近年来，随着星载
SAR载荷技术的快速发展，我国高分三号系列、 Sentinel-1、ALOS-2、NISAR等国内外主流SAR卫星均已搭载多极化载荷，多极化SAR数据的获取能力大幅提升。与此同时，极化特征提取、杂波抑制、智能识别等相关算法的迭代升级，进一步推动多极化技术在目标识别领域的深度应用。本文围绕多极化技术提升SAR目标识别能力的核心逻辑，系统展开技术原理、实现方法、应用场景与发展趋势的全面分析。
一、SAR多极化技术的基本理论基础
1. 极化散射的核心数学表征
SAR 多极化技术的核心是通过不同极化组合的电磁波收发，量化目标的极化散射特性，其核心数学表征为 Sinclair 极化散射矩阵 [S]，对于远场条件下的点目标，其散射矩阵表达式为：
[S] = [ S_HH S_HV ]
[ S_VH S_VV ]
其中，S_pq 表示发射天线极化状态为 p、接收天线极化状态为 q 时的复散射系数，包含幅度与相位信息；H 代表水平极化，V 代表垂直极化。在自然地表的互易介质中，满足 S_HV = S_VH，因此全极化 SAR 仅需获取 S_HH、S_HV、S_VV 三个独立复元素，即可完整表征目标的极化散射特性。
针对分布式面目标，需通过极化相干矩阵[T] 与极化协方差矩阵[C] 描述其统计散射特性，二者可通过散射矩阵元素变换得到，是后续极化特征提取、目标分解与分类识别的核心数据基础。
2. 典型目标散射机制
不同物理属性的目标，其极化散射机制存在本质差异，这是多极化SAR实现目标识别的物理基础。主流的散射机制可分为四大类：
（1）面散射（布拉格散射）：主要来自光滑地表、平静水面、裸土地等平面结构，同极化通道（S_HH、S_VV）回波能量强，交叉极化通道（S_HV、S_VH）能量极弱，散射相位稳定。
（2）二面角散射：主要来自建筑墙体与地面、舰船甲板与海面、树干与地面等正交二面结构，同极化通道存在显著的相位差，交叉极化能量较弱，是人造强散射体的核心特征。
（3）体散射：主要来自植被冠层、积雪、沙尘等随机分布的散射体，电磁波在散射体内部发生多次散射，交叉极化通道能量显著增强，散射相位随机，极化熵较高。
（4）螺旋体散射：主要来自具有螺旋结构的目标，如植被枝干、特殊人造结构，存在明显的交叉极化耦合效应，是区分特殊目标的重要特征。
根据极化通道的收发组合，多极化SAR载荷可分为三类核心工作模式，不同模式在信息丰富度、载荷资源占用、测绘幅宽之间形成不同的平衡，适配不同的目标识别场景：
（1）全极化（Quad-Pol）模式：同时/分时收发HH、HV、VH、VV四个极化通道，获取完整的散射矩阵，极化信息最丰富，目标识别精度最高，但数据量大，对载荷的脉冲重复频率、存储与传输能力要求高，测绘幅宽受限，适用于重点区域的高精度目标识别。
（2）双极化（Dual-Pol）模式：仅收发两组极化组合（主流为HH+HV、VV+VH、HH+VV），在数据量与极化信息之间实现平衡，测绘幅宽更宽，适用于大范围常态化监测，是当前业务化应用最广泛的模式。
（3）紧凑型极化（Compact-Pol）模式：采用单一极化发射、双正交极化接收的架构（如π/4模式、CTLR模式），在大幅降低载荷复杂度与数据量的同时，保留核心极化信息，可实现宽幅测绘，适用于广域普查类的目标识别场景。
二、多极化技术提升SAR目标识别能力的核心方法
多极化技术对SAR目标识别能力的提升，本质是通过挖掘目标的极化散射特性，实现目标与杂波的有效区分、不同属性目标的精准分类、弱散射目标的增强检测。其核心实现方法可分为四大类，形成从特征提取、杂波抑制、智能识别到多技术融合的完整技术体系。
