企业官网建设流程全解析

简介：聚焦遥感技术概论中的微波遥感与图像处理部分，这份教学课件系统讲解微波遥感的物理基础与对地观测方法，面向遥感、测绘、地理信息相关专业的学生、考研者及教师。内容涵盖微波的衰减与透射、散射、多普勒效应和极化特性，并延伸至侧视雷达与合成孔径雷达的工作原理，通过大量曲线图、对比表和场景示意，直观呈现云雾穿透、地表散射等抽象概念，适合课堂教学或自学复习。课件同时梳理微波遥感从早期军事火控到现代环境监测的发展脉络，有助于理解其全天候、全天时及穿透探测的独特价值。资源共1个pptx文件，压缩包约137.07MB，整体结构完整，可配合教材章节使用。目前已有274人学习，对希望快速梳理微波遥感核心知识、补齐图像处理相关前提的读者较有参考价值。

1. 微波遥感：为什么黑夜和云层挡不住它的眼睛

拿到“微波遥感对地观测技术”这门课的同学，大多是从光学遥感那套“像不像照片”的直觉转过来的，结果第一次看到SAR图像就懵了：全是噪点、几何变形严重、地物亮暗和肉眼经验对不上。这不是数据坏了，而是微波遥感从成像机制上和光学根本不是一回事。它主动发射微波脉冲、接收地面后向散射，不依赖太阳光照，所以能穿透云层、昼夜成像，还能通过相位信息测毫米级形变——这些是光学遥感做不到的。这篇笔记会从微波遥感的物理基础讲起，一路拆到SAR图像的辐射定标、滤波去噪和几何校正，最后落到变化检测和参数选型上。适合刚接触微波遥感、手头有一景SAR数据但不知道怎么下手处理的同学，也适合被斑点噪声和几何形变折磨过的从业者。

2. 微波遥感和光学遥感的分水岭：主动微波与后向散射机制

2.1 微波遥感的物理基础：波长、穿透深度与介电常数

微波遥感的“眼睛”是雷达传感器，它自己发射电磁脉冲，再接收地物反射回来的回波。这个“主动”特性决定了它和被动接收太阳光的光学遥感在物理机制上有本质区别。先说波长：微波波段从1mm到1m，对应的频率从300GHz到300MHz。常用波段有X（3cm）、C（5.6cm）、L（23cm）和P（70cm），波长越长穿透能力越强——L波段能穿透植被冠层，P波段甚至能穿透干燥地表和浅层土壤，而X波段基本只能打到冠层表面。这就是为什么森林生物量估测喜欢用L波段、土壤水分反演会考虑P波段的原因。

穿透深度还取决于地物的介电常数。水的介电常数大约是80，干燥土壤只有3到5，所以含水率一变，后向散射系数就跟着剧烈变化。这也是微波遥感做土壤水分的核心依据。后向散射系数σ⁰是微波遥感的“颜色”，光学遥感看的是反射率，微波看的是地物对雷达脉冲的后向散射强度。镜面反射（平静水面、公路）回波极弱，在图像上呈现暗色；粗糙表面（裸土、植被、建筑群）回波较强，呈亮色。这个亮暗逻辑是后续一切图像解释的基础。

2.2 侧视雷达几何：为什么SAR图像天生带阴影和叠掩

雷达不是垂直向下看的，而是以一定入射角侧视成像。这是它和光学传感器最大的几何差异。侧视几何带来三个绕不开的效应：阴影（shadow）、叠掩（layover）和透视收缩（foreshortening）。阴影出现在雷达波束照不到的山坡背面，表现为无回波的暗区；叠掩出现在面向雷达的山坡顶部，山顶的回波先于山脚到达传感器，图像上山顶被“压”向山脚方向；透视收缩则是面向雷达的斜坡在图像上被压缩了。

这三个效应不是bug，而是微波侧视成像的固有属性。处理时不能像光学影像那样直接把它当“遮挡”去掉，而是要在几何校正阶段用轨道参数和DEM参与正射校正来缓解。实际做InSAR（干涉测量）时，叠掩和阴影区域还会导致干涉相位失相干，这些区域在形变图上会表现成噪声块，需要掩膜掉。

2.3 真实孔径雷达与合成孔径雷达：分辨率从百米到米级的跨越

真实孔径雷达（RAR）的分辨率受天线物理尺寸限制：方位向分辨率等于天线的波束宽度乘以斜距。要做1m分辨率，几百公里轨道高度上的天线得做到几公里长，显然不现实。SAR的解决思路是在飞行方向上把雷达回波按多普勒历史拼接起来，等效合成一个大孔径，让方位向分辨率只取决于天线尺寸本身，与飞行高度无关。

