极化SAR散斑滤波和扩展Sigma滤波器

极化SAR散斑滤波和扩展Sigma滤波器摘要随着具有高清晰度和四极化数据的合成孔径雷达（SAR）技术的进步，我们需要更好和有效的极化SAR图像相干斑滤波器算法。对极化SAR相干斑滤波提出两个要求：1）散斑滤波应只适用于分散媒质，并且强大的硬目标应保持未过滤;2）为了减少相干斑，散射机制保存应被考虑。本文的目的包含两个方面：1），提出一种有效的算法，该算法是被改进的Sigma滤波器的扩展，适用于单极化SAR;2）调查相干斑噪声特性和对具有较高分辨率（分米）单极化SAR图像数据的相干斑噪声滤波器的需求。提出的过滤器是根据考上述两个要求而考虑的。它的有效性已经被JetPropulsion实验室de机载合成孔径雷达数据验证，并与boxcar过滤器，Lee滤波器，Wishart-basednonlocal滤波器做过比较。对于非常高的分辨率极化SAR系统，如德国航空航天中心F-SAR和日本Pi-SAR2，它们具有分米级的空间分辨率，我们发现，复杂的Wishart分布仍然是有效的描述极化SAR斑点特征的分布式，媒相干斑滤波可能需要根据目标大小进行分析。25厘米分辨率的F-SARX波段数据可以解释。关键词：极化SAR，相干斑去噪，高分辨率SAR。介绍极化合成孔径雷达（SAR）（Pol-SAR）的后向散射返回可被描述为三个相关的相干干扰过程的相互作用：HH，VV和HV极化。由于三种极化的相关性，相干斑噪声效应不仅出现在三种强度，而且出现在三个复数相关项上。为了解释的可靠和极化信息的提取，随机的极化变量必须通过平均相关性或协方差矩阵来减少相邻像素。这种数据具有非相干散射的特征形式[1]。它被称为非相干平均，也被称为多视处理，是应用极化SAR必不可少的分析技术，例如Cloude-Pottier特征值和特征向量分解[2]，基于分解的Freeman-Durden模型等[3]。没有足够的非相干平均，导出的参数，如熵，，和各向异性，成为偏见，无法使用。这些偏见的影响的在[4]中已经分析。最常用的极化SAR相干斑滤波器是boxcar滤波器，它具有平均协方差和相关性矩阵的相邻像素。boxcar滤波器的优点在于它的简单性，相干斑减少的有效性，以及计算效率。对于以下应用，如森林生物量，表面粗燥度，土壤水分提取，carbox过滤器是经常的首选算法。当在图像中不包含鲜明的特点和空间分辨率的保存不再被关心时，boxcar滤波器仍是有效的。然而对于一般的应用，使用更复杂技术的相干斑滤波器需要减少斑点噪声，更好地保持空间分辨率和保持散射机制。极化SAR相干斑滤波的目标是减少对斑点噪声级，同时保留1）空间分辨率，2）极化散射特性，3）的统计特性，这类似于多视协方差矩阵的平均或相干矩阵[5]。在本文中，我们将讨论与极化SAR相干斑滤波相关的几个重要问题（见第二部分），并提出了极化SAR滤波算法，它是改进的Sigma滤波器的扩展应用与单通道SAR数据。所提出的极化SAR滤波拥有这些理想的性能。此外，我们将解决相干斑统计的问题和满足高分辨率（分米）极化SAR数据的相干斑滤波要求。结果由具有25厘米分辨率的F-SARX波段数据验证。A.多视协方差及相关性矩阵偏振雷达测量的复杂散射矩阵与四极化的介质[1]。在散射矩阵在线性极化下可表示为其中的Shh是水平传输和接收极化散射系数，而另外三个系数被类似地定义。对于后向散射情况下，SHV=SVH。该极化散射信息可以用一个复数矢量在线性基础或在Pauli基础上表示，定义为：其中上标“T”表示矩阵转置。为了获得从非相干散射更多的散射信息，我们构造N-look协方差矩阵C或一致性矩阵T，其定义为：对于相干斑减少，理想情况是包括大量平均同质区域的像素。通常情况下，极化SAR数据提取多视处理。例如，许多喷气推进实验室（JPL）/机载合成孔径雷达（AIRSAR）数据集都是四看处理。然而，四极化的单视复（SLC）数据在用于保持空间分辨率，更好的极化校准，以及极化SAR干涉方面的应用显得更灵活和有价值。