阅读说明：本技术 一种利用合成孔径雷达图像反演海面风速的方法及系统 (Method and system for inverting sea surface wind speed by utilizing synthetic aperture radar image ) 是由 郑罡 周立章 王焱 陈鹏 于 2020-07-01 设计创作，主要内容包括：本发明公开了一种利用合成孔径雷达图像反演海面风速的方法及系统,包括步骤：S1、获得含有风条纹信息的合成孔径雷达图像,对所述图像进行辐射校正,将强度信息转化为归一化后向散射系数；S2、对辐射校正后的图像进行重新标定；S3、将所述重新标定后的图像转化为灰度图像；S4、计算所述灰度图像的灰度共生矩阵；S5、计算所述灰度共生矩阵的特征值；S6、基于所述灰度共生矩阵的特征值、及灰度共生矩阵的特征值与风速间的关系,计算海面风速。本发明对辐射校正后的图像进行重新标定,以避免当SAR图像辐射定标的加性因子不准时反演效果差的问题,提高风速计算的准确性。(The invention discloses a method and a system for inverting sea surface wind speed by utilizing synthetic aperture radar images, which comprises the following steps: s1, obtaining a synthetic aperture radar image containing wind stripe information, performing radiation correction on the image, and converting intensity information into a normalized backscattering coefficient; s2, recalibrating the image after radiation correction; s3, converting the image after the recalibration into a gray image; s4, calculating a gray level co-occurrence matrix of the gray level image; s5, calculating a characteristic value of the gray level co-occurrence matrix; and S6, calculating the sea surface wind speed based on the characteristic value of the gray level co-occurrence matrix and the relation between the characteristic value of the gray level co-occurrence matrix and the wind speed. The method and the device perform recalibration on the image after radiation correction so as to avoid the problem of poor inversion effect when the additive factor of the SAR image radiometric calibration is not accurate and improve the accuracy of wind speed calculation.)

一种利用合成孔径雷达图像反演海面风速的方法及系统

技术领域

本发明涉及海面风速计算领域，具体涉及一种利用合成孔径雷达图像反演海面风速的方法及系统。

背景技术

海面风速反演是探索和研究海洋及海气相互作用的重要环节，是开发和利用海洋的必要基础，也是现今海洋学研究的迫切需求，对于海洋预报和防灾减灾都有十分重要的意义。在利用星载仪器观测风速之前，主要靠观测站和船只来测量风速，虽然测量精度较高，但观测的范围十分有限，难以满足大范围观测和应用的需要。在星载传感器(高度计、散射计和辐射计)出现之后，大范围测量海面风速才得以实现。其中,卫星高度计仅能测量星下点的风速；微波散射计已实现大范围海面风场观测的业务化应用,但其空间分辨率通常在25-50km；微波辐射计也已实现海面风场的业务化探测,但对定标精度和极化的测量要求较高。同时，散射计和辐射计无法测量近岸几十公里以内及岛屿附近的风场,不能满足测量某些特定区域的海面高分辨率风场的需要。

星载合成孔径雷达(Synthetic Aperture Radar，SAR)具有全天时、全天候、高分辨率海洋遥感观测的特点,可以为海面风场反演提供有效的支持。利用SAR反演海面风场，尤其适用于海岸带和岛屿区的观测,可以克服微波散射计和辐射计的不足，又避免了投入大量人力物力进行实地观测。现有的利用SAR图像反演海面风场的方法主要是通过从图像本身或者外部资料获取的风向，结合地球物理模式函数来计算风速，未能充分发掘SAR图像本身包含的信息，需要借助外部函数或者数据，并且对SAR数据的定标准确性十分敏感。

公开号为CN 110398738 A的发明专利申请公开了一种利用遥感图像反演海面风速的方法，通过获取含有风条纹的遥感图像，进行几何校正和辐射校正；将归一化后向散射图像转换为灰度图像；计算灰度图像在特定方向(风向)上的灰度共生矩阵；根据图像的灰度共生矩阵的特征值(能量)，并提取其稳定值；根据能量的稳定值与风速的关系，反演风速。

