于皓，田忠翔，李春花

（國(guó)家海洋環(huán)境預(yù)報(bào)中心自然資源部海洋災(zāi)害預(yù)報(bào)技術(shù)重點(diǎn)實(shí)驗(yàn)室，北京 100081）

1 引言

北極是對(duì)全球氣候變化響應(yīng)的敏感地區(qū)之一，海冰的快速變化影響著大氣和海洋之間的能量平衡和物質(zhì)平衡。自1979年有衛(wèi)星觀測(cè)以來(lái)，北極海冰呈快速減少的趨勢(shì)[1-4]，這也使北極航道的開(kāi)通成為可能[5]。隨著北極航道的開(kāi)通利用，船舶航行的安全保障日益重要。海冰的存在嚴(yán)重威脅到北極航道通航船只的安全，尤其是無(wú)冰級(jí)的船舶，因此，實(shí)時(shí)獲取北極航道區(qū)域精細(xì)化的海冰分布對(duì)于航行船舶至關(guān)重要。自2013年以來(lái)，我國(guó)中遠(yuǎn)海運(yùn)特運(yùn)集團(tuán)夏季在北極東北航道共通航了56艘次，而且有逐年增多的趨勢(shì)[6]。使用高分辨率合成孔徑雷達(dá)（Synthetic Aperture Radar，SAR）數(shù)據(jù)開(kāi)展海冰的識(shí)別和分類[7]，并及時(shí)、全面和細(xì)致地獲取北極航道海域不同類型海冰的分布，具有非常重要的科研意義和現(xiàn)實(shí)意義。

目前，天基遙感衛(wèi)星平臺(tái)搭載的用于海冰監(jiān)測(cè)的傳感器主要有可見(jiàn)光傳感器和微波傳感器兩類?？梢?jiàn)光傳感器是一種被動(dòng)傳感器，其圖像特征豐富且解譯難度低，但容易受云和天氣等影響，無(wú)法實(shí)現(xiàn)全天候海冰監(jiān)測(cè)。微波傳感器包括被動(dòng)微波傳感器和主動(dòng)微波傳感器兩類。用于海冰監(jiān)測(cè)的被動(dòng)微波傳感器主要是輻射計(jì)，它可以被動(dòng)地接收自然狀況下地面反射或發(fā)射的微波，不能直接獲取海冰圖像。用于海冰監(jiān)測(cè)的主動(dòng)微波傳感器多為搭載在衛(wèi)星上的各種高度計(jì)和雷達(dá)等，SAR 是其中之一。與其他方法相比，SAR 具有不受天氣和云的影響、可以全天候監(jiān)測(cè)海冰變化的特點(diǎn)。哨兵一號(hào)（Sentinel - 1）衛(wèi)星是由歐洲委員會(huì)（European Commission，EC）和歐洲航空局（European Space Agency，ESA）共同研制而成的地球觀測(cè)衛(wèi)星。Sentinel-1 的超寬幅模式（Extra-Wide swath，EW）采用步進(jìn)的條帶掃描方式（Terrain Observation with Progressive scans SAR，TOPSAR）獲取5個(gè)子條帶的圖像，然后拼接成一景圖像。該產(chǎn)品已經(jīng)被廣泛應(yīng)用于極地海冰的觀測(cè)、監(jiān)測(cè)以及海冰分類中[7-17]。在TOPSAR 模式下，通過(guò)逐級(jí)掃描觀測(cè)得到的圖像會(huì)受到熱噪聲的影響，尤其是在HV 極化圖像中[18-19]。HV 極化圖像中的熱噪聲是一種加性噪聲。ESA 的熱噪聲去除算法與前人的處理方法相似，即假設(shè)熱噪聲功率在空間上具有恒定不變性，在原始SAR 圖像中減去重構(gòu)的熱噪聲場(chǎng)來(lái)去除熱噪聲[20-21]。然而，實(shí)際的熱噪聲功率在方位向和距離向是變化的[18]，因此，使用ESA 提供的熱噪聲去除算法處理后的HV 極化圖像仍然包含較強(qiáng)的噪聲，不能達(dá)到理想的效果[18]，PARK 等[18-19]通過(guò)計(jì)算后向散射系數(shù)的最優(yōu)縮放因子和平衡因子，結(jié)合局部信噪比和NESD（Noise Equal Standard Deviation）模型，利用滑動(dòng)窗口對(duì)局部后向散射系數(shù)進(jìn)行縮放，并通過(guò)噪聲功率補(bǔ)償取得較好的熱噪聲去除效果。SUN等[20]在PARK 等[19]提出的去噪算法基礎(chǔ)上改進(jìn)了最優(yōu)縮放因子和平衡因子的求解過(guò)程，將計(jì)算效率提高了10倍以上，但該方法犧牲了部分扇貝噪聲的去除效果。HH 極化圖像對(duì)入射角更加敏感，入射角的改變會(huì)導(dǎo)致后向散射系數(shù)發(fā)生變化，使得HH 極化圖像會(huì)沿距離向出現(xiàn)顯著的亮度變化。研究證明，入射角變化引起的后向散射系數(shù)的變化會(huì)在海冰分類過(guò)程中引入誤差，而對(duì)入射角進(jìn)行歸一化后，可以顯著提高海冰分類精度[16]。因此，在開(kāi)展海冰識(shí)別和分類任務(wù)之前，對(duì)HH極化圖像進(jìn)行入射角校正是非常必要的。入射角校正一般有兩種思路：一種是人工選取窗口采集HH 極化圖像中不同類型海冰的后向散射系數(shù)，與入射角建立線性回歸方程[12,14,22-24]，但是這種方法獲取的校正方程針對(duì)性較強(qiáng)，往往具有較強(qiáng)的局地性和時(shí)間局限性，不適合批量處理圖像；另一種是使用整張HH極化圖像建立后向散射系數(shù)與入射角的線性回歸方程[25]，這種方法適用于對(duì)不同時(shí)間、不同區(qū)域獲取的大量HH極化圖像進(jìn)行入射角校正，但會(huì)損失一部分校正精度。

