CN105866776B - 一种地基sar的高质量动态ps点选择方法 - Google Patents
一种地基sar的高质量动态ps点选择方法 Download PDFInfo
- Publication number
- CN105866776B CN105866776B CN201610184495.7A CN201610184495A CN105866776B CN 105866776 B CN105866776 B CN 105866776B CN 201610184495 A CN201610184495 A CN 201610184495A CN 105866776 B CN105866776 B CN 105866776B
- Authority
- CN
- China
- Prior art keywords
- candidate
- points
- image
- point
- amplitude
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S13/00—Systems using the reflection or reradiation of radio waves, e.g. radar systems; Analogous systems using reflection or reradiation of waves whose nature or wavelength is irrelevant or unspecified
- G01S13/88—Radar or analogous systems specially adapted for specific applications
- G01S13/89—Radar or analogous systems specially adapted for specific applications for mapping or imaging
- G01S13/90—Radar or analogous systems specially adapted for specific applications for mapping or imaging using synthetic aperture techniques, e.g. synthetic aperture radar [SAR] techniques
- G01S13/9021—SAR image post-processing techniques
- G01S13/9023—SAR image post-processing techniques combined with interferometric techniques
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01B—MEASURING LENGTH, THICKNESS OR SIMILAR LINEAR DIMENSIONS; MEASURING ANGLES; MEASURING AREAS; MEASURING IRREGULARITIES OF SURFACES OR CONTOURS
- G01B7/00—Measuring arrangements characterised by the use of electric or magnetic techniques
- G01B7/16—Measuring arrangements characterised by the use of electric or magnetic techniques for measuring the deformation in a solid, e.g. by resistance strain gauge
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S13/00—Systems using the reflection or reradiation of radio waves, e.g. radar systems; Analogous systems using reflection or reradiation of waves whose nature or wavelength is irrelevant or unspecified
- G01S13/88—Radar or analogous systems specially adapted for specific applications
- G01S13/89—Radar or analogous systems specially adapted for specific applications for mapping or imaging
- G01S13/90—Radar or analogous systems specially adapted for specific applications for mapping or imaging using synthetic aperture techniques, e.g. synthetic aperture radar [SAR] techniques
- G01S13/904—SAR modes
Abstract
