sar滤波算法

⑴ 王毅的论文发表

王毅，牛瑞卿，喻鑫等. “基于时间变化的鲁棒各向异性扩散模型”. 自动化学报, 2009, 35(9):1253-1256. (EI)
王毅，张良培，李平湘. “基于自动搜索和光谱匹配技术的训练样本纯化算法”. 武汉大学学报(信息科学版). 2007, 32(3): 216-219. （EI）
张良培，王毅，李平湘. “基于各向异性扩散的SAR图像斑点噪声自适应滤波算法”. 电子学报, 2006, 34(12): 2250-2254.（EI）
王毅，张良培，李平湘. “多光谱遥感图像的自适应各向异性扩散滤波”. 遥感学报, 2005, 9(6): 659-666.
王毅，张良培，李平湘. “基于概率扩散的多光谱遥感图像分类模型”. 中国图象图形学报, 2006, 11(5): 646-651.
王毅，张良培，李平湘. “各向异性扩散平滑滤波的改进算法”. 中国图象图形学报. 2006, 11(2): 210-216.
王毅，张良培，李平湘. “基于最小描述长度原则的各向异性扩散模型”. 中国图象图形学报. 2005, 10(8): 957-963.
吴柯，牛瑞卿，王毅, 杜博. “基于PCA与EM算法的多光谱遥感影像变化检测研究”. 计算机科学，2010, 37(3): 282-284.
沈焕锋, 李平湘, 张良培, 王毅. “图像超分辨率重建技术与方法综述”. 光学技术, 2009, 35(2): 194-203.
沈焕锋, 王毅等. “影像超分辨率重建技术的发展与应用现状”. 测控技术, 2009, 28(6): 5-11.

⑵ 如何用matlab实现SAR成像中SVA算法的编写

第一步是个正问题，主要由硬件完成，第二步是个逆问题，主要由软件完成。
第一个问题的输入f0(x)是地面目标的理想函数，其与发射信号p(t)的联合起来之后得到输c出：回波信号s(t)。
第二个问题的输入是s(t)，通过与p∗(−t)匹配滤波，得到输出f(x)。这个输出就是我们想要的。如何得到f(x)就是我们的核心问题。
理想情况下f(x)=f0(x)，这意味着我们得到了地面目标函数，也即是我们的影像完全真实地反映了地面的情况。但是，这是不可能实现的。不过，通过合理地解这个逆问题，使得f(x)接近f0(x)是成像的关键问题，也是我们不断努力的目标。

