Sentinel-1 Level 1数据处理的详细算法定义(七)

2024-08-28 00:36

本文主要是介绍Sentinel-1 Level 1数据处理的详细算法定义(七),希望对大家解决编程问题提供一定的参考价值,需要的开发者们随着小编来一起学习吧!

《Sentinel-1 Level 1数据处理的详细算法定义》文档定义和描述了Sentinel-1实现的Level 1处理算法和方程,以便生成Level 1产品。这些算法适用于Sentinel-1的Stripmap、Interferometric Wide-swath (IW)、Extra-wide-swath (EW)和Wave模式。

今天介绍的内容如下:

Sentinel-1 Level 1数据处理的详细算法定义(七)

6.3 方位处理

Sentinel-1 IPF中实现的方位处理算法是范围-多普勒算法(RDA),其特点是双曲型的范围方程(在方位块或突发的持续时间内有效):

其中
R0是最近接近点的距离(即雷达与目标最接近时的斜距)。
η \eta η方位时间(或慢时间)。有关方位时间的双基延迟校正,请参见第9.23节。
Vr 有效雷达速度。

请注意,尽管上述范围方程看起来假设了一个直线轨道,但事实并非如此,因为Vr 不是卫星的速度,而是一种伪速度,选择它是为了使双曲型范围方程能够模拟在一般曲线(轨道和地球)几何情况下的实际范围方程(更详细的内容见第9.10节)。

还要注意,该算法更新有效雷达速度,并且隐式地随着范围更新参考相位(见第6.3.4.1.2节步骤4)。

Sentinel-1 IPF中的RDA方法是基于ENVISAT ASAR处理器中使用的RDA算法的增强版本,Sentinel-1 IPF就是基于此开发的。对于Sentinel-1,IPF采用了一种更高精度的次级范围压缩(SRC)方法(见第6.3.1节),以满足Sentinel-1的相位保持要求,特别是对于TOPSAR处理。ENVISAT ASAR处理器使用了一个更简单的SRC实现,其中没有考虑滤波器对方位频率的依赖性。此外,IPF中使用的方位匹配滤波器的相位(公式(6-35))比ENVISAT ASAR中使用的匹配滤波器的二次相位更精确。

请注意,所提出的SRC算法的精度与在空间段(S/S)原型(文档R-2)中执行的SRC的精度相似,作为其广义omega-k方位压缩块的一部分。

RDA算法的步骤1和2(如下所列)是按范围段分段应用的(一段是范围线上的一个可配置部分,其中一些随范围变化的参数保持不变),并且对每一条范围线进行应用,而步骤3是按方位线逐线应用的:

  1. 次级范围压缩(SRC),见第6.3.1节。
  2. 范围单元迁移校正(RCMC),见第6.3.2节。
  3. 方位压缩,见第6.3.4节。

6.3.1 次级范围压缩(SRC)

这一步骤的输入是数据的方位块,以范围时间为自变量,方位频率为函数表示,这是前面步骤的输出:
• 对于Stripmap模式,前一个处理步骤是方位FFT(见第6.2.2节)。
• 对于TOPSAR模式,前一个处理步骤是频率UFR(见第6.2.4节)。
SRC算法按范围段分段应用到每个范围线上。SRC算法的主要步骤如下:

  1. 对当前段进行范围前向FFT。
  2. 生成当前段的SRC滤波器,如第6.3.1.1节所述。
  3. 将SRC滤波器应用到范围线段上。
  4. 进行范围逆FFT。
    对于评估空间段算法中方位处理块的分析表明,段长最多10公里(在地面范围上)足以确保方位方向上的相位连续性(见[R-2]第4.7.2.1节)。Aresys的评估表明,IPF和空间段方位处理算法之间的概念相似性确保了IPF也可以使用类似大小的段。
    用于SRC的范围段的数量和长度是可配置的输入参数。
6.3.1.1 SRC滤波器

从点目标的范围多普勒表示形式可以看出,在进行范围压缩时,使用由范围调频率 𝐾𝑟 定义的匹配滤波器并不能完美地聚焦数据。这在高偏航角的情况下尤其如此。在这种情况下,由于范围-方位耦合,范围多普勒域中的范围匹配滤波器应该具有 𝐾m 的调频率,而不是原始值 𝐾𝑟,其中 𝐾m 由下式给出:

请注意, D ( f η , V r ) D(f_\eta,V_r) D(fη,Vr)可以被解释为瞬时偏航角的余弦值。
次级范围压缩在二维频率域中以以下方式执行:

由于范围压缩已经使用调频率 Kr 完成,可以应用一个滤波器来补偿差异。这个滤波器——即SRC滤波器——也具有线性调频率,由 Ksrc 给出(见[R-5],第6.4节):

[NORM] 将滤波器乘以 N ~ i f f t N ~ f f t \sqrt{\frac{\widetilde{N}_{ifft}}{\widetilde{N}_{fft}}} N fftN ifft ,以考虑前向和逆FFT大小不同时引起的时间域重采样导致的能源变化。

请注意以下几点:
a) SRC滤波器依赖于范围频率 f τ f_\tau fτ
b) SRC滤波器还依赖于方位频率 f η f_\eta fη,通过 K s r c K_{src} Ksrc 体现。为了考虑这种依赖性,必须对每条范围线更新滤波器。
c) SRC滤波器还依赖于目标的斜距 R ,但由于数据处于二维频率域中, R 是固定的。因此,假定滤波器与范围无关。然而,由于这种假设导致的精度损失可以通过按范围段执行SRC滤波并针对每个段更新SRC滤波器来减轻(即用段中间的目标斜距 R 重新生成它)。

6.3.2 范围单元迁移校正(RCMC)

范围单元迁移(RCM)在范围-多普勒域中定义如下所示的方程(见[R-5],第5.3节):

其中 D ( f η , V r ) D(f_\eta,V_r) D(fη,Vr)根据方程(6-29)定义。范围迁移等于:

斜距 𝑅0 在第一条范围单元的斜距 𝑅start 和最后一条范围单元的斜距 𝑅stop 之间变化,对于每个范围单元使用方程 6-32 计算相应的范围单元迁移。
RCMC使用基于sinc函数的范围插值来实现,如第9.22节所述。

6.3.3 范围重采样(仅限TOPSAR)

为了效率,范围重采样与RCMC步骤(见6.3.2节)结合起来进行。为此,需要确保以下几点:
• 计算所有子条带中每个输出单元的斜距,相对于相同的斜距起点,取为第一个子条带中的第一个范围单元的斜距Rstart,0。
• 设置输出范围采样步长为:

其中最小值是在所有子条带上取的。
• 然后计算RCMC偏移的输出点的斜距:

其中𝑖最后一个值是使得Ri是小于最后一个条带中最后范围单元的斜距的最小可能值。

6.3.4 方位压缩

方位压缩对每条方位线进行,包括以下步骤:

  1. 计算方位匹配滤波器,如第6.3.4.1节所述。
  2. 计算方位时间校正滤波器,如第6.3.4.2节所述。
  3. 将方位匹配滤波器和方位时间校正滤波器应用到方位线上。
  4. 对方位线执行方位逆FFT。
6.3.4.1 方位匹配滤波器

由于数据在RCMC之后处于范围-多普勒域,因此在该域中实现方位匹配滤波器是方便和高效的。

6.3.4.1.1 算法概述

方位匹配滤波器定义为:

注意,对于Sentinel-1 IPF,加权窗口在后处理中应用,如第7.1节所述,在SLC处理期间不应用加权(上述公式中的 𝑊W 设置为单位矩阵)。 方位匹配滤波器随后乘以多个归一化因子(见6.3.4.1.2节中的定义和详细信息)以获得:
6.3.4.1.2 算法实现

滤波器针对每条方位线按以下步骤计算:

  1. 计算对应于该线(或等效地,范围单元)的快速时间 𝜏:

其中τ0 是范围开始时间, j 是方位线号,𝐹𝑟是范围采样频率。

  1. 计算当前方位线的斜距(或等效地,当前快速时间 𝜏 的斜距):
  1. 从DC频率多项式计算该线对应的DC频率 f η c f_{\eta_c} fηc (如第5.5节所述)。
  2. 更新该线或当前快速时间 𝜏的 𝑉𝑟(见第9.10节 𝑉𝑟的定义)。
  3. 通过采样间隔 [ f η c − F a 2 , f η c + F a 2 ] [f_{\eta_c}-\frac{F_a}{2},f_{\eta_c}+\frac{F_a}{2}] [fηc2Fafηc+2Fa]计算方位频率向量(即 的离散版本),其中 𝐹a 是此阶段的方位采样频率,等于:
    o Stripmap模式的脉冲重复频率。
    o TOPSAR模式的方位上采样后的方位采样频率,由 F a = N s P R F {F_a}=N_sPRF Fa=NsPRF 给出,其中𝑁𝑠在公式(6-15)中定义。
  4. 计算 D ( f η , V r ) D(f_\eta,V_r) D(fη,Vr) 的离散版本: D ( f η i , V r ) , i = 0 , 1... , M f f t − 1 D(f_{\eta_i},V_r),i=0,1...,M_{fft}-1 D(fηi,Vr)i=0,1...,Mfft1
  5. 通过计算方程(6-35)中定义的复指数来获取滤波器。
  6. [NORM] 将匹配滤波器除以其能量 𝐸 的平方根。

