角一二面角通道的相位差 中sa -中sb来表示

22、CameronH标分解中的最大对称成分。SSCM中，最大对称成分可以表示为庞加莱球中角 虬、Xc的函数，这比Cameron 分解中的单位圆盘对称散射更完整。SSCM能较好分割目标对称散射，从而较好 地提取相干散射范围内最大的目标对称散射成分提供的信息。目标散射欠量模型(TSVM)用Takagid共钥对角化方法得到5个独立的参数：目标散射角 中和4个方 位不变的目标参数(Tm、m、 as中as)来描述散射特性。对丁对称目标,TSVM 和Cloude分解相同，但Cloude分解依赖丁目标方位角，而且TSVM能更好地描述 非对称目标。将 Cloude分解和TSVM相结合,Touzi推导出相干目标分解

23、 TSVM-CTD模型，这种方法适用丁点目标和分布式目标的单视和多视SAR数据。随后,Touzi 乂提出了部分相干目标分解 TSVM-ICTD模型。基丁散射矩阵的相干目标分解把数据全部对应丁某几种特定的简单散射机 理,只能用丁确定性的纯目标的分解。所谓纯目标是指散射特性完全可以用散射 矩阵表示的目标。对丁分布式目标，需要考虑目标的二阶统计特性，需要采用部分 相干目标分解方法进行研究。3.2部分相干目标分解部分相干目标分解的主要方法包括 Cloude特征向量分解、Freeman分解、 OEC分解和四成分散射分解等。Cloude提出的基丁目标相干矩阵的特征向量分解方法，用特征值分解方法将 目标相干

24、矩阵分解为3种相干矩阵的加权和，并由相干矩阵的特征值推导出 3个 特征参量：嫡H、各向异性A和a角,它们都与特定的物理特性相联系。特征值的 大小代表了某种散射在所有散射中所占的比重。H的大小代表了散射随机性的大 小；A的大小反映了分解中相对较弱的两个散射分量之间的关系；a角与目标的散射机理相联系，娘近0°表示目标接近丁平面散射，晶近90 ,表示目标接近丁二 面角散射，45°附近表示目标接近丁偶极子散射等。Ainsworth等从Cloude分解的特征向量出发，提出了一种基丁特征向量的分 解方法。他们在圆极化基下，通过定义一组复旋转变换，同时保留特征向量的正交 性，把特征向量分

25、解成6个独立变量,其中的4个参数有着直接的物意义，另外两个 为去极化参数。Holm&Bames分解方法也是基丁极化相干矩阵的特征分解方法，并且也分为3类,所不同的是，其中第一部分是唯一一个对应稳态目标的部分，且散 射能量较大，可以认为它是该目标的主要散射分量；第二部分则使得任意极化入射 的电磁波的散射都变为完全非极化波 ，即具有类似丁噪声的性质；三部分为残留 项。一般情况下，只有第一部分的秩等丁 1,所以分解出来的3部分当中只有第一 部分可以认为是一个固定目标的散射。Freeman分解方法是将协方差矩阵分解为 3种散射成分,由一系列的冠层定 向偶极子得到的体散射成分，由二面角反射器得到

26、的二次散射成分和由一阶 Bragg面散射得到的面散射或单散射成分。这种方法适用丁分解P、L和C波段自然分布目标区域的PolSAR图像，已经成功地用丁对称情形 Shh SHV5：ShvSVV&0的PolSAR图像的分解。而且Freeman分解方法是后续 一系歹0部分相干目标分解方法的基础。考虑到城镇区域的非对称反射情况，即SHH SHV)丈桥日SHVSW)7 Moriyama 受Freeman分解方法的启示，建立的OEC模型将后向散射分为奇次散射、偶次散 射和交义散射3种散射成分,OEC适用丁城镇地区建筑物的极化特征分解。随 后,Yamaguchi等在Freeman 3种成分分解的基础上

27、，增加螺旋散射成分，建立了四 成分散射模型，从而将Freeman分解的适用范围推广到更一般的情况，四成分散射 模型可以分析具有城镇区域或具有更复杂几何散射结构的区域。因为相干矩阵和协方差矩阵所包含的信息相同，随后他们乂提出基丁相干矩阵的四成分PolSAR分解方法，该方法和基丁协方差矩阵分解的结果相同，优点在丁可以用散射矩阵元 素明确表达4种散射成分，从而定量进行PolSAR图像的解译。4基丁目标分解理论的极化SAR图像分类极化SAR图像分类就是根据极化SAR测量数据的物理、统计等特性把图像 中各像索对应的地物划分为不同的类别，是雷达极化遥感重要的应用之一。作为 极化SAR图像研究领域的热点问题

28、，极化 SAR图像分类的各种方法层出不穷， 但由丁地物本身散射表征的复杂性， 实现较为精确的地物分类是极为困难的。随着相关研究的不断深入，越来越多的学者认识到：通过目标分解理论提取各种能够表征地物特性的极化散射信息用丁分类将有效地提高极化SAR图像的分类效果。其中Krogager的SDH分解在圆极化基上将目标分解为球，二面体和螺旋体 三种成分;Freeman等人基丁具体物理散射模型，提出了三分量极化分解法，把 极化数据分解成平面散射，二面角散射和体散射；1997年，利用提出的分解理论所获得的散射嫡H与表征地物散射机理的角度a , Cloude率先得到了著名的H/a分类方算法，从而开启了利用目标

