sar_image_formation
l波段sar生物量反演 -回复
l波段sar生物量反演-回复波段SAR生物量反演是一种利用合成孔径雷达(SAR)数据来估计生物量的方法。
SAR技术利用微波信号穿透植被,可以提供高分辨率、全天候和全天时的数据。
该技术在农业、林业和生态监测等领域具有广泛应用。
本文将详细介绍波段SAR生物量反演的原理和方法。
一、SAR技术原理合成孔径雷达技术使用的微波信号可以穿透植被并与地面进行相互作用。
植被对微波信号的散射和吸收特性会受到生物量、枝干、叶片形状和密度等因素的影响,因此可以通过分析和解释微波信号的散射特性来获得有关生物量的信息。
二、生物量反演模型为了实现波段SAR生物量反演,需要建立相应的反演模型。
常用的生物量反演模型包括林冠生物量反演模型和农作物生物量反演模型。
1. 林冠生物量反演模型林冠生物量反演模型基于生物物理参数与SAR散射系数之间的关系。
主要参数包括植被类型、枝干粗度、叶片形状和水分含量等。
通过测量林冠特性,结合SAR数据,可以建立林冠生物量反演模型,从而估计森林的生物量。
2. 农作物生物量反演模型农作物生物量反演模型主要基于农作物结构特征和光学/遥感数据之间的关系。
这些结构特征包括农作物高度、植被覆盖度和叶片面积指数等。
通过测量这些农作物特性,并结合SAR数据,可以建立反演模型来估计农作物的生物量。
三、数据获取和处理波段SAR生物量反演需要获取相应的SAR数据和地面观测数据。
SAR数据可以通过卫星或飞机获得,并且可以覆盖较大的区域。
地面观测数据可以通过实地调查或其他遥感数据来获取,用于建立反演模型。
1. SAR数据获取SAR数据可以通过卫星(如Sentinel-1、ALOS-2等)或飞机(如L-band 机载SAR)来获取。
这些数据具有高分辨率和全天时的特点,适用于生物量反演。
2. 地面观测数据获取地面观测数据包括生物量、植被结构和其他环境因素的测量。
这些数据可以通过实地调查和其他遥感数据(如光学影像、高分SAR等)来获取。
SAR成像程序
a=(Sr3(j,:));
c=xcorr(a,b);
maxv=max(c);
index_max=find(c==maxv);
diff=index_max-8*N+diff;
temp2=zeros(1,8*N);
%index_max=zeros(1,8*N);
for i=1:127 %包络对齐
diff=0;
b=(Sr3(i+1,:));
if(i<6)
for j=1:i
a=(Sr3(j,:));
end
diff=floor(diff/5);
end
temp1(diff+1:8*N)=Sr3(i+1,1:8*N-diff);
temp2(diff+1:8*N)=Sr4(i+1,1:8*N-diff);
if(diff~=0)
%for i=1:128
% Sr1(i,:)=fft(Srnm(i,:)).*conj(fft(Srf));
%end
%for i=1:128
% Sr(i,:)=ifft(Sr1(i,:));
%end
%对距离压缩后的信号进行包络对齐
Sr2=zeros(M,N);
y0=25000;
r0=(x0^2+y0^2)^0.5;%目标与雷达的距离
v=50;%目标速度
pr=1.2*Br;
sampr=1/pr;
sn=0:sampr:Tr;
time_acct=r0*theta/v;%成像时间对应的目标运动时间
Ba=1/time_acct;%方位向的多普勒展宽
SAR图像处理及地面目标识别技术研究
SAR图像处理及地面目标识别技术研究SAR图像处理及地面目标识别技术研究随着雷达技术的不断发展,合成孔径雷达(SAR)图像处理及地面目标识别技术引起了广泛关注。
SAR是一种主动雷达,它通过发送脉冲信号并接收返回的回波来获取目标的图像信息。
相比于光学影像,在遥感和军事领域,SAR具有天气无关性及全天候工作的优势,可以提供高分辨率、高质量的图像。
然而,由于复杂的雷达物理过程和大量的干扰,SAR图像处理及地面目标识别面临着许多挑战。
SAR图像处理涉及到对原始数据进行预处理和图像增强,以提高图像质量和目标识别的准确性。
预处理包括多普勒校正、多视图融合和地面杂波抑制等步骤。
在SAR图像中,由于目标和地面散射的不同,会引起多普勒频移现象。
多普勒校正可以通过对SAR数据进行频率分析和相位校正,来消除多普勒频移的影响。
多视图融合技术结合了不同角度和视角的SAR图像,可以提供更全面、更丰富的目标信息。
地面杂波抑制是对SAR图像中的背景杂波进行滤波处理,以凸显目标的边缘和细节。
在SAR图像增强中,常用的方法包括滤波、多尺度变换和图像去噪。
滤波是常用的降噪方法,它可以通过去除图像中的高频噪声,使图像更加清晰。
常见的滤波方法有中值滤波、均值滤波和小波变换滤波等。
多尺度变换可以将SAR图像分解为不同尺度的频带,以获取图像的多尺度信息,从而提高目标的识别能力。
图像去噪技术的目的是减少图像中的噪声,以提高目标的清晰度和辨识度。
去噪方法常用的有小波去噪、自适应邻域滤波和非局部平均去噪等。
地面目标识别是SAR图像处理的一个核心任务,它主要包括目标检测、目标分割和目标识别等过程。
目标检测是在图像中找出可能的目标区域,常用的方法有基于像素值、基于纹理和基于形状的目标检测算法。
目标分割是将图像中的目标与背景进行分离,以便更好地进行识别和分析。
目标识别是将分割后的目标与数据库中的目标进行匹配,从而实现目标的自动识别和分类。
目标识别的方法较为复杂,常用的有基于特征、基于模型和基于机器学习的目标识别算法。
SAR图像相干斑噪声抑制研究
摘要合成孔径雷达(SAR)图像的相干斑噪声严重降低了图像的可解译度,影响了后续目标检测、分类和识别等应用。
SAR图像的相干斑噪声是成像过程中出现的原理性缺陷。
在过去的二十年里,国内外的诸多学者提出了大量抑制图像相干斑噪声的方法。
其中大多数方法是利用一个定义好的滤波器窗口来估计相干斑图像局部噪声方差,然后在局部分别作滤波处理。
结果表明这些方法在均匀的区域内能够大大削减相干斑噪声,而在非均匀区域内图像变得模糊或过于平滑而失去细节信息,降低了图像的空间分辨率,图像的解译性因此变差。
理想的降噪方法是能在很好地保留边缘和细节信息的前提下抑制相干斑噪声。
本论文的研究内容:(1)首先介绍了SAR图像及其噪声的国内外研究动态,然后简述了SAR图像噪声的形成机理。
(2)重点对SAR图像相干斑的抑制算法进行了研究,对经典斑点噪声抑制算法(卷积滤波中的中值滤波;还有基于统计估计理论的Lee滤波算法及其增强算法、Kuan滤波算法、Frost滤波算法、小波滤波算法、均值滤波算法等)进行了原理说明。
(3)对中值滤波、均值滤波还有Lee滤波算法及其增强算法用matlab软件编程实现。
(4)结合实例,将各种算法的处理结果进行了分析和比较,对其效果和优缺点进行了评价。
关键词:合成孔径雷达,噪声抑制,效果评价ABSTRACTThe presence of speckle noise in the synthetic aperture radar (SAR)images。
severely restricts the appl ication of the coherent images.Speckle noise is generated by the coherent processing of radar signals.During the past two decades,many speckle reduction techniques have been developed for removing ospeckle.An ideal algorithm should smooth the speckle without blurred edges and fine detail.But most algorithms cannot satisfy these two demands very well.This paper the research content:(1) First introduced the SAR and the noise of the image research dynamic, then briefly introduced the formation mechanism of the SAR image noise.(2) Focus on studying the algorithm of image noise suppression of SAR spots, introduced the principle of the classic spots noise suppression algorithm ( the convolution filter median filtering, and based on the statistical estimation theory of filter algorithm and its enhancement algorithm Lee Kuan, filter algorithm, Frost filter algorithm, wavelet filter algorithm, average filtering algorithm, etc).(4)The median filtering, average filtering and Lee filter algorithm and its enhancement algorithm using matlab software programming realization.(3) Combined with an example, all with the result of the algorithm is analyzed and compared, evaluated their effects, advantages and disadvantages.Keywords: SAR, Noise inhibition,Effect evaluation目录第一章绪论............................................................................................ 错误!未定义书签。
sar 常用成像算法
sar 常用成像算法SAR(Synthetic Aperture Radar)是合成孔径雷达的缩写,是一种利用雷达技术进行成像的方法。
常用成像算法是指在SAR成像过程中常用的数据处理方法,用于从原始雷达数据中提取目标信息并生成可视化图像。
本文将介绍几种常用的SAR成像算法。
一、Range-Doppler算法Range-Doppler算法是最基础、最常用的SAR成像算法之一。
它通过两个主要步骤来实现成像:距离向(Range)压缩和多普勒向(Doppler)压缩。
首先,进行距离向压缩,将接收到的信号与发射的信号进行相关运算,得到目标在距离上的分布信息。
然后,进行多普勒向压缩,根据目标的运动情况对信号进行频率调整,得到目标在速度上的分布信息。
最后,将两个方向上的信息进行合成,得到最终的成像结果。
二、Chirp Scaling算法Chirp Scaling算法是一种用于高分辨率SAR成像的算法。
它通过对原始SAR数据进行频率调整,实现对目标的高精度成像。
具体而言,该算法通过对接收到的信号进行线性调频,使得距离上的分布信息与目标的距离成线性关系。
然后,对调频后的信号进行快速傅里叶变换,得到目标在频谱上的分布信息。
最后,对频谱信息进行逆变换,得到目标在距离上的高分辨率成像结果。
三、Omega-K算法Omega-K算法是一种用于高分辨率SAR成像的频域算法。
它通过对SAR数据进行快速傅里叶变换,将时域数据转换为频域数据,然后根据目标的运动情况对频域数据进行调整,实现高分辨率成像。
具体而言,该算法通过对频域数据进行插值,使得目标的速度信息与频率成线性关系。
然后,对插值后的数据进行逆傅里叶变换,得到目标在距离上的高分辨率成像结果。
四、Polar Format算法Polar Format算法是一种用于SAR成像的快速算法。
它通过将SAR数据从直角坐标系转换为极坐标系,实现对目标的快速成像。
具体而言,该算法首先将原始SAR数据进行极坐标变换,得到距离和方位两个维度上的数据。
连续波聚束模式sar成像程序
连续波聚束模式SAR成像程序1. 简介合成孔径雷达(Synthetic Aperture Radar,简称SAR)是一种利用雷达原理进行地面成像的技术。
连续波聚束模式SAR成像程序是一种基于连续波雷达信号处理的算法,用于生成高分辨率的SAR图像。
本文将详细介绍连续波聚束模式SAR成像程序的原理、流程以及其中涉及的关键技术。
2. 连续波聚束模式SAR成像原理连续波聚束模式SAR成像原理基于以下几个关键概念:•合成孔径:SAR利用飞行器或卫星的运动形成合成孔径,通过积累多个脉冲回波信号进行成像,从而获得高分辨率的图像。
•多普勒频移:目标在雷达波束中运动引起回波信号频率的变化,称为多普勒频移。
•脉冲压缩:利用信号处理技术将发射的宽带信号压缩成窄带信号,以提高距离分辨率。
•目标散射特性:目标的散射特性包括反射系数、散射模式等,对SAR成像有重要影响。
根据以上原理,连续波聚束模式SAR成像程序的流程如下:1.数据采集:通过雷达系统采集连续波信号的回波数据。
2.多普勒校正:根据雷达平台的运动信息,对回波数据进行多普勒频移校正,使得回波信号在距离方向上保持相干。
3.脉冲压缩:对校正后的回波信号进行脉冲压缩,提高距离分辨率。
4.聚束形成:将脉冲压缩后的信号进行聚束形成,得到目标的二维散射系数矩阵。
5.图像生成:根据散射系数矩阵,利用成像算法生成SAR图像。