上述申请虽然根据SAR图像本身包含的信息进行海面风速的反演，但是当SAR图像辐射定标的加性因子不准时反演效果差。因此，如何在辐射定标的加性因子不准时保证反演风速的效果，是本领域亟待解决的问题。

发明内容

本发明的目的是针对现有技术的缺陷，提供了一种利用合成孔径雷达图像反演海面风速的方法及系统。对辐射校正后的图像进行重新标定，以避免当SAR图像辐射定标的加性因子不准时反演效果差的问题，提高风速计算的准确性。

为了实现以上目的，本发明采用以下技术方案：

一种利用合成孔径雷达图像反演海面风速的方法，包括步骤：

S1、获得含有风条纹信息的合成孔径雷达图像，对所述图像进行辐射校正，将强度信息转化为归一化后向散射系数；

S2、对辐射校正后的图像进行重新标定；

S3、将所述重新标定后的图像转化为灰度图像；

S4、计算所述灰度图像的灰度共生矩阵；

S5、计算所述灰度共生矩阵的特征值；

S6、基于所述灰度共生矩阵的特征值、及灰度共生矩阵的特征值与风速间的关系，计算海面风速。

进一步地，所述重新标定的公式如下：

R＝σ₀/S(θ)

其中，σ₀为归一化后向散射系数，S(θ)为后向散射模型CMOD5.N在10m/s风速，45°风向下入射角为θ时的计算值，θ为所计算的σ₀对应像元处的入射角，R为重新定标后的像元值。

进一步地，所述归一化后向散射系数具体为：

I＝10×lg[(X+A₁)/A₂]+10×lg[sin(θ)]

其中，I为归一化后向散射系数，X为强度，A₁为偏移量，A₂为增益，θ为入射角。

进一步地，所述步骤S4具体为：

求出相对位置为整数且最接近待求目标位置的4个GLCM，分别记为G₁₁、G₁₂、G₂₁、G₂₂，对应满足的相对位置分别为(floor(d·cosФ)，floor(d·sinФ))、(ceiling(d·cosФ)，floor(d·sinФ))、(floor(d·cosФ)，ceiling(d·sinФ))、(ceiling(d·cosФ)，ceiling(d·sinФ))，其中，d为步长，Ф为角度，floor代表向下取整，ceiling代表向上取整，具体地：利用双线性插值求出相对位置为(d·cosФ,d·sinФ)的GLCM，公式如下：

G₁₁(m，n；d，Ф)＝G₁₁(m,n；floor(d·cosφ)，floor(d·sinφ))

G12(m，n；d，Ф)＝G12(m,n；ceiling(d·cosФ)，floor(d·sinφ))

G21(m，n；d，Ф)＝G21(m,n；floor(d·cosφ)，ceiling(d·sinФ))

G22(m，n；d，Ф)＝G22(m,n；ceiling(d·cosФ)，ceiling(d·sinФ))

其中G₁₁、G₁₂、G₂₁、G₂₂为最近邻的四个位置对应的灰度共生矩阵，m＝d·cosФ-floor(d·cosФ)，n＝d·sinФ-floor(d·sinФ)。

进一步地，灰度共生矩阵的特征值与风速间的关系具体为：

W＝4.4707*T_s+1.7227

其中，T_s为提取的熵的稳定值，W为风速，单位为m/s。

本发明还提出一种利用合成孔径雷达图像反演海面风速的系统，包括：

辐射校正模块，用于获得含有风条纹信息的合成孔径雷达图像，对所述图像进行辐射校正，将强度信息转化为归一化后向散射系数；

重新标定模块，用于对辐射校正后的图像进行重新标定；

灰度化模块，用于将所述重新标定后的图像转化为灰度图像；

第一计算模块，用于计算所述灰度图像的灰度共生矩阵；

第二计算模块，用于计算所述灰度共生矩阵的特征值；

第三计算模块，用于基于所述灰度共生矩阵的特征值、及灰度共生矩阵的特征值与风速间的关系，计算海面风速。

进一步地，所述重新标定的公式如下：

R＝σ₀/S(θ)