近些年來(lái)，出現(xiàn)了很多基于Sentinel-1影像的自動(dòng)和半自動(dòng)海冰分類算法，包括貝葉斯分類器[16]、支持向量機(jī)分類器[17]、神經(jīng)網(wǎng)絡(luò)[14-15]和隨機(jī)森林[10]等。然而，單極化圖像包含的地物信息非常有限，同時(shí)使用HH 和HV 極化圖像可以顯著地提高自動(dòng)分類算法的準(zhǔn)確度[10,18]。BOULZE 等[15]證明通過(guò)疊加HH 和HV 極化圖像，利用卷積神經(jīng)網(wǎng)絡(luò)（Convolutional Neural Networks，CNN）可以開(kāi)展多種類型海冰的分類任務(wù)，但是該方法沒(méi)有考慮入射角的影響，而且簡(jiǎn)單疊加兩層灰度圖像無(wú)法將合成后的產(chǎn)品進(jìn)行有效可視化，不能很好地分析影響海冰分類精度的因素。ESA 提供了一種RGB 假彩色圖像的制作方法（來(lái)源：https://custom-scripts.sentinel-hub.com/custom-scripts/sentinel-1/sar-ice/.），但由于缺少入射角校正和有效的熱噪聲去除以及通用的可視化閾值，導(dǎo)致得到的RGB假彩色圖像質(zhì)量較差。因此，本文基于Sentinel-1 雙極化數(shù)據(jù)，在現(xiàn)有的去噪算法基礎(chǔ)上，進(jìn)一步使用圖像處理技術(shù)減弱殘余噪聲對(duì)圖像的影響，尤其是入射角的影響；增強(qiáng)圖像信息，優(yōu)化數(shù)據(jù)處理流程，避免人工干預(yù)引入誤差，顯著提高了不同類型海冰的特征信息，合成的高質(zhì)量的RGB假彩色圖像為提高海冰分類結(jié)果的精度奠定了良好的基礎(chǔ)。

