【学习笔记】SAR相关概念

1. 基础SAR

—复数据转换

强度/幅度特征是 SAR 影像最主要的特征之一，基于 SAR 强度/幅度影像可以提取地物目标信息，因此需要将 SAR 复数数据转换为 SAR 强度/幅度数据。
复数据转换即可将复数格式数据转换为强度、幅度、相位、实部、虚部等类型。

—多视处理

为提高图像的视觉效果，同时提高对每个像元后向散射的估计精度，需要进行多视处理。 多视处理的目的是抑制斑点噪声，代价是降低分辨率。

自定义视数：设置方位向视数和距离向的视数，多视视数可根据导入数据（xml）中的入射角、距离向分辨率和方位向分辨率计算。保证“距离向分辨率/sin（入射角）”与对应视数的乘积近似等于方位向分辨率与对应视数的乘积即可。

—自适应滤波

SAR 是相干系统，斑点噪声是其固有特性。
均匀的区域，图像表现出明显的亮度随机变化，与分辨率、极化和入射角没有直接关系，属于乘性噪声。斑点噪声是由一个分辨单元内众多散射体的反射波叠加形成的，表现为图像灰度的剧烈变化，即在 SAR 图像同一片均匀的粗糙区域内，有的分辨率单元呈亮点，有的呈暗点，直接影响了 SAR 图像的灰度分辨率，隐藏了 SAR 图像的细节部分，从而给 SAR 图像的解译和定量化应用带来很大困难，严重影响判读和解译。
多视处理可以抑制斑点噪声，但牺牲了图像的空间分辨率。

自适应滤波属于空域滤波算法，它是在图像上取一个滑动窗口，对窗口内的像素进行滤波处理得到窗口中心像素（当前滤波像素）的滤波值。典型的局域自适应滤波器中：

• 一类是 Lee 算法、Frost 算法和 Kuan 算法，都以滑动窗口内像素的均值和方差作为参数，按照一定的估计原则进行滤波；
• 另一类是Sigma 滤波器、Weighting 滤波器和改进 Sigma 方法，将所有与窗口中心像素具有相同分布的像素平均值作为滤波值。

—地理编码

根据卫星下传的姿态轨道数据，对 L1 级图像数据经过几何定位、地图投影和重采样后的数据产品形成 L2 级地理编码产品。
地理编码功能采用基于 RD 定位模型的几何校正处理方法，包括：

• 地理编码椭球校正（geocoding ellipsoid correction, GEC）
• 地理编码地形校正（geocoding terrain correction, GTC）

—斜地距转换

由于雷达装置所测量的距离是目标物到平台一侧的距离（倾斜距离），这导致了真实地 面制图（地面距离）中的失真。假定地形是平坦的，斜地距校正可以将倾斜距离的雷达图像重采样为与地面距离图像中的像元尺寸相同的图像中。

—地形辐射校正

在复杂的山区地形中，由于地表接收的太阳辐射受到地形因素的影响，使得不同坡度、坡向上的像元存在辐射失真问题，增加了地物提取的难度。
通过地形辐射校正，可以减小或者消除地形影响。

—转DB影像

转DB影像功能是输出雷达后向散射系数，计算出对应地物绝对的后向散射值。

2. SAR 平差

—自动匹配

—区域网平差

SAR 影像区域网平差将区域网内多景 SAR 影像联合处理，解算模型定向参数和模型公共点（加密点）地面坐标。
其基本思想是对区域网内的 SAR 影像，利用同名点将相邻影像连接起来，联合区域网内所有影像几何模型，建立区域网平差模型，将各影像上的控制点、影像连接点的像点坐标和地理坐标、各影像的定向参数等观测值联合，按最小二乘原理平差，求解连接点地理坐标和各影像定向参数。

—几何精校正

消除 SAR 影像几何形变的过程称为几何校正。
目前，国内外关于 SAR 影像的几何校正方法主要有：

• 基于Leberl 模型的校正方法、
• 基于Konecny 共线方程的校正方法、
• 基于多项式的校正方法、基于 RPC
• 模型的校正方法、
• 基于模拟 SAR 影像的正射校正方法，
• 以及基于距离-多普勒（R-D）模型的校正方法。

利用 SAR 成像头文件参数，基于几何定位模型，利用地面控制点结合 DEM，进行间接定位并结合 SAR 影像进行重采样生成几何纠正影像。

—镶嵌线编辑

3.干涉 SAR(InSAR/DInSAR)