1. 基于极化特征提取的目标表征方法
目标识别的核心是构建具有区分度的目标特征，多极化SAR通过极化特征提取，将原始散射矩阵转换为可量化表征目标物理属性的特征参数，从本质上提升目标的可分性，是提升识别能力的基础环节。
（1）基础极化特征参数提取
基于散射矩阵、相干矩阵与协方差矩阵，可直接提取一系列具有明确物理意义的极化特征参数，形成目标识别的基础特征集：
1）极化强度类参数：同极化比（S_HH/S_VV）、交叉极化比（S_HV/S_HH、S_HV/S_VV）、极化度、散射总功率（SPAN）等，可直接区分强散射体与弱散射体、面散射与体散射目标；
2）极化相位类参数：同极化相位差（PPD）、相位差标准差等，可有效识别二面角散射的人造目标，区分完好建筑与损毁建筑；
3）极化统计类参数：极化熵（H）、反熵（A）、平均散射角（α）（Cloude-Pottier分解核心参数），其中极化熵表征散射机制的随机程度，熵值越高代表散射机制越复杂，可有效区分单一散射的水面与混合散射的植被，α角可直接量化目标的主导散射机制，是地物分类的核心特征。
（2）极化目标分解方法
极化目标分解是多极化特征提取的核心技术，通过数学模型将目标的总散射能量分解为对应不同散射机制的分量，实现对目标散射本质的解译，大幅提升不同属性目标的区分度，可分为相干分解与非相干分解两大类：
1）相干分解：针对确定性点目标，基于散射矩阵直接分解，主流方法包括Pauli分解、Krogager分解。其中Pauli分解将散射矩阵分解为面散射、二面角散射、交叉散射三个分量，可直接生成PauliRGB伪彩色图像，直观区分不同散射机制的目标，是目标识别与人工解译的基础数据；
2）非相干分解：针对分布式面目标，基于相干矩阵/协方差矩阵的统计特性分解，主流方法包括Freeman-Durden三分量分解、Yamaguchi四分量分解。Freeman-Durden分解将总散射能量分解为面散射、二面角散射、体散射三个分量，可精准区分农田（面散射主导）、建筑（二面角主导）、林地（体散射主导）；Yamaguchi分解在此基础上增加了螺旋体散射分量，进一步提升了复杂植被区域、城区场景的目标区分能力。
通过极化目标分解，可将原始单通道的强度信息，扩展为多维度、具有明确物理意义的散射特征集，解决了单极化SAR“同谱异物、同物异谱”的核心痛点，为后续目标分类与识别提供了高区分度的特征输入。
2. 基于极化特性的杂波抑制与目标增强方法
复杂场景下，目标回波往往被强杂波掩盖，低信杂比是制约目标识别精度的核心瓶颈。多极化SAR可利用目标与杂波的极化特性差异，实现杂波的有效抑制与目标回波的自适应增强，从数据层面提升目标的可检测性，是提升弱目标识别能力的核心手段。
（1）极化自适应滤波技术
极化滤波的核心是构建最优极化滤波器，最大化目标与杂波的信杂比。主流方法包括极化白化滤波（PWF）、最优极化滤波（OPF）。其中极化白化滤波通过对杂波的极化协方差矩阵进行白化处理，消除杂波的极化相关性，同时保留目标的极化散射特性，可有效抑制海杂波、均匀地杂波，在海面舰船目标、低空小目标检测中，可将信杂比提升10dB以上。
针对非均匀场景的杂波，自适应极化匹配滤波技术可通过局部窗口估计杂波的极化统计特性，动态调整滤波参数，解决了传统滤波在复杂地形、城区场景下的性能衰减问题，大幅提升复杂杂波背景下的目标检测率。
（2）极化恒虚警率（CFAR）检测技术