2 數(shù)據(jù)與方法

2.1 Sentinel-1數(shù)據(jù)

Sentinel-1 包含兩個(gè)具有相同軌道的極軌衛(wèi)星Sentinel-1A 和Sentinel-1B。兩個(gè)衛(wèi)星先后發(fā)射于2014 年 4 月 3 日和 2016 年 4 月 25 日，其中，Sentinel-1B 衛(wèi)星由于技術(shù)性故障已于2021 年12 月23 日停止工作 。Sentinel-1 搭載的 C 波 段 SAR 擁有 HH 和HV 兩種極化方式以及4 種成像模式，即條帶模式（Stripmap，SM）、EW、寬幅干涉模式（Interferometric Wide swath，IW）和波模式（Wave mode，WV），其中，EW 模式數(shù)據(jù)的方位向分辨率和距離向分辨率分別為40 m 和25 m。Sentinel-1 衛(wèi)星不但具有全天時(shí)和全天候觀測(cè)的特點(diǎn)，而且具有及時(shí)、可靠、重訪周期短和覆蓋范圍廣等方面的優(yōu)勢(shì)，其中，Sentienl-1 EW模式數(shù)據(jù)多適用于極地海冰監(jiān)測(cè)[8]。因此，本文使用的數(shù)據(jù)為EW 模式下的GRD（Ground Range Detected）產(chǎn)品。在進(jìn)行RGB 假彩色圖像質(zhì)量檢驗(yàn)中，本文使用了2017—2018年西北航道和斯瓦爾巴群島附近的122景包含不同地物的Sentinel-1影像。

2.2 RGB假彩色圖像質(zhì)量檢驗(yàn)方法

為了客觀和定量地分析最終獲取的RGB 假彩色圖像的可靠性，本文選取結(jié)構(gòu)相似性指數(shù)（Structural Similarity Index Measure，SSIM）作為判別依據(jù)。SSIM 是一種定量度量增強(qiáng)圖像和原始圖像之間相似度的指數(shù)，取值范圍為[0，1]，SSIM 值越大意味著兩個(gè)圖像的結(jié)構(gòu)相似度越高[26]。也就是說(shuō)，當(dāng)SSIM 值接近1 時(shí)，表明增強(qiáng)圖像與原始圖像具有高度相似性。SSIM可以根據(jù)式（1）進(jìn)行計(jì)算：

式中：X、Y是原始圖像和重建圖像的兩個(gè)相同尺寸窗口的灰度值；α、β、γ是這些參數(shù)的權(quán)重；l、s、c是亮度、結(jié)構(gòu)和對(duì)比度，分別按照式（2）—（4）來(lái)計(jì)算：

式中：μX是X的平均值；μY是Y的平均值是Y的方差是X的方差；σXY是X、Y的協(xié)方差；c1和c2是穩(wěn)定分母的兩個(gè)參數(shù)

由于圖像的統(tǒng)計(jì)特征和失真情況存在空間分布不均的情況，因此需要使用滑動(dòng)窗口對(duì)大尺寸圖像進(jìn)行分塊[27]?？紤]到窗口形狀對(duì)分塊的影響，本文采用高斯加權(quán)計(jì)算每一個(gè)窗口的均值、方差以及協(xié)方差，然后計(jì)算對(duì)應(yīng)塊結(jié)構(gòu)的SSIM 值，最后將整幅圖像的平均結(jié)構(gòu)相似性（Mean SSIM，MSSIM）作為兩圖像的結(jié)構(gòu)相似性進(jìn)行度量。前人研究發(fā)現(xiàn)[15]，基于Sentinel-1 數(shù)據(jù)開(kāi)展多類型海冰分類時(shí)，使用大小為50×50 像元的滑動(dòng)窗口可以得到最佳海冰分類結(jié)果，而MSSIM 算法要求滑動(dòng)窗口尺寸須為奇數(shù)，因此本文所選窗口大小為49×49像元。

3 Sentinel-1數(shù)據(jù)預(yù)處理

在進(jìn)行RGB假彩色圖像制作前，為了使得到的RGB 假彩色圖像達(dá)到最佳效果，需要對(duì)Sentinel-1數(shù)據(jù)進(jìn)行預(yù)處理。數(shù)據(jù)預(yù)處理包括HH 極化數(shù)據(jù)的入射角校正和HV極化數(shù)據(jù)的熱噪聲去除。