⑶ 徐新的专着论文

2014年：
1.Wen Yang, Xiaoshuang Yin, Hui Song, Ying Liu and Xin Xu. Extraction of Built-up Areas From Fully Polarimetric SAR Imagery Via PU Learning, IEEE JSTAR, 2014, 7(4), pp. 1207-1216.
2.Chu He, Bo Shi, Yu Zhang, Xin Xu, Mingsheng Liao, Road Extraction For SAR Imagery Based On The Combination Of Beamlet And A Selected Kernel. IGARSS 2014.
3.Hui Song, Wen Yang, Xin Xu, Mingsheng Liao. Unsupervised PolSAR imagery classification based on Jensen-Bregman LogDet Divergence. EUSAR 2014: Berlin, Germany, June 2014
2013年：
1.Yijin. Peng, J. Y. Chen, X. Xu, F. L., Pu, SAR Images Statistical Modeling and Classification based on the Mixture of Alpha-stable Distributions, Remote Sensing, 2013, 5(5), pp.2145-2163.
2.Y. J. Peng, X. Xu, and H. Song, Alpha-stable distribution for SAR image classification, Remote Sensing Letters, vol.4, no.1, Jan. 2013, pp. 66-75.
3.Nan Zhao, Fangling PU, Xin Xu, Nengcheng Chen, Optimization of multi-channel cooperative sensing in cognitive radio networks, IET Communications, vol.7, Issue 12, Aug. 13, 2013, pp. 1177-1190.
4.Wen Yang, Hui Song, Gui-song Xia, and Xin Xu.On The Mixed Scattering Mechanism Analysis Of Model-Based Decomposition For Polarimetric SAR Data, PIER B, 2013, 52, pp. 327-345.
5.Hui Song, Wen Yang, Xin Xu, and Mingsheng Liao.Data-Driven PolInSAR Unsupervised Classification Using Adaptive Model-Based Decomposition And Shannon Entropy Characterization. PIER B, 2013,49, pp. 215-234.
6.Chu He, Yu Zhang, Bo Shi, Xin Su, Xin Xu and Mingsheng Liao. Weakly supervised object extraction with iterative contour prior for remote sensing images. EURASIP Journal on Advances in Signal Processing, 2013.
7.张宇， 何楚，冯倩，徐新. 结合产生式模型和RCC方法的极化SAR图像分类算法. 哈尔滨工业大学学报. 2013, 45(11), pp.118-124.
2009-2012年：
1.ZHAO, N. and PU, F. and XU, X. and CHEN, N. Cosine-Molated Transceivers for TV White Space Cognitive Access. Chinese Journal of Electronics, 21(2), pp. 362–366, 2012.
2.Y.J. PENG, X. XU, W. B. ZHOU and Y. ZHAO, SAR image classification based on alpha-stable distribution, Remote Sensing Letters, vol. 2, no. 1, Mar. 2011, pp. 51-59.
3.ZHAO, N. and XU, X. and YANG, Y. Sparse Representations for Speech Enhancement. Chinese Journal of Electronics, vol 19(2), pp. 268–272, 2011.
4.Xu Xin, Zhao Yin, Zhou Wanbin, Peng Yijin, SAR Image Denoising Based on Alpha-stable Distribution and Bayesian Wavelet Shrinkage, In Proc. SPIE Vol. 7495. 2009.
5.An Yang, Xin Xu, Yijin Peng, Urban Area Extraction in Airborne SAR imagery based on the Parameter of Distribution, 2nd ASIAN-PACIFIC CONFERENCE ON SYNTHETIC APERTURE RADAR PROCESSINGS, pp. 124–128, Oct. 26 - 30, 2009.
2008年：
1.Xu Xin,Peng Yijing,Zhou Wangbin, SAR Image Restoration based on the Alpha-Stable Prior in The Wavelet Domain, The 9th International Conference on Signal Processing, Volume 2, 1136~1139, 2008.
2.Xu Xin,Zhao Nan,Dong Hang, The Iterated Extended Kalman Particle Filter for Speech Enhancement, The 9th International Conference on Signal Processing, Volume 2, 104~107, 2008.
2005年：
1.徐新，王雁，陈嘉宇，孙洪，基于小波系数统计特征的SAR图像恢复，武汉大学学报（信息科学版），2006, Vol. 31, No.10, 855-861.
2.Yongfeng Cao, Hong Sun, Xin Xu, “An Unsupervised Segmentation Method Based on MPM for SAR Images”, IEEE Geoscience and Remote Sensing Letters, Vol.3, No.1, pp.55-58, January 2005.
3.陈嘉宇，徐 新，孙 洪，管鲍，基于多分辨率统计能级的SAR图像点目标检测，系统工程与电子技术，2005.2,27(2):205-209
4.王青，徐新，管鲍，孙洪，一种基于Bayesian准则和MRF模型的SAR图像滤波方法，武汉大学学报（信息科学版），第30卷，第5期，2005年5月：464-467.
2004年：
1. Xin XU, Deren LI, Hong SUN, Multiscale MRF-based Texture Segmentation of SAR Image, Chinese Journal of Electronics, Vol.13 No.4, 2004，pp671-675
2. 何勇，徐新，孙洪，杨文，机载SAR图像中机场跑道的检测，武汉大学学报（理学版），Vol.50, No.3, 393-396, 2004.
3. 蒋科，徐新，孙洪，沈芸，陈李廷，JPEG2000熵编码模块的FPGA实现，武汉大学学报（理学版） ，Vol.50, No.3, 360-364, 2004
4. 陈嘉宇，徐新，王青，孙洪，“面向目标检测的多极化SAR图像预处理”，微波遥感技术专题研 讨会论文集，2004，17-27.
2003年：
1. Xin XU, Deren LI, Hong SUN, Double Stochastic MRF-based Segmentation of SAR Images, In SPIE AeroSense Symposium, April 21-25, Vol.5095, 126-133, 2003.
2. Xin XU, Deren LI, Hong SUN, “Multiscale SAR Image Segmentation Using a Double Markov Random Field Model”, ISSPA 2003, July 1-4, 2003, Proceedings of Seventh International Symposium on Signal Processing and Its Applications, Vol. 1:349-352.
3. 徐新，孙洪，基于多尺度互熵特征的SAR图像信息提取，卫星有效载荷技术研讨会论文集（ 秘密），2003.12,pp171-177.
4. 杨文，徐新，孙洪，基于SAR图像的目标识别问题研究，卫星有效载荷技术研讨会论文集（ 秘密），2003.12，pp:158-164.
5. 曹永锋, 孙 洪, 徐 新 “基于盆地动力学的图像多级阈值化方法”，信号处理，第19卷，CCSP 2003, pp: 94-97.
2002年以前：
1. 徐新，赵茂泰，朱洁,袁宇正，新型智能化互感器校验仪的研究与实现，武汉测绘科技大学学报，Vol.24, No.1, 86-89,1999年
2. 徐新，廖明生，朱攀,卜方玲，单视数SAR图像Speckle滤波方法的研究，武汉测绘科技大学学报，Vol.24, No.4, 312-315,1999年
3. 徐新，廖明生，卜方玲，一种基于相对标准差的SAR图像Speckle滤波方法,遥感学报, Vol.4, No.3, 214-217, 2000年
4. 卜方玲，徐新，一种基于小波分析的SAR图像斑点噪声滤波算法，武汉大学学报·信息科学版，Vol.26, No.4, 315-319, 2001年
5. F.PU, X.XU, Wavelet-domain Suppression of Speckle in Single-look SAR Image, Vol.4552 SPIE, 237-241,2001
6. Xiaowei LI, Hong SUN, and Xin XU, “A novel speckle filtering technique for SAR image”, 2002 6th International Conference on Signal Processing Proceedings (ICSP02), August 26-30, 2002, Beijing, China, 2002: 788-791

