CN108120981A - 浅海水深雷达遥感探测方法 - Google Patents
浅海水深雷达遥感探测方法 Download PDFInfo
- Publication number
- CN108120981A CN108120981A CN201711441316.4A CN201711441316A CN108120981A CN 108120981 A CN108120981 A CN 108120981A CN 201711441316 A CN201711441316 A CN 201711441316A CN 108120981 A CN108120981 A CN 108120981A
- Authority
- CN
- China
- Prior art keywords
- wave
- shallow water
- remote sensing
- water depth
- mrow
- 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.)
- Granted
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
- G01S13/9027—Pattern recognition for feature extraction
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Remote Sensing (AREA)
- Radar, Positioning & Navigation (AREA)
- Physics & Mathematics (AREA)
- Electromagnetism (AREA)
- Computer Networks & Wireless Communication (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Radar Systems Or Details Thereof (AREA)
Abstract
本发明公开了一种浅海水深雷达遥感探测方法,该方法包括:获取待探测区域的多景SAR遥感图像,其中,多景SAR遥感图像包括q个单景SAR遥感图像,每个单景SAR遥感图像均包含待探测区域内海浪由深水海区传至浅水海区的图像特征;对每个单景SAR遥感图像进行计算,分别得到浅水海区的浅海水深探测结果;对通过各个单景SAR遥感图像得到的浅海水深探测结果分别进行潮汐校正;对校正后的浅海水深探测结果逐元素根据预定的规则组成包含q个元素的一维浅海水深数组,通过卡尔曼滤波算法对每组浅海水深数组进行滤波,滤波后的每组浅海水深数组中最后一个元素数值作为浅水海区的深度。通过将本发明,能够提高浅海水深探测的准确性。
Description
技术领域
本发明涉及遥感探测技术领域,更具体地,涉及一种浅海水深雷达遥感探测方法。
背景技术
浅海水下地形是重要的海洋环境参数之一,海洋水深测量是海洋环境动态监测管理的一项重要内容。传统的海洋水深测量以船载声学探测为主,该方法技术成熟、探测精度高,但测量周期长、成本高,且在船舶难以抵达的浅海海域存在测量空白区。
雷达遥感具有全天时、全天候的对地观测能力,对海洋环境动态参数的反演与获取具有明显的优势,是海洋环境监测不可或缺的手段。利用雷达遥感图像,可以获取船只无法进入的浅海区域的第一手水深信息,纠正已有海图的错误信息;对水下地形变化频繁的区域可以进行动态监测,降低浅海水下地形的探测成本,同时为常规探测提供最优的测量方案。
其中,主动成像的合成孔径雷达(Synthetic Aperture Radar,SAR)雷达提供的高分辨率SAR遥感图像中包含丰富的图像特征信息,现有技术公开了一种基于SAR遥感图像海浪特征的浅海水深探测方法,但是,现有技术的基于海浪特征的浅海水深探测方法通常基于单景SAR遥感图像进行探测,由于SAR遥感观测的瞬时性与常规海洋观测的周期性,对于相同水下地形不同时刻SAR图像所呈现的海浪特征都存在差异。因此,基于海浪特征反演的水下地形结果也存在差异,甚至某些反演结果只能揭示水下地形特征的部分特征,难以揭示水下地形的整体特征。
因此,提供一种浅海水深雷达遥感探测方法,提高浅海水深探测的准确性,是本领域亟待解决的问题。
发明内容
有鉴于此,本发明提供了一种浅海水深雷达遥感探测方法,解决了现有技术中无法大面积、近实时浅海(尤其是在近海水色级次较高的浅海海域)水下地形探测以及基于单景SAR遥感图像探测浅海水深时准确性相对较低的技术问题。
为了解决上述技术问题,本发明提出一种浅海水深雷达遥感探测方法。