3.1 入射角校正

SAR 的側(cè)視成像方式會(huì)導(dǎo)致Sentinel-1 HH 極化數(shù)據(jù)中的后向散射系數(shù)隨著入射角的變化而變化。一般來(lái)說(shuō)，后向散射系數(shù)σ0會(huì)隨入射角θ的增大而減小。由于入射角變化引起的后向散射系數(shù)的變化會(huì)在海冰分類算法中引入顯著的誤差[10]，因此需要對(duì)HH 極化數(shù)據(jù)進(jìn)行入射角校正。為了盡可能擴(kuò)大RGB假彩色圖像合成方法的適用范圍，本文根據(jù)北極斯瓦爾巴群島附近和北極高緯地區(qū)16 景Sentinel-1 EW 影像獲得的回歸模型對(duì)所有Sentinel-1影像進(jìn)行入射角校正[23]。這16景影像均獲取自海冰凍結(jié)期，且覆蓋了多種類型的海冰、開(kāi)闊水域以及全部變化范圍的入射角。入射角校正公式可以表達(dá)為：

式中：σnew為校正后的后向散射系數(shù)，單位是dB；θ為入射角，min(θ)是入射角的最小值，單位是°。經(jīng)過(guò)線性回歸模型處理后的HH 極化σ0值轉(zhuǎn)為dB 值后近似正態(tài)分布[21]，可以更有效地去除極值點(diǎn)。

3.2 熱噪聲去除

雖然Sentinel-1 HV 極化數(shù)據(jù)對(duì)入射角不敏感，但存在很強(qiáng)的熱噪聲（見(jiàn)圖1a），因此對(duì)HV 極化數(shù)據(jù)的預(yù)處理主要是去除熱噪聲。Sentinel-1 HV極化數(shù)據(jù)在低后向散射區(qū)域的熱噪聲非常顯著。HV 極化數(shù)據(jù)中的熱噪聲由兩部分組成，一部分為距離向的由條帶間功率不平衡造成的噪聲階躍，另一部分為方位向的扇貝效應(yīng)。由于ESA 提供的熱噪聲去除算法不能有效地去除熱噪聲，本文綜合PARK等[18-19]提出的熱噪聲去除算法進(jìn)行HV 極化數(shù)據(jù)的熱噪聲去除。HV 極化數(shù)據(jù)中的熱噪聲是一種加性噪聲，可以用式（6）描述：

式中：PS是信號(hào)強(qiáng)度；PN是噪聲強(qiáng)度；G是 SAR 信號(hào)的總增益系數(shù)。熱噪聲去除過(guò)程可以簡(jiǎn)單地描述為在給定的信噪聯(lián)合功率PSN中減去噪聲功率G·PN。為了得到準(zhǔn)確的噪聲功率G·PN，熱噪聲去除過(guò)程包括以下3個(gè)步驟：

（1）初步重構(gòu)噪聲場(chǎng)。ESA 將每幅影像的熱噪聲信息以噪聲矢量的格式保存在獨(dú)立的XML 文檔中，讀取XML 文檔中的噪聲矢量信息可以得到PN。通過(guò)準(zhǔn)確計(jì)算每個(gè)子條帶burst 開(kāi)始時(shí)的零多普勒時(shí)間，可以得到每條方位線對(duì)應(yīng)的準(zhǔn)確時(shí)間，利用天線方位向的增益方向圖能為每條方位線找到正確的增益系數(shù)G。將PN和G相乘可以得到初步的噪聲場(chǎng)（見(jiàn)圖1b）。

（2）噪聲場(chǎng)條帶間功率平衡。由于ESA 提供的噪聲向量與真實(shí)噪聲存在誤差，直接使用ESA 提供的噪聲矢量進(jìn)行熱噪聲去除會(huì)在距離向出現(xiàn)信號(hào)階躍現(xiàn)象。為了消除各子條帶間的噪聲階躍現(xiàn)象，可以假設(shè)去噪過(guò)程模型滿足線性關(guān)系[18]：