⑷ 基于合成孔径雷达差分干涉测量的地面沉降监测

(一)算法选择与数据处理流程

差分干涉的数据处理流程为:首先获取实验区DEM以及SAＲ干涉影像数据，检查数据是否满足算法要求，然后进行影像配准，计算相干系数并生成干涉图，在方位向上进行5视处理;去除平地相位以及地形相位，对差分干涉图进行滤波，根据成像几何关系，获得沿斜距向的形变信息，并投影到垂直方向，即生成所需的沉降图。

从物理角度上将干涉相位分解，可以写为下式:

退化废弃地遥感信息提取研究

式中:φ_flat为平地效应引起的相位，通过成像几何关系消除平地效应;φ_topo为地形引起的相位;φ_def为最后剩余的形变信号;φ_orb为轨道误差引起的相位，可用精密轨道以减少误差;φ_atm为对流层及电离层延迟引起的相位，天气晴朗的情况下可以忽略;φ_noi为噪声引起的相位，可对干涉图进行平滑去噪处理。

根据地形相位φ_topo的消除方式，差分干涉分为二轨法、三轨法和四轨法。

二轨法使用两幅SAＲ图像以及外部DEM数据(例如SＲTMDEM)，外部DEM数据用来消除地形相位，消除的过程即差分处理。二轨法的优点是不需要对DEM数据进行相位解缠，因此也不会引入与其相关的误差，缺点是得到的形变图分辨率受到DEM数据空间分辨率的影响。

三轨法使用三幅 SAＲ 图像，一主两副。图像1 和图像2 一般时间间隔较短，以保证两次成像期间地表几乎没有变化，形成的第一幅干涉图可近似地认为只含有地形产生的干涉相位，用来消除地形信息，三轨法可用于无 DEM 的区域。然后对图像 1 和图像 3 进行干涉处理，生成包含地形相位以及形变信号的第二幅干涉图，后者与前者的差分即为图像 1和图像 3 之间的位移。

四轨法使用四幅 SAＲ 图像，两主两副。第一幅干涉图与三轨法相同，由图像1 和图像2 生成，不同的是第二幅干涉图用图像 3 和图像 4 生成，减去第一幅干涉图即为图像 3 和图像 4 之间的形变。四轨法类似于三轨法，不同的是地形干涉图与形变干涉图相互独立，选择空间更大，应用更加灵活，常用于有 Tandem 像对的情况。

考虑到数据成本及结果精度，本研究使用二轨法进行矿区沉陷监测。

二轨法数据处理流程如图 6 －15 所示。

图 6 －15 二轨法数据处理流程图

( 二) 影响因素分析

干涉处理中的去相干因素包括时间失相干、空间失相干、数据处理失相干、对流层及电离层影响。因此，总的相干可以表示为:

退化废弃地遥感信息提取研究

1. 时间失相干

很多情况下，星载 SAＲ 顺轨干涉图像的获取时间不同，间隔短则一天，长则数月甚至数年。在此期间，地面可能会发生变化，而任何变化都有可能改变雷达信号的相位及其统计分布，由此引起的相干性减弱甚至消失称为时间失相干。引起时间失相干的主要因素有: 植物生长或因收获、耕作、大风等引起的植被变化; 液体表面的不断运动，例如海洋、湖泊、池塘等，混同于沼泽或者不稳定区; 地面滑坡、地震等突发事件; 人类活动，例如商业中心停车场地在空间上的发展、建筑工程、森林砍伐等引起的其他变化; 降水、冰雪覆盖以及融化等环境变化。简而言之，地表位移以及环境因子是造成时间失相干的主要因素。

