CN109166084B - 一种基于邻近点梯度关系的sar几何畸变定量模拟方法 - Google Patents

一种基于邻近点梯度关系的sar几何畸变定量模拟方法 Download PDF

Info

Publication number
CN109166084B
CN109166084B CN201811058051.4A CN201811058051A CN109166084B CN 109166084 B CN109166084 B CN 109166084B CN 201811058051 A CN201811058051 A CN 201811058051A CN 109166084 B CN109166084 B CN 109166084B
Authority
CN
China
Prior art keywords
area
active
passive
point
shadow
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
Application number
CN201811058051.4A
Other languages
English (en)
Other versions
CN109166084A (zh
Inventor
胡俊
陈小红
孙倩
李志伟
朱建军
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Central South University
Original Assignee
Central South University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Central South University filed Critical Central South University
Priority to CN201811058051.4A priority Critical patent/CN109166084B/zh
Publication of CN109166084A publication Critical patent/CN109166084A/zh
Application granted granted Critical
Publication of CN109166084B publication Critical patent/CN109166084B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/80—Geometric correction
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/50—Depth or shape recovery
    • G06T7/507—Depth or shape recovery from shading
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10032—Satellite or aerial image; Remote sensing
    • G06T2207/10044—Radar image

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Radar Systems Or Details Thereof (AREA)
  • Image Processing (AREA)

Abstract

本发明公开了一种基于邻近点梯度关系的SAR几何畸变定量模拟的方法。首先获取DEM的地形参数如坡度角、坡向角、高程，然后计算出SAR数据每个点的入射角和方位角，进而建立DEM与几何畸变的函数关系，用于求取几何畸变主动区域结果，随后建立几何畸变主动区与被动区间的邻近点梯度关系，获得几何畸变的被动区域结果，最后根据叠掩、阴影与透视收缩这三种几何畸变的空间关系，校正几何畸变区域范围大小。本发明不仅对SAR数据的配置优化和精度评估，推动InSAR滑坡监测技术的工程化和市场化，并且提高了现有SAR数据的利用率，对未来SAR硬件和平台的设计和参数选择，也具有重要的科学价值和指导意义。