式中：s(k)是去除熱噪聲后的σ0值是未經(jīng)校正的原始σ0值是利用ESA 提供的熱噪聲矢量經(jīng)過(guò)雙線性插值計(jì)算得到的σ0；Kns,n是最佳噪聲比例因子是條帶間噪聲功率平衡因子，n為子條帶數(shù)，n={1，…，5}。Kns,n可以利用大量HV 極化數(shù)據(jù)通過(guò)加權(quán)最小二乘法求解得到:

式中：αn和βn分別是不同子條帶線性模型的斜率和截距；i是條帶間邊界處距離向的像元數(shù)；n={2，3，4，5}。由于只有4個(gè)條帶間邊界，所以設(shè)置為0。條帶間功率平衡后的噪聲場(chǎng)見(jiàn)圖1c。

（3）局部殘余噪聲功率補(bǔ)償。由于XML 文檔中記錄的噪聲矢量信息存在誤差，原始影像減去利用上述方法獲取的熱噪聲后，會(huì)導(dǎo)致一些像元點(diǎn)的σ0值變?yōu)樨?fù)值。為了消除部分負(fù)噪聲功率的影響，需要對(duì)負(fù)噪聲功率進(jìn)行噪聲補(bǔ)償。首先，定義信噪比（Signal-Noise Ratio，SNR）為經(jīng)過(guò)高斯濾波器后的σ0值（s0g）與重構(gòu)噪聲場(chǎng)（NESZ）的比值，即：

然后，進(jìn)一步計(jì)算得到功率補(bǔ)償后的σ0[19]：

式中：s0o為局部殘余噪聲功率補(bǔ)償后的σ0；s0offset為噪聲場(chǎng)補(bǔ)償值，可以取重構(gòu)噪聲場(chǎng)的平均值。最終我們可以得到去除熱噪聲的HV 極化灰度圖像（見(jiàn)圖1d）。

圖1 HV極化數(shù)據(jù)熱噪聲去除過(guò)程（圖像取自斯瓦爾巴群島附近，2018年1月25日04:11:15 UTC）Fig.1 Thermal noise removal process of HV polarized data（Image is acquired from the region near Svalbard at 04:11:15（UTC））on 25 January 2018

4 RGB假彩色圖像制作

本文以經(jīng)過(guò)預(yù)處理后的HH 和HV 極化數(shù)據(jù)為基礎(chǔ)，經(jīng)過(guò)RGB假彩色圖像顏色通道填充和兩次直方圖均衡化，得到最終的RGB假彩色圖像（見(jiàn)圖2）。

圖2 RGB假彩色圖像制作流程圖Fig.2 Flow chart of synthesizing RGB false color image

4.1 RGB原始圖層數(shù)據(jù)

由于Sentinel-1 EW 模式中的海冰信息主要包含在HH 極化數(shù)據(jù)中[29]，為了更貼近地物的真實(shí)顏色，在進(jìn)行顏色通道選擇時(shí)藍(lán)色通道使用HH 極化圖像，紅色通道則使用HV 極化圖像。為了減小顆粒噪聲對(duì)圖像質(zhì)量的影響，需要對(duì)HH和HV極化數(shù)據(jù)按照式（13）和式（14）進(jìn)行偏移量處理：

綠色通道圖像是將經(jīng)過(guò)偏移量處理后的HH 和HV極化數(shù)據(jù)按照式（15）進(jìn)行組合制作而成：

以該方式組合得到的RGB 假彩色圖像可以最大限度地還原原始地貌的顏色特征。之后，使用ESA 提供的參考數(shù)據(jù)范圍[22]對(duì)數(shù)據(jù)進(jìn)行標(biāo)準(zhǔn)化處理，其中紅色通道數(shù)據(jù)最小值為0.02，最大值為0.10；藍(lán)色通道數(shù)據(jù)最小值為0，最大值為0.32；綠色通道最小值為0，最大值為0.6。最后，對(duì)經(jīng)過(guò)標(biāo)準(zhǔn)化處理后的數(shù)據(jù)按照式（16）進(jìn)行g(shù)amma 值為1.1 的gamma校正，得到最終的原始圖層數(shù)據(jù)：