假设地表位移为高斯分布，那么相干性可以用散射体的 ＲMS 位移来近似替代 ( Zebker，1994) :

退化废弃地遥感信息提取研究

式中:σ_y和σ_z分别为沿交轨和垂直方向的位移。对于EＲS－1/2C波段卫星，取λ=5.7cm，参考入射角θ=23°，JEＲS－1L波段卫星，λ=23.5cm，参考入射角θ=35°，图6－16和图6－17反映了EＲS卫星及JEＲS－1的水平及垂直ＲMS位移变化与时间失相干的关系。

图6－16 时间失相干与散射体ＲMS位移的关系图(EＲS－1/2)

图6－17 时间失相干与散射体ＲMS位移的关系图(JEＲS－1)

从图 6 －16 和图 6 －17 中可以发现，约 3cm 的 ＲMS 位移足够使得 EＲS －1/2 C 波段的数据完全失相干。JEＲS －1 卫星达到约 10cm 的 ＲMS 位移，才造成完全的时间失相干，其相干性所容许的最大 ＲMS 位移要远远高于 EＲS 卫星，这充分说明 C 波段的雷达波比 L 波段的雷达波对地面变化更加敏感，也可以说同样的 ＲMS 位移 L 波段的雷达波能够保持比 C波段的雷达波更高的相干性。

2. 空间失相干

地面分辨单元内各个散射体回波的矢量和构成了回波振幅和相位。如果两次获取地面图像时几何条件相同，而且散射体的位置没有发生任何变化，那么两次成像振幅和相位相同; 如果几何条件发生变化，例如天线入射角发生了变化，那么回波相位就会发生改变，这种现象即为空间失相干。任何干涉仪都不可避免地会遇到此类问题。

对于 ENVISAT ASAＲ，名义临界基线距为1. 1km。对于 ALOS PALSAＲ，名义临界基线距为12. 6km。假设有效基线长度已知，那么基线导致的空间失相干可由式 ( 6 －14) 计算:

退化废弃地遥感信息提取研究

3. 数据处理失相干

数据处理失相干包括很多方面，例如配准失相干、插值失相干、干涉图滤波以及相位解缠等，一般配准失相干的影响作用最为显着，其他可通过相应的方法来抑制，如果方法不当则会导致配准失败或误差过大。配准过程引入的误差会降低干涉图的相干性，进而引入相位噪声，当配准误差达到 1 个像素，两幅影像将完全不相干。Just 和 Bamler ( 1994)给出了距离向和方位向的配准失相干公式:

退化废弃地遥感信息提取研究

式中:μ_r为配准误差，介于0和1之间。

(三)研究数据与方法

本研究利用二轨法对影像数据进行处理以获取地面沉降信息。首先，利用两幅SAＲ成像时的几何关系，将DEM反演成只含地形信息的干涉图并将其投影到SAＲ影像坐标系下。然后与由两幅SAＲ影像得到的含有地表形变信息的干涉图做差分，从而求得形变信息。由以上分析可知获取精度满足要求的DEM数据是二轨法的关键。2000年2月，美国进行了航天飞机测图任务(SＲTM)，该任务对北纬60°到南纬54°间的广大区域进行了干涉测量，可以提供分辨率30m、高程精度优于16m的覆盖陆地表面80%的DEM数据(图6－18、图6－19)。

研究所用雷达数据为欧洲太空局的ENVISAT－1卫星ASAＲ(AdvancedSyntheticApertureＲadar)合成孔径雷达传感器获取的徐州地区的二景影像数据。SＲTMDEM数据的发布为两通差分干涉测量的广泛应用提供了数据保证。所以本次所用数据为ASAＲ数据产品中成像模式的0级原始数据，产品代码为ASA_IM_0C，以及SＲTMDEM数据提供的高程数据。

图6－18 徐州市DEM平面示意图

图6－19 徐州市沛县附近实验区DEM三维示意图

数据名称如下:

ASA_IM__0CNPDE20090120_022105_000000642075_00404_36029_9461.N1

ASA_IM__0CNPDE20070327_022114_000000792056_00404_26510_1403.N1

N34E116.hgt

N34E117.hgt

从ASAＲ数据的文件名可以看出这两景数据都是N1格式文件，两景影像获得时间分别是2009年1月20号和2007年3月27号，Track(轨迹)号都是404，第一个轨道号是36029，第二个轨道号是26510。通过GAMMA软件处理，把2009年1月20号和2007年3月27号的0级原始数据处理成单视复图像(SLC)，获得的两景影像的垂直基线为271.95m、时间基线665d，在SLC上截取所需要的研究区范围，进行数据处理以获得区域形变量。