传统单极化CFAR检测仅能利用回波强度信息，在非均匀杂波场景下虚警率高、检测性能差。极化CFAR检测充分利用目标与杂波的极化协方差矩阵差异，构建基于极化似然比的检测统计量，可有效区分具有相似强度但不同极化特性的目标与杂波。
主流的极化CFAR方法包括Optimal Normalized PWF（ON-PWF）CFAR、Wishart分布CFAR等，在海面低信杂比舰船检测中，极化CFAR的检测率比单极化CFAR提升20%以上，同时虚警率降低一个数量级，尤其适用于近岸高海况、岛礁周边等复杂海况的目标识别。
3. 基于多极化数据的目标分类与智能识别算法
多极化特征的高维特性，为目标分类与识别算法提供了丰富的输入，结合传统机器学习与深度学习算法，可实现对多极化SAR数据的端到端目标识别，是多极化技术落地应用的核心环节。
（1）基于极化特征的传统机器学习识别方法
针对极化特征集，传统机器学习算法可实现高效的目标分类与识别，主流方法包括支持向量机（SVM）、随机森林（RF）、Wishart最大似然分类、马尔可夫随机场（MRF）分类等。其中，基于极化分解特征的随机森林算法，可自动筛选高区分度的极化特征，解决高维特征的冗余问题，在10类地物分类任务中，分类精度比单极化强度分类提升30%以上；Wishart分类结合极化相干矩阵的统计特性，是极化SAR地物分类的经典方法，结合MRF的空间约束后，可有效抑制分类结果的椒盐噪声，提升目标识别的空间连续性。
（2）基于多极化数据的深度学习识别方法
深度学习技术可自动从多极化SAR数据中提取深层的极化散射特征与空间特征，避免了人工特征设计的局限性，成为当前复杂场景下SAR目标识别的主流技术方向。针对多极化SAR数据的特点，主流的深度学习方法分为三类：
1）基于极化特征图的卷积神经网络（CNN）：将PauliRGB伪彩色图、多极化分解分量图作为多通道输入，利用CNN提取空间与极化融合特征，适用于地物分类、目标检测、语义分割等任务，基于U-Net的极化SAR语义分割算法，在城市建筑提取、灾害损毁识别中，精度可达92%以上；
2）基于极化矩阵的全极化网络：直接将全极化散射矩阵、相干矩阵作为网络输入，设计专用的极化卷积层，保留极化数据的复数值特性与物理约束，避免了伪彩色转换的信息损失，在小目标、弱散射目标识别中具有显著优势；
3）小样本极化SAR识别算法：针对极化SAR标注数据稀缺的痛点，结合迁移学习、对比学习、联邦学习技术，实现少标注甚至无标注场景下的目标识别，解决了特殊场景、罕见目标的识别难题，大幅提升算法的泛化性。
4. 多极化与其他SAR技术的融合增强方法
多极化技术与干涉SAR（InSAR）、时序SAR、超分辨成像等技术的融合，可进一步拓展目标的特征维度，实现“极化特性+几何特性+时序特性”的多维度联合识别，大幅提升复杂场景下的目标识别精度与鲁棒性。
（1）极化干涉SAR（Pol-InSAR）融合技术：Pol-InSAR结合了极化的散射特性解译能力与InSAR的三维几何测量能力，可区分同一分辨单元内不同高度的散射中心，解决了单极化InSAR的散射中心混叠问题。在森林树种分类中，Pol-InSAR可同时获取植被的体散射特性与树高信息，分类精度比单纯多极化技术提升15%以上；在城区建筑识别中，可精准区分不同高度、不同结构的建筑，实现建筑类型的精细分类。