式中：σ和σγ分別是各顏色通道在 gamma 校正前和校正后的數(shù)據(jù)。

4.2 兩次直方圖均衡化

雖然我們?cè)谥谱髟紙D層數(shù)據(jù)時(shí)進(jìn)行了數(shù)據(jù)標(biāo)準(zhǔn)化，但在將其轉(zhuǎn)化為灰度圖像時(shí)，如果原始圖層數(shù)據(jù)離散程度過(guò)大，得到的灰度圖像的對(duì)比度會(huì)偏低。為了較好地減弱這種影響，本文使用了以下方法：首先，將原始圖層數(shù)據(jù)的σ0轉(zhuǎn)化為dB 值，此時(shí)，dB值近似呈正態(tài)分布；然后，對(duì)每個(gè)顏色通道去除數(shù)據(jù)兩端2.5%的極值點(diǎn)，并轉(zhuǎn)化為灰度圖像；最后，對(duì)每個(gè)顏色通道的灰度圖像進(jìn)行全局直方圖均衡化（Histogram Equalization，HE）處理，并按照顏色圖層拼接后得到第一次HE后的RGB假彩色圖像（見(jiàn)圖3a—c）。全局HE是一種常規(guī)的圖像處理方法，具體原理和步驟可以參考PIZER等[28]，本文不再贅述。

全局HE 不僅可以有效地改善數(shù)據(jù)離散程度過(guò)大導(dǎo)致的圖像對(duì)比度過(guò)低現(xiàn)象（見(jiàn)圖3），而且可以避免選取有效閾值時(shí)的人工干預(yù)，使批量制作數(shù)據(jù)集更加可靠、簡(jiǎn)單。但受限于有限的不連續(xù)灰度級(jí)數(shù)，在某些包含地物類型較多的HH 極化圖像中，灰度分布直方圖的變化比較劇烈，甚至出現(xiàn)某些灰度區(qū)間不存在像素點(diǎn)的情況，這會(huì)造成累積概率密度函數(shù)發(fā)生劇烈變化，從而導(dǎo)致圖像的直方圖出現(xiàn)較強(qiáng)的不均勻性，使得圖像中的部分信息不能被正確地顯示（見(jiàn)圖4a和4c）。另外，由于入射角校正不能完全去除入射角對(duì)σ0的影響，使得RGB 假彩色圖像中藍(lán)色通道圖像的亮度不均勻。這不但會(huì)導(dǎo)致灰度圖像的可識(shí)別特征減少[30]，還會(huì)使合成的RGB假彩色圖像色調(diào)不平衡，出現(xiàn)近軌側(cè)偏藍(lán)、遠(yuǎn)軌側(cè)偏紅的現(xiàn)象（見(jiàn)圖3c）。為了減弱這種影響，本文進(jìn)一步對(duì)每個(gè)顏色通道全局HE 之后的灰度圖像進(jìn)行限制對(duì)比度直方圖均衡化（Contrast Limited Adaptive Histogram Equalization，CLAHE）[29]，即第二次直方圖均衡化。CLAHE 是一種對(duì)比度受限情況下的自適應(yīng)HE 算法，目前多應(yīng)用于醫(yī)學(xué)影像處理領(lǐng)域[30]。CLAHE首先需要確定兩個(gè)參數(shù)，即直方圖裁剪閾值（ClipLimit）和子圖像塊窗口大?。˙lock Size）。當(dāng)圖像離散熵函數(shù)曲率最大時(shí)，CLAHE 處理后的圖像包含的地物信息最多[31]。本文將CLAHE 處理后圖像離散熵函數(shù)曲率最大作為確定ClipLimit 和Block Size 兩個(gè)參數(shù)的依據(jù)，即選取離散熵函數(shù)曲率最大時(shí)對(duì)應(yīng)的兩者的值作為最終確定的參數(shù)。本文選取的ClipLimit 和Block Size分別為3 和5；然后，使用大小為Block Size 的窗口將全局HE 之后的灰度圖像裁剪為若干子圖像塊，計(jì)算每個(gè)子圖像塊的概率密度直方圖，將概率密度超過(guò)ClipLimit的部分平均分配到各個(gè)灰度級(jí)上；最后，使用雙線性插值加快CLAHE 速度，同時(shí)消除相鄰子圖像塊之間不連續(xù)的邊界。

