CN104766279B - ScanSAR海冰图像入射角效应按类校正方法 - Google Patents
ScanSAR海冰图像入射角效应按类校正方法 Download PDFInfo
- Publication number
- CN104766279B CN104766279B CN201510130877.7A CN201510130877A CN104766279B CN 104766279 B CN104766279 B CN 104766279B CN 201510130877 A CN201510130877 A CN 201510130877A CN 104766279 B CN104766279 B CN 104766279B
- Authority
- CN
- China
- Prior art keywords
- image
- value
- sea ice
- incident angle
- average
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Landscapes
- Image Processing (AREA)
- Image Analysis (AREA)
- Radar Systems Or Details Thereof (AREA)
Abstract
本发明公开了一种ScanSAR海冰图像入射角效应按类校正方法,先沿距离向将图像分成若干个图像块,然后对每个图像块进行低级的分类,这个基于图像块的分类是非监督分类,所以只要知道海冰类型的数量信息即可,而不需要详细的海冰信息作为先验知识。然后,将分类后的图像上每条方位线内各海冰类型的后向散射值近似平均分成若干个子集并计算各个均值,当子集数足够多时,每个子集内是近似线性分布的,将方位线上的每个后向散射值映射到参考线上,便可实现按类校正。因为不同传感器采集到的ScanSAR数据的入射角效应影响程度不同,所以本发明考虑了如何选择合适的方位线宽度。
Description
技术领域
本发明涉及遥感图像处理领域中的预处理方法领域,具体是一种ScanSAR海冰图像入射角效应按类校正方法。
背景技术
雷达系统的入射角是指雷达的入射波与相对大地基准线垂直的直线间的夹角。对于宽观测带的雷达系统而言,入射角效应是指雷达的返回波强度在近距端较强,随着入射角角度的增加强度会逐渐减弱的现象,这在遥感图像上表现为在近距端较亮而在远距端较暗。雷达系统在ScanSAR模式下可以在一次扫描中采集到很大范围内的地物信息,但是因为其入射角范围很大,一般在15°-65°之间,所以会存在很明显的入射角效应,影响SAR数据的处理和解译。
已有不少研究提出了ScanSAR图像入射角效应的校正方法,但研究对象都是陆地或树林。对于海冰图像,因为其表面结构简单,所以可以采用已有的某些方法进行校正,或者根据这些方法进行改进后用于校正。Mladenova等(2013)提出了基于直方图匹配(HIST)的方法,该方法可以很好的校正SAR图像,但其前提是根据现有的数据库,从原始图像中提取出各个地物类型,然后对每个类型实现按类校正。因为在实际应用中,只能知道观测目标的数量信息,很难获取详细的地物信息,也不太可能找到合适的数据库,所以该方法无法得到广泛的应用。Menges等(2001)提出的基于查找表(LUT)的方法在没有地物信息的情况下也能得到较好的校正结果,但其需要假设每条方位线内应包含相似的地物类型,该条件在实际应用中也很难满足。这里的方位线是指在遥感图像中沿距离向分布的与方位向平行的条带,是入射角效应校正的基本单元。
发明内容
本发明的目的是提供一种ScanSAR海冰图像入射角效应按类校正方法,旨在更好的校正ScanSAR图像上存在的入射角效应,以解决现有技术存在的问题。
为了达到上述目的,本发明所采用的技术方案为:
ScanSAR海冰图像入射角效应按类校正方法,其特征在于:包括以下步骤:
(1)、基于图像块的分类:沿距离向以5°左右的入射角范围为间隔,将图像分成几个图像块,然后对每个图像块进行低级的非监督分类,合并所有分类后的图像块,得到分类图像;
(2)、选择方位线宽度:对于大多数ScanSAR图像,以1°入射角范围作为方位线宽度,对于入射角效应严重的图像,应适当减小方位线宽度,可小于200像素;
(3)、按类校正:
由上述的分类结果,可提取出每个海冰类型的掩膜图像,用于按类校正,包括以下步骤:
(a)、将每条方位线内同一海冰类型的后向散射值由大到小进行数值排序;
(b)、近似平均的将排序后的后向散射值分成M个子集,计算每个子集的均值,这里M的值不能太大,否则会影响算法的效率,M也不能太小,应保证每个子集内的值是线性分布的;
