微波遥感原理与应用影像教学实验1

1、微波遥感原理与应用影像教学实验2指导老师： 报告人： 学号：班级：1. 利用BEST获取后向反射系数BEST：基本Envisat SAR工具箱（The Basic Envisat SAR Toolbox）是一组可执行软件工具，旨在便于使用ESA SAR数据。1.1 头文件分析Header Analysis1.2 提取全分辨率图像 Full Resolution Extraction1.3 数据转换振幅数据转换为功率数据Amplitude to power1.4 提取后向散射系数calibration/backscattering image generation1.5 几何校正 geo cor

2、rection1.6 输出图像export backscattering image to Geotif2. 斑点噪声滤波2.1 斑点噪声产生的机理SAR成像系统是基于相干原理的，而这一理论基础存在着原理性缺陷，这个缺陷表现为：在雷达回波信号中，相邻像素点的灰度值会由于相干性而产生一些随机的变化，并且这种随机变化是围绕着某一均值而进行的，这样就在图像中产生了斑点噪声。而斑点噪声的产生是由于SAR成像所基于的相干原理所造成的缺陷，因此是不可避免的。从产生机理上讲，SAR图像中的斑点噪声是由于雷达目标回波信号的衰落现象所引起的。而信号的衰落过程是这样产生的：同时被照射的有多个散射体，当雷达目标和雷

3、达站之间具有相对运动时，这多个散射体与雷达之间具有不同的路程长和不同的径向速度，这使得雷达接收机接收到的信号产生一定的随机起伏，从而使SAR对目标散射系数的测量产生很大的偏差。最终表现在图像上，就产生了不可避免的斑点噪声现象。因此，斑点噪声的不可避免性决定了要想得到高质量的SAR图像，如何有效地抑制斑点噪声是关键所在。2.2 斑点噪声的乘性模型在SAR图像中，斑点噪声是由于信号的衰落引起的，而且通过对SAR图像的观察，人们发现该图像具有这样的特点：在均匀区域，被斑点污染得越厉害的区域，在图像上表现得越亮，因此，人们设想斑点噪声的模型为乘性的。后来通过对SAR图像的统计，对斑点完全发育的SAR图

4、像建立了乘性噪声模型这个模型成为人们研究SAR的基础。完全发育的斑点噪声的概念是由Goodman提出的，斑点噪声只有在每个分辨单元内，必须同时满足下列的三个条件才是完全发育的斑点噪声，而这个三个条件依次为： （1）有大量的散射体，且相位和幅度都统计独立的；（2）不同散射体的幅度服从同一的统计分布；（3）它们的相位是 上的均匀分布。斑点完全发育的区域，表现在图像上，为均匀区域或者是弱纹理区域。在满足完全发育的条件下斑点噪声的乘性模型为： 。其中，(x,y)分辨单元中心像素空间方向和距离方向的坐标；I(x,y)是观察到的图像强度（被斑点污染）；R(x,y)是随机的雷达回波（未被噪声污染）；F(x,

5、y)是衰落过程所引起的斑点噪声过程。并且，随机过程R，F是相互独立的。2.3 SAR影像斑点噪声的抑制方法及结果2.3.1 Sigma滤波Sigma滤波是基于高斯分布的Sigma概率，它通过对滤波窗口内落在中央像素的两个Sigma范围内的像素进行平均来滤除影像噪声。高斯分布的两个Sigma概率是0.955，即高斯分布随机样本的95.5%都落在其均值的两个标准偏差范围内。事先计算出所有灰度级（例如256个灰度级）的Sigma范围，并存储在数组中。对滤波窗口内的中央像素，从数组中提取出Sigma范围值，将窗口内像素与这些上下限进行比较，对落在上下限内的像素进行平均，并用平均值来替代中央像素的值。落

6、在这两个Sigma范围之外的像素将被忽略。如果没有其它窗口像素落在两个Sigma范围内时，引入一个阈值KS，如果落在Sigma范围内的像素总数小于或等于KS时，就用中间像素的四个最近的相邻像素的平均值来替代。2.3.2 Lee滤波在缺乏信号x的精确模型的情况下，使用影像本身从33或其它的滤波窗口内的局域均值z和局域方差var(z)来估计信号的先验均值和方差。根据乘性噪声模型，信号x的先验均值和方差可以这样来估算：假设线性滤波器的形式为 ，这里 ， 。要注意的是必须确保var(x)为非负，如果为负则置var(x)为0，否则可能在影像上引入认为的噪声成分。这一滤波方法的直观解释是，在均匀区域var