该浅海水深雷达遥感探测方法包括:获取待探测区域的多景SAR遥感图像,其中,所述多景SAR遥感图像包括q个单景SAR遥感图像,每个所述单景SAR遥感图像均包含所述待探测区域内海浪由深水海区传至浅水海区的图像特征,q为大于1的自然数;对每个所述单景SAR遥感图像进行计算,分别得到所述浅水海区的浅海水深探测结果;对通过各个所述单景SAR遥感图像得到的所述浅海水深探测结果分别进行潮汐校正;对校正后的所述浅海水深探测结果逐元素根据预定的规则组成包含q个元素的一维浅海水深数组,通过卡尔曼滤波算法对每组所述浅海水深数组进行滤波,滤波后的每组所述浅海水深数组中最后一个元素数值作为所述浅水海区的深度,其中,对一个所述单景SAR遥感图像进行计算,得到所述浅水海区的浅海水深探测结果的步骤包括:采样所述单景SAR遥感图像中对应所述深水海区位置的图像,得到深水海区子图;对所述深水海区子图通过快速傅氏变换,计算出所述深水海区的海浪主波波长;获取所述深水海区的深海水深;根据所述深水海区的海浪主波波长和所述深海水深计算得到海浪峰值角频率;对所述单景SAR遥感图像中由所述海浪的初始点至所述海浪的结束点之间的图像按行依次进行分块处理,得到n个按行依次排列的浅水海区子图,n为大于1的自然数;对每个所述浅水海区子图,按照预定的采样窗口和间隔进行采样,得到m个窗口子图,m为大于1的自然数;对每个所述窗口子图分别通过快速傅氏变换计算出一个海浪主波波长,其中,所述浅水海区子图中所有所述窗口子图计算的海浪主波波长构成所述浅水海区子图对应的海浪主波波长数组;按照所述海浪主波波长数组的空间分布,利用离散卷积对所述海浪主波波长数组进行优化处理,得到所述浅水海区子图对应的优化后的海浪主波波长数组;根据所述海浪峰值角频率和优化后的所述海浪主波波长数组中一个海浪主波波长计算得到一个浅海水深,其中,由所述海浪主波波长数组中所有海浪主波波长计算得到的浅海水深构成所述浅水海区子图对应的浅海水深数据集,各个所述浅水海区子图对应的浅海水深数据集构成所述浅海水深的探测结果。
进一步地,对通过所述单景SAR遥感图像得到的所述浅海水深探测结果进行潮汐校正的步骤包括:获取所述单景SAR遥感图像成像时刻的潮高值;以及将所述浅海水深探测结果中每个所述浅海水深与所述潮高值进行求和,以将所述浅海水深探测结果校正到潮汐对应的基准面。
进一步地,通过卡尔曼滤波算法对所述浅海水深数组进行滤波的步骤包括:步骤S41:获取各个所述单景SAR遥感图像校正后的所述浅海水深探测结果中,第i个浅水海区子图对应的浅海水深数据集中的第p个浅海水深组成浅海水深数组,其中,i和p初始时均为1;步骤S42:利用卡尔曼滤波算法对所述步骤S41获得的所述浅海水深数组进行滤波,所述滤波包含更新和预测两个过程;步骤S43:判断p是否等于m,若p等于m,判断i是否等于n,若i等于n,则结束,若i小于n,则赋值i=i+1,p=1,返回步骤S41,若p小于m,则赋值p=p+1,返回步骤S41。
进一步地,所述海浪主波波长数组包括每行m个海浪主波波长,一共n行,按照所述海浪主波波长数组的空间分布,利用离散卷积对每行所述海浪主波波长数组进行优化处理的步骤包括:步骤S281:按照所述海浪主波波长数组的空间分布,获取所述海浪主波波长数组中第s行海浪主波波长数组,其中,s为常数,初始时为1;步骤S282:判断s是否大于n,若s大于n则结束,若s小于或等于n,则执行步骤S283;步骤S283:获取所述第s行海浪主波波长数组中第l至第l+t个海浪主波波长,其中,t为常数且为奇数,l初始时为1;步骤S284:对所述步骤S283获得的t个海浪主波波长进行卷积计算;以及步骤S285:判断l是否等于m,若l等于m,则将第s行海浪主波长数组向左平移t/2个元素后结束第s行优化后的海浪主波长数组,且赋值s=s+1,返回步骤S282,若l小于m,则赋值l=l+1,返回步骤S283。
进一步地,在根据所述深水海区的海浪主波波长和所述深海水深计算得到海浪峰值角频率的步骤中,采用以下公式计算得到所述海浪峰值角频率:ω2=gk0tanh(k0d0),其中,k0=2π/L0,ω表示所述海浪峰值角频率,g表示重力加速度,k0表示所述海浪在所述深水海区的波数,L0表示所述深水海区的海浪主波波长,d0表示所述深海水深。
进一步地,在根据所述海浪峰值角频率和优化后的所述海浪主波波长数组中一个海浪主波波长计算得到一个浅海水深的步骤中,采用以下公式计算得到所述浅海水深:其中,d表示所述浅海水深,g表示重力加速度ω表示所述海浪峰值角频率,L表示所述海浪主波波长数组中一个海浪主波波长。
进一步地,对所述深水海区子图通过快速傅氏变换,计算所述深水海区的海浪主波波长时,采用以下公式计算得到所述深水海区的海浪主波波长:其中,L0表示所述深水海区的海浪主波波长,k0px为所述深水海区的二维海浪谱的峰值的横坐标,k0py为所述深水海区的二维海浪谱的峰值的纵坐标。
进一步地,对每个所述窗口子图分别通过快速傅氏变换计算一个海浪主波波长时,采用以下公式计算得到所述窗口子图对应的海浪主波波长:其中,L表示所述窗口子图对应的海浪主波波长,kpx为所述窗口子图的二维海浪谱的峰值的横坐标,kpy为所述窗口子图的二维海浪谱的峰值的纵坐标。
进一步地,在所述步骤S284中,采用以下公式进行卷积计算:其中,zi表示第i个卷积计算结果,xi-j表示包含t个元素的预定一维数组中第i-j个元素,yj表示所述t个海浪主波波长中的第j个海浪主波波长。