Description

一种基于邻近点梯度关系的SAR几何畸变定量模拟方法
技术领域
本发明涉及遥感影像的大地测量领域，尤其涉及一种基于邻近点梯度关系的单轨SAR和DEM数据联合定量模拟SAR影像几何畸变的方法。
背景技术
精确有效的滑坡监测，是滑坡灾害预测和早期预报的基础，也是滑坡灾害危险性评估和防灾减灾的重要手段。合成孔径雷达干涉测量(InSAR)技术是近几十年发展起来的一种空间大地测量和遥感手段，具有监测范围大、测量精度高、空间近似连续、全天时全天候等优势，在滑坡监测领域更是展现出了巨大潜力，不仅能够获取滑坡的数量和分布，而且可以准确反映滑坡的形变特征。然而，相对于其他类型，如城市地表沉降的地表形变，滑坡由于其所处的环境一般为地形起伏较大的山区，因此对于InSAR监测而言更加困难，主要原因在于：目前的合成孔径雷达(SAR)卫星均采用侧视成像的模式，因此其获取的影像在地形起伏的区域会出现透视收缩、叠掩和阴影等几何畸变，而InSAR测量值在这些几何畸变区会有不同程度的精度损失乃至完全失效。因此，InSAR技术在滑坡区形变监测的可靠性和精度都不太稳定，通常只能在有合适SAR数据的滑坡上得到有益结果。
随着SAR卫星的越来越多，人们在监测滑坡时有了更大的数据选择空间。如果在获取SAR数据之前就能够准确估计几何畸变影响区域，针对所监测的滑坡选择最为合适的SAR数据配置，从而发挥InSAR技术在滑坡监测和解译中的最佳性能。如何模拟预测SAR影像几何畸变区域，目前国际上主流的方法有以下五种：第一种方法是通过LSM(Layover andShadow Map)算法获得叠掩和阴影的主被动区域，是目前唯一一个可实现几何畸变被动区域模拟的方法。但是该方法需要计算每个目标点的成像时间，并获取每个时间点所对应的参数(包括高程h(t)、卫星位置(X(t),Y(t),Z(t))、方位向等)，这极大增加了计算量，而且误差源较多，从而导致可靠性较差。第二种方法是通过坡度坡向与入射角的关系，划分出升轨和降轨InSAR可以监测的滑坡朝向和坡角的大致范围，但是不能划分出几何畸变被动区域，原因在于被动区的地形特征不一，并不局限于坡度与入射角的相对关系。第三种方法是采用斜距指数R-Index估算SAR影像中几何畸变的程度，但是该方法只能计算透视收缩和主动叠掩，对阴影和被动叠掩则无能为力。第四种方法是通过GIS(Geographic InformationSystem，地理信息系统)模型获得由DEM(Digital Elevation Model，数字高程模型)产生的观测点的高度，采用“单个观测点观测单个DEM像素”模式模拟SAR卫星成像模式，从而模拟预测叠掩和阴影区域。但是该方法需要耗费大量时间，而且因受限于技术因素，需要超大范围的DEM数据，这也导致了模拟的叠掩-阴影结果精度较低。第五种方法是通过融合LSM算法与斜距指数R-Index，可以有效的划分叠掩的主被动区域、阴影的主被动区域以及透视收缩。但是该方法忽略了几何畸变被动区域与透视收缩和几何畸变主动区域的交互关系，未能获取高准确度的模拟结果。
通过以上分析可以看出，在现实的应用场景中，以上国际五种主流方法都有一定的局限性和不适用性。故此，发明一种基于邻近点梯度关系的SAR几何畸变定量模拟的方法，从而进一步推动InSAR技术的实用化。
发明内容
本发明的目的在于克服现有技术中存在的缺陷，提供一种基于邻近点梯度关系的SAR几何畸变定量模拟方法。
本发明采用以下技术方案：一种基于邻近点梯度关系的SAR几何畸变定量模拟方法，其特征在于，所述方法包括如下步骤：
步骤1、根据DEM数据，计算出DEM数据的地形参数，所述地形参数包括坡度、坡向、高程；
步骤2、利用轨道数据求算出SAR影像上每个点的入射角和方位角；
步骤3、构建DEM与几何畸变的函数关系，定量模拟出透视收缩、主动叠掩区和主动阴影区；
步骤4、通过被动叠掩区与主动叠掩区之间的邻近点梯度关系，确定被动叠掩区的范围大小；
步骤5、通过被动阴影区与主动阴影区之间的邻近点梯度关系，确定被动阴影区的范围大小；
步骤6、根据叠掩、阴影与透视收缩这三种几何畸变在空间上的重叠关系，校正透视收缩与主动区域范围的大小。
优选地，所述构建DEM与几何畸变的函数关系具体包括：根据SAR卫星数据的成像几何，联合步骤2中求得所述每个点的入射角和方位角参数以及步骤1中求得所述每个点的坡度、坡向和高程，构建DEM与几何畸变的函数关系
Figure BDA0001796319670000031
Figure BDA0001796319670000032
其中，每个格网坐标定义为(i,j)，i＝1,...n，j＝1,...m，所述m和所述n为DEM影像尺寸大小；所述χij为所述DEM数据的每个点的坡度角，所述θij为所述SAR影像的每个点的入射角。
优选地，所述步骤4中的邻近点梯度关系是指主动叠掩区的临界点与非主动叠掩区点的高程差与地距差的比值与主动叠掩区的临界点的入射角的关系，具体如式子：
Figure BDA0001796319670000033
其中
Δhij,ik＝|hij-hik|
Δlij,ik＝gr·|j-k|
其中，所述θij和所述hij分别是主动叠掩区的临界点的入射角和高程值；所述k为非主动叠掩区点的格网坐标；所述hik是非主动叠掩区点的高程值；所述gr为所述DEM影像距离向分辨率；Δhij,ik和Δlij,ik分别是主动叠掩区的临界点与非主动叠掩区点的高程差和地距差。
优选地，所述步骤5中的邻近梯度关系是指主动阴影区的临界点与非主动阴影区点的地距差与高程差的比值与主动阴影区点的入射角的关系，具体如式子：
Figure BDA0001796319670000041
其中
Δhij,ik＝|hij-hik|
Δlij,ik＝gr·|j-k|
