InSAR 滤波算法

目录

  • 1.InSAR 滤波原理
  • 2.InSAR 滤波算法
    • 2.1 均值滤波
    • 2.2 Goldstein 滤波
    • 2.3 改进的Goldstein 滤波
    • 2.4 精致 Lee 滤波
    • 2.5 小波滤波
    • 2.6 NL-InSAR 滤波
    • 2.7 InSAR-BM3D 滤波
  • 3.参考文献

在这里插入图片描述

本文由CSDN点云侠原创,爬虫网站请自重。

  InSAR 滤波是InSAR 技术处理中的一个重要环节,它是能进行正确相位解缠和获取高精度 DEM 的保证。

1.InSAR 滤波原理

  干涉相位图由于受系统热噪声、叠掩、遮挡和时相去相干等因素以及在InSAR 技术处理时所产生的噪声因素影响,相干斑点噪声大量存在于干涉相位图中,导致干涉图的相干性不高,周期性不明显,从而对后续处理步骤产生负面影响,因此需要在相位解缠之前对干涉相位图进行滤波处理。相对于普通的光学图像滤波,干涉相位具有圆周期性,干涉相位值位于 ( − π , π ) (−π, π) (π,π)之间,导致相位值的可信度不同,噪声的分布也更为复杂,所以InSAR 滤波主要是针对干涉相位进行滤波。对InSAR 滤波不仅要突出干涉条纹,更多的是要减少相位跳变和干涉图中的残差点,以提高相位解缠的质量。
  根据滤波原理,常用的7种典型 InSAR 滤波算法包括:空域滤波中,均值滤波、精致 Lee 滤波,NL-In SAR 滤波。均值滤波作为 InSAR 滤波算法中最常使用的算法,算法操作简单,容易实现,可有效去除斑点噪声。精致 Lee滤波是在 Lee 滤波的基础上加以改进的,与均值滤波不同,采用非正方形的边界对齐窗内的像素进行加权平均,这种方法弥补了最小均方误差滤波器的一些不足,是相干斑抑
制中最为经典的滤波算法。NL-InSAR 滤波采用非局部图像去噪算法,利用了图像子块间的相似性,较好的利用了图像中的结构信息,因此能够在边缘细节保持上达到更好的效果,而且非局部均值算法大大的扩展了搜索相似点的区域限制,可以在比局部窗口大得多的区域内寻找可以用于滤波的点,提高滤波的效果,是近年来空域滤波中表现较为出色的算法。变换域滤波中,Goldstein滤波通过将干涉图由空间域转换为频率域,然后对频谱幅值做平滑处理,根据噪声和信号属于不同的带宽信号进行滤波,滤波效果较好。但强烈依赖滤波参数,而滤波参数的设定又由经验而定,因此具有很大的主观性,因此改进的 Goldstein滤波根据不同区域相干系数的不同来设定滤波参数,相干系数小的区域则噪声大,滤波参数的值相对而言偏大,相干系数大的区域则噪声小,滤波参数的值相对而言偏小,从而做到了滤波参数的自适应性,滤波效果也很显著。小波滤波是将干涉图从空间域转换到小波域,利用了小波变换良好的时频特性和多分辨率特性,是一种时间窗和频率窗都做改变的时频局部化分析方法。它利用信号和噪声在各频段上频谱特性的不同,有效分离信号中的细节信息和噪声分量,有效地处理非平稳信号,是小波域滤波的典型代表。InSAR-BM3D 滤波结合了非局部和小波变换等滤波,有效地利用局部和非局部冗余,是SAR图像去噪的最新技术。

2.InSAR 滤波算法

2.1 均值滤波

  均值滤波到目前为止还是最常用的InSAR 空域滤波方法之一。其原理是在干涉相位图中取一个滑动窗口,将窗口内的中心像素取平均值,将窗口进行上下滑动,来达到平滑滤波的作用。
其数学表达如下公式所示。
在这里插入图片描述
  其中, ( m , n ) (m,n) (m,n)为窗口中心像素的坐标, A ( i , j ) A(i,j) A(i,j)为原始干涉纹图在 ( i , j ) (i,j) (i,j)处的像素值, c ˉ ( m , n ) \bar{c}(m,n) cˉ(m,n)为平均像素值。
  均值滤波原理简单,容易实现,滤波效果也比较明显,但是由于均值滤波会随着滤波窗口的扩大,导致干涉图的边缘保持度减小,如果滤波窗口过大就会造成干涉条纹被破坏,因此滤波窗口大小的选择需在滤波效果和边缘保持中取得平衡。