RADARSAT-2和ALOS/PALSAR是生产SLC数据重要星载系统。目前，非常高的分辨率（分米）机载极化SAR系统，如F-SAR和Pi-SAR2，正在使用的是SLC数据。应当指出的是，直接平均散射矩阵不减少相干斑。B.当前的极化SAR相干斑噪声过滤器极化SAR斑点噪声过滤的基本步骤是找到类似的散射特性的像素，然后使用统计估计方法，如简单的平均，最小均方估算等[5]-[12]。具有类似的散射特性的同质化像素的选择是有效性和强大的过滤功能的关键。在Lee极化SAR滤波器[5]，8个边缘被排成一行的窗口被建立，并且最相似的窗口被选中，然后，最小均方估计量（MMSE）被应用。所述算法已被推广到适用于9×9,11×11，比原来7×7的窗口还大。该过滤器在概念上相当简单，保留边缘尤其有效。Vasile等[8]通过区域扩充来选择的像素。大多数去斑技术基于统计估计，而一些专门将极化散射特性考虑在内。比如基于使用无监督分类结果使用的就是基于散射模型的分解[6]，它选择的时同样散射机制的像素（即表面，双弹跳，和体积）。此过程保留每个主导散射机制的像素。近日，“非本地”极化SAR斑点过滤器[9][10]已被开发出来，并且已宣称实验结果成功。这个“非本地”是一个有点让人误导的名字。它可能被容易误解成为本地像素不包括在改滤波器内并且该图像的所有像素，相对于“本地”的像素，分别包含在每个像素的滤波器中。事实上，它是一个使用一个大窗口的局部滤波器，通常为15×15或更大。该滤波器选择像素是基于Conradsen的假设检验[13]，该检验是关于Wishart协方差矩阵之间的相似性的。与要被过滤像素相关联的一个斑点（即一组连接像素）已经建立，在大窗口内相似统计的所有斑点在过滤中被选择和加权。在实践中，该斑点是一个较小的窗口，通常是3×3或5×5的大小，并且中心像素将被过滤。从Conradsen[13]在两个Wishart协方差矩阵之间的相似性测试的统计实验中，下面的实验统计结果（4）由具有协方差矩阵C和D的两个斑点之间的相似性所得到：其中J是在斑点的像素个数，N是数据的外观个数，q=3表示的维协方差矩阵。求和是对斑点中所有的像素。为了过滤斑点C的中心像素，在一个非常大的窗口中，统计计算的所有斑点，如果它们落入预先设定的阈lnHt（参考[9]），他们被选择为相似。然后，被选中斑点的所有中心像素的协方差矩阵被加权平均，生成过滤后的结果。对于包含重复类似图案的SAR图像，如网格城市街区，在斑点中结构相似性得使用可以具有过滤这些区域模糊更少的的优点。然而，一个严重的非局部滤波器的缺点是，它只能适用于多视极化SAR数据与外表大于2的数量。这是因为，检验统计量（4）含有LN|C|和LN|D|，如果C或D的等级小于3，它们就会不确定。甚至旧金山的四视机载SAR数据，大约5％的像素秩小于3，一种新兴的方法就是计算的时候强制单视矩阵对角化（4），但包含单视协方差矩阵在加权平均中。然而，我们发现此过程差强人意，因为高斑点等级使块匹配效率低下。我们将在第五节中详细讨论。其他缺点就是出现过度滤波，这可能消除细节特征，并且该算法的复杂性和计算量，对于目前的星载SAR系统大数据，让人望而却步。举例说明会在后面陈述。C.基于单通道SAR数据的改进Sigma滤波器基于单通道SAR数据的Sigma滤波器，Lee[14]早在1980年以选择同质区域的方式介绍。由于它的简单性，其在散斑减少的有效性以及它的计算效率，LeeSigma过滤器在几个GIS软件被应用。然而，该以下不足已经被发现：1）难以保持平均值，并产生偏颇的结果，特别是如果原始SAR数据视数较小（少于四视数）;2）强大的硬性指标变得模糊和他们的功率也被减小;3）暗斑点的像素没被过滤。为克服这些缺陷，在2007年改进的Sigma滤波器[15]被提出的。偏置补偿和暗像素去除：对于单视SAR数据的振幅和强度，概率分布是远离对称的，因为它们分别遵循瑞利和负指数分布。