进一步地,在所述步骤S42中,采用以下公式进行滤波:状态空间模型的量测方程可以表示为:yk=Zkbk+ek k=1,2,...其中,Zk表示一个预定矩阵,bk表示所述浅海水深,随伴随状态方程改变,状态方程表示为:bk+1=Tk+1bk+wk+1 k=1,2,...其中,Tk+1为状态转移矩阵,其元素随时间变化或为固定值,ek和wk分别表示测量和过程的噪声。
与现有技术相比,本发明的浅海水深雷达遥感探测方法,实现了如下的有益效果:
(1)可以实现大面积、近实时浅海水下地形探测,尤其在水色级次较高,多云多雨以及船只无法进入的浅海区域。
(2)提高浅海水深探测精度。
通过以下参照附图对本发明的示例性实施例的详细描述,本发明的其它特征及其优点将会变得清楚。
附图说明
被结合在说明书中并构成说明书的一部分的附图示出了本发明的实施例,并且连同其说明一起用于解释本发明的原理。
图1为本发明实施例1所述的浅海水深雷达遥感探测方法的步骤流程图;
图2为本发明实施例1所述的浅海水深雷达遥感探测方法中步骤S2的详细流程图;
图3为本发明实施例1所述的浅海水深雷达遥感探测方法中窗口子图的示意图;
图4为本发明实施例2所述的浅海水深雷达遥感探测方法的步骤流程图;
图5为本发明实施例2所述的浅海水深雷达遥感探测方法中基于单景SAR遥感图像计算浅海水深的步骤流程图。
具体实施方式
现在将参照附图来详细描述本发明的各种示例性实施例。应注意到:除非另外具体说明,否则在这些实施例中阐述的部件和步骤的相对布置、数字表达式和数值不限制本发明的范围。
以下对至少一个示例性实施例的描述实际上仅仅是说明性的,决不作为对本发明及其应用或使用的任何限制。
对于相关领域普通技术人员已知的技术、方法和设备可能不作详细讨论,但在适当情况下,所述技术、方法和设备应当被视为说明书的一部分。
在这里示出和讨论的所有例子中,任何具体值应被解释为仅仅是示例性的,而不是作为限制。因此,示例性实施例的其它例子可以具有不同的值。
应注意到:相似的标号和字母在下面的附图中表示类似项,因此,一旦某一项在一个附图中被定义,则在随后的附图中不需要对其进行进一步讨论。
实施例1
图1为本发明实施例1的浅海水深雷达遥感探测方法的步骤流程图,如图1所示,该方法包括如下的步骤S1至步骤S4。
步骤S1:获取待探测区域的多景SAR遥感图像。
其中,多景SAR遥感图像包括q个单景SAR遥感图像,各个单景SAR遥感图像为待探测区域的不同成像时刻的图像,每个单景SAR遥感图像均包含待探测区域内海浪由深水海区传至浅水海区的图像特征,q为大于1的自然数。
优选地,为了提高浅海水深探测的准确性,在获取单景SAR遥感图像之后,进行下述步骤S2之前,先对多景SAR遥感图像进行筛选,具体地,首先根据单景SAR遥感图像上的海浪条纹与海浪折射特征判断单景SAR遥感图像是否包括海浪由深水海区传至浅水海区的图像,若单景SAR遥感图像不包括海浪由深水海区传至浅水海区的图像特征时,丢弃单景SAR遥感图像,仅保留包括海浪由深水海区传至浅水海区的图像特征的单景SAR遥感图像。
步骤S2:对每个单景SAR遥感图像进行计算,分别得到浅水海区的浅海水深探测结果。
在该步骤中,针对上述步骤S1获得的多景SAR遥感图像,对每个单景SAR遥感图像分别进行计算,得到每个单景SAR遥感图像对应的浅海水深探测结果。
步骤S3:对通过各个单景SAR遥感图像得到的浅海水深探测结果分别进行潮汐校正。
在该步骤中,对任意一个单景SAR遥感图像得到的浅海水深探测结果进行潮汐校正时,需要获取该单景SAR遥感图像成像时刻的潮汐数据,需要说明的是,在实际操作中,获取到的潮汐数据并非绝对为该单景SAR遥感图像成像时刻的潮汐数据,也可以为单景SAR遥感图像成像时刻附近时间的潮汐数据,根据获取到的SAR图像成像时对应的潮汐数据,将单景SAR图像探测结果校正到基准面对应的浅海水深,通过潮汐数据将海图上得到的水深校正为实际水深。
步骤S4:对校正后的浅海水深探测结果逐元素根据预定的规则组成包含q个元素的一维浅海水深数组,通过卡尔曼滤波算法对每组浅海水深数组进行滤波,滤波后的每组浅海水深数组中最后一个元素数值作为浅水海区的深度。
在该步骤中,组成每个浅海水深数组时,均从所有单景SAR遥感图像校正后的浅海水深探测结果中获取一个浅海水深,因此,每个浅海水深数组均包括q个元素。然后对每组浅海水深数组,通过卡尔曼滤波算法进行滤波,滤波后的每组浅海水深数组中最后一个元素数值作为浅水海区的深度。
其中,对于步骤S2,图2为本发明实施例1所述的浅海水深雷达遥感探测方法中步骤S2的详细流程图,对一个单景SAR遥感图像进行计算,得到浅水海区的浅海水深探测结果的步骤包括如下的步骤S21至步骤S29。
步骤S21:采样单景SAR遥感图像中对应深水海区位置的图像,得到深水海区子图。
对于每个单景SAR遥感图像,均包含待探测区域内海浪由深水海区传至浅水海区的图像特征,在该步骤S21中,首先采样深水海区位置的图像,具体地,可从深水海区位置的不同区域采样选取深水海区子图。
步骤S22:对深水海区子图通过快速傅氏变换,计算出深水海区的海浪主波波长。
对上述步骤S21采样获得的深水海区子图通过快速傅氏变换,得到的海浪主波波长为深水海区的海浪主波波长。
