General Five-Component Scattering Power Decomposition with Unitary Transformation (G5U) of Coherency Matrix

モデルベース散乱パワー分解は、偏波合成開口レーダー（PolSAR）の観測を、アンサンブル平均された3 × 3のcoherency matrix（コヒーレンシ行列）を物理的意味をもつ散乱メカニズムの組合せとして表現することで解釈しようとするものである。一般のcoherency matrixはfull（全要素が非ゼロ）で、9個の実数値の独立な偏波パラメータを含む。このため、利用可能な情報をより多く用いるべく、連続的な分解法ではモデル化するメカニズム数が増やされてきた（例：Yamaguchi four-component、6SD、7SD）。別の戦略として、変換により有効なパラメータ数を減らし、より低次元の表現の中で「完全な（complete）」分解を可能にする方法がある。T23などの要素を0にする（vanishさせる）ために回転／unitary transformation（ユニタリ変換）を適用して行列を制約するY4RやG4Uといった手法を踏まえ、本論文はGeneral Five-Component Scattering Power Decomposition with Unitary Transformation（G5U）という新しいスキームを提案する。提示された目的は、観測されたcoherency matrixを2回連続のユニタリ変換で前処理してT23 = 0としたうえで、変換後の行列を5成分—surface、double-bounce、volume、oriented dipole、compound dipole—に分解し、変換後の形で偏波情報を十分に活用するとともに、方位をもつ都市域での誤分類（とくにvolumeの過大推定）を減らすことである。

複数のquad-polarizationデータセット（ALOS-2/PALSAR-2のL-bandによるMumbai、Mexico City、San Francisco、Ahmedabad、および航空機搭載F-SARのL-band・S-band）にわたり、G5Uは既存の複数の分解法（FDD、Y4O、Y4R、S4R、G4U、6SD、7SD）と比べて、方位をもつ都市域の解釈を改善すると報告されている。定性的には、RGB合成（surface = blue、double-bounce = red、volume = green）において、G5Uはレーダーのline of sightに対して向きをもつ都市構造物でより強いdouble-bounceのシグネチャを示し、この種の領域がvolume散乱に誤って支配されるという繰り返し見られる問題に対処している。定量的には、Mumbaiの方位をもつ都市パッチ（patch A）で、G5Uではdouble-bounceの寄与が36.7%に上昇し、volumeは28.6%に低下する一方、FDDではdouble-bounceが26.8%、volumeが56.8%である。同様の傾向はMexico Cityの方位をもつ都市パッチでも示され、G5Uは高いdouble-bounce（A1で66.9%、A2で49.9%）と低いvolume（A1で7.8%、A2で17.3%）を与える。直交する都市域では、手法間の差は小さいと報告されており、例えばMumbaiの直交都市パッチ（patch B）ではG5U（57.1%）と6SD（56.2%）でdouble-bounceが近く、San Franciscoのpatch BでもG5U（54.8%）と6SD（55.1%）は同程度である。植生域について著者らは、より多くのターゲット型にパワーを配分できる点で7SDの方が良い場合があると繰り返し述べているが、それでもG5UはRe{T13}およびIm{T13}に関連するoriented dipole項とcompound dipole項を導入することで、volumeの過大推定を緩和すると提示されている。F-SARの森林解析では、G5Uは両周波数でvolume散乱が卓越（L-bandで53.2%、S-bandで58.9%）する一方、L-bandはS-bandよりdouble-bounce（Pd ~ 20.7%）とcompound（Pod + Pcd ~ 15.9%）が高く、S-bandではPd ~ 10%、Pod + Pcd ~ 10.1%であり、これは樹冠への浸透（canopy penetration）の違いという著者らの解釈と整合するとされる。