(四)徐州市区地面沉降监测

截取了徐州市区影像，范围为北纬34°11ƍ.58″～34°24Ɔ.34″，东径117°23Ƈ.19″～117°17ཬ.62″(图6－20)，以2009年1月20号的影像为主影像(图6－21为强度图)，2007年3月27号的为副影像，对外部DEM进行二轨法分析。

图6－20 徐州市区的地貌图

由图6－22的相干系数图看，整体的相干性比较好，大部分地区的相干系数都大于0.5。由图6－23的沉降图可知，徐州市区存在地面沉降，沉降量达到10mm左右，有的区域的沉降量达到38mm左右。从沉降的分布来看，市区中心的沉降比较小，主要分布在市区中心的外围地区，这也符合了徐州市这个煤矿大城市的地理分布情况，一般徐州市的煤矿远离市区中心，分布在市区中心以外的四周。在图6－24中的①处沉降量较大，达到38mm，结合当地的地理环境分析，附近有大型现代化矿井———庞庄煤矿，该煤矿由庞庄、张小楼三对井口组成，井田面积18.3km²，工业广场面积1.36km²。张小楼新大井成功改扩建以后深度达－1025m，为华东地区第一深井。每年采煤量达到260万t。可能由于每年的采煤以及地下水的不断开采，导致所在地以及周围区域出现了地面沉降的现象，还呈现出向东北沉降的趋势。从图6－24中还可以看到，在庞庄煤矿那一带的沉降比市区中心地带的沉降明显许多，但是整个徐州市的平均沉降量还是比较小的。

图6－21 徐州市区强度图(左右倒置)

图6－22 徐州市区相干系数图(左右倒置)

图6－23 徐州市区沉降图(左右倒置)

图6－24 沉降漏斗(左右倒置)

(五)大屯镇地面沉降监测

大屯镇是徐州市的“十强镇”之一，已探明煤炭储量24亿t，能均衡开采100年，年产原煤1200万t，大屯煤电集团公司坐落于镇区腹地，拥有龙东煤矿、姚桥煤矿、徐庄煤矿和孔庄煤矿，大屯中心区是煤矿城市徐州市的一个典型区域。图6－25是截取的大屯中心区的影像，范围是北纬34°45ུ.78″～34°53ྲྀ.23″，东经116°51ན.46″～117°0Ɖ.27″，由于龙东煤矿不在SLC上，所以截取的范围只包括其他三座煤矿。在图6－26上看到明显的煤矿区，其相干系数很高，一般大于0.6(图6－27)，采用二轨法获取的大屯中心形变图如图6－28所示。

图6－25 大屯中心区的地貌图

图6－26 大屯中心区强度图(左右倒置)

图6－27 大屯中心区相干系数图(左右倒置)

图6－28 大屯中心区形变图(左右倒置)

将差分得到的形变图左右倒置后，可得到大屯中心区的沉降图(图6－29)，从沉降图中可以看出，从2007年3月27日到2009年1月20日共665天的时间跨度里，大屯中心区大部分地区存在着明显的沉降趋势，沉降分布与矿区分布基本一致，姚桥、徐庄、孔庄煤矿都出现了地面沉降，70%以上区域的沉降量大于10mm。图6－29中三角形标示区域为大屯中心区，沉降量最大达到61mm，平均沉降量为3mm，年平均最大沉降累积量达到33.5mm。

图6－29 大屯中心区沉降图

根据上文对大屯中心区基于水准测量的结果可知，到2010 年预计最大累计沉降量将达到753mm，在这五年期间的年平均最大沉降累积量达到30. 6mm，比较水准测量和D-InSAＲ 二轨法监测的结果，两者仅相差2. 9mm，由此可知，用D-InSAＲ 二轨法监测徐州市大屯中心区的年平均最大沉降累积量与水准测量得到的结果具有一致性( 表6 － 15) 。

表6－15 两种监测方法结果的比较单位:mm

随着大屯中心区经济的发展，人口逐渐增多，煤矿资源的不断开采，地面沉降的趋势必然加剧，而地面沉降所带来的城镇防洪抗洪能力降低、地下基础设施破坏等危害，必将影响该地区的生产和生活，造成巨大的经济损失。因此，大屯中心区应合理利用地下水资源，合理地开采煤矿资源，完善地面沉降动态监测系统，尽早采取措施减缓沉降趋势。