步骤S23:获取深水海区的深海水深。
该步骤S23中深水海区的深海水深,也即初始海水深度,可以通过查询该待探测区域的深海水深相关资料得到初始海水深度,或者按照经验猜想确定初始海水深度。
步骤S24:根据深水海区的海浪主波波长和深海水深计算得到海浪峰值角频率。
步骤S25:对单景SAR遥感图像中由海浪的初始点至海浪的结束点之间的图像按行依次进行分块处理,得到n个按行依次排列的浅水海区子图。
图3为本发明实施例1所述的浅海水深雷达遥感探测方法中窗口子图的示意图,如图3所示,在该步骤S25中,首先对单景SAR遥感图像P进行行的划分,得到的浅海区子图P1、P2…Pn,n为大于1的自然数,各浅海区子图P1、P2…Pn按行依次排列。
步骤S26:对每个浅水海区子图,按照预定的采样窗口和间隔进行采样,得到m个窗口子图。
继续参考图3,在该步骤S26中,通过采样的方式对每个浅水海区子图都再进行一次划分,每个浅水海区子图都划分为m个窗口子图,具体采样过程中采样窗口的大小和采样间隔的大小,可根据SAR遥感图像的分别率和数据处理要求确定,其中,m为大于1的自然数。
以对浅海区子图P1的采样为例,得到m个窗口子图依次为P11、P12…p1m,以对浅海区子图P2的采样为例,得到m个窗口子图依次为P21、P22…p2m,以此类推,以对浅海区子图Pn的采样为例,得到m个窗口子图依次为Pn1、Pn2…pnm。
步骤S27:对每个窗口子图分别通过快速傅氏变换计算出一个海浪主波波长。
对通过上述步骤S26得到的所有窗口子图,都通过快速傅氏变换计算出一个海浪主波波长,将单个浅水海区子图中所有窗口子图计算的海浪主波波长,定义为一个浅水海区子图对应的海浪主波波长数组,通过该步骤,图3中根据m个窗口子图P11、P12…p1m计算得到的m个海浪主波波长构成第一个海浪主波波长数组,根据m个窗口子图P21、P22…p2m计算得到的m个海浪主波波长构成第二个海浪主波波长数组,以此类推,根据m个窗口子图Pn1、Pn2…pnm计算得到的m个海浪主波波长构成第n个海浪主波波长数组。
步骤S28:按照海浪主波波长数组的空间分布,利用离散卷积对海浪主波波长数组进行优化处理,得到浅水海区子图对应的优化后的海浪主波波长数组。
在该步骤S28中,对于每个海浪主波波长数组,均利用离散卷积进行优化处理,从而浅水海区子图能会对应的一组优化后的海浪主波波长数组。
步骤S29:根据海浪峰值角频率和优化后的海浪主波波长数组中一个海浪主波波长计算得到一个浅海水深。
对于每个优化后的海浪主波波长数组,根据其中的一个海浪主波波长和步骤S24得到的海浪峰值角频率,均会计算得到一个浅海水深。其中,由单个海浪主波波长数组中m个海浪主波波长计算得到的浅海水深构成一个浅水海区子图对应的浅海水深数据集,对于一个单景SAR遥感图像,n个浅水海区子图对应的n个浅海水数据集组构成浅海水深的探测结果。
采用该实施例提供的浅海水深雷达遥感探测方法,利用离散卷积对根据单景SAR遥感图像获得的海浪主波波长进行平滑处理,滤除异常值的同时保持了海浪的变化趋势,基于优化的海浪主波波长数组计算出来的浅海水深更加准确;同时提出基于多景SAR遥感图像的浅海水深雷达遥感探测方法,利用了不同时相的水深信息,降低局部水深误差对整体误差的影响,反演结果更可靠。该方法为近海资源利用与环境调查提供大面积、高时间、高空间分辨率的近海水深或水下地形信息,提高浅海水深探测的准确性。
实施例2
本发明实施例2在上述实施例1的基础上提供了一种优选的浅海水深雷达遥感探测方法,图4为本发明实施例2所述的浅海水深雷达遥感探测方法的步骤流程图,图5为本发明实施例2所述的浅海水深雷达遥感探测方法中基于单景SAR遥感图像计算浅海水深的步骤流程图,如图4和图5所示,在该方法中,先对各个单景SAR遥感图像进行计算,得到基于单景SAR遥感图像计算浅海水深,然后对所有单景SAR遥感图像计算得到的浅海水深进行融合,最终得到待探测区域的浅海水深。
首先描述本发明实施例2提供的基于单景SAR遥感图像计算浅海水深的方法,如图5所示,单景SAR遥感图像计算浅海水深,也即单景SAR遥感图像浅海海水深度探测流程主要可以分为以下六个步骤:
(1)单景SAR遥感图像选择:对某待探测区域内获取到的不同时刻的单景SAR遥感图像进行分析,判断单景SAR遥感图像上是否具有海浪条纹与海浪折射特征,如果具有较明显的浅海海浪特征,即可用于浅海海水深度计算。
(2)SAR遥感图像海浪图谱分析:上述步骤选择的单景SAR遥感图像的深水海区的不同区域采样选取子图,得到深水海区子图,通过FFT变换FFT(Fast FourierTransformation),即为快速傅氏变换,计算出深水海区的海浪主波波长。
具体地,对深水海区子图通过快速傅氏变换,计算深水海区的海浪主波波长时,采用以下公式计算得到深水海区的海浪主波波长:
其中,L0表示深水海区的海浪主波波长,k0px为深水海区的二维海浪谱的峰值的横坐标,k0py为深水海区的二维海浪谱的峰值的纵坐标。
(3)海浪峰值角频率计算:根据计算得到深水海区的海浪主波波长,采用深水海区的海浪频散关系式计算得到海浪峰值角频率。其中,海浪峰值角频率计算需要输入初始海水深度,可以通过查询海水深度资料或者猜想初始深度。
