CN108398683A - 长时序自动干涉测量系统及方法 - Google Patents
长时序自动干涉测量系统及方法 Download PDFInfo
- Publication number
- CN108398683A CN108398683A CN201810159759.2A CN201810159759A CN108398683A CN 108398683 A CN108398683 A CN 108398683A CN 201810159759 A CN201810159759 A CN 201810159759A CN 108398683 A CN108398683 A CN 108398683A
- Authority
- CN
- China
- Prior art keywords
- module
- data
- analysis
- interference fringe
- fringe picture
- 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
- G01S13/9023—SAR image post-processing techniques combined with interferometric techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/95—Retrieval from the web
- G06F16/953—Querying, e.g. by the use of web search engines
- G06F16/9537—Spatial or temporal dependent retrieval, e.g. spatiotemporal queries
Landscapes
- Engineering & Computer Science (AREA)
- Remote Sensing (AREA)
- Radar, Positioning & Navigation (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Databases & Information Systems (AREA)
- Computer Networks & Wireless Communication (AREA)
- Electromagnetism (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Radar Systems Or Details Thereof (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种长时序自动干涉测量系统及方法。包括:存储器、指令获取模块、数据准备模块和自动化处理模块。数据准备模块包括原始数据获取模块、爬虫模块、数据格式转换模块和目标区域数字高程模型生成模块。自动化处理模块包括:主影像选取模块、配准重采样模块、永久散射体点提取模块、最优干涉网络生成模块、干涉条纹图生成模块、目标干涉条纹图生成模块和分析模块。本发明能够实现将差分干涉测量和永久散射体处理集成于一体,通过对处理过程进行标准化定制,实现了自动化处理SAR数据,不需要人工干预,用户使用时无需复杂的学习过程,操作简便,降低了用户使用门槛。同时可以实现各种相位分析并行计算,实现了数据处理的高效性。
Description
技术领域
本发明涉及地表形变监测领域,更具体地,涉及一种长时序自动干涉测量系统及方法。
背景技术
地表形变监测的传统技术手段有水准测量、GPS测量、三维激光扫描、测量机器人等。这些传统技术手段测量精度高,可持续性进行监测,但监测过程费时费力且只能获取若干独立点上的形变观测结果。而DInSAR(差分干涉测量)和PSInSAR(永久散射体合成孔径雷达干涉测量)技术是一种高效、经济的监测方式,影像空间分辨率高,而且能够进行大区域高密度的形变监测,在地表形变监测方面具有很好的应用前景和实用价值。
DInSAR利用同一地区两幅干涉图像,通过差分处理(除去地球曲面和地形起伏的影响)来获得地表形变信息的测量技术。由于DInSAR侧重于单次形变或两时刻累积形变的研究,使用的SAR图像少,干涉图会受到较严重的几何和时间去相干的影响。另外,对数字高程模型(Digital Elevation Model,DEM)精度要求也非常高,大气影响很难消除,相位解缠困难。而永久散射体可解决上述存在的问题。永久散射体方法是从一组时间序列的SAR图像中选取那些保持高相干性的点作为PS(永久散射体)点,如人工建筑,岩石等,这些PS点往往小于分辨单元,而且散射特性比较稳定,受时间和空间去相干的影响小。在这些离散稀疏的PS点上可以获得可靠的相位信息,进而反演出精确的地表形变和DEM信息。通常PSInSAR技术需要处理同一地区25幅以上的SAR影像,选取一组反射特性强、时间上稳定的地物目标作为PS点,然后在PS点集的基础上进行干涉处理、相位解缠以及各相位组分的分离,从而保证计算结果的精确性。
现有技术中用来处理DInSAR和PS-InSAR的软件很多,这些雷达图像处理软件具有专业雷达图像处理和分析功能,凭借着各自独特的优势满足用户需求。但这些现有的软件系统存在的问题有:多数为专家系统,需要大量的学习成本;不具有并行、批处理能力;操作繁琐,不具备自动化处理能力,需要人工干预等。
因此,基于上述问题,提供一种长时序自动干涉测量系统及方法,是本领域亟待解决的问题。
