重轨极化干涉SAR无模糊目标分解及建筑目标提取

合成孔径雷达（Synthetic Aperture Radar，SAR）作为一种主动式微波遥感观测系统，能够获取地物的后向散射强度信息，具有全天时、全天候的优势。在此基础上，极化合成孔径雷达系统（Polarimetric SAR，PolSAR）通过发射和接收水平和垂直两种极化电磁波，能够获取完整的目标散射特性［1］，反映地物结构、材质和电介质等信息，其中目标分解研究及其在建筑提取方面的应用受到广泛的关注。

基于散射模型的极化目标分解因其结果与物理散射机制有着直接的联系，被广泛应用于图像解译。目标分解方法由Freeman和Durden首次提出，该方法被称之为三成分目标分解方法（FDD）［2］，在将极化数据分解为表面散射、二面角散射和体散射3种散射机制的同时也面临着旋转建筑区域的体散射高估的问题。为了解决该问题，学者们从两个方面展开了工作。一是增加散射机制类型，并相应地构建更多、更准确的相干矩阵模型或协方差矩阵模型，以充分利用矩阵中的元素，并且希望通过不同的相干矩阵模型或协方差矩阵模型区分开旋转建筑和森林之间的散射机制，典型的成果包括Yamaguchi等人四成分目标分解方法（Y4O）［3］，Zhang等人五成分目标分解方法［4］，Singh七成分目标分解方法和九成分分解方法［5-6］，以及Lu等人提出的45°偶极子散射模型［7］。另一种方法是估计极化朝向角（Polarization Orientation Angle, POA），并利用其对相干矩阵或协方差矩阵进行旋转校正，来使旋转的建筑满足反射对称条件，即

，典型的成果包括Yamaguchi提出的旋转校正的四成分目标分解方法（Y4R）［8-9］。

以上极化目标分解研究在旋转建筑的体散射成分校正方面取得了一定的效果，但仍有待提升。因此，目前需要研究一种更为有效的目标分解方法，以实现不同地物之间的无模糊的散射表征，尤其是旋转的建筑与森林。

基于散射模型或参数化描述的极化目标分解结果与地物散射机制有着直接的对应关系，在建筑的表征以及提取方面表现出极大的优势，也取得了不少成果。极化目标分解结果可以单独作为特征进行聚类［10］，或者与Wishart分类器实现地物分类和建筑提取［11-13］。同时，2010年以来，机器学习算法在光学目标检测领域取得了巨大的成功，不少学者尝试将极化特征与支持向量机（Support Vector Machine, SVM）算法、随机森林（Random Forest, RF）算法或卷积神经网络（Convolutional Neural Network, CNN）相结合，实现地物分类和建筑提取［14-22］。以上方法虽然在极化SAR图像建筑提取和分类领域取得了丰富的成果，但是当面向同时存在朝向、大小、结构和密度等不同的建筑，以及森林、裸地和农田等多种地物类型的复杂环境时，不得不面临两个重要问题，即建筑大小、朝向和密度等多样性造成的异质性问题和旋转的建筑与森林之间极化响应模糊性问题［22-23］。受限于以上两个问题，极化数据以及传统的极化特征对地物特性表征不准确，在复杂场景下，传统的极化SAR图像建筑提取将会出现严重的漏检或虚警问题。

为了解决上述散射特性表征不准确问题及其对建筑提取产生的负面影响，本文采取了一种新的策略，即将重轨极化干涉SAR（Polarimetric Interferometry SAR, PolInSAR）相干性引入极化目标分解中。研究表明，与极化数据及其衍生参数不同，重轨PolInSAR相干性在区分自然区域和建筑区域方面具有很大的潜力，大量实验和分析表明，人造结构通常具有高相干性，而体散射粒子云通常具有低相干性［24］。因此，重轨PolInSAR相干性被广泛应用于土地覆盖制图和分类［24-27］。通过引入PolInSAR相干性这一新的信息，旨在消除建筑和森林在极化数据中的模糊性，以获取更准确的地物散射特征，实现对建筑目标散射特性的准确描述，并将其应用于建筑目标的提取中，提升基于目标分解的建筑提取算法性能，减少虚警和漏检。

1 重轨PolInSAR无模糊目标分解

1.1 重轨PolInSAR相干性及散射去模糊

两组PolInSAR图像之间的复相干性定义为

式中，T11，T22和Ω12分别表示主图像的相干矩阵，副图像的相干矩阵和主副图像之间的互相关矩阵；

和

分别表示归一化的复投影矢量，通过设置

和

可以获得不同极化状态下的相干性；符号∗T表示共轭转置。

为解决重轨PolInSAR相干性的极化依赖性问题，引入了极化干涉相干性最优化技术［27］，得到3个最优相干性系数γopt1，γopt2和γopt3（γopt1>γopt2>γopt3）。