其中，σ₀为归一化后向散射系数，S(θ)为后向散射模型CMOD5.N在10m/s风速，45°风向下入射角为θ时的计算值，θ为所计算的σ₀对应像元处的入射角，R为重新定标后的像元值。

进一步地，所述归一化后向散射系数具体为：

I＝10×lg[(X+A₁)/A₂]+10×lg[sin(θ)]

其中，I为归一化后向散射系数，X为强度，A₁为偏移量，A₂为增益，θ为入射角。

进一步地，所述第一计算模块具体为：

求出相对位置为整数且最接近待求目标位置的4个GLCM，分别记为G₁₁、G₁₂、G₂₁、G₂₂，对应满足的相对位置分别为(floor(d·cosФ)，floor(d·sinФ))、(ceiling(d·cosФ)，floor(d·sinФ))、(floor(d·cosФ)，ceiling(d·sinФ))、(ceiling(d·cosФ)，ceiling(d·sinФ))，其中，d为步长，Ф为角度，floor代表向下取整，ceiling代表向上取整，具体地：利用双线性插值求出相对位置为(d·cosФ,d·sinФ)的GLCM，公式如下：

G₁₁(m，n；d，Ф)＝G₁₁(m,n；floor(d·cosφ)，floor(d·sinφ))

G12(m，n；d，Ф)＝G12(m,n；ceiling(d·cosФ)，floor(d·sinφ))

G21(m，n；d，Ф)＝G21(m,n；floor(d·cosφ)，ceiling(d·sinФ))

G22(m，n；d，Ф)＝G22(m,n；ceiling(d·cosФ)，ceiling(d·sinФ))

其中，G₁₁、G₁₂、G₂₁、G₂₂为最近邻的四个位置对应的灰度共生矩阵，m＝d·cosФ-floor(d·cosФ)，n＝d·sinФ-floor(d·sinФ)。

进一步地，灰度共生矩阵的特征值与风速间的关系具体为：

W＝4.4707*T_s+1.7227

其中，T_s为提取的熵的稳定值，W为风速，单位为m/s。

本发明针对开阔海域和海岸带等特殊区域的海面风场观测需求，利用SAR图像的大范围覆盖和高分辨率的能力，基于SAR图像中所包含的因海面风场调制而在图像上呈现的亮暗条纹特征，对SAR图像的进行定量处理并灰度化，再利用灰度共生矩阵进行分析，从而获得成像区域海面风场的信息，用于测量海面风速。借助特征值与海面风速的关系，反演海面的风速，可以用于大范围海面风场监测和风力资源评估。本发明对辐射校正后的图像进行重新标定，以避免当SAR图像辐射定标的加性因子不准时反演效果差的问题，提高风速计算的准确性。

附图说明

图1是实施例一提供的一种利用合成孔径雷达图像反演海面风速的方法流程图；

图2是典型的含有风条纹的遥感图像；

图3是典型风条纹遥感图像转化成的灰度图像；

图4是典型风条纹遥感图像在风向上随步长变化的熵；

图5是风向上提取的熵的稳定值与风速的散点图及其拟合关系；

图6是通过拟合关系计算得到的风速与ECMWF再分析风速的比较图；

图7是辐射定标的加性因子不准时的风速反演结果与ECMWF再分析风速的比较图；

图8是实施例二提供的一种利用合成孔径雷达图像反演海面风速的系统结构图。

具体实施方式

以下通过特定的具体实例说明本发明的实施方式，本领域技术人员可由本说明书所揭露的内容轻易地了解本发明的其他优点与功效。本发明还可以通过另外不同的具体实施方式加以实施或应用，本说明书中的各项细节也可以基于不同观点与应用，在没有背离本发明的精神下进行各种修饰或改变。需说明的是，在不冲突的情况下，以下实施例及实施例中的特征可以相互组合。