（2）多时相极化SAR融合技术：时序多极化SAR数据可捕捉目标极化散射特性的动态变化规律，例如农作物的生长周期、植被的季相变化、人造目标的新增与损毁。基于时序极化特征的变化检测算法，可有效区分自然变化与人为活动，实现非法建筑识别、农田作物分类、灾害动态监测等任务，解决了单时相数据难以区分的“异物同谱”问题。
（3）多极化与超分辨成像融合技术：超分辨成像技术可提升SAR图像的空间分辨率，结合多极化的散射特性信息，可实现小目标的精细识别。例如在小型舰船、无人机等弱散射小目标识别中，超分辨技术提升目标的空间细节，极化技术区分目标与杂波，二者结合可将小目标的识别率提升40%以上。
三、多极化SAR目标识别技术的典型应用场景
1. 海洋目标识别
海洋场景是多极化SAR技术的核心应用领域，针对海面强杂波背景下的目标识别需求，多极化技术可有效抑制海杂波，实现舰船目标、溢油、非法养殖区等目标的精准识别。其中，全极化SAR数据可通过二面角散射特征区分舰船与海面假目标，在高海况下依然保持90%以上的舰船检测率；针对海面溢油，溢油区域会抑制海面的布拉格散射，导致交叉极化能量显著降低，与平静海面形成明显的极化特征差异，可有效区分溢油与look-alike目标，溢油识别精度可达95%以上，已成为全球海洋溢油监测的业务化技术手段。
2. 陆地区域地物分类与人造目标识别
在国土测绘、城市管理、国防安全等领域，多极化SAR可实现城市建筑、农田、林地、道路等地物的高精度分类，以及伪装目标、隐蔽工事等人造目标的精准识别。通过极化目标分解，可有效区分建筑的二面角散射、林地的体散射、农田的面散射，在全国土地利用分类中，多极化SAR的分类精度比单极化提升25%以上；在国防应用中，伪装网、伪装涂层的极化散射特性与自然植被存在本质差异，多极化SAR可穿透伪装，识别隐蔽的军事目标，解决了传统光学与单极化SAR难以识别伪装目标的痛点。
3. 灾害应急与损毁目标识别
在地震、洪水、山体滑坡等自然灾害应急场景中，多极化SAR不受阴雨、云层等气象条件限制，可快速实现灾害损毁区域的精准识别。地震后，完好建筑以二面角散射为主，而损毁建筑的结构坍塌，散射机制变为随机的体散射，极化熵显著升高，通过极化特征的变化可快速识别建筑损毁区域，为应急救援提供精准的位置信息；在洪水监测中，淹没区域的面散射特性与未淹没植被的体散射特性形成显著差异，可精准提取洪水淹没范围，识别精度比单极化SAR提升30%以上，已成为我国应急管理部的核心灾害监测技术手段。
4. 生态环境监测
在森林资源调查、湿地保护、荒漠化监测等生态环境领域，多极化SAR可精准区分植被类型、反演植被生物量、识别湿地边界。针对森林资源调查，Pol-InSAR技术可同时获取森林的极化散射特性与树高信息，实现树种分类与生物量反演，反演精度比单极化技术提升20%以上；在湿地监测中，湿地水体、沼泽、植被的极化散射特性存在显著差异，多极化SAR可精准识别湿地边界与湿地类型，为生态保护提供数据支撑。
SAR载荷的多极化技术，通过挖掘目标的极化散射本质，从物理层面突破了传统单极化SAR的性能瓶颈，为目标识别提供了高区分度的特征维度。通过极化特征提取、杂波抑制与目标增强、智能识别算法、多技术融合四大类核心方法，多极化SAR可有效解决复杂场景下目标区分度低、杂波抑制能力弱、识别精度不足等核心痛点，在海洋监测、国土测绘、灾害应急、国防安全等领域展现出不可替代的应用价值。
MiniSAR聚焦于微型合成孔径雷达（SAR）制造研发，为用户提供定制化机载SAR、轻型MiniSAR、无人机载MiniSAR、SAR数据采集服务、SAR飞行服务等。如您有相关业务需求，欢迎联系！
150-110-63408