CN108896009A - 一种基于有效相干性的大型线状结构体沉降监测方法 - Google Patents
一种基于有效相干性的大型线状结构体沉降监测方法 Download PDFInfo
- Publication number
- CN108896009A CN108896009A CN201810405787.8A CN201810405787A CN108896009A CN 108896009 A CN108896009 A CN 108896009A CN 201810405787 A CN201810405787 A CN 201810405787A CN 108896009 A CN108896009 A CN 108896009A
- Authority
- CN
- China
- Prior art keywords
- coherence
- linear
- sar
- series
- linear structure
- 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.)
- Pending
Links
- 238000012544 monitoring process Methods 0.000 title claims abstract description 28
- 238000000034 method Methods 0.000 title claims abstract description 21
- 238000012545 processing Methods 0.000 claims abstract description 16
- 238000004364 calculation method Methods 0.000 claims abstract description 12
- 238000004458 analytical method Methods 0.000 claims description 8
- 238000005192 partition Methods 0.000 claims description 4
- 238000005516 engineering process Methods 0.000 abstract description 16
- 210000000746 body region Anatomy 0.000 abstract 1
- 238000010606 normalization Methods 0.000 abstract 1
- 238000004062 sedimentation Methods 0.000 abstract 1
- 238000011161 development Methods 0.000 description 3
- 230000018109 developmental process Effects 0.000 description 3
- 230000008676 import Effects 0.000 description 3
- 230000009466 transformation Effects 0.000 description 3
- 230000007547 defect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
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
- G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
- G01C5/00—Measuring height; Measuring distances transverse to line of sight; Levelling between separated points; Surveyors' levels
-
- 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)
- General Physics & Mathematics (AREA)
- Electromagnetism (AREA)
- Computer Networks & Wireless Communication (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及一种基于有效相干性的大型线状结构体沉降监测的方法，利用时序高分辨率SAR影像的有效相干性和高精度INSAR图像配准结果，结合大型线状结构体在时序SAR影像中的空间分布，进行基于结构体特征的相干性计算，经过相干性统计值来划分线状特征的最优段落，逐段落确定区域多时相SAR影像干涉对，并采用分布式策略进行时序INSAR处理，将分段处理结果采用归一化方式合并后得到大型线状结构体沉降结果，本发明提高了大型线状结构体沉降监测的可靠性和稳定性，解决了常规时序INSAR技术在线状结构体区域内存在沉降监测不连续、不稳定的问题，填补了该领域的技术空白。