其中，所述θij和所述hij分别是主动阴影区的临界点的入射角和高程值；所述k为非主动阴影区点的格网坐标；所述hik是非主动阴影区点的高程值；所述gr为DEM影像距离向分辨率；Δhij,ik和Δlij,ik分别是主动阴影区的临界点与非主动阴影区点的高程差和地距差。
优选地，所述几何畸变在空间上存在5种重叠情况：(1)被动叠掩区与透视收缩重叠；(2)被动叠掩区与主动阴影区重叠；(3)被动叠掩区与被动阴影区重叠；(4)被动阴影区与透视收缩重叠；(5)被动阴影区与主动叠掩区重叠。
优选地，对于(1)和(2)的情况，叠加部分为被动叠掩区，可通过所述步骤4的结果校正所述步骤3的透视收缩和主动阴影区范围的大小。
优选地，对于同时存在(2)和(3)的情况，叠加部分为被动叠掩区，未重叠的被动阴影区应为透视收缩或非几何畸变区。
优选地，对于(3)的情况，叠加部分应为被动阴影区。
优选地，对于(4)和(5)的情况，叠加部分为被动阴影区，可通过所述步骤5的结果校正所述步骤3的透视收缩和主动叠掩区范围的大小。
优选地，对于同时存在(3)和(5)的情况，叠加部分为被动阴影区，未重叠的被动叠掩区应为透视收缩或非几何畸变区。
本发明的优点和有益效果在于：
本发明提供了一种基于邻近点梯度关系的SR几何畸变定量模拟方法，1)根据DEM数据的地形参数，求得每个点的坡度、坡向及高程；2)利用轨道数据求算出SAR影像上每个点的入射角和方位角；3)根据SAR影像的入射角和方位角，联合DEM数据的坡度坡向，构建DEM与几何畸变的函数关系，定量模拟透视收缩、主动叠掩区和主动阴影区；4)通过确定主动叠掩区与被动叠掩区的邻近点梯度关系，并以此作为阈值条件，模拟出被动叠掩区；5)通过确定主动阴影区与被动阴影区的邻近点梯度关系，并以此作为阈值条件，模拟出被动阴影区；6)根据叠掩、阴影与透视收缩这三种几何畸变在空间上的重叠关系，校正透视收缩和主动区域范围的大小。该方法实现简单，所需要的参数只包括DEM的坡度、坡向、高程，地距分辨率以及SAR数据的入射角，方位向，这些参数也保证了该方法的广泛适用性，是一种高效率、大范围、低成本且切实可行的SAR几何畸变定量模拟技术。该技术不仅对SAR数据的配置优化和精度评估，推动InSAR滑坡监测技术的工程化和市场化具有重要的现实意义，并且极大的提高现有SAR数据的利用率，使得InSAR技术向更加实用化的方向发展，对未来SAR硬件和平台的设计和参数选择，也具有重要的科学价值和指导意义。
附图说明
图1为本发明的方法流程图；
图2为本发明的几何畸变二维图；
图3为本发明的叠掩与透视收缩、阴影的空间关系图；
图4为本发明的阴影与透视收缩、叠掩的空间关系图；
图5为根据本发明的方法获取的几何畸变模拟结果；
图6是本发明的几何畸变模拟结果的交互关系；
图7是本发明的主被动叠掩模拟结果与SAR影像真实叠掩区域的对比图；
图8是本发明的主被动叠掩模拟结果与相干性值的对比图；
图9是本发明的主被动叠掩模拟结果与干涉图的对比。
具体实施方式
本发明的目的在于，克服现有的SAR几何畸变模拟技术范围不精确、计算量大、效率低的问题，提供一种基于邻近点梯度关系的SAR几何畸变定量模拟的方法，特别是能准确地估计叠掩和阴影的被动区域，并校正透视收缩区域和主动叠掩、阴影区域范围大小。
为了便于理解本发明，首先提供本发明的理论基础：
几何畸变是SAR影像中所特有的一种误差形式。当SAR波束对面向SAR传感器的斜坡成像时，如果地形坡度角小于局部入射角，实际斜坡长度在SAR影像上就会被缩短，即为透视收缩现象。更进一步，当坡度角超过入射角，显示在SAR影像上就是斜坡及其周边区域发生混叠，这就是所谓叠掩。一般在发生叠掩处的影像亮度都比较高。而当SAR波束在背向SAR传感器的斜坡上成像时，如果坡度陡峭超过局部入射角的余角，就会存在波束不能到达的区域，在SAR影像中表现为亮度很低的区域，即为阴影。对于叠掩和阴影这两种几何畸变可进一步细分为主动区(即影像中产生几何畸变的斜坡区)和被动区(即影像中被主动区重叠或遮挡的区域)。
理论上，通过坡度坡向与入射角的关系，就可以定量模拟SAR几何畸变。然而，对于叠掩和阴影的被动区域，该方法并不适用，原因在于：被主动区重叠或遮挡的区域，其地形可以是平坦的，也可以是陡峭，并不局限于坡度和入射角的相对关系，因被动区域地形特征毫无规律性，模拟难度相当困难；而且受几何畸变被动区域的影响，所获得的透视收缩区域和几何畸变主动区域范围并不精确，故此发明，在基于被动区与主动区之间的邻近点梯度关系，获得几何畸变被动区域，并校正透视收缩与主动区域范围的大小。此发明目的，一是在基于被动区与主动区之间的邻近点梯度关系，获得几何畸变被动区域；二是获得的结果可作为SAR数据选取的指标，用于选取滑坡可监测的最大范围的SAR数据，改善SAR数据对滑坡监测性能，并且极大的提高现有SAR数据的利用率。
据此，本发明提出一种基于邻近点梯度关系的SAR几何畸变定量模拟方法，其具体实施步骤如下：
步骤1：裁剪DEM数据，裁剪出与SAR影像相同大小的相同区域，并求出DEM数据的地形参数，地形参数包括坡度、坡向、高程。
步骤2：利用轨道数据求算出SAR影像上每个点的入射角和方位角；
步骤3：根据SAR卫星数据的成像几何，联合步骤2中求得每个点的入射角和方位角参数以及步骤1中求得每个点的坡度、坡向和高程，构建DEM与几何畸变的函数关系：
Figure BDA0001796319670000071
Figure BDA0001796319670000072
其中，每个格网坐标定义为(i,j)，i＝1,...n，j＝1,...m，m和n为DEM影像尺寸大小；χij为DEM数据的每个点的坡度角，θij为SAR影像的每个点的入射角。
据此，可定量模拟出透视收缩、主动叠掩区和主动阴影区；
步骤4：为了确定被动叠掩区的范围大小，需要确定被动叠掩区与主动叠掩区之间的邻近点梯度关系。首先要通过一个有效公式确定邻近点梯度关系，以此作为阈值条件，然后进行列搜索。列搜索是以主动叠掩区的临界点为起始点，向非主动叠掩区方向搜索；每搜索一个点，取得该点与起始点的高程差与地距差，判定高程差与地距差的比值是否满足阈值条件，满足则属于被动叠掩区的点，并搜索下一个点，不满足则作为最终的被动叠掩区边界点。
