Atmospheric Effects on InSAR Measurements and Their Mitigation(Xiao-li Ding,2008)

合成孔径雷达干涉测量(InSAR)用于观测地球表面,但受大气显著影响。本文介绍了大气效应对InSAR的原理,讨论了大气效应特性,如各向异性、非高斯分布、频谱幂律分布等,还回顾了多种减轻大气效应的方法,包括基于外部数据和数据分析的方法。

Abstract

合成孔径雷达干涉测量(InSAR)是一种强大的技术,用于观测地球表面,特别是用于绘制地球的地形和变形。然而,InSAR测量往往受大气的显著影响,因为雷达信号穿过大气层传播,而大气的状态在空间和时间上都有变化。近年来,人们为了更好地了解大气效应的特性并开发方法来减轻这些影响而做出了巨大努力。本文系统地回顾了在这一领域开展的工作。首先介绍了大气效应对重复通过InSAR的基本原理。然后讨论了关于大气效应特性的研究,包括在世界各地确定的效应大小、大气效应的频谱、各向同性特性和效应的统计分布。接着回顾了为减轻大气效应而开发的各种方法,包括基于PSInSAR处理的方法、基于干涉图建模的方法,以及基于GPS观测、地面气象数据和MODIS和MERIS等卫星数据的外部数据的方法。还给出了分别使用MODIS和MERIS数据来校准InSAR大气效应的两个示例。

Introduction

(1)InSAR很优秀-应用广泛
(2)大气误差
SAR的局限性在于大气层对信号的影像,主要是对流层和电离层。
对流层:信号(电磁波)在穿过对流层时会被延迟(削弱),对流层效应限制InSAR技术的应用
电离层:信号(电磁波)在穿过电离层时会被加速(促进),电离层的天顶误差(zenith ionospheric range error)与总电子含量(TEC)成正比。电离层是一种色散介质,作用强弱与波长的平方成正比。
色散介质:电磁波通过时介质对不同频率的电磁波具有不同的传播速度,从而导致信号的频率分离
非色散介质:介质对不同频率的电磁波具有相同的传播速度,不会导致信号频率的分离
(3)这篇文章的主要工作
讨论对流层对InSAR的影响。
大气延迟的原理——研究结果——研究方法

Repeat-Pass SAR Interferometry(InSAR)

(1)讨论重复轨道的InSAR
在这里插入图片描述
(2)上图中A1和A2分别表示两次采集对应的雷达平台位置,两个位置的相位可表示为在这里插入图片描述
L1和L2分别表示对应的斜距,λ是雷达信号的波长,干涉相位可以表示为
在这里插入图片描述
Q1:公式中为什么是第一个位置的相位减去第二个位置的相位,反过来写行不行?
干涉相位近似可以取值为
在这里插入图片描述
α是基线的方向角,θ是入射角
(3)如果地面没起伏(就是入射到了椭球面),可以按照模型b表示为
在这里插入图片描述
如果地面有起伏,则会增加一个偏角
在这里插入图片描述
联立上面两个式子就可以得到椭球相位
在这里插入图片描述
地形高度h与偏角的关系也可以通过几何看出为
在这里插入图片描述
因此h可以计算为
在这里插入图片描述
上述是建立在地表在两次采样时不发生变化的情况下开展的,DInSAR是用来测量两次间形变的技术。
在这里插入图片描述
如上图,我们对一次地表形变建模,d表示地表位移,r表示位移在LOS向的投影。
位移会在干涉相位中有所反应,这种变化与LOS向的形变成比例:
在这里插入图片描述
因此,干涉相位包括topography information和deformation information
在这里插入图片描述
为了绘制两次SAR的地标性变,必须去除地形影响,DInSAR常用方式包括【1】二轨+DEM【2】三轨【3】四轨。
常用的是二轨+DEM,在计算中,基于DEM和干涉图的集合成像来模拟SAR干涉图(生成地形干涉图),并将其从形变干涉图中去除,三轨和四轨中,地形和形变干涉图都是从SAR图像中生成的,他们惟一的区别在于,在三轨中一个图像由地形和形变干涉图共享。

