Создание готовых к анализу данных Sentinel-1 GRD

Доступно с лицензией Image Analyst.

Снимок с радара с синтезированной апертурой (SAR) Sentinel-1 Level 1 должен быть обработан, прежде чем его можно будет использовать для визуализации или анализа. Среди проблем, которые необходимо решить, - устранение тепловых шумов, калибровка для получения значимой величины обратного рассеяния, устранение спекл-шума, устранение радиометрических и геометрических искажений, а также рендеринг изображений с большим диапазоном значений.

Набор инструментов Радиолокатор с синтезированной апертурой в наборе инструментов Image Analyst содержит восемь инструментов для создания откалиброванных, скорректированных с учетом рельефа местности, готовых к анализу данных изображений на основе данных Sentinel-1 Ground Range Detected (GRD). Для создания готовых к анализу данных Sentinel-1 GRD используются следующие инструменты, как показано на диаграмме ниже:

• Загрузить файл орбиты
• Применить коррекцию орбиты
• Удалить тепловой шум
• Применить радиометрическую калибровку
• Применить радиометрическое сглаживание Terrain
• Фильтрация спекл-шума
• Применить геометрическую коррекцию Terrain
• Конвертировать единицы измерения SAR

Загрузка и использование векторных файлов состояния орбиты

Точность радиометрических и геометрических поправок рельефа зависит от имеющихся векторов состояния орбиты (OSV). Для продукта Sentinel-1 доступны три типа OSV: прогнозируемые, восстановленные и точные. Прогнозируемые OSV предоставляются c вспомогательными продуктами Sentinel-1 Level 1 GRD и SLC, восстановленные OSV доступны через Европейское космическое агентство (ЕКА) в течение трех часов после получения изображения, а точные OSV доступны через ESA в течение трех недель после получения изображения. Рекомендуется обновить OSV до восстановленных или точных, как только они станут доступны.

Инструмент Загрузить файл орбиты позволяет найти и загрузить соответствующий файл OSV. Инструмент Применить коррекцию орбиты использует этот загруженный файл OSV для обновления метаданных продукта Sentinel-1.

Удаление тепловых шумов

Изображения SAR искажаются аддитивным тепловым шумом. Тепловой шум наиболее заметен на изображениях с низким распределением обратного рассеяния, например, в канале с перекрестной поляризацией, который характеризуется более узким распределением обратного рассеяния.

Благодаря режиму сбора данных Sentinel-1, получившему имя Terrain Observation with Progressive Scans (TOPS), тепловые шумы в продуктах Sentinel-1 различаются для отдельных сканирований подзон. Тепловой шум обычно проявляется в виде резкого контраста между сканированиями этих подзон. Инструмент Удалить тепловой шум использует метаданные продукта Sentinel-1 для коррекции теплового шума.

Радиометрическая калибровка

Инструмент Применить радиометрическую калибровку использует метаданные продукта Sentinel-1 для получения значимых значений обратного рассеяния. Радиометрическая калибровка - это процесс преобразования продуктов SAR из цифрового числа пикселов изображения (DN) в физическую величину интенсивности обратного рассеяния SAR на единицу площади. Существует три типа калибровки - бета-ноль (), сигма-ноль () и гамма-ноль (). Тип калибровки определяется площадью единицы измерения, используемой для калибровки.

Бета-ноль показывает отражательную способность радара на единицу площади в наклонной дальности и широко известен как коэффициент яркости радара.

Сигма ноль показывает отражательную способность радара на единицу площади в наземной дальности. Несмотря на то, что сигма-ноль является популярным вариантом описания отражательной способности, использовать его следует с осторожностью. Значения сигма-нуля варьируются в зависимости от угла падения, поэтому у объекта в ближнем диапазоне может быть другое значение сигма-нуля в дальнем диапазоне. При выполнении динамического по времени анализа или при обнаружении изменений с использованием сигма-нуля используйте изображения с того же датчика и с той же геометрией просмотра, чтобы убедиться, что изменения в сигма-нуле вызваны физическими процессами во времени, а не артефактами, возникающими вследствие различий в геометрии просмотра.

Гамма-ноль показывает отражательную способность радара на единицу площади в плоскости, перпендикулярной наклонной дальности. Он нормализуется с использованием угла падения относительно эллипсоида, поэтому обеспечивает значение измерения, не зависящее от диапазона. Если вы хотите использовать значения обратного рассеяния, чтобы отличать уникальные объекты на отдельном изображении, используйте гамма-ноль вместо сигма-ноль. Кроме того, используйте гамма-ноль, если необходимо выполнить динамический во времени анализ или обнаружить изменения с использованием изображений SAR с разных датчиков или разных геометрий обзора (по возрастанию или по убыванию). Гамма-ноль следует использовать в этих типах приложений только в том случае, если местность плоская.

Радиометрическое выравнивание рельефа

Из-за того, что датчики SAR направлены в стороны, объекты, обращенные к датчику, кажутся искусственно ярче, чем объекты, обращенные в сторону от датчика. Инструмент Применить радиометрическое сглаживание Terrain корректирует искусственные радиометрические значения, являющиеся результатом сложной топографии и геометрии обзора датчика.

Учитывая входную ЦМР и входной продукт Sentinel-1 GRD, откалиброванный на бета-ноль, инструмент Применить радиометрическое сглаживание Terrain применит метод ¹ с доплеровским диапазоном для вычисления освещенной области, чтобы получить в результате гамма-ноль со сглаживанием рельефа. Кроме того, вы можете задать сигма-ноль с выравниванием рельефа, который нормализуется с помощью локального угла падения на основе ЦМР.