这台“合成孔径”的数学本质是匹配滤波：把每个点目标在飞行过程中产生的线性调频回波与参考函数做相关，输出一个尖锐的峰值。这个过程也带来了SAR图像最标志性的噪声——斑点噪声（speckle）。斑点噪声是相干成像的产物，不是热噪声，不能通过加积分时间消除。它表现为图像上颗粒状的明暗变化，视觉上类似“盐和胡椒”噪声，但统计特性完全不同。滤波策略后面单开一节讲。

3. SAR图像处理落地：从原始数据到可用图像的完整流程

3.1 数据准备与预处理：如何组织你的原始数据

拿到一景SAR数据，第一步不是急着滤波，而是先看元数据。以欧洲空间局Sentinel-1的IW模式数据为例，一个标准产品包含：

• manifest.safe：数据清单文件，记录成像时间、轨道号、极化方式、产品类型
• measurement/目录下的tiff文件：每个极化通道一个，比如s1a-iw1-slc-vv-20230101t000000-20230101t000000-001234-002345-001.tiff
• annotation/目录下的xml文件：包含轨道状态矢量、多普勒参数、噪声校正参数
• previews/目录下的png预览图

我用Python做预处理时会先写一个小脚本，读取manifest并打印关键元数据，确认产品是SLC（单视复数）还是GRD（地距探测）——这个决定后续处理路径：SLC保留相位信息，能做干涉和极化分析；GRD已经做了多视和地距投影，适合做强度图分析和分类。

from xml.etree import ElementTree as ET import re def parse_manifest(manifest_path): tree = ET.parse(manifest_path) root = tree.getroot() ns = { 'safe': 'http://www.esa.int/safe/sentinel-1.0', 's1': 'http://www.esa.int/safe/sentinel-1.0/sentinel-1' } # 提取产品类型、极化、成像时间 prod_type = root.find('.//safe:productType', ns).text pols = [p.text for p in root.findall('.//s1:polarisation', ns)] start_time = root.find('.//safe:startTime', ns).text orbit_pass = root.find('.//s1:pass', ns).text return { 'product_type': prod_type, # 产品类型：SLC / GRD / OCN 'polarisations': pols, # 极化通道：VV、VH、HH、HV 'start_time': start_time, # 成像开始时间 'orbit_pass': orbit_pass # 升降轨：ASCENDING / DESCENDING } # 使用示例 meta = parse_manifest('manifest.safe') print(meta)

这段代码的核心作用是让你在批量处理前先确认数据口径。参数说明：product_type决定了后续用强度还是相位信息——做地形形变必须用SLC，做地物分类用GRD就够了；polarisations告诉你数据是单极化还是双极化——双极化数据可以做极化分解，单极化就只能看强度和后向散射统计特性。如果发现产品类型和预期不符，要在这一步停下来，不要硬往下走。

3.2 辐射定标与斑点噪声滤波：让后向散射系数可比较

原始DN值不能直接用于定量分析。不同的成像时间、不同的入射角、不同的传感器增益都会影响DN值，必须通过辐射定标把它转换成归一化的后向散射系数σ⁰（sigma nought）。Sentinel-1的GRD产品在元数据里附带查找表，处理时逐像素做：

import numpy as np from osgeo import gdal def radiometric_calibration(input_tiff, output_tiff, calibration_lut): """ 逐像素完成DN值到sigma0的转换 calibration_lut: 从annotation xml中提取的定标查找表 """ ds = gdal.Open(input_tiff) band = ds.GetRasterBand(1) dn = band.ReadAsArray().astype(np.float64) # Sentinel-1的定标公式：sigma0 = DN^2 / A^2 # 其中A是定标常数，从LUT中获取 # 注意：DN转sigma0是平方关系，不是线性 sigma0 = (dn ** 2) / (calibration_lut ** 2) # 转成分贝单位，便于可视化 sigma0_db = 10 * np.log10(sigma0 + 1e-10) driver = gdal.GetDriverByName('GTiff') out_ds = driver.Create(output_tiff, ds.RasterXSize, ds.RasterYSize, 1, gdal.GDT_Float32) out_band = out_ds.GetRasterBand(1) out_band.WriteArray(sigma0_db) out_band.SetNoDataValue(-9999) out_ds.SetGeoTransform(ds.GetGeoTransform()) out_ds.SetProjection(ds.GetProjection()) out_ds.FlushCache() return sigma0_db # 读取annotation中定标常数 # 数据组织: annotation/calibration/calibration-iw1.xml cal_xml = 'annotation/calibration/calibration-iw1.xml' # ... 解析XML提取azimuthTime、slantRangeTime和sigmaNought数组 sigma0 = radiometric_calibration('measurement/s1a-iw-grd-vv-001.tiff', 'sigma0_vv_db.tif', A_values)