为了进一步分析极化干涉相干性在散射模糊去除方面内在的物理意义，将其分解为一系列去相关源的乘积，如式（2）所示。

表中，ejϕ是干涉相位项；γgeom，γproc，γSNR，γtemp，γvolu和γother分别表示几何去相关，处理误差引起的去相关，信号中的加性噪声引起的去相关，时间去相关，体积去相关和其他去相关源。

去相关源γSNR，γgeom和γother取决于系统或其他参数，对地物施加的影响相同，但是其他的去相关源则直接与观测的散射体相关，本文中我们关注后者。依据不同散射机制因自身特性在时间去相干和体积去相干中的差异来实现散射机理的辨别，以证明通过引入重轨极化干涉相干性能够消除极化数据中旋转的建筑与森林之间的模糊性，并实现对建筑散射特性的准确表征。

在均匀分布和高斯分布的假设下，随着基线或者散射体厚度的增加，体积去相关参数值将会减小。当建筑分布相对较稀疏时，此时建筑的相干性将会远大于森林区域的相干性，因为此时冠层由众多散射粒子构成，厚度大，而建筑正好相反。当建筑分布密集的时候，上述特点可能并不满足，因为对于建筑区域来说，同一散射单元内可能存在高度不同的多个散射源。

时间去相关是本文最重要的一项去相关项，在时间去相关中自然区域和建筑区域之间的差异明显，在区分体散射和旋转二面体结构产生的散射方面具有很大的潜力。植被冠层由树叶和树枝组成，通常被建模为具有随机方向的偶极子散射粒子云。受风和植被本身生长等因素的影响，植被冠层在电磁波两次照射期间会产生运动，导致相干性降低。相比之下，建筑目标很少有变化，γtemp≈1通常成立。因此，建筑目标的γtemp参数值通常大于森林的γtemp参数值。

综上所述，受体积去相关和时间去相关的影响，建筑物的相干性普遍大于森林；在复杂环境（存在密集城区的环境）下，虽然森林的体积去相关不一定小于建筑物的体积去相关，但在时间去相关的影响下，建筑物的整体相干性仍然很有可能大于森林。为了避免密集建筑环境下体积去相关的影响，保证时间去相关在自然与建筑区域的区分中起到主导作用，在选择极化干涉数据的时候，希望在合理范围内空间基线尽可能短，时间基线尽可能长。

1.2 重轨PolInSAR无模糊目标分解

结合上述重轨PolInSAR相干性分析，对传统目标分解方法进行改进，算法框架如图1所示。

首先，选择在保证整体相干性不低的情况下，选择时间基线尽量长的极化干涉SAR数据对。输入主副极化SAR图像对后，进行滤波处理、干涉处理、干涉纹图滤波处理和相干性最优化处理，滤波窗口大小设置为3×3。

1.2.1 极化干涉建筑描述子及自然-建筑区域分类

一般第三最优极化干涉相干性γopt3明显低于其他相干性，并且根据相干优化技术理论，极化干涉相干性优化可以在一定程度上实现散射机制的分离。因此，不考虑第三最优相干性γopt3，只采用γHH，γHV，γVV，γopt1和γopt2来构建建筑描述子，为了加强不同散射机制在描述子中的差异以提升辨别性，采用相乘形式，如式（3）所示:

式中，γi(i=HH,HV,VV,opt1,opt2)分别表示HH，HV和VV极化状态下的干涉相干性以及最优和次优极化干涉相干性。

依据建筑描述子Pbd构建城市和自然区域的判定准则，如式（4）所示，实现自然区域和建筑区域的分类。需要说明的是，其重点在于正确区分在极化数据中模糊的森林和旋转的建筑，不以建筑区域的精准提取作为目的。

对于时间基线相对较短的情况，因为时间去相关较小，相干性总体表现出较高的参数值，假设建筑区域的平均相干性为0.8，则参数M的值设为6左右；对于时间基线相对较长、时间去相关严重的情况，假设建筑区域的平均相干性为0.6，则参数M的值设为16.5左右。参数M的值由以下方法得到:（a）极化SAR目标分解；（b）分别根据准则1:体积散射或表面散射占主导地位，以及准则2:二次反射散射占主导地位，初步判定自然区域和建筑区域；（c）计算候选参数值m=1+(γHH+γVV)Pbd并分别绘制箱型图；（d）选取建筑区域的箱型图上限为阈值，以此剔除自然区域中低于该阈值的数值；（e）重绘自然区域箱型图并选定下限位参数M。此外，出于方便可根据图像整体的相干性水平和经验进行适当调整:相干性越高，参数M设置越小。