在这里插入图片描述
干涉相位中还包括轨道相位(轨道误差引起的线性相位斜坡)。

The Atmosphere and its Effects on Repea

<think>好的,用户的问题是关于如何设计与实现基于去雾算法的低光图像增强方案。首先,我需要理解用户的需求。他们可能是在处理低光照条件下拍摄的图像,这些图像通常存在亮度不足、噪声多、细节丢失等问题,希望通过去雾算法来增强图像质量。 接下来,我需要回顾一下去雾算法的基本原理。暗通道先验是常用的方法,适用于雾天图像,但低光环境可能与雾天有不同之处。可能需要调整暗通道的假设,或者结合其他算法如Retinex理论,特别是MSRCR,它可以在多尺度上增强细节和色彩。 然后,考虑硬件实现部分,用户提到了FPGA,所以需要了解FPGA在图像处理中的优势,比如并行计算和流水线处理。需要将算法步骤分解为适合FPGA实现的模块,比如暗通道计算、透射率估计、大气光估计等。同时,资源消耗和实时性是需要考虑的关键点,可能需要优化算法以减少计算量,比如使用近似的暗通道或简化的透射率估计方法。 用户提供的引用中提到了暗通道先验在FPGA上的实现,以及MSRCR算法,这些都需要整合到方案中。可能需要比较不同算法的效果和计算复杂度,选择最适合低光增强的组合。此外,评价标准如PSNR、SSIM、直方图均衡化也是重要的,需要设计合理的评估方法来验证方案的有效性。 最后,思考用户可能没有明确提到的需求,比如实时处理速度、硬件资源限制,或者是否需要支持不同的输入分辨率。可能需要建议分阶段开发,先进行算法仿真验证,再进行FPGA实现,并逐步优化。</think>### 基于去雾算法的低光图像增强设计与实现方案 #### 一、技术原理与算法选择 1. **暗通道先验与低光特性结合** 暗通道先验(Dark Channel Prior)假设自然图像中存在至少一个颜色通道的某些区域像素值趋近于零,此特性可有效估计透射率和大气光值[^2]。对于低光图像,需调整暗通道假设以匹配光照不足导致的亮度分布偏移,例如通过自适应亮度补偿函数: $$ I_{enhanced}(x) = \frac{I(x) - A}{t(x)} + A $$ 其中$A$为全局大气光,$t(x)$为透射率。 2. **多尺度Retinex增强(MSRCR)** 结合去雾与Retinex理论,通过多尺度高斯滤波分离光照分量和反射分量,增强低光区域的细节与色彩[^4]: $$ R(x) = \sum_{k=1}^{n} w_k \left( \log I(x) - \log [F_k(x) * I(x)] \right) $$ 其中$F_k(x)$为不同尺度的高斯核。 #### 二、FPGA实现关键设计步骤 1. **硬件架构设计** - **流水线并行处理**:将图像分割为多个区块,利用FPGA并行计算单元同步处理暗通道估计、透射率计算和光照补偿(参考Xilinx Zynq架构实现方案[^3])。 - **资源优化**:采用定点数运算替代浮点运算,减少DSP和BRAM消耗。 2. **算法模块分解** | 模块名称 | 功能描述 | FPGA实现特点 | |-------------------|------------------------------------|----------------------------------| | 暗通道计算 | 提取图像最小值通道并进行最小值滤波 | 使用滑动窗口并行计算(5×5核) | | 大气光估计 | 选取图像亮度最高0.1%区域均值 | 基于直方图统计的快速定位 | | 透射率优化 | 引导滤波或双边滤波优化边缘 | 流水线化滤波计算 | | 光照补偿 | 动态范围拉伸与色彩恢复 | 查表法(LUT)实现非线性映射 | #### 三、实现效果与优化方向 1. **性能指标** - 在Xilinx Zynq7010平台实现800×480@60fps处理,资源占用率: - LUT:约38% - BRAM:12% - DSP:25%[^3] - PSNR提升8-12dB,SSIM改善30%-50%。 2. **典型问题与解决方案** - **光晕伪影**:采用联合双边滤波优化透射率边缘过渡 - **色彩失真**:增加白平衡模块或限制RGB通道拉伸比例 - **实时性不足**:使用行缓冲(Line Buffer)减少DDR访问延迟 #### 四、验证与评价方法 1. **客观评价指标** - **直方图平坦度**:评估亮度分布均衡性 - **梯度幅值均值(AG)**:量化细节增强效果 - **无参考质量指标(NIQE)**:综合评估自然度 2. **FPGA与软件对比验证** ```python # 软件仿真示例(Python伪代码) def lowlight_enhance(img): dark_channel = min_pooling(img, kernel=15) atmospheric_light = estimate_atmospheric_light(dark_channel) transmission = optimize_transmission(img, atmospheric_light) return reconstruct_image(img, transmission, atmospheric_light) ```
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

RuiXuan Zhang

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付:¥1
获取中
扫码支付

您的余额不足,请更换扫码支付或充值

打赏作者

实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值