“2013SARscape干涉雷达桂林培训班”分享之：提高学习（多时相SAR提取水稻种植区）
分享
-
2016-06-27
本章节主要学习多时相SAR数据的处理，处理流程包括图像配准、滤波处理、地理编码和定标、SAR图像分析与水稻种植区提取。
练习数据为8景经过多视处理的强度数据(ENVISAT-1|ENVISAT_IMS|IS2|VV|DESCENDING|SLANT_RANGE)。距离向斜距分辨率为7.80米，方位向分辨率为24.25米，入射角22.88度。成像时间分别为2005年4、5、7、8、9、10、11、12月份，覆盖水稻种植和收割。
1 参数设置
选择一套默认参数/SARscape/Default Values（General），勾选Generate Tiff，其他参数选择默认。
2 图像配准
覆盖同一地区的多幅雷达影像，如要进行时间序列分析、动态监测、多时相滤波处理等，需要进行图像间的配准处理。
配准处理要求是斜距几何，并且各个图像采用相同的接收几何。配准不同于地理编码，地理编码是将每个像素从斜距几何转化为地图投影。
在SARscape中是自动运行的，主要包括以下处理步骤：
(1) 根据轨道参数第一次计算偏移估算；如果没有选择轨道参数或者轨道参数初始化出错时候，会使用一个大的中心窗口估算（central window）；
(2) 自动从参考图像和待配准图像中选择一组子窗体；
(3) 计算两个图像子窗体中相应像素之间的交叉相关函数（cross-correlation function）；
(4) 最大的交叉相关函数表明最适合在方位和距离向上的局部像素偏移，达到亚像元配准精度；
(5) 最后，当输入数据为复数数据的时候，计算出最大的复相干，进一步计算偏移，达到1/100像元精度；否则利用抽样数据进一步计算偏移，达到1/10像元精度。
选择工具/SARscape/Basic/Coregistration，选择一景影像作为参考，其余作为输入影像，SARscape自动选择输出路径和文件名(统一加_rsp后缀)。
图1 SAR图像配准界面
SARscape会自动生成一个索引文件如20050529_pwr_rsp_meta，打开这个文件自动加载8景SAR图像，加载几个图像对比配准后的结果。
图2 打开_meta文件
3 滤波处理斑点噪声
斑点类似类似噪音信号特征，一般产生于相干系统，比如SAR和激光雷达系统。表现为随机的“椒盐”散落在图像上。斑点主要是相干干扰和物体表面散射电磁波（random-walk）总和造成的。这个总和有高有底，取决于物体结构或者相消干涉。这个统计波动（方差）与SAR像素亮度值有关。
将SAR信号数据转换为真实图像之后（聚焦处理）一般会进行多视（非相干平均），能减少一部分斑点。变异系数（如均值/标准差）能很好的标识小范围内异质性的存在，这个促进定义等效视数（Equivalent Number of Looks -ENL）作为斑点滤波的驱动因素：
ENL = mean<sup>2</sup> / std<sup>2</sup>
SARscape提供两大类滤波，用于单波段雷达图像的滤波和多时相雷达图像滤波。本练习中使用多时相雷达图像滤波：De Grandi和Anisotropic Non-Linear Diffusion滤波器。
(1) 选择工具/SARscape/Basic/Filtering/Multi-temporal，输入基准图像和配准结果图像；
(2) 选择De Grandi方法，设置ENL默认：-1
(3) 单击Start，生成20050529_pwr_rsp_fil_meta
图3 多时相雷达图像滤波
如下两图所示，滤波之后斑点减少很多。
图4 滤波前
图5 滤波后结果
4 地理编码和辐射定标
4.1地理编码
SAR系统是测量发射和返回脉冲的功率比，这个比值（主要是后向散射）被投影为斜距几何，分为距离向几何和方位向几何。
图6 距离向平面
不同SAR传感器或不同接收模式，为了更好的对比SAR图像几何和辐射特征，需要将SAR数据从斜距或地距投影转换为地理坐标投影（制图参考系）。
图7 斜距几何与制图参考系转换示意图
地理编码、几何配准、几何校正、正射校正，概念是相似的，就是把SAR图像，无论是斜距几何还是地距几何，转换成地图坐标系，区别在于是否用DEM
l 椭球体地理编码——处理过程不用DEM数据
l 地形地理编码——处理过程需要用DEM
SAR系统会引起非线性畸变，尤其是地形起伏较大的地方，所以就不能像光学影像一样用多项式校正，或者仿射变换转换到参考坐标系，为了对SAR数据进行地理编码，要用到严格的距离-多普勒算法（range-Doppler），并结合传感器和成像特点以及地面形态。