1.2.2 极化干涉无模糊目标分解

在获得自然区域和建筑区域分类结果的基础上，分别对两种不同的区域设置不同的散射机制模型，执行目标分解。目标分解的模型如式（6）所示，需要注意的是，在这类目标分解方法中，不同区域的散射类型不同，散射类型的个数也不同。

式中，f和T分别表示每种散射机制的散射分量及相干矩阵模型；下标s，d，v和rd分别表示表面散射，二面角散射，体散射和旋转的二面角散射分量；下标i表示建筑区域的其他散射成分；N表示建筑区域散射类型的数量，其中前3种散射类型为基本散射类型，后N-3种散射机制为可选和可变的散射机制。

在所提目标分解方法中，旋转的二面角结构产生的散射不被解译为二面角散射，相反，我们为这种散射建立了一种新的散射机制，称之为旋转的二面角散射。同时，与主流目标分解研究不同，本文不致力于构建复杂的极化响应模型以通过不同的极化响应模型区分体散射和旋转的二面角散射，相反地，二者在极化响应中的相似性被承认，而且被拓展至极限情况:两者的相干矩阵模型相同。虽然体散射和旋转的二面角散射具有相同的相干矩阵模型，但是在PolInSAR相干性以及建筑描述子的辅助下，即使是相同的相干矩阵模型，也具有不同的物理解译。

需要说明的是，本文解决传统极化目标分解中体散射高估问题的方式不是为森林和旋转的二面角产生的散射机制构建不同的相干矩阵模型，从相干矩阵模型的差异性来区分二者，而是跳出传统思维并且脱离单纯的极化数据，从极化干涉相干性中区分二者。同时，本文所提极化干涉目标分解方法不是一个算法，基于传统极化目标分解研究构建的大量散射机制及相干矩阵模型，通过选择和组合不同的散射机制及模型，可以形成一系列极化干涉目标分解方法［2-9］。

目标分解数学模型式（6）中各散射成分的相干矩阵模型以及求解过程可以参照传统的极化目标分解文献［2-9］。本文以Yamaguchi目标分解［8］为例，对其进行改进，提出极化干涉四成分目标分解方法（PolInSAR Y4R），如式（7）所示。

式中，下标h表示螺旋散射成分。

1.3 基于无模糊极化干涉目标分解的建筑提取

将所提出的极化干涉目标分解方法与现有的建筑提取算法结合，以提升现有建筑提取算法在复杂环境下的性能，同时也对所提出的极化干涉目标分解算法进行进一步验证。本文选取了4种经典的建筑提取算法，分别为复Wishart分类器、SVM算法、CNN算法和随机森林算法，将所提出的极化干涉目标分解方法与这4种建筑提取算法相结合，得到4种改进的基于目标分解的建筑提取算法，将其分别命名为PolInSAR Y4R+Wishart算法、PolInSAR Y4R+SVM算法、PolInSAR Y4R+CNN算法以及PolInSAR Y4R+RF算法。下面详细描述。

1.3.1 PolInSAR Y4R+Wishart算法

PolInSAR Y4R+Wishart算法的流程框图如图2所示，由于复Wishart分类器是基于满足复Wishart分布的极化协方差矩阵进行迭代处理的，而不是基于目标分解得到的各散射机制及占比。因此，本文将极化干涉目标分解与复Wishart分类器结合的方式是将极化干涉目标分解用于复Wishart分类器的初始样本构建以及后处理。

主要分为3个步骤:

步骤1:极化干涉目标分解及建筑-非建筑初始划分

基于极化干涉目标分解得到各散射机制及占比，综合如式（8）和（9）所示准则1和准则2进行建筑与非建筑的初始化分，即对于当前像素，若准则1和准则2均满足，则该像素被判定为建筑目标；否则，不是建筑目标。

准则1:对于建筑目标，其二面角散射或旋转的二面角散射成分占优，即

准则2:对于建筑目标，人造结构产生的散射成分（包括二面角散射、旋转的二面角散射和螺旋散射）之和绝对占优，占比超过50%，即

步骤2:基于复Wishart分类器的建筑提取区域迭代细化

将步骤1得到的建筑样本和非建筑样本作为复Wishart分类器的初始输入（训练样本），由初始分类计算得到各个聚类中心，然后对每个像素进行判断。重复上述步骤，直到两次相邻迭代期间，改变的像素个数小于阈值或者达到最大迭代次数，最终实现对建筑目标提取结果的细化。