该不对称将产生有偏估计，如果Sigma范围不适当的被选择。这是因为原始Sigma范围是基于高斯分布被导出。因此，为了去除有偏，Sigma范围基于相应的斑点分布函数进行了重新计算。我们的想法是保存平均值。对于一般情况下平均值的值为1时，增强SAR数据的Sigma范围（I1，I2）在0.5和0.95之间，单视到四视的结果如表Ⅰ所示。我们注意到，由于不对称的概率密度函数（pdfs），间隔（1-I1），I1和平均值1之间，总是比间隔（I2-1）小。Sigma范围，对于任何先验平均值可以很容易地从这些表所计算为（I1·X，I2？x）。原Sigma滤波器中使用移动窗口中的中心像素作为先验均值为x？;由此产生的隔离暗像素的问题，因为Sigma范围是接近零当？X很小时。为了缓解这一问题，一般的3×3可以可以使用为x？;但是，它可能会引入模糊尽管很轻微。改进的Sigma滤波器将应用MMSE[5]，[16]在3×3窗口中估计先验均值？x，它有效较少了孤立暗像素和完善整体斑点过滤效果。基于乘法噪声模型的最小均方滤波器形式为在（5）-（7）中，本地均值Z和局部方差VAR（z）是使用3×3窗口的像素所计算，Var（x）是x的方差，由公式（7）计算。参数ηV是可乘噪音V的标准差，是一个视数的函数。例如，对于单视强度，ηV=1。对于N视SAR数据，ηV为1/√N。先验均值a是由公式（5）得到，或者X=x下获得的。我们应该注意到，MMSE在进行最后滤波中将再次被应用。使用Sigma范围内像素进行滤波：在动态7×7窗口，9×9,11×11或更大窗口内，新Sigma范围内的像素，（I1ΔX，I2？x）在过滤中被包含，其中Sigma范围I1和I2中在表Ⅰ中提到。（5）-（7）中得MMSE滤波器在这里再次应用;然而，本地均值和局部方差使用选择的像素来计算Sigma范围。此外，我们还发现，在（7）中的斑点噪声标准偏差ηV不得不被调整，因为有效pdf的范围被Sigma范围所限制。修订后的？ηV（表I）在这里使用。它的值小与原来的ηV。该数据将被过度平滑处理，如果原来ηV被应用。点目标的保存：点目标和人造结构的签名保存是可行的当用于图像解释和其他应用程序。这些高回归像素一般由双反射散射机制，或直接镜面反射产生。高功率的后向散射目标签名显著不同与那些来自分散媒质。对比与分散媒质的斑点特征，他们被少量的强初级散射所统治。换句话说，他们并不具备典型的斑点特征。因此，他们的处理方式必须不同与分散媒质的后向散射签名。该算法是基于几个聚类像素大小的强散射检测。该算法的第一步是计算将被过滤的所有SAR数据像素的第98百分位数，第98百分位表示为？Z98。如果要过滤的像素的幂大于Z98，我们在3×3窗口中计算这样像素的数目，这也是大于Z98。如果总次数大于一个阈值K，通常设置5至7之间，我们考虑所有这些像素属于强目标，而他们仍然未过滤。然而，尖峰有时会出现在分散媒质，通常不聚集在一起。因此，使用此方法，在分散媒质中的孤立尖峰将被过滤。II．与极化SAR散斑滤波相关问题1）点目标与分布式目标：我们已经提到，来自点目标的强后向散射主要来自少数强初级散射。他们不具备相干斑的典型特征—没有在本质上随机。因此，原则上，斑点过滤行为不应该被应用到强目标，只能针对分布目标区域。强目标不会被过滤或者不同于分布式目标被过滤。由于来自分散媒质的相邻像素的平均，过滤强目标可能会产生模糊。重要问题是如何检测强目标。A方法在改进的Sigma滤波器[15]已实施;然而，它可以通过包括散射特性得到进一步改善。2）基于散射机制的均质像素选择：原则上，对于分布式散射，减少斑点要求平均均质区域内的像素。对于很多的算法，该标准主要从统计的角度基于复杂Wishart分布来看。我们不考虑这是否有足够的同类像素供选择。如果它们不仅在统计特性，而且在极化散射机制上相似，我们认为，这两个像素中的散射特性类似。3）底层反射率的保护：斑点过滤应该保留与散斑效果不相关的小变化。过度滤波可以大大减少散斑等级以