发明内容
有鉴于此,本发明提供了一种长时序自动干涉测量系统及方法,解决了上述技术问题。
为了解决上述技术问题,本发明提出一种长时序自动干涉测量系统,包括:存储器、指令获取模块、数据准备模块和自动化处理模块;
所述存储器,用于存储原始SAR数据和生成产品数据;所述生成产品数据包括大气相位分析图、残余地形相位分析图和长时序形变分析图;
所述指令获取模块,用于获取指令信息,所述指令信息包括:原始SAR数据的目录位置、生成产品的目录位置和目标区域的经纬度范围;
所述数据准备模块,用于对自动化处理过程中需要的数据进行准备,所述数据准备模块包括原始数据获取模块、爬虫模块、数据格式转换模块和目标区域数字高程模型生成模块,
所述原始数据获取模块,与所述指令获取模块和所述存储器分别相连接,用于根据所述原始SAR数据的目录位置从所述存储器获取所述原始SAR数据;
所述爬虫模块,与网络相连接,用于从网络上爬虫下载部分数据,所述部分数据包括轨道数据,通过网络爬虫获取所述轨道数据后,自动对所述原始SAR数据中轨道数据进行更新;
所述数据格式转换模块,与所述原始数据获取模块相连接,用于将更新后的所述原始SAR数据,生成系统识别的单视复数据;
所述目标区域数字高程模型生成模块,与所述指令获取模块相连接,用于根据所述目标区域的经纬度范围生成目标区域数字高程模型;所述自动化处理模块,用于自动化处理所述单视复数据,生成所述大气相位分析图、所述残余地形相位分析图和所述长时序形变分析图;所述自动化处理模块包括:主影像选取模块、配准重采样模块、永久散射体点提取模块、最优干涉网络生成模块、干涉条纹图生成模块、目标干涉条纹图生成模块和分析模块;
所述主影像选取模块,与所述数据格式转换模块相连接,用于读取所述单视复数据,从所有影像中选择主影像;
所述配准重采样模块,与所述主影像选取模块相连接,用于对所述单视复数据进行多视处理,将辅影像对所述主影像配准、对所述辅影像重采样;
所述永久散射体点提取模块,与所述配准重采样模块相连接,用于从配准重采样后的主辅影像提取永久散射体点;
所述最优干涉网络生成模块,与所述配准重采样模块相连接,用于对配准重采样后的所有影像两两生成相干性图,从所述相干性图中选取最优干涉网络;
所述干涉条纹图生成模块,与所述最优干涉网络生成模块相连接,用于将组成最优干涉网络的干涉对进行差分干涉测量处理,生成干涉条纹图;
所述目标干涉条纹图生成模块,与所述干涉条纹图生成模块相连接,用于将所述干涉条纹图生成目标干涉条纹图;所述目标干涉条纹图生成模块包括平地相位去除模块和地形相位去除模块;
所述平地相位去除模块,用于根据所述轨道数据对所述干涉条纹图进行平地相位去除,生成去除平地相位后的干涉条纹图;
所述地形相位去除模块,用于根据所述目标区域的数字高程模型对所述去除平地相位后的干涉条纹图进行地形相位去除,生成所述目标干涉条纹图;
所述分析模块,用于分析大气相位、分析残余地形相位和分析长时序形变;所述分析模块进一步包括大气相位分析模块、残余地形相位分析模块和长时序形变分析模块;
所述大气相位分析模块,与所述目标干涉条纹图生成模块和所述永久散射体点提取模块相连接,利用所述目标干涉条纹图,在永久散射体点上通过时间高通和空间低通滤波进行大气相位分析,生成大气相位分析图,并将所述大气相位分析图存入所述存储器;
所述残余地形相位分析模块,与所述目标干涉条纹图生成模块和所述永久散射体点提取模块相连接,利用所述目标干涉条纹图,在永久散射体点上通过周期图进行残余地形相位分析,生成残余地形相位分析图,将所述残余地形相位分析图存入所述存储器;
所述长时序形变分析模块,与所述目标干涉条纹图生成模块和所述永久散射体点提取模块相连接,利用所述目标干涉条纹图,在永久散射体点上通过周期图进行长时序形变分析,生成长时序形变分析图,将所述长时序形变分析图存入所述存储器。
可选的,所述爬虫模块,进一步用于从网络爬虫下载数字高程模型数据;所述目标区域数字高程模型生成模块与所述爬虫模块相连接,根据所述数字高程模型数据和所述目标区域的经纬度范围,生成所述目标区域的数字高程模型。
可选的,所述数据格式转换模块进一步包括解压缩模块和格式转换模块,所述格式转换模块识别到所述原始SAR数据为压缩SAR数据时,所述解压缩模块首先对所述压缩SAR数据解压缩,然后所述格式转换模块将解压缩后的SAR数据生成系统识别的所述单视复数据。
可选的,所述永久散射体点提取模块进一步包括:辐射校正模块和提取模块;所述辐射校正模块用于将配准重采样后的所有影像进行辐射校正,所述提取模块用于根据评价指标和阈值在辐射校正后的所有影像中筛选出永久散射体点。
进一步的,本发明还提供一种长时序自动干涉测量方法,包括:
获取原始SAR数据的目录位置、生成产品的目录位置和目标区域的经纬度范围;
从所述原始SAR数据的目录位置获取所述原始SAR数据;
网络爬虫获取部分数据,所述部分数据包括轨道数据,通过网络爬虫获取所述轨道数据后,自动对所述原始SAR数据中轨道数据进行更新;
读取更新后的所述原始SAR数据,生成系统识别的单视复数据;
根据所述目标区域的经纬度范围生成目标区域的数字高程模型;
自动化分析所述单视复数据生成大气相位分析图、残余地形相位分析图和长时序形变分析图,进一步包括:
读取所述单视复数据,从所有影像中选择主影像;
对所述单视复数据进行多视处理,将辅影像对所述主影像配准、对所述辅影像重采样;
利用配准重采样后的主辅影像提取永久散射体点;
对配准重采样后的所有影像两两生成相干性图,从所述相干性图中选取最优干涉网络;