—配准

配准是指通过平移和旋转将覆盖同一地图的两幅 SAR 影像（主辅影像）的对应像元进行精确匹配的过程。InSAR 配准过程通常采用由粗到精的逐级配准策略。

—干涉图计算

干涉图计算主要是利用精配准后的主、辅影像共轭相乘得到干涉图。干涉条纹越密集，表示此地方的地表高程变化越大，起伏越厉害。为增加干涉图的相干性，可选择进行方位向和距离向频谱滤波处理

—基线计算

基线是干涉测量中的一个关键参数，它既是 SAR 干涉测量成像的基础，又是导致 SAR 图像对去相干的一个重要因素。
空间基线是指对同一地物目标成像时两个卫星之间的距离。在假设两轨道完全平行且 SAR 在零多普勒面成像的理想条件下，两幅 SAR 图像通过精配准后，由于配准精度可以达到亚像素级，因而对同一目标点成像的主辅卫星在方位向的距离差可以忽略不计，认为它们在同一零多普勒面内，即基线矢量位于以方位向为法向量，由距离 向和径向确定的零多普勒平面内。

—去除平地相位

无高程变化的平坦地表也会产生线性变化的干涉相位，这种现象叫作平地效应。平地效应使得产生的干涉条纹过于密集，对相位解缠造成很大困难，因此在对干涉相位图进行滤波和相位解缠前应该首先消除平地效应。
常用的平地相位消除方法主要有：

• 基于轨道参数的数值计算方法：该方法去除的是真正意义上的平地效应，但需要较精确的轨道参数和场景中心位置参数，较大的轨道误差往往还会引入新的干涉条纹，该方法计算量较大；

• 条纹主频率估计法：该方法只需对干涉相位图进行频率域处理，计算量较小，能够满足一般的后续处理要求。

—相干性计算

相干性是SAR 干涉测量中衡量两幅雷达复影像之间相似性程度的指标，一般可以用相干 系数作为标准之一。
SAR 图像在两次成像时，分辨单元内单个散射体位置和后向散射系数不变，雷达视向不变，那么分辨单元的回波将不会变。SAR 干涉就是一种相干处理。

—干涉图滤波

从 SAR 干涉图中得到的干涉相位（即相位主值）分布于整周期主值范围内，要恢复绝对 相位就必须进行相位解缠。时间基线去相干和各种噪声（相干斑噪声、系统热噪声和信号处 理噪声）因素使得去除平地的干涉相位图信噪比降低，严重影响相位解缠的精度和相位解缠 的可靠性。因此，必须在相位解缠前进行干涉相位噪声滤波处理。近十几年来，国际及国内 对干涉相位滤波方面的研究成果较多，滤波从实现方法上主要分为以下两类：一类是传统的 多视处理，以分辨率的牺牲来达到噪声的抑制；另一类是采用数字图像滤波方法，在滤除噪 声的同时尽量保持相位图的细节信息。

多视处理抑制了干涉图中的部分噪声，但是噪声并未消除。为了更好地反演形变，需要 对干涉相位作滤波处理。Goldstein 和 Werner 提出的基于 FFT 变化的功率谱自适应滤波算法 能有效抑制噪声影响，因为干涉相位可被认为是具有一定带宽的信号，而噪声是多频的。以 干涉相位的功率谱作为自适应滤波对象，能增强干涉相位信息。Goldstein 方法表明，它能根据 相干系数进行不同程度的滤波，对于相位平滑、变化较小的地区，滤波效果非常明显，而对于噪 声较多的地区，滤波效果较弱。

—相位解缠

从干涉图中提取的相位差值实际上只是主值，其取值范围为[-π，π]，为了得到真实的相位差，必须在这个范围的基础上加上或者减去 2π 值的整数倍，这个过程称为相位解缠。

—相位转高程

相位转高程主要是根据雷达成像几何关系，将解缠相位转为高程值。在估算出基线、得到解缠相位并拟合出轨道参数后，理论上已经可以重建 DEM 了。在已知精确星历参数的前提下，可直接求解卫星高、侧视角、基线等参数，然后求解高程。在轨道参数不精确的情况下，一般利用地面控制点求解参数。