(c)、在对某个像素点进行校正时,先计算该点的后向散射值与所在方位线内M个均值的距离即二值之差,用k表示与该点距离最近的子集的序号,0<k≤M,则参考线上第k个均值与该均值的比值与这个像素值相乘,便得到该点校正后的值,该过程可用公式(1)表述如下:
公式(1)中表示实际的后向散射值,m0(k)和mref(k)分别表示实际方位线和参考线上的第k个均值,σ°就是校正后的值;
参考线通常选在图像的中间位置附近,因为该位置的不同地物类型的后向散射特性的差异性最大。
与现有技术相比,本发明的有益效果在于:
(1)本发明在实现按类校正前,先对原始ScanSAR图像进行了基于图像块的分类。该分类方法不需要准确的地物信息作为先验知识,而只要知道相关地物的数量信息就可实现。经过该分类过程,才能实现按类校正。
(2)本发明考虑了每条方位线的宽度的选择。实验证明,以1°距离槽作为方位线的宽度可能会得到不连续的图像,而根据具体的ScanSAR图像,适当的缩小方位线宽度,能得到连续平滑的校正图像。
(3)本发明提出的校正方法,因为将每条方位线内的后向散射值分成很多个子集,考虑了更多的细节,所以校正后的图像纹理更清晰。
(4)本发明提供了完整的入射角效应校正流程。
附图说明
图1是本发明提供的存在入射角效应的RADARSAT-2图像。
图2是本发明提供的入射角效应校正后的RADARSAT-2图像。
具体实施方式
ScanSAR海冰图像入射角效应按类校正方法,包括以下步骤:
(1)、基于图像块的分类:要实现按类校正,首先就要对ScanSAR图像进行分类。对于存在入射角效应的ScanSAR图像,入射角度范围一般在15°到65°之间,要一次性进行良好的分类是不可能的。而当入射角范围小于10°时,入射角效应很小可以忽略不计。所以,沿距离向以5°左右的入射角范围为间隔,将图像分成几个图像块,然后对每个图像块进行低级的非监督分类。合并所有分类后的图像块,得到分类图像。
(2)、选择方位线宽度:对于入射角效应不太严重的ScanSAR图像,往往以1°距离槽(入射角范围)作为方位线的宽度,这样在按类校正后可以得到很好的结果。但是当入射角效应比较严重时,就必须考虑缩小方位线宽度,否则会使校正后的图像出现不连续,即每条方位线间不能平滑的拼接。大多数ScanSAR图像在1°入射角范围内(沿距离向)包含200-400个像素,对于入射角效应严重的图像,其方位线宽度应该小于200像素甚至100像素,如ENVISATASAR图像只有在方位线宽度小于35像素时才能得到视觉上连续平滑的校正结果。
(3)、按类校正:
由上述的分类结果,可提取出每个海冰类型的掩膜图像,用于按类校正,包括以下步骤:
(a)、将每条方位线内同一海冰类型的后向散射值由大到小进行数值排序;
(b)、近似平均的将排序后的后向散射值分成M个子集,计算每个子集的均值,这里M的值不能太大,否则会影响算法的效率,M也不能太小,应保证每个子集内的值是线性分布的;
(c)、在对某个像素点进行校正时,先计算该点的后向散射值与所在方位线内M个均值的距离即二值之差,用k表示与该点距离最近的子集的序号,0<k≤M,则参考线上第k个均值与该均值的比值与这个像素值相乘,便得到该点校正后的值,该过程可用公式(1)表述如下:
公式(1)中表示实际的后向散射值,m0(k)和mref(k)分别表示实际方位线和参考线上的第k个均值,σ°就是校正后的值;
参考线通常选在图像的中间位置附近,因为该位置的不同地物类型的后向散射特性的差异性最大。
如图1所示,图1给出了存在入射角效应的RADARSAT-2图像,其入射角范围是23°-44°,大小是3500×7000像素。本实施例应用一种新的ScanSAR图像进行按类校正,其发明过程如下:
(1)基于图像块的分类
要实现按类校正,首先就要对ScanSAR图像进行分类。沿距离向以5°左右的入射角范围为间隔,将图像分成若干个图像块,然后对每个图像块进行低级的非监督分类。合并所有分类后的图像块,得到分类图像。该过程需要知道海冰类型的数量信息。
(2)选择方位线宽度
根据RADARSAT-2图像实际的物理特性,入射角效应不太严重,以1°距离槽(入射角范围)作为方位线的宽度,这样在按类校正后可以得到视觉上平滑的图像。
(3)按类校正
由上述的分类结果,可提取出每个海冰类型的掩膜图像,用于按类校正。
①将每条方位线内同一海冰类型的后向散射值由大到小进行数值排序;
②近似平均的将排序后的后向散射值分成M个子集,计算每个子集的均值,这里M的值不能太大,否则会影响算法的效率,M也不能太小,应保证每个子集内的值是线性分布的;
③在对某个像素点进行校正时,先计算该点的后向散射值与所在方位线内M个均值的距离(即二值之差),用k表示与该点距离最近的子集的序号,则参考线上第k个均值与该均值的比值与这个像素值相乘,便得到该点校正后的值。
该过程可用公式表述如下:
其中表示实际的后向散射值,m0(k)和mref(k)分别表示实际方位线和参考线上的第k个均值,σ°就是校正后的值。
参考线通常选在图像的中间位置附近,因为该位置的不同地物类型的后向散射特性的差异性最大。
由以上发明过程得到的校正结果如图2所示,对于相同类型的海冰,其在远距端和近距端的亮度基本一致,而且图像整体的细节也比校正前更丰富。
以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等,均应包含在本发明的保护范围之内。
Claims (1)
1.ScanSAR海冰图像入射角效应按类校正方法,其特征在于:包括以下步骤:
(1)、基于图像块的分类:沿距离向以5°的入射角范围为间隔,将图像分成几个图像块,然后对每个图像块进行低级的非监督分类,合并所有分类后的图像块,得到分类图像;
(2)、选择方位线宽度:对于大多数ScanSAR图像,以1°入射角范围作为方位线宽度,对于入射角效应严重的图像,应减小方位线宽度,小于200像素;
(3)、按类校正:
由上述的分类结果,可提取出每个海冰类型的掩膜图像,用于按类校正,包括以下步骤:
(a)、将每条方位线内同一海冰类型的后向散射值由大到小进行数值排序;
(b)、近似平均的将排序后的后向散射值分成M个子集,计算每个子集的均值,这里M的值不影响算法的效率,M的值保证每个子集内的值是线性分布的;
(c)、在对某个像素点进行校正时,先计算该点的后向散射值与所在方位线内M个均值的距离即二值之差,用k表示与该点距离最近的子集的序号,0<k≤M,则参考线上第k个均值与该均值的比值与这个像素值相乘,便得到该点校正后的值,该过程可用公式(1)表述如下:
,0<k≤M(1),
公式(1)中表示实际的后向散射值,m0(k)和mref(k)分别表示实际方位线和参考线上的第k个均值,就是校正后的值;
参考线选在图像的中间位置附近,因为该位置的不同地物类型的后向散射特性的差异性最大。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510130877.7A CN104766279B (zh) | 2015-03-24 | 2015-03-24 | ScanSAR海冰图像入射角效应按类校正方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510130877.7A CN104766279B (zh) | 2015-03-24 | 2015-03-24 | ScanSAR海冰图像入射角效应按类校正方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN104766279A CN104766279A (zh) | 2015-07-08 |
CN104766279B true CN104766279B (zh) | 2016-03-30 |
Family
ID=53648091
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510130877.7A Active CN104766279B (zh) | 2015-03-24 | 2015-03-24 | ScanSAR海冰图像入射角效应按类校正方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN104766279B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105137429A (zh) * | 2015-07-29 | 2015-12-09 | 中国科学院电子学研究所 | ScanSAR滚动角估计方法 |
CN108664449B (zh) * | 2018-05-14 | 2021-08-31 | 中国科学院大学 | 溢油油水混合率的估计方法、装置、存储介质及计算设备 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102346249A (zh) * | 2010-07-28 | 2012-02-08 | 中国科学院电子学研究所 | 合成孔径雷达宽测绘带对地观测步进扫描模式的实现方法 |
CN103869296A (zh) * | 2014-01-26 | 2014-06-18 | 中国测绘科学研究院 | 一种基于成像面表征的极化sar地形辐射校正和几何纠正方法 |
-
