CN108802729A - 时间序列InSAR最佳干涉像对选择的方法及装置 - Google Patents
时间序列InSAR最佳干涉像对选择的方法及装置 Download PDFInfo
- Publication number
- CN108802729A CN108802729A CN201810417761.5A CN201810417761A CN108802729A CN 108802729 A CN108802729 A CN 108802729A CN 201810417761 A CN201810417761 A CN 201810417761A CN 108802729 A CN108802729 A CN 108802729A
- Authority
- CN
- China
- Prior art keywords
- interference
- width
- pixel
- point target
- interference pattern
- 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
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)
- Radar Systems Or Details Thereof (AREA)
Abstract
本发明提供一种时间序列InSAR的最佳干涉像对选择方法及装置,涉及InSAR合成孔径雷达干涉测量技术领域。方法为:在监测区域中选取特征区域;将特征区域的各SAR影像图生成多幅干涉图;根据每幅SAR影像特征区域内各像元的信噪比,选择候选点目标;取各SAR影像的候选点目标的交集为特征区域的点目标;定量比较每幅干涉图的平均相干系数,选取最佳干涉像对。本发明通过对特征区域相干性定量比较,克服了现有技术中选择干涉像对盲目性的问题,避免了干涉像对的漏选和错选,实现了最佳干涉像对的完备提取。
Description
本申请要求于2017年10月26日提交中国专利局、申请号为201711012284.6,发明名称为“时间序列InSAR最佳干涉像对选择的方法及装置”的中国专利申请的优先权,其全部内容通过引用结合在本申请中。
技术领域
本发明涉及InSAR(Synthetic Aperture Radar Interferometry,合成孔径雷达干涉测量)技术领域,尤其涉及时间序列InSAR技术中的最佳干涉像对选择方法及装置。
背景技术
合成孔径雷达(SAR,Synthetic Aperture Radar)是20世纪50年代发展起来的最重要的对地观测技术。将干涉测量技术与SAR技术结合而形成的合成孔径雷达干涉测量技术(InSAR,Synthetic Aperture Radar Interferometry)提供了获取地面三维信息的全新方法,它通过两副天线同时观测或通过一副天线两次平行观测,获取地面同一景观的复图像对,根据地面各点在两幅复图像中的相位差,得出各点在两次成像中微波的路程差,从而获得地面目标的高程信息或者形变信息。
由于基于重复轨道的InSAR技术容易受空间失相干、时间失相干和大气干扰等因素的影响,难以应用于稳定的地表形变监测。在现有技术中,为了克服传统InSAR技术的不足,自上世纪90年代末,时间序列InSAR处理技术被提出。时间序列InSAR技术总体上分为两类:以永久散射体干涉(Permanent Scatterer或者Persistent ScattererInterferometry,或PS-InSAR)为代表的单一主影像时间序列InSAR技术和以小基线集技术(Small baseline subset interferometry,或SBAS InSAR)为代表的多主影像时间序列InSAR技术。
在时间序列InSAR技术中,需要选择一定数量的干涉图进行形变参数计算。选择哪些干涉图进行处理,对于形变测量的精度有很大影响。
在实现本发明过程中,发明人发现现有技术中至少存在如下问题:
PS-InSAR技术中,选取哪些干涉图的问题转化成选择哪一幅影像为公共主影像,这种方法得到的干涉图数目是不变的,即M幅影像只能得到M-1幅干涉图。干涉图数量少,严重影响地表形变的测量精度。SBAS方法是现有技术中基于时间序列InSAR技术中最主要的干涉像对选择方法。SBAS方法不要求固定主影像,而是采用时空基线硬阈值法选择干涉像对,以下文中称为时空基线硬阈值法。它克服了PS-InSAR技术得到干涉图数量少的缺点,它通过设置较小的垂直基线阈值和时间基线阈值,将所有时间基线和垂直基线小于设定阈值的干涉图选择出来,从而得到较多的干涉图。但是时空基线硬阈值法选择干涉像对存在盲目性,得到的干涉图质量不高。原因如下:有时,时间基线很小的干涉图因为天气变化的原因,相干性很差,但小于设定阈值而被选取;另一方面,少数空间基线较小但时间基线较大(或空间基线较大但时间基线较小)的高质量干涉图因超过基线阈值,而无法选取。如何减少干涉像对的错选和漏选,自动剔除低质量的干涉像对,以保证所生成干涉图均为优质干涉图,这是时间序列InSAR处理中亟待解决的关键问题。
