研究表明,除海洋外,自然背景偏振度常常比较小,而人造目标却要大得多。尤其重要的是,偏振度是辐射值之比,不需要准确的校准就可以达到相当高的精度,因此,偏振探测在红外探测方面具有极高的应用价值。

地球表面和大气中的目标在反射红外辐射时,都会产生部分偏振光。根据基尔霍夫理论,目标的自发辐射中也包含偏振信息。

偏振探测优势在于:目标偏振特性不仅由目标温度决定,而且由目标表面的粗糙度、材料、观测角度等因素决定。

偏振成像系统与传统红外辐射的表示方法上,也完全不同。在传统红外系统中,红外辐射用辐射强度来表示。在偏振成像系统中,红外辐射用Stokes矢量

红外小目标检测 机器学习 目标红外特性_取值

来表示。Stokes矢量定义为:

其中,

红外小目标检测 机器学习 目标红外特性_红外_02

表示红外辐射强度,因而总是正的;

红外小目标检测 机器学习 目标红外特性_红外小目标检测 机器学习_03

表示X方向与Y方向上的线偏振光的强度差,根据X方向占优势,Y方向占优势或者两者相等,分别取值为正、为负或者为零。

红外小目标检测 机器学习 目标红外特性_取值_04

表示+π/4方向与-π/4方向上的线偏振光的强度差,根据+π/4方向占优势、-π/4方向占优势或者两者相等,分别取值为正、为负或者为零。

红外小目标检测 机器学习 目标红外特性_取值_05

表示右旋圆偏振分量还是左旋圆偏振分量占优势,根据右旋方向占优势、左旋方向占优势或者是一样,

红外小目标检测 机器学习 目标红外特性_红外_06

取值为正、为负或为零。

偏振度的定义用Stokes参数来表示:

                                      

红外小目标检测 机器学习 目标红外特性_红外小目标检测 机器学习_07

即全偏振分量的强度与该光波总强度的比值。全偏振分量的偏振椭圆方位角表示为

                                        

红外小目标检测 机器学习 目标红外特性_相似度_08

偏振椭率

红外小目标检测 机器学习 目标红外特性_红外_09

表示为

                                         

红外小目标检测 机器学习 目标红外特性_取值_10

在成像显示时,常选用的偏振量有偏振度、偏振角或者某个特征方向的偏振图像,可根据需求选用适当的特征量作为目标检测与识别的主要参量。

偏振光谱成像探测技术提供了同时获得空间、光谱和偏振信息的手段,所测量的数据可以用7个相互独立的变量来表示:空间变量(x,y),波长变量(λ)、偏振变量(Stokes向量

红外小目标检测 机器学习 目标红外特性_取值_11

红外小目标检测 机器学习 目标红外特性_相似度_12

红外小目标检测 机器学习 目标红外特性_红外小目标检测 机器学习_13

红外小目标检测 机器学习 目标红外特性_红外小目标检测 机器学习_14

)。

偏振光谱角反映的是两条光谱曲线形状上的相似度,对光谱矢量的长度(亮度值)并不敏感;偏振光谱距离反映的是两条光谱矢量之间的距离,即亮度值大小的差距,但不能表现出两条谱线在形状上的差异。