⑸ 画面噪声是什么

斑点噪声是SAR成像系统的一大特色，源自基本分辨单元内地物的随机散射，在图像上表现为信号相关（如在空间上相关）的小斑点，它既降低了图像的画面质量，又严重影响图像的自动分割、分类、目标检测以及其它定量专题信息的提取 。
SAR图像斑点噪声的去除一方面要抑制图像均匀区域斑点噪声，另一方面要保持图像边缘和纹理细节信息。SAR斑点噪声的抑制可通过非相干多视处理，也可使用空间域滤波实现。非相干多视处理会降低图像的地面分辨率。因此，涌现出了一系列空间域滤波方法，如均值滤波、中值滤波、Lee滤波、Kuan滤波、Frost滤波、Sigma滤波以及Gamma Map滤波等。但这类算法存在自身无法克服的矛盾：一方面为增强斑点去噪效果需选较大的滤波窗口，另一方面为保持图像的实际分辨率要求所选的窗口较小。

⑹ 微波遥感数据预处理

微波遥感作为一种获取地球表面信息的重要技术手段，已经在国内外得到了广泛的应用和发展。随着人们对遥感应用中定位精度要求的提高，对遥感数据的处理技术也提出了更高、更细的要求，这种要求就是图像数据反映地物辐射特性的真实性和对地球表面几何位置的准确性，它们直接影响遥感技术应用的精度和广度。

（一）辐射标定

原始的SAR数据没有经过严格的辐射标定，因而数据所反映的地物辐射特性与实际地物本身的辐射特性之间存在一定程度的差异。这类SAR图像虽然能够满足一般的定性分析的精度要求，但是在很多实际应用中，往往要对图像进行定量分析，如模式识别、目标分类等。因此为了使SAR数据能够满足定量分析精度的要求，就必须要对其进行辐射标定工作。有关原始SAR图像辐射标定的算法较多，常用的算法是：

1∶25万遥感地质填图方法和技术

式中：I=10 lg（DN_ij）；

σ°——反射系数；

DN_ij——像元（i，j）的灰度值；

K——辐射标定常数；

R_n——像元（i，j）的斜距；

R₀——参考斜距；

a_n——像元（i，j）的入射角；

a₀——参考入射角；

G_sys——被标定SAR图像的系统雷达天线增益；

G_sys0——确定K时的系统雷达天线增益。

辐射标定所需参数都可以直接从原始图像数据头文件中直接或间接获取，标定后的图像将原始图像灰度转换成后向散射系数。利用PCI软件可以完成对雷达数据的辐射标定的处理。

（二）微波图像噪声与斑点的弱化处理

当成像雷达发射的是纯相干波照射到目标时，目标上的随机散射面的散射信号与发射的相干信号之间的干涉作用会使图像产生相干斑点噪声。这种斑点噪声严重干扰了地物信息的提取与SAR图像的应用效果，噪声严重时，甚至可导致地物特征的消失。在图像信息提取时，这一现象往往产生假信息。因此，弱化斑点噪声对SAR图像的应用有着重要意义。

噪声平滑与弱化的最好方法是利用同一地区的不同探测方向的两幅或多幅雷达图像进行振幅或密度的配准和辐射纠正，计算其差值图像，就可以消除雷达数据本身固有的斑点噪声。其他方法还有：

1.主成分分析法

RADARSAT-1 SAR数据的噪声由于其固有性质，在通过主成分变换后噪声往往分布在其中的某一个分量上。通过计算各分量的均值和方差就可以判断哪个分量是以噪声信息为主，而其他分量则为地物的微波散射信息。通常情况下，主成分分析具有以下特征：

（1）主成分分析的数据变换前后的方差总和不变，只是把原来的方差不等量地再分配到新的主成分波段影像中。

（2）第一主成分包含了多波段影像信息的绝大部分，其余主成分信息含量依次减少。

（3）各主成分的相关系数为零，即各主成分所含的信息内容不同。

（4）第一主成分相当于原来各波段的加权和，反映了地物总的反射或辐射强度；其余各主成分相当于不同波段组合的加权差值影像。

（5）第一主成分降低了噪声，有利于细部特征的增强和分析。

（6）对于有些特殊异常的专题信息，往往通过主成分分析后在第二以上主成分影像上得到增强。

对微波遥感数据的主成分分析可以采用不同时相的SAR数据、不同参数的SAR数据或不同方法处理后的同一SAR数据进行主成分变换，可以起到弱化噪声的目的。为不同方法处理后的同一SAR数据进行主成分变换后的SAR数据。

