Sentinel-1 Level 1数据处理的详细算法定义(七)

news2024/12/24 1:43:45

《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。

本文来自互联网用户投稿,该文观点仅代表作者本人,不代表本站立场。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如若转载,请注明出处:http://www.coloradmin.cn/o/2079987.html

如若内容造成侵权/违法违规/事实不符,请联系多彩编程网进行投诉反馈,一经查实,立即删除!

相关文章

模型 SPIN销售法

系列文章 分享 模型,了解更多👉 模型_思维模型目录。探需挖痛,引导成交。 1 SPIN销售法的应用 1.1 提升工作效率的软件销售应用SPIN模型 一家制造企业正在寻求提升工作效率的解决方案。他们注意到员工在处理文件和任务时存在效率问题&#…

SX_Git Graph图形化案例详解_20

这里写目录标题 1、前言:2、需求:3、需求满足:1.克隆到本地操作:2.创建自己的本地分支并连接远程分支:3.修改代码推送代码:4.分支的rebase和merge操作:5.拉取操作: 1、前言: git gra…

排队辅助功能二手车,全速自适应巡航

沃尔沃 xc90 2015款 acc 3秒后会停止 pilot 15公里以内 停止场景少 ‌沃尔沃全新XC90确实新增了排队辅助功能‌,这一功能旨在缓解驾驶者在低速排队行驶中的疲劳,通过自动控制加速、刹车和转向来跟随前方车辆,从而让驾乘体验更加安全舒适。这…

python办公自动化:PPT工具之`Python-PPTX`简介

第1章 简介 1.1 什么是Python-PPTX库? Python-PPTX库是一个用于创建和修改Microsoft PowerPoint (.pptx) 文件的Python库。它提供了一个易于使用的API,使得开发者能够以编程方式操纵PowerPoint文件,包括创建新文件、修改现有文件、添加文本…

【人工智能 | 机器学习 | 理论篇】决策树(decision tree)

文章目录 1. 基本流程2. 划分选择2.1 信息增益2.2 增益率2.3 基尼系数 3. 剪枝处理3.1 预剪枝3.2 后剪枝 4. 连续与缺失值4.1 连续值处理4.2 缺失值处理 5. 多变量决策树 1. 基本流程 二分类任务决策树流程: 决策树:包含 1个根结点、若干个内部结点、若…

云计算实训37——Dockerfile的应用+私有仓库的创建与管理

一、文件联合系统 文件联合系统(Overlay Filesystem): 是一种允许多个文件系统层叠在一起的文件系统。它通常用于将只读文件系统(如基础镜像)与可写文件系统(如用户的修改)结合,形…

2k1000LA 调试触摸+调试8723bu

原材料: 硬件: 2k1000LA 开发板 软件: 使用网盘上的 pmon 源码 linux源码 逻辑: 设备树的修改需要在 pmon 源码里面修改 驱动的修改需要在 linux 的源码里面修改。 下载 loongnix 的 pmon 源码 linux 源码 ,并放入虚…

雷达图概述以及实例

目录 一.雷达图概述1.何为雷达图2.雷达图的构成要素 二.实例(以Excel、Python为例 )1.Excel(2021版)2.Python 一.雷达图概述 1.何为雷达图 雷达图,是一种展现多维度数据间相对重要性或程度的可视化图形。以中心点为起…

软件测试方法之场景法详解及实战

一、游戏测试与软件测试流程的区别 1.1 区别对比 游戏测试的流程与软件测试流程的区别大同小异,但仍然会根据公司的情况做出不同的策略和应对方式,在体验方面会存在较大的差异    (这里只单纯阐述流程上的区别,不细分延展&#…

记一次山东省某测试平台渗透测试

最近: 离开山东有段时间了,今天刚好有空就回头看看(意难平),搭建框架是WINDOWSIISASP.NET这个演示版上直接泄露了账号密码,admin/111111。 登录框先试一下SQL注入 SQL注入 bp抓包结果 开局就找了登录框SQL注入,先进后台看一下功…