需要说明的是，以下实施例中所提供的图示仅以示意方式说明本发明的基本构想，遂图式中仅显示与本发明中有关的组件而非按照实际实施时的组件数目、形状及尺寸绘制，其实际实施时各组件的型态、数量及比例可为一种随意的改变，且其组件布局型态也可能更为复杂。

下面结合附图和具体实施例对本发明作进一步说明，但不作为本发明的限定。

实施例一

如图1所示，本实施例提出了一种利用合成孔径雷达图像反演海面风速的方法，包括：

S1、获得含有风条纹信息的合成孔径雷达图像，对所述图像进行辐射校正；

本发明利用合成孔径雷达图像反演海面风速，具体地，针对开阔海域和海岸带等特殊区域的海面风场观测需求，利用SAR图像的大范围覆盖和高分辨率的能力，基于SAR图像中所包含的因海面风场的调制而在图像上呈现的亮暗条纹特征，获得海面风场的信息，从而计算海面风速。因此，为了反演海面风速，本发明首先获取含有风条纹信息的合成孔径雷达图像，以基于条纹信息进行风速的计算。图2示出了典型的含有风条纹的合成孔径雷达图像。

获取SAR图像后，首先需要对图像进行预处理，消除大气、太阳高度角、地形等的干扰。本发明首先对SAR图像进行辐射校正，将强度信息转化为归一化后向散射系数。对图像进行辐射校正，将图像的强度值转换为归一化后向散射系数。归一化后向散射系数具体为：

I＝10×lg[(X+A₁)/A₂]+10×lg[sin(θ)]

其中，I为归一化后向散射系数，X为强度，A₁为偏移量，A₂为增益，θ为入射角。

值得注意的是，不同格式的卫星数据的辐射校正公式略有差异，本发明只是示例性给出其中一种辐射校正公式，具体应用中，可以根据具体的需要选择其它辐射校正公式，在此不作限定。

S2、对辐射校正后的图像进行重新标定；

辐射标定是用户需要计算地物的光谱反射率或光谱辐射亮度时，或者需要对不同时间、不同传感器获取的图像进行比较时，都必须将图像的亮度灰度值转换为绝对的辐射亮度。对图像进行辐射校正，由于入射角的原因，亮度分布不均匀，因此，本发明对辐射校正后的图像进行重新标定。具体地，重新定标的公式如下：

R＝σ₀/S(θ)

其中，σ₀为归一化后向散射系数，S(θ)为后向散射模型CMOD5.N在10m/s风速，45°风向下入射角为θ时的计算值，θ为所计算的σ₀对应像元处的入射角，R为重新定标后的像元值。

值得注意的是，本发明利用后向散射模型CMOD5.N的计算值作为分母，对辐射校正后的图像进行重新标定。但其他地球物理模式函数的计算结果亦可以替代，如CMOD4、CMOD_IFR2等，可以根据需要选择相应的风速、风向、入射角等。在此不作限定。

S3、将所述重新标定后的图像转化为灰度图像；

由于需要计算图像的灰度共生矩阵，所以需要将重新标定后的图像转换为灰度图像。考虑到灰度共生矩阵的计算复杂度，本发明灰度范围取0-15，共16阶。将归一化后向散射系数转换为灰度的计算公式如下：

其中I(i，j)为遥感图像像元值，gray(i，j)为变换后的图像灰度值，范围为0～15之间，I_max为图像取值范围中的最大值，I_min为图像取值范围中的最小值，i，j为正整数。

图3示出了将图2所示的SAR图像转化成灰度图像的示意图。上述对图像进行灰度化的过程中，采用了线性映射，其他形式的灰度化方案也可能达到同样的效果。在此不作限定，本领域技术人员可以根据需要选择其它的灰度化计算方法，如指数变换、幂变换、对数变换等。