—坐标转换

坐标转换功能主要是根据查找表，将 DEM 由雷达坐标系转到地图坐标系。利用雷达影 像数据和生成的雷达坐标系的 DEM 数据，基于查找表文件中雷达像元坐标和地理坐标的对 应关系，对雷达坐标系的 DEM 数据进行坐标转换和重采样等运算获取地理坐标系的 DEM 数 据。

—幅度配准

幅度配准主要是将多视幅度图与模拟幅度图配准，生成偏移文件，用于精化查找表。

4.极化 SAR

与普通 SAR 相比，极化合成孔径雷达可提供的地物目标信息量大大增加。早期的 SAR 工作在单一的极化模式之下，具有特定的发射极化通道和特定的接收极化通道，获取目标散射在这种特定的组合之下的幅度信息。其观测值是复数据或者接收功率，这种数据缺乏对于地面目标幅度信息以外的极化特性和相位特性的描述，不能完全获得地物目标对系统所发射电磁波的散射过程的重要信息。为了获得丰富全面的目标散射过程的信息，需要获取其他极化通道下的 SAR 影像，随着电磁波频率的变化，以及目标的结构、形状、尺寸、取向等因素的变化，不同极化通道所发射的电磁波存在差异，导致目标在不同的极化通道下呈现出的散射特性也是变换的。通过矢量测量的方法来获取不同极化状态下的雷达后向散射信息，获得地物目标的幅度、相位、极化等多种信息，全面表征地物目标的电磁极化散射特性。

雷达波束具有偏振性（又称极化）。雷达（电磁波）与目标相互作用时，会使雷达的偏振产生不同方向的旋转，产生水平、垂直两个分量。若雷达波的偏振（电场矢量）方向与地面平行，或垂直于入射面称为水平极化，用 H 表示；若雷达波的偏振方向与地面垂直，或平行于入射面称为垂直极化，用 V 表示。

雷达遥感系统可以用不同的极化天线发射和接收电磁波。经过极化的回波包含了众多极化信息，如幅度、相位和频率等信息。根据这些极化信息，可以得到目标自身的特性，如结构、大小等。极化 SAR 的电磁波都经过了极化处理，根据不同极化方式的组合，可以得到电磁波的四种收发形式：HH（水平发射、水平接收）、HV （水平发射、垂直接收）、VV（垂直发射、垂直接收）和 VH（垂直发射、水平接收）。利用不同极化方式影像的差异，可以更好地观测和确定目标的特性和结构，提高影像的识别能力和精度。

—极化基变换

通过极化基变换，可以将一组极化基下的目标响应变换到任意其他基下的极化响应，使得在原极化域里不易处理的问题，在变换后的新极化域里变得易于处理。极化基变换模块支持将线极化基（H 极化、V 极化）下的极化响应变换到正交线极化基（45°线极化、–45°线极化）、圆极化基（左旋圆极化、右旋圆极化）及任意椭圆极化基下的极化响应。通过极化合成技术获得任意极化状态下的接收功率。

—点目标极化响应

点目标极化响应是利用已知目标的极化散射特性，通过选取收发天线极化状态相同或正交，分别得到描述目标散射特性的共极化特征图和交叉极化特征图。目标的接收功率是入射波极化状态的函数，即入射的极化椭圆率角和极化方位角的函数。当发射和接收天线的极化状态一致时，极化响应称为同极化响应，当它们的极化状态正交时的极化响应称为交叉极化响应，可分为导电球、二面角反射器、三面角反射器、螺旋体和短细棒等几种简单的极化响应。此功能只是个中间分析工具，不影响后续其他处理。
全极化数据导入后的输出文件可作为此功能的输入；此功能的输出文件暂时无法显示，也不作为后续功能的输入。

—极化散射矩阵 S

单极化 SAR 所测量的仅仅是某一种收发极化组合下的地物散射回波信息，而全极化 SAR 是对 4 种收发组合都进行测量，从而得到 4 个通道的 SAR 数据。将这 4 个通道的数据按照一 定的规则进行组合，即可得到极化散射矩阵 S。

—相干矩阵和协方差矩阵

在现实中，雷达观测目标并非为确定性目标，而是随着时间和空间的变化而发生动态变化的分布式目标，且极化散射矩阵 S 只能描述相干或纯散射体，因此对于分布式散射体，为减少斑点噪声影响，通常采用二阶描述子进行描述，将极化散射矩阵 S 转换为极化协方差矩 阵 C3/C4 或极化相干矩阵 T3/T4。相干矩阵和协方差矩阵在现实中，雷达观测目标并非为确定性目标，而是随着时间和空间的变化而发生动态变化的分布式目标，且极化散射矩阵 S 只能描述相干或纯散射体，因此对于分布式散射体，为减少斑点噪声影响，通常采用二阶描述子进行描述，将极化散射矩阵 S 转换为极化协方差矩 阵 C3/C4 或极化相干矩阵 T3/T4。