本发明公开了一种地基SAR的高质量动态PS点选择方法,分为两个阶段,在第一阶段,考虑到PS点需要更新,在处理过程中对SAR图像进行分组;每M幅SAR图像为一组,每组执行一次候选PS点选择;候选PS点是由本组第一幅图像之前最新的N幅图像选出;在第二阶段,选出候选PS点后,我们先在每幅干涉图的处理过程中提取所有候选PS点的干涉复数据,然后利用所有候选PS点的相关系数信息和相位信息,对候选PS点进行分类和二次筛选,最终选出PS点集合;该方法在GBSAR实时监测过程中,即使受到非理想因素的影响或其他条件的限制,也能够很好地在图像中选出高质量PS点,为高精度形变反演奠定良好的基础。
Description
技术领域
本发明属于合成孔径雷达技术领域,具体涉及一种地基SAR的高质量动态PS点选择方法。
背景技术
合成孔径雷达(SAR)是一种全天时、全天候的高分辨微波遥感成像雷达,可安装在飞机、卫星、宇宙飞船等飞行平台上。在环境监测、海洋观测、资源勘探、农作物估产、测绘和军事等方面的应用上具有独特的优势,能发挥其他遥感手段难以发挥的作用。
与机载和星载SAR相比,地基SAR(GBSAR)具有配置灵活,便于运输,重访周期短等优点,这些优势以及所带来的潜在应用前景使得GBSAR技术近十年来越来越受到青睐。同时,由于GBSAR系统便于运输,在对目标场景进行观测时,可以选择最优几何配置,进而获取高质量数据。
对观测场景进行长时间形变监测是GBSAR的一个重要应用。在实用过程中,雷达传感器放置在精密滑轨上,以固定时间为周期,进行匀速且完全重轨的移动,以构成合成孔径。最后,通过分析长时间序列中目标点的相位数据,获取场景的形变量信息。
在GBSAR系统的长时间形变监测过程中,很多目标点会出现去相关现象,进而无法提取有效的形变信息。对此,GBSAR形变测量技术采用永久散射体(PS)方法,在SAR图像中选择长时间范围内能保持高相关性的目标点,并将其定义为PS点。最后利用选出PS点的相位信息来反演场景形变量。因此,PS点选择是PS形变反演算法的关键步骤。
经过十几年的发展,多种PS点选择算法已经被应用于工程实践。这些PS点选择方法主要分为两大类:(1)基于幅度离差的PS点选择方法;(2)基于相关系数的PS点选择方法。一般来说,性能优良的PS选择算法要满足两个方面的条件:(1)选出的PS点集合较为稳定;(2)选出的PS点相位质量高。在GBSAR系统形变测量技术的应用过程中,PS选择存在两个特点:(1)不同场景PS点选择门限需要自适应确定;(2)PS集合需要更新。因此,如果在GBSAR的应用过程中沿用传统PS选择算法,会带来了三个方面的问题:
(1)PS点选择门限随场景动态变化的问题
对于不同的观测场景,SAR图像的幅值分布有较大差异。因此,用于PS选择的参数计算结果也有较大不同,导致在某个场景适用的门限可能在另一个场景将不再适用,最终会影响PS算法的实用性,不利于GBSAR形变监测技术的推广。
(2)PS点集合随时间动态变化的问题
在长时间监测的过程中,由于受到非理性因素的影响,SAR图像质量会随时间发生变化。在PS点的更新过程中,如果采用统一的门限,会导致不同时间段内选出的PS点集合发生较大变化,不利于后续的形变反演处理。
(3)PS点相位质量随时间动态变化的问题
在GBSAR实时监测的过程中,需要对图像进行分组。每完成M幅图像的形变反演后,需要重新更新PS点。用于处理这M幅图像的PS点,是由这M幅图像之前最新的N幅图像选出的。因此,很有可能出现下述情况:某些像素点在执行PS选择的N幅图像中较为稳定,能够被选为PS点,但是,由于非理想因素的影响,在形变反演处理所对应的图像中(M幅图像中的一幅或多幅),这个像素点的相位质量下降,甚至可能不再是PS点。此时,如果继续对这些像素点进行形变反演处理,势必会引入较大的形变反演误差。
所以,在GBSAR的形变测量过程中,提出适应于动态PS点的选择方法,对实现观测场景的高精度形变测量尤为重要。
发明内容
有鉴于此,本发明的目的是提供一种地基SAR的高质量动态PS点选择方法,可提升GBSAR形变测量技术中PS选择算法的性能和鲁棒性。
一种地基SAR的动态PS点选择方法,包括如下步骤:
步骤一、在图像中选出候选PS点集合,具体为:
S11、对已获得的SAR图像进行分组,针对每组图像,采用幅度离差方法得到各组图像的候选PS点;
S12、依据已获得的SAR图像,将图像中的杂波信号和点目标信号进行分离;得到杂波信号平均功率所对应的幅度值sClutter;然后在每组SAR图像处理过程中,对整幅SAR图像进行归一化,并转化为dB形式,其数学表达式如下:
sdB=20log10(s/sClutter) (1)
最后将S11选出的各个候选PS点的sdB值与设定的幅度阈值sThreshold进行比较,将小于或等于幅度阈值sThreshold的候选PS点删除,剩下的候选PS点组成集合,作为本步骤获得的候选PS点;
其中,所述幅度阈值sThreshold随时间不断调整,以剔除相位误差较大的候选PS点,并不断更新候选点集合;
步骤二、在步骤一得到的候选PS点集合中选出PS点集合,具体为:
S21、针对步骤S12中选出的各个候选PS点,计算各候选PS点在当前图像与前一幅图像中的相关系数;将各候选PS点的相关系数小于设定的系数阈值的候选PS点剔除,则剩余的候选PS点组成集合A;
S22、针对步骤S12中选出的各个候选PS点,计算各个候选PS点在当前图像中的干涉相位对干涉相位进行低通滤波,得到用干涉相位减去得到各个候选PS点的噪声相位;将噪声相位大于设定门限的候选PS点剔除,则剩余的候选PS点组成集合B;
S23、求集合A和集合B的交集,作为最终的PS点选取结果。
较佳的,每组SAR图像的数量在整个观测过程中保持稳定。
较佳的,所述步骤S11中,幅度离差方法中使用的幅度离差门限,采用下面的方法获得:
记录当前组图像之前的每一组图像由幅度离差方法选出候选PS点的数量,并得到所有组图像对应的平均候选PS点数量
如果当前组图像的候选PS点数量在区间内,则当前组图像的候选PS点即为本步骤的最终结果;如果本组候选PS点数量不在区间内,则微小调整所述幅度离差门限后,再次对当前组图像的候选PS点进行选择,直到选出的候选PS点数量在区间内;其中,x的取值为5%至10%。
较佳的,所述步骤S12中,杂波信号和点目标信号的分离方法为:
(a)初步确定杂波信号和强点目标信号分隔阈值所在的区间;
(b)在(a)确定的所述区间内选择若干候选分隔阈值,并根据每个候选分隔阈值,选出SAR图像的杂波信号部分;
(c)以每个候选分隔阈值选出的杂波信号部分幅值数据作为输入,统计其经验概率密度函数,然后进行对数正态分布曲线拟合;
(d)根据Kolmogorov检测理论,在每次所述对数正态分布曲线拟合后,计算Kolmogorov检测统计量dKS;然后选择使dKS最小的候选分隔阈值作为最终的分隔阈值dKS;
(e)最后利用分隔阈值xT将整幅SAR图像的幅度值分为点目标信号和杂波信号部分。
较佳的,所述步骤S12中,幅度阈值sThreshold随时间不断调整的方法为:记录当前组图像之前的每一组图像由步骤S12选出的候选PS点的数量,并得到所有组图像平均候选PS点数量
如果当前组图像的候选PS点数量在区间内,则当前组图像的候选PS点即为本步骤的最终结果;如果本组候选PS点数量不在区间内,则微小调整幅度阈值sThreshold后,再次对当前组图像的候选PS点进行选择,直到选出的候选PS点数量在区间内;其中,x的取值为5%至10%。
较佳的,S21中所述设定的系数阈值取值为0.75。
本发明具有如下有益效果:
本发明的一种地基SAR的高质量动态PS点选择方法,分为两个阶段,第一阶段是先在图像中选出候选PS点集合,第二阶段是在候选PS点集合中选出PS点集合。在第一阶段,考虑到PS点需要更新,我们在处理过程中对SAR图像进行分组。每M幅SAR图像为一组,每组执行一次候选PS点选择。候选PS点是由本组第一幅图像之前最新的N幅图像选出。在第二阶段,选出候选PS点后,我们先在每幅干涉图的处理过程中提取所有候选PS点的干涉复数据,然后利用所有候选PS点的相关系数信息和相位信息,对候选PS点进行分类和二次筛选,最终选出PS点集合;该方法在GBSAR实时监测过程中,即使受到非理想因素的影响或其他条件的限制,也能够很好地在图像中选出高质量PS点,为高精度形变反演奠定良好的基础。
附图说明
图1为基于幅度、相关系数和相位联合的动态PS点选择算法处理流程图。
图2为基于相关系数的PS选择方法示意图。
图3河北唐山迁安铁矿实测数据PS点选择结果;图3(a)干涉相位图(时间基线5min);图3(b)幅度离差门限为0.1时,选出PS点的干涉相位;图3(c)幅度离差门限为0.15时,选出PS点的干涉相位;图3(d)幅度离差门限为0.2时,选出PS点的干涉相位。
图4为河北唐山迁安铁矿数据;图4(a)使用幅度离差方法,分别采用自适应门限和固定门限,选出PS点的数量;图4(b)自适应幅度离差选择中,幅度离差门限的自适应调整。
图5(a)为迁安实验采用原幅度选择算法后选出PS点的干涉相位,幅度离差门限0.15,幅度门限-25dB;图5(b)迁安实验采用新幅度选择算法后选出PS点的干涉相位,幅度离差门限0.15,幅度门限8dB;图5(c)山西实验采用原幅度选择算法后选出PS点的干涉相位,幅度离差门限0.15,幅度门限-25dB;图5(d)山西实验采用新幅度选择算法后选出PS点的干涉相位,幅度离差门限0.15,幅度门限8dB。
图6为河北唐山迁安铁矿数据;图6(a)使用幅度方法,分别采用自适应门限和固定门限,选出PS点的数量;图6(b)自适应幅度选择中,幅度门限的变化。
图7为山西实验数据;图7(a)未引入相位选择全场景形变反演结果;图7(b)未引入相位选择局部场景形变反演结果;图7(c)引入相位选择全场景形变反演结果;图7(d)引入相位选择局部场景形变反演结果。
具体实施方式
下面结合附图并举实施例,对本发明进行详细描述。
基于幅度、相关系数和相位联合的动态PS点选择算法处理流程图如图1所示,它由四种PS点选择方法组合而成:(1)幅度离差候选PS点选择方法;(2)幅度信息候选PS点选择方法;(3)相关系数PS点选择方法;(4)相位信息PS点选择方法。
PS点选择可以分为两个阶段,第一阶段是先在图像中选出候选PS点集合,第二阶段是在候选PS点集合中选出PS点集合。在第一阶段,考虑到PS点需要更新,我们在处理过程中对SAR图像进行分组。每M幅SAR图像为一组,每组执行一次候选PS点选择。候选PS点是由本组第一幅图像之前最新的N幅图像选出。在第二阶段,选出候选PS点后,我们先在每幅干涉图的处理过程中提取所有候选PS点的干涉复数据,然后利用所有候选PS点的相关系数信息和相位信息,对候选PS点进行分类和二次筛选,最终选出PS点集合。具体步骤如下:
步骤一、在图像中选出候选PS点集合,具体为:
S11、幅度离差候选PS点选择方法
利用幅度离差信息来选择PS点是最传统的PS点选择方法。幅度离差的计算公式如下:
式(2)中,σA表示目标点幅度时间序列的标准差,mA表示目标点幅度时间序列的均值。在传统的幅度离差选择过程中,先设定幅度离差门限DThreshold,然后将那些满足条件DA<DThreshold的像素点选为PS点。在GBSAR的数据处理过程中,我们一般将幅度离差门限DThreshold初始设置为0.15。