这里最容易翻车的是忘记加1e-10这个极小值——直接对含零像素的DN值取对数会得到-inf，后面所有统计全废。另外，定标公式不同产品不一样，Sentinel-1这么做，ALOS-2和Radarsat-2各有各的LUT格式。原则是：不确认产品文档里的定标公式，宁可不做定量分析。

辐射定标之后是去噪。SAR的斑点噪声是乘性噪声，不能用处理光学图像的高斯滤波或中值滤波直接怼。常用做法是Lee滤波、Refined Lee滤波或Gamma MAP滤波。这些滤波器利用局部统计特性（均值和方差）自适应调整窗口内的滤波强度，在平坦区强平滑、在纹理丰富区保留细节。我一般用Refined Lee，窗口选7×7，为什么是7×7而不是3×3或5×5——窗口太小，统计量不稳定，噪声压不下去；窗口太大，会把道路、小地块这类线性细节磨没了。

from skimage.restoration import denoise_sar # skimage从0.19起内置了SAR去噪算法（基于贝叶斯估计） # 注意：这个方法比传统Lee滤波更稳，但计算量也更大 denoised = denoise_sar(sigma0, model='multiplicative', # 声明噪声模型为乘性 method='bayes', # 贝叶斯估计 channel_axis=None, variance=0.25) # 噪声方差估计 # 对比：如果误用高斯滤波 # from scipy.ndimage import gaussian_filter # wrong = gaussian_filter(sigma0, sigma=1) # 这是把斑点噪声当加性噪声处理，细节会被磨掉

参数说明：model='multiplicative'是最关键的一行——它告诉算法“噪声是乘性的”，算法内部的对数域处理逻辑才会正确；variance=0.25是斑点噪声的方差估计，这个值过小会导致欠滤波（噪声还在），过大会导致图像变糊。怎么判断是否过滤波？看地物边缘：道路边界和建筑轮廓如果出现了“光晕”或模糊过渡带，说明方差设大了。

3.3 几何校正：从斜距到地距的正射转换

SAR原始成像是斜距几何（slant range），地面上的等距地物在图像上并不等距。几何校正有两个层次：一是简单的斜距到地距转换，把像素按斜距投影公式重采样到地面网格；二是正射校正，利用DEM消除地形引起的叠掩和阴影畸变。后者是定量分析（比如和光学影像做融合）的前提。

常用的工具是SNAP（Sentinel Application Platform）的Terrain Correction模块，也可以用Python GDAL配合RPC（有理多项式系数）做处理。SNAP的流程图是这样的：先加载GRD产品，右键Terrain Correction，选好DEM（SRTM 30m或Copernicus 30m），设置像素间距（一般和原始分辨率一致，比如10m），输出坐标系选UTM投影。

正射校正的效果怎么看？把校正后的SAR影像和同区域光学影像叠加，检查河流、道路、山脊线是否吻合。重合误差在1-2个像素内是正常水平。如果偏差超过5个像素，检查DEM的精度和分辨率——SRTM 90m的DEM校正山区数据会明显力不从心，这时候换高分辨率DEM重跑一遍。

4. 微波遥感系统的核心参数选型：波长、极化、入射角与分辨率

4.1 波长选择：X、C、L、P波段到底怎么选

波长是微波遥感第一个要定的参数。它决定了穿透深度、表面粗糙度敏感范围和干涉测量的形变敏感度。四个常用波段各有各的“舒适区”：

选型逻辑一句话：目标越“藏在下面”，波长越长。反演森林生物量，X波段看到的只是冠层顶，L波段能看到主干和粗枝，两者反演出来的生物量相关性和饱和点差异显著。做城市形变监测则相反，C波段波长适中，形变相位敏感度合适，而且Sentinel-1免费开放——性价比最高。

4.2 极化方式：VV、VH、HH、HV各自的响应特性

微波的极化是电磁波电场矢量的振动方向。水平极化（H）和垂直极化（V）组合出四种收发方式：HH、VV、VH、HV。同极化（HH、VV）回波一般强于交叉极化（HV、VH），因为地物反射时极化旋转的比例较低。不同地物对极化方式的响应差异是分类和地物识别的基础。