横向移动:勒索软件攻击正在展开的最明显迹象

据 Barracuda Networks 称,44% 的勒索软件攻击是在横向移动期间发现的。 25% 的事件是在攻击者开始编写或编辑文件时检测到的,14% 的事件因不符合已知活动模式的行为而被揭露。 研究人员分析了 2023 年 8 月至 2024 年 7 月期间报告的 200 起事件样本&…

PyTorch深度学习模型训练流程:(一、分类)

自己写了个封装PyTorch深度学习训练流程的函数,实现了根据输入参数训练模型并可视化训练过程的功能,可以方便快捷地检验一个模型的效果,有助于提高选择模型架构、优化超参数等工作的效率。发出来供大家参考,如有不足之处&#xff…

iPhone 16要发布了,iPhone 13 咋办啊

iPhone 16要发布了,iPhone 13 咋办啊? Phone 16的屏幕尺寸和分辨率是多少? iPhone 16采用了6.1英寸的超视网膜XDR显示屏,与iPhone 15相同。屏幕分辨率达到了25561179像素,像素密度为460ppi,为用户提供了清…

一、菜单扩展

一、创建文件夹 创建一个名为Editor的文件夹。unity会默认这个名字为工程文件夹 二、创建代码 实现点击unity菜单,对应代码的方法 引用命名空间;使用这个menuitem 注:必须有一个子路径,不然会报错 这里是这个方法的参数 每一个…

并发式服务器

并发式服务器是一种设计用来同时处理多个客户端请求的服务器。这种服务器能够提高资源利用率和响应速度,适用于需要服务大量用户的网络应用。以下是并发式服务器的一些关键特点: 多任务处理:并发式服务器能够同时处理多个任务或请求&#xff…

【Python】成功解决 ModuleNotFoundError: No module named ‘lpips‘

【Python】成功解决 ModuleNotFoundError: No module named ‘lpips’ 下滑即可查看博客内容 🌈 欢迎莅临我的个人主页 👈这里是我静心耕耘深度学习领域、真诚分享知识与智慧的小天地!🎇 🎓 博主简介:98…

LDR ,DTR 指令详解 (17)

arm 的 大致的架构。 LDR{条件} 目的寄存器&#xff0c; <存储器地址> 功能&#xff1a; 将存储器的一个32的数据&#xff0c;保存到寄存器中。 但是这条指令还有另外一个作用。 如果 目的寄存器是PC的话&#xff0c;而从内存中读到的数据是一块内存的地址&#xff0…

正则表达式模块re及其应用

正则表达式是一种强大的文本处理工具&#xff0c;能够用来匹配、查找、替换复杂的文本模式。Python中的正则表达式由re模块提供。 以下是一些常用的方法及示例&#xff1a; 一. 常用方法 re.match() 从头开始匹配re.search() 搜索第一个匹配串re.findall() 查找所有匹配项re…

代码随想录Day 27|贪心算法,题目:455.分发饼干、376.摆动序列、53.最大子序和

提示&#xff1a;DDU&#xff0c;供自己复习使用。欢迎大家前来讨论~ 文章目录 贪心算法Part01一、理论基础1.1 什么是贪心贪心算法解法&#xff1a;动态规划解法&#xff1a; 1.2 贪心一般解题步骤 二、题目题目一&#xff1a;455.分发饼干解题思路&#xff1a;其他思路 题目…

【Datawhale AI夏令营第五期】 CV方向 Task02学习笔记 精读Baseline 建模方案解读与进阶

【Datawhale AI夏令营第五期】 CV方向 Task02学习笔记 精读Baseline 建模方案解读与进阶 教程&#xff1a; 链接&#xff1a; https://linklearner.com/activity/16/16/68 传送门 之前我看原画课的时候&#xff0c;造型的部分就跟我们说&#xff0c;让我们日常观察事物的时候…