其中,幅度离差门限DThreshold为随时间动态变化的自适应幅度离差门限。由于SAR图像质量会随时间发生变化,如果采用统一的幅度离差门限进行PS点选择后,会导致候选PS点数量随时间发生巨大变化。在这种情况下,即使在后续处理过程中采用其他方法,最终也很难使PS点的数量保持相对稳定。因此在幅度离差PS选择时,就需要自适应调整门限。
一般来说,对于边坡场景,如果未发生大规模的坍塌,PS点的数量应该不会发生较大的变化。在这个假设前提下,可采用下面的方法进行自适应幅度离差门限调整:
记录之前每一组由幅度离差方法选出候选PS点的数量[N1,N2,……,NM]。
计算之前所有组平均候选PS点数量
如果本组候选PS点数量在区间内,则完成幅度离差候选PS点选择。如果本组候选PS点数量不在区间内,则微小调整PS点幅度离差选择门限后,再次选择,直到选出的PS点数量在设定的区间内。
S12、幅度信息候选PS点选择方法,具体为:
在SAR图像中,存在幅度离差较小而相位误差较大的点。因此,在S11的幅度离差选择后,可以直接利用目标点的幅度信息再次选择。幅度选择方法很简单,用数学公式可以表示为:
式(3)中,s为幅度离差选出候选PS点在参与选择N幅图像中的平均幅度信息,sThreshold为幅度阈值。利用幅度信息再次选择的方法,能进一步提高PS点的质量。
其中,幅度阈值sThreshold为随时间动态变化的自适应幅度门限。由于观测过程中非理想因素的影响,SAR图像的整体幅度值会随时间发生一定的变化。与幅度离差的自适应调整类似,此时也可以在小范围内进行幅度信息门限调整,以满足在幅度信息候选PS点选择后,候选PS点数量不会发生较大的变化。门限调整的步骤如下:
记录之前每一组选出候选PS点的数量[K1,K2,……,KM]。
计算之前所有组候选PS点的平均数量
如果本组候选PS点数量在区间内,则完成候选PS点选择。如果本组PS点数量不在区间内,则调整幅度信息选择门限,再次选择。
自适应调整随场景动态变化的幅度门限:
在传统的幅度信息候选PS选择处理过程中,先选出幅值最强的像素点,然后利用这个像素点的幅度值对整幅图像的幅值进行归一化,并转化为dB形式,其数学表达式如下:
sdB=20log10(s/smax)(4)
最后再通过设定dB门限,将高于门限值的像素点选为候选PS点。在实用过程中,当每次更换观测场景时,由于smax存在较大的偏差,这就使得幅度门限需要重新调试。一般而言,繁复的调试过程限制了GBSAR形变监测技术的应用前景。
为了解决不同场景幅度门限难以确定的问题,我们通过引入SAR图像杂波幅值分布理论,利用SAR图像自身的幅度信息估计图像中杂波的平均功率。然后通过信杂比(SCR)的理论,自适应地设定幅度信息选择门限。
在SAR图像中,同时存在强点目标和杂波目标。两类目标服从不同的分布类型。因此,如果直接使用原始的SAR图像数据对杂波功率进行估计,那么强点目标的回波数据很可能会使估计结果产生偏差。为了更准确地估计杂波的平均功率,我们可以将功率估计的步骤分解为两个阶段:
1、分离杂波信号和强点目标信号
杂波信号和强点目标信号的自适应分离方法简述如下:
(a)初步确定杂波信号和强点目标信号分隔阈值所在的区间[xStart,xEnd]。
(b)按幅值高低,在区间内选择若干候选分隔阈值xT1<xT2<…<xTN∈[xStart,xEnd],并根据每个候选分隔阈值,选出SAR图像的杂波信号部分。
(c)以每个候选分隔阈值选出的杂波信号部分幅值数据作为输入,统计其经验概率密度函数,然后进行对数正态分布曲线拟合。
(d)根据Kolmogorov检测理论,在每次曲线拟合后,计算Kolmogorov检测统计量dKS。然后选择使dKS最小的候选分隔阈值作为最终的分隔阈值。
(e)根据选出的分隔阈值xT,分离杂波信号和强点目标信号。
最后利用分隔阈值xT可以将整幅SAR图像的幅度值分为点目标信号部分和杂波信号部分,其数学表达式为:
2、利用杂波信号估计杂波功率
截取出杂波信号部分的数据后,可再次使用对数正态分布模型对其进行曲线拟合参数估计,进而能获取新的对数正态分布的参数u2和σ2。最终杂波平均功率所对应的幅度值sClutter可以表示为:
根据SAR图像数据估计出杂波平均功率所对应的幅度值sClutter后,就可以对整幅SAR图像进行归一化,并转化为dB形式,其数学表达式如下:
sdB=20log10(s/sClutter) (7)
最后再通过设定dB门限,选出候选PS点。由于sClutter是通过SAR图像数据自身进行估计的,其值会随场景的变化而自动进行调节,有较强的自适应性。
步骤二、在步骤一得到的候选PS点集合中选出PS点集合,具体为:
S21、相关系数是衡量两幅SAR图像干涉相位精度的重要指标。因此,可以根据相关系数信息对候选PS点进行分类。将不同类型的PS点进行不同的形变反演处理,以达到降低形变反演误差的目的。其中相关系数的计算公式如下:
对于每幅干涉图,以相关系数值为标准,可将所有候选PS点划分为三类:(1)高相关性PS点;(2)中等相关性PS点;(3)低相关性PS点。一般情况下,高相关性PS点的相关系数门限可设定为0.85,中等相关性PS点的相关系数门限设定为0.75。
由于我们最终的目的是希望利用相关系数信息指导相位解缠,考虑到三维空时相位解缠是在相邻两幅干涉图像之间进行的。因此,如图2所示,我们可以利用相邻两幅干涉图的相关系数信息对候选PS点进行分类:(1)高质量PS点;(2)中等质量PS点;(3)伪PS点。不同类型的PS点将会在后续形变反演处理过程中进行不同的处理。
高质量PS点是指在相邻两幅干涉图中都是高相关性PS点。这类PS点将参与三维空时相位解缠。