2.2 Goldstein 滤波

  Goldstein滤波的原理是将干涉相位图分块,并利用傅里叶变换将干涉相位图变换到频谱域,再对干涉滤波进行平滑处理。在高相干区滤波系数小,滤波强度就小,低相干区滤波系数大,则滤波强度就大。
在这里插入图片描述

  其中, φ ^ ( m , n ) \hat{\varphi}(m,n) φ^(m,n)表示滤波后的相位, S ( u , v ) S(u,v) S(u,v)表示干涉相位图 φ ( m , n ) \varphi(m,n) φ(m,n)频谱,下标 m m m表示平滑处理,|. |表示取模,⊙表示 Hadamard 积, α ∈ [ 0 , 1 ] α ∈ [0,1] α[0,1]表示滤波器参数,一般情况下α取 0.5。

2.3 改进的Goldstein 滤波

  Baran 在原有Goldstein 滤波方法的基础上,引入了干涉相位图对应的相干信息来控制滤波程度的强弱。Goldstein滤波算法在干涉相位图中良好保持了干涉条纹信息的完整性,并在去除噪声方面有着良好表现,但由于干涉相位图中的相位值并不是一成不变的,
在Goldstein 滤波公式中的α取值如果趋向于 0,则没有滤波效果,如果趋向 1,则会出现滤波过度的情况。
  改进的 Goldstein 滤波算法就是利用这一特点进行改进,改进的 Goldstein 滤波算法与 Goldstein 滤波算法的不同是用相干系数均值自适应作为滤波参数。
在这里插入图片描述

  其中, z ( u , v ) z(u,v) z(u,v)是频谱, S ∣ Z ( u , v ) ∣ S{|Z(u,v)|} SZ(uv)是幅值, H ( u , v ) H(u,v) H(u,v)是小块处理之后的频谱, γ ˉ \bar{γ } γˉ为小块干涉图的平均相干值。

2.4 精致 Lee 滤波

  精致 Lee 滤波定义8种非正方形的局部窗口,如图1所示。对于均匀区域,滤波后的像素值等于局部窗口内像素点的均值,而对于非均匀区域,滤波后的像素值近似于局部窗口内中心像素值。
在这里插入图片描述

图1 精致 Lee 滤波定义的边界对齐窗口

  在实际算法中 8 种边界对齐窗口由于边界方向不同,可以看作是 4 种模板,4 种模板分别对应图1中的 0 和 4,1 和 5,2 和 6,7 和 7,8 种边界窗口。
精致 Lee 滤波公式如下所示:

x ^ = y ˉ + b ( y − y ˉ ) (1) \hat{x}=\bar{y}+b(y-\bar{y})\tag{1} x^=yˉ+b(yyˉ)(1)

  其中, x ^ \hat{x} x^是滤波后的值, y y y是观测值, y ˉ \bar{y} yˉ是局部窗口内计算的均值,参数 b b b的计算方法如下式所示:

b = v a r ( x ) v a r ( y ) (2) b=\frac{var(x)}{var(y)}\tag{2} b=var(y)var(x)(2)
代入公式(1)可得如公式(3)所示。
b = v a r ( y ) − y ˉ 2 δ 2 v a r ( y ) ( 1 + δ v 2 ) (3) b=\frac{var(y)-\bar{y}^2\delta^2}{var(y)(1+\delta_v^2)}\tag{3} b=var(y)(1+δv2)var(y)yˉ2δ2(3)
其中, δ v \delta_v δv表示噪声的标准差。
  根据像素点的边缘方向选择相应的一种边界对齐窗,用窗口中白色区域进行滤波,舍弃掉黑色的像素部分。