步骤3:基于极化干涉特征的建筑提取结果校正

极化干涉目标分解中体散射成分与森林冠层直接相关，同时也存在因电磁波穿透冠层照射到地表产生的表面散射；受到体积去相关和时间去相关的共同影响，由重轨极化干涉相干性构建的建筑描述子Pbd中的低值与自然区域对应。因此，综合这两种信息构建极化干涉特征Pf如下:

式中，ratiof是基于极化干涉目标分解得到体散射和表面散射的比重:

理想情况下，在极化干涉特征Pf中，森林表现出较高的参数值，而建筑目标的参数值则比森林小得多，二者差异明显，具有双峰分布特性。结合Otsu分割算法对复Wishart分类器输出结果进行校正，去除被错误归为建筑的森林部分。

1.3.2 PolInSAR+SVM/CNN/RF算法

PolInSAR Y4R+SVM/CNN/RF算法的流程如图3所示。对训练样本执行极化干涉目标分解，并将目标分解得到的各散射机制及占比作为SVM算法、CNN算法和RF算法的输入，以训练用于建筑提取的SVM超平面参数、卷积网络参数和RF中的决策树。最后，将整幅图像作为测试样本，利用训练好的建筑提取模型，对图像中的建筑进行提取。

2 实验结果与分析

2.1 实验数据集

本文采用3组具有不同重轨时间、不同平台条件的极化干涉数据进行了实验并就结果进行了分析。3组数据的系统参数如表1所示。实验数据分别为:1）机载E-SAR PolInSAR数据，实验地点位于德国Oberpfaffenhofen地区；2）机载UAVSAR PolIn-SAR数据，实验地点位于美国San Diego地区；3）星载GF-3 PolInSAR数据，地点位于中国西安地区。3组数据的光学图，HH极化通道的SAR幅度图和Pauli分解图如图4所示。从图4中可以看出，这3组实验数据区域存在多种类型的地物，包括森林、农田、建筑（平行于方位的建筑以及旋转的建筑）和裸地等等。同时，从幅度图和Pauli分解图中可以看出，图中存在大小不同、朝向不同和密度不同的多种建筑目标；森林区域和部分旋转的建筑不仅在散射强度上具有相似的特性，而且在极化响应中也极为相似，这对该场景下的建筑目标提取提出了一定挑战。

2.2 极化干涉目标分解

本文以极化干涉Yamaguchi目标分解（PolIn-SAR Y4R）为例，对引入重轨极化干涉相干性后的目标分解结果进行展示。同时，将其与传统的Yamaguchi极化目标分解方法（Y4R）［8］和七成分目标分解方法（7SD）［5］进行对比。结果如图5所示。需要说明的是对于PolInSAR Y4R和Y4R方法，红色通道采用的是人造结构产生的散射成分之和Psum ofthe rest scattering ，即二面角散射、旋转的二面角散射和螺旋散射成分之和；而对于7SD方法，为了说明其结果中的二面角散射成分高估问题，红色通道只采用了二面角散射成分，避免歧义。

从图5（a），（d）和（g）中可以看出，对于本文所提出的极化干涉目标分解方法结果，不同地物在目标分解的假彩色合成图中表现出不同的颜色，即代表着不同的散射特性，尤其是对于森林和旋转的建筑，森林区域在假彩色合成图中表现为绿色，而与方位向平行的建筑目标和旋转的建筑目标均表现为红色，二者可以明显地区分开。将其与图5（b），（e）和（h）中的传统的Yamaguchi目标分解结果对比，Yamaguchi目标分解方法旋转的建筑目标在假彩色合成图中仍然表现为绿色，与森林区域的表现相似，表明该方法不能校正旋转的建筑的体散射成分，森林与旋转的建筑之间的模糊问题在Yamaguchi目标分解结果中仍然存在；将其与图5（c），（f）和（i）中传统的七成分目标分解结果对比，可以看到，虽然七成分目标分解方法在一定程度上校正了旋转的建筑区域的体散射成分，但是校正过程也影响到了其他地物（特别是森林区域）的正确分解，导致二面角散射成分被高估。综上，本文所提极化干涉目标分解方法既能够实现旋转建筑的体散射成分校正，又能够保证森林的二面角散射成分不被高估。