29、分解理论研究极化SAR图像分类的新途径。随后，基丁目标分解理论的极化 SAR图像分类方法蓬勃发展，不断改善着 分类的效果和性能，成为该领域近10年来极有潜力的发展方向。4.1 H/口分类算法散射嫡H和散射角a是表征地物目标极化散射特性的两个重要参量， 根据H 和a的取值，可以形成H/ a特征空间。根据英国学者 S.R.Cloude的方法，可以 将整个H/ a平面划分为9个区域，其中有8个有效区域，每一区域代表一种特殊 的散射类别(见图4-1),各类别的主要说明见表4-1。H/ a目标分解方法通过估 计潜在的目标散射机理来理解自然媒质的内在物理特性，可以进行极化雷达的分类和反演研究。a) H-a

30、特征空fill TIfil示意陶b) H-a特征分时表4-1 H/船征空间主要散射类型及代表地物区域边界主要散射类型代表地物Z10 9s Z/<155£90高散射麻的名忒散射粗壮的树木、某些建 筑物Z240<a<55高散射墙的机帔散射各向异性的针状粒fZ350号a号9。中等散射蜩的二面角城市区域和穿透向冠 后与树间的散射Z40.5" <0.540芭二50中写散射帽的偶极子散射各向异性的植被Z50< a<40粗糙度中等的去面散射树叶、小圆盘样的棚 球性散射体艺647.5 £a£90'二次或更高的偈次散射各向同性的

31、电介质、 金属二面角” 0 S <0.5H425zs0*.<a<A!SHH和W分量幅度有较大 差异的散射机理镜面散射.Bragg表面散射各向异性很强的植被水面、海冰、非常平 滑的陆地衣面H/ a分解的H/ a特征空I可平面如图4-1所小:图4-1 H/ a特征分解空间平面图4.1中9个区域的物理散射特性可描述如下:1. z1区一低嫡表面散射：本区中骸为小丁 42.5的低嫡表面散射，包括镜面散 射、布拉格表面散射和其它不会在 hh和vv分量之间引起180 -相移的特殊散射 机理。2. z2区一低嫡偶极子散射：届丁本区的散射机理在hh和vv分量的幅度上有 较大差异，通常产生丁具有

32、很强各向异性特性的植被区域。 此区域的范围可根据 雷达测量hh与vv比率的能力，即定标的精度来确定。3. z3区一低嫡多次散射：本区中的散射机理为具有较低散射嫡的二次及更高的偶数次散射，如各向同性的电介质或金届二面角的散射。本区中散射类型的«大丁 47.5。“此类散射机理下边界的选择取决丁散射目标的介电常数以及雷达测量精度。以上三个分类区域散射墙H的上边界选取为0.5,这是考虑到各次散射的影 响以及系统测量噪声导致嫡升高而选定的一个典型值。4. z4区一中嫡表面散射:随着散射体表面粗糙度的增加，其散射嫡也会增加。 通常说来，类似丁树叶或者小圆盘一样的椭球形散射体所产生的散射嫡一般介丁

33、 0.6 至U 0.7。5. z5区一中嫡体散射：此区域中主要是具有中等散射嫡的偶极子散射，包括 具有各向异性散射特征的植被等地物类型。6. z6区一中嫡多次散射：此区域中的散射机理为具有中等散射嫡的二面角散 射，其典型代表是城市区域的散射和穿透森林树冠后地面与树干间的散射。z4、z5、z6区散射嫡H的上边界可定为0.9。7. z7区一高嫡表面散射：该区不在H/a平面的有效分类区内，因此无法在散 射嫡大丁 0.9的情况下区分出表面散射。这说明随着嫡的增加，极化数据的可分 性降低。8. z8区一高嫡体散射：这种类型的散射来自大片具有各向异性的针状粒子或 低损耗对称粒子，森林树冠以及某些具有高度各

34、向异性特性的植被表面的散射就 位丁该区域。因为此区域的散射嫡很高，因此分到本区中的类别很可能仅仅是一 些不含任何极化信息的噪声。9. z9区一高嫡多次散射：本区中的散射类型在高散射墙时能区分开偶次散 射，主要是具有粗壮树枝和浓密树冠的树木的散射。 由以上论述可以看出，H/a 分类算法能较好地利用地物表现出的散射机理信息， 通过将不同地物表现出的散 射特性与H/o（平面划分出的区域相对应，有效地实现了地物的非监督分类。4.2基丁 Freeman分解与复 Wishart分类器的分类算法为了能够保持地物的极化散射特性，Lee等人丁 2004年提出了基丁 Freeman 分解与复wishart分类器的

35、地物分类算法，该算法进一步有效地利用了地物的散 射机理信息，同时通过区分不同散射模型使得所分类地物的极化散射特性得以保 持。利用Freeman分解提供的三种散射机理模型，可将地物目标粗略划分为三大 类别，然后在各大类别内进行基丁 Wishart迭代的小类合并与再次分类，由丁较 充分地利用了散射机理信息与统计分布信息，该算法能明显改善分类的最终效 果。下面是该算法的详细步骤：1. 如果原始数据并没有进行足够的多视平均，可以对数据进行滤波处理。滤波可以降低噪声干扰，但过分的滤波则会导致空间分辨率的下降，所以是否需要滤波视具体情况而定。2. 对图像中的每个像素进行 Freeman分解，计算出三种散射机理的功率幕 Ps,几。将每个像素中功率