Дополнительным результатом является имитируемая область рассеяния. Эти выходные данные можно использовать для получения представления о том, какое влияние ландшафт искусственно оказывает на калиброванные данные не сглаженного рельефа.

Другим дополнительным результатом является маска геометрических искажений для определения пикселов, подвергшихся воздействию тени, ракурса, удлинения или расслоения. Выходные данные маски геометрических искажений позволяют маскировать выходные данные гамма-нуля с выравниванием рельефа или сигма-нуля в зависимости от типа геометрического искажения.

Последним дополнительным результатом является растр геометрических искажений, содержащий параметры наклона местности, угла обзора, коэффициента ракурса и локального угла падения. Параметры геометрического искажения позволяют получить данные, которые используются для сглаживания рельефа и определения пикселов, затронутых геометрическими искажениями.

Радиометрическое выравнивание рельефа необходимо выполнять для приложений, интерпретирующих одно изображение на любой местности, или для приложений, сравнивающих несколько изображений с разных датчиков или с одного и того же датчика с разной геометрией обзора над любой местностью.

Фильтрация спекл-шума

Изображения SAR характеризуются зашумленными аномалиями, которые называются спеклами. Это неотъемлемое условие является результатом конструктивного и деструктивного вмешательства сигнала обратного рассеивания. Инструмент Фильтрация спекл-шума предлагает несколько спекл-фильтров, улучшающих отношение сигнал/шум изображения SAR. Доступны спекл-фильтры Lee², Enhanced Lee³, Refined Lee⁴, Frost⁵, Kuan⁶ и Gamma MAP⁷. Эти фильтры зависят от локальной статистики пикселов, чтобы оптимизировать подавление спеклов при сохранении деталей объектов. Чтобы сохранить статистические свойства, необходимые для этих фильтров, рекомендуется применить фильтрацию спекл-шумов перед геометрической коррекцией ландшафта, которая выполнит повторную выборку и перепроецирование данных.

Геометрическая коррекция ландшафта

Поскольку датчики SAR направлены в стороны, объекты, обращенные к датчику, выглядят сжатыми, в то время как объекты, обращенные в сторону от датчика, выглядят растянутыми. Инструмент Применить геометрическую коррекцию Terrain исправляет геометрические искажения, смещая пикселы в их правильное географическое положение.

В инструменте Применить геометрическую коррекцию Terrain используется подход range-Doppler и входная ЦМР для ортотрансформирования входного изображения SAR. Для большинства приложений рекомендуется использовать ЦМР с разрешением, близким к входным данным SAR или превышающим их. Для приложений, в которых ландшафт отсутствует, ввод ЦМР можно не выполнять. Инструмент Применить геометрическую коррекцию Terrain может использовать метод range-Doppler и сетку геолокации из метаданных продукта для того, чтобы ортотрансформировать входное изображение SAR.

Конвертация в децибелы

Заключительным шагом для подготовки готовых к анализу данных является преобразование безразмерной (линейной) интенсивности обратного рассеяния в децибелы (дБ). Инструмент Конвертировать единицы измерения SAR преобразует линейную интенсивность обратного рассеяния в децибелы с помощью простого логарифмического преобразования. Логарифмическое преобразование уменьшает диапазон значений интенсивности обратного рассеяния с целью улучшения визуализации и интерпретации изображения.

Справочная информация

[1] Small, D. 2011. "Сглаживающая гамма: Радиометрическая коррекция ландшафта для изображений SAR."IEEE Transactions on Geoscience and Remote Sensing 49, № 8: 3081 - 3093. DOI: 10.1109/TGRS.2011.2120616.

[2] J. S. Lee. "Улучшение цифровых изображений и фильтрация шумов с использованием местной статистики". IEEE Transactions on Pattern Analysis and Machine Intelligence vol. PAMI-2, no. 2, pp. 165–168, March 1980, DOI: 10.1109/TPAMI.1980.4766994.

[3] A. Lopes, R. Touzi и E. Nezry. "Адаптивные спекл-фильтры и неоднородность сцен". IEEE Transactions on Geoscience and Remote Sensing vol. 28, no. 6, pp. 992–1000, Nov. 1990, DOI: 10.1109/36.62623.

[4] J. S. Lee и E. Pottier. "Polarimetric radar imaging: from basics to applications." CRC press, Dec. 2017.

[5] В. С. Фрост, Дж. А. Стайлз, К. С. Шанмуган и Дж. С. Хольцман. "Модель для радарных изображений и ее применение для адаптивной цифровой фильтрации мультипликативного шума." IEEE Transactions on Pattern Analysis and Machine Intelligence vol. PAMI-4, no. 2, pp. 157–166, March 1982, DOI: 10.1109/TPAMI.1982.4767223.

[6] Д. Т. Куан, А. А. Савчук, Т. К. Стрэнд и П. Чавел. "Adaptive Noise Smoothing Filter for Images with Signal-Dependent Noise." IEEE Transactions on Pattern Analysis and Machine Intelligence vol. PAMI-7, no. 2, pp. 165–177, March 1985, DOI: 10.1109/TPAMI.1985.4767641.

[7] A. Lopes, E. Nezry, R. Touzi, and H. Laur. "Maximum A Posteriori Speckle Filtering And First Order Texture Models In Sar Images." 10-й Ежегодный Международный симпозиум по наукам о земле и дистанционному зондированию, 1990, стр. 2409–2412, DOI: 10.1109/IGARSS.1990.689026.