2.中值滤波技术

中值滤波技术由于其原理是建立在像元及其领域的统计特征的基础上，因而也广泛地应用于雷达数据的噪声处理中。对 n×n 大小的滤波核，处理后的中心点的像元值为该滤波核处理前所有像元值的中间值（彩图1-3b）。中值滤波算子的数学公式如下：

1∶25万遥感地质填图方法和技术

式中：X_ij——n×n窗口中的第（i，j）像元的灰度值；

M（X_ij）——n×n窗口中所有像元值的中间值。

3.滤波增强处理

由于散射信号产生的 SAR 图像，受大量“斑点”噪声影响，必须经过滤波预处理。针对雷达数据的固有的倍增噪声特征，设计的滤波算子是基于局部统计及噪声模型信息的，主要包括 Lee滤波、Frost滤波、Kuan 滤波、Gamma Map 滤波和 Average滤波。许多在多光谱数据处理中使用的滤波算子如高通滤波、低通滤波、纹理滤波应用于雷达数据分析往往带入大量的人工信息，针对上述问题，工作中使用以下一些滤波算子。这些算子不仅能较好地滤去高频噪声，而且能较好地保持影像边缘和纹理信息；同时，处理后的图像相对于原始图像具有更好的对比性。尤以 Frost（彩图1-3c）、Lee及其增强滤波算子为佳。

目前常用的滤波有：①Frost自适应滤波；②Lee滤波；③Gamma Map斑点滤波；④Frost自适应增强滤波；⑤Lee增强滤波；⑥Kuan斑点滤波。

⑺ 不同分辨率图像的融合

遥感数据的融合是指采用一种复合模型结构，将不同传感器遥感影像数据源所提供的信息加以综合，以获取高质量的影像信息，同时消除各传感器信息间的信息冗余和矛盾，加以互补，降低其不确定性，减少模糊度，以增强影像中信息清晰度，提高解译精度、可靠性和使用率，以形成对目标相对完整一致的信息描述。

对地质矿产勘查而言，数据的融合目的主要是：①可以明显地改善目标的显示效果，将原始图像中灰色调转化为彩色调；②融合后图像噪声可以很好地被抑制，肉眼对地物判译更加容易；③地物边缘轮廓因彩色更加突出，地物纹理更加清晰。这些很明显可以起到增强岩体、构造的可解性。

目前融合方法有：Lab变换、HIS变换、BROVEY变换、线形复合与乘积运算以及近几年发展起来的小波变换等。这些融合方法在影像的处理上存在有不同偏向，因此要根据不同地物在影像的光谱表现上存在差异，采取不同的处理方法。

（一）微波遥感数据与TM数据融合处理

此次工作所采用的方法为可视化三维动态变换方法。

图1-5 SAR图像灰度拉伸关系图

1.融合前的SAR数据特征增强处理

为了突出SAR数据（彩图1-5a）较高分辨率的优势，在融合前有必要对SAR进行灰度拉伸、纹理增强和细化处理减少噪声等预处理。

（1）灰度线性拉伸

融合之前的拉伸方法不采用非线性拉伸，原因在于经过非线性拉伸后的图像数据，原始灰度值的大小关系会发生变化，产生的灰度扭曲带来了一些含义不明确的伪信息，影响解译。因此，特别强调在增强局部灰度反差时保持原灰度关系的重要性。实验表明，运用直观而简单的线性拉伸方法就可以达到反差增强的效果。其原理如图1-5。

设A₁、A₂为输入图像的嵌位控制值，B₁、B₂为拉伸后图像的最低和最高亮度值。

其输入的图像亮度值A₁—A₂被拉伸为B₁—B₂范围，其中输入亮度0—A₁及A₂—255分别被变换为B₁、B₂，如果B₁=0、B₂=255则拉大了输入图像的动态范围，从而反差得到增强。这是嵌位控制的结果，从而保持了输入图像亮度的线性关系，即没有改变A₁到A₂之间亮度值的大小关系，只是拉开了直方图的动态范围，从而加大了灰度间的差距，增强了影像的细微和突变结构。

（2）纹理能量增强

相邻像元之间亮度值的差异（梯度）可作为纹理的测度。当差异大于一个阈值时，则认为该处存在着要考虑的纹理特征；将此类特征累积统计，则为纹理能量；当局部纹理特征丰富时，则纹理能量大而表现为亮度值高。

SAR图像主要提供的是空间信息，为了使融合后的图像具有较高的空间分辨能力，对SAR图像进行纹理增强及提取是必不可少的。为了突出地貌、线性构造等信息，采用直方图偏度值法。其公式如下：