3. 连续波聚束模式SAR成像程序的关键技术3.1 多普勒校正多普勒校正是连续波聚束模式SAR成像程序中的关键步骤之一。
多普勒频移是由于目标在雷达波束中运动引起的,若不进行校正,会导致成像结果模糊。
多普勒校正的过程包括以下几个步骤:1.根据雷达平台的运动信息,计算目标的多普勒频移。
2.对回波数据进行相位校正,将回波信号的相位进行补偿,使得信号在距离方向上保持相干。
3.对相位校正后的信号进行幅度补偿,以消除多普勒频移引起的幅度变化。
3.2 脉冲压缩脉冲压缩是连续波聚束模式SAR成像程序中的另一个关键步骤。
SAR图像
SAR图像1. 简介Synthetic Aperture Radar(SAR)是一种主动雷达技术,通过接收并分析目标回波信号来获取地面或其他目标的高分辨率图像。
SAR图像采用合成孔径天线,通过沿着目标飞行轨迹连续地发射和接收脉冲信号,利用信号处理算法来合成一个大孔径,从而获得与真实孔径相当甚至更大的成像能力。
2. SAR图像的原理SAR图像的形成主要依赖于两个基本原理:合成孔径和多普勒频移。
2.1 合成孔径原理合成孔径波束通过在一段时间内合成辐射能量,从而形成相对较长的物理孔径。
这种扩展孔径可以提供更高的分辨率和更好的目标信噪比。
合成孔径基本原理是使用一个运动中的天线来替代传统的战略性或者战术性军用雷达中多个固定天线的配置。
这种方法可以通过综合运动过程中接收到的多个脉冲信号,相当于在长时间内形成一个巨大的相对物理孔径。
2.2 多普勒频移原理多普勒频移原理是在辐射与接收信号之间的相对速度差异的作用下,回波信号的频率会发生改变。
常见的多普勒频移是由于目标的相对运动而引起的,比如飞机在飞行中产生的轻微频偏。
多普勒频移与目标运动速度和雷达波长有关。
对于SAR图像,这种频偏是通过相位编码的方式被记录下来,形成频域图像。
3. SAR图像的特点SAR图像相对于其他类型的遥感影像具有一些独特的特点,并因此在很多应用中得到广泛的应用。
3.1 全天候性能与可见光和红外图像不同,SAR图像不受天气条件的限制,可以在各种天气条件下工作,包括云层、雨雪和雾霾等。
这使得SAR图像在全球范围内都能提供连续的监测能力。
3.2 高分辨率SAR图像的像元大小通常在几米到几十米之间,能够提供高分辨率的地面细节。
这使得SAR图像适用于许多需要高分辨率观测的应用,例如城市规划、土地利用监测和环境变化分析等。
3.3 昼夜观测能力由于SAR传感器采用了主动雷达技术,不依赖于太阳辐射,因此具有昼夜观测能力。
这使得SAR图像在救灾、安全监测和军事侦察等领域具有独特的优势。
slc方法
slc方法SLC方法是一种广泛应用于多项技术领域的数据处理方法。
SLC的全称为Synthetic Aperture Radar (SAR) Image Formation Using SLC Processing,意为合成孔径雷达影像形成与SLC数据处理。
在SAR领域,SLC处理主要用于生成高质量的SAR图像,但它也有很多其他的应用场景,例如遥感、地球物理、医学成像等领域。
SLC处理的目的是使SAR信号通过数据处理技术进行重构成高质量的图像,以便更清晰地显示成像目标。
在SLC 处理过程中,SAR信号经过一系列反演处理操作,如斜方向距离解调、相位编码、平移、相位补偿、多普勒补偿等。
经过这些处理,SLC处理得到的SAR数据能够更准确地重构目标地物的形态和细节。
SLC方法广泛应用于多项技术领域,包括飞行器制造、自动驾驶、医学图像处理等。
在飞行器制造领域,使用SLC技术可以对飞机进行实时成像,使得飞机的设计和制造更精确、更安全。
在自动驾驶领域,SLC技术可以帮助车辆实时获取道路和障碍物的信息,从而更好地辅助驾驶员进行行驶决策。
在医学领域,SLC技术可以帮助医生更准确地诊断疾病,例如SLC技术可以帮助科学家更好地理解人类大脑的结构和功能,以及研发更好的神经治疗方法。
SLC处理技术中包括多项操作,其中斜方向距离解调是最重要的操作之一。
斜方向距离解调可以将信号进行斜方向切片,并将其转化为水平方向距离轴方向的信息。
相位编码用于使SAR信号增加信噪比,其提高了系统对地面目标表面反射的敏感度。
平移处理用于将两个不同位置的SAR影像的瞬时光谱进行卷积,从而形成一个更长的孔径。
相位补偿和多普勒频率调整用于干扰消除和减小局部和全局噪声。
斜方向距离解调是SLC方法中最重要的操作之一。
斜方向距离解调可以将SAR信号进行斜向切片,并将切点位置转化到水平方向上,从而使得SAR信号变得更清晰。
SLC 方法可以对SAR信号进行斜方向距离解调,从而产生一个高分辨率的影像,并使信号的空间分辨率得到改善。
SAR成像及成像算法
SAR成像及成像算法
SAR(Synthetic Aperture Radar),即合成孔径雷达,是一种具有视距的雷达成像技术,它利用通过雷达发射的电磁波的返回信号来构建成像,是今天最受欢迎的遥感成像技术之一、它是由空间技术应用罗列公司(STARS)于1970年首次研制完成的。
由于它的无损探测、低成本、通用性强、快速更新和相当高的精度等优点,使SAR成像广泛应用于地表特性探测、航空和海洋地理资源监测、地表热分辨观测、大气和气候研究等多种领域,并取得了突出的成果。
SAR成像的本质是利用雷达发射的电磁波探测地表物质的反射状态,从而构建三维图像。
SAR成像算法主要分成基线分析、多普勒解析和像元投影三个过程。
首先,基线分析是处理多普勒解析的基本步骤,它识别SAR图像的物理位置,将地表物质的反射信号与它们在同一物理位置的多普勒频率作对比,从而计算出相应的基线;其次,多普勒解析处理SAR图像所涉及的空间结构,它可以利用反射信号的多普勒频率,将不同波段中的多普勒信号重建成三维定量数据;最后,像元投影过程会将三维数据转换成二维图像,以实现SAR成像。
当前。
高分辨率SAR成像处理技术研究
高分辨率SAR成像处理技术研究一、本文概述随着遥感技术的不断发展,合成孔径雷达(SAR)作为一种主动式微波成像技术,已成为获取地面信息的重要手段。
SAR成像处理技术是SAR系统的核心技术之一,其目标是通过对回波信号的处理,获得高质量、高分辨率的SAR图像。
高分辨率SAR图像具有丰富的地物信息,对于军事侦察、地形测绘、城市规划、灾害监测等领域具有重要价值。
因此,研究高分辨率SAR成像处理技术具有重要意义。
本文旨在探讨高分辨率SAR成像处理技术的相关理论和方法,包括SAR成像的基本原理、成像处理流程、关键算法以及最新进展等方面。
本文将对SAR成像的基本原理进行介绍,包括SAR系统的基本构成、信号传播特性以及成像原理等。
本文将详细阐述SAR成像处理流程,包括预处理、成像算法、后处理等步骤,并对每个步骤中的关键技术和方法进行深入分析。
本文还将对高分辨率SAR成像处理中的一些关键问题,如运动补偿、相位校正、多视处理等进行讨论,并提出相应的解决方案。
本文将介绍高分辨率SAR成像处理技术的最新进展和发展趋势,以期为相关领域的研究和应用提供参考和借鉴。
通过本文的研究,旨在为高分辨率SAR成像处理技术的发展和应用提供理论支持和技术指导,推动SAR成像技术的不断创新和发展。
二、高分辨率SAR成像基本原理合成孔径雷达(SAR)是一种主动式微波成像雷达,它利用合成孔径原理实现高分辨率的二维地面成像。
高分辨率SAR成像技术的基本原理涉及信号的发射、接收、回波信号的处理以及图像的生成等多个环节。
在SAR成像过程中,雷达平台(如卫星、飞机等)以一定的速度沿飞行轨迹移动,同时发射宽带微波信号并接收地面目标的后向散射回波。
由于雷达与地面目标之间的距离、目标自身的散射特性以及地表地形等因素的影响,接收到的回波信号会包含目标的位置、形状、散射特性等信息。
为了实现高分辨率成像,SAR系统需要对接收到的回波信号进行一系列复杂的处理。
这包括距离压缩、多普勒处理、方位向压缩等步骤。
SAR图像处理
SAR图像处理班级:学号:姓名:一:SAR图像概述:SAR是一种可成像的雷达,它所用的雷达波段大约是300MHz到30GHz。
比如一般用的波段是1~10GHz的合成孔径雷达,大气对这种波段的影响不大。
也就是说如果天上有一个合成孔径雷达卫星,白天黑夜、大气的云雾雨雪等天气变化对雷达看到的结果影响甚微,可忽略不计。
所以合成孔径雷达是一种全天时、全天候的雷达,它所成的图像就是SAR图像了。
SAR图像的场景和照相机拍出来的场景类似,只不过波段不同看到的事物也不一样。
SAR都是斜视的,而光学的可以垂直照射。
二 SAR图像成像原理雷达是通过发射微波,接收地面目标反射的回波来获得信息的一种主动微波遥感,而且主要采用侧视雷达。
侧视雷达的工作原理是把天线安装在飞行器的侧面,在垂直于航线的一侧或两侧发射雷达波束,这个波束在航向上很窄,在距离向上很宽,覆盖了地面上一个很窄的条带,随着飞行器向前移动,不断地发射这样的波束,并接收相应的地面窄带上各种地物的回波信号。
这样,雷达波束在目标区域上扫过,获得该地区的连续带状。
平行于飞行航线的方向称为方位向,垂直于航线的方向称为距离向。
图像的灰度与后向散射波强相关,反映地表的粗糙性、介电常数等性质。
侧视雷达又可以分为真实孔径侧视雷达和合成孔径侧视雷达。
真实孔径雷达是一种以天线的真实孔径工作的侧视雷达,这种雷达的方位向分辨率比较低,要提高方位向分辨率,只有加大天线的孔径,尽量缩短观测距离和采用较短波长的电磁波,但是在实际应用中,这些办法受到很多因素的限制,因此要想进一步提高方位向分辨率,往往采用合成孔径技术。
合成孔径雷达(SAR)作为一种高分辨成像雷达,其基本思想是:将同时处于天线主波束内的真实孔径雷达不能区分的多个目标的多普勒频率和相位同时加以记录和处理,然后再根据多普勒频率和相位的不同来识别相邻的目标。
也就是说,利用飞行器的移动,将真实孔径雷达的小天线依次携带到相应于线性天线阵列的各个阵元应该放置的位置上,而在每个位置上发射一个雷达信号并接收其回波加以存储,当发射单元移动一个波束宽度的距离后,存储的信号与一个实际线性天线阵诸阵元所接收到的天线信号非常相似。
SAR图像预处理
SAR图像预处理
在给定的一个场景中,通常既包括感兴趣的目标,又包括背景杂波,如果对数据库中初始图像直接进行特征提取和分类,背景杂波必将会影响识别的品质及性能.因此需要对其进行预处理,将目标从杂波背景中分割出来,以减弱背景杂波对识别性能的影响.此外,SAR图像中往往包含有较强的相干斑,需要进行适当处理以降低其对识别性能的影响.
自适应阈值分割
形态学滤波和几何聚类处理
图像增强和归一化处理
图像预处理主要包括:图像对比度增强和图像滤波平滑。
图像对比度增强一般采用线性增强、直方图均衡化、直方图正态化等方法;图像滤波平滑是指选择滤波函数,并与图像进行卷积运算提高图像的反差、消除图像的相干斑噪声。
SAR图像的数据量很大,为了有效地实现分类识别,就要对原始数据进行变换,得到最能反映分类本质的特征,这就是特征提取和选择。
分类决策就是在特征空间中用统计方法把被识别对象归为某一类别。
基本作法是在样本训练集基础上确定某个判决规则,使按这种判决规则对被识别对象进行分类所造成的错误识别率最小或引起的损失最小。
图像预处理
对输入的地物图像进行预处理是SAR图像地物分类系统中一个重要的环节,目的是改善图像质量,统一图像的灰度值及尺寸,为后序的特征提取和分类识别打好基础。
一般情况下地物图像处于复杂背景中,预处理时要先进行图像检测,从复杂背景中检测出物体类别。
1、图片灰度化:彩色图像包含着大量的颜色信息,存储上开销很大,处理上也会降低系统的执行速度,而灰度图像只有强度信息没有颜色信息,因此彩色图像常转换为灰度图像,加快处理。
2、边缘检测:物体的边缘呈现灰度的不连续性,图像分类就是基于这个原理;。
基于图像增强和融合的SAR_图像变化检测
第41卷 第2期吉林大学学报(信息科学版)Vol.41 No.22023年3月Journal of Jilin University (Information Science Edition)Mar.2023文章编号:1671⁃5896(2023)02⁃0217⁃10基于图像增强和融合的SAR 图像变化检测收稿日期:2022⁃03⁃20基金项目:国家重点研发计划基金资助项目(2020YFA0714103);第六届吉林大学青年师生交叉学科培育基金资助项目(2020⁃JCXK⁃04)作者简介:贺金鑫(1979 ),男,长春人,吉林大学教授,博士生导师,主要从事数字地质科学研究,(Tel)86⁃431⁃88502327(E⁃mail)hejx@㊂贺金鑫1,赵锐敏1,罗文宝2,李青翼1,刘瑞辰1(1.吉林大学地球科学学院,长春130061;2.中化地质矿山总局黑龙江地质勘查院,哈尔滨150040)摘要:为提高合成孔径雷达(SAR:Synthetic Aperture Radar)图像变化检测的准确率和鲁棒性,提出了一种基于图像增强和融合的无监督SAR 图像变化检测方法㊂为获得较好的背景噪声抑制㊁变化区域增强和边缘保持效果,在对原始SAR 图像进行自适应图像增强的基础上构造对数比和均值比差异图,采用低频小波系数加权平均和按最小局部能量选取高频小波系数的融合策略对上述差异图进行图像融合㊂实验结果表明,融合后的差异图结合模糊局部信息C 均值聚类在不同的数据集上均取得了较高的检测准确率和Kappa 系数,鲁棒性较强,可广泛应用于SAR 图像变化检测领域㊂关键词:图像变化检测;图像增强;图像融合;模糊局部信息C 均值聚类;合成孔径雷达中图分类号:TP751文献标志码:AChange Detection in Synthetic Aperture Radar Images Based on Image Enhancement and FusionHE Jinxin 1,ZHAO Ruimin 1,LUO Wenbao 2,LI Qingyi 1,LIU Ruichen 1(1.College of Earth Sciences,Jilin University,Changchun 130061,China;2.Heilongjiang Geological Exploration Institute,Sinochem General Administration of Geology and Mine,Haerbin 150040,China)Abstract :In order to improve the accuracy and robustness of SAR (Synthetic Aperture Radar)image change detection,an unsupervised SAR image change detection method based on image enhancement and fusion is proposed.In order to obtain better effects of background noise suppression,change region enhancement and edge preservation,the log⁃ratio and mean⁃ratio differential image are constructed based on the adaptive image enhancement of the original SAR image.The differential image is fused by the fusion strategy of weighted average of low⁃frequency wavelet coefficients and selecting high⁃frequency wavelet coefficients according to the minimum local energy.The experimental results show that the fused differential image combined with fuzzy local information C ⁃means clustering has achieved high detection accuracy and kappa coefficient on different data sets,and has strong robustness.It can be widely used in the field of SAR image change detection.Key words :image change detection;image enhancement;image fusion;fuzzy local information C ⁃meansclustering;synthetic aperture rada 0 引 言遥感变化检测是指对同一区域的多时相遥感图像进行差异分析,以获取该区域内感兴趣地物或目标的变化信息㊂合成孔径雷达(SAR:Synthetic Aperture Radar)属于主动微波遥感,其对云㊁雾㊁雨㊁雪以及地物具有穿透能力,具备全天候㊁全天时的工作能力,因此,基于SAR 图像的变化检测已成为遥感领域的重要研究内容[1]㊂随着遥感技术飞速发展,遥感卫星的数量增速很快,重访时间极大缩短,并且数据分辨率越来越高,从而为SAR 图像变化检测提供了强大的数据支持㊂目前基于SAR 图像的变化检测已被广泛应用于农㊁林业调查[2]㊁自然环境监测[3]㊁城市发展研究[4]和自然灾害评估[5]等领域㊂基于差异图分析的SAR 图像变化检测的常用流程主要包含3个步骤:1)SAR 图像的预处理,主要对多时相数据进行配准㊁去噪及地理定标;2)基于预处理后的图像构造差异图;3)对差异图进行分析[6]㊂目前差异图构造方法主要采用以下4类方法:1)基于像素信息方法;2)基于邻域信息方法;3)组合方法;4)图像融合方法㊂对第1类方法,常采用差值法㊁比值(Ratio,R )法和对数比(LR:Log⁃Ratio)法㊂SAR 图像固有的散斑噪声被认为是乘性相干斑噪声,因此差值法无法对其进行有效消除,抗噪能力差㊂而比值法可对其进行有效抑制,对数比值法是对比值差异图做取对数运算,可将乘性噪声转化为加性噪声,能进一步抑制散斑噪声,同时对图像的变化范围进行了非线性压缩,使背景(非变化)区域比较平滑㊂基于像素点信息的差异图构造方法,无法抑制背景区域的野点,容易造成虚警,同时前景区漏检也比较明显㊂对第2类方法,目前常用均值比(MR:Mean⁃Ratio)法,MR 考虑了像素的空间邻域信息,使差异图前景(变化)区域与实际情况更接近,具有更强的鲁棒性㊂然而由于邻域信息的加入,使前景和背景区域之间的边界变模糊,同时背景区域伪变化信息增多,不利于差异图的后续分析,而且对噪声区域过大的图像,MR 的抗噪声能力也稍显不足㊂对第3类方法,主要是选取第1类和第2类方法中的多个差异图,并对其进行加权平均㊂第4类方法,多采用基于小波变换及其改进算法的图像融合方法,此类方法首先对不同方法构造的差异图进行多尺度㊁多方向分解,然后构造融合规则分别对分解信号的高频和低频部分进行数据融合,融合后的差异图充分结合了不同差异图的特点,因此可有效提高变化检测的准确率㊂为提高SAR 变化检测的自动化程度,目前多采用无监督的分类或聚类方法对差异图进行分析㊂无监督的分类方法主要采用阈值分割将差异图划分为两类,常用方法有KI(Kilter &Illingworth)法㊁EM (Expectation Maximization)法和大津法(OTSU)㊂无监督的聚类方法主要采用K 均值聚类(K ⁃Means)和模糊C 均值聚类(FCM:Fuzzy C ⁃Means)及其改进算法㊂笔者采用图像增强算法对原始图像的均质区域进行抑制,对边缘及变化剧烈的区域进行增强,对增强后的图像分别采用LR 和MR 方法构造差异图㊂此方法构造的差异图在背景平滑及噪声抑制方面效果明显,并且具有较好的变化区域边缘保持能力㊂采用离散小波变换(DWT:Discrete Wavelet Transform)对上述差异图进行图像融合,并采用模糊局部信息C 均值聚类方法对融合后的差异图进行分析㊂实验结果表明,上述组合方法人工参数较少,可抑制背景中的野点且图像细节保留较好,能有效提高变化检测精度㊂1 基于图像增强的差异图构造方法差异图构造的基本思想是在差异图中背景区域应显示较小的值,而前景区域应显示较大的值,即对背景区域进行抑制,对前景区域进行增强,以便在差异图分析过程中获得较好的分类或聚类效果㊂LR 和MR 是较为常用的差异图构造方法,具体计算公式如下:X LR =log X 2X 1=log X 2-log X 1,(1)X MR =1-min u 1u 2,u 2u æèçöø÷1㊂(2) 从式(1)和式(2)可以看出,LR 和MR 均符合上述基本思想,差异图中的变化区域取值较大㊂但实验发现,LR 方法对变化区域面积较小同时变化比率相对较小的区域,非常容易造成漏检,而MR 方法即使识别出上述区域,但会造成大片的伪变化区域,同时真实变化区域的边缘保持较差㊂在图像的边缘或变化剧烈的区域,局部标准差相对较大,在平滑区域,局部标准差较小㊂对变化后812吉林大学学报(信息科学版)第41卷的图像,变化区域通常都有明显的边缘,并且变化区域的局部标准差和变化前的图像相比变化较大;对未变化区域,局部标准差的变化相对较小㊂受图像增强算法[7⁃8]的启发,采用局部标准差作为放大系数,对原始图像进行增强处理,增大变化和非变化区域的对比度,以取得更好的变化检测效果,同时获得较好的边缘保持效果㊂假设图像大小为M ×N 像素,定义x (i ,j )为图像中的某个像素,以x (i ,j )为中心大小为(2n +1)×(2n +1)的局部窗口,其局部均值m x (i ,j )和局部方差δ2x (i ,j )为m x (i ,j )=1(2n +1)2∑i +n k =i -n ∑j +nl =j -n x (k ,l ),(3)δ2x (i ,j )=1(2n +1)2∑i +n k =i -n ∑j +n l =j -n [x (k ,l )-m x (i ,j )]2㊂(4) 定义f (i ,j )为原图像像素x (i ,j )增强后的像素值,则图像增强算法为f (i ,j )=m x (i ,j )+δx (i ,j )D [x (i ,j )-m x (i ,j )],(5)其中D 为图像的全局均值,其计算公式如下D =1MN ∑M i =1∑N j =1x (i ,j )㊂(6) 从式(5)可知,对噪声影响较大的区域,采用局部均值作为图像增强的基底值可有效抑制噪声点的过增强㊂对局部标准差大于全局均值的部分可得到有效增强,对局部标准差较小的区域相当于进行了均值处理㊂对局部标准差接近全局均值的像素相当于保留了原始像素值㊂x (i ,j )>m x (i ,j )的像素获得增强效果,x (i ,j )<m x (i ,j )的像素获得抑制效果㊂笔者采用式(5)对原始图像进行图像增强,然后对增强后的图像采用式(1)和式(2)分别构造基于图像增强的对数比差异图(En⁃LR)和均值比差异图(En⁃MR)㊂2 基于图像融合的差异图构造方法不同的差异图构造方法其优势和弊端都很明显,因此采用单一的差异图进行变化检测往往精度不高㊂Gong 等[9]采用图像融合方法对LR 和MR 差异图进行融合,变化检测效果得到了有效提升㊂基于图像融合的方法可结合不同差异图构造方法的优势,并在其弊端间取得折中,因此有助于提升变化检测性能㊂小波变换因具备多尺度分解及完善的重构能力被广泛应用于图像融合领域㊂DWT 因具有时域和频域分析能力㊁不同尺度的分解信号具有独立性㊁且分解具有方向性等特点成为最常用的小波变换之一㊂笔者采用DWT 进行差异图像融合,具体步骤如下㊂步骤1) 首先对原始差异图像进行小波分解,获得低频子带和高频子带信息㊂步骤2) 对低频子带采用D LL =αD LR LL +(1-α)D MR LL (7)进行加权平均㊂其中D LL 为融合后的低频系数,D LR LL 为LR 差异图分解后的低频系数,D MR LL 为MR 差异图分解后的低频系数,α为LR 差异图低频系数的权重㊂步骤3) 对高频子带采用文献[9]中的高频融合规则,根据D ε(i ,j )=D MR ε(i ,j ),E MR ε(i ,j )<E LR ε(i ,j ),D LR ε(i ,j ),E MR ε(i ,j )≥E LR ε(i ,j {)(8)选取局部能量最小的小波系数作为高频系数,此方法可有效抑制背景杂波㊂其中D ε(i ,j )ε=(L H ,H L ,H H )为融合后的高频系数,D MR ε和D LR ε分别为MR 差异图和LR 差异图分解后的高频系数,E ε(i ,j )为局部能量系数,如下:912第2期贺金鑫,等:基于图像增强和融合的SAR 图像变化检测E ε(i ,j )=∑l =N i ,j [D ε(l )]2,(9)其中N i ,j 为以点(i ,j )为中心的局部窗口,D ε(l )为局部窗口中某个点的小波系数㊂步骤4) 对步骤2)和步骤3)获取的小波系数采用小波逆变换重构基于图像融合的差异图㊂为变化检测性能比较的需要,笔者采用上述方法分别对MR 图像和LR 图像㊁En⁃MR 图像和En⁃LR 图像进行图像融合,融合方法分别命名为DWT 和En⁃DWT㊂3 模糊局部信息C 均值聚类算法FCM 算法以其鲁棒性强㊁无需人工参与等特性成为最受欢迎的无监督聚类方法之一㊂但传统的FCM 算法未考虑空间邻域信息,因此对噪声非常敏感㊂为解决上述缺陷,人们将局部空间信息和局部灰度信息融入到原始FCM 算法中,相继提出了FCM_S [10]和快速广义FCM [11]算法,然而这两种算法在目标函数中均引入了人工参数,且参数不易选择㊂为克服以上算法的不足,Krinidis 等[12]提出了一种鲁棒的模糊局部信息C ⁃均值聚类算法,该算法具备更好的抗噪性以及图像细节保持能力㊂FLICM 算法的目标函数是在原始FCM 算法的基础上引入局部模糊因子G ki ,其目标函数J m 和局部模糊因子G ki 如下:J m =∑N i =1∑c k =1[u m ki ‖x i -v k ‖2+G ki ],(10)G ki =∑j ∈N i i ≠j 1dij +1(1-u kj )m ‖x j -v k ‖2,(11)其中N 为像素总数,c 为示簇的数量,v k 为第k 类的聚类中心,u ki 为像素x i 相对于簇k 的模糊隶属度,‖x i -v k ‖2为像素x i 和聚类中心v k 之间的欧氏距离㊂N i 为以x i 为中心像素的空间邻域,x j 为x i 的邻域像素,u kj 为邻域像素x j 相对于第k 个聚类中心的模糊隶属度,d ij 为中心像素x i 和邻域像素x j 之间的空间欧氏距离,m 为模糊加权指数㊂从式(11)可看出,局部模糊因子无需设置任何人工参数,可通过邻域像素到中心像素的空间距离反映相邻像素的阻尼程度,并且对异常值具有很强的鲁棒性,可使邻域窗内的像素点收敛到相同类别,因此可对领域窗口内的噪声点产生平抑效果㊂利用拉格朗日乘数法对式(11)进行推导,可得隶属度矩阵u ki 和聚类中心v k 的迭代计算公式:u ki =1∑c j =1‖x i -v k ‖2+G ki ‖x i -v j ‖2+G æèçöø÷ji 1/(m-1),(12)v k =∑N i =1u m ki x i /∑Ni =1u m k ()i ㊂(13)4 实验结果分析4.1 数据集描述和实验方案实验选取两组由不同卫星采集的不同分辨率㊁不同地区的真实SAR 卫星数据验证笔者提出的SAR 图像变化检测方法的有效性㊂第1组数据由欧洲遥感2号卫星采集,如图1所示,图像分辨率为20m,选定的研究区为瑞士Bern 地区,图1a 和图1b 分别为裁剪后的1999年4月和1999年5月研究区SAR 图像,图像大小为300×300像素,图1c 