具体地,在根据深水海区的海浪主波波长和深海水深计算得到海浪峰值角频率的步骤中,采用以下公式计算得到海浪峰值角频率:
ω2=gk0tanh(k0d0),
其中,k0=2π/L0,ω表示海浪峰值角频率,g表示重力加速度,k0表示海浪在深水海区的波数,L0表示深水海区的海浪主波波长,d0表示深海水深。
(4)海浪追踪:对单景SAR遥感图像,从海浪追踪初始点(也即海浪初始点)开始至海浪的结束点,先按行划分得到n个浅水海区子图,然后再对每个浅水海区子图进行采样,得到m个窗口子图,也即,将单景SAR遥感图像划分为n行m列窗口子图,对每个窗口子图做FFT变换,计算海浪主波波长与传播方向,在对每个浅水海区子图进行采样时,可按一定的规则(如沿着海浪波长的整数倍)移动采样,也即,采样的窗口子图的大小为海浪波长的整数倍,从第一行第一个窗口子图开始,至最后一行最后一个窗口子图结束,最终计算得到待探测区域内的海浪主波波长与空间分布。
具体地,对每个窗口子图分别通过快速傅氏变换计算一个海浪主波波长时,采用以下公式计算得到窗口子图对应的海浪主波波长:
其中,L表示窗口子图对应的海浪主波波长,kpx为窗口子图的二维海浪谱的峰值的横坐标,kpy为窗口子图的二维海浪谱的峰值的纵坐标。
(5)海浪数据集优化:通过上述步骤,可以得到每一个窗口子图对应的一个海浪主波波长,将一个浅水海区子图,也即同一行窗口子图对应的海浪主波波长作为一个海浪主波波长数组,海浪主波波长数组包括每行m个海浪主波波长,一共n行,按照海浪主波波长数组的空间分布,利用离散卷积对每行海浪主波波长数组进行优化处理的步骤包括:
步骤S281:按照海浪主波波长数组的空间分布,获取海浪主波波长数组中第s行海浪主波波长数组,其中,s为常数,初始时为1;
步骤S282:判断s是否大于n,若s大于n则结束,若s小于或等于n,则执行步骤S283;
步骤S283:获取第s行海浪主波波长数组中第l至第l+t个海浪主波波长,其中,t为常数且为奇数,l初始时为1;
步骤S284:对步骤S283获得的t个海浪主波波长进行卷积计算;以及
步骤S285:判断l是否等于m,若l等于m,则将第s行海浪主波长数组向左平移t/2个元素后结束第s行优化后的海浪主波长数组,则赋值s=s+1,返回步骤S282,若l小于m,则赋值l=l+1,返回步骤S283。
进一步优选地,在步骤S284中,采用以下公式进行卷积计算:
其中,zi表示第i个卷积计算结果,xi-j表示包含t个元素的预定一维数组中第i-j个元素,yj表示t个海浪主波波长中的第j个海浪主波波长。
(6)基于频散关系海水深度计算:根据浅水区的海浪频散关系,直接计算得到浅海水深,优选地,在得到浅海水深后,根据单景SAR遥感图像特征对异常值进行处理,最终得到浅海水深探测结果,其中,异常值包括潜水海区内存在的岛屿处的浅海水深值等。
具体地,在根据海浪峰值角频率和优化后的海浪主波波长数组中一个海浪主波波长计算得到一个浅海水深的步骤中,采用以下公式计算得到浅海水深:
其中,d表示浅海水深,g表示重力加速度,ω表示海浪峰值角频率,L表示海浪主波波长数组中一个海浪主波波长。
以上为本实施例2提供的对各个单景SAR遥感图像进行计算得到浅海水深的过程,以下将说明对所有单景SAR遥感图像计算得到的浅海水深进行融合的过程。
请参考图4,对所有单景SAR遥感图像计算得到的浅海水深进行融合的过程,主要分为两个步骤:
(1)潮汐校正:获取各个单景SAR遥感图像得到的浅海水深探测结果,并获取各个单景SAR遥感图像成像时对应的潮汐数据,将单景SAR遥感图像得到的浅海水深探测结果校正到基准面对应的水深。
具体地,获取单景SAR遥感图像成像时刻的潮高值,然后将浅海水深探测结果中每个浅海水深与潮高值进行求和,以将浅海水深探测结果校正到潮汐对应的基准面。
(2)多时相海水深度融合:利用校正好的水深数据,利用卡尔曼滤波进行融合,得到综合不同时相的水深结果。
多时相海水深度融合利用不同单景SAR遥感图像的浅海水深探测结果进行卡尔曼滤波进行融合,解决局部浅海水深估算误差较大影响整体水深反演精度问题,充分利用多时相水深信息。
具体地,通过卡尔曼滤波算法对浅海水深数组进行滤波的步骤包括:
步骤S41:获取各个单景SAR遥感图像校正后的浅海水深探测结果中,第i个浅水海区子图对应的浅海水深数据集中的第p个浅海水深组成浅海水深数组,其中,i和p初始时均为1;
步骤S42:利用卡尔曼滤波算法对步骤S41获得的浅海水深数组进行滤波,滤波包含更新和预测两个过程;
步骤S43:判断p是否等于m,若p等于m,判断i是否等于n,若i等于n,则结束,若i小于n,则赋值i=i+1,p=1,返回步骤S41,若p小于m,则赋值p=p+1,返回步骤S41。
在步骤S42中,采用以下公式进行滤波:
状态空间模型的量测方程可以表示为:
yk=Zkbk+ek k=1,2,...
其中,Zk表示一个预定矩阵,bk表示浅海水深,随伴随状态方程改变,状态方程表示为:
bk+1=Tk+1bk+wk+1 k=1,2,...