发明内容
本发明实施例提供一种面向时间序列InSAR最佳干涉像对自动化选择方法及装置。其目的是为了解决现有技术中选择像对的盲目性,减少干涉像对的错选和漏选,从而实现优质干涉像对的完备提取,利于高精度的地表形变的监测。
一方面,本发明实施例提供了一种最佳干涉像对自动化选择方法,所述方法包括:
在监测区域中选取特征区域;
将所述特征区域的各合成孔径雷达SAR影像图生成多幅干涉图;
根据每幅SAR影像特征区域中各像元的信噪比,选取所述每幅SAR影像的候选点目标;
各SAR影像的候选点目标的交集为所述特征区域的点目标;
根据所述特征区域的点目标,计算每幅干涉图的平均相干系数;
根据每幅干涉图的平均相干系数,选取最佳干涉像对。
另一方面,本发明实施例提供了一种最佳干涉像对自动化选择的装置,所述装置包括:
第一选取单元,用于选取监测区域中特征区域;
成图单元,用于在选定的特征区域,将合成孔径雷达SAR影像图生成多幅干涉图;
第二选取单元,用于根据每幅SAR影像特征区域中各像元的信噪比,选取所述每幅SAR影像的候选点目标;
确定单元,用于取各SAR影像的候选点目标的交集确定为所述特征区域的点目标;
计算单元,用于根据所述特征区域的点目标,计算每幅干涉图的平均相干系数;
第三选取单元,用于根据每幅干涉图的平均相干系数,选取最佳干涉像对。
上述技术方案的一个技术方案具有如下有益效果:因为将特征区域的各SAR影像图生成多幅干涉图,为选取最佳干涉像对提供了尽可能多的候选干涉图;因为根据每幅SAR影像特征区域中各像元的信噪比,选取每幅SAR影像的候选点目标,并取各SAR影像的候选点目标的交集为特征区域的点目标,避免了噪声点进入候选点目标,提高了特征区域点目标的质量;因为根据高质量的特征区域点目标,计算干涉图的平均相干系数;定量比较干涉图的平均相干系数选取最优干涉图,通过最优干涉图确定最佳干涉像对,克服了现有技术选择干涉图没有考虑实际干涉图的质量的盲目性,减少了干涉像对的错选和漏选,进而达到了最佳干涉像对选择的准确性和稳定性,提高了地表形变监测的精度。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1是本发明实施例最佳干涉像对选择方法的流程图;
图2是本发明实施例最佳干涉像对选择方法的装置结构示意图;
图3是本发明实施例平均幅度图;
图4是本发明实施例选取的干涉像对基线时空分布图;
图5是现有技术选取的86个干涉像对时空分布图;
图6是本发明实施例和现有技术选取的不同干涉像对相干性分布图;
图7是现有技术选取的191个干涉像对时空分布图;
图8是本发明实施例选定的两组干涉像对的干涉图相位;其中:图8(a)是干涉像对25的干涉图;图8(b)是干涉像对71的干涉图;
图9是现有技术选定的两组干涉像对的干涉图相位;其中:图9(a)是干涉像对27的干涉图;图9(b)是干涉像对35的干涉图;
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
如图1所示,为本发明实施例最佳干涉像对自动化选择方法的流程图。
101、在监测区域中选取特征区域;
102、将特征区域的各合成孔径雷达SAR影像图生成多幅干涉图;
103、根据每幅SAR影像特征区域中各像元的信噪比,选取每幅SAR影像的候选点目标;
104、取各SAR影像的候选点目标的交集为所述特征区域的点目标;
105、根据所述特征区域的点目标,计算每幅干涉图的平均相干系数;
106、根据每幅干涉图的平均相干系数,选取最佳干涉像对。
优选地,所述特征区域,为监测区域中有代表性高相干的特征区域。特征区域的范围应较小,一般选取的范围是600×600像元至1000×1000像元,进一步优选地,选择600×600像元,700×700像元,便于数据的快速处理。进一步优选地,特征区域包含人工构筑物较多的城镇地区,便于选取较多的点目标。
优选地,所述将特征区域的各合成孔径雷达SAR影像图生成多幅干涉图,具体包括:
将特征区域内所有的SAR影像图任意两幅组合生成干涉像对;
所述特征区域内所有M幅SAR影像的任意两幅组合形成N组干涉像对:
将生成的N组干涉像对都生成对应的N幅干涉图。
优选地,所述根据每幅SAR影像特征区域中各像元的信噪比,选取所述每幅SAR影像的候选点目标,具体包括:
获取每幅SAR影像特征区域中每一个像元;
计算每幅SAR影像特征区域中各像元的信噪比;
通过定量比较所述像元的信噪比,选取每幅SAR影像的候选点目标;
优选地,所述像元的信噪比可表示为;