在实际的算法中，邻近梯度关系是指主动叠掩区的临界点与非主动叠掩区点的高程差与地距差的比值与主动叠掩区的临界点的入射角的关系，具体如式子：
Figure BDA0001796319670000073
其中
Δhij,ik＝|hij-hik|
Δlij,ik＝gr·|j-k|
其中，θij和hij分别是主动叠掩区的临界点的入射角和高程值；k为非主动叠掩区点的格网坐标；hik是非主动叠掩区点的高程值；gr为DEM影像距离向分辨率；Δhij,ik和Δlij,ik分别是主动叠掩区的临界点与非主动叠掩区点的高程差和地距差。
被动叠掩区根据卫星与地面目标的距离位置关系可分为近卫星被动叠掩区和远卫星被动叠掩区，并以主动叠掩区为分界区，形成“近卫星被动叠掩区-主动叠掩区-远卫星被动叠掩区”。而主动叠掩区主要以点集的形式离散分布在影像上，为确定被动叠掩区，具体的算法如下：
近卫星被动叠掩区
{
步骤(1)、确定第一个点集的主动叠掩区的临界点，该临界点靠近远卫星被动叠掩区；
步骤(2)、采用列搜索方式，以主动叠掩区的临界点为起始点，同时取得起始点的入射角，向近卫星非主动叠掩区方向搜索，每搜索一个点时，取得该点与起始点的高程差与地距差；
步骤(3)、判定高程差与地距差的比值与入射角的关系是否满足阈值条件，满足则属于近卫星被动叠掩区的点，并搜索下一个点，不满足则作为最终的近卫星被动叠掩区的边界点；
步骤(4)、重复(1)、(2)、(3)步骤，搜索下一个点集的近卫星被动叠掩区；
步骤(5)、重复(1)、(2)、(3)、(4)步骤，搜索每一行的近卫星被动叠掩区。
}
远卫星被动叠掩区
{
步骤(1)、确定第一个点集的主动叠掩区的临界点，该临界点靠近近卫星被动叠掩区；
步骤(2)、采用列搜索方式，以主动叠掩区的临界点为起始点，同时取得起始点的入射角，向远卫星非主动叠掩区方向搜索，每搜索一个点时，取得该点与起始点的高程差与地距差；
步骤(3)、判定高程差与地距差的比值与入射角的关系是否满足阈值条件，满足则属于远卫星被动叠掩区的点，并搜索下一个点，不满足则作为最终的远卫星被动叠掩区的边界点；
步骤(4)、重复(1)、(2)、(3)步骤，搜索下一个点集的远卫星被动叠掩区；
步骤(5)、重复(1)、(2)、(3)、(4)步骤，搜索每一行的远卫星被动叠掩区。
}
综上所示，即可求出叠掩的被动区域。
步骤5：为了确定被动阴影区的范围大小，需要确定被动阴影区与主动阴影区之间的邻近点梯度关系。首先要通过一个有效公式确定邻近点梯度关系，以此作为阈值条件，然后进行列搜索。列搜索是以主动阴影区的临界点为起始点，向非主动阴影区方向搜索，每搜索一个点，取得该点与起始点的高程差与地距差，判定地距差与高程差的比值是否满足阈值条件，满足则属于被动阴影区的点，并搜索下一个点，不满足则作为最终的被动阴影区的边界点。
在实际的算法中，邻近梯度关系是指主动阴影区的临界点与非主动阴影区点的地距差与高程差的比值与主动阴影区点的入射角的关系，具体如式子：
Figure BDA0001796319670000091
其中
Δhij,ik＝|hij-hik|
Δlij,ik＝gr·|j-k|
其中，θij和hij分别是主动阴影区的临界点的入射角和高程值；k为非主动阴影区点的格网坐标；hik是非主动阴影区点的高程值；gr为DEM影像距离向分辨率；Δhij,ik和Δlij,ik分别是主动阴影区的临界点与非主动阴影区点的高程差和地距差。
不同于两个被动区叠掩，阴影只有一个被动阴影区，主动阴影区主要以点集的形式离散分布在影像上，为确定被动阴影区，具体的算法如下：
被动阴影区
{
步骤(1)、确定第一个点集的主动阴影区的临界点，该临界点与被动阴影区相离；
步骤(2)、采用列搜索方式，以主动阴影区的临界点为起始点，同时取得起始点的入射角，向非主动阴影区方向搜索，每搜一个点时，取得该点与起始点的高程差与地距差；
步骤(3)、判定地距差与高程差的比值与入射角的关系是否满足阈值条件，满足则属于被动阴影区的点，并搜索下一个点，不满足则作为最终的被动阴影区的边界点；
步骤(4)、重复(1)、(2)、(3)步骤，搜索下一个点集的被动阴影区；
步骤(5)、重复(1)、(2)、(3)、(4)步骤，搜索每一行的被动阴影区。
}
综上所示，即可求出阴影的被动区域。
步骤6：根据叠掩、阴影与透视收缩这三种几何畸变在空间上的重叠关系，校正透视收缩和主动区域范围的大小。根据交互关系(被动区、主动区、透视收缩)和独立关系(主动区、透视收缩)，几何畸变在空间上存在5种重叠情况：(1)被动叠掩区与透视收缩重叠；(2)被动叠掩区与主动阴影区重叠；(3)被动叠掩区与被动阴影区重叠；(4)被动阴影区与透视收缩重叠；(5)被动阴影区与主动叠掩区重叠。
该校正方法以目标点的成像先后为依据，主要有：a.对于(1)(2)情况，叠加部分为被动叠掩区，可通过步骤4的结果校正步骤3的透视收缩和主动阴影区范围的大小；b.同时存在(2)(3)情况，叠加部分为被动叠掩区，未重叠的被动阴影区应为透视收缩或非几何畸变区；c.对于(3)情况，叠加部分应为被动阴影区；d.对于(4)(5)情况，叠加部分为被动阴影区，可通过步骤5的结果校正步骤3的透视收缩和主动叠掩区范围的大小；e.同时存在(3)(5)情况，叠加部分为被动阴影区，未重叠的被动叠掩区应为透视收缩或非几何畸变区。
所述的影像为SAR影像和DEM数据，几何畸变模拟需求得影像上每个点的入射角、方位角以及坡度角。
所述的基于邻近点梯度关系求其几何畸变的被动区域，设置阈值时需求得非主动区域点与主动区域临界点的高程差和地距差。