其中,Tk+1为状态转移矩阵,其元素随时间变化或为固定值,ek和wk分别表示测量和过程的噪声。
通过上述实施例可知,本发明的浅海水深雷达遥感探测方法,达到了如下的有益效果:
利用离散卷积对根据单景SAR遥感图像获得的海浪主波波长进行平滑处理,滤除异常值的同时保持了海浪的变化趋势,基于优化的海浪主波波长数组计算出来的浅海水深更加准确;同时提出基于多景SAR遥感图像的浅海水深雷达遥感探测方法,利用了不同时相的水深信息,降低局部水深误差对整体误差的影响,反演结果更可靠。该方法为近海资源利用与环境调查提供大面积、高时间、高空间分辨率的近海水深或水下地形信息,提高浅海水深探测的准确性。
虽然已经通过例子对本发明的一些特定实施例进行了详细说明,但是本领域的技术人员应该理解,以上例子仅是为了进行说明,而不是为了限制本发明的范围。本领域的技术人员应该理解,可在不脱离本发明的范围和精神的情况下,对以上实施例进行修改。本发明的范围由所附权利要求来限定。
Claims (10)
1.一种浅海水深雷达遥感探测方法,其特征在于,包括:
获取待探测区域的多景SAR遥感图像,其中,所述多景SAR遥感图像包括q个单景SAR遥感图像,每个所述单景SAR遥感图像均包含所述待探测区域内海浪由深水海区传至浅水海区的图像特征,q为大于1的自然数;
对每个所述单景SAR遥感图像进行计算,分别得到所述浅水海区的浅海水深探测结果;
对通过各个所述单景SAR遥感图像得到的所述浅海水深探测结果分别进行潮汐校正;
对校正后的所述浅海水深探测结果逐元素根据预定的规则组成包含q个元素的一维浅海水深数组,通过卡尔曼滤波算法对每组所述浅海水深数组进行滤波,滤波后的每组所述浅海水深数组中最后一个元素数值作为所述浅水海区的深度,
其中,对一个所述单景SAR遥感图像进行计算,得到所述浅水海区的浅海水深探测结果的步骤包括:
采样所述单景SAR遥感图像中对应所述深水海区位置的图像,得到深水海区子图;
对所述深水海区子图通过快速傅氏变换,计算出所述深水海区的海浪主波波长;
获取所述深水海区的深海水深;
根据所述深水海区的海浪主波波长和所述深海水深计算得到海浪峰值角频率;
对所述单景SAR遥感图像中由所述海浪的初始点至所述海浪的结束点之间的图像按行依次进行分块处理,得到n个按行依次排列的浅水海区子图,n为大于1的自然数;
对每个所述浅水海区子图,按照预定的采样窗口和间隔进行采样,得到m个窗口子图,m为大于1的自然数;
对每个所述窗口子图分别通过快速傅氏变换计算出一个海浪主波波长,其中,所述浅水海区子图中所有所述窗口子图计算的海浪主波波长构成所述浅水海区子图对应的海浪主波波长数组;
按照所述海浪主波波长数组的空间分布,利用离散卷积对所述海浪主波波长数组进行优化处理,得到所述浅水海区子图对应的优化后的海浪主波波长数组;
根据所述海浪峰值角频率和优化后的所述海浪主波波长数组中一个海浪主波波长计算得到一个浅海水深,其中,由所述海浪主波波长数组中所有海浪主波波长计算得到的浅海水深构成所述浅水海区子图对应的浅海水深数据集,各个所述浅水海区子图对应的浅海水深数据集构成所述浅海水深的探测结果。
2.根据权利要求1所述的浅海水深雷达遥感探测方法,其特征在于,对通过所述单景SAR遥感图像得到的所述浅海水深探测结果进行潮汐校正的步骤包括:
获取所述单景SAR遥感图像成像时刻的潮高值;以及
将所述浅海水深探测结果中每个所述浅海水深与所述潮高值进行求和,以将所述浅海水深探测结果校正到潮汐对应的基准面。
3.根据权利要求2所述的浅海水深雷达遥感探测方法,其特征在于,通过卡尔曼滤波算法对所述浅海水深数组进行滤波的步骤包括:
步骤S41:获取各个所述单景SAR遥感图像校正后的所述浅海水深探测结果中,第i个浅水海区子图对应的浅海水深数据集中的第p个浅海水深组成浅海水深数组,其中,i和p初始时均为1;
步骤S42:利用卡尔曼滤波算法对所述步骤S41获得的所述浅海水深数组进行滤波,所述滤波包含更新和预测两个过程;
步骤S43:判断p是否等于m,若p等于m,判断i是否等于n,若i等于n,则结束,若i小于n,则赋值i=i+1,p=1,返回步骤S41,若p小于m,则赋值p=p+1,返回步骤S41。
4.根据权利要求1所述的浅海水深雷达遥感探测方法,其特征在于,所述海浪主波波长数组包括每行m个海浪主波波长,一共n行,按照所述海浪主波波长数组的空间分布,利用离散卷积对每行所述海浪主波波长数组进行优化处理的步骤包括:
步骤S281:按照所述海浪主波波长数组的空间分布,获取所述海浪主波波长数组中第s行海浪主波波长数组,其中,s为常数,初始时为1;
步骤S282:判断s是否大于n,若s大于n则结束,若s小于或等于n,则执行步骤S283;
步骤S283:获取所述第s行海浪主波波长数组中第l至第l+t个海浪主波波长,其中,t为常数且为奇数,l初始时为1;
步骤S284:对所述步骤S283获得的t个海浪主波波长进行卷积计算;以及
步骤S285:判断l是否等于m,若l等于m,则将第s行海浪主波长数组向左平移t/2个元素后结束第s行优化后的海浪主波长数组,且赋值s=s+1,返回步骤S282,若l小于m,则赋值l=l+1,返回步骤S283。
5.根据权利要求1所述的浅海水深雷达遥感探测方法,其特征在于,在根据所述深水海区的海浪主波波长和所述深海水深计算得到海浪峰值角频率的步骤中,采用以下公式计算得到所述海浪峰值角频率:
ω2=gk0tanh(k0d0),
其中,k0=2π/L0,ω表示所述海浪峰值角频率,g表示重力加速度,k0表示所述海浪在所述深水海区的波数,L0表示所述深水海区的海浪主波波长,d0表示所述深海水深。
6.根据权利要求1所述的浅海水深雷达遥感探测方法,其特征在于,在根据所述海浪峰值角频率和优化后的所述海浪主波波长数组中一个海浪主波波长计算得到一个浅海水深的步骤中,采用以下公式计算得到所述浅海水深:
<mrow>
<mi>d</mi>
<mo>=</mo>
<mfrac>
<mi>L</mi>
<mrow>
<mn>4</mn>
<mi>&pi;</mi>
</mrow>
</mfrac>
<mi>l</mi>
<mi>n</mi>
<mrow>
<mo>(</mo>
<mfrac>
<mrow>
<mn>2</mn>
<mi>&pi;</mi>
<mi>g</mi>
<mo>+</mo>
<msup>
<mi>&omega;</mi>
<mn>2</mn>
</msup>
<mi>L</mi>
</mrow>
<mrow>
<mn>2</mn>
<mi>&pi;</mi>
<mi>g</mi>
<mo>-</mo>
<msup>
<mi>&omega;</mi>
<mn>2</mn>
</msup>
<mi>L</mi>
</mrow>
</mfrac>
<mo>)</mo>
</mrow>
</mrow>
其中,d表示所述浅海水深,g表示重力加速度,ω表示所述海浪峰值角频率,L表示所述海浪主波波长数组中一个海浪主波波长。
7.根据权利要求1所述的浅海水深雷达遥感探测方法,其特征在于,对所述深水海区子图通过快速傅氏变换,计算所述深水海区的海浪主波波长时,采用以下公式计算得到所述深水海区的海浪主波波长:
<mrow>
<msub>
<mi>L</mi>
<mn>0</mn>
</msub>
<mo>=</mo>
<mfrac>
<mrow>
<mn>2</mn>
<mi>&pi;</mi>
</mrow>
<msqrt>
<mrow>
<mi>k</mi>
<msubsup>
<mn>0</mn>
<mrow>
<mi>p</mi>
<mi>x</mi>
</mrow>
<mn>2</mn>
</msubsup>
<mo>+</mo>
<mi>k</mi>
<msubsup>
<mn>0</mn>
<mrow>
<mi>p</mi>
<mi>y</mi>
</mrow>
<mn>2</mn>
</msubsup>
</mrow>
</msqrt>
</mfrac>
</mrow>
其中,L0表示所述深水海区的海浪主波波长,k0px为所述深水海区的二维海浪谱的峰值的横坐标,k0py为所述深水海区的二维海浪谱的峰值的纵坐标。
8.根据权利要求1所述的浅海水深雷达遥感探测方法,其特征在于,对每个所述窗口子图分别通过快速傅氏变换计算一个海浪主波波长时,采用以下公式计算得到所述窗口子图对应的海浪主波波长:
<mrow>
<mi>L</mi>
<mo>=</mo>
<mfrac>
<mrow>
<mn>2</mn>
<mi>&pi;</mi>
</mrow>
<msqrt>
<mrow>
<msubsup>
<mi>k</mi>
<mrow>
<mi>p</mi>
<mi>x</mi>
</mrow>
<mn>2</mn>
</msubsup>
<mo>+</mo>
<msubsup>
<mi>k</mi>
<mrow>
<mi>p</mi>
<mi>y</mi>
</mrow>
<mn>2</mn>
</msubsup>
</mrow>
</msqrt>
</mfrac>
</mrow>
其中,L表示所述窗口子图对应的海浪主波波长,kpx为所述窗口子图的二维海浪谱的峰值的横坐标,kpy为所述窗口子图的二维海浪谱的峰值的纵坐标。
9.根据权利要求4所述的浅海水深雷达遥感探测方法,其特征在于,在所述步骤S284中,采用以下公式进行卷积计算:
<mrow>
<msub>
<mi>z</mi>
<mi>i</mi>
</msub>
<mo>=</mo>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>j</mi>
<mo>=</mo>
<mn>0</mn>
</mrow>
<mi>t</mi>
</munderover>
<msub>
<mi>x</mi>
<mrow>
<mi>i</mi>
<mo>-</mo>
<mi>j</mi>
</mrow>
</msub>
<msub>
<mi>y</mi>
<mi>j</mi>
</msub>
</mrow>
其中,zi表示第i个卷积计算结果,xi-j表示包含t个元素的预定一维数组中第i-j个元素,yj表示所述t个海浪主波波长中的第j个海浪主波波长。
10.根据权利要求3所述的浅海水深雷达遥感探测方法,其特征在于,在所述步骤S42中,采用以下公式进行滤波:
状态空间模型的量测方程可以表示为:
yk=Zkbk+ek k=1,2,...
其中,Zk表示一个预定矩阵,bk表示所述浅海水深,随伴随状态方程改变,状态方程表示为:
bk+1=Tk+1bk+wk+1 k=1,2,...