为参考变化区域二值图像,其中白色部分为变化区㊂第2组数据由RADARSAT⁃SAR 卫星采集,如图2所示,图像分辨率为12m,选定的研究区为加拿大Ottawa 地区,图2a 和图2b 分别为裁剪后的1997年5月和1997年8月研究区SAR 图像,图像大小为290×350像素,图2c 为参考变化区域㊂022吉林大学学报(信息科学版)第41卷图1 Bern 地区的多时相SAR 图像Fig.1 Multi⁃temporal SAR image of Bern area 图2 Ottawa 地区的多时相SAR 图像Fig.2 Multi⁃temporal SAR image of Ottawa area 对上述两组数据集分别采用LR En⁃LR㊁MR㊁En⁃MR㊁DWT㊁En⁃DWT 6种方法构造差异图,并采用K ⁃means㊁FCM㊁FLICM 3种聚类方法对以上差异图进行分析,选取文献[1]中的虚警数(FP:False Positives)㊁漏检数(FN:False Negatives)㊁总错误数(OE:Overall Error)㊁正确检测率(PCC:Percentage Correct Classification)和Kappa 系数作为评价指标,以验证采用图像增强算法和图像融合方法构造差异图对SAR 图像变化检测性能提升的有效性,同时对不同的聚类方法的性能进行了比较分析㊂以上实验过程中均采用3×3的滑动窗口计算邻域均值㊁局部标准差以及小波系数的局部能量㊂小波变换过程采用Harr 小波基进行一级分解㊂4.2 差异图结果及分析对两组数据集分别采用6种不同方法构造差异图,Bern 数据集的差异图如图3所示,Ottawa 数据集的差异图如图4所示㊂图3 Bern 数据集采用不同方法构造的差异图Fig.3 Differential image of Bern data set constructed by different methods 通过图3a㊁图3d 和图4a㊁图4d 的比较发现,LR 方法构造的差异图背景和前景区域中散斑现象明显,前景区域的边缘不清晰,对边缘及线状区域的保持效果欠佳,而采用En⁃LR 方法构造的差异图可明显抑制散斑现象,且前景区域边缘保持效果更好㊂通过图3b㊁图3e 和图4b㊁图4e 的比较发现,采用En⁃MR 方法构造的差异图,前景区域更加平滑,前景和背景区域的对比度得到了进一步增强㊂通过122第2期贺金鑫,等:基于图像增强和融合的SAR 图像变化检测图3c㊁图3f 和图4c㊁图4f 的比较发现,采用DWT 方法构造的差异图,散斑现象依然存在,而采用En⁃DWT 方法构造的差异图,前景和背景区域更加平滑,前景区域边缘保持较好㊂综上所述,笔者提出的基于图像增强的差异图构造方法具有更好的噪声抑制和图像平滑效果,并且具有较好的图像细节和边缘保持能力㊂图4 Ottawa 数据集采用不同方法构造的差异图Fig.4 Differential image of Ottawa data set constructed by different methods 4.3 变化检测结果及分析图5~图7为Bern 数据集差异图分别采用K ⁃means㊁FCM㊁FLICM 3种聚类方法得到的变化检测彩色图像,检测指标的数值对比如表1~表3所示㊂图8~图10为Ottawa 数据集差异图分别采用K ⁃means㊁FCM㊁FLICM 3种聚类方法得到的变化检测彩色图像,检测指标的数值对比如表4~表6所示㊂图5~图10中绿色部分为检测正确的区域,蓝色部位为虚警区域,红色部分为漏检区域㊂图5 Bern 数据集采用K ⁃means 聚类的变化检测结果Fig.5 Change detection results of K ⁃means clustering based on Bern data set 图6 Bern 数据集采用FCM 聚类的变化检测结果Fig.6 Change detection results of FCM clustering based on Bern data set 图7 Bern 数据集采用FLICM 聚类的变化检测结果Fig.7 Change detection results of FLICM clustering based on Bern data set222吉林大学学报(信息科学版)第41卷表1 Bern数据集基于K⁃means聚类的性能比较Tab.1 Performance comparison of K⁃means clustering based on Bern data set方法FP FN OE PCC/%Kappa LR30836166999.260.6998 En⁃LR8722731499.650.8535 MR1320091320985.320.1271 En⁃MR1050031050388.330.1603 DWT(α=0.4)28016844899.500.8125 En⁃DWT(α=0.9)139********.640.8551表2 Bern数据集基于FCM聚类的性能比较Tab.2 Performance comparison of FCM clustering based on Bern data set方法FP FN OE PCC/%Kappa LR32734467199.250.7036 En⁃LR9322031399.650.8549 MR1913361913978.730.0850 En⁃MR1607011607182.140.1040 DWT(α=0.5)29818047899.470.8004 En⁃DWT(α=0.9)157********.640.8558表3 Bern数据集基于FLICM聚类的性能比较Tab.3 Performance comparison of FLICM clustering based on Bern data set方法FP FN OE PCC/%Kappa LR7824932799.640.8453 En⁃LR8920529499.670.8643 MR95517955889.380.1746 En⁃MR96432964589.280.1738 DWT(α=0.7)14617031699.650.8643 En⁃DWT(α=0.9)16214030299.660.8688图8 Ottawa数据集采用K⁃means聚类的变化检测结果Fig.8 Change detection results of K⁃means clustering based on Ottawa data set图9 Ottawa数据集采用FCM聚类的变化检测结果Fig.9 Change detection results of FCM clustering based on Ottawa data set 322第2期贺金鑫,等:基于图像增强和融合的SAR图像变化检测图10 Ottawa 数据集采用FLICM 聚类的变化检测结果Fig.10 Change detection results of FLICM clustering based on Ottawa data set表4 Ottawa 数据集基于K ⁃means 聚类的性能比较Tab.4 Performance comparison of K ⁃means clustering based on Ottawa data set 方法FP FN OE PCC /%Kappa LR 20812775485695.220.8171En⁃LR 10212030305196.990.8841MR 2634242287697.170.8996En⁃MR 2300203250397.530.9120DWT(α=0.3)1211846205798.160.9246En⁃DWT(α=0.6)1264607187199.64%0.9319表5 Ottawa 数据集基于FCM 聚类的性能比较Tab.5 Performance comparison of FCM clustering based on Ottawa data set 方法FP FN OE PCC /%Kappa LR 22632677494095.130.8153En⁃LR 10212030305196.990.8841MR2634242287697.170.8996En⁃MR 2300203250397.530.9120DWT(α=0.3)1136884202098.010.9257En⁃DWT(α=0.6)1176672184898.180.9325表6 Ottawa 数据集基于FLICM 聚类的性能比较Tab.6 Performance comparison of FLICM clustering based on Ottawa data set 方法FP FN OE PCC /%Kappa LR 3652509287497.170.8875En⁃LR 2372026226397.770.9123MR1432216164898.380.9408En⁃MR 1479218169798.330.9391DWT(α=0.2)686405109198.930.9599En⁃DWT(α=0.6)569463103298.980.9619 从表1~表6可看出,对两组数据集采用K ⁃means 和FCM 聚类,En⁃LR㊁En⁃MR㊁En⁃DWT 方法较LR㊁MR 和DWT 方法OE 均大幅下降,PCC 和Kappa 系数均明显提升㊂从表3和表6中可看出,采用FLICM 聚类En⁃LR 和En⁃DWT 方法较LR 和DWT 方法OE 均有所降低,PCC 和Kappa 系数均有所提升㊂综上所述,基于图像增强的差异图构造方法对不同聚类方法的鲁棒性较好,且较原始方法检测效果提升明显㊂从表1~表6还可看出,两组数据集上同种差异图构造方法采用K ⁃means 聚类和FCM 聚类的变化检测结果差距不大,采用FLICM 聚类均取得最优检测结果,从而验证了FLICM 聚类对变化检测性能提升的有效性㊂对Bern 数据集,FLICM 聚类结合En⁃LR 方法取得了最优PCC,结合En⁃DWT 方法取得了次优PCC,次优解和最优解比较,PCC 仅下降了0.01%,但Kappa 系数上升了0.0045,在该数据集上FLICM 聚类结合En⁃DWT 方法取得了最高的Kappa 系数,检测效果最好㊂对Ottawa 数据集,FLICM 聚类结合422吉林大学学报(信息科学版)第41卷En⁃DWT 方法取得了最高的PCC 和Kappa 系数,PCC 提升到98.98%,Kappa 系数提升到0.9619,检测效果最好㊂4.4 实验总结笔者采用的两组数据集变化特性差异较大,Bern 数据集的变化区域相对集中,且变化面积相对较小,而Ottawa 数据集的变化区域相对分散,且变化面积相对较大㊂实验结果表明,对两个数据集基于图像增强的差异图构造方法和原始方法相比,散斑噪声抑制和图像平滑效果较好,并且变化区域的边缘保持较好,对不同的聚类方法变化检测正确率和Kappa 系数均能获得有效提升,适用性和鲁棒性较高㊂对比实验数据发现,LR 和En⁃LR 方法漏检率高,MR 和En⁃MR 方法虚警率高,而基于图像融合的差异图构造方法可使漏检率和虚警率取折中,大幅提升检测性能㊂但对不同的聚类方法,DWT 和En⁃DWT 方法均需调整低频部分权重α才能获得较优的变化检测效果㊂FLICM 聚类由于其良好的去噪以及细节保持能力,在两个数据集上都取得了最优的检测效果,同时En⁃DWT 方法结合FLICM 聚类都取得了最高的Kappa 系数,检测效果最好㊂5 结 语针对SAR 图像变化检测问题,笔者首先采用图像增强算法对变化前后的SAR 图像进行局部增强,然后对增强后的图像采用对数比和均值比方法构造基于图像增强的差异图,在对差异图进行图像融合的基础上通过FLICM 聚类进行差异图分析㊂实验结果表明,基于图像增强的差异图构造方法不但具有较强的噪声抑制和图像平滑效果,而且利于保持变化区域的边缘和细节信息㊂基于图像融合的差异图构造方法克服了单一差异图检测精度低㊁适用范围窄的问题,对虚警率和漏检率进行了有效折中,有利于提高变化检测正确率和Kappa 系数㊂实验结果同时验证了模糊局部信息C 均值聚类以及该聚类算法结合En⁃DWT 方法对于SAR 图像变化检测性能提升的有效性㊂参考文献:[1]张岭军,李聪,段云龙.结合空间邻域信息的SAR 图像变化检测[J].计算机工程与应用,2019,55(15):185⁃192.ZHANG L J,LI C,DUAN Y L.Change Detection for SAR Image Based on Spatial Neighborhood Information [J].Computer Engineering and Applications,2019,55(15):185⁃192.[2]SILVA C,MARINO A,LOPEZ⁃SANCHEZ J M,et al.Agricultural Fields Monitoring with Multi⁃Temporal Polarimetric SAR(MT⁃POLSAR)Change Detection [C]∥IGARSS 2020⁃2020IEEE International Geoscience and Remote Sensing Symposium.[S.l.]:IEEE,2020:225⁃243.[3]毛天祺,刘伟,黄洁,等.二进小波增强与边缘局部信息FCM 的SAR 图像变化检测[J].信号处理,2018,34(1):54⁃61.MAO T Q,LIU W,HUANG J,et al.Change Detection of SAR Images Using Dyadic Wavelet Enhancementand Edge Local Information FCM [J].Journal of Signal Processing,2018,34(1):54⁃61.