请注意,如果匹配滤波器没有应用加权,则H(f)的幅度为1,E也等于1。
9. [NORM] 将结果除以

∑ G e x t r 2 \sum{{G_{extr}}^2} Gextr2= 输出能量,它是方位天线模式的平方,并且在处理的带宽上求和

∑ G i n p u t 2 \sum{{G_{input}}^2} Ginput2 =输入能量,它是方位天线模式的平方,并且在脉冲重复频率(PRF)上求和

  1. [NORM] 将匹配滤波器乘以处理增益 procGain,这是一个波束和极化依赖的、SLC特定的、可配置的输入参数。
6.3.4.2 方位时间校正滤波器

方位时间校正滤波器用于对数据应用范围变化的方位时间偏移。它使用方位频率相位坡道实现:

6.4 方位变化的时间偏移 Δ η ( R 0 ) \Delta\eta(R_0) Δη(R0)是细粒度双基(bi-static)校正和仪器定时校正的总和,这些校正如9.23.1节和9.23.2节所述。方位后处理(仅限TOPSAR)

方位后处理包括执行以下操作:

  1. 方位时间域上采样和重采样(UFR),如6.4.1节所述。
    这两个操作是逐条方位线进行的。

6.4.1 方位时间域上采样和重采样(UFR)

方位时间域上采样和重采样(UFR)算法在概念上与6.2.4节中描述的频率域UFR相同。一个通用的UFR处理块图,在9.9节中描述,是频率域和时间域UFR的基础。

这个步骤的输入是方位压缩数据的方位块(见6.3.4节),在二维时间域中表示。

该算法本质上是一维的,并且是针对所有突发中每个方位线逐线应用的。处理的目的是解决由于方位聚焦时的有限支撑而导致的时间混叠问题。时间混叠的效果可以通过查看图6-11来理解,该图表示方位压缩步骤输出的单个TOPSAR方位线。

除了第6.2.4节中列出的符号外,本节还将使用以下符号:

η c = − f η c k a \eta_c=-\frac{f_{\eta c}}{k_a} ηc=kafηc对应于直流(DC)频率的方位时间

η r e f = η c \eta_{ref}=\eta_c ηref=ηc在给定的参考范围(中天幅)处计算的 𝜏𝑐
T i n p u t T_{input} Tinput进入时间UFR(Unfolding and Resampling,展开和重采样)步骤的突发的方位时间范围(这等于频率UFR步骤后突发的方位时间范围)
T f o c T_{foc} Tfoc聚焦数据的总范围(见公式(6-41))
对于突发中的给定方位线,数据的输出时间支持由下式给出:

方位后处理算法的主要步骤如下:

6.4.1.1 镶嵌(Mosaicking)

数据的时间-频率表示在时间域中被折叠(由于方位聚焦时的有限支撑)。信号完全展开数据所需的总时间范围 T f o c T_{foc} Tfoc 取决于扫描带宽 𝐵s 和瞬时带宽 𝐵d(均在公式(6-14)中定义),由下式给出:

需要沿着方位时间轴复制多条相同的线,复制的数量 𝑁𝑡 由下式计算:

时间域镶嵌的效果如图6-12所示。

数据的时间支持随后变为:

其中 T i n p u t T_{input} Tinput 是输入到镶嵌步骤的数据的时间范围。

6.4.1.2 去斜坡(De-ramping)

在方位时间域中,通过乘以一个线性调频信号(Chirp Signal),将所需的频谱分量移动到低通带。这个过程称为去斜坡,其数学表达式如下:

去斜坡的目的是消除数据中由于方位压缩引起的相位斜坡,使得信号在方位时间域中变成一个常数频率的简单波形。这样做有助于在后续步骤中更容易地应用低通滤波器和重采样。

这篇关于Sentinel-1 Level 1数据处理的详细算法定义(七)的文章就介绍到这儿,希望我们推荐的文章对编程师们有所帮助!