1∶25万遥感地质填图方法和技术

c（n）是对u进行压缩或拉伸后的值。

利用此纹理值作为权重，对SAR进行高通滤波，可以突出纹理信息。

目前纹理能量增强主要靠模板（3×3、5×5、7×7等）实现，模板推移扫描对每个像元进行增强处理，考虑到增强纹理会带来不必要的噪声，模板的尺寸不易过大，试验表明使用3×3、5×5两个模板的增强效果显着。

2.参与融合的非SAR数据的处理

在融合图像中，参与融合的非SAR数据的贡献就是它们的光谱信息。融合前对它们的处理以彩色增强为主，调整其亮度、色度、饱和度，拉开不同地物之间的色彩反差。对局部纹理的要求不高，有时为了保证光谱色彩，还允许牺牲部分纹理信息来确保融合图像的总体效果。

通常所说的图像增强是一维图像增强，即先在单波段上进行反差增强，然后把增强后的三个波段合成在一起。这种方法在有些地区，由于地表信息接近，波段间的相关性强，合成的图像反差小，色彩不鲜艳。因此，我们在反复试验的实践中，摸索出三维反差增强方法，获得了色彩鲜艳且保留原始影像信息的彩色图像（彩图1-5b）。

三维反差增强技术的实质是，扩大同名点像元在合成的三个波段上的灰度差异，使该同名点合成的色彩鲜艳，达到彩色增强的目的；使图像上不同地物间的微小的灰度差异也能增强成明显的色彩差异，从而达到增强图像信息的效果。这是一种用颜色来突出地质、地理信息的方法，这种方法比单纯用灰度差异突出地质、地理信息更加有效。

实现三维反差增强技术有两个约束条件：其一，增强后的图像同名点像元的灰度值在三个波段上的灰度值仍然保持原来大小的相对关系，也就是说原来灰度值小的增强以后还是小的，原来灰度值大的增强以后还是大的；其二，增强后的图像同名点像元在三个波段上的灰度值之和保持不变，只是同名点像元在三个波段上的灰度值的差异扩大，使彩色合成后的色彩鲜艳、信息丰富并保持原来标准假彩色合成的特点。

为了扩大不同地质体的光谱信息的差异，还可采用波段特征差异光谱加权方法，其算法如下：

设R，G，B为经过三维反差增强后的红、绿、蓝三个彩色分量；R₀，G₀，B₀为输出图像的三个分量；G_b，B_g为波段特征差异；α，β为两个常数。

1∶25万遥感地质填图方法和技术

将生成的三个新分量再进行彩色合成，扩大了地物间的色彩差异，减少了相关性。上述融合方法的最大优点是可以对隔合图像的锐度、灰度、色彩等空间信息分离并进行动态跟踪处理，直到获取满意的结果为止。

（二）不同分辨率多光谱数据融合处理

在干旱裸露地区，利用Landsat TM L7卫星影像制作影像图，与L5不同，L7有一个全色波段 B8，它的空间分辨率为15 m，为了提高图像解译的可识别性，在提高空间分辨率的同时，又充分利用多光谱波段的波谱信息，将L7自身所有的30 m空间分辨率的多光谱波段（彩图1-6a）与15 m分辨率的全色波段进行信息融合，可得到高分辨率的彩色图像（彩图1-6b）。同时我们在植被覆盖试验区，利用高分辨率 SPOT卫星图像（彩图1-6c）与TM图像的多光谱波段进行融合（彩图1-6d），进而提高遥感解译的可靠性，得到 TM图像和SPOT图像的彩色模拟，它的原理是：

首先将两种分辨率的图像进行配准，配准精度应在一个像元以内，我们在干旱裸露试验区进行的四景L7图像配准，最大拟合误差为0.85像元；SPOT图像16景与TM图像的配准误差最大为0.95像元。L7自身配准时纠正函数选择一次多项式，不同传感器图像配准时选择二次多项式。

然后选择的三个波段（干旱裸露试验区：7，4，1；植被覆盖试验区：5，3，2作HIS变换得到三个分量，用高分辨率的图像替代I分量，在进行反变换，重新得到RGB图像。这个模拟图像既有高分辨率图像的较高空间分辨率，又具有彩色图像的光谱信息。

⑻ 最近研究相控阵和SAFT，感觉乱套了。如何将SAFT应用到相控阵中呢

相控阵雷达是相对于传统的雷达机械扫描的创新，即通过扫描的所有信息。合成孔径雷达，或者是不同的，传统的雷达信号处理算法，即，传统的雷达无法进行成像，，特区可以通过特殊的软件目标成像。因此，这两个概念是完全不同的。相控阵雷达就可以了，非常适合发展的合成孔径成像功能，如E8A和F22A有相控阵雷达SAR功能。