[4]ZHANG K,FU X,LÜX,et al.Unsupervised Multitemporal Building Change Detection Framework Based on Cosegmentation Using Time⁃Series SAR [J].Remote Sensing,2021,13(3):471.[5]DHANABALAN S P,RAHAMAN S A,JEGANKUMAR R .Flood Monitoring Using Sentinel⁃1Sar Data:A Case Study Based on an Event of 2018and 2019Southern Part of Kerala [J].ISPRS⁃International Archives of the Photogrammetry RemoteSensing and Spatial Information Sciences,2021,44(3):37⁃41.[6]王平,王宜怀,刘长勇,等.基于改进邻域比和分类的SAR 图像变化检测[J].计算机应用与软件,2020,37(5):210⁃218.WANG P,WANG Y H,LIU C Y,et al.Change Detection in Sar Images Based on Improved Neighborhood Ratio and Classification [J].Computer Applications and Software,2020,37(5):210⁃218.[7]LI Z,JIA Z,LIU L,et al.A Method to Improve the Accuracy of SAR Image Change Detection by Using an ImageEnhancement Method [J].ISPRS Journal of Photogrammetry and Remote Sensing,2020,163:137⁃151.[8]NARENDRA P M,FITCH R C.Real⁃Time Adaptive Contrast Enhancement [J].IEEE Transactions on Pattern Analysis and522第2期贺金鑫,等:基于图像增强和融合的SAR 图像变化检测622吉林大学学报(信息科学版)第41卷Machine Intelligence,1981(6):655⁃661.[9]GONG M,ZHOU Z,MA J.Change Detection in Synthetic Aperture Radar Images Based on Image Fusion and Fuzzy Clustering [J].IEEE Transactions on Image Processing,2011,21(4):2141⁃2151.[10]AHMED M,YAMANY S,MOHAMED N,et al.A Modified Fuzzy C⁃Means Algorithm for Bias Field Estimation and Segmentation of MRI Data[J].IEEE Trans Med Imag,2002,21(3):193⁃199.[11]CAI W,CHEN S,ZHANG D.Fast and Robust Fuzzy C⁃Means Clustering Algorithms Incorporating Local Information for Image Segmentation[J].Pattern Recognit,2007,40(3):825⁃838.[12]KRINIDIS S,CHATZIS V.A Robust Fuzzy Local Information C⁃Means Clustering Algorithm[J].IEEE Trans Image Process, 2010,19(5):1328⁃1336(责任编辑:刘东亮)。
SAR图像高精度定位技术研究
SAR图像高精度定位技术研究合成孔径雷达(SAR)图像是一种通过合成孔径雷达系统获取的遥感图像,具有全天候、全天时、高分辨率等特点。
在军事、民用等领域,SAR图像广泛应用于目标检测、跟踪、识别等应用中。
然而,由于SAR 图像的成像机制和处理过程的复杂性,其定位精度往往受到多种因素的影响,如雷达系统参数、目标特性、图像处理方法等。
因此,研究SAR图像高精度定位技术具有重要的理论和应用价值。
当前SAR图像高精度定位技术的研究主要集中在以下几个方面:基于成像模型的定位技术:该方法通过建立SAR图像的成像模型,推导定位公式,实现高精度定位。
例如,Richards-Rabbitts定位算法是一种常用的基于成像模型的SAR图像定位算法,可实现高精度的距离和方位角估计。
基于特征提取的定位技术:该方法通过提取SAR图像中的纹理、边缘、相位等特征,利用计算机视觉和图像处理技术实现高精度定位。
例如,基于深度学习的特征提取方法可有效提高SAR图像的定位精度。
基于模型的定位技术:该方法通过建立SAR系统的数学模型,利用模型拟合和参数估计方法实现高精度定位。
例如,基于压缩感知技术的SAR图像重建方法可提高定位精度,同时降低计算复杂度。
虽然上述方法在某些情况下能够实现较高的定位精度,但仍然存在一些问题。
基于成像模型的定位技术往往需要精确的系统参数和复杂的计算过程,实时性较差。
基于特征提取的定位技术容易受到图像质量、噪声等因素的影响,稳定性较差。
基于模型的定位技术需要准确的模型和足够的训练数据,对于复杂场景和不同目标类型的适应性有待进一步提高。
SAR图像高精度定位技术的核心是通过对SAR图像中目标特征的提取和识别,确定目标在图像中的精确位置。
具体实现过程如下:SAR图像预处理:由于SAR图像的成像机制和处理过程的复杂性,往往需要进行预处理操作,如滤波、去噪、平移校正等,以提高图像质量和定位精度。
目标特征提取:利用SAR图像中的纹理、边缘、相位等特征,提取出目标在图像中的特征表现,如多尺度边缘检测、相位梯度等。
压缩感知层析sar matlab
压缩感知层析sar matlab压缩感知层析SAR是一种基于压缩感知理论的合成孔径雷达(SAR)重建算法。
在传统的SAR重建算法中,需要采集大量的雷达数据并进行传统的处理步骤,如功率谱估计、滤波、反向投影等,以得到高分辨率的成像图像。
然而,这种传统方法在数据采集、传输和存储等方面存在很大的困难和开销。
压缩感知理论认为,自然场景中的信号通常可以在稀疏的基础上进行压缩表示。
SAR图像中的目标通常是稀疏的,因此可以利用压缩感知理论来减少数据采集和处理的开销。
压缩感知层析SAR算法通过在数据采集阶段对信号进行下采样,然后在重建阶段通过最小化全变差(TV)正则化的目标函数来重建稀疏图像。
Matlab是一个常用的科学计算和数据分析软件,提供了丰富的算法和工具箱,可以用于实现压缩感知层析SAR算法。
在Matlab中,可以使用压缩感知算法工具箱(Compressive Sensing Toolbox)来实现压缩感知层析SAR算法的相关功能,如信号采样、重建和图像显示等。
使用Matlab实现压缩感知层析SAR算法的大致步骤如下:1. 导入原始的SAR数据。
2. 对原始数据进行下采样,得到稀疏的采样数据。
3. 使用压缩感知算法进行稀疏信号重建,如基于稀疏表示的重建算法(如基追踪算法、正交匹配追踪算法等)或基于全变差正则化的重建算法(如TV重建算法)等。
4. 对重建得到的稀疏图像进行反向投影,得到高分辨率的成像图像。
5. 显示和保存重建得到的成像图像。
需要注意的是,压缩感知层析SAR算法的具体实现可能会涉及到许多细节和参数选择,包括采样率、稀疏表示模型、正则化参数、迭代次数等。
因此,在具体实现中,需要根据实际情况进行适当的调整和优化。
- 1、下载文档前请自行甄别文档内容的完整性,平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益,请联系客服反馈,我们会尽快为您处理(人工客服工作时间:9:00-18:30)。
SAR IMAGE FORMATION:ERS SAR PROCESSOR CODED IN MATLAB(Copyright 2002, David T. Sandwell)The Range-Doppler Algorithm (Curlander and McDonough, Synthetic Aperture Radar: Systems & Signal Processing, Chapter 4, John Wiley & Sons, New York, 1991.)The basic SAR theory is conceptually simple yet when one looks into the inner workings of the SAR processor it appears quite complicated. The most difficult part of the problem is related to the coupling between the azimuthal compression and the orbital parameters. In the old days when the satellite orbits were not known very accurately, one would use techniques such as clutterlock and autofocus to derive the orbital parameters from the data. This is no longer necessary with the high accuracy orbits available today. A standard processing sequence follows where the first two steps are done onboard the satellite while the remaining 4 steps are done by the user with a digital SAR processor.Processing Onboard the SatelliteDemodulate- The electromagnetic wave consists of a chirp of bandwidth B(~15 MHz) superimposed on carrier frequency ωo (~5 GHz). To record the return signal, one could simply digitize the amplitude of the electric field E(t)at a sampling rate of 10 GHz using 1-byte encoding. However, this would generate 10 Gbytes of data every second! We are really only interested in how the chirp has been delayed and distorted by the reflection off the Earth’surface. The trick here is to use the shift theorem [Bracewell, 1978, p. 108] to isolate the 15 MHz part of the spectrum containing the chirp. Suppose we multiply the signal E(t) by e i2πωo t. This will shift the fourier transform of the signal as shown in the diagram below.o o oThe function E(t) is a real-valued function so we know that its fourier transform has Hermitian symmetry about the origin, that is E(-ω)=E*(ω). Because of this symmetry, all of the information in the time series is contained within the bandwidth of a single spectral peak. Next we low-pass filter the signal to isolate the spectral peak centered around the zero frequency. The original signal E(t) was a real-valued function but after this shift/filter operation the output complex. No information is lost in this process and now the output can be digitized at the much lower rate of twice the bandwidth of the chirp (~30 MHz).Digitize – The complex signal is digitized at 5 bits per pixel so the