http://www.chinasem.cn/article/1113229

相关文章

不懂推荐算法也能设计推荐系统

本文以商业化应用推荐为例,告诉我们不懂推荐算法的产品,也能从产品侧出发, 设计出一款不错的推荐系统。 相信很多新手产品,看到算法二字,多是懵圈的。 什么排序算法、最短路径等都是相对传统的算法(注:传统是指科班出身的产品都会接触过)。但对于推荐算法,多数产品对着网上搜到的资源,都会无从下手。特别当某些推荐算法 和 “AI”扯上关系后,更是加大了理解的难度。 但,不了解推荐算法,就无法做推荐系

康拓展开(hash算法中会用到)

康拓展开是一个全排列到一个自然数的双射(也就是某个全排列与某个自然数一一对应) 公式: X=a[n]*(n-1)!+a[n-1]*(n-2)!+...+a[i]*(i-1)!+...+a[1]*0! 其中,a[i]为整数,并且0<=a[i]<i,1<=i<=n。(a[i]在不同应用中的含义不同); 典型应用: 计算当前排列在所有由小到大全排列中的顺序,也就是说求当前排列是第

csu 1446 Problem J Modified LCS (扩展欧几里得算法的简单应用)

这是一道扩展欧几里得算法的简单应用题,这题是在湖南多校训练赛中队友ac的一道题,在比赛之后请教了队友,然后自己把它a掉 这也是自己独自做扩展欧几里得算法的题目 题意:把题意转变下就变成了:求d1*x - d2*y = f2 - f1的解,很明显用exgcd来解 下面介绍一下exgcd的一些知识点:求ax + by = c的解 一、首先求ax + by = gcd(a,b)的解 这个

综合安防管理平台LntonAIServer视频监控汇聚抖动检测算法优势

LntonAIServer视频质量诊断功能中的抖动检测是一个专门针对视频稳定性进行分析的功能。抖动通常是指视频帧之间的不必要运动,这种运动可能是由于摄像机的移动、传输中的错误或编解码问题导致的。抖动检测对于确保视频内容的平滑性和观看体验至关重要。 优势 1. 提高图像质量 - 清晰度提升:减少抖动,提高图像的清晰度和细节表现力,使得监控画面更加真实可信。 - 细节增强:在低光条件下,抖

【数据结构】——原来排序算法搞懂这些就行,轻松拿捏

前言:快速排序的实现最重要的是找基准值,下面让我们来了解如何实现找基准值 基准值的注释:在快排的过程中,每一次我们要取一个元素作为枢纽值,以这个数字来将序列划分为两部分。 在此我们采用三数取中法,也就是取左端、中间、右端三个数,然后进行排序,将中间数作为枢纽值。 快速排序实现主框架: //快速排序 void QuickSort(int* arr, int left, int rig

poj 3974 and hdu 3068 最长回文串的O(n)解法(Manacher算法)

求一段字符串中的最长回文串。 因为数据量比较大,用原来的O(n^2)会爆。 小白上的O(n^2)解法代码:TLE啦~ #include<stdio.h>#include<string.h>const int Maxn = 1000000;char s[Maxn];int main(){char e[] = {"END"};while(scanf("%s", s) != EO

秋招最新大模型算法面试,熬夜都要肝完它

💥大家在面试大模型LLM这个板块的时候,不知道面试完会不会复盘、总结,做笔记的习惯,这份大模型算法岗面试八股笔记也帮助不少人拿到过offer ✨对于面试大模型算法工程师会有一定的帮助,都附有完整答案,熬夜也要看完,祝大家一臂之力 这份《大模型算法工程师面试题》已经上传CSDN,还有完整版的大模型 AI 学习资料,朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费

dp算法练习题【8】

不同二叉搜索树 96. 不同的二叉搜索树 给你一个整数 n ,求恰由 n 个节点组成且节点值从 1 到 n 互不相同的 二叉搜索树 有多少种?返回满足题意的二叉搜索树的种数。 示例 1: 输入:n = 3输出:5 示例 2: 输入:n = 1输出:1 class Solution {public int numTrees(int n) {int[] dp = new int

Codeforces Round #240 (Div. 2) E分治算法探究1

Codeforces Round #240 (Div. 2) E  http://codeforces.com/contest/415/problem/E 2^n个数,每次操作将其分成2^q份,对于每一份内部的数进行翻转(逆序),每次操作完后输出操作后新序列的逆序对数。 图一:  划分子问题。 图二: 分而治之,=>  合并 。 图三: 回溯:

最大公因数:欧几里得算法

简述         求两个数字 m和n 的最大公因数,假设r是m%n的余数,只要n不等于0,就一直执行 m=n,n=r 举例 以18和12为例 m n r18 % 12 = 612 % 6 = 06 0所以最大公因数为:6 代码实现 #include<iostream>using namespace std;/