本发明提供了一种基于邻近点梯度关系的SR几何畸变定量模拟方法，1)根据DEM数据的地形参数，求得每个点的坡度、坡向及高程；2)利用轨道数据求算出SAR影像上每个点的入射角和方位角；3)根据SAR影像的入射角和方位角，联合DEM数据的坡度坡向，构建DEM与几何畸变的函数关系，定量模拟透视收缩、主动叠掩区和主动阴影区；4)通过确定主动叠掩区与被动叠掩区的邻近点梯度关系，并以此作为阈值条件，模拟出被动叠掩区；5)通过确定主动阴影区与被动阴影区的邻近点梯度关系，并以此作为阈值条件，模拟出被动阴影区；6)根据叠掩、阴影与透视收缩这三种几何畸变在空间上的重叠关系，校正透视收缩和主动区域范围的大小。该方法实现简单，所需要的参数只包括DEM的坡度、坡向、高程，地距分辨率以及SAR数据的入射角，方位向，这些参数也保证了该方法的广泛适用性，是一种高效率、大范围、低成本且切实可行的SAR几何畸变定量模拟技术。该技术不仅对SAR数据的配置优化和精度评估，推动InSAR滑坡监测技术的工程化和市场化具有重要的现实意义，并且极大的提高现有SAR数据的利用率，使得InSAR技术向更加实用化的方向发展，对未来SAR硬件和平台的设计和参数选择，也具有重要的科学价值和指导意义。
下面将结合附图和实施例对本发明做进一步的说明。
图1是本发明所述的方法流程图；
图2是本发明所示的几何畸变二维图；其中，图a为透视收缩解析图，其中x轴为SAR影像的投影面，h轴为DEM高程，在投影面上，A’B’和C’D’区域大小分别与AB和CD相等，而B’C’区域大小明显小于区域BC，区域BC称为透视收缩；图b为叠掩解析图，其中区域BC在投影面上发生位置颠倒，区域AB和CD在投影面上与区域BC重叠，重叠区域为C’B’，区域AB和CD为被动叠掩区，区域BC为主动叠掩区；图c为阴影解析图，其中雷达波照射不到区域EFG，因此区域EFG在投影面上无成像区域，区域EF为主动阴影区，区域FG为被动阴影区；
图3是叠掩与透视收缩、阴影的空间关系图；其中，图a为透视收缩与被动叠掩区的重叠关系，区域AC为透视收缩，区域CD为主动叠掩区，区域BC、DE为被动叠掩区，区域BC为透视收缩与被动叠掩区的重叠区域，区域A’D’C’为区域AE在SAR影像的成像区域；图b为被动叠掩区与阴影的重叠关系，区域BC为主动叠掩区，区域AB、CE为被动叠掩区，区域CD为主动阴影区，区域DE为被动阴影区，区域CDE为被动叠掩区与阴影的重叠区域；
图4是阴影与透视收缩、叠掩的空间关系图；其中，图a为被动阴影区与透视收缩的重叠关系，区域AB为主动阴影区，区域BC为被动阴影区(透视收缩)，区域BC为被动阴影区与透视收缩的重叠区域；图b为被动阴影区与叠掩的重叠关系，区域AB为主动阴影区，区域BF为被动阴影区，区域CD为主动叠掩区，区域BC、DE为被动叠掩区，区域CE为被动阴影区与叠掩的重叠区域；
图5是根据本发明所述的方法获取的几何畸变模拟结果；其中，图(a)为降轨ENVISAT数据的强度图，图(b)为SAR影像几何畸变模拟结果(不包含被动区)，图(c)为本发明所获取的SAR影像几何畸变模拟结果(包含被动区)，图(d)(e)(f)是黑色虚线框部分的缩放图；‘E’代表分辨率增加区域，‘F’代表透视收缩区域，‘AS’代表主动阴影区，‘PS’代表被动阴影区，‘AL’代表主动叠掩区，‘PL’代表被动叠掩区；
图6是几何畸变模拟结果的交互关系；其中，图(a,b,c)中的白色点为被动叠掩，图(a,b,c)分别代表了被动叠掩区与透视收缩的交互关系、被动叠掩区与主动阴影区的交互关系、被动叠掩区与被动阴影区的交互关系；图(d,e,f)中的白色点为被动阴影，图(d,e,f)分别代表了被动阴影区与透视收缩的交互关系、被动阴影区与主动阴影区的交互关系、被动阴影区与被动阴影区的交互关系；
图7是主被动叠掩模拟结果与SAR影像真实叠掩区域的对比图；其中，图(a)为ENVISAT降轨影像强度图(地理编码)，图(b)黑线绘制的区域是真实SAR叠掩区域，其依据是将发生拉伸形变的区域作为叠掩区域，图(b)中‘AL’区域为主动叠掩区，‘PL’区域为被动叠掩区；
图8是主被动叠掩模拟结果与相干性值的对比图；其中，底图为相干性图，其值域范围0～1，白色点为叠掩。
图9是主被动叠掩模拟结果与干涉图的对比；其中，白色点为叠掩，图(b)为干涉图。
我们根据降轨ENVISAT数据参数求得每个点的入射角和方位角，并求取DEM数据中每个点的坡度、坡向与高程，通过坡度坡向与入射角的关系模拟出几何畸变区域(不包括被动区域)，如图5b和图5e所示。为了便于理解本发明的方法，我们对叠掩和阴影的地形结构做了简单的描绘，如图2所示。图3和图4则是透视收缩、叠掩、阴影的空间关系图，从中不难发现这三种几何畸变在空间上存在重叠关系。
通过本发明所提出的方法进行计算，利用上述模拟的主动叠掩区和主动阴影区结果估算出被动叠掩区和被动阴影区。如图5c和图5f所显示的是通过本发明所获取的几何畸变模拟结果。与图5相比，图5f中的‘F’区域(透视收缩)的面积明显减少，且减少的区域由被动区域所占据，证实了透视收缩与几何畸变被动区间的交互关系。如图6所示，被动叠掩区与被动阴影区在空间上分别与局部透视收缩、主被动阴影区、主被动叠掩区重叠，进一步证实了几何畸变间的交互关系。从图7中可以看出，图7(b)的主动叠掩区域(‘AL’)面积明显比黑线绘制的真实SAR影像叠掩区域范围要小，结合本发明所得到的被动叠掩区域(‘PL’)，与实际SAR影像叠掩区域范围更为相近。为了定量地验证本发明的结果，对实例中的被动叠掩区和被动阴影区的相干性进行了计算，其结果如图8所示，大部分叠掩点均落在低相干性区域上，极少部分叠掩点的相干性略偏高，这与叠掩和阴影区域因信号叠加、缺失导致的相干性低现象相吻合。并且该区域失相干也导致了无法产生干涉条纹，从而无法获取该区域的形变结果，如图9所示，说明了本发明的可行性。
以上所述仅为本发明的较佳实施例，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (8)

1.一种基于邻近点梯度关系的SAR几何畸变定量模拟方法，其特征在于，所述方法包括如下步骤：
步骤1、根据DEM数据，计算出DEM数据的地形参数，所述地形参数包括坡度、坡向、高程；
步骤2、利用轨道数据求算出SAR影像上每个点的入射角和方位角；
步骤3、构建DEM与几何畸变的函数关系，定量模拟出透视收缩、主动叠掩区和主动阴影区；
步骤4、通过根据非主动叠掩区与主动叠掩区之间的邻近点梯度关系，确定被动叠掩区的范围大小；
步骤5、通过非主动阴影区与主动阴影区之间的邻近点梯度关系，确定被动阴影区的范围大小；
步骤6、根据叠掩、阴影与透视收缩这三种几何畸变在空间上的重叠关系，校正透视收缩与主动区域范围的大小；
其中，所述步骤2中，每个点坐标定义为(i,j)，i＝1,...n，j＝1,...m，所述m和所述n为DEM影像尺寸大小；
其中，所述步骤4中的邻近点梯度关系是指主动叠掩区的临界点与非主动叠掩区点的高程差与地距差的比值与主动叠掩区的临界点的入射角的关系，具体如式子：
Figure FDA0003217716210000011
其中
Δhij,ik＝|hij-hik|
Δlij,ik＝gr·|j-k|
其中，所述θij和所述hij分别是主动叠掩区的临界点的入射角和高程值；所述k为非主动叠掩区点的格网坐标；所述hik是非主动叠掩区点的高程值；所述gr为所述DEM影像距离向分辨率；Δhij,ik和Δlij,ik分别是主动叠掩区的临界点与非主动叠掩区点的高程差和地距差；
所述步骤5中的邻近梯度关系是指主动阴影区的临界点与非主动阴影区点的地距差与高程差的比值与主动阴影区点的入射角的关系，具体如式子：
Figure FDA0003217716210000021
其中
Δhij,ik＝|hij-hik|
Δlij,ik＝gr·|j-k|
其中，所述θij和所述hij分别是主动阴影区的临界点的入射角和高程值；所述k为非主动阴影区点的格网坐标；所述hik是非主动阴影区点的高程值；所述gr为DEM影像距离向分辨率；Δhij,ik和Δlij,ik分别是主动阴影区的临界点与非主动阴影区点的高程差和地距差。
2.如权利要求1所述的方法，其特征在于，所述构建DEM与几何畸变的函数关系具体包括：根据SAR卫星数据的成像几何，联合步骤2中求得所述每个点的入射角和方位角参数以及步骤1中求得所述每个点的坡度、坡向和高程，构建DEM与几何畸变的函数关系
坡面朝向卫星
Figure FDA0003217716210000022
坡面背向卫星
Figure FDA0003217716210000023
其中，每个点坐标定义为(i,j)，i＝1,...n，j＝1,...m，所述m和所述n为DEM影像尺寸大小；所述χij为所述DEM数据的每个点的坡度角，所述θij为所述SAR影像的每个点的入射角。
3.如权利要求1-2任一项所述的方法，其特征在于，所述几何畸变在空间上存在5种重叠情况：(1)被动叠掩区与透视收缩重叠；(2)被动叠掩区与主动阴影区重叠；(3)被动叠掩区与被动阴影区重叠；(4)被动阴影区与透视收缩重叠；(5)被动阴影区与主动叠掩区重叠。
4.如权利要求1所述的方法，其特征在于，对于(1)和(2)的情况，叠加部分为被动叠掩区，可通过所述步骤4的结果校正所述步骤3的透视收缩和主动阴影区范围的大小。
5.如权利要求3所述的方法，其特征在于，对于同时存在(2)和(3)的情况，叠加部分为被动叠掩区，未重叠的被动阴影区应为透视收缩或非几何畸变区。
6.如权利要求3所述的方法，其特征在于，对于(3)的情况，叠加部分应为被动阴影区。
7.如权利要求3所述的方法，其特征在于，对于(4)和(5)的情况，叠加部分为被动阴影区，可通过所述步骤5的结果校正所述步骤3的透视收缩和主动叠掩区范围的大小。
8.如权利要求3所述的方法，其特征在于，对于同时存在(3)和(5)的情况，叠加部分为被动阴影区，未重叠的被动叠掩区应为透视收缩或非几何畸变区。
CN201811058051.4A 2018-09-11 2018-09-11 一种基于邻近点梯度关系的sar几何畸变定量模拟方法 Active CN109166084B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201811058051.4A CN109166084B (zh) 2018-09-11 2018-09-11 一种基于邻近点梯度关系的sar几何畸变定量模拟方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201811058051.4A CN109166084B (zh) 2018-09-11 2018-09-11 一种基于邻近点梯度关系的sar几何畸变定量模拟方法