numbers range from 0 to 31; the mean value is about 15.5. Digitizing the data at 8 bits per pixel would seem more convenient but sending these extra 3 bits to the ground receiving exceeds the bandwidth of the telemetry so every effort is made to compress the data before transmission. Once the data are on the ground they are expanded to 8 bits (one byte) for programming convenience. Engineers refer to the real and imaginary parts of the signal as the in-phase (I) and quadrature (Q) components. The raw signal files contain rows of (11644 bytes) that represent a single radar echo. The first 412 bytes are timing and other information while the remaining 11232 bytes contain the 5616 complex numbers of raw signal data.Digital SAR ProcessingThe digital SAR processor is a computer program that converts the raw signal data into a single-look complex (SLC) image. An overview is provided in the diagram below this is followed by a detailed description of each step. With this information one can write a basic SAR processor using just a few lines of code in MATLAB. An example program is provided in the Appendix.Digital SAR Processing OverviewRaw Signal DataParameter File (e2_10001_2925.PRM)file information/formatinput_file e2_10001_2925.fix name of raw data fileSC_identity 2(1) – ERS-1 or (2) – ERS-2bytes_per_line 11644number of bytes in row of raw datafirst_sample 206412 bytes of timing information to skip overfd1248.115Doppler centroid estimated from data fDcI_mean15.504000mean value of real numbersQ_mean15.549000mean value of imaginary numbersicu_start 2576039268.848spacecraft clock for first sampleSC_clock_start1997078.767881851UTC for first sample YYYDDD.DDDDDDDD SC_clock_stop1997078.768074699UTC for last sample YYYDDD.DDDDDDDD radar characteristicsPRF 1679.902394pulse repitition frequency PRFrng_samp_rate 1.89625e+07range sampling rate fs chirp_slope 4.17788e+11chirp slope k pulse_dur 3.712e-05pulse durationτp radar_wavelength0.056666radar wavelengthλorbital informationnear_range 829924.365777 distance to first range bin Rnear earth_radius6371746.4379earth radius 1/2 way into image Re SC_height 787955.52spacecraft height 1/2 way into image H SC_vel7125.0330ground-track velocity Vprocessing informatio nnum_valid_az2800size of patch to processnum_patches10number of patches to processfirst_line1deskew n deskew (yes or no)st_rng_bin1start processing at row numbernum_rng_bins6144number of range bins in output filechirp_ext614extend the chirp to process outside swathFlip_iq n exchange real and imaginary numbers (yes or no) nlooks1number of azimuth echoes to averageimage alignmentrshift15.1range shift to align image to masterashift483.2azimuth shift to align image to masterstretch_r.0014569range stretch versus rangestretch_a-.0019436azimuth stretch versus rangea_stretch_r0.0range stretch versus azimutha_stretch_a0.0azimuth stretch versus azimuth(1)Range Compression – A sharp radar pulse is recovered by deconvolution of the chirp.This is done with fast fourier transform. There are 5616 points in the ERS-1 signal data and the chirp is 703 points long. Both are zero-padded to a length of 8192 prior to deconvolution to take advantage of the speed radix-2 fft algorithms. (Later we keep 6144 points, which enables one to extract the phase beyond the edges of the original swath.Since the chirp really did interact with the ground outside the digitized swath, this is not magic. The number 6144 has small prime factors that may be optimal for later 2-D fft phase unwrapping algorithms.)(2)Patch Processing – The next step is to focus the image in the along-track or azimuthdirection. This is also done by fft, but now we need to process columns rather than rows.For the ERS radar, the synthetic aperture is 1296 points long so we need to read at least that many rows into the memory of the computer. Actually 4096 rows is better number since it is a power of 2. A typical ERS raw data file has 28,000 rows so we will need to process many of these patches. One problem with this approach is that the synthetic aperture is only complete for the inner 2800 points of the 4096 data patch so the patches must have a 1296-point overlap. A 4096 x 5616 patch requires at least 184 Mbytes of computer memory for single precision real numbers. In the old days before this large memory space was available, each patch was transposed - corner turning – using high-speed disks so the data could be processed on a column-by-column basis. Nowadays a multiprocessor computer could process many patches in parallel and assemble the output files in the proper order since the overlapping patches are independent.(3)Range Migration – As we will see below, a point target will appear as a hyperbolic-shaped reflection as it moves through the synthetic aperture. In addition, there could be a pronounced linear drift due to an elliptical orbit and earth rotation. In other words, the target will migrate in range cell as a linear trend plus a hyperbola. The shape of this migration path is calculated from the precise orbital information. Prior to focusing the image along a single column, these signals must be migrated back to a constant range cell. This is called range migration and the fastest way to do this is by fourier transforming the columns first. Each fourier component corresponds to a unique Doppler shift and also a unique value of range migration; For an ideal radar, the first component will have zero Doppler and will correspond to the point on the earth that is perpendicular to the spacecraft velocity vector. The second component will have a small positive Doppler shift and a small migration of the range cells will be needed - and so on all the way throught the positive and negative Doppler spectrum.