将组成最优干涉网络的干涉对进行差分干涉测量处理,生成干涉条纹图;
根据所述轨道数据对所述干涉条纹图进行平地相位去除,根据所述目标区域的数字高程模型对去除平地相位后的干涉条纹图进行地形相位去除,去除平地相位和地形相位后的干涉条纹图为目标干涉条纹图;
利用所述目标干涉条纹图,在永久散射体点上通过时间高通和空间低通滤波进行大气相位分析,生成大气相位分析图,将所述大气相位分析图存入所述生成产品的目录位置;
利用所述目标干涉条纹图,在永久散射体点上通过周期图进行残余地形相位分析,生成残余地形相位分析图,将所述残余地形相位分析图存入所述生成产品的目录位置;
利用所述目标干涉条纹图,在永久散射体点上通过周期图进行长时序形变分析,生成长时序形变分析图,将所述长时序形变分析图存入所述生成产品的目录位置。
可选的,所述网络爬虫获取部分数据的步骤中,所述部分数据还包括:数字高程模型数据;所述生成目标区域的数字高程模型的步骤,进一步为:根据所述数字高程模型数据和所述目标区域的经纬度范围,生成所述目标区域的数字高程模型。
可选的,所述原始SAR数据为解压缩数据或者压缩数据。
可选的,利用配准重采样后的主辅影像提取永久散射体点的步骤进一步为:对配准重采样后的所有影像进行辐射校正,根据评价指标和阈值在辐射校正后的所有影像中筛选出永久散射体点。
与现有技术相比,本发明的长时序自动干涉测量系统及方法,实现了如下的有益效果:
本发明提供的长时序自动干涉测量系统及方法,将差分干涉测量和永久散射体处理集成于一体,通过对处理过程中的目标区域的DEM的生成方式、爬虫模块进行部分数据网络下载更新、数据处理分析过程进行标准化定制,实现了自动化处理SAR数据,自动化处理SAR数据的过程中仅需要用户输入原始SAR数据的存储位置、生成产品的保存位置和目标区域(也即用户感兴趣区)的经纬度范围,系统自动生成对用户感兴趣区的地表形变检测分析,实现了数据处理的高集成性。本发明提供的系统完全自动化的处理过程,不需要人工干预,用户使用时无需复杂的学习过程,操作简便,降低了用户使用门槛。并且本发明提供的系统中各种相位分析可以实现并行计算,将差分干涉测量数据处理效率提高了50%以上,实现了数据处理的高效性。
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为本发明提供的长时序自动干涉测量系统的模块框图;
图2为本发明提供的长时序自动干涉测量系统的程序逻辑图;
图3为本发明提供的长时序自动干涉测量方法流程图;
图4为本发明实施例提供的长时序自动干涉测量方法中自动化分析数据流程图。
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
本发明提供一种长时序自动干涉测量系统,该系统能够用于长时序自动差分干涉测量地表形变。本系统可以使用功能强大,拥有众多丰富标准库的Python语言来进行开发,能够适用于国内外各种星载SAR数据的处理,并且用户可随时查看处理过程中的数据信息和影像信息。图1为本发明提供的长时序自动干涉测量系统的模块框图。如图1所示,本发明提供的系统包括:存储器、指令获取模块、数据准备模块和自动化处理模块;
所述存储器,用于存储原始SAR数据和生成产品数据;所述生成产品数据包括大气相位分析图、残余地形相位分析图和长时序形变分析图,所述原始SAR数据包括SAR图像数据、成像参数数据、轨道数据、空间数据、时间数据等;
所述指令获取模块,用于获取指令信息,所述指令信息包括:原始SAR数据的目录位置、生成产品的目录位置和目标区域的经纬度范围,其中目标区域也即用户感兴趣区域;
所述数据准备模块,用于对自动化处理过程中需要的数据进行准备,所述数据准备模块包括原始数据获取模块、爬虫模块、数据格式转换模块和目标区域数字高程模型生成模块,
所述原始数据获取模块,与所述指令获取模块和所述存储器分别相连接,用于根据所述原始SAR数据的目录位置从所述存储器中获取所述原始SAR数据;
所述爬虫模块,与网络相连接,用于从网络上爬虫下载部分数据,所述部分数据包括轨道数据,通过网络爬虫获取所述轨道数据后,自动对所述原始SAR数据中轨道数据进行更新,本发明中爬虫下载的轨道数据可以是任意的型号传感器的轨道数据;对轨道数据进行更新能够提高数据的轨道信息精度,轨道数据用于图像配准和DEM(Digital ElevationModel,DEM,数字高程模型)准备,轨道精度越高则相应处理的精度越高。
所述数据格式转换模块,与所述原始数据获取模块相连接,用于将更新后的所述原始SAR数据,生成系统识别的单视复数据;
所述目标区域数字高程模型生成模块,与所述指令获取模块相连接,用于根据所述目标区域的经纬度范围生成目标区域数字高程模型;
所述自动化处理模块,用于自动化处理所述单视复数据,生成所述大气相位分析图、所述残余地形相位分析图和所述长时序形变分析图;能够实现大气相位分析、残余地形相位分析和长时序形变分析的并行计算处理;
所述自动化处理模块包括:主影像选取模块、配准重采样模块、永久散射体点提取模块、最优干涉网络生成模块、干涉条纹图生成模块、目标干涉条纹图生成模块和分析模块;
所述主影像选取模块,与所述数据格式转换模块相连接,用于读取所述单视复数据,从所有影像中选择主影像,其中,根据原始SAR数据的时间、空间分布特性选择主影像;
所述配准重采样模块,与所述主影像选取模块相连接,用于对所述单视复数据进行多视处理,将辅影像对所述主影像配准、对所述辅影像重采样,其中所述辅影像为在所述主影像选取模块中剩余的未被选取的图像;
所述永久散射体点提取模块,与所述配准重采样模块相连接,用于从配准重采样后的主辅影像提取永久散射体点;