使用距离-多普勒方程，能计算出传感器和每个后向散射像元的关系以及它们的相对速度，不仅考虑了像元的几何亮度同时也考虑了传感器的处理过程，完全重建了成像和几何处理、考虑了地形影响（前视收缩、叠掩）、地球自转的影响以及在多波谱频移和方位向几何的地形高度的影响。
地理编码一般应用反向解法，DEM或椭球体高度是输入的参数，如下图所示。
图8 距离-多普勒方案示意图
4.2 定标
雷达测量的是电磁波脉冲传输和接收的比率，这个比值就叫后向散射。为了对比不同的传感器获取的同一区域影像、或者同一传感器以不同的工作模式获取的影像、或者同一传感器不同时相的数据，需要定标为后向散射值。
辐射定标的基础是雷达方程，散射体的接收功率Pd , 与散射面积的关系:：
图9 雷达方程
根据雷达方程，SAR图像的辐射定标参数主要包括：
l 散射面积（A）：每个输出像元都是恢复的真实的照射面积. 该面积会根据不同的地形和入射角而改变
l 天线增益（G2）The antenna gain pattern (G2): 天线增益的幅度变化的影响，与非定向天线相比，参考DEM和基准高度进行了校正
l 距离引起的损失（R3）: 接收功率要由传播过程中从远到近的距离变化校正
定标的结果可以是以下几种：
– Beta Nought (ß°) 雷达亮度（反射率）系数，在斜距方向每单位面积的反射率单位是无量纲的。这种归一化的优点是不需要入射角（如散射面积A）
– Sigma Nought (so), 后向散射系数，就是通常说的散射体反射回来的雷达强度，单位是dB，Sigma nought的定义是假设入射到水平面， 其差异与入射角、波长、极化、散射体的物理性质有关
– Gamma (g) ，用入射角归一化的后向散射系数
当严格的辐射定标之后，在距离方向的后向散射系数可以很清楚的识别，因为地物反射的能量取决于入射角。而实际上，获取数据的幅宽越大，在距离向的后向散射系数的变化越大，这种变化和散射体的物理特性有关，是不能被校正的。如下图所示，不同颜色代表不同地物类型的后向散射系数，虚线范围内是ENVISAT ASAR数据的表现，可以看到随着入射角的变化而变化。为了均衡这些变化，可以采用如改进的余弦方法相对校正，也就是这里的归一化后向散射系数（g）。
图10雷达反射率（后向散射系数）与入射角的关系
(1) 选择工具/SARscape/Basic/Geocoding/Geocoding;
(2) 输入前面的滤波结果以及SRTM的DEM;
(3) 勾选Radiometric Calibration；
(4) GRID SIZE:25,25
(5) 其他默认参数，单击Start运行。
图11Geocoding and Radiometric Calibration面板
生成的结果同样包括一个ENVI索引文件20050424_pwr_fil_geo_meta，选择RGB: 4/7/10月份彩色合成显示。
图12地理编码和辐射定标后的结果（RGB:4/7/10月份）
5 SAR图像分析与监督分类
本练习使用的8景影像是从4月份到12月份，涵盖了水稻从插秧、抽穗、收割等各个时期。
(1) 选择/SARscape/General Tools/Time Series Analyzer/Raster时序分析工具；
(2) 定位到水稻种植区域；
(3) 在TS Raster Analyzer面板中，单击Plot按钮绘制时序分析曲线。
(4) 如下图所示，可以看到随着不同水稻生长周期，稻田的后向散射系数发生较大的变化，黑龙江一般从5月中旬开始插秧，7月份开始扬花孕穗，10月份水稻成熟。如下图所示，在7月份水稻已经盖住水田，水稻田表面较平整，这个时候后向散射系数最小；10月份水稻成熟，稻穗下垂，稻田表面较粗糙，后向散射系数达到最大。
图13时序分析曲线
我们选择4/7/10月份SAR图像进行RGB彩色合成，10月份稻田后向散射系数大，在图上显示为蓝色。
图14RGB彩色合成
(1) 选择/Classification/Classification Workflow工具；
(2) 在File Selection面板中，选择20050424_pwr_fil_geo_meta，单击Next；
(3) 选择Use Training Data，单击Next；
(4) 在定义样本步骤，分别选择四类样本，主要是提取蓝色区域稻田，其他类型按照颜色区分。单击Next。
(5) 这一步是去除小版块，按照默认参数单击Next。
(6) 输出栅格和矢量结果。
浏览和统计结果，可以快速看到这个地区水稻种植面积和分布情况。
图15样本选择步骤
图16水稻种植面积提取结果与统计
文章来源：http://blog.sina.com.cn/s/blog_764b1e9d0101bo3z.html
练习数据为8景经过多视处理的强度数据(ENVISAT-1|ENVISAT_IMS|IS2|VV|DESCENDING|SLANT_RANGE)。距离向斜距分辨率为7.80米，方位向分辨率为24.25米，入射角22.88度。成像时间分别为2005年4、5、7、8、9、10、11、12月份，覆盖水稻种植和收割。
1 参数设置
选择一套默认参数/SARscape/Default Values（General），勾选Generate Tiff，其他参数选择默认。
2 图像配准
覆盖同一地区的多幅雷达影像，如要进行时间序列分析、动态监测、多时相滤波处理等，需要进行图像间的配准处理。
配准处理要求是斜距几何，并且各个图像采用相同的接收几何。配准不同于地理编码，地理编码是将每个像素从斜距几何转化为地图投影。
在SARscape中是自动运行的，主要包括以下处理步骤：
(1) 根据轨道参数第一次计算偏移估算；如果没有选择轨道参数或者轨道参数初始化出错时候，会使用一个大的中心窗口估算（central window）；
(2) 自动从参考图像和待配准图像中选择一组子窗体；
(3) 计算两个图像子窗体中相应像素之间的交叉相关函数（cross-correlation function）；
(4) 最大的交叉相关函数表明最适合在方位和距离向上的局部像素偏移，达到亚像元配准精度；
(5) 最后，当输入数据为复数数据的时候，计算出最大的复相干，进一步计算偏移，达到1/100像元精度；否则利用抽样数据进一步计算偏移，达到1/10像元精度。
选择工具/SARscape/Basic/Coregistration，选择一景影像作为参考，其余作为输入影像，SARscape自动选择输出路径和文件名(统一加_rsp后缀)。
图1 SAR图像配准界面
SARscape会自动生成一个索引文件如20050529_pwr_rsp_meta，打开这个文件自动加载8景SAR图像，加载几个图像对比配准后的结果。
图2 打开_meta文件
3 滤波处理斑点噪声
斑点类似类似噪音信号特征，一般产生于相干系统，比如SAR和激光雷达系统。表现为随机的“椒盐”散落在图像上。斑点主要是相干干扰和物体表面散射电磁波（random-walk）总和造成的。这个总和有高有底，取决于物体结构或者相消干涉。这个统计波动（方差）与SAR像素亮度值有关。
将SAR信号数据转换为真实图像之后（聚焦处理）一般会进行多视（非相干平均），能减少一部分斑点。变异系数（如均值/标准差）能很好的标识小范围内异质性的存在，这个促进定义等效视数（Equivalent Number of Looks -ENL）作为斑点滤波的驱动因素：
ENL = mean<sup>2</sup> / std<sup>2</sup>
SARscape提供两大类滤波，用于单波段雷达图像的滤波和多时相雷达图像滤波。本练习中使用多时相雷达图像滤波：De Grandi和Anisotropic Non-Linear Diffusion滤波器。
(1) 选择工具/SARscape/Basic/Filtering/Multi-temporal，输入基准图像和配准结果图像；
(2) 选择De Grandi方法，设置ENL默认：-1
(3) 单击Start，生成20050529_pwr_rsp_fil_meta
如下两图所示，滤波之后斑点减少很多。
图4 滤波前
4 地理编码和辐射定标
4.1地理编码
SAR系统是测量发射和返回脉冲的功率比，这个比值（主要是后向散射）被投影为斜距几何，分为距离向几何和方位向几何。
图6 距离向平面
不同SAR传感器或不同接收模式，为了更好的对比SAR图像几何和辐射特征，需要将SAR数据从斜距或地距投影转换为地理坐标投影（制图参考系）。
图7 斜距几何与制图参考系转换示意图
地理编码、几何配准、几何校正、正射校正，概念是相似的，就是把SAR图像，无论是斜距几何还是地距几何，转换成地图坐标系，区别在于是否用DEM
l 椭球体地理编码——处理过程不用DEM数据
l 地形地理编码——处理过程需要用DEM
SAR系统会引起非线性畸变，尤其是地形起伏较大的地方，所以就不能像光学影像一样用多项式校正，或者仿射变换转换到参考坐标系，为了对SAR数据进行地理编码，要用到严格的距离-多普勒算法（range-Doppler），并结合传感器和成像特点以及地面形态。