Description
技术领域
本发明涉及时序INSAR沉降监测技术，具体是一种基于有效相干性的大型线状结构体沉降监测的方法。
背景技术
时序INSAR沉降监测技术是传统INSAR技术的进一步发展，该技术主要通过长时间序列的INSAR数据分析，以去除干涉相对中的轨道、大气、DEM误差以及低相干性等因素的影响，获取地表形变的一种技术。时序INSAR技术的发展使得INSAR技术从大尺度监测扩展到精细形变监测，极大的推动了INSAR技术的发展。
目前，在大型线状结构体沉降监测方面使用较多的时序INSAR技术主要分为永久散射体技术(PS-INSAR)和小基线集技术(SBAS)两大类，两种方式在时间基线和空间基线分布合理的情况下，均可开展区域性的沉降监测。然而，PS-INSAR技术和小基线集技术均是依据稳定的永久散射体点目标(PS)或者分布式目标(DS)开展分析研究。点目标/分布式目标的分布受相干性影响，导致可探测目标的点位分布呈现离散化、分布不均的问题，无法对大型线状结构体的沉降数值进行连续表达。目前，主流的分析方法是基于沉降值的等值线分析，该方法通过线性插值虽能形成连续性沉降估算，但当已经探测的点目标/分布式目标和结构体间距较远时，通过插值估算得到的沉降值，真实性和可靠性较差，无法满足高精度监测的需要。
发明内容
本发明的目的在于克服上述背景技术存在的缺陷，提供一种基于有效相干性的大型线状结构体沉降监测的方法，其目的在于以线状结构体相干性统计来优选区域内时序SAR影像的策略，形成可靠的时序SAR数据集，克服了常规时序INSAR技术中存在目标点分布离散化、不均匀的问题，有效提高大型线状结构体沉降监测的可靠性和稳定性。
本发明的技术方案:
一种基于有效相干性的大型线状结构体沉降监测方法，包括如下步骤：
S1，采集时序SAR影像进行高精度INSAR图像配准构建参数模型；
S2，对参数模型进行线状结构体特征识别构建线性划分模型；
S3，对线性划分模型进行相干性计算获得线状段落；
S4，对线性段落最优段落划分；
S5，对最优段落分布式采用策略时序INSAR处理获得段落沉降结果；
S6，对段落沉降结果归一化计算获得监测数据。
S4中所述的基于时序SAR影像的最优段落划分是指基于统计完成的相干系数分布指标和线性划分模型，通过分析线状区域相干性的分布情况，来剔除相干性差的区域，形成具有高相干性的可靠的线状段落；将全部影像对处理完毕后，根据线性划分模型，按照从零递增的方式进行段落划分和编号，保证一定的重叠区域，以确保数据可以有效衔接。
S5中所述的分布式时序INSAR处理分为两步，首先将编号段落逐段和SAR影像序列建立对应关系，划分兴趣区域，形成SAR序列集群；其次根据划分的不同区域的SAR序列集群，依照制定的分布式策略进行时序INSAR处理。
所述的线性划分模型是以相干系数为主要参考因子，对满足要求的影像进行聚类，形成时序SAR集群。
S4基于时序SAR影像的最优段落划分步骤：
S4-1线性特征相干性分析
将平均强度图上的线状结构体进行段落划分，依次对比各干涉像对的相干系数值，并按照排序法将相干系数从大到小进行排序。
S4-2时序SAR影像聚类
建立段落与SAR时间序列间的关系。设定相干系数阈值，选择相干系数大于设定阈值的时序SAR影像进行聚类。当SAR影像数目少于影像所需最小数目时，重新设定相干系数阈值，直至满足要求。
与现有技术相比，本发明具有的优点：
第一，本发明利用时序高分辨率SAR影像的有效相干性和高精度INSAR图像配准结果，结合大型线状结构体在时序SAR影像中的空间分布，进行基于结构体特征的相干性计算，经过相干性统计值来划分线状特征的最优段落，逐段落确定区域时序SAR影像对，并采用分布式策略进行时序INSAR处理，将分段处理结果采用归一化方式合并后得到大型线状结构体沉降结果。
第二，本发明通过时序INSAR技术可有效解决传统方式，沉降监测在线状区域不连续、不稳定的问题，在铁路、公路、水利、石油管道、电力等部门开展既有设施大范围沉降监测。
附图说明
图1为本发明一种基于有效相干性的大型线状结构体沉降监测方法的流程示意图。
具体实施方式
结合附图1对本发明的技术方案作进一步说明。如图1所示，本发明所述的一种基于有效相干性的大型线状结构体沉降监测方法包括以下步骤：
S1高精度INSAR图像配准
SAR影像时间序列设定起止时间阈值，采用传统INSAR数据处理方法进行SAR影像对的高精度配准，确定时序SAR影像之间的对应关系，自动生成配准模型和配准参数。所述的高精度INSAR图像配准(S1)是指基于时序SAR影像进行两两配准形成的一系列结果，可以采用基于强度和相位两种方式。