(4)Azimuth Compression – The final step in the processing is to focus the data in azimuth byaccounting for the phase shift of the target as it moves through the aperture. In the lecture on diffraction, we calculated the illumination pattern on a screen due to the propagation of a coherent wave from the aperture to the screen. The azimuth compression relies on the same theory although we do the opposite calculation – given the illumination pattern, calculate the shape of the aperture (reflectivity of the target).This is done by generating a second frequency-modulated chirp where the chirp parameters depend on the velocity of the spacecraft, the pulse repetition frequency (PRF), and the absolute range. The chirp is fourier transformed into Doppler space andmultiplied by each column of range-migrated data. The product is inverse fourier transformed to provide the focused image.Single-Look Complex (SLC) Image – As described above, only the inner 2800 rows use the complete synthetic aperture so these are written to an output file. The file-reading pointer is moved back 1296 rows to start the processing of the next patch. Because complete apertures are used for each patch, they will abut seamlessly.Range CompressionTo reduce the peak power of the radar transmitter associated with a short pulse, a long frequency-modulated chirp is emitted by the radar. This chirp propagates to the ground where it reflects from a swath typically 100 km wide. When it returns to the radar, the raw signal data consists of the complex reflectivity of the surface convolved with the chirp. Our objective is to recover the complex reflectivity by deconvolution of the chirp. As discussed above, this is the first step in the digital SAR processor. For the ERS-radar, the frequency-modulated chirp iss(t)=e iπkt2t<τp/2.wherek- chirp slope (4.17788 x 1011 s-2)τp- pulse duration (3.712 x 10 –5 s or ~11 km long)f s - range sampling rate (1.89625 x 107 s-1).An example of a portion of the chirp for the ERS- radar as well as its power spectrum and impulse response is shown below.The bandwidth of the chirp, B=kτ, has a value of 15.5 MHz for the ERS radar. A matchedpfilter is used to deconvolve the chirp from the data. In this case, the matched filter is simply the complex conjugate of the chirp or s*(t)=e−iπkt2. The convolution of s*(t) and s(t) is shown in the figure above. The effective range resolution of the radar is about 27 m.Using MATLAB code (Appendix) and the radar parmaters provided above, one can deconvolve the ERS chirp. The figure below is a small patch of ERS-2 data for an area around Pinyon Flat, California (track 127, frame 2925, orbit 10001). This area contains two radar reflectors (see figure below) spaced about 600 m apart that were installed in late 1996. The amplitude of the raw signal data appears as noise with a single horizontal streak due to missing data. The range-compressed data (right image) shows two vertical streaks due to the high reflectivity of the reflectors (red circles) as they migrate through the synthetic aperture.Azimuth CompressionAzimuth compression or azimuth focusing involves generation of a frequency-modulated chirp in azimuth based on the knowledge of the spacecraft orbit. The geometry of the strip-mode acquisition is shown below.s – slow time along the satellite trackx– ground-track positionV– ground track velocitys o – time when the target is in the center of the radar illumination patternH– spacecraft heightR g – ground rangeR(s)R o =Rnear+n*(C/fs) minimum range from the spacacraft to the targetThe complex phase of the return echo isC(s)=exp i 4πλR(s)where the range isR 2(s )=H 2+R g 2+x −sV ()2.This is a hyperbola that we can approximate using a parabolaR (s )=R o +˙ R o (s −s o )+˙ ˙ R o 2(s −s o )2+...where the dot indicates derivative with respect to slow time, s . Curlander and McDonough[1991] discuss the accuracy of this polynomial approximation. Is is good enough for strip-mode SAR but may be inadequate for the much longer apertures associated with spotlight-mode SAR.Now we need to calculate ˙ Rand ˙ ˙ R in terms of spacecraft parameters. Lets start with ˙ R by taking the derivative of R 2 with respect to s .∂R 2∂s =2R ˙ R ⇒ ˙ R =12R ∂R 2∂sWe note that ˙ R o is the velocity of the spacecraft in the range direction at the time s o and thus a measure of the Doppler shift when the target is in the center of the radar illumination pattern.˙ R o =−V x −s o V ()R oThe range acceleration ˙ ˙ Ris the derivative of the range rate ˙ R .˙ ˙ R =∂∂s 12R ∂R 2∂s =121R ∂2R 2∂s 2 +−1R 2∂R ∂s ∂R 2∂s This can be written as˙ ˙ R =V 2R +−V 2x −sV ()2R 3=V 2R 1−x −sV ()2R 2 .For the orbital characteristics of the ERS spacecraft, the second term is small so we have˙ ˙ R o ≅V 2R oNow we can write the phase of the return signal as a function of geometry and speedC (s )=exp i 4πλR o 2+˙ R o s −s o ()+˙ ˙ R o s −s o ()2/2[]orC (s )=exp i 4πR o 2λ exp i 2π−2V λx −s o V ()R o s −s o ()+2V 2λR o s −s o ()2/2Note that this function is another frequency-modulated chirp where and there are two important parameters the Doppler centroidf DC =−2V λx −s o V ()R oand the Doppler frequency ratef R =2V 2λR o.An example of this azimuthal chirp function for the ERS orbit/radar as well as its power spectrum and impulse response are shown below.Doppler centroidDoppler frequency rateThe bandwidth of the azimuthal chirp is equal to the pulse repition frequency (PRF = 1680 Hz).In this case the matched filter is simply the complex conjugate of the azimuthal phase function or C*(s).Azimuthal Compression Parameters and ERS OrbitThe Doppler centroid and Doppler frequency rate depend on the ground velocity of the spacecraft V , the wavelength of the radar λ, the minimum distance between the spacecraft andthe target R o , and a factor x −s o VR owhich is the squint angle .Ground velocity - First consider the ground velocity of the spacecraft. Precise orbital information is used to compute the velocity of the spacecraft at satellite altitude V s . As an exercise, show that the ground velocity isV =V s 1+H R e1/2where H is the local spacecraft