标题中的“PolSAR影像的I&Q分量的统计分析”涉及到的是极化合成孔径雷达（Polarimetric Synthetic Aperture Radar, PolSAR）图像处理领域的一个重要概念。PolSAR技术通过捕获目标物体不同极化状态的回波信号，提供丰富的地表信息，广泛应用于地球观测、环境监测、自然灾害预警等领域。I和Q分量是极化数据的基本组成部分，代表了雷达回波的两个正交极化通道。 在PolSAR影像中，I（In-phase）和Q（Quadrature）分量是复数信号在实数坐标系下的表示，它们反映了雷达脉冲的相位差。I分量对应于相位为0度的情况，Q分量对应于90度。通过分析这两个分量，可以获取目标的极化特性，如极化散射矩阵、极化特征向量等。 描述中提到的“生成POlSAR图像中同相和正交相位分量之间相关性的散点图”，这是在进行极化相关性分析。这种分析有助于理解地物的极化行为，散点图可以直观展示I与Q分量之间的关系，揭示地表目标的极化特性变化。通常，这种相关性分析可以通过计算皮尔逊相关系数或者绘制二维直方图来实现。 “Kullback Leiber Divergence (KLD) 值”是一种衡量概率分布差异的非对称度量，也被称作相对熵。在本场景中，KLD被用于评估I和Q分量分布之间的差异。KLD值越小，表示两个分布越接近；越大，则表明分布差异显著。在PolSAR图像处理中，通过计算I和Q分量的KLD值，可以识别地物的极化变化，进一步帮助分类或目标识别。 标签“matlab”表明这些分析是使用MATLAB软件进行的。MATLAB是科学计算的强大工具，拥有丰富的图像处理和统计分析库，适合进行复杂的PolSAR数据分析。在实际操作中，可能需要用到如`scatter`函数创建散点图，`kldiv`函数计算KLD值等MATLAB命令。 在压缩包中的文件“SLC%20IQ%20Correlation.zip”可能包含MATLAB代码、原始PolSAR数据、以及分析结果等，使用者可以通过解压并运行这些代码来复现或扩展上述的统计分析过程。通过这种方式，研究者可以深入理解和探索PolSAR影像中的极化特性，提高遥感数据的解释能力。

Polsar 图像极化分解程序，四成分分解，IDL程序，很有价值的！极化目标分解有Freeman 分解，四成分分解，OEC分解等等，很有研究价值。

PolSARpro_v5.1.3_Win64_20171227

Whitt算法——参考《通用偏振雷达标定技术》 PARC算法——参考《有源雷达校准器偏振SAR标定实验》 Quegan算法——参考《偏振数据相位和串扰标定的统一算法——理论与观测》 Ainsworth算法——参考“保留后验偏振SAR定标的方向角

这本书的作者还是PolSARpro软件的主要开发人员，如果结合着软件来学习的话事半功倍，非常适合做极化雷达研究的进阶读物。

GF3 SAR图像处理软件PolSAR，安装需要PolSARpro6.0安装包，包括Google Earth安装包、ESA-SNAP安装包、GIMP安装包、ImageMagick安装包，以及Convert.exe程序，PolSARproCheckConfigWin64.exe(用来检验PolSAR是否安装完成)-----------------------------------现有GF3 SAR数据在POLSAR的处理教程可供参考，详见：https://blog.csdn.net/gainichengyichongfu/article/details/120318166?spm=1001.2014.3001.5501

去噪声代码matlab POLSAR图像降噪 此回购包含C / Matlab代码，用于极化合成Kong径雷达（POLSAR）图像的超快速噪声滤波算法，如以下论文所述： 崔翠，山口芳男，小林博和和简扬。 “偏振合成Kong径雷达图像的滤波：一种循序渐进的方法。” 在地球科学与遥感研讨会（IGARSS）中，2012 IEEE国际，第3138-3141页。 IEEE，2012年。 可以在中找到使用该代码过滤合成POLSAR图像的演示。 核心函数和用C编写，以利用速度优势。 但是，对于POLSAR社区的大多数用户而言，Matlab函数应该是最简单的API，可以将过滤器应用于清理自己的数据。 下图显示了将滤镜应用于真实POLSAR图像时的示例结果。 左侧是嘈杂的图像，而右侧是经过滤波的图像。 图像大小为2500×2500 。 在中等水平的PC上，过滤如此大的图像仅需0.87秒。 超级快！

改进的多视PolSAR非局部均值滤波算法

根据极化SAR数据形式和乘性噪声模型改进传统双边滤波，使其适用于极化SAR数据的去噪。matlab

PolSAR Ship Detection Based on the Polarmetric Covariance Difference Matrix