Publications (2)

Publication Number Publication Date
CN109166084A CN109166084A (zh) 2019-01-08
CN109166084B true CN109166084B (zh) 2022-04-22

Family

ID=64894941

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201811058051.4A Active CN109166084B (zh) 2018-09-11 2018-09-11 一种基于邻近点梯度关系的sar几何畸变定量模拟方法

Country Status (1)

Country Link
CN (1) CN109166084B (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP7124956B2 (ja) 2019-03-28 2022-08-24 日本電気株式会社 画像処理装置、画像処理方法及び画像処理用コンピュータプログラム
CN110083673B (zh) * 2019-04-30 2020-12-15 河海大学 一种基于高程散点的河道或堤防智能搜索方法
CN113505764B (zh) * 2021-09-09 2021-12-07 成都理工大学 顾及局部入射角的高山峡谷区sar几何畸变识别方法

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101078769A (zh) * 2006-05-25 2007-11-28 中国科学院中国遥感卫星地面站 单次全极化合成孔径雷达图像反演数字高程模型的方法
CN101937083A (zh) * 2009-07-01 2011-01-05 中国科学院电子学研究所 一种机载干涉sar联合地理编码抑制山体阴影方法
CN102628942A (zh) * 2012-04-24 2012-08-08 中国科学院遥感应用研究所 一种雷达影像双视向信息补偿方法
CN105929398A (zh) * 2016-04-20 2016-09-07 中国电力工程顾问集团中南电力设计院有限公司 结合外控点的InSAR高精度高分辨率DEM获取方法
US9483816B2 (en) * 2013-09-03 2016-11-01 Litel Instruments Method and system for high accuracy and reliability registration of multi modal imagery
CN106600551A (zh) * 2016-12-03 2017-04-26 中国人民解放军国防科学技术大学 一种适用于大场景星载sar图像的高精度几何校正方法
CN107024683A (zh) * 2017-06-14 2017-08-08 中国科学院遥感与数字地球研究所 基于dem的sar影像直接正射校正方法及系统
CN107092014A (zh) * 2017-06-27 2017-08-25 西安电子科技大学 一种弹载双基前视sar舰船目标定位的优化方法
CN107102332A (zh) * 2017-05-11 2017-08-29 中南大学 基于方差分量估计与应力应变模型的InSAR三维地表形变监测方法