height and R e is the local earth radius.Range - The quantity R o is the range to a particular column in the raw signal data file.R o =R near +n (c /2f s )where R near is the near range to the first column of the raw signal data file, n is the column number (0-5615), c is the speed of light and f s is the range sampling rate given in the previous section on range compression.Squint angle - Finally lets examine the quantity,x −s o VR o. This is related to something called the squint angle, γ, as shown in the following diagram.The squint angle is simply γ=tan −1x −s o V R o.For the ERS satellites, the squint angle is adjusted so the zero Doppler occurs roughly in the center of the antenna beam pattern. If the satellite orbit was circular and the earth was a non-rotating sphere, then the zero Doppler would correspond to a zero squint angle.For interferometry it is important that the beam patterns of the reference and repeat orbits have a large overlap at a given along-track spacecraft position. The requirement is that the Doppler centroid of the reference and repeat passes agree to about 1/2 of the pulse repetition frequency (PRF ). In late 1999, the gyroscopes on ERS-2 failed so it became difficult to control the squint angle of the spacecraft. Data acquired after this date may a Doppler centroid outside of the acceptable range and thus may be useless for interferometry.Using MATLAB code (Appendix) and the azimuth compression provided above, one canfocus the image in the azimuth direction. The figures below the same small patch of ERS-2 data for an area of Pinyon Flat, California. The range-compressed data (left image) shows two vertical streaks due to the high reflectivity of the reflectors (red circles) as they migrate through the synthetic aperture. The fully focusedimage (right) shows the high point-like reflectivity associated with the two radar reflectors.Appendix – MATLAB Code for Focusing ERS Signal Data%**************************************************** function [cref,fcref]=rng_ref(nfft,fs,pulsedur,slope) %% routine to compute ERS chirp and its fourier transform%% input% fs - sampling frequency, ts=1./fs% pulsedur - pulse duration% slope - chirp slope%% set the constants and make npts be odd%npts=floor(fs*pulsedur);ts=1./fs;if(mod(npts,2.0) == 0.0)npts=npts+1;end%% compute the reference function%npt2=floor(npts/2.);t=ts*(-npt2:npt2);phase=pi*slope*t.*t;cref1=exp(i*phase);%% pad the reference function to nfft%cref=[cref1,zeros(1,nfft-npts)]';%% compute the fourier transform%fcref=fft(cref)/nfft;%**************************************************** function [cazi,fcazi]=azi_ref(nazi,PRF,fdc,fr)%% routine to compute ERS azimuthal chirp and its fourier transform%% input% nazi - number of points in azimuth% PRF - pulse repitition frequency, ts=1./fs % fdc - doppler centriod frequency% fr - doppler frequency rate%% set the constants and make npts be odd%npts=min(nazi-1,1296);ts=1./PRF;if(mod(npts,2.0) == 0.0)npts=npts+1;end%% compute the azimuth chirp function%npt2=floor(npts/2.); t=ts*(-npt2:npt2);phase=-2.*pi*fdc*t+pi*fr*t.*t;cazi1=exp(i*phase);%% pad the function to nfft%cazi=[cazi1(npt2:npts),zeros(1,nazi-npts),cazi1(1:npt2-1)]';%% compute the fourier transform%fcazi=fft(cazi)/nazi;%**************************************************** function [csar,nrow,ncol]=read_rawsar(sar_file) %% routine to read and unpack ERS SAR data in DPAF format%fid=fopen(sar_file,'r');%% read the bytes%[sar,nsar]=fread(fid,'uchar');sar=reshape(sar,11644,nsar/11644);nrow=nsar/11644;ncol=5616;st=fclose(fid);%% extract the real and imaginary parts% and remove the mean value%csar=complex(sar(413:2:11643,:)-15.5,sar(414:2:11644,:)-15.5);%%**************************************************** % matlab script to focus ERS-2 signal data%% set some constants for e2_10001_2925%% range parameters%rng_samp_rate = 1.896e+07;pulse_dur = 3.71e-05;chirp_slope = 4.1779e+11;%% azimuth parameters%PRF=1679.902394;radar_wavelength=0.0566666;SC_vel=7125.;%% compute the range to the radar reflectors%near_range=829924.366;15dr=3.e08/(2.*rng_samp_rate);range=near_range+2700*dr;%% use the doppler centroid estimated from the data and the% doppler rate from the spacecraft velocity and range%fdc=284;fr=2*SC_vel*SC_vel/(range*radar_wavelength);%% get some sar data%[cdata,nrow,ncol] = read_rawsar('rawsar.raw');%% make a colormap%map=ones(21,3);for k=1:21;level=0.05*(k+8);level=min(level,1);map(k,:)=map(k,:).*level;endcolormap(map);%% image the raw data%figure(1)subplot(2,2,1),imagesc(abs(cdata'));xlabel('range')ylabel('azimuth')title('unfocussed raw data')axis([2600,2900,1000,1200])%% generate the range reference function%[cref,fcref]=rng_ref(ncol,rng_samp_rate,pulse_dur,chir p_slope);%% take the fft of the SAR data%fcdata=fft(cdata);%% multiply by the range reference function%cout=0.*fcdata;for k=1:nrow;ctmp=fcdata(:,k);ctmp=fcref.*ctmp;cout(:,k)=ctmp;endclear cdata%% now take the inverse fft%odata=ifft(cout);clear cout %% plot the image and the reflector locations%x0=[2653.5,2621];x0=x0+90;y0=[20122,20226];y0=y0-19500+427;figure(1)holdsubplot(2,2,2),imagesc(abs(odata'));plot(x0,y0,'o')xlabel('range')ylabel('azimuth')title('range compressed')axis([2600,2900,1000,1200])%% use this for figure 2 as well%figure(2)colormap(map);subplot(2,2,1),imagesc(abs(odata'));hold onplot(x0,y0,'o')xlabel('range')ylabel('azimuth')title('range compressed')axis([2600,2900,1000,1200])%% generate the azimuth reference function%[cazi,fcazi]=azi_ref(nrow,PRF,fdc,fr);%% take the column-wise fft of the range-compressed data%fcdata=fft(odata');%% multiply by the azimuth reference function%cout=0.*fcdata;for k=1:ncol;ctmp=fcdata(:,k);ctmp=fcazi.*ctmp;cout(:,k)=ctmp;end%% now take the inverse fft and plot the data%odata=ifft(cout);figure(2)subplot(2,2,2),imagesc(abs(odata));hold onplot(x0,y0,'o')xlabel('range')ylabel('azimuth')title('range and azimuth compressed')axis([2600,2900,1000,1200])。