水体在VV下回波较强（平静表面的布拉格共振），在HH下回波较弱；裸土在HH下回波强；植被在交叉极化下回波突出——因为植被的多重散射会改变极化方向。实际工程中，双极化数据（VV+VH或HH+HV）是性价比最高的选择。用极化比（比如VV/VH的比值）做特征，能比单通道强度量更好地分离植被和地表。做地物分类时，极化分解（如Freeman-Durden分解、Pauli分解）能把体散射、面散射、二面角散射分量拆出来，是识别城市建筑区和森林区的利器。

4.3 入射角与分辨率：分辨率不是越高越好

入射角影响后向散射强度：小入射角（如20°）下回波强，但对地形起伏敏感，叠掩严重；大入射角（如45°）下回波弱，但几何畸变小。城区分析一般选大入射角，减少建筑叠掩面积；山区形变监测反而喜欢小入射角，因为理论上InSAR对小入射角数据的形变敏感度更高。

分辨率的选择要匹配应用目标的尺度。10m分辨率做城市级洪水淹没制图绰绰有余，但要识别农村分散的房屋（3-5m尺度），10m就捉襟见肘。同时分辨率越高数据量越大——一景TerraSAR-X条带模式数据大约5GB，而Sentinel-1 IW模式GRD产品只有几百MB。批量处理前先算好存储和处理时间账，别等硬盘爆了才后悔。

4.4 重访周期与轨道方向：时间维度的隐性参数

多时相分析时，重访周期决定时间分辨率。Sentinel-1单星重访12天，A、B双星组网后6天；ALOS-2重访14天。做形变监测还要注意升降轨的几何敏感性差异：InSAR对视线向（LOS）形变敏感，升轨侧重检测接近卫星方向的运动，降轨检测远离方向的运动。真正的地表三维形变需要升降轨数据联合解算。时间维度的另一个坑是基线——干涉像对的垂直基线越长，地形相位越敏感，但过长会导致失相干。这个参数在后面避坑章展开。

5. 微波遥感图像处理避坑：五个高频翻车现场

5.1 斑点噪声当成高斯噪声直接滤波

现象：用了高斯滤波或普通均值滤波，图像确实变“干净”了，但分辨率也“干净”没了——道路和细线地物全糊了。

原因：斑点噪声是乘性的、空间相关的，不具备高斯白噪声的独立同分布特性。用为加性噪声设计的滤波器去处理乘性噪声，滤波器会同时抹掉信号和噪声，而且因为噪声和信号是相乘关系，亮区残留噪声比暗区更明显。

解决：改用Lee、Refined Lee或Gamma MAP等专门为SAR设计的自适应滤波器。这些滤波器利用局部均值与方差的比例关系估计“等效视数”，再据此决定平滑强度。拿不准滤波强度时先在建筑密集区和均匀水体区各试一次，对比效果再批量跑。

5.2 斜距产品直接当成地面距离来量

现象：在SLC或未校正GRD产品上量河流宽度或道路长度，结果和实地差20%-30%。

原因：SAR原始影像是斜距几何，远近地物的像素间距不一致。靠近星下点的地物被“压”得更紧，远离的被“拉伸”。没做地距转换就做几何量测，误差是系统性的。

解决：量测类分析必须用经过地理编码的GRD产品，并检查像素间距是不是和目标坐标系一致。Sentinel-1的GRD产品已经做过斜距到地距的转换，但地理编码后的产品才是有正确的投影坐标的。从SNAP导出的GeoTIFF，坐标参考信息齐全，量测才可靠。

5.3 正射校正后图像出现“拉伸鬼影”

现象：地形校正后的图像在山谷区域出现拉伸变形，像是“融化”了一样。

原因：正射校正本质是将斜距像素重采样到地面网格。在陡峭地形下，斜距上紧挨的像素在地距上可能相隔几十米，重采样时新网格上会有大面积的“空像素”，需要从邻域插值填补。这个过程会拉伸地物，看起来图像被“抹开”了。

解决：不要只用强度插值，尽量用带边缘保护的插值算法（如双三次或更高级的resampling方法）。如果某个区域变形严重，优先检查DEM分辨率和该区域的坡度——陡坡区是SAR几何校正的极限场景，任何算法都不可能完美重建面向和背向雷达的斜坡。

5.4 干涉像对基线太长导致完全失相干

现象：两景SAR数据做干涉，相位图全是噪声，滤波救不回来。

原因：干涉要求两次成像时的天线位置足够接近，也就是空间基线小于临界基线。基线越长，同一地物的两个成像视角差异越大，散射体在分辨单元内的随机干涉就越激烈，最后相干性归零。

