CN108519599B - 一种时序sar图像中增加实用ps点的选择方法 - Google Patents
一种时序sar图像中增加实用ps点的选择方法 Download PDFInfo
- Publication number
- CN108519599B CN108519599B CN201810253470.7A CN201810253470A CN108519599B CN 108519599 B CN108519599 B CN 108519599B CN 201810253470 A CN201810253470 A CN 201810253470A CN 108519599 B CN108519599 B CN 108519599B
- Authority
- CN
- China
- Prior art keywords
- point
- points
- amplitude
- fuzzy
- threshold
- 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
Images
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
- 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
- G01S13/9004—SAR image acquisition techniques
- G01S13/9005—SAR image acquisition techniques with optical processing of the SAR signals
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)
- Signal Processing (AREA)
- Image Analysis (AREA)
Abstract
Description
技术领域
本发明涉及地表形变监测和分析的方法,具体是一种时序SAR图像中增加实用PS点的选择方法,属于合成孔径雷达干涉测量技术领域。
背景技术
星载合成孔径雷达干涉测量(Interferometry Synthetic Aperture Radar,InSAR)技术作为一种全天候、大面积、低成本获取地表高精度形变信息的一种监测手段,广泛应用于地形测量、地震监测、地表形变等领域。但常规InSAR技术受时空失相干和大气延迟相位影响等问题的制约,严重影响着其在形变监测中的精度和可靠性。永久散射体雷达干涉测量(Permanent Scatterer InSAR,PSInSAR)技术基于从一组时序SAR图像中选取大量相对稳定、保持高相干性的点进行干涉测量技术,能较好地克服时空失相干和大气延迟等影响,实现精确可靠反演地表信息。
PSInSAR技术的核心思想是利用永久散射体(Permanent Scatterer,PS)点高相干的特点,将干涉相位分析与处理集中在这些具有稳定散射特性的像元点集上。因为PS点的相位稳定性决定了其体现的形变信息是可靠的,能反映地表形变现象,基于离散PS点进行差分干涉和建模、分离出各信号分量并最终提取形变信息是可靠的。因此如何从SAR图像中自动识别与选取有效的PS点是PSInSAR技术处理中最为关键的环节之一。
现有的PS点提取技术都是对像元在某一种或几种阈值控制下进行“非此即彼”地判定,均未考虑到PS概念的模糊特性,因而容易陷入逻辑悖论。例如,若把振幅大于等于64,离差指数小于等于0.4的像元选为PS点,那么振幅为63.99999,离差为0.2的点排除在外显然不合适。
所以,在PSInSAR的形变测量过程中,提出一种合理地增加实用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
针对上述现有技术存在的问题,本发明提供一种时序SAR图像中增加实用PS点的选择方法,该方法能有效合理地增加实用PS点,能有助于增加PSInSAR的形变测量过程的精度。
为了实现上述目的,本发明采用的技术方案是:一种时序SAR图像中增加实用PS点的选择方法,包括以下步骤:
步骤1:确定研究区域内的像元全体P=(pi,j)I×J,
式中,pi,j为第i行、第j列像元的位置;
步骤2:利用振幅双阈值法识别出步骤1中研究区域中的PS点;
步骤3:每个像元p抽取m个与PS点特征相关的指标C1,...Cm;
式中,Ui为第i个指标取值的全体;
式中,T为T范数的代数积运算,ui(p)是每个像元p在第i个指标Ci上的取值;
步骤7:将步骤2中识别出的PS点和步骤6中识别出的PS点进行结合,确定最终的PS点。
在该技术方案中,通过传统的振幅双阈值法求得选取出PS点;然后通过模糊集理论的永久散射体识别方法选取PS点,将两种方法选取出的PS点进行结合即能合理地增加SAR图像中的PS点,能有助于增加PSInSAR的形变测量过程的精度,克服了传统方法选点产生的非此即彼的判定缺陷,提高了PS点的选取合理性。