S4、计算所述灰度图像的灰度共生矩阵；

灰度共生矩阵(GLCM，Gray level co occurrence matrix)指的是一种通过研究灰度的空间相关特性来描述纹理的常用方法。灰度共生矩阵用于描述纹理特征。由于纹理是由灰度分布在空间位置上反复出现而形成的，因而在图像空间中相隔某距离的两像素之间会存在一定的灰度关系，即图像中灰度的空间相关特性。

本发明基于SAR图像的纹理确定风速，因此，首先需要灰度图像的灰度共生矩阵，以描述SAR图像的纹理特征。具体地，假设待求GLCM的步长为d，角度为Ф，即像素对相对位置为(d·cosФ,d·sinФ)，则求其灰度共生矩阵G的具体方法如下：

求出相对位置为整数且最接近待求目标位置的4个GLCM，分别记为G₁₁、G₁₂、G₂₁、G₂₂，对应满足的相对位置分别为(floor(d·cosФ)，floor(d·sinФ))、(ceiling(d·cosФ)，floor(d·sinФ))、(floor(d·cosФ)，ceiling(d·sinФ))、(ceiling(d·cosФ)，ceiling(d·sinФ))。其中，floor代表向下取整，ceiling代表向上取整，具体地：利用双线性插值求出相对位置为(d·cosФ,d·sinФ)的GLCM，公式如下：

G₁₁(m，n；d，Ф)＝G₁₁(m,n；floor(d·cosφ)，floor(d·sinφ))

G12(m，n；d，Ф)＝G12(m,n；ceiling(d·cosФ)，floor(d·sinφ))

G21(m，n；d，Ф)＝G21(m,n；floor(d·cosφ)，ceiling(d·sinФ))

G22(m，n；d，Ф)＝G22(m,n；ceiling(d·cosФ)，ceiling(d·sinФ))

其中G₁₁、G₁₂、G₂₁、G₂₂为最近邻的四个位置对应的灰度共生矩阵，m＝d·cosФ-floor(d·cosФ)，n＝d·sinФ-floor(d·sinФ)。

S5、计算所述灰度共生矩阵的特征值；

根据Halick的公式，计算不同步长下灰度共生矩阵的特征值。计算公式如下：

其中，p(i,j)为灰度共生矩阵的元素，i，j为正整数，T为熵。然后提取熵的稳定值，此处提取稳定值的方法为：每8个数据点计算其标准差和均值，当这8个点的标准差小于其均值的1％时，将此时的8个点的均值作为熵的稳定值。

图4示出了SAR图像在风向上随步长变化的熵，由图4可知，随着步长的增加，风向上的熵开始迅速下降，直到趋于稳定。对于相同的步长，风速越小，其相应的熵越大。图5示出了风向上提取的熵的稳定值与风速的散点图及其拟合关系。由图5可知，不同风速下熵的稳定性强。

S6、基于所述灰度共生矩阵的特征值、及灰度共生矩阵的特征值与风速间的关系，计算海面风速。

计算出灰度共生矩阵的特征值后，基于灰度共生矩阵的特征值、及灰度共生矩阵的特征值与风速间的关系，计算海面风速。

灰度共生矩阵的特征值与风速间的关系具体为：

W＝4.4707*T_s+1.7227

其中，T_s为提取的熵的稳定值，W为风速(单位为m/s)。

为了准确评估本申请的反演风速的性能，本发明就反演的风速与欧洲中期天气预报中心(European Centre for Medium-Range Weather Forecasts，ECMWF)的再分析风速进行比较，ECMWF是一个包括34个国家支持的国际性组织，是当今全球独树一帜的国际性天气预报研究和业务机构。具体地，将通过拟合关系计算得到的风速与ECMWF再分析风速的比较图与本申请的辐射定标的加性因子不准时的风速反演结果与ECMWF再分析风速的比较图进行对比。图6、图7分别示出了通过拟合关系计算得到的风速与ECMWF再分析风速的比较图与本申请的辐射定标的加性因子不准时的风速反演结果与ECMWF再分析风速的比较图。由图可知，本发明辐射定标的加性因子不准时的风速反演结果与ECMWF再分析数据具有很高的一致性，基本不受干扰，表明在加性因子不准时，通过拟合关系计算依然可以得到的很好的风速效果。