2015
- 2015-03-24 CN CN201510130877.7A patent/CN104766279B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102346249A (zh) * | 2010-07-28 | 2012-02-08 | 中国科学院电子学研究所 | 合成孔径雷达宽测绘带对地观测步进扫描模式的实现方法 |
CN103869296A (zh) * | 2014-01-26 | 2014-06-18 | 中国测绘科学研究院 | 一种基于成像面表征的极化sar地形辐射校正和几何纠正方法 |
Non-Patent Citations (3)
Title |
---|
ScanSAR模式海冰图像的分割;郎文辉等;《遥感学报》;20140228;第18卷(第1期);132-138 * |
使用多指数模型的SAR海冰图像偏差场校正;郎文辉等;《遥感学报》;20110228;第15卷(第1期);168-172 * |
宽观测带SAR图像入射角效应量化研究与校正;郎文辉等;《遥感学报》;20131031;第17卷(第5期);253-266 * |
Also Published As
Publication number | Publication date |
---|---|
CN104766279A (zh) | 2015-07-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN103559500B (zh) | 一种基于光谱与纹理特征的多光谱遥感图像地物分类方法 | |
CN105868745B (zh) | 基于动态场景感知的天气识别方法 | |
CN102024259B (zh) | 一种菌落自动检测方法 | |
CN105243367A (zh) | 一种基于卫星遥感数据的水体范围监测方法和装置 | |
CN104778701A (zh) | 一种基于rgb-d传感器的局部图像描述方法 | |
CN101930547A (zh) | 一种基于面向对象的无监督分类的遥感影像自动分类方法 | |
CN104504652A (zh) | 一种快速有效保留边缘及方向特征的图像去噪方法 | |
CN104700110A (zh) | 一种基于全极化sar图像的植被覆盖信息提取方法 | |
CN109461132B (zh) | 基于特征点几何拓扑关系的sar图像自动配准方法 | |
CN103578110A (zh) | 基于灰度共生矩阵的多波段高分辨率遥感影像分割方法 | |
CN102902956A (zh) | 一种地基可见光云图识别处理方法 | |
CN110287898A (zh) | 一种光学卫星遥感影像云检测方法 | |
CN101980294A (zh) | 基于遥感图像的黄河凌汛检测方法 | |
CN115797798A (zh) | 基于废弃矿山遥感图像的生态修复效果评估方法 | |
CN109359533A (zh) | 一种基于多波段遥感影像的海岸线提取方法 | |
CN104766279B (zh) | ScanSAR海冰图像入射角效应按类校正方法 | |
CN105469428B (zh) | 一种基于形态学滤波和svd的弱小目标检测方法 | |
CN104484670A (zh) | 基于伪彩色和支持向量机的遥感图像云检测方法 | |
CN104408472A (zh) | 基于Wishart和SVM的极化SAR图像分类方法 | |
CN115880586A (zh) | 基于混合特征网络的卫星遥感影像云雪检测方法 | |
CN102411776A (zh) | 基于统计学和分形维数的机器人视觉图像分割方法 | |
CN113128378B (zh) | 一种指静脉快速识别方法 | |
CN110874825A (zh) | 一种复合绝缘子表面水迹二值图像提取方法 | |
CN103093241B (zh) | 基于同质化处理的光学遥感图像非匀质云层判别方法 | |
CN116029941B (zh) | 一种建筑垃圾的视觉图像增强处理方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
EXSB | Decision made by sipo to initiate substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C14 | Grant of patent or utility model | ||
GR01 | Patent grant |