Multivariate performance measures for evaluating speckle suppression filters for multitemporal multi-incident SAR imagery

Abstract

Image speckle is inherent in synthetic aperture radar (SAR) data resulting in difficulty interpreting raw radar imagery and necessitating some form of image enhancement. A wide variety of filter types are available to reduce speckle and a number of univariate or subjective methods have been proposed to evaluate their efficacy. However, there are few multivariate criteria to evaluate optimal filter type and kernel size in the analysis of multi-image datasets. Optimal selection of both is especially critical when the target features approach the pixel size of the radar images. In this study, we present principal component analysis and multiple discriminate analysis as quantitative multivariate approaches to evaluate filter performance, primarily focusing on speckle suppression in multitemporal multi-incident angle SAR datasets. We also examine application of these criteria to a texture-based filter. Five common filtering techniques are evaluated to determine which filter type and size maximized the multivariate redundancy and discrimination of classes in radar data in Kalimantan Timur, Indonesia. We found the performance of all filters increased rapidly for small kernels, but they approach a maximum after which little improvement occurs with size. Of the filters examined, the Gamma filter (11×11 kernel size) was optimal based on the multivariate criteria and, although not statistically significant, was able to detect forest age in regenerating dry rice fields (ladang).

Le chatoiement est un phénomène inhérent aux données radar à synthèse d'ouverture (RSO) et cela se traduit par la difficulté à interpréter les images radar brutes et la nécessité d'effectuer une certaine forme de rehaussement d'image. Il existe une grande diversité de types de filtres pour réduire le chatoiement et un certain nombre de méthodes univariées ou subjectives ont été proposées pour évaluer leur efficacité. Toutefois, il existe peu de critères multivariés permettant d’évaluer le type de filtre et la dimension de noyau optimaux dans l'analyse des ensembles de données multi-images. La sélection optimale de ces deux éléments est particulièrement critique lorsque les caractéristiques de la cible atteignent la taille du pixel des images radar. Dans cet article, on présente une analyse en composantes principales et une analyse discriminante multiple comme approches quantitatives multivariées pour évaluer la performance des filtres visant principalement la suppression du chatoiement dans les ensembles de données RSO multitemporelles à angle d'incidence multiples. On examine également l'application de ces mêmes critères à un filtre basé sur la texture. Cinq techniques usuelles de filtrage sont évaluées pour déterminer quel type et quelle dimension de filtre maximisent la redondance multivariée et la discrimination des classes dans les données radar à Kalimantan Timur, en Indonésie. On a trouvé que la performance de tous les filtres augmentait rapidement dans le cas de noyaux de petite taille, mais que celle-ci atteignait un maximum après lequel peu d'amélioration se manifestait avec la taille. Parmi les filtres examinés, le filtre Gamma (noyau de 11×11) était le plus optimal basé sur les critères multivariés et, bien que non statistiquement significatif, ce dernier était capable de détecter l’âge de la forêt dans les rizières asséchées en régénération (ladang).

[Traduit par la Rédaction]