Redukcja efektu plamkowania na obrazach radarowych z wykorzystaniem propagacyjno-separacyjnego algorytmu metody największej wiarygodności

• Autorzy: Kolecki J. , Badurska M.

Warianty tytułu

EN

Despeckling of synthetic aperture radar images using propagation-separation approach for local likelihood

• Języki publikacji: PL

Abstrakty

PL

Redukcja szumów na obrazach jest istotnym etapem wstępnego przetwarzania danych. Zagadnienie redukcji szumów było wielokrotnie poruszane w licznych publikacjach naukowych. Przygotowanie danych przed wykonaniem właściwych analiz jest szczególnie ważne w przypadku obrazów radarowych, charakteryzujących się specyficznym szumem (tzw. speckle effect), który jest główną przeszkodą w interpretacji i klasyfikacji obrazów radarowych. Do redukcji tego typu szumów zaproponowano w pracy, opublikowaną w roku 2006 przez J. Polzehl i V. Spokoiny, nieparametryczną metodę opartą na stałym, lokalnym wygładzaniu z adaptacyjnym wyborem wag dla każdej pary punktów na obrazie (Adaptive Weights Smoothing – AWS). Algorytm AWS nie został do tej pory szczegółowo sprawdzony na obrazach radarowych. Zaproponowana metodyka stosowania algorytmu AWS polega na scaleniu w końcowy wynik przetworzenia trzech obrazów: obrazu oryginalnego i dwóch obrazów stanowiących rezultat działania algorytmu. Do badań wykorzystano zobrazowania wysokorozdzielczego satelity TerraSAR-X, testując rezultaty proponowanego podejścia na obrazach radarowych pozyskanych w różnych trybach, o różnej rozdzielczości i przedstawiających teren o różnym zagospodarowaniu (pola uprawne, obszar miejski). Rezultaty działania badanego algorytmu porównano z wynikami redukcji efektu plamkowania przy użyciu popularnych filtrów adaptacyjnych (filtru Lee i filtru Frost). Otrzymane wyniki potwierdzają przydatność algorytmu AWS jako efektywnego narzędzia redukującego charakterystyczne szumy radarowe.

EN

Solving the problem of image smoothing is regarded as an essential stage in preparing digital images for further processing. It was tackled by a number of studies. The presence of speckle noise in SAR images is the major obstacle in interpreting, classifying, and analyzing SAR images. The main problem in many remote sensing applications is the extraction and interpretation of information about the objects which are present on SAR images. This makes the speckle noise reduction a very important task. The reduction of speckles was performed by applying the nonparametric method, described by J. Polsehl and V. Spokoiny in 2006; the method is based on locally constant smoothing with an adaptive choice for every pair of data points (Adaptive Weights Smoothing – AWS). The AWS algorithm has never been tested in detail on SAR data. This paper describes the methodology of using the AWS algorithm by integrating three images: one original image and two images determining the result of the algorithm processed. The performance of the proposed method was tested on high-resolution X-band synthetic aperture radar TerraSAR-X images and was compared with popular adaptive filters (Lee, Frost). The method presented was tested on two samples extracted from images captured in different imaging modes, with different geometric resolution and showing various land use and land cover. The results confirm the utility of the propagation-separation approach for radar image smoothing.

Słowa kluczowe

PL

SAR; speckle; filtr adaptacyjny; TerraSAR-X

EN

TerraSAR-X; SAR; speckle; adaptive filter

• Wydawca: Zarząd Główny Stowarzyszenia Geodetów Polskich
• Czasopismo: Archiwum Fotogrametrii, Kartografii i Teledetekcji
• Rocznik: 2008
• Tom: Vol. 18a
• Strony: 251--261
• Opis fizyczny: Bibliogr. 7 poz.

Twórcy

autor

Kolecki J.

• Katedra Geoinformacji, Fotogrametrii i Teledetekcji Środowiska, Wydział Geodezji Górniczej Inżynierii Środowiska, AGH, Kraków, tel. [phone]

autor

Badurska M.

• Katedra Geoinformacji, Fotogrametrii i Teledetekcji Środowiska, Wydział Geodezji Górniczej Inżynierii Środowiska, AGH, Kraków, tel. [phone]

Bibliografia

• 1. Lee J. S., 1980. Digital Image Enhancement and Noise Filtering by Use of Local Statistics. IEEE Transactions on Pattern Analysis and Machine Intelligence, Vol. PAMI- 2, s. 165-168
• 2. Frost V. S., Stiles J. A., Shanmugan K. S., Holtzman J.C., 1982. A Model for Radar Images and Its Application to Adaprive Digital Filtering of Multiplicative Noise. IEEE Transactions on Pattern Analysis and Machine Intelligence, Vol. PAMI-4, s.157-166
• 3. Polzehl J., Spokoiny V. G., 2000. Adaptive weights smoothing with applications to image restoration. Journal of the Royal Statistical Society, B 62, Part 2, s. 335-354
• 4. Polzehl J., Spokoiny V. G., 2006. Propagation-Separation Approach for Local Likelihood Estimation. Probability Theory and Related Fields, 135, s. 335-362.
• 5. Polzehl J., Tabelow K., 2007. Adaptive Smoothing of Digital Images: The R Package adimpro. Journal of Statistical Software, Vol. 19.
• 6. Xiao J., Li J., Moody A., 2003. A detail preserving and flexible adaptive filter for speckle suppression in SAR imagery. INT. J. Remote Sensing, Vol. 24, No. 12, 2451- 2465, Taylor&Francis
• 7. CRAN – The Comprehensive R Archive Network: http://cran.rakanu.com/