スペックル除去関数

オーバービュー

スペックル除去関数は、画像内のエッジや細部を保持しながら、ラスター データセット内のスペックルを除去し、ノイズを低減します。スペックルとは、レーダー画像に存在する高周波ノイズです。レーザー、超音波、SAR (合成開口レーダー) によって生成される画像は、複数のサーフェスから散乱して返される電磁波の干渉によるスペックル ノイズの影響下にあります。スペックル除去関数は数学モデルを使用して、干渉の結果として生成される明暗のスポットをフィルター処理することで、適切な画像解釈を可能にします。

備考

スペックル除去関数のスムージング アルゴリズムでは、Lee、高度な Lee、Frost、または Kuan というフィルター タイプを使用してスペックルの除去やフィルター処理を行います。

スペックルの低減を最適化するために、次のことを試すことができます。

• [フィルター サイズ] は、処理される画像の品質に大きく影響します。通常は、7 x 7 のフィルターが穏やかなスムージングで適切な結果を生みます。
• [ルック数] は、ノイズ分散を推定するのに使用されます。これは、フィルターによって適用されるスムージングの量を効果的に制御します。この値を小さくするとスムージングが大きくなります。値を大きくすると、明確な画像フィーチャが維持されます。
• 画像のコントラストや明るさを調整するには、ヒストグラム ストレッチを適用します。

Lee フィルター

Lee フィルターは、画像内の各ピクセルに空間フィルターを適用して、矩形ウィンドウ内で計算されたローカル統計に基づいてデータをフィルターすることで、スペックル ノイズを低減します。中央のピクセルの値は、隣接ピクセルを使用して計算した値に置き換えられます。Lee フィルターでは、加法性ノイズ、乗法性ノイズ、またはその両方を除去できます。Lee フィルターを使用して、加法性または乗法性コンポーネントを含むスペックル データをスムージングできます。

Lee フィルターのアルゴリズム

ノイズ モデル	アルゴリズム	変数の定義
加法性	Value of filtered pixel = LM + K * (PC - LM) この式の要素は次のとおりです。 K (加重関数) = LV / (LV + AV)	PC - ウィンドウの中央のピクセル値 LM - フィルター ウィンドウのローカル平均 LM - フィルター ウィンドウのローカル分散 M - 乗法性ノイズ平均 A - 加法性ノイズ平均 AV - 加法性ノイズ分散 MV - 乗法性ノイズ分散 SD - フィルター ウィンドウの標準偏差 Nlooks - ルック数
乗法性	Value of filtered pixel = LM + K * (PC - M * LM) この式の要素は次のとおりです。 K (加重関数) = M * LV / ((LM * LM * MV) + (M * M * LV)) MV = 1 / NLooks
加法性および乗法性	Value of filtered pixel = LM+ K * (PC - M * LM - A) この式の要素は次のとおりです。 K (加重関数) = M * LV / ((LM * LM * MV) + (M * M * LV) + AV) MV = (SD / LM)^2

メモ:

加法性ノイズ平均の値は、通常は 0 です。乗法性ノイズ平均の値は、通常は 1 です。

高度な Lee フィルター

高度な Lee フィルターは、Lee フィルターの精緻化バージョンで、画像の鮮鋭さと細部を維持することで、スペックル ノイズを効果的に低減します。これには、ダンピング係数とルック数が必要です。高度な Lee フィルターを使用して、テクスチャ情報を保持しながらスペックルを除去します。

高度な Lee フィルターのアルゴリズム

アルゴリズム	変数の定義
スムージング処理された中央ピクセルの値 = LM for CI <= CU LM * K + PC * (1 - K) for CU < CI < Cmax PC for CI >= Cmax この式の要素は次のとおりです。 CU = 1 / √ (NLooks) (ノイズ分散係数) Cmax = √ (1 + 2 / NLooks) (最大ノイズ分散係数) CI = SD / LM (画像分散係数) K = e^(- D (Ci - CU) / (Cmax - CI))	PC - ウィンドウの中央のピクセル値 LM - フィルター ウィンドウのローカル平均 SD - フィルター ウィンドウの標準偏差 Nlooks - ルック数 D - ダンピング係数

Frost フィルター

Frost フィルターは、個々のフィルター ウィンドウ内のローカル統計を使用した指数的に低減された環状対称フィルターを使って、スペックル ノイズを低減し、エッジ部の重要な画像フィーチャを維持します。Frost フィルターには、ダンピング係数が必要です。Frost フィルターを使用して、レーダー画像内のエッジを保持しながらスペックルを除去します。

シーン反射率は、Frost フィルターを Lee フィルターや Kuan フィルターと区別する重要な要素です。これは、観測された画像と SAR システムのインパルス応答を組み合わせて計算されます。

Frost フィルターのアルゴリズム

アルゴリズム	変数の定義
このフィルターは、環状対称フィルターを各ピクセルの加重値 M を使用して定義することにより実装されます。 K = e ^(- B * S) 結果として得られるフィルター後のピクセル値は、 R = (P1 * K1 + P2 * K2 + ... + Pn * Kn) / (K1 + K2 + ... + Kn) この式の要素は次のとおりです。 B = D * (LV / LM * LM)	S - フィルター ウィンドウでの中央ピクセルから隣接ピクセルまでのピクセル距離の絶対値です D - ダンピング係数 LM - フィルター ウィンドウのローカル平均 LM - フィルター ウィンドウのローカル分散 P1、P2、...Pn - フィルター ウィンドウ内の各ピクセルのグレー レベル K1、K2、...Kn - 各ピクセルの加重 (定義は上記)