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101078769A (zh) * 2006-05-25 2007-11-28 中国科学院中国遥感卫星地面站 单次全极化合成孔径雷达图像反演数字高程模型的方法
CN101937083A (zh) * 2009-07-01 2011-01-05 中国科学院电子学研究所 一种机载干涉sar联合地理编码抑制山体阴影方法
CN102628942A (zh) * 2012-04-24 2012-08-08 中国科学院遥感应用研究所 一种雷达影像双视向信息补偿方法
US9483816B2 (en) * 2013-09-03 2016-11-01 Litel Instruments Method and system for high accuracy and reliability registration of multi modal imagery
CN105929398A (zh) * 2016-04-20 2016-09-07 中国电力工程顾问集团中南电力设计院有限公司 结合外控点的InSAR高精度高分辨率DEM获取方法
CN106600551A (zh) * 2016-12-03 2017-04-26 中国人民解放军国防科学技术大学 一种适用于大场景星载sar图像的高精度几何校正方法
CN107102332A (zh) * 2017-05-11 2017-08-29 中南大学 基于方差分量估计与应力应变模型的InSAR三维地表形变监测方法
CN107024683A (zh) * 2017-06-14 2017-08-08 中国科学院遥感与数字地球研究所 基于dem的sar影像直接正射校正方法及系统
CN107092014A (zh) * 2017-06-27 2017-08-25 西安电子科技大学 一种弹载双基前视sar舰船目标定位的优化方法

Non-Patent Citations (7)

* Cited by examiner, † Cited by third party
Title
InSAR变形监测方法与研究进展;朱建军等;《测绘学报》;20171031;第46卷(第10期);第1717-1733页 *
Recovering radar shadow to improve interferometric phase unwrapping and DEM reconstruction;M. Eineder等;《IEEE Transactions on Geoscience and Remote Sensing》;20031231;第41卷(第12期);第2959-2962页 *
Simulating SAR geometric distortions and predicting Persistent Scatterer densities for ERS-1/2 and ENVISAT C-band SAR and InSAR applications: Nationwide feasibility assessment to monitor the landmass of Great Britain with SAR imagery;Francesca Cigna等;《Remote Sensing of Environment》;20140930;第152卷;第441-466页 *
The Generation of SAR Layover and Shadow Maps From Digital Elevation Models;WALTER G等;《IEEE TRANSACTIONS ON GEOSCIENCE AND REMOTE SENSING》;19900131;第28卷(第1期);第98-108页 *
全极化SAR数据校正;黄志杨;《中国优秀硕士学位论文全文数据库·信息科技辑》;20161115(第11期);第I136-88页 *
基于影像模拟的多山地区 SAR 影像正射校正;黄志杨等;《图形图像》;20151231;第21-25页 *
基于计算机图形学的SAR图像几何畸变仿真;张帆等;《系统仿真学报》;20090531;第21卷(第9期);第2503-2510页 *

Also Published As

Publication number Publication date
CN109166084A (zh) 2019-01-08

Similar Documents

Publication Publication Date Title
CN111142119B (zh) 一种基于多源遥感数据的矿山地质灾害动态识别与监测方法
Catalão et al. Merging GPS and atmospherically corrected InSAR data to map 3-D terrain displacement velocity
CN109166084B (zh) 一种基于邻近点梯度关系的sar几何畸变定量模拟方法
CN106526590A (zh) 一种融合多源sar影像工矿区三维地表形变监测及解算方法
CN109212522B (zh) 一种基于双基星载sar的高精度dem反演方法及装置
CN109031301A (zh) 基于PSInSAR技术的山区地形形变提取方法
CN105677942A (zh) 一种重复轨道星载自然场景sar复图像数据快速仿真方法
CN102628942B (zh) 一种雷达影像双视向信息补偿方法
Li et al. A new analytical method for estimating Antarctic ice flow in the 1960s from historical optical satellite imagery
CN109100719B (zh) 基于星载sar影像与光学影像的地形图联合测图方法
Kim et al. Multi-resolution topographic data extraction from Martian stereo imagery
CN108562900B (zh) 一种基于高程校正的sar图像几何配准方法
CN110703252B (zh) 干涉合成孔径雷达阴影区域数字高程模型修正方法
Aati et al. A new approach for 2-D and 3-D precise measurements of ground deformation from optimized registration and correlation of optical images and ICA-based filtering of image geometry artifacts
CN105469391A (zh) 一种云阴影检测方法及系统
CN113238228B (zh) 基于水准约束的三维地表形变获取方法、系统及装置
Recla et al. From Relative to Absolute Heights in SAR-based Single-Image Height Prediction
CN117452402A (zh) 一种干涉sar测量方法及系统
CN110618409B (zh) 顾及叠掩及阴影的多通道InSAR干涉图仿真方法及系统
CN116188372B (zh) 一种基于立体测绘的阻水构筑物识别方法
Wang et al. A novel three-dimensional block adjustment method for spaceborne InSAR-DEM based on general models
Thiele et al. InSAR phase profiles at building locations
Liu et al. Automatic building height estimation with shadow correction over heterogeneous compact cities using stereo Gaofen-7 data at sub-meter resolution
Sarabandi et al. Building inventory compilation for disaster management: Application of remote sensing and statistical modeling
Huang et al. Construction of High Precision and Complete Images of Subsidence Basin in the Dune Mining Basing on Insar-Uav-Lidar Heterogeneous Data Integration

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