Спекл (интерференция) - Speckle (interference)

Крапинка является гранулированным вмешательством, которое по своей сути существует и ухудшает качество активного радар, радар с синтезированной апертурой (SAR), медицинский ультразвук и оптической когерентной томографии изображений.

Подавляющее большинство поверхностей, синтетических или натуральных, чрезвычайно шероховатые по длине волны. Изображения, полученные с этих поверхностей с помощью систем когерентной визуализации, таких как лазер, SAR и ультразвук, страдают от общего явления интерференции, называемого спеклами. Происхождение этого явления можно увидеть, если мы смоделируем нашу функцию отражательной способности как массив рассеивателей. Из-за конечного разрешения в любой момент мы получаем от распределения рассеивателей в пределах ячейки разрешения. Эти рассеянные сигналы складываются когерентно; то есть они складываются конструктивно и деструктивно в зависимости от относительных фаз каждой рассеянной формы волны. Пятна возникают в результате этих структур конструктивной и деструктивной интерференции, которые отображаются на изображении в виде ярких и темных точек. [1]

Хотя спекл-шум обычно называют "спекл-шумом", он не шум в его общепринятом смысле нежелательной модификации полезного сигнала. Скорее всего, колеблется сам сигнал, потому что рассеиватели не идентичны для каждой ячейки, и сигнал очень чувствителен к небольшим изменениям рассеивателей.[2]

Пятна в обычном радаре увеличивают средний уровень серого в локальной области.[3]

Пятна в SAR обычно серьезны, вызывая трудности при интерпретации изображений.[3][4] Это вызвано когерентной обработкой сигналов обратного рассеяния от нескольких распределенных целей. Например, в океанографии РСА спекл вызывается сигналами элементарных рассеивателей, т.е. гравитационно-капиллярная рябь, и проявляется как изображение пьедестала под изображением морских волн.[5][6]

Спекл также может представлять некоторую полезную информацию, особенно когда он связан с лазерный спекл и к динамический спекл явление, при котором изменения пятнистый узор во времени может быть мерой активности поверхности.

Уменьшение пятен

Для устранения пятен используется несколько различных методов, основанных на различных математических моделях явления.[5] Один метод, например, использует многоуровневая обработка (a.k.a. обработка нескольких изображений), усредняя спекл, делая несколько "взглядов" на цель за один проход радара.[3][4] Среднее - это несвязное среднее взглядов.[4]

Второй метод предполагает использование адаптивный и неадаптивные фильтры для обработки сигнала (где адаптивные фильтры адаптируют свои веса по изображению к уровню спеклов, а неадаптивные фильтры применяют одинаковые веса равномерно по всему изображению). Такая фильтрация также исключает фактическую информацию изображения, в частности высокочастотную информацию, и применимость фильтрации и выбор типа фильтра требует компромиссов. Адаптивная фильтрация спеклов лучше сохраняет края и детали в областях с высокой текстурой (таких как леса или городские районы). Неадаптивная фильтрация проще в реализации и требует меньше вычислительной мощности.[3][4]

Существует две формы неадаптивной фильтрации спеклов: одна основана на иметь в виду и один на основе медиана (в пределах заданной прямоугольной области пикселей изображения). Последний лучше сохраняет края и устраняет шипы, чем первый. Существует множество форм адаптивной фильтрации спеклов,[7] в том числе Ли фильтр, то Морозный фильтр, а Фильтр Refined Gamma Maximum-A-Posteriori (RGMAP). Однако все они опираются на три основных допущения в своих математических моделях:[3]

  • Спекл в SAR - это мультипликативный, т.е. он прямо пропорционален локальному уровню серого в любой области.[3]
  • Сигнал и спекл статистически независимы друг от друга.[3]
  • Среднее значение выборки и отклонение одного пикселя равны среднему значению и дисперсии локальной области, центрированной на этом пикселе.[3]

Фильтр Ли преобразует мультипликативную модель в аддитивную, тем самым сводя проблему обработки спеклов к известному разрешимому случаю.[8]

Вейвлет-анализ

В последнее время использование вейвлет-преобразования привело к значительным успехам в анализе изображений. Основная причина использования многомасштабной обработки заключается в том, что многие естественные сигналы при разложении на вейвлет-основы значительно упрощаются и могут быть смоделированы с помощью известных распределений. Кроме того, вейвлет-разложение может разделять сигналы разных масштабов и ориентации. Таким образом, исходный сигнал любого масштаба и направления может быть восстановлен, и полезные детали не будут потеряны.[9]

Первые многомасштабные методы уменьшения спеклов были основаны на пороговой обработке коэффициентов детализации поддиапазонов.[10] Методы определения пороговых значений вейвлетов имеют некоторые недостатки: (i) выбор порогового значения выполняется произвольно, предполагая, что полезные и нежелательные компоненты сигнала подчиняются своим известным распределениям, независимо от их масштаба и ориентации; и (ii) процедура определения порога обычно приводит к некоторым артефактам в шумоподавленном изображении. Чтобы устранить эти недостатки, были разработаны нелинейные оценки, основанные на теории Байеса.[9][11]