解决：选像对时先查基线表。Sentinel-1的基线控制在150m以内是安全的，超过300m就得小心取舍。还有一个常见诱因是时间去相干——两景数据间隔太久，地表植被生长、土壤湿度变化都会让相位失相干。处理方案：先用相干系数图做质量图，把相干性低于阈值的像素直接掩膜掉再做相位解缠。阈值一般取0.2-0.3，低于0.2的相位可信度极低。

5.5 入射角差异过大的多时相影像直接堆叠分类

现象：不同轨道、不同入射角的多时相SAR影像直接按波段叠加做分类，结果是同一种地物被分成好几类，或不同地物聚在一起。

原因：后向散射强度本身是入射角的强函数。入射角差5°-10°，同目标在同极化的σ⁰能差2-3dB。这个差异和地物本身的散射差异混在一起，分类器会被“假特征”干扰。

解决：定量分析前做入射角归一化。常见做法是用一个经验模型把σ⁰归一化到参考入射角（如30°）。更稳妥的思路是不用强度值做分类，改用纹理特征或多时相比值（后一景除以前一景），比值对系统性的角度差异不敏感。

6. 进阶：用SAR影像做变化检测的完整套路

变化检测是SAR数据处理的高阶应用，思路其实很朴素：同一地物在前后两景影像上后向散射发生变化，要么是地物属性变了（植被砍伐、建筑建造、洪水淹没），要么是环境条件变了（土壤湿度、积雪融化）。关键是怎么把“变化”从噪声中挖出来。我的常用方案是“对数比值法”——对辐射定标后的强度影像取对数，两景相减，得到变化强度图。理论上没变化区域比值接近0，有变化区域出现正负尖峰。

比值法实现不难，难在阈值的选取。全局阈值（比如±2dB）对均匀区域适用，但城区的“变化”有一半是伪变化——建筑角反射器效应、雷达阴影随轨道微小差异而移动，都会造成强烈的信号变化。这时我会加一个辅助掩膜：相干性低于阈值的像素、叠掩阴影区域、水体边界缓冲带全部排除，剩下的变化点才纳入分析。

import numpy as np from osgeo import gdal # 两景已配准、已辐射定标的SAR强度影像（dB单位） sar_pre = gdal.Open('sigma0_vv_pre.tif').ReadAsArray() sar_post = gdal.Open('sigma0_vv_post.tif').ReadAsArray() coherence = gdal.Open('coherence.tif').ReadAsArray() # 1. 对数比值：变化强度 ratio = sar_post - sar_pre # dB单位下，相减即比值 # 2. 相干性掩膜：失相干区域不参与判定 mask_valid = coherence > 0.25 # 相干性阈值，低于0.25相位完全不可信 mask_no_surface = np.ones_like(mask_valid) # 可叠加：坡度掩膜、阴影叠掩掩膜（从DEM计算） # 3. 变化判定：|比值| > 阈值 且 通过掩膜 change_threshold_db = 3.0 # 3dB约等于后向散射翻倍/减半 change_map = np.where((mask_valid) & (np.abs(ratio) > change_threshold_db), 1, 0) # 4. 去除孤立像元：形态学开运算 from scipy.ndimage import binary_opening change_clean = binary_opening(change_map, iterations=2) # 5. 输出面积统计 print(f"变化像元总数: {np.sum(change_clean)}")

这个流程的核心是两个参数：相干性阈值0.25——这个值来自InSAR的理论底线，低于它相位噪声主导；变化阈值3dB——它对应后向散射强度翻倍或减半，这个量级的差异足以排除大部分噪声浮动。如果你处理的区域植被覆盖度高，阈值要往上提到4-5dB，因为植被区的斑点噪声和含水率变化本身就会造成2-3dB的波动。

形态学开运算是去掉“椒盐”伪变化的最后一道防线——单像一个像元的变化极大概率是噪声或配准误差，真正的变化（建楼、砍伐、洪水）在SAR影像上会表现为连续区域。

最后我习惯把变化检测结果叠加到光学影像底图上做人工目视确认。记住，SAR变化检测的价值在于“快速定位可疑区域”，而不是自动下结论。很多灰度变化不一定是灾害，可能是农事活动或土壤湿度波动。务实的做法是把变化检测当成“筛选器”，人工确认才是最终决策环节。

做微波遥感这几年，我最深的一个教训是：永远不要拿到数据就急着跑算法，先花半小时看元数据、看几何、看相干性，很多时候能帮你省掉一整个星期的无效处理。这篇笔记里所有的参数都是经验起点，不是标准答案——每个研究区有自己的脾气，多试几组参数对比输出，比迷信某篇论文里的“最优参数”靠谱得多。希望帮到你。

本文还有配套的精品资源，点击获取