实施例二

如图8所示，本实施例提出了一种利用合成孔径雷达图像反演海面风速的系统，包括：

辐射校正模块，用于获得含有风条纹信息的合成孔径雷达图像，对所述图像进行辐射校正；

本发明利用合成孔径雷达图像反演海面风速，具体地，针对开阔海域和海岸带等特殊区域的海面风场观测需求，利用SAR图像的大范围覆盖和高分辨率的能力，基于SAR图像中所包含的因海面风场的调制而在图像上呈现的亮暗条纹特征，获得海面风场的信息，从而计算海面风速。因此，为了反演海面风速，本发明首先获取含有风条纹信息的合成孔径雷达图像，以基于条纹信息进行风速的计算。

获取SAR图像后，首先需要对图像进行预处理，消除大气、太阳高度角、地形等的干扰。本发明首先对SAR图像进行辐射校正，将强度信息转化为归一化后向散射系数。对图像进行辐射校正，将图像的强度值转换为归一化后向散射系数。归一化后向散射系数具体为：

I＝10×lg[(X+A₁)/A₂]+10×lg[sin(θ)]

其中，I为归一化后向散射系数，X为强度，A₁为偏移量，A₂为增益，θ为入射角。

值得注意的是，不同格式的卫星数据的辐射校正公式略有差异，本发明只是示例性给出其中一种辐射校正公式，具体应用中，可以根据具体的需要选择其它辐射校正公式，在此不作限定。

重新标定模块，用于对辐射校正后的图像进行重新标定；

辐射标定是用户需要计算地物的光谱反射率或光谱辐射亮度时，或者需要对不同时间、不同传感器获取的图像进行比较时，都必须将图像的亮度灰度值转换为绝对的辐射亮度。对图像进行辐射校正，可能存在辐射标定不准的问题，当辐射标定不准时，风速的反演结果差，存在风速计算不准确的问题。因此，本发明对辐射校正后的图像进行重新标定，以避免当SAR图像辐射定标受入射角带来的亮度不均匀的问题，提高风速计算的准确性。具体地，重新定标的公式如下：

R＝σ₀/S(θ)

其中，σ₀为归一化后向散射系数，S(θ)为后向散射模型CMOD5.N在10m/s风速，45°风向下入射角为θ时的计算值，θ为所计算的σ₀对应像元处的入射角，R为重新定标后的像元值。

值得注意的是，本发明利用后向散射模型CMOD5.N的计算值作为分母，对辐射校正后的图像进行重新标定。但其他地球物理模式函数的计算结果亦可以替代，如CMOD4、CMOD_IFR2等，可以根据需要选择相应的风速、风向、入射角等。在此不作限定。

灰度化模块，用于将所述重新标定后的图像转化为灰度图像；

由于需要计算图像的灰度共生矩阵，所以需要将重新标定后的图像转换为灰度图像。考虑到灰度共生矩阵的计算复杂度，本发明灰度范围取0-15，共16阶。将归一化后向散射系数转换为灰度的计算公式如下：

其中I(i，j)为遥感图像像元值，gray(i，j)为变换后的图像灰度值，范围为0～15之间，I_max为图像取值范围中的最大值，I_min为图像取值范围中的最小值，i，j为正整数。

上述对图像进行灰度化的过程中，采用了线性映射，其他形式的灰度化方案也可能达到同样的效果。在此不作限定，本领域技术人员可以根据需要选择其它的灰度化计算方法，如指数变换、幂变换、对数变换等。

第一计算模块，用于计算所述灰度图像的灰度共生矩阵；

灰度共生矩阵(GLCM，Gray level co occurrence matrix)指的是一种通过研究灰度的空间相关特性来描述纹理的常用方法。灰度共生矩阵用于描述纹理特征。由于纹理是由灰度分布在空间位置上反复出现而形成的，因而在图像空间中相隔某距离的两像素之间会存在一定的灰度关系，即图像中灰度的空间相关特性。