Смотрите также

Рекомендации

  1. ^ М. Форузанфар и Х. Абришами-Могхаддам, Уменьшение ультразвуковых пятен в области сложных вейвлетов, в Принципах разнообразия форм волн и дизайна, М. Викс, Э. Моколе, С. Блант, Р. Шнайбле и В. Амусо (ред. ), SciTech Publishing, 2010, Раздел B - Часть V: Дистанционное зондирование, стр. 558-77.
  2. ^ Морейра, Альберто; Пратс-Ираола, По; Юнис, Марван; Кригер, Герхард; Хайнсек, Ирена; Папатанасиу, Константинос П. (2013). "Учебное пособие по радарам с синтезированной апертурой" (PDF). Журнал IEEE Geoscience and Remote Sensing Magazine. 1: 6–43. Дои:10.1109 / MGRS.2013.2248301.
  3. ^ а б c d е ж грамм час Брандт Цо и Пол Мазер (2009). Методы классификации данных дистанционного зондирования (2-е изд.). CRC Press. С. 37–38. ISBN  9781420090727.
  4. ^ а б c d Джорджио Франческетти и Риккардо Ланари (1999). Обработка радара с синтетической апертурой. Серия электронных инженерных систем. CRC Press. стр. 145 и след. ISBN  9780849378997.
  5. ^ а б Каневский Михаил Борисович (2008). Радиолокационное изображение океанских волн. Эльзевир. п. 138. ISBN  9780444532091.
  6. ^ Александр Я. Пасмуров и Юлий С. Зиновьев (2005). Радиолокационная визуализация и голография. Серия радаров, сонаров и навигации IEE. 19. ИЭПП. п. 175. ISBN  9780863415029.
  7. ^ Argenti, F .; Лапини, А .; Bianchi, T .; Альпароне, Л. (сентябрь 2013 г.). «Учебное пособие по уменьшению пятен на радиолокационных изображениях с синтезированной апертурой». Журнал IEEE Geoscience and Remote Sensing Magazine. 1 (3): 6–35. Дои:10.1109 / MGRS.2013.2277512.
  8. ^ Пьеро Замперони (1995). «Улучшение изображения». В Питере У. Хоуксе; Вениамин Казан; Том Малви (ред.). Достижения в области визуализации и электронной физики. 92. Академическая пресса. п. 13. ISBN  9780120147342.
  9. ^ а б M. Forouzanfar, H. Abrishami-Moghaddam и M. Gity, «Новый многомасштабный байесовский алгоритм для уменьшения спеклов в медицинских ультразвуковых изображениях», Обработка сигналов, изображений и видео, Springer, vol. 4, стр. 359-75, сентябрь 2010 г.
  10. ^ Маллат, С .: Вейвлет-тур по обработке сигналов. Academic Press, Лондон (1998)
  11. ^ Argenti, F .; Bianchi, T .; Лапини, А .; Альпароне, Л. (январь 2012 г.). «Быстрое удаление пятен MAP на основе лапласовско-гауссовского моделирования вейвлет-коэффициентов». Письма IEEE по наукам о Земле и дистанционному зондированию. 9 (1): 13–17. Дои:10.1109 / LGRS.2011.2158798.

дальнейшее чтение

  • Ченг Хуа и Тянь Цзиньвэнь (2009). «Уменьшение спеклов на радиолокационных изображениях с синтезированной апертурой на основе нечеткой логики». Первый международный семинар по образовательным технологиям и информатике, Ухань, провинция Хубэй, Китай, 7–08 марта 2009 г.. 1. С. 933–937. Дои:10.1109 / ETCS.2009.212.
  • Forouzanfar, M., Abrishami-Moghaddam, H., and Dehghani, M., (2007) «Уменьшение пятен на медицинских ультразвуковых изображениях с использованием нового многомасштабного двумерного байесовского метода на основе MMSE», IEEE 15-я конференция приложений обработки сигналов и связи. (SIU'07), Турция, июнь 2007 г., стр. 1–4.
  • Седеф Кент; Осман Нури Осан и Толга Энсари (2004). «Уменьшение спеклов на радиолокационных изображениях с синтезированной апертурой с помощью вейвлет-фильтрации». В ITG; VDE; ФГАН; DLR; EADS и Astrium (ред.). EUSAR 2004 - Труды - 5-я Европейская конференция по радарам с синтезированной апертурой, 25–27 мая 2004 г., Ульм, Германия. Маргрет Шнайдер. С. 1001–1003. ISBN  9783800728282.
  • Эндрю К. Чан и Ченг Пэн (2003). «Вейвлет-приложения для обработки РСА-изображений». Вейвлеты для сенсорных технологий. Библиотека дистанционного зондирования Artech House. Артек Хаус. ISBN  9781580533171.
  • Чон-Сен Ли и Эрик Поттье (2009). «Поляриметрическая фильтрация спеклов РСА». Поляриметрическая радиолокационная визуализация: от основ до приложений. Серия «Оптика и техника». 142. CRC Press. ISBN  9781420054972.