本文所提出的极化干涉目标分解方法不仅在旋转建筑的体散射成分校正方面有着优异的效果、能够在目标分解的结果中明显区分森林和建筑目标，具有机动性的人造目标与建筑目标在极化干涉目标分解的结果中也具有一定的差异性，如图6和图7所示。图6（a）中码头港湾内停留着大量变动的船只，船身与水面构成了旋转的二面角结构，与旋转的建筑产生相同的旋转二面角散射。如图6（c）和（d）所示，二者在传统的极化目标分解结果中不能被区分开，而如图6（b）所示，在本文所提出的极化干涉目标分解结果中，具有高相干性的旋转建筑的体散射成分被校正，而具有机动性的舰船目标的体散射成分并未被校正，因此二者得以区分开。同理，图7（a）中所示不变的轨道以及变动的高铁车厢有着与上述相同的目标分解结果。总的来说，相比传统的极化目标分解方法，本文所提出的极化干涉目标分解方法虽然在旋转的建筑体散射校正方面取得了更优异的效果，但不论是传统的极化目标分解方法还是本文所提方法，对于与方位向存在夹角的机动性人造目标来说，体散射成分校正效果甚微。然而，从建筑提取的角度来说，本文所提出的极化干涉目标分解方法不仅能够将森林与建筑区分开，还能将机动的人造目标与建筑区分开，将更有利于建筑的提取，上述限制性从另一种意义上也成为了优点。

为了给出定量的分析，以E-SAR数据为例，按照图4（b）中圈出的4个不同的区域，对每个区域目标分解的各散射成分占比进行统计，如表2所示。

从表2可以看出，相比于Y4R目标分解结果，本文所提出的极化干涉目标分解方法在Patch B区域，即旋转的建筑区域，有着更少的体散射成分，更多的人造目标结构产生的散射成分，如二面角散射、旋转的二面角散射和螺旋散射等，散射占比更合理；相比于7SD目标分解结果，本文所提出的极化干涉目标分解方法在Patch A区域，即森林区域，有着更多的体散射成分且体散射成分绝对占优，更加合理。同时，在本文所提出的极化干涉目标分解结果中，人造目标结构产生的散射在Patch C区域绝对占优，表面散射成分在Patch D区域绝对占优，符合现实情况。

综上，相比于传统的极化目标分解方法，本文所提极化干涉目标分解方法效果更好，能够为后续的建筑目标提取提供更准确的物理散射机制信息；同时，引入重轨极化干涉相干性对目标分解进行校正的手段要比通过复杂的散射建模并增加目标分解过程中的散射机制类型从而实现对目标分解进行校正的手段更为简单且有效。

2.3 基于极化干涉目标分解的建筑提取

为进一步验证所提极化干涉目标分解方法、同时实现建筑目标的提取，将本文所提极化干涉目标分解方法、传统的Yamaguchi目标分解方法和七成分目标分解方法分别与复Wishart分类器、SVM、CNN和RF建筑提取算法相结合，形成一系列基于所提极化干涉目标分解的建筑提取算法以及一系列基于传统极化目标分解的建筑提取算法，将其分别命名为PolInSAR Y4R+Wishart/SVM/CNN/RF建筑提取算法、Y4R+Wishart/SVM/CNN/RF建筑提取算法和7SD+Wishart/SVM/CNN/RF建筑提取算法。其中，Y4R+Wishart和7SD+Wishart建筑提取算法流程参照1.3.1节，不同之处为用于建筑分类输入特征变为Y4R或7SD目标分解结果；CNN算法基于TensorFlow开源框架，具体采用RetinaNet卷积神经网络进行目标检测，以PolIn-SAR Y4R目标分解得到的散射特征作为数据，即{fs, fd, frd, fh, fv}；RF算法中设置100个决策树。