所述步骤2中振幅双阈值法识别PS点的具体方法如下:
步骤1:获取振幅阈值TA,设有N幅覆盖同一地区的时序SAR影像,根据公式(1)取各影像振幅平均值的最小值作为振幅阈值TA;
式中,m、n为研究区影像行列数,Ak为第k幅SAR影像像素辐射定标后的振幅值;
步骤2:确定PS候选点,从SAR影像中提取各像素的时间序列振幅值Ak,如果min{Ak|k=1,2,…,N}≥TA,则将其确定为PS候选点;
步骤3:根据设定的PS候选点的振幅离差DA,选出具有稳定性的点作为PS点。
与现有技术相比:本发明通过模糊集理论把PS点的特性模糊化,得出PS点的模糊描述,一方面解决了传统PS点识别方法的“非此即彼”判断带来的逻辑悖论,另一方面为提高实用PS点密度提供了量化依据。通过本发明提供的方法可有效合理地增加实用PS点,能有助于增加PSInSAR的形变测量过程的精度,为PS-InSAR技术的应用提供新的理论依据。
附图说明
图1是本发明中振幅值对应的隶属函数曲线图;
图2是本发明中振幅离差指数对应的隶属函数曲线图;
图3是本发明中隶属度阈值T取0.94时的振幅阈值的特征图;
图4是本发明中隶属度阈值T取0.94时的振幅离差阈值的特征图;
图5是本发明中隶属度阈值T取0.93时的振幅阈值的特征图;
图6是本发明中隶属度阈值T取0.93时的振幅离差阈值的特征图;
图7是本发明中隶属度阈值T取0.92388时的振幅阈值的特征图;
图8是本发明中隶属度阈值T取0.92388时的振幅离差阈值的特征图。
具体实施方式
下面结合附图对本发明作进一步说明。
模糊集合的基本思想是把普通集合中的绝对隶属度灵活化,使元素对“集合”的隶属度从只能取0或1两个值扩充为可以取闭区间[0,1]中的任一个值,隶属度给出了模糊集合的一种数量化描述。下面简单的介绍下模糊集的一些相关概念。
模糊集合的运算为T范数、T余范数和否定函数,分别用于计算模糊集的交、并和补的隶属函数。常见的T算子有取小、代数积、有界积等。
PS点具有散射稳定、雷达回波信号较强的特性。而“稳定”、“较强”则是对PS点属性的模糊表述,通常情况下通过设置阈值来区分“PS”与非“PS”点,容易陷入“非此即彼”的逻辑悖论,尤其在地物区分不明显的区域。例如,若把振幅大于等于64,离差指数小于等于0.4的像元选为PS点,那么振幅为63.99999,离差为0.2的点排除在外显然不太合适。因此提出FuzzyPS的概念。
基于模糊集理论,实际的像元点不再绝对归属为“PS”点与“非PS”点,而是通过隶属度来描述该像元属于PS点的程度。
设P为研究区像元全体,每个像元p有m个与PS特征相关的指标:C1,...,Cm,于是p伴随着一个向量V(p)=(u1(p),...,um(p)),其中ui(i=1,...,m)是p在第i个指标Ci上的取值,定义m个模糊集 是描述特征Ci的模糊集,记为Ui为第i个指标取值的全体,由此模糊PS集其隶属函数为其中T为T范数的一种运算,本发明取代数积运算。
由上可知,研究区的任一像元都对应一属于PS的隶属度,隶属度比较高的点被认为是比较好的PS点。在选PS点的过程中,我们可以保留传统法选的点,再加上模糊法选出的高质量的PS点。
必须指出在实际应用中,隶属函数确定的合理与否对识别结果有着直接的影响。由于确定隶属函数到目前为止还没有一般的普遍的法则,故许多公式的制定在具备合理性的同时多少带有主观性与经验性的成分。
模糊集理论用定量的方法去研究和处理模糊现象,往往使设计的方案更符合客观实际,实际上是用模糊的手段来达到精确的目的。本发明引入模糊集理论,提出了模糊PS点的概念,设计了一套PS点的模糊识别理论。该方法通过模糊集理论把PS点的特性模糊化,得出PS的模糊描述。为此,本发明提出一种时序SAR图像中增加实用PS点的选择方法,包括以下步骤:
一种时序SAR图像中增加实用PS点的选择方法,包括以下步骤:
步骤1:确定研究区域内的像元全体P=(pi,j)I×J,
式中,pi,j为第i行、第j列像元的位置;
步骤2:利用振幅双阈值法识别出步骤1中研究区域中的PS点;
步骤3:每个像元p抽取m个与PS点特征相关的指标C1,...Cm;
式中,Ui为第i个指标取值的全体;
式中,T为T范数的代数积运算,ui(p)是每个像元p在第i个指标Ci上的取值;
步骤7:将步骤中识别出的PS点和步骤6中识别出的PS点进行结合,确定最终的PS点。
所述步骤2中振幅双阈值法识别PS点的具体方法如下:
步骤1:获取振幅阈值TA,设有N幅覆盖同一地区的时序SAR影像,根据公式(1)取各影像振幅平均值的最小值作为振幅阈值TA;
式中,m、n为研究区影像行列数,Ak为第k幅SAR影像像素辐射定标后的振幅值;
步骤2:确定PS候选点,从SAR影像中提取各像素的时间序列振幅值Ak,如果min{Ak|k=1,2,…,N}≥TA,则将其确定为PS候选点;
步骤3:根据设定的PS候选点的振幅离差DA,选出具有稳定性的点作为PS点;