使用距离-多普勒方程，能计算出传感器和每个后向散射像元的关系以及它们的相对速度，不仅考虑了像元的几何亮度同时也考虑了传感器的处理过程，完全重建了成像和几何处理、考虑了地形影响（前视收缩、叠掩）、地球自转的影响以及在多波谱频移和方位向几何的地形高度的影响。
地理编码一般应用反向解法，DEM或椭球体高度是输入的参数，如下图所示。
4.2 定标
雷达测量的是电磁波脉冲传输和接收的比率，这个比值就叫后向散射。为了对比不同的传感器获取的同一区域影像、或者同一传感器以不同的工作模式获取的影像、或者同一传感器不同时相的数据，需要定标为后向散射值。
辐射定标的基础是雷达方程，散射体的接收功率Pd , 与散射面积的关系:：
图9 雷达方程
根据雷达方程，SAR图像的辐射定标参数主要包括：
l 散射面积（A）：每个输出像元都是恢复的真实的照射面积. 该面积会根据不同的地形和入射角而改变
l 天线增益（G2）The antenna gain pattern (G2): 天线增益的幅度变化的影响，与非定向天线相比，参考DEM和基准高度进行了校正
l 距离引起的损失（R3）: 接收功率要由传播过程中从远到近的距离变化校正
定标的结果可以是以下几种：
– Beta Nought (ß°) 雷达亮度（反射率）系数，在斜距方向每单位面积的反射率单位是无量纲的。这种归一化的优点是不需要入射角（如散射面积A）
– Sigma Nought (so), 后向散射系数，就是通常说的散射体反射回来的雷达强度，单位是dB，Sigma nought的定义是假设入射到水平面， 其差异与入射角、波长、极化、散射体的物理性质有关
– Gamma (g) ，用入射角归一化的后向散射系数
当严格的辐射定标之后，在距离方向的后向散射系数可以很清楚的识别，因为地物反射的能量取决于入射角。而实际上，获取数据的幅宽越大，在距离向的后向散射系数的变化越大，这种变化和散射体的物理特性有关，是不能被校正的。如下图所示，不同颜色代表不同地物类型的后向散射系数，虚线范围内是ENVISAT ASAR数据的表现，可以看到随着入射角的变化而变化。为了均衡这些变化，可以采用如改进的余弦方法相对校正，也就是这里的归一化后向散射系数（g）。
图10雷达反射率（后向散射系数）与入射角的关系
(1) 选择工具/SARscape/Basic/Geocoding/Geocoding;
(2) 输入前面的滤波结果以及SRTM的DEM;
(3) 勾选Radiometric Calibration；
(4) GRID SIZE:25,25
(5) 其他默认参数，单击Start运行。
图11Geocoding and Radiometric Calibration面板
生成的结果同样包括一个ENVI索引文件20050424_pwr_fil_geo_meta，选择RGB: 4/7/10月份彩色合成显示。
图12地理编码和辐射定标后的结果（RGB:4/7/10月份）
5 SAR图像分析与监督分类
本练习使用的8景影像是从4月份到12月份，涵盖了水稻从插秧、抽穗、收割等各个时期。
(1) 选择/SARscape/General Tools/Time Series Analyzer/Raster时序分析工具；
(2) 定位到水稻种植区域；
(3) 在TS Raster Analyzer面板中，单击Plot按钮绘制时序分析曲线。
(4) 如下图所示，可以看到随着不同水稻生长周期，稻田的后向散射系数发生较大的变化，黑龙江一般从5月中旬开始插秧，7月份开始扬花孕穗，10月份水稻成熟。如下图所示，在7月份水稻已经盖住水田，水稻田表面较平整，这个时候后向散射系数最小；10月份水稻成熟，稻穗下垂，稻田表面较粗糙，后向散射系数达到最大。
我们选择4/7/10月份SAR图像进行RGB彩色合成，10月份稻田后向散射系数大，在图上显示为蓝色。
图14RGB彩色合成
(1) 选择/Classification/Classification Workflow工具；
(2) 在File Selection面板中，选择20050424_pwr_fil_geo_meta，单击Next；
(3) 选择Use Training Data，单击Next；
(4) 在定义样本步骤，分别选择四类样本，主要是提取蓝色区域稻田，其他类型按照颜色区分。单击Next。
(5) 这一步是去除小版块，按照默认参数单击Next。
(6) 输出栅格和矢量结果。
浏览和统计结果，可以快速看到这个地区水稻种植面积和分布情况。
图15样本选择步骤
图16水稻种植面积提取结果与统计
文章来源：http://blog.sina.com.cn/s/blog_764b1e9d0101bo3z.html