其中,Tk+1为状态转移矩阵,其元素随时间变化或为固定值,ek和wk分别表示测量和过程的噪声。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711441316.4A CN108120981B (zh) | 2017-12-27 | 2017-12-27 | 浅海水深雷达遥感探测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711441316.4A CN108120981B (zh) | 2017-12-27 | 2017-12-27 | 浅海水深雷达遥感探测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108120981A true CN108120981A (zh) | 2018-06-05 |
CN108120981B CN108120981B (zh) | 2019-12-03 |
Family
ID=62232063
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201711441316.4A Active CN108120981B (zh) | 2017-12-27 | 2017-12-27 | 浅海水深雷达遥感探测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108120981B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2021036066A1 (zh) | 2019-08-23 | 2021-03-04 | 长沙天仪空间科技研究院有限公司 | 一种基于卫星编队的遥感系统及星座系统 |
CN114677324A (zh) * | 2022-01-20 | 2022-06-28 | 强企创新科技有限公司 | 水深检测方法及系统 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102538768A (zh) * | 2012-01-10 | 2012-07-04 | 武汉大学 | 一种基于双频高频地波雷达的浅海水深测量方法 |
CN103293521A (zh) * | 2013-06-26 | 2013-09-11 | 武汉大学 | 一种利用x波段雷达探测近海海域水深的方法 |
CN104197902A (zh) * | 2014-09-12 | 2014-12-10 | 国家海洋局第二海洋研究所 | 一种利用单景高分辨率光学遥感图像提取浅海地形的方法 |
CN105469393A (zh) * | 2015-11-18 | 2016-04-06 | 国家海洋局第一海洋研究所 | 基于决策融合的浅海水深多时相遥感影像反演方法 |
US20160223671A1 (en) * | 2011-06-30 | 2016-08-04 | The Regents Of The University Of Colorado | Remote measurement of shallow depths in semi-transparent media |
-
2017
- 2017-12-27 CN CN201711441316.4A patent/CN108120981B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20160223671A1 (en) * | 2011-06-30 | 2016-08-04 | The Regents Of The University Of Colorado | Remote measurement of shallow depths in semi-transparent media |
CN102538768A (zh) * | 2012-01-10 | 2012-07-04 | 武汉大学 | 一种基于双频高频地波雷达的浅海水深测量方法 |
CN103293521A (zh) * | 2013-06-26 | 2013-09-11 | 武汉大学 | 一种利用x波段雷达探测近海海域水深的方法 |
CN103293521B (zh) * | 2013-06-26 | 2015-03-25 | 武汉大学 | 一种利用x波段雷达探测近海海域水深的方法 |
CN104197902A (zh) * | 2014-09-12 | 2014-12-10 | 国家海洋局第二海洋研究所 | 一种利用单景高分辨率光学遥感图像提取浅海地形的方法 |
CN105469393A (zh) * | 2015-11-18 | 2016-04-06 | 国家海洋局第一海洋研究所 | 基于决策融合的浅海水深多时相遥感影像反演方法 |
Non-Patent Citations (2)
Title |
---|
XIAOLIN BIAN,ET AL: "Estimation of Shallow Water Depth Using HJ-1C S-band SAR Data", 《THE JOURNAL OF NAVIGATION》 * |
张靖宇: "浅海水深多维度遥感反演融合方法研究", 《中国优秀硕士学位论文全文数据库 基础科学辑》 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2021036066A1 (zh) | 2019-08-23 | 2021-03-04 | 长沙天仪空间科技研究院有限公司 | 一种基于卫星编队的遥感系统及星座系统 |
CN114677324A (zh) * | 2022-01-20 | 2022-06-28 | 强企创新科技有限公司 | 水深检测方法及系统 |
CN114677324B (zh) * | 2022-01-20 | 2024-06-07 | 强企创新科技有限公司 | 水深检测方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN108120981B (zh) | 2019-12-03 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Calder et al. | Automatic processing of high‐rate, high‐density multibeam echosounder data | |
CN104613944B (zh) | 一种基于gwr和bp神经网络的分布式水深预测方法 | |
Gavazzi et al. | Evaluation of seabed mapping methods for fine-scale classification of extremely shallow benthic habitats–application to the Venice Lagoon, Italy | |
CN103698763B (zh) | 基于硬阈值正交匹配追踪的线阵sar稀疏成像方法 | |
Poupardin et al. | Water depth inversion from a single SPOT-5 dataset | |
CN103292792B (zh) | 一种适用海底探测与假地形处理的实测svp重构方法 | |
CN111950438B (zh) | 基于深度学习的天宫二号成像高度计有效波高反演方法 | |
US11500082B2 (en) | Iterative learning adaptive sonar system, apparatus, method, and computer program product | |
CN106990402A (zh) | 一种基于波浪理论的导航x波段雷达波群检测方法 | |
Chu et al. | Technical framework for shallow-water bathymetry with high reliability and no missing data based on time-series sentinel-2 images | |
Song et al. | Application of acoustic image processing in underwater terrain aided navigation | |
Mosca et al. | Scientific potential of a new 3D multibeam echosounder in fisheries and ecosystem research | |
CN108120981B (zh) | 浅海水深雷达遥感探测方法 | |
Marghany et al. | 3-D visualizations of coastal bathymetry by utilization of airborne TOPSAR polarized data | |
Johnson et al. | Seafloor map generation for autonomous underwater vehicle navigation | |
CN114638830B (zh) | 隧道钢筋识别模型的训练方法及隧道钢筋识别方法 | |
CN115902866A (zh) | 一种船用光电多源目标融合探测处理方法 | |
Wlodarczyk-Sielicka | Importance of neighborhood parameters during clustering of bathymetric data using neural network | |
JP3760243B2 (ja) | Gps式海洋波計測方法 | |
CN106872979B (zh) | 基于海面起伏运动目标sar图像再聚焦的海浪参数获取方法 | |
CN110988888B (zh) | 海底信息的获取方法和装置 | |
Ryu et al. | A wide-area deep ocean floor mapping system: Design and sea tests | |
Wengrove et al. | Monitoring morphology of the Sand Engine leeside using Argus’ cBathy | |
Kim et al. | Comparison of internal waves in various ocean fields around the korean peninsula | |
CN106908782B (zh) | 基于水面状态连续成像系统的波浪传播方向的提取方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |