Los tópicos tratados aquí son:
La calidad radiométrica del dato SAR es afectada tanto por factores inherentes al instrumento, como por la geometría de iluminación. Las dos principales causas de distorsiones radiométricas que perjudican la interpretación de las imágenes de radar son: el ruido "speckle" y el efecto del patrón de antena.
El ruido Speckle es uno de los principales factores que degradan la calidad de las imágenes SAR. El Speckle es un ruido multiplicativo que es proporcional a la intensidad de la señal recibida. El efecto visual de este ruido proporciona una textura granulosa que puede dificultar la interpretación de las imágenes de radar, reduciendo la separabilidad entre las clases de uso del suelo, tipos litológicos etc.
Existen dos métodos para disminuir el ruido Speckle: el filtraje y el procesamiento "multi-look". Los filtros deben mantener el valor medio del retorno del radar (backscatter), preservar los bordes presentes en la imagen y las informaciones de textura.
Filtros de Ruido Speckle Filtro de Frost: es un filtro de
convolución lineal, derivado de la minimización del error medio cuadrático
sobre el modelo multiplicativo del ruido. En este filtro se incorpora la
dependencia estadística de la señal original, una vez que se supone una función
de correlación espacial exponencial entre pixels. Es un filtro adaptativo que
preserva la estructura de bordes.
Filtro de Lee: adopta un modelo multiplicativo para el ruido y obedece el criterio de "local lineal minimum mean square error". Local, porque utiliza estadísticas locales del pixel que será filtrado, admitiendo la no estacionaridad de la media y de la varianza de la señal. Es un filtro lineal porque realiza una linearización por expansión en serie de Taylor de multiplicación de la señal y el ruido en torno de la media, utilizando apenas los términos lineares. El resultado de la linearización transforma el modelo multiplicativo del ruido en aditivo, o sea, el ruido y la señal se tornan independientes; y finalmente, "minimum mean square error", porque minimiza el error medio cuadrático a través del filtro de Wiener (filtro basado en el criterio del mínimo error medio cuadrático). El filtro de Lee es un filtro adaptativo y general.
Filtro de Kuan/Nathan: adopta el modelo multiplicativo. El procedimiento es semejante al de Lee, donde la estimativa punto a punto es hecha utilizándose el filtro de Wiener. La diferencia entre ellos, entretanto, consiste en el hecho de que en el filtro de Kuan/Nathan no se realiza ninguna aproximación. Es también un filtro adaptativo y general.
Þ Eliminar el Ruido Speckle:
- # Iniciar - Programas - Spring - Spring( ) #spring
(
)
SPRING
* Activar el banco de datos Curso
* Activar el proyecto Radar
* Visualizar la imagen Ima_radar
- [Imagen][Filtraje...]
Filtraje
- (Tipos <=> Radar)
- (Lee)
- (Tipo <=> Adaptativo)
- {PI de Salida: Sarex_Lee}
- (Área del Proyecto...)
Área del Proyecto
- (Cursor - Sí)
* Seleccionar área con cursor sobre la imagen
- (Adquirir)
- (Ejecutar)
Filtraje
- (Ejecutar)
- Efectuar el mismo
procedimiento para el filtro Kuan {PI de Salida: Sarex_Kuan}
- Efectuar el mismo procedimiento para el filtro Frost, con:
Filtraje - {PI de Salida:
Sarex_Frost}
- (Coeficiente de Correlación <=> 89)
* Visualizar los resultados y comparar
El algoritmo consiste en generar un Patrón a través de la media de las columnas de la imagen. La media de las columnas debe ser tomada en regiones (ventanas) tan homogéneas cuanto posibles. Se debe garantizar que exista la media en toda la dirección de "range".
El Patrón obtenido a través de la media de las columnas debe ser filtrado (ajustado) para que se obtengan solamente las variaciones de baja frecuencia.
Dos métodos pueden ser utilizados en el filtraje (ajuste). El primer método es el de la media móvil, que consiste en filtrar el Patrón a través de un filtro de media, donde el número de puntos de la media es definido por el tamaño de la ventana de la interfaz. El segundo método es el ajuste por polinomio, donde el grado del polinomio es seleccionado a través de la interfaz.
Þ Corrección del Patrón de Antena:
- # Iniciar - Programas - Spring - Spring( ) #spring
(
)
SPRING
* Activar banco de datos Curso
* Activar proyecto Tapajos
* Visualizar la imagen Sarex
- [Imagen][Corrección del Patrón de Antena...]
Corrección del Patrón de
Antena
- Seleccionar una muestra sobre la imagen
- (Adquirir)
* Repetir hasta que toda la variación de tonos sea adquirida
- (AJUSTE DE PATRÓN <=> Media Móvil)
- (Ajustar), (Visualizar...)
* Aplicar las opciones (Media Móvil) y (Polinomio) y seleccione la mejor
- {Imagen de Salida: Sarex_cpa}
- (Ejecutar)
Otro tipo de distorsión geométrica es aquella debida a la visión lateral del radar. La visión lateral hace que la imagen obtenida tenga una proyección inclinada en relación al suelo, esto provoca una compresión de la imagen. Esta compresión varía a lo largo de la franja registrada, cuanto más próximos los pixels de la imagen estén del nadir, más comprimidos estos serán.
La conversión de la imagen de la proyección inclinada para la proyección en el suelo es llamada de conversión "slant to ground range".
La imagen "slant" (en la proyección inclinada) está relacionada con el modo de adquisición en radares de visión lateral. Las figuras que siguen muestran como es realizado el proceso de adquisición de los datos.
Muestreo del eco recibido a intervalos Ta
El proceso de muestreo hace que la información contenida en cada intervalo Ta,
no tenga la misma área para las muestras situadas en "range" próximo
en relación a las de "range" distante, debido a la variación del
ángulo de incidencia , como muestra la próxima figura.
Imagen en "Slant" y "Ground Range"
La imagen formada es llamada de "inclinada" o en "slant
range". Esa imagen posee una distorsión geométrica, pues las muestras SR
igualmente espaciadas en la franja registrada no son igualmente espaciadas en
el suelo, GR. Para que la imagen pueda ser registrada y geocodificada, las
muestras en el suelo deben ser igualmente espaciadas, para ello es necesario
convertir la imagen de "slant" para "ground
range".
La conversión consiste en proyectar las muestras (pixels) en el suelo y remuestreárlas después con una separación uniforme. Para hacer la conversión son utilizados parámetros referentes a la geometría del SAR como la altura de vuelo, distancia mínima (distancia entre el sensor y el primer pixel), tiempo mínimo (tiempo registrado entre el sensor y el primer pixel). Estos parámetros en general están presentes en el encabezamiento de la imagen seleccionada. Caso no estén, se deben rellenar los campos de la altura y de la distancia inclinada mínima o del ángulo de incidencia mínimo o del tiempo mínimo. Cualquier uno de los tres últimos parámetros es suficiente para la conversión.
Otra información que debe ser considerada es la posición del registro de imagen del lado izquierdo o derecho, que puede ser identificado a través de las sombras en la imagen provocadas por la visión lateral del SAR.
Para remuestrear la imagen inclinada a fin de obtener un muestreo uniforme en el suelo, pueden ser utilizados tres tipos de interpoladores, o sea:
Vecino más próximo - Este interpolador debe ser usado cuando se desea mantener los valores de los niveles de gris de la imagen sin generar valores intermedios, este interpolador preserva las estadísticas de la imagen.
Lineal - interpola a través de una recta.
Cúbico - interpola a través de una parábola.
La relación entre la resolución en "slant range", , y en "ground
range",
, depende del ángulo de incidencia
, de la siguiente forma:
La conversión ideal es aquella que considera el modelo numérico del terreno
(MNT), posibilitando la corrección de las distorsiones provocadas por los
efectos de inversión (layover), sombra y acortamiento.
En general, ni siempre el MNT correspondiente a la imagen está disponible. Imágenes obtenidas por plataformas aerotransportadas, de regiones no montañosas, son en general convertidas para "ground range" suponiéndose la tierra plana. En ese tipo de imagen el ángulo de incidencia es alto debido a la baja altitud de la plataforma, con eso, el efecto "layover" prácticamente no existe, existiendo apenas el problema de sombra si la región es montañosa.
Þ Conversión Slant to Ground Range:
- # Iniciar - Programas - Spring - Spring( ) #spring
(
)
SPRING
* Activar el banco de datos Curso
* Activar el proyecto Tapajos
* Visualizar la imagen Sarex_cpa
- [Imagen][Conversión Slant->Ground Range...]
Conversión Slant to Ground
Range
- {Altura del sensor (m): 5000}
- {Ángulo de Incidencia Mínimo (g): 45}
- (Lado <=> Izquierdo)
- {Nombre: Sarex_sgr}
- (Interpolador <=> Vec.+próx)
- (Ejecutar)
- (Cerrar)
Consulte
también:
Acerca el Procesamiento de RADAR
Acerca la Percepción Remota