其中up为中心像元P的复数据,uc为像元方形邻域的像元复数据,E{·}表示期望。所述邻域范围为5×5像元至7×7像元;优选地,邻域大小为5×5像元或7×7像元。进一步优选地,定量比较像元的信噪比,具体包括:
设定预设信噪比阈值;
将每幅SAR影像各像元的信噪与预设阈值一一对比;
当像元的信噪比大于预设阈值时,所述像元为候选点目标。
若局部信噪比SCRP大于给定阈值,则将P定义为候选点目标。选取每幅SAR影像特征区域内所有的像元,选取局部信噪比SCRP大于给定阈值得到所述SAR影像的候选点目标。取所有M幅SAR影像特征区域内的候选点目标的交集,就得到特征区域内的点目标。
优选地,根据所述特征区域的点目标,计算每幅干涉图的平均相干系数,具体包括:
将特征区域的各点目标分别作为每幅干涉图的各点目标;
计算特征区域内每一个点目标的相干系数;
根据每一个点目标的相干系数,计算每幅干涉图的平均相干系数;
优选地,所述根据每幅干涉图的平均相干系数,选取最佳干涉像对,具体包括:
定量比较每一幅干涉图的平均相干系数,选取最优干涉图,
所述最优干涉图对应的干涉像对为最佳干涉像对;
进一步优选地,所述定量比较每一幅干涉图的平均相干系数,具体包括:
将平均相干系数由大到小排序;
选择平均相干系数最大的至少一幅干涉图为最优干涉图;
将最优干涉图对应的干涉像对作为最佳干涉像对,所述最佳干涉像对组合网络应为连通网络。
如图2所示,为本发明实施例最佳干涉像对自动化选择方法装置结构示意图。所述装置包括:
第一选取单元21,用于选取监测区域中特征区域;
成图单元22,用于在选定的特征区域,将合成孔径雷达SAR影像图生成多幅干涉图;
第二选取单元23,用于根据每幅SAR影像特征区域中各像元的信噪比,选取所述每幅SAR影像的候选点目标;
确定单元24,用于取各SAR影像的候选点目标的交集确定为所述特征区域的点目标;
计算单元25,用于根据所述特征区域的点目标,计算每幅干涉图的平均相干系数;
第三选取单元26,用于根据每幅干涉图的平均相干系数,选取最佳干涉像对。
优选地,所述特征区域为有代表性高相干的特征区域;特征区域的范围应较小,所述特征区域的范围为600×600像元至1000×1000像元。进一步优选地,选择600×600像元,700×700像元,便于数据的快速处理。进一步优选地,特征区域包含人工构筑物较多的城镇地区,便于选取较多的点目标。
优选地,所述成图单元22,具体用于:
将特征区域内所有的SAR影像图任意两幅组合生成干涉像对;
将生成的所有干涉像对都生成对应的干涉图。
所述特征区域内所有M幅SAR影像的任意两幅组合形成N组干涉像对:
将生成的N组干涉像对都生成对应的N幅干涉图。
优选地,所述第二选取单元23,具体包括:
获取模块,用于获取每幅SAR影像特征区域中每一个像元;
计算模块,用于计算每幅SAR影像特征区域中各像元的信噪比;
第一比较模块,用于定量比较所述像元的信噪比,选取每幅SAR影像的候选点目标;
进一步优选地,所述第一比较模块,具体用于:
设定信噪比阈值;
将每幅SAR影像各像元的信噪比与预设阈值一一对比;
选取所述像元的信噪比大于预设阈值的像元为候选点目标。对每幅SAR影像特征区域内的像元P,定义局部信噪比
其中up为中心像元P的复数据,uc为像元方形邻域的像元复数据,E{·}表示期望。邻域大小推荐使用5×5像元或7×7像元。若局部信噪比SCRP大于给定阈值,则将P定义为候选点目标。遍历特征区域内的像元,就可得到该幅SAR影像的候选点目标。对全部M幅SAR影像特征区域内候选点目标取交集,则得到特征区域内的点目标。
优选地,所述计算单元25,具体用于:
获取特征区域的各点目标分别作为每幅干涉图的各点目标;
计算特征区域内每一个点目标的相干系数;
计算每幅干涉图的平均相干系数;
优选地,所述第三选取单元26,具体包括:
第二比较模块,用于定量比较每一幅干涉图的平均相干系数,选取最优干涉图;
选择模块,用于将选定所述最优干涉图对应的干涉像对为最佳干涉像对;
进一步优选地,所述第二比较模块,具体用于:
将平均相干系数由大到小排序;
选择平均相干系数最大的至少一幅干涉图为最优干涉图;
将最优干涉图对应的干涉像对作为最佳干涉像对,所述最佳干涉像对组合网络应为连通网络。
上述技术方案具有如下有益效果:通过选取整个监测区域中有代表性的高相干地区作为特征区域,选取的特征区域为600×600像元,范围较小,便于数据的快速处理,选取的特征区域包含较多的人工构筑物,以保证足够多的候选点目标。将所述特征区域所有的SAR影像任意两幅组合生成全部干涉图,采用组合的方式,得到的较多的干涉像对,从而保证了候选的干涉图数量足够多。根据每幅SAR影像特征区域中各像元的信噪比,选取每幅SAR影像的候选点目标,并取各SAR影像的候选点目标的交集为特征区域的点目标,避免了噪声点进入候选点目标,提高了特征区域点目标的质量。因为根据高质量的特征区域点目标,计算干涉图的平均相干系数;定量比较干涉图的平均相干系数选取最佳干涉图,通过干涉图确定最佳干涉像对,克服了现有技术选择干涉图没有考虑实际干涉图的质量的盲目性,减少了干涉像对的错选和漏选,进而达到了最佳干涉像对选择的准确性和稳定性,提高了地表形变监测的精度。