中等质量PS点是指除了高质量PS点外,在相邻两幅干涉图中都是中等相关性或高相关性PS点。在相位解缠的过程中,这类PS点将以高质量PS点的三维空时相位解缠结果为输入,来进行二维空间相位解缠。
伪PS点是指其余候选PS点,考虑到这些候选PS点可能受到非理想因素的影响,有较大的形变误差,将不再对伪PS点进行处理。
通过对不同类型的PS点执行不同的处理,我们可将后续相位解缠步骤出现误差的概率降低。
S22、相位信息PS点选择方法
在使用幅度离差PS选择和幅度信息PS选择后,第i个候选PS点的干涉相位可以建模为:
式(10)中,表示形变相位,表示大气相位,表示由重轨误差引入的相位,表示由时间去相关等其他未建模因素引入的随机相位误差。而真正的PS点可以定义为很小的点。因此,如果能在干涉相位中提取那么就可以通过设定相位误差门限,将所有相位误差绝对值大于门限的点剔除。
对于地基SAR系统,第n幅干涉图像中第i个PS点的干涉相位可以表示为:
式(11)中,表示由两次观测之间目标形变引起的相位,表示由两次观测时轨道误差而引起的相位,表示两次观测时由于大气因素导致的相位差,表示由散射等其他因素引起的相位差。而判断是否是PS点的标准是是否足够小。
但是,由于式(11)中的前三项相位和比大很多,因此,如何从干涉相位中提取就成为关键。通过分析式(11)中四项相位的相位特性,可以得知,前三项相位和满足一定的空间相关性,且空间临近的像素点相关性较强。而第四项相位则是随机噪声,无空间相关性。这时可先采用低通滤波的方法,滤除第四项相位噪声。最后再由原相位减去滤波后的相位,即可获取第四项噪声相位,用数学描述为:
式(12)中,L()表示滤波函数,而此处的滤波器可选用Goldstein自适应滤波,提取后,最终可选出高质量的PS点。
总结如下:步骤s21中,针对步骤S12中选择的各个候选PS点,计算各候选PS点在当前图像与前一幅图像中的相关系数;将各候选PS点的相关系数小于设定的系数阈值的候选PS点剔除,则剩余的候选PS点组成集合A;步骤S22中,针对步骤S13中选择的各个候选PS点,计算各个候选PS点在当前图像中的干涉相位对干涉相位进行低通滤波,得到用干涉相位减去得到各个候选PS点的噪声相位;将噪声相位大于设定门限的候选PS点剔除,则剩余的候选PS点组成集合B;求集合A和集合B的交集,作为最终的PS点选取结果。
实施例:
本实例中,GBSAR雷达系统基本参数和场景基本信息情况如下列所示:
波段:Ku;中心频率:16.02GHz;带宽:320MHz;极化方式:VV;滑轨长度:2.4m;照射频率:5min/轨;实验:河北唐山迁安实验,山西实验。
采用本发明所述的地基SAR永久散射体(PS)处理方法完成实测数据形变监测处理,其具体步骤为:
步骤一,幅度离差候选PS点选择。图3(a)为时间间隔为5min的干涉相位图,可以看出,数据受到严重的去相关影响。先需要对图像所有点进行幅度离差计算,每一点的幅度离差计算公式如下:
选出那些幅度离差值小于门限的点,作为候选PS点集合。图3(b)~(d)分别显示了采用幅度离差门限时,选出PS点的干涉相位。随着门限值越来越高,选出PS点的数量也越多,选出PS点的相位噪声也逐渐增大。同时也可以看出,如果仅仅依据幅度离差信息选择PS点,即使门限设定为0.1,也存在一定数量的误差点,因此需要多种方法联合选择PS点。
在实测数据的处理过程中,如果对约11天实验内采集的数据,都采用0.15作为幅度离差门限,那么选出的候选PS点数量结果如图4(a)所示。候选PS点的数量最少约为30000,最多约为350000。在形变反演的处理过程中,如果PS点集合变化过大,最后形变反演处理结果势必会受到较大的影响。
从图4(b)可以看出,当采用自适应幅度离差门限方法进行选择后,候选PS点的数量随时间波动更小。幅度离差门限的自适应调整使选出候选PS点数量更加接近平均水平。PS点集合的稳定能够减轻后续形变反演算法处理的难度。
步骤二,幅度信息候选PS点选择。先获取SAR图像实测数据的幅值分布概率密度曲线,再通过估计对数正态分布的参数,计算SAR图像的平均杂波功率,最后通过SCR理论,利用幅度信息选择候选PS点。
在实际过程中,根据SAR图像数据估计出杂波平均功率所对应的幅度值sClutter后,就可以对整幅SAR图像进行归一化,并转化为dB形式,其数学表达式如下:
sdB=20log10(s/sClutter) (14)
最后再通过设定dB门限,选出候选PS点。
当幅度离差门限设置为0.15,原幅度信息PS选择算法中幅度门限设置为-25dB,新幅度信息PS选择算法中幅度门限设置为8dB时,分别采用原幅度信息PS选择算法和新幅度信息PS选择算法对河北唐山迁安铁矿实验和山西实验的数据进行候选PS点选择的结果如图5所示。对于迁安实验数据,原算法和新算法的处理结果大致相当。但是,对于山西实验数据,由于SAR图像中存在较强的人造目标,如果使用原幅度选择算法,并沿用迁安数据处理中的门限-25dB,仅能在图像中选出407个候选PS点。而使用新幅度选择算法,并沿用迁安数据处理中的门限8dB,可以选出35426个候选PS点,基本能满足处理需求。实测数据处理结果的对比也进一步说明新幅度信息PS选择算法对不同场景有更好的适应性,无需对不同场景重新调试门限。
图6中显示了分别使用自适应幅度门限和固定幅值门限的处理结果,当采用固定幅度门限进行候选PS点选择后,选出的候选PS点数量有较大的波动,最少时数量低于40000,最多时数量约为65000,数量变化超过60%。当采用自适应幅度门限方法进行处理后,候选PS点的数量随时间波动减小。