Kuan フィルター

Kuan フィルターは、スペックル ノイズの低減において、Lee フィルターと似たフィルタリング処理を行います。このフィルターは、画像の各ピクセルに空間フィルターも適用し、隣接ピクセルを使用して計算された中央ピクセル値のローカル統計に基づき、データをフィルタリングします。Kuan では、画像のスムージングを制御してノイズ分散を推定するための [ルック数] が必要です。Kuan フィルターを使用して、レーダー画像内のエッジを保持しながらスペックルを除去します。

Kuan フィルターのアルゴリズム

アルゴリズム	変数の定義
フィルター後のピクセル値 R = PC * K + LM * (1 - K) この式の要素は次のとおりです。 CU = 1 / √ (NLooks) (ノイズ分散係数) Cmax = √ (LV) / LM (画像分散係数) K = (1 - ((CU * CU) / (CI * CI))) / (1 + (CU * CU))	PC - ウィンドウの中央のピクセル値 LM - フィルター ウィンドウのローカル平均 LM - フィルター ウィンドウのローカル分散 Nlooks - ルック数

パラメーター

パラメーター	説明
入力ラスター	入力ラスター。
フィルター タイプ	スペックル ノイズを除去するためにスムージング アルゴリズムで使用するフィルター タイプを指定します。 Lee フィルター - 画像内の各ピクセルに空間フィルターを適用して、矩形ウィンドウ内で計算されたローカル統計に基づいてデータをフィルターすることで、スペックル ノイズを低減します。このフィルターは、加法性または乗法性コンポーネントを含むスペックル データをスムージングする場合に有用です。これがデフォルトです。 高度な Lee フィルター - Lee フィルターの改造バージョンで、ダンピング係数とルック数を含んでいます。このフィルターは、テクスチャ情報を保持しながらスペックルを除去する場合に有用です。 Frost フィルター - 個々のフィルター ウィンドウ内のローカル統計を使用した指数的に低減された環状対称フィルターを使って、スペックル ノイズを低減します。このフィルターは、レーダー画像内のエッジを保持しながらスペックルを除去する場合に有用です。 Kuan フィルター - このフィルターは Lee フィルターとよく似ており、画像内の各ピクセルに空間フィルターを適用し、矩形ウィンドウ内で計算されたローカル統計に基づいてデータをフィルター処理します。このフィルターは、レーダー画像内のエッジを保持しながらスペックルを除去する場合に有用です。
フィルター サイズ	ノイズのフィルター処理に使用するピクセル ウィンドウのサイズを指定します。 3x3 5x5 7x7 9x9 11x11 デフォルトは 3x3 です。
ノイズ モデル	レーダー画像の品質を低下させるノイズのタイプを指定します。 乗法性ノイズ - キャプチャまたは変換時に関連する信号に乗算されるランダムな信号ノイズ。 加法性ノイズ - キャプチャまたは変換時に関連する信号に加算されるランダムな信号ノイズ。 加法性ノイズと乗法性ノイズ - 両方のノイズ モデル。 このパラメーターは [フィルター タイプ] が [Lee フィルター] の場合にのみ有効です。デフォルトは [乗法性ノイズ] です。
ノイズ分散	レーダー画像のノイズ分散を指定します。 このパラメーターは [フィルター タイプ] が [Lee フィルター] で、[ノイズ モデル] が [加法性ノイズ] または [加法性ノイズと乗法性ノイズ] の場合にのみ有効です。デフォルト値は 0.25 です。
加法性ノイズ平均	加法性ノイズの平均値を指定します。ノイズ平均の値が大きいほどスムージングが大きくなり、小さいほどスムージングが小さくなります。 このパラメーターは [フィルター タイプ] が [Lee フィルター] で、[ノイズ モデル] が [加法性ノイズ] または [加法性ノイズと乗法性ノイズ] の場合にのみ有効です。デフォルト値は 0 です。
乗法性ノイズ平均	乗法性ノイズの平均値を指定します。ノイズ平均の値が大きいほどスムージングが大きくなり、小さいほどスムージングが小さくなります。 このパラメーターは [フィルター タイプ] が [Lee フィルター] で、[ノイズ モデル] が [加法性ノイズ] または [加法性ノイズと乗法性ノイズ] の場合にのみ有効です。デフォルト値は 1 です。
ルック数	画像のスムージングを制御してノイズ分散を推定するルック数を指定します。この値を小さくするとスムージングが大きくなります。値を大きくすると、より多くの画像フィーチャが維持されます。 このパラメーターは [フィルター タイプ] が [Lee フィルター] で [ノイズ モデル] が [乗法性ノイズ] の場合、または [フィルター タイプ] が [Kuan フィルター] の場合にのみ有効です。デフォルト値は 1 です。
ダンピング係数	フィルタリングにおける指標関数のダンピング効果の範囲を指定します。ダンピング値が大きいと、多くのエッジが保持されスムージングは小さくなります。値が小さいと、スムージングが大きくなります。値を 0 にすると、ロウ パス フィルターと同じ出力が生成されます。 このパラメーターは [フィルター タイプ] が[高度な Lee フィルター] または [Frost フィルター] の場合にのみ有効です。デフォルト値は 1 です。