圖3 全局HE之后的HH和HV極化圖像和相應(yīng)的RGB假彩色圖像（該圖像與圖1使用的圖像相同）Fig.3 HH and HV polarized images after HE and the corresponding RGB false color images（This image is the same as the one used in Fig.1）

通過(guò)CLAHE 可以有效地糾正圖像中塊狀不連續(xù)的缺陷，改進(jìn)灰度分布直方圖劇烈變化的情況（見(jiàn)圖4），進(jìn)而減弱RGB假彩色圖像的色調(diào)不平衡，顯著改善近軌側(cè)偏藍(lán)、遠(yuǎn)軌側(cè)偏紅的現(xiàn)象（見(jiàn)圖3d—f）。

圖4 CLAHE前后的HH極化圖像和對(duì)應(yīng)的灰度直方圖（該圖像與圖1使用的圖像相同）Fig.4 HH polarized images and the corresponding grayscale histograms before and after CLAHE（This image is the same as the one used in Fig.1）

5 RGB假彩色圖像質(zhì)量檢驗(yàn)

RGB 假彩色圖像的制作主要包括數(shù)據(jù)預(yù)處理、全局HE和CLAHE 3個(gè)步驟。數(shù)據(jù)預(yù)處理部分使用的入射角校正方法比較簡(jiǎn)單，不能完全去除入射角對(duì)HH 極化圖像的影響[25]，因此，為了進(jìn)一步改善HH 極化圖像質(zhì)量，本文引入圖像處理中的CLAHE方法。然而，CLAHE 在將圖像進(jìn)行小窗口化的局部HE 過(guò)程中，不可避免地會(huì)突出小窗口中包含的紋理特征。由于本文應(yīng)用的熱噪聲去除算法不能有效去除所有HV 極化圖像中的熱噪聲，導(dǎo)致原本不太明顯的殘余熱噪聲會(huì)在CLAHE 后出現(xiàn)不同程度的增強(qiáng)，造成RGB假彩色圖像質(zhì)量變差。為了定量評(píng)估最終獲取的RGB假彩色圖像的質(zhì)量，本文將全局HE 得到的RGB 假彩色圖像作為原始圖像，將CLAHE 得到的RGB 假彩色圖像作為增強(qiáng)圖像，將計(jì)算了122幅RGB假彩色圖像的MSSIM值。

圖5 給出了不同MSSIM 值的RGB 假彩色圖像。從圖中可以清楚地看到在MSSIM 值小于0.7的圖像中存在一定的殘余熱噪聲，且殘余熱噪聲在CLAHE 后被放大。紅色不連續(xù)熱噪聲條紋會(huì)造成整幅圖像偏紅，導(dǎo)致原有地物色調(diào)發(fā)生變化，地物可辨識(shí)度顯著降低。當(dāng)MSSIM 值大于0.7 時(shí)，RGB假彩色圖像質(zhì)量顯著提高，改善了近軌側(cè)偏藍(lán)、遠(yuǎn)軌側(cè)偏紅的情況，增強(qiáng)了地物的可辨識(shí)度。