S2线状结构体特征识别
所述的线状结构体特征识别有专家辨识和参考数据导入两种方式。专家辨识是在主影像的中依据特征信息进行人工辨识，确定线状结构体位置；参考数据导入是在数据处理前通过其他方式获取了线状结构体的空间分布，通过坐标变换后在主影像中确定了坐标位置。具体为：
S2-1线状特征专家辨识
SAR线性结构体通常表现为强反射体，在SAR强度影像中呈“高亮区域”，依据专家经验在主影像上对线性结构体进行人工辨识，采用人工描绘的方式可准确定位线状结构体在主影像上的空间位置，依照配准参数计算得到线状结构体在多副影像上的位置。所述的专家辨识是基于大型线状结构体在SAR影像中的后向散射特征来完成。
S2-2参考数据导入
采用外业测量手段或者图纸资料确定线状结构体的空间位置，通过坐标转换和投影变换，确定其在主影像中的位置坐标，依照配准参数计算得到线状结构体在多副影像上的位置。
S3基于结构体特征的相关性计算
所述的基于结构体特征的相关性计算分两步：首先采用合理的策略计算SAR影像对之间的相干系数，生成全部干涉像对的相干系数图，其次根据结构体的线状特征在相干系数图中的分布来统计其相干系数。所述的相干系数分布指标是指线状结构体区域的相干性的客观表达，在表现形式上为相干系数曲线分布图。
S3-1生成影像对的相干系数图
依据主副影像关系和配准结果，采用合理策略计算主副影像之间的相干系数，生产相干系数图和强度影像。
S3-2生成线状结构体相干性序列
根据结构体的线状特征在相干系数图中的分布来统计其相相干系数，生成相干系数图，遍历所有的时序干涉像对，生成相干系数序列。
S4基于时序SAR影像的最优段落划分
所述的基于时序SAR影像的最优段落划分是指基于统计完成的相关系数分布指标和线性划分模型，通过分析线状区域相干性的分布情况，来剔除相干性差的区域，形成具有高相干性的可靠的线状段落。将全部影像对处理完毕后，根据线性划分模型，按照从零递增的方式进行段落划分和编号，保证一定的重叠区域，以确保数据可以有效衔接。
S4-1线性特征相干性分析
将平均强度图上的线状结构体进行段落划分，依次对比各干涉像对的相干系数值，并按照排序法将相干系数从大到小进行排序
S4-2时序SAR影像聚类
建立段落与SAR时间序列间的关系。设定相干系数阈值，选择相干系数大于设定阈值的时序SAR影像进行聚类。当SAR影像数目少于影像所需最小数目时，重新设定相干系数阈值，直至满足要求。
S4-3段落划分和编号
将全部影像对处理完毕后，根据线性划分模型，按照从零递增的方式进行段落划分和编号，保证段落与段落之间存在一定的重叠区域，确保后续处理结果可以有效衔接。
S5分布式时序INSAR处理
所述的分布式策略时序INSAR处理分为两步：首先将编号段落逐段和SAR影像序列建立对应关系，依次划分兴趣区域，形成SAR序列集群；其次根据划分的不同区域的SAR序列集群，依照制定的分布式策略进行时序INSAR处理。
即，根据不同段落划分和编号，结合线状结构体的类型、大小、后向散射强度等信息，选择合理的分布式计算策略进行后续的时序INSAR数据处理。
S6归一化计算
所述的归一化计算是指基于重叠段落的沉降分析结果，采用特定计算策略对全部段落结果进行粗差剔除，对最终结果进行整合、统一，形成最终的监测成果。
即，基于重叠段落的沉降分析结果，采用特定计算策略对全部段落结果进行粗差剔除，对最终结果进行整合、统一，形成最终的监测成果。
应当理解的是，这里所讨论的实施方案及实例只是为了说明，对本领域技术人员来说，可以加以改进或变换，而所有这些改进和变换都应属于本发明所附权利要求的保护范围。
Claims (5)
1.一种基于有效相干性的大型线状结构体沉降监测方法，其特征在于，包括如下步骤：
S1，采集时序SAR影像进行高精度INSAR图像配准构建参数模型；
S2，对参数模型进行线状结构体特征识别构建线性划分模型；
S3，对线性划分模型进行相干性计算获得线状段落；
S4，对线性段落最优段落划分；
S5，对最优段落分布式采用策略时序INSAR处理获得段落沉降结果；
S6，对段落沉降结果归一化计算获得监测数据。
2.根据权利要求1所述的一种基于有效相干性的大型线状结构体沉降监测方法，其特征在于，
S4中所述的基于时序SAR影像的最优段落划分是指基于统计完成的相干系数分布指标和线性划分模型，通过分析线状区域相干性的分布情况，来剔除相干性差的区域，形成具有高相干性的可靠的线状段落；将全部影像对处理完毕后，根据线性划分模型，按照从零递增的方式进行段落划分和编号，保证一定的重叠区域，以确保数据可以有效衔接。
3.根据权利要求1所述的一种基于有效相干性的大型线状结构体沉降监测方法，其特征在于，S5中所述的分布式时序INSAR处理分为两步，首先将编号段落逐段和SAR影像序列建立对应关系，划分兴趣区域，形成SAR序列集群；其次根据划分的不同区域的SAR序列集群，依照制定的分布式策略进行时序INSAR处理。