7、(x)=0，滤波后的像素值 （窗口内像素的平均值）；对于高反差区域（或边缘），var(x)较大， （像素本身的值）。该滤波器存在一个问题是边缘区域的噪声并没有被平滑。2.3.3 Frost滤波Frost滤波器是特定大小窗口的像素值和指数脉冲响应m卷积的Wiener自适应滤波器： 其中K是滤波器参数， 代表中心像素的位置，|t|是距 的距离。这种响应是由目标反射率的自回归指数模型得到的。Frost滤波器采用的斑点噪声模型采用的形式如下： 。这里 是系统响应函数，“*”为卷积算子。尽管该算法适用于任何系统响应函数，但在通常的应用中，一般假定 为delta函数(例如假定 的功率谱密度在感兴趣的波段宽

8、度上是不变的)。最小均方滤波器形式如下： 。这里t对应于空间域中像素之间的距离。选择脉冲函数m(t)，使下式最小： 。按照频率域中Wiener滤波器的推导，可以容易地找到上式的解： ，。衰减常数的大小取决于x，var(x)和a。在应用中，a取作一个常数，尽管它应当是与具体图像有关的。其他两个量则通过55窗口内像素的局域均值和方差来估计。2.3.4 Gamma MAP滤波对于多视SAR图像，通过假设影像概率密度函数pdf为Gamma分布，应用最大概率（MAP）滤除相干斑噪声，可得到Gamma MAP滤波器：其中，异质参数为 。图像的局域方差系数 。 和 分别表示滤波窗口内图像像素的标准差和均值，

9、相干斑的局域方差系数 ， 时视数。值得注意的是，下式只适用于多视SAR图像，处理单视图像时会存在估计偏差，必须对下式作无偏修正。单视图像的无偏MAP估计为：基于小波分解的阈值滤波 小波阈值主要有两种方法：一种是软阈值(Soft Thresholding)方法，就是将小于某一阈值的小波系数以0来代替，并将大于阈值的小波系数减去阈值作为新的小波系数的值；另一种是硬阈值(Haard Thresholding)方法，就是直接将小于阈值的小波系数用0代替，而大于阈值的值不做处理。软阈值去噪公式为：硬阈值去噪公式为：其中，软阈值的方法适用于小尺度，这是因为噪声集中在小尺度上，采用软阈值可以使其收缩(变小)

10、，减小其在重建的图像中所占的比例，这样就最大限度的减小了噪声的影响。反之，因为在大尺度由于噪声成分相对较少，所以大于阈值的小波系数可以保留不变，这样图像的特征就不会因为小波收缩而被削弱。（硬阈值方法可以很好保留信号边缘等局部特征，但信号会出现整体失真现象；软阈值的处理相对要平滑一点，但可能会造成信号边缘模糊等局部失真现象。因此我觉得在应用的时候，可以将两者结合，取合适的权值。）1）信号和噪声的交点作为阈值 将近似部分经多层分解所得的近似部分视为无噪的信号部分，将细节部分所得的细节部分视为噪声成分。具体步骤为：将影像进行小波分解，做出近似部分经多层分解所得的近似部分和细节部分所得的细节部分的统计

11、曲线图，其交点所对应的横坐标视为阈值；然后进行软、硬阈值。下图为一信号噪声统计曲线图，其中绿色为噪声信号，红色为无噪信号。2）基于小波系数的SOT结构进行滤波如上图，影像通过小波变换后，按其频带从低到高形成一个树状结构，树根是最低频带的结点，它有3个子女，分别位于次低频子带的相应位置；其余子带(最高频子带除外) 的结点都有4个子女，位于高一级子带的相应位置，这样图1中的3级小波分解就形成深度为4的树。基于小波域中SOT结构的相干斑噪声抑制的算法步骤: 选取参数 ，将原始SAR影像进行3次分解，设置相同的阈值 。对分解的所有小波系数，基于SOT在 处设置阈值 。即：以 的系数为根节点，对 、 和 设置阈值（一对一关系）；以 、 和 的系数为根节点，分别对 、 和 设置阈值（一对四关系）；以 、 和 的系数为根节点，分别对 、 和 设置阈值（一对四关系）；进行阈值处理，即对9块系数分别进行阈值处理。进行逆小波变换。附录noisy = ImageDataImpor