步骤三,对于每幅干涉图,以相关系数值为标准,可将所有候选PS点划分为三类:(1)高相关性PS点;(2)中等相关性PS点;(3)低相关性PS点。一般情况下,高相关性PS点的相关系数门限可设定为0.85,中等相关性PS点的相关系数门限设定为0.75。
由于我们最终的目的是希望利用相关系数信息指导相位解缠,考虑到三维空时相位解缠是在相邻两幅干涉图像之间进行的。因此,如图2所示,我们可以利用相邻两幅干涉图的相关系数信息对候选PS点进行分类:(1)高质量PS点;(2)中等质量PS点;(3)伪PS点。不同类型的PS点将会在后续形变反演处理过程中进行不同的处理。
步骤四,在使用幅度离差PS选择和幅度信息PS选择后,第i个候选PS点的干涉相位可以建模为:
式(10)中,表示形变相位,表示大气相位,表示由重轨误差引入的相位,表示由时间去相关等其他未建模因素引入的随机相位误差。而真正的PS点可以定义为很小的点。因此,如果能在干涉相位中提取那么就可以通过设定相位误差门限,将所有相位误差绝对值大于门限的点剔除。
对于地基SAR系统,第n幅干涉图像中第i个PS点的干涉相位可以表示为:
式(11)中,表示由两次观测之间目标形变引起的相位,表示由两次观测时轨道误差而引起的相位,表示两次观测时由于大气因素导致的相位差,表示由散射等其他因素引起的相位差。而判断是否是PS点的标准是是否足够小。
但是,由于式(11)中的前三项相位和比大很多,因此,如何从干涉相位中提取就成为关键。通过分析式(11)中四项相位的相位特性,可以得知,前三项相位和满足一定的空间相关性,且空间临近的像素点相关性较强。而第四项相位则是随机噪声,无空间相关性。这时可先采用低通滤波的方法,滤除第四项相位噪声。最后再由原相位减去滤波后的相位,即可获取第四项噪声相位,用数学描述为:
式(12)中,L()表示滤波函数,而此处的滤波器可选用Goldstein自适应滤波,提取后,最终可选出高质量的PS点。
图7显示了山西实验的形变反演结果。考虑到时间基线仅为3min,可以认为场景中不存在形变。如图7(a)和(b)所示,当未引入相位选择时,某些区域存在较大的形变反演误差,严重影响了形变反演精度。经过相位选择处理,剔除伪PS点后,如图7(c)和(d)所示,形变误差消失,形变反演精度得到提高。
通过本实施例的结果显示基于幅度、相关系数和相位联合的高质量动态PS点选择方法能够选出高质量的PS点。
可见利用本发明方法,能够在场景动态变化和时间动态变化的条件下选出高质量的PS点,为地基SAR形变监测提供技术支持。
综上所述,以上仅为本发明的较佳实施例而已,并非用于限定本发明的保护范围。凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (6)
1.一种地基SAR的动态PS点选择方法,其特征在于,包括如下步骤:
步骤一、在图像中选出候选PS点集合,具体为:
S11、对已获得的SAR图像进行分组,针对每组图像,采用幅度离差方法得到各组图像的候选PS点;
S12、依据已获得的SAR图像,将图像中的杂波信号和点目标信号进行分离;得到杂波信号平均功率所对应的幅度值sClutter;然后在每组SAR图像处理过程中,对整幅SAR图像进行归一化,并转化为dB形式,其数学表达式如下:
sdB=20log10(s/sClutter) (1)
其中,s为幅度离差选出候选PS点在参与选择的图像中的平均幅度信息;最后将S11选出的各个候选PS点的sdB值与设定的幅度阈值sThreshold进行比较,将小于或等于幅度阈值sThreshold的候选PS点删除,剩下的候选PS点组成集合,作为本步骤获得的候选PS点;
其中,所述幅度阈值sThreshold随时间不断调整,以剔除相位误差较大的候选PS点,并不断更新候选点集合;
步骤二、在步骤一得到的候选PS点集合中选出PS点集合,具体为:
S21、针对步骤S12中选出的各个候选PS点,计算各候选PS点在当前图像与前一幅图像中的相关系数;将各候选PS点的相关系数小于设定的系数阈值的候选PS点剔除,则剩余的候选PS点组成集合A;
S22、针对步骤S12中选出的各个候选PS点,计算各个候选PS点在当前图像中的干涉相位对干涉相位进行低通滤波,得到用干涉相位减去得到各个候选PS点的噪声相位;将噪声相位大于设定门限的候选PS点剔除,则剩余的候选PS点组成集合B;
S23、求集合A和集合B的交集,作为最终的PS点选取结果。
2.如权利要求1所述的一种地基SAR的动态PS点选择方法,其特征在于,每组SAR图像的数量在整个观测过程中保持稳定。
3.如权利要求1所述的一种地基SAR的动态PS点选择方法,其特征在于,所述步骤S11中,幅度离差方法中使用的幅度离差门限,采用下面的方法获得:
记录当前组图像之前的每一组图像由幅度离差方法选出候选PS点的数量,并得到所有组图像对应的平均候选PS点数量
如果当前组图像的候选PS点数量在区间内,则当前组图像的候选PS点即为本步骤的最终结果;如果本组候选PS点数量不在区间内,则微小调整所述幅度离差门限后,再次对当前组图像的候选PS点进行选择,直到选出的候选PS点数量在区间内;其中,x的取值为5%至10%。
4.如权利要求1所述的一种地基SAR的动态PS点选择方法,其特征在于,所述步骤S12中,杂波信号和点目标信号的分离方法为:
(a)初步确定杂波信号和强点目标信号分隔阈值所在的区间;
(b)在(a)确定的所述区间内选择若干候选分隔阈值,并根据每个候选分隔阈值,选出SAR图像的杂波信号部分;
(c)以每个候选分隔阈值选出的杂波信号部分幅值数据作为输入,统计其经验概率密度函数,然后进行对数正态分布曲线拟合;
(d)根据Kolmogorov检测理论,在每次所述对数正态分布曲线拟合后,计算Kolmogorov检测统计量dKS;然后选择使dKS最小的候选分隔阈值作为最终的分隔阈值dKS;