以下结合应用实例对本发明实施例上述技术方案进行详细说明:
为了更好地说明本发明技术方案的优越性,以下举应用实例进行说明:使用本发明方法和现有技术SBAS方法(时空基线硬阈值法)分别选择干涉像对做比较。
请参考图3,本发明应用实例使用的天津市中部地区29景COSMO-SkyMed降轨影像的平均幅度图,经方位向3视×距离向3视后,影像大小为8500像元(方位向)×5733像元(距离向),分辨率约为5米,覆盖面积约1200km2。
首先,采用本发明的方法选取最佳干涉像对。选取天津城区有代表性的高相干区域600×600像元作为特征区域。29景SAR影像任选两幅组合生成406组干涉像对,把生成的406组干涉像对生成406幅干涉图。采用邻域范围5×5的方形滑动窗口计算每个特征区域内的局部信噪比,设定阈值为2.0,定量比较每个像元的局部信噪比;若像元的局部信噪比大于2.0,则所述像元为候选点目标;取29景SAR影像特征区域内候选点目标的交集作为特征区域的点目标,共计7276个。根据7276个特征区域点目标的相干系数,计算每幅干涉图的平均相干系数并排序。为保证干涉像对组合网络连通,选择平均相干系数最大的86幅干涉图,共选择出86组干涉像对为最佳干涉像对。请参考图4,图4为本发明实施例选取的干涉像对基线时空分布图。图4的横坐标为时间基线距,单位“日”,图4中“01/01/12”是2012年1月1日,纵坐标为空间垂直基线距,单位“米”,像对编号按相干系数高低排序。
然后,采用现有技术选取最佳干涉像对。为了选取与本方明方法同样多的干涉像对,将时间基线的阈值设为353天,垂直基线阈值设为430米。请参考表一,表一提供了天津市中部地区29景COSMO-SkyMed影像的时间和垂直基线参数:
表一
请参考第一行,第一景为基数,垂直基线距和时间基线距均为0,选择时间基线小于353天且垂直基线小于430米的干涉像对,共得到86组干涉像对。请参考图5,图5是现有技术选取的干涉像对时空分布图,图5的横坐标为时间基线距,纵坐标为空间垂直基线距,像对编号按时间先后排序。
对比可以发现,两种方法选取的最佳干涉像对基线时空分布的差异很大,两种方法确定的86组干涉像对,其中相同的干涉像对有54组,不同的干涉像对有32组,不同的干涉像对所占比例为37.21%。请参考图6,图6对比了本发明实施例和现有技术两种方法得到的32组不同干涉像对相干性分布图,图6中左侧为采用现有技术的方法选取的32组干涉像对,所述干涉像对生成的干涉图的点目标的平均相干系数,由图可知,其相干系数的均值为0.7036;图6中右侧为本发明方法选取的32组干涉像对,所述干涉像对生成的干涉图的点目标的平均相干系数,由图可知,其相干系数的均值为0.7399;可见本发明方法选取像对得到干涉图的相干性明显高于现有技术选择像对得到的干涉图的相干性,充分说明,百分比高达37.21%的不同干涉像对,本发明方法选取的干涉像对更优。
下面,我们换一种角度对比分析两种方法确定的干涉像对的优劣。采用本发明的方法选取的86组干涉像对,其对应的最大时间基线为896天,最大垂直基线为568米,故将时间基线的阈值设为896天,垂直基线阈值设为568米。选择小于896天且垂直基线小于568米的干涉像对,共得到191个干涉像对,请参考图7,图7所示为现有技术以896天+568米作为时空基线硬阈值法选取的191个干涉像对时空分布图。由图可知,采用现有技术不可能选取到本发明方法生成的最佳干涉像对。
接下来,我们分析两种方法得到的干涉像对质量。第一,现有技术会漏选一些干涉质量较好,但基线较大的像对。本发明方法确定的部分高质量的干涉像对并没有出现在采用现有技术时空选取的干涉像对中,如图4中的像对25(20130816—20150416)和像对71(20150315—20150416),请根据图4的横坐标在图4中查找像对25和像对71的位置,其干涉图相位如图8所示,根据图8可知像对25和像对71的干涉质量较好,但像对25和像对71并没有出现在现有技术选取的干涉像对中。第二,现有技术会错选一些干涉质量较低的像对。如图5中的像对27(20120930—20130205)和像对35(20130205—20130917),其干涉图相位如图9所示,由图9可知,这两个干涉像对的干涉质量较差。像对27和像对35没有出现本发明方法选取的干涉像对中,说明类似低质量干涉像对本发明方法可以排除。