—极化滤波

极化SAR 相干斑的存在严重降低了影像质量，进而影响后续信息提取与地物解译精度。极化信息不仅包括各通道的功率信息，还包括其通道间的相对相位信息。对于全极化 SAR 数据，相干斑滤波不仅需要分别考虑4个通道（HH、HV、VH、VV）的滤波，还要考虑4个通道之间的相关性。
极化 SAR 滤波方法主要包括：

• 精致极化LEE滤波、
• 极化Box滤波、
• 极化高斯滤波、
• 极化白化滤波等。

—极化分解

极化分解的目的是基于切合实际的物理约束（如平均目标极化信息对极化基变换的不变性）解译目标的散射机制。Huynen 首次明确阐述了目标分解理论。自这一独创性工作开展以来，研究人员相继提出了多个分解方法，主要分为如下四类：
（1）基于 Kennaugh 矩阵 K 的二分量分解方法，包括 Huynen 分解、Holm & Barnes分解、 Yang 分解。
（2）基于散射模型分解协方差矩阵 C3 或相干矩阵 T3 的方法，包括 Freeman & Durden 分解、Yamaguchi 分解、Dong 分解。
（3）基于协方差矩阵 C3 或相干矩阵 T3 特征矢量或特征值分析的方法，包括 Cloude 分 解、Holm 分解、vanZyl 分解、Cloude & Pottier 分解。
（4）基于散射矩阵 S 相干分解的方法，包括 Krogager 分解、Cameron 分解、Touzi 分解。 充分利用极化散射矩阵揭示散射体的散射机理，可有效分离不同散射机制主导的地物类型。

极化分解是基于目标极化特性进行信息提取和目标分类的有效手段。
目前支持的极化分解方法包括 Freeman 分解、Pauli 分解、H/A/Alpha 分解、Yamaguchi 分解、AnYang 分解、 Huynen 分解、Krogager 分解及 Cameron 分解。

5. 图像分类

为从 SAR 图像提取地表覆盖类型等信息，需要对获得的 SAR 图像按照一定的分类系统进行类别属性的分离。

—非监督分类

非监督分类是不加入任何先验知识，利用遥感图像特征的相似性，即自然聚类的特性进行的分类。分类结果区分了存在的差异，但不能确定类别的属性。类别的属性需要通过目视判读或实地调查后确定。
非监督分类包括：

• H/A/Alpha 分类
• Wishart 分类
• IsoData 分类
• K-Means 分类
• 神经网络聚类
• FCM RFCM 等方法。

—监督分类

监督分类是根据已知训练场地提供的样本，通过选择特征参数、建立判别函数，然后把图像中各个像元划归到给定类中的分类处理。

监督分类的基本过程是：

• 首先根据已知的样本类别和类别的先验知识确定判别准则，计算判别函数。
• 然后将未知类别的样本值代入判别函数，根据判别准则对该样本所属的类别进行判定。在这个过程中，利用已知的特征值求解判别函数的过程称为学习或训练。
  常见的监督分类方法：
• Wishart 监督分类
• 距离分类
• 最大似然分类

6.SAR 图像目标检测

—水体提取

陆地水域以镜面散射为主，后向散射能力很弱，而植被、城镇等非水体表面粗糙，对雷达波束具有较强的后向散射能力，因此采用一定的阈值分割方法，当图像的后向散射强度小于阈值时定义为水体，大于阈值时定义为非水体，从而实现水体信息的自动提取。

—海岸线提取

海岸线是海陆图上最重要的地形要素之一，准确提取海岸线具有重大意义。采用阈值法和主动轮廓模型对海岸线进行精确提取。

—舰船检测

舰船检测利用恒虚警率（constant false alarm rate, CFAR）算法进行目标检测，并利用多 特征优化检测结果。

—变化检测

不同地物类型对雷达信号具有不同大小的后向散射能力，通过两期影像的后向散射强度的差值分图分析，利用一定的阈值分割法，提取出差值变化较大的地区，从而实现地表覆盖变化区域的提取。

---

参考资料

PIE遥感图像处理基础教程