所述最优干涉网络生成模块,与所述配准重采样模块相连接,用于对配准重采样后的所有影像两两生成相干性图,从所述相干性图中选取相干性最好的干涉对作为最优干涉网络;
所述干涉条纹图生成模块,与所述最优干涉网络生成模块相连接,用于将组成最优干涉网络的干涉对进行差分干涉测量处理,生成干涉条纹图;
所述目标干涉条纹图生成模块,与所述干涉条纹图生成模块相连接,用于将所述干涉条纹图生成目标干涉条纹图;所述目标干涉条纹图生成模块包括平地相位去除模块和地形相位去除模块;
所述平地相位去除模块,用于根据所述轨道数据对所述干涉条纹图进行平地相位去除,生成去除平地相位后的干涉条纹图;
所述地形相位去除模块,用于根据所述目标区域的数字高程模型对所述去除平地相位后的干涉条纹图进行地形相位去除,生成所述目标干涉条纹图;
所述分析模块,用于分析大气相位、分析残余地形相位和分析长时序形变;所述分析模块进一步包括大气相位分析模块、残余地形相位分析模块和长时序形变分析模块;
所述大气相位分析模块,与所述目标干涉条纹图生成模块和所述永久散射体点提取模块相连接,利用所述目标干涉条纹图,在永久散射体点上通过时间高通和空间低通滤波进行大气相位分析,生成大气相位分析图,并将所述大气相位分析图存入所述存储器;
所述残余地形相位分析模块,与所述目标干涉条纹图生成模块和所述永久散射体点提取模块相连接,利用所述目标干涉条纹图,在永久散射体点上通过周期图进行残余地形相位分析,生成残余地形相位分析图,将所述残余地形相位分析图存入所述存储器;
所述长时序形变分析模块,与所述目标干涉条纹图生成模块和所述永久散射体点提取模块相连接,利用所述目标干涉条纹图,在永久散射体点上通过周期图进行长时序形变分析,生成长时序形变分析图,将所述长时序形变分析图存入所述存储器。
本发明提供的长时序自动干涉测量系统,将差分干涉测量和永久散射体处理集成于一体,通过对处理过程中的目标区域的DEM的生成方式、爬虫模块进行部分数据网络下载更新、数据处理分析过程进行标准化定制,实现了自动化处理SAR数据,自动化处理SAR数据的过程中仅需要用户输入原始SAR数据的存储位置、生成产品的保存位置和目标区域(也即用户感兴趣区)的经纬度范围,系统自动生成对用户感兴趣区的地表形变检测分析,实现了数据处理的高集成性。本发明提供的系统完全自动化的处理过程,不需要人工干预,用户使用时无需复杂的学习过程,操作简便,降低了用户使用门槛。并且本发明提供的系统中各种相位分析可以实现并行计算,将差分干涉测量数据处理效率提高了50%以上,实现了数据处理的高效性。
图2为本发明提供的长时序自动干涉测量系统的程序逻辑图。如图2所示,具体表示了用户使用本系统时,系统主要的程序步骤。首先用户在系统终端设备上输入处理指令及处理过程中的相关参数,其中,处理指令包括原始数据存储目录和生成产品保存目录等,相关参数包括目标区域的经纬度范围等。然后终端系统根据处理指令导入待处理数据,系统将待处理数据转换成系统可识别的格式。然后系统根据用户输入的目标区域的经纬度范围生成DEM文件。系统根据待处理数据和DEM文件进行自动化处理流程,最后系统将自动化处理流程生成的产品保存到生成产品保存目录中,实现完成的自动化处理过程。
在一些可选的实施方式中,本发明提供长时序自动干涉测量系统中,所述爬虫模块,进一步用于从网络爬虫下载数字高程模型数据;所述目标区域数字高程模型生成模块与所述爬虫模块相连接,根据所述数字高程模型数据和所述目标区域的经纬度范围,生成所述目标区域的数字高程模型。该实施方式中,系统中用到的数字高程模型数据在使用过程中通过爬虫模块进行网络爬虫下载,相当于在系统的存储器中不存储数字高程模型数据,释放了存储器的存储压力,同时也进一步实现了系统的自动化。
在一些可选的实施方式中,本发明提供长时序自动干涉测量系统中,所述数据格式转换模块进一步包括解压缩模块和格式转换模块,所述格式转换模块识别到所述原始SAR数据为压缩SAR数据时,所述解压缩模块首先对所述压缩SAR数据解压缩,然后所述格式转换模块将解压缩后的SAR数据生成系统识别的所述单视复数据。本发明提供的系统可以处理压缩格式数据,适用门槛低。
在一些可选的实施方式中,本发明提供长时序自动干涉测量系统中,所述永久散射体点提取模块进一步包括:辐射校正模块和提取模块;所述辐射校正模块用于将配准重采样后的所有影像进行辐射校正,所述提取模块用于根据评价指标和阈值在辐射校正后的所有影像中筛选出永久散射体点。
实施例2
本发明提供一种长时序自动干涉测量方法,能够用于对SAR数据进行高效分析处理。图3为本发明提供的长时序自动干涉测量方法流程图。如图3所示,所述方法包括:
步骤S101:获取原始SAR数据的目录位置、生成产品的目录位置和目标区域的经纬度范围。
步骤S102:从所述原始SAR数据的目录位置获取所述原始SAR数据;所述原始SAR数据包括SAR图像数据、成像参数数据、轨道数据、空间数据、时间数据等。
步骤S103:网络爬虫获取部分数据,所述部分数据包括轨道数据,通过网络爬虫获取所述轨道数据后,自动对所述原始SAR数据中轨道数据进行更新;对轨道数据进行更新能够提高数据的轨道信息精度,轨道数据用于图像配准和DEM准备,轨道精度越高则相应处理的精度越高。
步骤S104:读取更新后的所述原始SAR数据,生成系统识别的单视复数据。
步骤S105:根据所述目标区域的经纬度范围生成目标区域的数字高程模型。
步骤S106:自动化分析所述单视复数据生成大气相位分析图、残余地形相位分析图和长时序形变分析图,进一步包括:
图4为本发明实施例提供的长时序自动干涉测量方法中自动化分析数据流程图。如图4所示,自动化分析过程包括:
步骤S201:读取所述单视复数据,从所有影像中选择主影像。
步骤S202:对所述单视复数据进行多视处理,将辅影像对所述主影像配准、对所述辅影像重采样。
步骤S203:利用配准重采样后的主辅影像提取永久散射体点。
步骤S204:对配准重采样后的所有影像两两生成相干性图,从所述相干性图中选取最优干涉网络。
步骤S205:将组成最优干涉网络的干涉对进行差分干涉测量处理,生成干涉条纹图。
步骤S206:根据所述轨道数据对所述干涉条纹图进行平地相位去除,根据所述目标区域的数字高程模型对去除平地相位后的干涉条纹图进行地形相位去除,去除平地相位和地形相位后的干涉条纹图为目标干涉条纹图。
步骤S207:利用所述目标干涉条纹图,在永久散射体点上通过时间高通和空间低通滤波进行大气相位分析,生成大气相位分析图,将所述大气相位分析图存入所述生成产品的目录位置。
步骤S208:利用所述目标干涉条纹图,在永久散射体点上通过周期图进行残余地形相位分析,生成残余地形相位分析图,将所述残余地形相位分析图存入所述生成产品的目录位置。
步骤S209:利用所述目标干涉条纹图,在永久散射体点上通过周期图进行长时序形变分析,生成长时序形变分析图,将所述长时序形变分析图存入所述生成产品的目录位置。
其中,步骤S207、步骤S208和步骤S209能够实现并行计算。
本发明提供的长时序自动干涉测量方法,将差分干涉测量和永久散射体处理集成于一体,通过对处理过程中的目标区域的DEM的生成方式、部分数据网络爬虫下载更新、数据处理分析过程进行标准化定制,实现了自动化处理SAR数据,自动化处理SAR数据的过程中仅需要用户输入原始SAR数据的存储位置、生成产品的保存位置和目标区域(也即用户感兴趣区)的经纬度范围,自动生成对用户感兴趣区的地表形变检测分析,实现了数据处理的高集成性。本发明提供的系统完全自动化的处理过程,不需要人工干预,用户使用时无需复杂的学习过程,操作简便,降低了用户使用门槛。并且本发明提供的系统中各种相位分析可以实现并行计算,将差分干涉测量数据处理效率提高了50%以上,实现了数据处理的高效性。
可选的,步骤S103中,所述部分数据还包括:数字高程模型数据;
所述生成目标区域的数字高程模型的步骤,进一步为:根据所述数字高程模型数据和所述目标区域的经纬度范围,生成所述目标区域的数字高程模型。
可选的,所述原始SAR数据为解压缩数据或者压缩数据。
可选的,步骤S203进一步为:对配准重采样后的所有影像进行辐射校正,根据评价指标和阈值在辐射校正后的所有影像中筛选出永久散射体点。
通过上述实施例可知,本发明的长时序自动干涉测量系统及方法,达到了如下的有益效果:
本发明提供的长时序自动干涉测量系统及方法,将差分干涉测量和永久散射体处理集成于一体,通过对处理过程中的目标区域的DEM的生成方式、爬虫模块进行部分数据网络下载更新、数据处理分析过程进行标准化定制,实现了自动化处理SAR数据,自动化处理SAR数据的过程中仅需要用户输入原始SAR数据的存储位置、生成产品的保存位置和目标区域(也即用户感兴趣区)的经纬度范围,系统自动生成对用户感兴趣区的地表形变检测分析,实现了数据处理的高集成性。本发明提供的系统完全自动化的处理过程,不需要人工干预,用户使用时无需复杂的学习过程,操作简便,降低了用户使用门槛。并且本发明提供的系统中各种相位分析可以实现并行计算,将差分干涉测量数据处理效率提高了50%以上,实现了数据处理的高效性。
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 (8)
1.一种长时序自动干涉测量系统,其特征在于,包括:存储器、指令获取模块、数据准备模块和自动化处理模块;
所述存储器,用于存储原始SAR数据和生成产品数据;所述生成产品数据包括大气相位分析图、残余地形相位分析图和长时序形变分析图;
所述指令获取模块,用于获取指令信息,所述指令信息包括:原始SAR数据的目录位置、生成产品的目录位置和目标区域的经纬度范围;
所述数据准备模块,用于对自动化处理过程中需要的数据进行准备,所述数据准备模块包括原始数据获取模块、爬虫模块、数据格式转换模块和目标区域数字高程模型生成模块,
所述原始数据获取模块,与所述指令获取模块和所述存储器分别相连接,用于根据所述原始SAR数据的目录位置从所述存储器获取所述原始SAR数据;
所述爬虫模块,与网络相连接,用于从网络上爬虫下载部分数据,所述部分数据包括轨道数据,通过网络爬虫获取所述轨道数据后,自动对所述原始SAR数据中轨道数据进行更新;
所述数据格式转换模块,与所述原始数据获取模块相连接,用于将更新后的所述原始SAR数据,生成系统识别的单视复数据;
所述目标区域数字高程模型生成模块,与所述指令获取模块相连接,用于根据所述目标区域的经纬度范围生成目标区域数字高程模型;
所述自动化处理模块,用于自动化处理所述单视复数据,生成所述大气相位分析图、所述残余地形相位分析图和所述长时序形变分析图;所述自动化处理模块包括:主影像选取模块、配准重采样模块、永久散射体点提取模块、最优干涉网络生成模块、干涉条纹图生成模块、目标干涉条纹图生成模块和分析模块;
所述主影像选取模块,与所述数据格式转换模块相连接,用于读取所述单视复数据,从所有影像中选择主影像;
所述配准重采样模块,与所述主影像选取模块相连接,用于对所述单视复数据进行多视处理,将辅影像对所述主影像配准、对所述辅影像重采样;
所述永久散射体点提取模块,与所述配准重采样模块相连接,用于从配准重采样后的主辅影像提取永久散射体点;
所述最优干涉网络生成模块,与所述配准重采样模块相连接,用于对配准重采样后的所有影像两两生成相干性图,从所述相干性图中选取最优干涉网络;
所述干涉条纹图生成模块,与所述最优干涉网络生成模块相连接,用于将组成最优干涉网络的干涉对进行差分干涉测量处理,生成干涉条纹图;
所述目标干涉条纹图生成模块,与所述干涉条纹图生成模块相连接,用于将所述干涉条纹图生成目标干涉条纹图;所述目标干涉条纹图生成模块包括平地相位去除模块和地形相位去除模块;
所述平地相位去除模块,用于根据所述轨道数据对所述干涉条纹图进行平地相位去除,生成去除平地相位后的干涉条纹图;
所述地形相位去除模块,用于根据所述目标区域的数字高程模型对所述去除平地相位后的干涉条纹图进行地形相位去除,生成所述目标干涉条纹图;
所述分析模块,用于分析大气相位、分析残余地形相位和分析长时序形变;所述分析模块进一步包括大气相位分析模块、残余地形相位分析模块和长时序形变分析模块;
所述大气相位分析模块,与所述目标干涉条纹图生成模块和所述永久散射体点提取模块相连接,利用所述目标干涉条纹图,在永久散射体点上通过时间高通和空间低通滤波进行大气相位分析,生成大气相位分析图,并将所述大气相位分析图存入所述存储器;
所述残余地形相位分析模块,与所述目标干涉条纹图生成模块和所述永久散射体点提取模块相连接,利用所述目标干涉条纹图,
在永久散射体点上通过周期图进行残余地形相位分析,生成残余地形相位分析图,将所述残余地形相位分析图存入所述存储器;
所述长时序形变分析模块,与所述目标干涉条纹图生成模块和所述永久散射体点提取模块相连接,利用所述目标干涉条纹图,在永久散射体点上通过周期图进行长时序形变分析,生成长时序形变分析图,将所述长时序形变分析图存入所述存储器。
2.根据权利要求1所述的长时序自动干涉测量系统,其特征在于,
所述爬虫模块,进一步用于从网络爬虫下载数字高程模型数据;
所述目标区域数字高程模型生成模块与所述爬虫模块相连接,根据所述数字高程模型数据和所述目标区域的经纬度范围,生成所述目标区域的数字高程模型。
3.根据权利要求1所述的长时序自动干涉测量系统,其特征在于,
所述数据格式转换模块进一步包括解压缩模块和格式转换模块,所述格式转换模块识别到所述原始SAR数据为压缩SAR数据时,所述解压缩模块首先对所述压缩SAR数据解压缩,然后所述格式转换模块将解压缩后的SAR数据生成系统识别的所述单视复数据。
4.根据权利要求1所述的长时序自动干涉测量系统,其特征在于,
所述永久散射体点提取模块进一步包括:辐射校正模块和提取模块;
所述辐射校正模块用于将配准重采样后的所有影像进行辐射校正,所述提取模块用于根据评价指标和阈值在辐射校正后的所有影像中筛选出永久散射体点。
5.一种长时序自动干涉测量方法,其特征在于,包括:
获取原始SAR数据的目录位置、生成产品的目录位置和目标区域的经纬度范围;
从所述原始SAR数据的目录位置获取所述原始SAR数据;
网络爬虫获取部分数据,所述部分数据包括轨道数据,通过网络爬虫获取所述轨道数据后,自动对所述原始SAR数据中轨道数据进行更新;
读取更新后的所述原始SAR数据,生成系统识别的单视复数据;
根据所述目标区域的经纬度范围生成目标区域的数字高程模型;
自动化分析所述单视复数据生成大气相位分析图、残余地形相位分析图和长时序形变分析图,进一步包括:
读取所述单视复数据,从所有影像中选择主影像;
对所述单视复数据进行多视处理,将辅影像对所述主影像配准、对所述辅影像重采样;
利用配准重采样后的主辅影像提取永久散射体点;
对配准重采样后的所有影像两两生成相干性图,从所述相干性图中选取最优干涉网络;
将组成最优干涉网络的干涉对进行差分干涉测量处理,生成干涉条纹图;
根据所述轨道数据对所述干涉条纹图进行平地相位去除,根据所述目标区域的数字高程模型对去除平地相位后的干涉条纹图进行地形相位去除,去除平地相位和地形相位后的干涉条纹图为目标干涉条纹图;
利用所述目标干涉条纹图,在永久散射体点上通过时间高通和空间低通滤波进行大气相位分析,生成大气相位分析图,将所述大气相位分析图存入所述生成产品的目录位置;
利用所述目标干涉条纹图,在永久散射体点上通过周期图进行残余地形相位分析,生成残余地形相位分析图,将所述残余地形相位分析图存入所述生成产品的目录位置;
利用所述目标干涉条纹图,在永久散射体点上通过周期图进行长时序形变分析,生成长时序形变分析图,将所述长时序形变分析图存入所述生成产品的目录位置。
6.根据权利要求5所述的长时序自动干涉测量方法,其特征在于,
所述网络爬虫获取部分数据的步骤中,所述部分数据还包括:数字高程模型数据;
所述生成目标区域的数字高程模型的步骤,进一步为:根据所述数字高程模型数据和所述目标区域的经纬度范围,生成所述目标区域的数字高程模型。
7.根据权利要求5所述的长时序自动干涉测量方法,其特征在于,
所述原始SAR数据为解压缩数据或者压缩数据。
8.根据权利要求5所述的长时序自动干涉测量方法,其特征在于,利用配准重采样后的主辅影像提取永久散射体点的步骤进一步为:对配准重采样后的所有影像进行辐射校正,根据评价指标和阈值在辐射校正后的所有影像中筛选出永久散射体点。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810159759.2A CN108398683B (zh) | 2018-02-26 | 2018-02-26 | 长时序自动干涉测量系统及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810159759.2A CN108398683B (zh) | 2018-02-26 | 2018-02-26 | 长时序自动干涉测量系统及方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108398683A true CN108398683A (zh) | 2018-08-14 |
CN108398683B CN108398683B (zh) | 2020-04-21 |
Family
ID=63095669
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810159759.2A Active CN108398683B (zh) | 2018-02-26 | 2018-02-26 | 长时序自动干涉测量系统及方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108398683B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111736152A (zh) * | 2020-08-17 | 2020-10-02 | 深圳大学 | 一种道路边坡稳定性监测方法及车载平台装置 |
CN116482684A (zh) * | 2023-06-21 | 2023-07-25 | 深圳市城市公共安全技术研究院有限公司 | 区域五维成像方法、装置、设备及存储介质 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102331575A (zh) * | 2011-06-23 | 2012-01-25 | 中国电子科技集团公司第三十八研究所 | 一种单航过全极化干涉合成孔径雷达 |
CN104062660A (zh) * | 2014-07-14 | 2014-09-24 | 中南大学 | 一种基于时域离散InSAR干涉对的矿区地表时序形变监测方法 |
CN104123464A (zh) * | 2014-07-23 | 2014-10-29 | 中国国土资源航空物探遥感中心 | 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 |
CN106772377A (zh) * | 2017-01-18 | 2017-05-31 | 深圳市路桥建设集团有限公司 | 一种基于InSAR的建筑物变形监测方法 |
CN106950556A (zh) * | 2017-05-03 | 2017-07-14 | 三亚中科遥感研究所 | 基于分布式散射体时序干涉sar技术的遗产地形变监测方法 |
-
2018
- 2018-02-26 CN CN201810159759.2A patent/CN108398683B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102331575A (zh) * | 2011-06-23 | 2012-01-25 | 中国电子科技集团公司第三十八研究所 | 一种单航过全极化干涉合成孔径雷达 |
CN104062660A (zh) * | 2014-07-14 | 2014-09-24 | 中南大学 | 一种基于时域离散InSAR干涉对的矿区地表时序形变监测方法 |
CN104123464A (zh) * | 2014-07-23 | 2014-10-29 | 中国国土资源航空物探遥感中心 | 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 |
CN106772377A (zh) * | 2017-01-18 | 2017-05-31 | 深圳市路桥建设集团有限公司 | 一种基于InSAR的建筑物变形监测方法 |
CN106950556A (zh) * | 2017-05-03 | 2017-07-14 | 三亚中科遥感研究所 | 基于分布式散射体时序干涉sar技术的遗产地形变监测方法 |
Non-Patent Citations (1)
Title |
---|
张云俊 等: "基于时间序列雷达干涉测量的钱塘江海塘形变分析", 《遥感学报》 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111736152A (zh) * | 2020-08-17 | 2020-10-02 | 深圳大学 | 一种道路边坡稳定性监测方法及车载平台装置 |
CN111736152B (zh) * | 2020-08-17 | 2020-12-22 | 深圳大学 | 一种道路边坡稳定性监测方法及车载平台装置 |
CN116482684A (zh) * | 2023-06-21 | 2023-07-25 | 深圳市城市公共安全技术研究院有限公司 | 区域五维成像方法、装置、设备及存储介质 |
CN116482684B (zh) * | 2023-06-21 | 2023-08-22 | 深圳市城市公共安全技术研究院有限公司 | 区域五维成像方法、装置、设备及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN108398683B (zh) | 2020-04-21 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Narine et al. | Estimating aboveground biomass and forest canopy cover with simulated ICESat-2 data | |
Zarco‐Tejada et al. | Land cover mapping at BOREAS using red edge spectral parameters from CASI imagery | |
Warren et al. | The relationship between the spectral diversity of satellite imagery, habitat heterogeneity, and plant species richness | |
CN109063657A (zh) | 面向均值地域光谱单元的地上生物量估算和尺度转换方法 | |
CN102607529A (zh) | 矿区环境的测量方法、装置以及数据处理设备 | |
CN114241331B (zh) | 以UAV为地面和Sentinel-2中介的湿地芦苇地上生物量遥感建模方法 | |
CN108398683A (zh) | 长时序自动干涉测量系统及方法 | |
CN114814167B (zh) | 融合多源环境变量与光谱信息的土壤重金属含量反演方法 | |
Singh et al. | Automated crop type mapping using time-weighted dynamic time warping-A basis to derive inputs for enhanced food and Nutritional Security | |
Qazi et al. | Comparison of forest aboveground biomass estimates from passive and active remote sensing sensors over Kayar Khola watershed, Chitwan district, Nepal | |
Pouliot et al. | Evaluation of annual forest disturbance monitoring using a static decision tree approach and 250 m MODIS data | |
Tao et al. | Mapping tropical forest trees across large areas with lightweight cost-effective terrestrial laser scanning | |
Kanellopoulos | Neurocomputation in Remote Sensing Data Analysis: Proceedings of Concerted Action COMPARES;(Connectionist Methods for Pre-processing and Analysis of Remote Sensing Data); with 39 Tables | |
CN115825388A (zh) | 一种重金属估算模型的训练方法、估算方法、装置及设备 | |
Bui et al. | Hybrid machine learning models for aboveground biomass estimations | |
CN114819737A (zh) | 公路路域植被的碳储量估算方法、系统及存储介质 | |
CN117808646A (zh) | 一种量化水电工程建设对植被碳储量影响的方法及系统 | |
CN110596017B (zh) | 一种基于空间权重约束和变分自编码特征提取的高光谱影像土壤重金属浓度评估方法 | |
Lefsky et al. | Integration of lidar, Landsat ETM+ and forest inventory data for regional forest mapping | |
CN116106472A (zh) | 基于正向迭代变量筛选的土壤有机碳数字制图方法及装置 | |
CN115931783A (zh) | 一种基于GEE的大尺度区域湖库叶绿素a制图方法 | |
Astola et al. | Highforest-forest parameter estimation from high resolution remote sensing data | |
Muller et al. | Prediction of land-change using machine learning for the deforestation in Paraguay | |
Roessner et al. | Automated remote sensing based landslide detection for dynamic landslide inventories | |
Tubbesing et al. | Automatic ML-based water body detection as part of the hydrological conditioning of the TanDEM-X DEM |
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 |