2.5 小波滤波

  小波滤波是典型的频域滤波。其原理主要是先将干涉相位图通过离散傅里叶变换转换到小波域,低通滤波进行降噪处理,最后利用小波变换将干涉图变换到小波域。把基本小波函数 ψ ( t ) ψ(t) ψ(t) 做位移 τ τ τ后,在不同大小的 a a a下与待滤波信号 x ( t ) x(t) x(t)做内积。
在这里插入图片描述

  与其他InSAR滤波方法比较,小波滤波可以较好地保存干涉图的干涉条纹,保持图像的边缘稳定性,并且可以将乘性噪声转换成加性噪声,可以滤除掉比空间域更多的噪声。

2.6 NL-InSAR 滤波

  NL-InSAR 滤波是利用最大似然估计思想将干涉相位统计特性和非邻域思想相结合的一种空域滤波算法。与传统空域滤波方法不同,NL-InSAR 滤波通过搜索窗口搜索相类似的像素,相似的像素点,相似的像素不再局限于某个局部区域,当前像素的估计值由图像中与它具有相似邻域结构的像素加权得到。
  其主要原理是假设主辅图像为 S 1 、 S 2 S_1、S_2 S1S2,设置主图像的幅度值为 A = ∣ s 1 ∣ A=|s_1| A=s1、辅图像的幅度值为 A ′ = ∣ s 2 ∣ A'=|s_2| A=s2,干涉相位为 ∅ = a r g ( s 1 s 2 ∗ ) ∅ =arg(s_1s_2^*) =arg(s1s2) ,定义 O = ( A , A ′ , ∅ ) O = (A, A', ∅) O=(A,A,)为估计后的幅度图像,相干系数定义为 θ ^ = ( R ^ , β ^ , D ^ ) \hat{\theta} = (\hat{R}, \hat{\beta} , \hat{D} ) θ^=(R^,β^,D^)

  根据两个图像块 ∆ s 、∆ t ∆s、∆t st的相似概率确定两者间的权重 w ( s , t ) w(s,t) w(s,t),如下公式所示:
在这里插入图片描述
  其中 s 、 k s、k sk t 、 k t、k tk分别为图像块 ∆ s 、∆ t ∆s、∆t st中第 k k k个像素。
对相似块较少的图像块进行检测,并计算 S S S像素点的等效视数,如下公式所示。
在这里插入图片描述
  若 L s ^ \hat{L_s} Ls^小于预先设置的阈值 L m i n L_{min} Lmin,则将 A t < 2 A s A_t<2A_s At<2As的两图像块间的权重放入一个向量 W W W中,对 W W W进行降序排列,并对前 L m i n L_{min} Lmin个权值重新赋值,如下公式所示。
在这里插入图片描述
  使用最大似然法对去噪后的幅度图像,干涉相位和相干系数进行估计,如下公式所示。
在这里插入图片描述
重复对进行迭代,至少迭代十次可以达到最佳估计。

2.7 InSAR-BM3D 滤波

  InSAR-BM3D 滤波算法是基于非局部方法的块匹配 BM3D 算法,也是变换域滤波算法之一,是对 BM3D 算法的扩展,是一种先进的SAR去斑降噪算法。
  首先主辅图像对相似块进行分组。相似性度量方法为:
在这里插入图片描述

  其中, θ s \theta_s θs是中心像素为 s s s的目标块的各个像素的相位值, θ t \theta_t θt是中心像素为 t t t的相似块的各个像素的相位值。
在第一次基础估计中目标块和相似块间的距离如下公式所示
在这里插入图片描述
在第二次最终估计中会使用到第一次估计的相似距离如下公式所示。
在这里插入图片描述
  噪声去相关变换,对实部和虚部分别进行滤波,对两者进行适当旋转之后可以去相关。在第一遍基础估计中,使用 2D 双正交小波变换和 1D Haar 小波变换后使用简单的硬阈值进行滤波。
在这里插入图片描述
在第二遍最终估计中使用离散余弦变换和 1D Haar 小波变换后进行维纳滤波,如下公式所示。
在这里插入图片描述
由于分组过程中有像素重叠,所以此时对于原图像中的每个像素都有多个估计值,对这些估计值进行简单的平均得到滤波后的图像。

3.参考文献

[1]宋丹慧. InSAR Filtering Technology and Design and Implementation of DEM Extraction System[D]. 河南大学, 2019.p15-25

本文来自互联网用户投稿,该文观点仅代表作者本人,不代表本站立场。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如若转载,请注明出处:http://www.mzph.cn/news/133843.shtml

如若内容造成侵权/违法违规/事实不符,请联系多彩编程网进行投诉反馈email:809451989@qq.com,一经查实,立即删除!