4.根据权利要求1所述的一种基于有效相干性的大型线状结构体沉降监测方法，其特征在于，所述的线性划分模型是以相干系数为主要参考因子，对满足要求的影像进行聚类，形成时序SAR集群。
5.根据权利要求2所述的一种基于有效相干性的大型线状结构体沉降监测方法，其特征在于，S4中最优段落划分是基于时序SAR影像划分，分为如下步骤：
S4-1线性特征相干性分析
将平均强度图上的线状结构体进行段落划分，依次对比各干涉像对的相干系数值，并按照排序法将相干系数从大到小进行排序。
S4-2时序SAR影像聚类
建立段落与SAR时间序列间的关系；设定相干系数阈值，选择相干系数大于设定阈值的时序SAR影像进行聚类；当SAR影像数目少于影像所需最小数目时，重新设定相干系数阈值，直至满足要求。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810405787.8A CN108896009A (zh) | 2018-04-29 | 2018-04-29 | 一种基于有效相干性的大型线状结构体沉降监测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810405787.8A CN108896009A (zh) | 2018-04-29 | 2018-04-29 | 一种基于有效相干性的大型线状结构体沉降监测方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN108896009A true CN108896009A (zh) | 2018-11-27 |
Family
ID=64342558
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201810405787.8A Pending CN108896009A (zh) | 2018-04-29 | 2018-04-29 | 一种基于有效相干性的大型线状结构体沉降监测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN108896009A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109696152A (zh) * | 2019-02-13 | 2019-04-30 | 太原理工大学 | 一种低相干性区域地面沉降量估算方法 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR100425283B1 (ko) * | 2003-04-18 | 2004-03-31 | (주)충청측량설계공사 | 간섭측정용 합성 개구 레이다의 기하학적 특성을 이용한지형고도 측정방법 |
| CN101770026A (zh) * | 2009-01-07 | 2010-07-07 | 中国科学院电子学研究所 | 极化干涉合成孔径雷达数据估计地形的方法及其软件 |
| CN103489176A (zh) * | 2012-06-13 | 2014-01-01 | 中国科学院电子学研究所 | 一种对于严重几何畸变的sar图像进行同名点提取的方法 |
| 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 |
| EP2942637A1 (en) * | 2014-05-09 | 2015-11-11 | NEC Corporation | Change detection device, change detection method and recording medium |
| CN107463944A (zh) * | 2017-07-11 | 2017-12-12 | 电子科技大学 | 一种利用多时相高分辨率sar图像的道路信息提取方法 |
-
2018
- 2018-04-29 CN CN201810405787.8A patent/CN108896009A/zh active Pending
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR100425283B1 (ko) * | 2003-04-18 | 2004-03-31 | (주)충청측량설계공사 | 간섭측정용 합성 개구 레이다의 기하학적 특성을 이용한지형고도 측정방법 |
| CN101770026A (zh) * | 2009-01-07 | 2010-07-07 | 中国科学院电子学研究所 | 极化干涉合成孔径雷达数据估计地形的方法及其软件 |