(e)最后利用分隔阈值xT将整幅SAR图像的幅度值分为点目标信号和杂波信号部分。
5.如权利要求1所述的一种地基SAR的动态PS点选择方法,其特征在于,所述步骤S12中,幅度阈值sThreshold随时间不断调整的方法为:记录当前组图像之前的每一组图像由步骤S12选出的候选PS点的数量,并得到所有组图像平均候选PS点数量
如果当前组图像的候选PS点数量在区间内,则当前组图像的候选PS点即为本步骤的最终结果;如果本组候选PS点数量不在区间内,则微小调整幅度阈值sThreshold后,再次对当前组图像的候选PS点进行选择,直到选出的候选PS点数量在区间内;其中,x的取值为5%至10%。
6.如权利要求1所述的一种地基SAR的动态PS点选择方法,其特征在于,S21中所述设定的系数阈值取值为0.75。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610184495.7A CN105866776B (zh) | 2016-03-28 | 2016-03-28 | 一种地基sar的高质量动态ps点选择方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610184495.7A CN105866776B (zh) | 2016-03-28 | 2016-03-28 | 一种地基sar的高质量动态ps点选择方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN105866776A CN105866776A (zh) | 2016-08-17 |
CN105866776B true CN105866776B (zh) | 2018-05-15 |
Family
ID=56626166
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610184495.7A Active CN105866776B (zh) | 2016-03-28 | 2016-03-28 | 一种地基sar的高质量动态ps点选择方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105866776B (zh) |
Families Citing this family (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107144213A (zh) * | 2017-06-29 | 2017-09-08 | 中南大学 | 基于sar强度影像的矿区大量级三维时序形变估计方法及装置 |
CN109709550B (zh) * | 2019-01-17 | 2020-10-30 | 武汉大学 | 一种基于InSAR影像数据的库岸边坡形变监测处理方法 |
CN109752715B (zh) * | 2019-01-24 | 2023-05-12 | 深圳市数字城市工程研究中心 | 一种sar数据全散射体探测方法及装置 |
CN110018474B (zh) * | 2019-01-25 | 2020-11-13 | 北京理工大学 | 基于地球同步轨道合成孔径雷达层析技术的三维成像方法 |
CN110471062A (zh) * | 2019-07-29 | 2019-11-19 | 武汉大学 | 基于地面稳定平台sar的流域库岸形变数据自动采集与处理方法 |
US11686840B2 (en) * | 2020-12-04 | 2023-06-27 | Rezatec Limited | System and method for remote dam monitoring |
CN115825960B (zh) * | 2022-11-22 | 2023-12-19 | 北京卫星信息工程研究所 | 基于星载gnss-s雷达的海面风场反演方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104698457A (zh) * | 2014-09-02 | 2015-06-10 | 电子科技大学 | 一种迭代曲面预测InSAR成像及高度估计方法 |
CN104833971A (zh) * | 2015-04-15 | 2015-08-12 | 北京理工大学 | 基于滑动散射中心的双/多基地雷达图像ps点关联方法 |
EP2942637A1 (en) * | 2014-05-09 | 2015-11-11 | NEC Corporation | Change detection device, change detection method and recording medium |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP2304466B1 (en) * | 2008-07-04 | 2015-10-28 | Telespazio S.p.A. | Identification and analysis of persistent scatterers in series of sar images |
-
2016