究其原因,一方面,现有技术时空基线硬阈值法只是根据时间基线和空间基线双重阈值确定干涉像对,具有盲目性,无法保证所选干涉像对都能生成高质量干涉图。通常情况下,干涉像对时间基线、空间基线都较小时,其干涉图质量都较高,但这不是绝对的。当主辅影像成像时刻气候气象条件差异较大时:如不同的植被长势、降雨降雪等,干涉图相干性就会较低。另一方面,受较小的时空基线阈值限制,部分干涉像对尽管能生成高质量的干涉图,但由于具有较大时间基线或空间基线,而被排除在外。因此只有通过分析相干性才能从本质上评价干涉图的优劣,进而筛选出干涉质量较好的干涉像对。
综上所述,与现有技术相比,本发明方法能够完全避免时间失相干和空间失相干带来等影响,避免最佳干涉像对的漏选和错选,提取全部的最佳干涉像对,保证了干涉像对选择的准确性和稳定性,有利于高精度的地表形变的监测。
本领域技术人员还可以了解到本发明实施例列出的各种说明性逻辑块(illustrative logical block),单元,和步骤可以通过电子硬件、电脑软件,或两者的结合进行实现。为清楚展示硬件和软件的可替换性(interchangeability),上述的各种说明性部件(illustrative components),单元和步骤已经通用地描述了它们的功能。这样的功能是通过硬件还是软件来实现取决于特定的应用和整个系统的设计要求。本领域技术人员可以对于每种特定的应用,可以使用各种方法实现所述的功能,但这种实现不应被理解为超出本发明实施例保护的范围。
本发明实施例中所描述的各种说明性的逻辑块,或单元都可以通过通用处理器,数字信号处理器,专用集成电路(ASIC),现场可编程门阵列或其它可编程逻辑装置,离散门或晶体管逻辑,离散硬件部件,或上述任何组合的设计来实现或操作所描述的功能。通用处理器可以为微处理器,可选地,该通用处理器也可以为任何传统的处理器、控制器、微控制器或状态机。处理器也可以通过计算装置的组合来实现,例如数字信号处理器和微处理器,多个微处理器,一个或多个微处理器联合一个数字信号处理器核,或任何其它类似的配置来实现。
本发明实施例中所描述的方法或算法的步骤可以直接嵌入硬件、处理器执行的软件模块、或者这两者的结合。软件模块可以存储于RAM存储器、闪存、ROM存储器、EPROM存储器、EEPROM存储器、寄存器、硬盘、可移动磁盘、CD-ROM或本领域中其它任意形式的存储媒介中。示例性地,存储媒介可以与处理器连接,以使得处理器可以从存储媒介中读取信息,并可以向存储媒介存写信息。可选地,存储媒介还可以集成到处理器中。处理器和存储媒介可以设置于ASIC中,ASIC可以设置于用户终端中。可选地,处理器和存储媒介也可以设置于用户终端中的不同的部件中。
在一个或多个示例性的设计中,本发明实施例所描述的上述功能可以在硬件、软件、固件或这三者的任意组合来实现。如果在软件中实现,这些功能可以存储与电脑可读的媒介上,或以一个或多个指令或代码形式传输于电脑可读的媒介上。电脑可读媒介包括电脑存储媒介和便于使得让电脑程序从一个地方转移到其它地方的通信媒介。存储媒介可以是任何通用或特殊电脑可以接入访问的可用媒体。例如,这样的电脑可读媒体可以包括但不限于RAM、ROM、EEPROM、CD-ROM或其它光盘存储、磁盘存储或其它磁性存储装置,或其它任何可以用于承载或存储以指令或数据结构和其它可被通用或特殊电脑、或通用或特殊处理器读取形式的程序代码的媒介。此外,任何连接都可以被适当地定义为电脑可读媒介,例如,如果软件是从一个网站站点、服务器或其它远程资源通过一个同轴电缆、光纤电缆、双绞线、数字用户线(DSL)或以例如红外、无线和微波等无线方式传输的也被包含在所定义的电脑可读媒介中。所述的碟片(disk)和磁盘(disc)包括压缩磁盘、镭射盘、光盘、DVD、软盘和蓝光光盘,磁盘通常以磁性复制数据,而碟片通常以激光进行光学复制数据。上述的组合也可以包含在电脑可读媒介中。
以上所述的具体实施方式,对本发明的目的、技术方案和有益效果进行了进一步详细说明,所应理解的是,以上所述仅为本发明的具体实施方式而已,并不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,所做的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (10)
1.一种时间序列InSAR最佳干涉像对选择方法,其特征在于,所述方法包括:
在监测区域中选取特征区域;
将所述特征区域的各合成孔径雷达SAR影像图生成多幅干涉图;
根据每幅SAR影像特征区域中各像元的信噪比,选取所述每幅SAR影像的候选点目标;
取各SAR影像的候选点目标的交集为所述特征区域的点目标;
根据所述特征区域的点目标,计算每幅干涉图的平均相干系数;
根据每幅干涉图的平均相干系数,选取最佳干涉像对。
2.如权利要求1所述的时间序列InSAR最佳干涉像对选择方法,其特征在于,所述特征区域,为有代表性、高相干的特征区域;每个特征区域的范围为600×600像元至1000×1000像元。
3.如权利要求1所述的时间序列InSAR最佳干涉像对选择方法,其特征在于,将特征区域的各合成孔径雷达SAR影像图生成多幅干涉图,具体包括:
将特征区域内所有的SAR影像图任意两幅组合生成干涉像对;
将生成的所有干涉像对都生成对应的干涉图。
4.如权利要求1所述的时间序列InSAR最佳干涉像对选择方法,其特征在于,所述根据每幅SAR影像特征区域中各像元的信噪比,选取所述每幅SAR影像的候选点目标,具体包括:
获取每幅SAR影像特征区域中每一个像元;
计算每幅SAR影像特征区域中各像元的信噪比;
通过定量比较所述像元的信噪比,选取每幅SAR影像的候选点目标;
所述像元的信噪比为以像元为中心的邻域内振幅均值与振幅标准差的比值;
所述邻域范围为5×5像元至7×7像元;
所述通过定量比较所述像元的信噪比,具体包括:
设定预设信噪比阈值;
将每幅SAR影像各像元的信噪比与预设阈值一一对比;
当像元的信噪比大于预设阈值时,所述像元为候选点目标。
5.如权利要求1所述的时间序列InSAR最佳干涉像对选择方法,其特征在于,根据所述特征区域的点目标,计算每幅干涉图的平均相干系数,具体包括:
将特征区域的各点目标分别作为每幅干涉图的各点目标;
计算特征区域内每一个点目标的相干系数;
根据每一个点目标的相干系数,计算每幅干涉图的平均相干系数;
所述根据每幅干涉图的平均相干系数,选取最佳干涉像对,具体包括:
定量比较每一幅干涉图的平均相干系数,选取最优干涉图,
所述最优干涉图对应的干涉像对为最佳干涉像对;
所述定量比较每一幅干涉图的平均相干系数,具体包括:
将平均相干系数由大到小排序;
选择平均相干系数最大的至少一幅干涉图为最优干涉图;
将最优干涉图对应的干涉像对作为最佳干涉像对,所述最佳干涉像对组合网络应为连通网络。
6.一种时间序列InSAR最佳干涉像对选择的装置,其特征在于,所述装置包括:
第一选取单元,用于选取监测区域中特征区域;
成图单元,用于在选定的特征区域,将合成孔径雷达SAR影像图生成多幅干涉图;
第二选取单元,用于根据每幅SAR影像特征区域中各像元的信噪比,选取所述每幅SAR影像的候选点目标;
确定单元,用于取各SAR影像的候选点目标的交集确定为所述特征区域的点目标;
计算单元,用于根据所述特征区域的点目标,计算每幅干涉图的平均相干系数;
第三选取单元,用于根据每幅干涉图的平均相干系数,选取最佳干涉像对。
7.如权利要求6所述的时间序列InSAR最佳干涉像对选择的装置,其特征在于,所述特征区域为有代表性高相干的特征区域;所述特征区域的范围为600×600像元至1000×1000像元。
8.如权利要求6所述的时间序列InSAR最佳干涉像对选择的装置,其特征在于,所述成图单元,具体用于:
将特征区域内所有的SAR影像图任意两幅组合生成干涉像对;
将生成的所有干涉像对都生成对应的干涉图。
9.如权利要求6所述的时间序列InSAR最佳干涉像对选择的装置,其特征在于,所述第二选取单元,具体包括:
获取模块,用于获取每幅SAR影像特征区域中每一个像元;
计算模块,用于计算每幅SAR影像特征区域中各像元的信噪比;
第一比较模块,用于定量比较所述像元的信噪比,选取每幅SAR影像的候选点目标;
所述各像元的信噪比是以像元为中心的邻域内振幅均值与振幅标准差的比值;
所述邻域范围是5×5像元至7×7像元;
所述第一比较模块,具体用于:
设定信噪比阈值;
将每幅SAR影像各像元的信噪比与预设阈值一一对比;
选取所述像元的信噪比大于预设阈值的像元为候选点目标。
10.如权利要求6所述的时间序列InSAR最佳干涉像对选择的装置,其特征在于,所述计算单元,具体用于:
获取特征区域的各点目标分别作为每幅干涉图的各点目标;
计算特征区域内每一个点目标的相干系数;
计算每幅干涉图的平均相干系数;
所述第三选取单元,具体包括:
第二比较模块,用于定量比较每一幅干涉图的平均相干系数,选取最优干涉图;
选择模块,用于将选定所述最优干涉图对应的干涉像对为最佳干涉像对;
所述第二比较模块,具体用于:
将平均相干系数由大到小排序;
选择平均相干系数最大的至少一幅干涉图为最优干涉图;
将最优干涉图对应的干涉像对作为最佳干涉像对,所述最佳干涉像对组合网络应为连通网络。
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711012284.6A CN107884772A (zh) | 2017-10-26 | 2017-10-26 | 时间序列InSAR最佳干涉像对选择的方法及装置 |
CN2017110122846 | 2017-10-26 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108802729A true CN108802729A (zh) | 2018-11-13 |
CN108802729B CN108802729B (zh) | 2021-01-12 |
Family
ID=61782349
Family Applications (2)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201711012284.6A Withdrawn CN107884772A (zh) | 2017-10-26 | 2017-10-26 | 时间序列InSAR最佳干涉像对选择的方法及装置 |
CN201810417761.5A Expired - Fee Related CN108802729B (zh) | 2017-10-26 | 2018-05-04 | 时间序列InSAR最佳干涉像对选择的方法及装置 |
Family Applications Before (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201711012284.6A Withdrawn CN107884772A (zh) | 2017-10-26 | 2017-10-26 | 时间序列InSAR最佳干涉像对选择的方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (2) | CN107884772A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111220980A (zh) * | 2020-01-19 | 2020-06-02 | 北京理工大学 | 一种地基sar非线性大气相位补偿方法 |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108549080A (zh) * | 2018-02-28 | 2018-09-18 | 中国电力科学研究院有限公司 | 一种输电杆塔位置提取方法及系统 |
CN109443532B (zh) * | 2018-10-23 | 2020-07-24 | 北京工业大学 | 一种激光光场互相干系数测试装置 |
CN117609533B (zh) * | 2024-01-24 | 2024-04-05 | 航天宏图信息技术股份有限公司 | 合成孔径雷达干涉图像对的自动筛选方法、装置及设备 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102034239A (zh) * | 2010-12-07 | 2011-04-27 | 北京理工大学 | 一种基于局部灰度突变的红外小目标检测方法 |
CN102608584A (zh) * | 2012-03-19 | 2012-07-25 | 中国测绘科学研究院 | 基于多项式反演模型的时间序列InSAR形变监测方法及装置 |
CN103366388A (zh) * | 2012-03-28 | 2013-10-23 | 西门子公司 | 用于双模态ct数据的迭代的图像重建的方法 |
CN104035131A (zh) * | 2014-05-23 | 2014-09-10 | 中国科学院电子学研究所 | 一种地壳偏移量估计方法及装置 |
CN104331899A (zh) * | 2014-11-24 | 2015-02-04 | 中国科学院电子学研究所 | 一种sar图像配准方法及装置 |
US9148186B1 (en) * | 2014-04-08 | 2015-09-29 | Broadcom Corporation | Highly linear receiver front-end with thermal and phase noise cancellation |
-
2017
- 2017-10-26 CN CN201711012284.6A patent/CN107884772A/zh not_active Withdrawn
-
2018
- 2018-05-04 CN CN201810417761.5A patent/CN108802729B/zh not_active Expired - Fee Related
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102034239A (zh) * | 2010-12-07 | 2011-04-27 | 北京理工大学 | 一种基于局部灰度突变的红外小目标检测方法 |
CN102608584A (zh) * | 2012-03-19 | 2012-07-25 | 中国测绘科学研究院 | 基于多项式反演模型的时间序列InSAR形变监测方法及装置 |
CN103366388A (zh) * | 2012-03-28 | 2013-10-23 | 西门子公司 | 用于双模态ct数据的迭代的图像重建的方法 |
US9148186B1 (en) * | 2014-04-08 | 2015-09-29 | Broadcom Corporation | Highly linear receiver front-end with thermal and phase noise cancellation |
CN104035131A (zh) * | 2014-05-23 | 2014-09-10 | 中国科学院电子学研究所 | 一种地壳偏移量估计方法及装置 |
CN104331899A (zh) * | 2014-11-24 | 2015-02-04 | 中国科学院电子学研究所 | 一种sar图像配准方法及装置 |
Non-Patent Citations (3)
Title |
---|
张诗玉等: ""基于时序SAR影像的城市地面沉降速率获取研究"", 《测绘与空间地理信息》 * |
王宏宇等: ""短时空基线PS-InSAR技术在大同地区的形变监测研究"", 《中国优秀硕士学位论文全文数据库》 * |
范雪娇: ""稳定点的探测方法研究与应用"", 《中国优秀硕士学位论文全文数据库基础科学辑》 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111220980A (zh) * | 2020-01-19 | 2020-06-02 | 北京理工大学 | 一种地基sar非线性大气相位补偿方法 |
Also Published As
Publication number | Publication date |
---|---|
CN108802729B (zh) | 2021-01-12 |
CN107884772A (zh) | 2018-04-06 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108802729A (zh) | 时间序列InSAR最佳干涉像对选择的方法及装置 | |
CN102608584B (zh) | 基于多项式反演模型的时间序列InSAR形变监测方法及装置 | |
CN105980875B (zh) | 经校正的多切片磁共振成像 | |
CN109840553B (zh) | 耕地作物类型的提取方法及系统、存储介质、电子设备 | |
CN105303616B (zh) | 基于单张照片的浮雕建模方法 | |
CN104523274B (zh) | 一种利用稳态自由进动序列的磁共振成像方法 | |
CN105761310B (zh) | 一种天空可视域数字地图的模拟分析及图像显示方法 | |
CN101470179A (zh) | 磁共振成像中失真校准的方法和装置 | |
CN108983208A (zh) | 一种基于近场稀疏成像外推的目标rcs测量方法 | |
CN102565737A (zh) | 快速磁共振成像方法及系统 | |
CN110992366B (zh) | 一种图像语义分割方法、装置及存储介质 | |
CN109447919A (zh) | 结合多视角与语义纹理特征的光场超分辨率重建方法 | |
CN108982901A (zh) | 一种匀速旋转体的转速测量方法 | |
CN112132946B (zh) | 一种用于三维探地雷达的数据提取和展示方法 | |
CN110988909A (zh) | 基于tls进行高寒脆弱区沙地植被的植被盖度测定方法 | |
CN111047698B (zh) | 一种真正射影像采集方法 | |
CN109087348A (zh) | 一种基于自适应区域投射的单像素成像方法 | |
CN106991702A (zh) | 一种投影仪标定方法及装置 | |
CN110208589A (zh) | 一种时域信号的波形测量方法及测量装置、数字示波器 | |
CN103728022B (zh) | 一种坏像元的校正方法 | |
CN111177298A (zh) | 一种基于面积法的通信网络信息地理网格化方法 | |
CN110097585A (zh) | 一种基于sift算法的sar影像匹配方法及系统 | |
CN105022837B (zh) | 云端多模场景地图分布式存储结构 | |
CN117115359B (zh) | 一种基于深度图融合的多视图电网三维空间数据重建方法 | |
CN110060199A (zh) | 一种基于彩色和深度信息的植株图像快速拼接方法 |
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 | ||
CF01 | Termination of patent right due to non-payment of annual fee | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20210112 |