考虑到散射特性对于姿态和角度具有强敏感性，任意翻转、旋转以及尺度放缩会产生数据与散射机理错误，因而本文不对数据增加做过多处理，更注重散射特征本身产生的检测效果。

以E-SAR数据为例，给出基于所提极化干涉目标分解的建筑提取算法及对比算法的结果，如图8和图9所示。同时为了进行定量分析，采用准确率、召回率和F1参数作为评价指标，对各建筑目标提取结果进行评估，评估基于像素，结果如表3所示。纵向对比图8和图9中不同方法的结果，可以观察到，结合了Yamaguchi目标分解和七成分目标分解的建筑提取方法，在全面提取不同类型的建筑和结果中排除森林区域两个方面无法达到兼顾；然而，结合本文所提出的PolInSAR Y4R目标分解的建筑提取方法却能够同时满足这两个方面的要求。图8（a）、（d）、（e）和（h）中存在或多或少被错误提取的森林区域，虚警问题严重，同时与表3中对应结果也出现较高的召回率和较低的准确率；图8（b）和（f）中部分旋转的建筑未能被正确检测出，漏检问题严重、同时存在少量的虚警，对应着其结果同时具有较低的准确率和召回率。以上两种问题的根源在于Yamaguchi目标分解和七成分目标分解中，森林和建筑区域的分解结果存在相似性:在Yamaguchi目标分解结果中森林与旋转建筑区域均为体散射占优，在七成分目标分解中，建筑区域的二面角散射占优，而森林区域的二面角散射成分被高估，也具有较高的比重。复Wishart分类器、SVM方法和RF方法无法克服这一问题并从目标分解结果中挖掘二者之间的差异性，进而导致相应的建筑提取结果不能同时具有高检测率和低虚警率。图8（c）和（g）中存在一定程度的漏检问题，虚警率较低，同时结果表现出相对较高的召回率和较低的准确率，说明相比于复Wishart分类器、SVM方法和RF方法，CNN能够从具有一定模糊性的目标分解结果中进一步挖掘森林与建筑之间的差异性，在一定程度上克服了二者之间的散射模糊性。

与同一种检测机制下的结果相比，结合本文所提出极化干涉目标分解方法的建筑提取结果在准确率、召回率以及F1参数方面都有相当大的提高，不论是复Wishart分类器、SVM方法、RF方法还是CNN，在结合本文所提出的极化干涉目标分解方法后均能够获得较好的建筑提取结果。这是因为本文所提方法从根源上解决了森林与旋转建筑之间的散射模糊性，通过引入PolInSAR相干性辅助森林和旋转建筑的散射机制解译为两种不同的散射机制:体散射和旋转的二面角散射。所提方法在目标散射特性表征方面具有很大的优势，在一定程度上解决了复杂环境下目标散射机制既复杂多样又部分相似带来的异质性和模糊性问题，提高现有极化SAR建筑提取算法在复杂环境下的性能。

3 性能归因与数据条件讨论

3.1 信息维度与可比性说明

本文方法利用了PolInSAR提供的干涉相干性信息，而对比方法Yamaguchi Y4R与7SD 通常仅基于单时相PolSAR数据进行分解。因此，从信息维度上看，本文相较于仅利用极化信息的分解方法，额外引入相干性获得性能提升在一定程度上是合理且可预期的。我们在此强调这一差异并非为了“以更多信息换取更高指标”，而是源于一个更基础的事实:在复杂城市场景中，存在一类散射机制在极化域呈现高度相似的统计响应，使得仅凭极化相干矩阵或协方差矩阵的极化分解难以稳定区分；此时，借助干涉维度提供的互补信息是突破极化可分性上限的一种必要途径。因此，本文与Y4R、7SD的对比可理解为:在“仅极化”基线可达性能之上，引入干涉信息后所能获得的增益与改进空间。

3.2 性能提升来源的归因分析

从方法机制上看，本文性能提升的主要来源更偏向于相干性引入的额外判别信息，而非对极化散射模型本身进行更复杂的结构化改写。其原因在于:极化SAR对部分散射机制的辨别能力存在固有限制，类似高光谱中的“同谱异物和同物异谱”，不同散射机制可能产生极为相近的极化响应，使得仅通过修改或细化极化散射模型仍难以形成稳定可分的散射特征。本文的关键思想是正视这一局限，将“旋转二面角散射-体散射”等在极化域易混淆的机制，转而通过相干性所反映的时间去相干与体积去相干差异进行辅助判别，从而在“极化分解表征”与“干涉相干性判别”之间建立互补协同关系。换言之，本文并不试图依赖一个全新的散射模型去强行区分极化域近似等价的机制，而是通过引入相干性维度为其提供可分性依据，并在此基础上提升建筑与自然区域的区分与检测效果。

3.3 时间基线影响分析

本文方法利用建筑与自然地物在干涉相干性上的差异来辅助辨别散射机制。这种差异主要源于体积去相干与时间去相干的共同作用。就体积去相干而言，植被冠层体散射随机性强，受其影响大；而建筑散射体及路径相对明确，相干性较高。引入时间去相干后，由于植被随时间自然变化而建筑相对稳定，两者相干性差异被进一步放大。另外，对于复杂城市环境中的密集建筑，由于建筑区域存在沿高度向分布的散射体，在一定程度上受体积去相干影响。二者的相干性差异稍有减小，此时更需要时间去相干发挥作用来增强二者的区分度。

针对不同实验数据集展现的极端时间基线情况，对所提方法有不同影响。在极端短时间基线下，时间去相干的作用受限，但得益于体积去相干的基础主导作用，建筑与植被间仍存在一定的相干性差异，所提方法依然有效且优于对比方法。此时适当增大时间基线，分解效果将进一步提升。在极端长时间基线下，不考虑地物的有无变化情况，所提方法依赖的是相干性差异，不会因严重去相干而失效，反而长基线有利于目标分解。但相干性差异的扩大存在饱和效应，所提方法的性能会逐渐趋于平稳。

4 结束语

针对传统极化目标分解通过旋转校正和散射建模难以有效校正旋转建筑区域被高估的体散射成分的问题，本文将重轨PolInSAR相干性引入传统的极化目标分解中，消除极化数据中旋转的建筑与森林之间的模糊性，提出一种重轨极化干涉SAR无模糊目标分解方法，并将其应用于建筑目标的提取中，以提高复杂场景中现有建筑提取方法的性能。具体地，以Yamaguchi极化目标分解方法为代表，通过引入重轨PolInSAR相干性的方式对其进行了改进，提出了极化干涉四成分目标分解方法，并将其与复Wishart分类器、SVM、CNN和RF等建筑提取方法相结合，对复杂场景下的建筑进行了提取。实验采用了3组极化干涉SAR数据，场景中包含森林、朝向和密度各异的建筑以及其他地物。这些场景规模较大，其中的地物类型及其散射机制相当复杂。通过与传统的极化目标分解方法相比，验证了所提出的极化干涉目标分解方法在旋转建筑区域的体散射成分校正和目标散射特征准确表征方面的优越性。此外，将所提方法与现有极化SAR建筑提取算法相结合，并与原有算法进行对比验证，证实了结合本文所提极化干涉目标分解方法能够提升原有算法在复杂场景下的性能。

［1］ KARACHRISTOS K, KOUKIOU G, ANASTASSOPOULOS V. A Review on PolSAR Decompositions for Feature Extraction［J］. Journal of Imaging, 2024, 10（4）: 10040075.

［2］ FREEMAN A, DURDEN S L. A Three-Component Scattering Model for Polarimetric SAR Data［J］. IEEE Transactions on Geoscience and Remote Sensing, 1998, 36（3）:963-973.

［3］ YAMAGUCHI Y, MORIYAMA T, ISHIDO M, et al.Four-Component Scattering Model for Polarimetric SAR Image Decomposition［J］. IEEE Transactions on Geoscience and Remote Sensing, 2005, 43（8）: 1699-1706.

［4］ ZHANG Lamei, ZOU Bin, CAI Hongjun, et al. Multiple Component Scattering Model for Polarimetric SAR Image Decomposition［J］. IEEE Geoscience and Remote Sensing Letters, 2008, 5（4）: 603-607.

［5］ SINGH G, MALIK R, MOHANTY S, et al. Seven-Component Scattering Power Decomposition of POLSAR Coherency Matrix［J］. IEEE Transactions on Geoscience and Remote Sensing, 2019, 57（11）: 8371-8382.

［6］ MALIK R, SINGH G, DIKSHIT O, et al. Model-Based Nine-Component Scattering Matrix Power Decomposition［J］. IEEE Geoscience and Remote Sensing Letters, 2024,21: 1-5.

［7］ FANG Lu, YANG Ziyuan, MU Wenxing, et al. A Novel Polarization Scattering Decomposition Model and its Application to Ship Detection［J］. Remote Sensing, 2023, 16（1）:16010178.

［8］ SATO A, YAMAGUCHI Y, SINGH G, et al. Four-Component Scattering Power Decomposition with Extended Volume Scattering Model［J］. IEEE Transactions on Geoscience and Remote Sensing, 2011, 49（2）: 166-170.

［9］ SINGH G, YAMAGUCHI Y, PARK S E. General Four Component Scattering Power Decomposition with Unitary Transformation of Coherency Matrix［J］. IEEE Transactions on Geoscience and Remote Sensing, 2013, 51（5）:3014-3022.

［10］ CLOUDE S R, POTTIER E. An Entropy Based Classification Scheme for Land Applications of Polarimetric SAR［J］. IEEE Transactions on Geoscience and Remote Sensing, 1997, 35（1）: 68-78.