圖5 不同MSSIM值的RGB假彩色圖像Fig.5 RGB false color images with different MSSIM values

圖 6 給出了 122 幅 RGB 假彩色圖像 MSSIM 值的頻率分布直方圖，其中，MSSIM 平均值為0.82，中位數(shù)為0.84。經(jīng)統(tǒng)計(jì)，約有87.70%（107 幅）圖像的MSSIM 值大于0.7。也就是說(shuō)，上述處理方法對(duì)大多數(shù)Sentinel-1 影像是適用的。圖7 給出了本文獲取的不同類型海冰的RGB假彩色圖像，將此圖像與ESA 的方法獲得的圖像進(jìn)行對(duì)比。從圖中可以看到，本文獲取的RGB 假彩色圖像對(duì)多年冰（見(jiàn)圖7a）、一年冰（見(jiàn)圖7b）以及新冰和開(kāi)闊水域（見(jiàn)圖7c）的特征都表現(xiàn)出不同程度地增強(qiáng)，而且從中能夠清晰地分辨出水道區(qū)域生成的新冰（見(jiàn)圖7b）。ESA 的方法獲取的RGB 假彩色圖像更容易受入射角和熱噪聲的影響，不同地物信息特征差異較小，容易錯(cuò)判海冰/海水類型。由此可見(jiàn)，本文提出的RGB 假彩色圖像合成方法可以明顯提高地物信息特征，同時(shí)，相較于單純地將HH 和HV 極化圖像疊加在一起進(jìn)行海冰識(shí)別和分類，本文獲取的RGB假彩色圖像引入了色調(diào)變化，可以將增強(qiáng)后的地物信息可視化，增加了Sentinel-1 影像的可讀性，為進(jìn)一步開(kāi)展海冰識(shí)別和分類奠定良好的基礎(chǔ)。

圖6 MSSIM值概率分布直方圖Fig.6 Probability histogram of MSSIM

圖7 本文方法與ESA方法[26]合成RGB假彩色圖像的對(duì)比圖Fig.7 Comparison between RGB false color images obtained using the method proposed in this paper and the method provided by ESA[26]

6 結(jié)論與展望

基于前人的研究結(jié)果，本文提出了一種新的Sentinel-1雙極化數(shù)據(jù)假彩色圖像合成方法，該方法包括數(shù)據(jù)預(yù)處理和RGB假彩色圖像制作兩個(gè)部分。在數(shù)據(jù)預(yù)處理階段，本文使用線性回歸模型對(duì)HH極化數(shù)據(jù)進(jìn)行入射角校正，并使用一種更高效的熱噪聲去除算法進(jìn)行HV 極化數(shù)據(jù)熱噪聲的去除。在RGB 假彩色圖像制作階段，以經(jīng)過(guò)數(shù)據(jù)預(yù)處理后的HH 和 HV 極化數(shù)據(jù)為基礎(chǔ)，通過(guò)混合 HH 和 HV 極化數(shù)據(jù)得到新的顏色圖層，并使用全局直方圖均衡化和限制對(duì)比度直方圖均衡化進(jìn)行圖像增強(qiáng)，獲得最終的RGB 假彩色圖像。兩次直方圖均衡化可以避免選取可視化數(shù)據(jù)范圍時(shí)的人工干預(yù)，同時(shí)降低入射角對(duì)RGB 假彩色圖像質(zhì)量的影響。圖像質(zhì)量定量評(píng)估結(jié)果表明，本文提出的假彩色圖像合成方法能夠有效去除熱噪聲和入射角對(duì)圖像質(zhì)量影響，引入的色調(diào)變化增強(qiáng)了圖像攜帶的地物特征信息，能夠?qū)⒃鰪?qiáng)后的圖像可視化，可為海冰信息的提取奠定良好的基礎(chǔ)。

在不同影像中，入射角差異和熱噪聲帶來(lái)的影響有所差別，會(huì)導(dǎo)致限制對(duì)比度直方圖均衡化在減弱入射角影響的同時(shí)，放大某些影像中的殘余熱噪聲，進(jìn)而造成一部分RGB假彩色圖像質(zhì)量較差。因此，對(duì)不同地物、不同時(shí)間的Sentinel-1 影像分別進(jìn)行入射角校正，使用更加有效的熱噪聲去除算法減小HH和HV極化圖像中的殘余噪聲，或者使用暗角校正等圖像處理方法進(jìn)一步提高HH 極化圖像的質(zhì)量，將有助于我們獲取質(zhì)量更好的RGB 假彩色圖像，為接下來(lái)的海冰分析提供更加有效的支撐。