相关文章

rviz添加qt插件

一、增加rviz plugin插件 资料&#xff1a;http://admin.guyuehome.com/42336 https://blog.51cto.com/u_13625033/6126970 这部分代码只是将上面两个链接中的代码整合在了一起&#xff0c;整合在一起后可以更好的理解其中的关系 1、创建软件包 catkin_create_pkg rviz_tel…

【MySQL】查询语句

文章目录 选择语句 / 子句比较运算符AND&#xff0c;OR&#xff0c;NOT运算符IN运算符BETWEEN运算符LIKE运算符REGEXP运算符 选择语句 / 子句 USE&#xff1a;选择使用的databaseSELECT&#xff1a;选择查询的列FROM&#xff1a;选择查询的表WHERE&#xff1a;条件查询ORDER B…

IntelliJ IDEA 如何修改默认Maven仓库地址

在使用idea过程中&#xff0c;每次新建项目或者打开项目时&#xff0c;maven仓库地址都会变为默认地址。如何修改默认地址&#xff0c;让其保持不变&#xff0c;如下这种方式可以简单快捷的设置。 1.打开idea&#xff0c;取消项目自动加载 2.点击 Customize,然后再点击 All se…

DeepLearning - 余弦退火热重启学习率 CosineAnnealingWarmRestartsLR

欢迎关注我的CSDN&#xff1a;https://spike.blog.csdn.net/ 本文地址&#xff1a;https://spike.blog.csdn.net/article/details/134249925 CosineAnnealingWarmRestartsLR&#xff0c;即 余弦退火热重启学习率&#xff0c;周期性修改学习率的下降和上升&#xff0c;间隔幅度逐…

K7系列FPGA进行FLASH读写1——CCLK控制(STARTUPE2原语)

最近的工作涉及对 FPGA 进行远程更新&#xff0c;也就是通过远程通信接口将 .bin 文件送到 FPGA&#xff0c;然后写入 FLASH&#xff0c;这样当 FPGA 重新上电后就可以执行更新后的程序了。因此第一步工作就是进行 FLASH 的读写控制。 然而如果尝试配置 FLASH 管脚时&#xff0…

Android Datastore 动态创建与源码解析

涉及到的知识点 1、协程原理---->很好的博客介绍&#xff0c;一个小故事讲明白进程、线程、Kotlin 协程到底啥关系&#xff1f; 2、Channel知识点---->Android—kotlin-Channel超详细讲解 3、Coroutines : CompletableDeferred and structured concurrency 封装的DataS…

数学建模比赛中常用的建模提示词(数模prompt)

以下为数学建模比赛中常用的建模提示词&#xff0c;希望对你有所帮助&#xff01; 帮我总结一下数学建模有哪些预测类算法&#xff1f; 灰色预测模型级比检验是什么意思? 描述一下BP神经网络算法的建模步骤 对于分类变量与分类变量相关性分析用什么算法 前10年的数据分别是1&a…

javascript自定义事件的观察者模式写法和用法以及继承

<html><head><meta http-equiv"Context-Type:text/html;charsetutf-8"/><title>自定义事件之观察者模式</title><script type"text/javascript" src"common.js"></script></head><body>&…

avue中 curd的列表配置

说明&#xff1a; avue-crud组件中添加查询条件或者新增的时候&#xff0c;条件为下拉框且接口在curd组件中配置 1. html代码 <template><basic-container><avue-crud:data"dataList":option"option"search-change"searchChange&quo…

代码随想录 Day38 完全背包问题 LeetCode T70 爬楼梯 T322 零钱兑换 T279 完全平方数

前言 在今天的题目开始之前,让我们来回顾一下之前的知识,动规五部曲 1.确定dp数组含义 2.确定dp数组的递推公式 3.初始化dp数组 4.确定遍历顺序 5.打印dp数组来排错 tips: 1.当求取物品有限的时候用0-1背包,求取物品无限的时候用完全背包 结果是排列还是组合也有说法,当结果是组…