在低信噪比时,Rice分布的概率密度函数f(A)趋近于Rayleigh分布,而在高信噪比时,f(A)可近似为高斯分布,且有:
公式(3)中,σnR和σnI分别为噪声实部和虚部的标准偏差;mA和σA分别为回波信号振幅的均值和标准偏差。上式表明,在高信噪比的情况下,相位离差近似等于振幅离差(即振幅标准偏差与振幅均值的比值),因此,可直接用振幅离差表示PS散射的稳定性。
根据上述分析,用振幅阈值法选取的PS候选点均满足高信噪比条件,而用振幅离差DA可衡量各像素对雷达波散射的稳定性。因此,可进一步分析PS候选点的振幅离差,从中选出具有稳定散射特性的点作为PS。
实验分析:
实验以太原西山煤田古交矿区2012年4月—2013年1月27幅TerraSAR-X波段影像为数据源,选取覆盖屯兰18207工作面的一块区域为研究区,大小为500×500个像元,面积约为1km2,地理范围大致位于东经111°-112°,北纬37°-38°。
1、实验方法
以振幅双阈值法为例,比较传统PS点选取方法(以下称传统方法)与基于模糊集理论的PS方法的异同及其关系。
本次试验采用的数据源的振幅双阈值法的振幅阈值可以由公式(1)求得为92.6433,为了保证所选取像元振幅信息的稳定性,振幅离差指数阈值设为0.35。则模糊PS点选取方法可以描述如下:
振幅序列最小值简称振幅值c与振幅离差指数q对应的隶属度函数如图1和图2所示。由图可见,传统方法的振幅阈值(92.6433)和离差指数阈值(0.35)的隶属度远大于0.9,并且离差指数的隶属度函数较前者敏感,符合实际期望,从而可以说明隶属函数定义的合理性。
2、实验结果
图3至图8分别给出了隶属度阈值T分别取0.94、0.93和0.92388时,Fuzzy法选中而传统法未选中的PS点的振幅和振幅离差指数取值情况。图3、图5、图7为这些点的振幅值,图4、图6、图8为其振幅离差指数。可以看出随着隶属度阈值的增加,Fuzzy法选中而传统法未选中的PS点越来越少,但其振幅值越靠近传统法阈值,离差指数越来越小,因而更符合PS的特性,这与我们定义的模糊PS的概念相吻合。
表1统计了Fuzzy法不同隶属度阈值下所选PS点和传统法选出的PS异同点的个数。从表中可以看出,T=0.92388(传统法选出的PS点的隶属度的最小值)时Fuzzy PS法选中的点全部覆盖了传统法选中的PS候选点。当大到一定程度时fuzzy法选中的双阈值又都可以选中。结合共同选中的点数情况可以说明Fuzzy法的合理性。
表1不同隶属度阈值时FuzzyPS法选取点数与振幅双阈值法比较结果
隶属度阈值 | 双阈值法 | Fuzzy法 | 双阈值法未选中 | Fuzzy法未选中 | 共同选中 |
0.92388 | 873 | 1282 | 409 | 0 | 873 |
0.925 | 873 | 1238 | 366 | 1 | 872 |
0.928 | 873 | 1124 | 257 | 6 | 867 |
0.93 | 873 | 1060 | 198 | 11 | 862 |
0.94 | 873 | 743 | 26 | 156 | 717 |
0.95 | 873 | 465 | 1 | 409 | 464 |
0.96 | 873 | 283 | 0 | 590 | 283 |
表2列出了模糊隶属度大于0.94、振幅值在91以上且振幅离差小于0.35的8个代表性像元点。这些点的显著特征是其振幅值稍小于传统方法求得的振幅阈值92.6433,因此其未被传统方法选中为PS候选点,这种“非此即彼”的绝对化判定准则是不合理的。并且从振幅离差指数分析,这些点的振幅稳定性较好,比较适合作为PS候选点。以表2中第二个像元为例,振幅值为92.58829稍小于92.6433,而振幅离差值为0.288676则远0.35,综合考虑,把它归为PS点是较为合理的选择。
表2双阈值法未选中、FuzzyPS选中的部分点的振幅值与振幅离差值
振幅值 | 91.95569 | 92.58829 | 91.83605 | 92.32503 | 91.55959 | 91.25527 | 91.40535 | 91.86851 |
振幅离差 | 0.280405 | 0.288676 | 0.298106 | 0.245895 | 0.294725 | 0.279931 | 0.275971 | 0.299284 |
由表1、表2、图3至图8,可知,fuzzy法是传统法的补充,可以通过fuzzy法来补充传统法未选中的适合作为PS的点,在实际应用中,可以把两种方法结合起来,先用双阈值法选出比较可靠的PS点,然后用fuzzy法选一些隶属度较高的PS点作补充,两部分合起来作为最终的PS点。
3、结论
基于模糊集理论与PS点的属性特征,本发明提出了模糊PS点的概念,设计了一套PS点的模糊识别理论与方法。该方法通过模糊集理论把PS点的特性模糊化,得出了PS特征点的模糊描述。以振幅双阈值法为例,采用隶属度函数阈值定量描述了fuzzy法选取PS点的特性,比较了传统方法与fuzzy法的异同。实验结果表明,fuzzy法有效提高了实际应用中PS点的数量。此外,模糊PS点的思想还可以与其他PS点选取与识别方法联合使用。
本实验以振幅双阈值法为例,比较了传统方法与模糊PS提取方法的异同。以太原地区27幅TerraSAR-X影像为数据源,得到了不同隶属度阈值下实用PS点的模糊选择结果,对比分析了利用模糊方法和传统方法选出的PS点的特性,有效说明了该方法能有效合理地增加实用PS点,能有助于增加PSInSAR的形变测量过程的精度。
Claims (2)
1.一种时序SAR图像中增加实用PS点的选择方法,其特征在于,包括以下步骤:
步骤1:确定研究区域内的像元全体P=(pi,j)I×J,
式中,pi,j为第i行、第j列像元的位置;
步骤2:利用振幅双阈值法识别出步骤1中研究区域中的PS点;
步骤3:每个像元p抽取m个与PS点特征相关的指标C1,...Cm;
式中,Ui为第i个指标取值的全体;
式中,T为T范数的代数积运算,ui(p)是每个像元p在第i个指标Ci上的取值;
步骤7:将步骤2中识别出的PS点和步骤6中识别出的PS点进行结合,确定最终的PS点。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810253470.7A CN108519599B (zh) | 2018-03-26 | 2018-03-26 | 一种时序sar图像中增加实用ps点的选择方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810253470.7A CN108519599B (zh) | 2018-03-26 | 2018-03-26 | 一种时序sar图像中增加实用ps点的选择方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108519599A CN108519599A (zh) | 2018-09-11 |
CN108519599B true CN108519599B (zh) | 2020-03-27 |
Family
ID=63434057
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810253470.7A Active CN108519599B (zh) | 2018-03-26 | 2018-03-26 | 一种时序sar图像中增加实用ps点的选择方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108519599B (zh) |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106023157A (zh) * | 2016-05-10 | 2016-10-12 | 电子科技大学 | 一种基于sar图像的山区地表微形变信息提取方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
FR2970818B1 (fr) * | 2011-01-25 | 2014-01-24 | Commissariat Energie Atomique | Reflecteur passif d'onde electromagnetique pour la mesure de deformation locale de structure a la surface de la terre |
-
2018
- 2018-03-26 CN CN201810253470.7A patent/CN108519599B/zh active Active
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106023157A (zh) * | 2016-05-10 | 2016-10-12 | 电子科技大学 | 一种基于sar图像的山区地表微形变信息提取方法 |
Non-Patent Citations (2)
Title |
---|
InSAR permanent scatterers selection using SAR SVA filtering;F. Chaabane et al.;《2009 IEEE International Geoscience and Remote Sensing Symposium》;20090717;第13-16页 * |
基于双阈值法的地基合成孔径雷达影像;夏磊凯 等;《勘察科学技术》;20161020;第17-21页 * |
Also Published As
Publication number | Publication date |
---|---|
CN108519599A (zh) | 2018-09-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Wang et al. | A random forest classifier based on pixel comparison features for urban LiDAR data | |
Bujor et al. | Application of log-cumulants to the detection of spatiotemporal discontinuities in multitemporal SAR images | |
CN102254319B (zh) | 一种多层次分割的遥感影像变化检测方法 | |
Halme et al. | Utility of hyperspectral compared to multispectral remote sensing data in estimating forest biomass and structure variables in Finnish boreal forest | |
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 | |
CN108596213A (zh) | 一种基于卷积神经网络的高光谱遥感图像分类方法及系统 | |
CN109388887B (zh) | 一种地面沉降影响因素定量分析方法及系统 | |
Chawan et al. | Automatic detection of flood using remote sensing images | |
CN110349160A (zh) | 一种基于超像素与模糊c均值聚类sar图像分割方法 | |
CN107230197B (zh) | 基于卫星云图和rvm的热带气旋客观定强方法 | |
CN105718942A (zh) | 基于均值漂移和过采样的高光谱图像不平衡分类方法 | |
CN116047519B (zh) | 一种基于合成孔径雷达干涉测量技术的选点方法 | |
CN105389799B (zh) | 基于素描图与低秩分解的sar图像目标检测方法 | |
CN103971364A (zh) | 基于加权Gabor小波特征和两级聚类的遥感图像变化检测方法 | |
CN108319963B (zh) | 基于约束鲁棒主成分分析的城市道路地下病害识别方法 | |
CN105405132A (zh) | 基于视觉反差和信息熵的sar图像人造目标检测方法 | |
Jia et al. | Study of SAR image texture feature extraction based on GLCM in Guizhou Karst mountainous region | |
CN103366371A (zh) | 基于k分布和纹理特征的sar图像分割方法 | |
CN112308873A (zh) | 多尺度Gabor小波PCA融合图像边缘检测方法 | |
CN104680536A (zh) | 利用改进的非局部均值算法对sar图像变化的检测方法 | |
CN103065320A (zh) | 基于恒虚警阈值的sar图像变化检测方法 | |
CN104637060A (zh) | 一种基于邻域主成分分析-拉普拉斯的图像分割方法 | |
CN108509835B (zh) | 基于DFIC超像素的PolSAR图像地物分类方法 | |
Xu et al. | The comparative study of three methods of remote sensing image change detection | |
CN111624606B (zh) | 一种雷达图像降雨识别方法 |
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 | ||
CP02 | Change in the address of a patent holder | ||
CP02 | Change in the address of a patent holder |
Address after: 221018 Jiangsu Province, Xuzhou City Yunlong District No. 2 Lishui Road Patentee after: Xuzhou University of Technology Address before: 221111 Jiangsu province Xuzhou Quanshan District South 3rd Ring Rd No. 18 Xuzhou Institute of Technology University of science and Technology Park (Xuzhou City, 2.5 Industrial Park) Patentee before: Xuzhou University of Technology |