- 2016-03-28 CN CN201610184495.7A patent/CN105866776B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP2942637A1 (en) * | 2014-05-09 | 2015-11-11 | NEC Corporation | Change detection device, change detection method and recording medium |
CN104698457A (zh) * | 2014-09-02 | 2015-06-10 | 电子科技大学 | 一种迭代曲面预测InSAR成像及高度估计方法 |
CN104833971A (zh) * | 2015-04-15 | 2015-08-12 | 北京理工大学 | 基于滑动散射中心的双/多基地雷达图像ps点关联方法 |
Non-Patent Citations (2)
Title |
---|
Analysis of Moving Target Detection in Space-Surface BiSAR;胡程等;《Journal of Beijing Institute of Technology》;20100430;第19卷(第4期);第460-465页 * |
基于北斗导航卫星的多角度双基地SAR成像与融合;曾涛等;《雷达学报》;20141231;第3卷(第6期);第632-640页 * |
Also Published As
Publication number | Publication date |
---|---|
CN105866776A (zh) | 2016-08-17 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105866776B (zh) | 一种地基sar的高质量动态ps点选择方法 | |
CN101727662B (zh) | Sar图像非局部均值去斑方法 | |
CN104123464B (zh) | 一种高分辨率InSAR时序分析反演地物高程与地面沉降量的方法 | |
CN104360332B (zh) | 基于地基合成孔径雷达干涉的大气相位屏提取方法 | |
CN102494675B (zh) | 一种运动目标特征高速视觉捕捉方法 | |
CN109284786B (zh) | 基于分布和结构匹配生成对抗网络的sar图像地物分类方法 | |
CN106548462A (zh) | 基于薄板样条插值的非线性sar图像几何校正方法 | |
CN111830506A (zh) | 一种基于K-means聚类算法的海面风速方法 | |
CN105761276B (zh) | 基于迭代ransac自适应新生目标强度估计的gm-phd多目标跟踪方法 | |
CN108550145B (zh) | 一种sar图像质量评估方法和装置 | |
CN110097537B (zh) | 一种基于三维纹理特征的肉质定量分析评价方法 | |
CN113808174B (zh) | 基于全卷积网络和卡尔曼滤波的雷达小目标跟踪方法 | |
CN107450054B (zh) | 一种自适应探地雷达数据去噪方法 | |
CN110070539A (zh) | 基于信息熵的图像质量评价方法 | |
CN109117747A (zh) | 基于循环平稳与深度卷积神经网络的雷达信号分类方法 | |
CN104200471A (zh) | 基于自适应权值图像融合的sar图像变化检测方法 | |
CN102915545A (zh) | 一种基于OpenCV的视频目标跟踪算法 | |
CN110110675A (zh) | 一种融合边缘信息的小波域分形红外卷云检测方法 | |
CN107689051A (zh) | 一种基于变化因子的多时相sar影像变化检测方法 | |
CN110456351A (zh) | 基于时变幅值lfm信号参数估计的机动目标isar成像方法 | |
CN106960433B (zh) | 一种基于图像熵以及边缘的全参考声纳图像质量评测方法 | |
CN113899349A (zh) | 海浪参数检测方法、设备及存储介质 | |
CN109541590A (zh) | 一种高炉料面点云成像的方法 | |
Hao et al. | A weighted mean absolute error metric for image quality assessment | |
CN107194917A (zh) | 基于dap和arelm的在轨sar图像变化检测方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
TR01 | Transfer of patent right | ||
TR01 | Transfer of patent right |
Effective date of registration: 20210617 Address after: 215011 Building 9, 78 Keling Road, science and Technology City, Suzhou high tech Zone, Suzhou City, Jiangsu Province Patentee after: SUZHOU SCIENCE AND TECHNOLOGY LEIKE SENSING TECHNOLOGY Co.,Ltd. Address before: 100081 No. 5, Zhongguancun South Street, Haidian District, Beijing Patentee before: BEIJING INSTITUTE OF TECHNOLOGY |