G5Uは、イメージングウィンドウでのmulti-lookingにより形成されるアンサンブル平均coherency matrix <[T]>を対象に動作する。手法はまず、先行研究の枠組みに従って2回連続のunitary transformationを適用し、T23 = 0を強制することで、観測されたcoherency matrixを5成分分解に適した「ideal」な形へ変換する。Step 1ではRe{T23} = 0を強制することを意図した回転を適用し、T'23を純虚数にする。Step 2では、残る虚数部分を消去するよう設計された追加のユニタリ変換を行い、T"23を0にする。論文は、これらの変換により、モデルベース分解においてcross-polarizationおよびvolume散乱に関連づけられるT33要素の大きさが減少し、それに対応してT22（double-bounceに関連）が増加することも強調している。前処理後、変換されたcoherency matrixは、surface scattering、double-bounce scattering、volume scattering、oriented dipole scattering（Pod）、compound dipole scattering（Pcd）を表す5つの部分行列の和として表される。本スキームは2つの分岐条件を用いる。C0はsurfaceとdouble-bounceのどちらが支配的かを決め（C0 = 2T11 − TPを用い、C0 > 0ならsurface、C0 < 0ならdouble-bounce）、C1は植生に関連するvolume散乱とoriented dihedral散乱を識別する（C1 > 0なら植生、C1 < 0ならoriented dihedral）。性能評価では、G5Uと比較対象の分解法を複数データセットに適用し、定性的確認のためのRGB合成を作成するとともに、比較を裏づけるためAOIパッチを選んで統計要約（平均パワー寄与）を提示している。

論文は、G5Uが一般的な5成分のモデルベース散乱パワー分解を提供すると結論づけている。すなわち、coherency matrixに2回のユニタリ変換を施してT23 = 0を強制し、その後、surface、double-bounce、volume、oriented dipole、compound dipoleの5つの物理的に解釈された寄与へ分解する。ユニタリ変換後の表現において、著者らはG5Uが7個中7個の偏波パラメータを扱うと述べ、これを偏波情報の100%利用、したがって変換後行列に対する「完全な（complete）」分解だと記述している。中心的な利点として、T23を数学的に0にすることでdouble-bounceとvolume散乱の相互影響が「中和（neutralizes）」され、さらにT33の二重の最小化により、特に方位をもつ都市環境で過大推定されがちなvolume散乱パワーが低減されると主張している。実証的には、double-bounce成分の増加とvolume成分の減少を通じて、レーダーのline of sightに整列した人工構造物の同定が改善される一方、直交都市域では他手法と同等の性能が示され、植生域では7SDのような高次の分解の方が依然として良く特徴づけられる場合があるとされる。著者らは、これらの改善が分類やターゲット／オブジェクト同定を含むPolSAR応用にとって重要だと論じている。

論文は、提案した分解が分類やターゲット／オブジェクト同定といった下流のPolSAR応用に有用であることを示し、作業がターゲット分類課題へ拡張可能であると明示している。拡張の具体例として、植生種（vegetation species）の分類を可能な方向性として挙げている。また、論文の議論の範囲内では、F-SARのL-band・S-bandデータにおける周波数依存の挙動も、異なる取得周波数にわたってG5Uを適用することで、推定される散乱寄与の系統的な変化（例：森林上でのL-bandとS-band間のPdおよびPod + Pcdの差）を明らかにし得ることを示唆しており、著者らはこれを植生内での相互作用深度の解釈に用いている。これらの記載を超えて、論文は追加の詳細な将来研究計画、実装の道筋、あるいは拡張に対する評価プロトコルは提示していない。

モデルベース散乱パワー分解(観測された行列を、物理的に意味のある散乱の種類に分けて、それぞれの強さを推定する方法です。画像の解釈や分類がしやすくなります。)は、偏波合成開口レーダー（PolSAR）(レーダーの電波を複数の偏波で送受信し、地表や物体が電波をどう反射したかを詳しく調べる観測手法です。普通のSARより情報が多く、都市や森林の見分けなどに役立ちます。)の観測結果を、いくつかの「散乱のしかた（散乱メカニズム(電波が物体に当たって返ってくる「反射のしかた」のタイプ分けです。地面、建物、森林などで特徴が変わるため、地物判別の手がかりになります。)）」の組合せとして表し、地表がどんな性質かを読み取りやすくする方法です。
PolSARでは、観測データを3×3のコヒーレンシ行列(PolSARで得られる偏波情報を3×3の行列にまとめたものです。どの偏波成分がどれくらい強いか、成分同士がどれくらい関係しているかを表し、分解法の出発点になります。)としてまとめますが、一般には情報量が多く（独立な値が9個分）、そのままでは扱いが難しいという問題があります。そのため、散乱メカニズムの種類を増やして情報を使い切ろうとする方法（例：4成分、6成分、7成分の分解）が研究されてきました。

一方で、別の考え方として、行列に変換をかけて「本質的に必要な情報だけ」に整理し、少ない成分数でも情報を十分に使えるようにする方法があります。本論文はこの考え方に基づき、G5Uという新しい5成分の分解法を提案します。
G5Uの目的は、観測されたコヒーレンシ行列に2回のユニタリ変換を行ってT23(コヒーレンシ行列の特定の要素で、散乱成分の混ざりや、向きのある構造に関係しやすい値です。これがあるとdouble-bounceとvolumeの分離が難しくなるため、G5Uでは0にします。)を0にしたうえで、5つの散乱（surface、double-bounce、volume、oriented dipole、compound dipole）に分けることです。特に、レーダーの見る方向に対して斜め向きの建物が多い都市域で起きやすい「本当は人工物なのに、植生のようなvolume散乱だと誤って見積もられる」問題を減らすことを狙っています。

複数のquad-polarization(4通りの偏波の組合せで送受信し、最も多くの偏波情報を得る観測方式です。分解法の性能比較によく使われます。)データ（ALOS-2/PALSAR-2のL-band(波長が長めのレーダー周波数帯で、森林の内部まで比較的入り込みやすい特徴があります。地表や幹・枝との相互作用が出やすくなります。)でMumbai、Mexico City、San Francisco、Ahmedabad、さらに航空機F-SARのL-bandとS-band(L-bandより波長が短めの周波数帯で、森林では主に樹冠付近での散乱が目立ちやすいとされます。周波数差の比較に使われます。)）で比較したところ、G5Uは既存手法（FDD、Y4O、Y4R、S4R、G4U、6SD、7SD）よりも、向きのある都市域（建物がレーダー視線方向に対して斜めに並ぶ場所）の解釈を改善すると報告されています。

RGB合成(3つの成分を赤緑青に割り当てて画像として見えるようにする方法です。PolSARでは散乱の種類の違いを直感的に確認できます。)（surfaceを青、double-bounceを赤、volumeを緑）で見ると、G5Uは向きのある都市構造物でdouble-bounceが強く出やすく、都市域がvolumeに支配されて緑っぽく見えてしまう典型的な誤りを抑えています。
数値例として、Mumbaiの向きのある都市パッチでは、G5Uはdouble-bounceが36.7%まで上がり、volumeは28.6%まで下がりました。一方でFDDではdouble-bounceが26.8%と低く、volumeが56.8%と高くなっていました。Mexico Cityの向きのある都市パッチでも同様に、G5Uはdouble-bounceが高く、volumeが低い結果を示しています。

ただし、建物がレーダー視線に対して直交に近い（向きの問題が小さい）都市域では、手法間の差は小さく、G5Uは6SDなどと同程度の結果になることも示されています。
植生域では、より多くの散乱タイプに分けられる7SDのほうが良い場合があると述べられていますが、それでもG5Uはoriented dipoleとcompound dipoleを導入することで、volumeの過大推定をやわらげる効果があるとされています。森林データ（F-SAR）では、周波数によって推定される散乱の割合が変わり、L-bandのほうが森林内部まで届きやすい分、double-bounceやcompound関連の成分がS-bandより大きくなる傾向が報告されています。