［11］ HU Yinghao, LI Yuanhao, CHEN Zhiyang, et al. An Enhancement Strategy for Wishart Classifier in Dual-Band and Dual-Pol SAR Classification［C］// 2024 IEEE International Geoscience and Remote Sensing Symposium,Athens, Greece:IEEE, 2024: 1977-1981.

［12］ DENG Lei,WANG Cuizhen. Improved Building Extraction with Integrated Decomposition of Time-Frequency and Entropy-Alpha Using Polarimetric SAR Data［J］.IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, 2014, 7（10）: 4058-4068.

［13］ SANTOSA C F A A, SETIAWAN N, ARRISALDI T, et al. Integrating InSAR Profiling and Unsupervised Wishart PolSAR for Assessing Earthquake-Induced Building Damage［C］//International Conference of Geoscience and Remote Sensing Technology,Singapore: Springer Nature Singapore, 2025: 411-430.

［14］王威，杨勇，韩静雯. 基于极化联合特征值的雷达弱小目标检测方法［J］. 雷达科学与技术, 2024, 22（1）:57-62.

［15］ MASURKAR A, DARUWALA R, MOHITE A. Performance Analysis of SAR Filtering Techniques Using SVM and Wishart Classifier［J］. Remote Sensing Applications:Society and Environment, 2024, 34: 101189.

［16］ SHI Junfei, HE Tiansheng, JI Shanshan,et al. CNN-Improved Superpixel-to-Pixel Fuzzy Graph Convolution Network for PolSAR Image Classification［J］. IEEE Transactions on Geoscience and Remote Sensing, 2023, 61: 1-18.

［17］ ZHANG Lamei, ZOU Bin, JIA Qingchao, et al. Polarimetric SAR Image Classification Using Multiple-Component Scattering Model and Support Vector Machine［C］//2nd Asian-Pacific Conference on Synthetic Aperture Radar,Xi’an, China:CIE, 2009: 805-808.

［18］ QUAN Sinong, ZHANG Tao, XING Shiqi, et al. Maritime Ship Detection with Concise Polarimetric Characterization Pattern［J］. International Journal of Applied Earth Observation and Geoinformation, 2024, 131: 103954.

［19］ HE Yin, CHENG Jian. Classification Based on Four-Component Decomposition and SVM for PolSAR Images［C］//International Conference on Automatic Control and Artificial Intelligence, Xiamen, China:IACSIT, 2012:635-637.

［20］ TAN C P, EWE H T,CHUAH H T. Agricultural Crop-Type Classification of Multi-Polarization SAR Images Using a Hybrid Entropy Decomposition and Support Vector Machine Technique［J］. International Journal of Remote Sensing, 2011, 32（22）: 7057-7071.

［21］ CHEN Seiwei,TAO Chensong. PolSAR Image Classification Using Polarimetric-Feature-Driven Deep Convolutional Neural Network［J］. IEEE Geoscience and Remote Sensing Letters, 2018, 15（4）: 627-631.

［22］ ZHUANG Di, ZHANG Lamei, ZOU Bin. Model-Based Polarimetric SAR Target Decomposition: A Scheme to Introduce Repeat-Pass PolInSAR Coherence［J］. IEEE Transactions on Geoscience and Remote Sensing, 2024,62: 1-16.

［23］ ZHUANG Di, ZHANG Lamei, ZOU Bin. Iterative PolIn-SAR Target Decomposition for Scattering Characterization and Building Detection［J］. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, 2025, 18: 9211-9229.

［24］ ATTRI L, KUMAR S, MAITHANI S. Machine Learning Based Urban Land Cover Classification Using PolInSAR Data: A Study with ALOS-2 and RADARSAT-2 Datasets［J］. Discover Geoscience, 2024, 2（1）: 29.

［25］ BELINSKA K, FISCHER G, PAPATHANASSIOU K, et al. Model-Based Analysis of Temporal PolInSAR Coherence Regions for Snow Water Equivalent Estimation［C］//15th European Conference on Synthetic Aperture Radar,Munich, Germany:VDE, 2024: 72-77.

［26］ ZHUANG Di, ZHANG Lamei, ZOU Bin. Scattering Power Decomposition Based on PolInSAR Images and Sparse Representation［J］. IEEE Geoscience and Remote Sensing Letters, 2025, 22: 1-5.

［27］ COLIN E, TITIN-SCHNAIDER C,TABBARA W. An Interferometric Coherence Optimization Method in Radar Polarimetry for High-Resolution Imagery［J］. IEEE Transactions on Geoscience and Remote Sensing, 2006,44（1）: 167-175.