【PostgreSql基础语法 】1、增删改查、where、limit、like模糊查询

Shell命令框和Navicat联合使用 一、数据库层面&#xff08;shell命令行&#xff09;二、表格层面&#xff08;Navicat&#xff09;三、增删改查1. 增insert into2. 查询select3. UPDATE 改4. DELETE 删除 四、 关键字1. AND2.OR3. NOT NULL 和 NULL4. LIKE 模糊查询4.1 like查找…

linux boot阶段内存分配(x86)

x86中没有boot memory allocator&#xff0c;是用 memblock 来分配的。 memblock有memory 与reserved两种类型&#xff0c;它们的内存是静态内存&#xff0c;不需要用memblock本身去维护&#xff0c;它们被标记为__initdata_memblock&#xff0c;会在boot结束后&#xff08;fre…

渗透实战靶机2wp

0x00 简介 1、测试环境 目标IP&#xff1a;10.xxxx 测试IP&#xff1a;192.168.139.128 测试环境&#xff1a;win10、kali等 测试时间&#xff1a;2021.7.22-2021.7.22 测试人员&#xff1a;ruanruan 2、测试过程 本次实战主要通过对收集到的端口、目录等信息进行持续整…

润和软件HopeStage与奇安信网神终端安全管理系统、可信浏览器完成产品兼容性互认证

近日&#xff0c;江苏润和软件股份有限公司&#xff08;以下简称“润和软件”&#xff09;HopeStage 操作系统与奇安信网神信息技术&#xff08;北京&#xff09;股份有限公司&#xff08;以下简称“奇安信”&#xff09;终端安全管理系统、可信浏览器完成产品兼容性测试。 测试…

SQLSugar查询返回DataTable

SQLSugar是一个用于执行SQL查询的C#库&#xff0c;它提供了简单易用的API接口来执行SQL查询。要查询返回DataTable&#xff0c;可以使用SQLSugar的QueryHelper类。 以下是一个示例代码&#xff0c;展示了如何使用SQLSugar的QueryHelper类查询返回DataTable&#xff1a; 首先&…

SICP01(待续)

一、Lisp概览 语言&#xff1a;规则本身计算机科学的任务&#xff1a;形式化有关”怎么做“的指令性知识&#xff0c;并付诸实践问题产生&#xff1a;构建大型系统的时候难以管理解决方法&#xff1a;在大系统中控制复杂度的方法也是计算机所关注的注意&#xff1a;计算机中的…

阿里云二级域名绑定与宝塔Nginx反向代理配置

在阿里或者腾讯...各大域名商买好域名&#xff0c;备案解析好&#xff0c;目标URL&#xff0c;是真正的地址&#xff0c;比如一些端口&#xff0c;后者会自动填写。 注意ssl配置好&#xff0c;这里不要带反代端口

vue中异步更新$nextTick

1.需求 编辑标题, 编辑框自动聚焦 点击编辑&#xff0c;显示编辑框让编辑框&#xff0c;立刻获取焦点 2.代码实现 <template><div class"app"><div v-if"isShowEdit"><input type"text" v-model"editValue"…

王道p18 第12题假设 A中的 n个元素保存在一个一维数组中,请设计一个尽可能高效的算法,找出A的主元素。若存在主元素,则输出该元素:否则输出-1

视频讲解在&#xff1a;&#x1f447; p18 第12题 c语言实现王道数据结构课后习题_哔哩哔哩_bilibili 从前向后扫描数组元素&#xff0c;标记出一个可能成为主元素的元素 Num。然后重新计数&#xff0c;确认 Num 是否是主元素。 我们可分为以下两步: 1.选取候选的主元素。依…

【软考:系统集成项目管理】之 项目成本管理

1. 成本管理的过程 制订成本管理计划成本估算成本预算成本控制 2. 过程的输入、输出、工具与技术 过程输入工具与技术输出1. 制订成本管理计划1. 项目管理计划 2. 项目章程 3. 事业环境因素 4. 组织过程资产1. 专家判断 2. 分析技术 3. 会议1. 成本管理计划2. 成本估算1. 成…