| CN103489176A (zh) * | 2012-06-13 | 2014-01-01 | 中国科学院电子学研究所 | 一种对于严重几何畸变的sar图像进行同名点提取的方法 |
| EP2942637A1 (en) * | 2014-05-09 | 2015-11-11 | NEC Corporation | Change detection device, change detection method and recording medium |
| 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 |
| CN107463944A (zh) * | 2017-07-11 | 2017-12-12 | 电子科技大学 | 一种利用多时相高分辨率sar图像的道路信息提取方法 |
Non-Patent Citations (1)
| Title |
|---|
| 罗小军: "永久散射体雷达差分干涉理论及在上海地面沉降监测中的应用", 《中国博士学位论文全文数据库基础科学辑》 * |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109696152A (zh) * | 2019-02-13 | 2019-04-30 | 太原理工大学 | 一种低相干性区域地面沉降量估算方法 |
| CN109696152B (zh) * | 2019-02-13 | 2021-06-15 | 太原理工大学 | 一种低相干性区域地面沉降量估算方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN106228124B (zh) | 基于卷积神经网络的sar图像目标检测方法 | |
| CN104299260B (zh) | 一种基于sift和lbp的点云配准的接触网三维重建方法 | |
| CN103218618B (zh) | 一种基于遥感数字图像的公路路线自动提取方法 | |
| CN102938066B (zh) | 一种基于多元数据重建建筑物外轮廓多边形的方法 | |
| CN108681525B (zh) | 一种基于车载激光扫描数据的路面点云强度增强方法 | |
| CN103870845B (zh) | 点云聚类去噪过程中新的k值优化方法 | |
| CN101916373B (zh) | 基于小波检测和脊线跟踪的道路半自动提取方法 | |
| CN103729846B (zh) | 基于不规则三角网的LiDAR点云数据边缘检测方法 | |
| CN105069093A (zh) | 一种基于嵌入式索引的水文时间序列相似性搜索方法 | |
| CN118015002B (zh) | 一种交通工程路况视觉检测方法及系统 | |
| CN104240251A (zh) | 一种基于密度分析的多尺度点云噪声检测方法 | |
| CN101604450A (zh) | 集成影像与LiDAR数据提取建筑物轮廓的方法 | |
| CN104183142A (zh) | 一种基于图像视觉处理技术的车流量统计方法 | |
| CN103093466A (zh) | 基于LiDAR点云和影像的建筑物三维变化检测方法 | |
| CN112881042B (zh) | 基于激光轮廓的轮对检测系统、方法和介质 | |
| CN101137003A (zh) | 一种基于灰色关联分析的亚像素边缘提取方法 | |
| CN105678792A (zh) | 一种人体轮廓提取方法及系统 | |
| CN105093207A (zh) | 基于优化lm算法的激光雷达波形分解的方法 | |
| CN105469408A (zh) | 一种sar图像建筑群分割方法 | |
| CN108664733A (zh) | 棱边特征曲面拓扑逼近重建方法 | |
| CN110736999A (zh) | 基于激光雷达的铁路道岔检测方法 | |
| CN101334896A (zh) | 数字图像测量亚像素边沿处理方法 | |
| CN103839274A (zh) | 一种基于几何比例关系的扩展目标跟踪方法 | |
| CN109781003B (zh) | 一种结构光视觉系统的下一最佳测量位姿确定方法 | |
| CN112102382A (zh) | 一种基于多尺度变换与ADCensus-JWGF的机电设备视觉信息立体匹配算法 |
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 | ||
| WD01 | Invention patent application deemed withdrawn after publication | ||
| WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20181127 |