G5Uは、観測データから作るアンサンブル平均(ノイズを減らして安定した値を得るために、近くの画素など複数のデータを平均する考え方です。PolSARでは行列をこの平均で作り、結果のばらつきを減らします。)のコヒーレンシ行列(PolSARで得られる偏波情報を3×3の行列にまとめたものです。どの偏波成分がどれくらい強いか、成分同士がどれくらい関係しているかを表し、分解法の出発点になります。)を入力として使います。
まず前処理として、2回連続のユニタリ変換を行い、T23(コヒーレンシ行列の特定の要素で、散乱成分の混ざりや、向きのある構造に関係しやすい値です。これがあるとdouble-bounceとvolumeの分離が難しくなるため、G5Uでは0にします。)が0になるように整形します。手順は次の考え方です。

最初の変換では、T23の実数部分が0になるように回転させ、変換後のT23を「虚数だけ」の形にします。次の変換で、その虚数部分も消えるように調整し、最終的にT23を0にします。論文では、この前処理により、volume散乱と関係しやすいT33が小さくなり、double-bounceと関係しやすいT22が増える点を重要な効果として説明しています。

前処理後の行列を、5つの散乱成分（surface、double-bounce、volume、oriented dipole、compound dipole）に分け、それぞれの「散乱パワー（どれくらい強いか）」を推定します。また、2つの分岐条件を使って、どの散乱が優勢かを場合分けします。C0はsurfaceとdouble-bounceのどちらが主かを決め、C1は植生によるvolume散乱と、向きのある人工物の散乱（oriented dihedral側）を区別するために使います。
性能評価では、複数データセットでRGB画像による見た目の比較を行い、さらに関心領域（パッチ）ごとに平均の散乱パワーを出して定量的に比較しています。

論文は、G5Uが「一般的な5成分」のモデルベース散乱パワー分解(観測された行列を、物理的に意味のある散乱の種類に分けて、それぞれの強さを推定する方法です。画像の解釈や分類がしやすくなります。)を実現すると結論づけています。具体的には、2回のユニタリ変換でT23(コヒーレンシ行列の特定の要素で、散乱成分の混ざりや、向きのある構造に関係しやすい値です。これがあるとdouble-bounceとvolumeの分離が難しくなるため、G5Uでは0にします。)を0にしてから、surface、double-bounce、volume、oriented dipole、compound dipoleの5成分に分解します。
ユニタリ変換後の行列に含まれる偏波パラメータをすべて使い切れる（7/7を扱う）ため、変換後の表現に対して「情報を100%使う完全な分解」だと説明されています。

特に重要な点は、T23を0にすることでdouble-bounceとvolumeが互いに影響し合って起きる混ざりを抑え、都市域でよく起こるvolumeの過大推定を減らせると主張していることです。その結果、レーダー視線方向に沿って並ぶ人工物の見分けが良くなります。一方で、直交都市域では他手法と同程度、植生域では7SDなどが有利な場面もある、という位置づけです。これらの改善は、PolSAR画像の分類や対象物の同定に役立つと述べられています。

論文は、G5Uが分類やターゲット同定などのPolSAR応用に有用であり、将来的にはターゲット分類へ拡張できると述べています。具体例として、植生種の分類が挙げられています。
また、周波数の違うデータ（L-band(波長が長めのレーダー周波数帯で、森林の内部まで比較的入り込みやすい特徴があります。地表や幹・枝との相互作用が出やすくなります。)とS-band(L-bandより波長が短めの周波数帯で、森林では主に樹冠付近での散乱が目立ちやすいとされます。周波数差の比較に使われます。)）にG5Uを適用することで、森林での散乱成分の変化を整理でき、電波が森林内部にどれくらい入り込むかの違いの解釈に使える可能性も示唆しています。ただし、より詳しい将来計画や評価手順までは提示されていません。