本发明基于SAR图像的纹理确定风速，因此，首先需要灰度图像的灰度共生矩阵，以描述SAR图像的纹理特征。具体地，假设待求GLCM的步长为d，角度为Ф，即像素对相对位置为(d·cosФ,d·sinФ)，则求其灰度共生矩阵G的具体方法如下：

求出相对位置为整数且最接近待求目标位置的4个GLCM，分别记为G₁₁、G₁₂、G₂₁、G₂₂，对应满足的相对位置分别为(floor(d·cosФ)，floor(d·sinФ))、(ceiling(d·cosФ)，floor(d·sinФ))、(floor(d·cosФ)，ceiling(d·sinФ))、(ceiling(d·cosФ)，ceiling(d·sinФ))。其中，floor代表向下取整，ceiling代表向上取整，具体地：利用双线性插值求出相对位置为(d·cosФ,d·sinФ)的GLCM，公式如下：

G₁₁(m，n；d，Ф)＝G₁₁(m,n；floor(d·cosφ)，floor(d·sinφ))

G12(m，n；d，Ф)＝G12(m,n；ceiling(d·cosФ)，floor(d·sinφ))

G21(m，n；d，Ф)＝G21(m,n；floor(d·cosφ)，ceiling(d·sinФ))

G22(m，n；d，Ф)＝G22(m,n；ceiling(d·cosФ)，ceiling(d·sinФ))

其中G₁₁、G₁₂、G₂₁、G₂₂为最近邻的四个位置对应的灰度共生矩阵，m＝d·cosФ-floor(d·cosФ)，n＝d·sinФ-floor(d·sinФ)。

第二计算模块，用于计算所述灰度共生矩阵的特征值；

根据Halick的公式，计算不同步长下灰度共生矩阵的特征值。计算公式如下：

其中，p(i,j)为灰度共生矩阵的元素，i，j为正整数，T为熵。然后提取熵的稳定值，此处提取稳定值的方法为：每8个数据点计算其标准差和均值，当这8个点的标准差小于其均值的1％时，将此时的8个点的均值作为熵的稳定值。

第三计算模块，基于所述灰度共生矩阵的特征值、及灰度共生矩阵的特征值与风速间的关系，计算海面风速。

计算出灰度共生矩阵的特征值后，基于灰度共生矩阵的特征值、及灰度共生矩阵的特征值与风速间的关系，计算海面风速。

灰度共生矩阵的特征值与风速间的关系具体为：

W＝4.4707*T_s+1.7227

其中，T_s为提取的熵的稳定值，W为风速(单位为m/s)。

由此可知，本发明针对开阔海域和海岸带等特殊区域的海面风场观测需求，利用SAR图像的大范围覆盖和高分辨率的能力，基于SAR图像中所包含的因海面风场调制而在图像上呈现的亮暗条纹特征，对SAR图像的进行定量处理并灰度化，再利用灰度共生矩阵进行分析，从而获得成像区域海面风场的信息，用于测量海面风速。借助特征值与海面风速的关系，反演海面的风速，可以用于大范围海面风场监测和风力资源评估。本发明对辐射校正后的图像进行重新标定，以避免当SAR图像辐射定标受入射角影响而亮度不均匀的问题，提高风速计算的准确性。同时，由于算法未直接使用散射系数反演风速，因此，本发明对辐射定标的加性因子不准时依然可以取得很好的风速反演结果。

注意，上述仅为本发明的较佳实施例及所运用技术原理。本领域技术人员会理解，本发明不限于这里所述的特定实施例，对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本发明的保护范围。因此，虽然通过以上实施例对本发明进行了较为详细的说明，但是本发明不仅仅限于以上实施例，在不脱离本发明构思的情况下，还可以包括更多其他等效实施例，而本发明的范围由所附的权利要求范围决定。