Fast strategies for multi-temporal speckle reduction of Sentinel-1 GRD images

要約

合成開口レーダー（SAR）画像のスペックルを減らし、物理パラメータの変動を制限することは、多くの場合、そのようなデータの可能性を十分に活用するための重要なステップです。
今日、ディープラーニングアプローチは最先端の結果を生み出し、単一画像のSAR復元を実現します。
それにもかかわらず、巨大なマルチテンポラルスタックが現在頻繁に利用可能であり、画質をさらに向上させるために効率的に利用することができます。
このホワイトペーパーでは、マルチテンポラルフレームワークで単一画像のスペックル除去アルゴリズム、つまりSAR2SARを使用する2つの高速戦略について説明します。
1つ目は、Queganフィルターに基づいており、局所反射率の事前推定をSAR2SARに置き換えます。
2つ目は、SAR2SARを使用して、「スーパーイメージ」、つまり時系列の時間算術平均の形式でマルチテンポラル情報をエンコードする比率イメージからのスペックルを抑制します。
Sentinel-1 GRDデータの実験結果は、これら2つのマルチテンポラル戦略が、限られた計算コストを追加しながら、改善されたフィルタリング結果を提供することを示しています。

要約(オリジナル)

Reducing speckle and limiting the variations of the physical parameters in Synthetic Aperture Radar (SAR) images is often a key-step to fully exploit the potential of such data. Nowadays, deep learning approaches produce state of the art results in single-image SAR restoration. Nevertheless, huge multi-temporal stacks are now often available and could be efficiently exploited to further improve image quality. This paper explores two fast strategies employing a single-image despeckling algorithm, namely SAR2SAR, in a multi-temporal framework. The first one is based on Quegan filter and replaces the local reflectivity pre-estimation by SAR2SAR. The second one uses SAR2SAR to suppress speckle from a ratio image encoding the multi-temporal information under the form of a ‘super-image’, i.e. the temporal arithmetic mean of a time series. Experimental results on Sentinel-1 GRD data show that these two multi-temporal strategies provide improved filtering results while adding a limited computational cost.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google