CN109696675A - 基于迪杰斯特拉算法的InSAR时序影像集合配准方法 - Google Patents

基于迪杰斯特拉算法的InSAR时序影像集合配准方法 Download PDF

Info

Publication number
CN109696675A
CN109696675A CN201811609317.XA CN201811609317A CN109696675A CN 109696675 A CN109696675 A CN 109696675A CN 201811609317 A CN201811609317 A CN 201811609317A CN 109696675 A CN109696675 A CN 109696675A
Authority
CN
China
Prior art keywords
registration
coherence
algorithm
dijkstra
interference
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
Application number
CN201811609317.XA
Other languages
English (en)
Other versions
CN109696675B (zh
Inventor
蒋弥
马张烽
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.)
Hohai University HHU
Original Assignee
Hohai University HHU
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 Hohai University HHU filed Critical Hohai University HHU
Priority to CN201811609317.XA priority Critical patent/CN109696675B/zh
Publication of CN109696675A publication Critical patent/CN109696675A/zh
Application granted granted Critical
Publication of CN109696675B publication Critical patent/CN109696675B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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

本发明公开了一种基于迪杰斯特拉算法的InSAR时序影像集合配准方法，对N幅原始SAR图像数据序列进行几何配准，获得单视复数影像序列；在影像脉冲波束的重叠区域处进行精确的相干性估计；提取重叠区域相干性较好的散射点；利用迪杰斯特拉最短路径算法，基于干涉对重叠区域的平均相干性生成指导配准的不规则三角网；利用增强谱分集方法计算三角网中所有干涉对的配准偏移量组成平差观测矩阵；利用迭代重加权最小二乘进行平差解算配准偏移量；根据配准偏移量校正粗配准达到精配准目的。采用本发明减小了失相干对配准偏移量估计造成的影响，为后续的时序InSAR分析提供了良好的基础。

Description

基于迪杰斯特拉算法的InSAR时序影像集合配准方法
技术领域
本发明属于SAR(Synthetic Aperture Radar，合成孔径雷达)数据处理技术领域，具体涉及一种基于迪杰斯特拉算法的InSAR时序影像集合配准方法。
背景技术
2014年欧空局发射了新一代跨时代卫星哨兵1A,凭借高重访率与强信噪比哨兵卫星被广泛应用于监测地表形变。然而TOPS(Terrain Observation by Progressive Scans)模式因其观测重叠区域的高质心频率差，对配准的精度要求极高。为使重叠区域的残余干涉相位差小于3°从而避免干涉图出现相位跳变，要求配准方法达到约0.001像元精度。目前常采用的精配准方法为谱分集与增强谱分集，增强谱分集凭借高多普勒质心频率差在偏移量提取上表现优于谱分集技术。增强谱分集方法的核心思想是采用主辅影像重叠区域的干涉相位差进行方位向配准偏移的估计，考虑到相位噪声点的纳入，为了提高偏移值计算精度需要通过设置相干性阈值进行相干点的优选。传统增强谱分集方法中进行相干性估计时忽略了干涉图条纹对相干性造成的影响，且在存在方位向配准偏移的情况下，直接利用低估的相干性进行像元的选取，容易纳入粗差点使得偏移计算过程中出现离群值。精配准延伸至时序影像配准，受时间去相干与噪声的影响，低相干性像对的选点精度降低，配准偏移值的估计存在偏差。为减小相干性对ESD(增强谱分集)的影响，应避免利用单主影像方式进行影像精配准。在此背景下，小基线集式的时序影像配准方式利用增加干涉对的方式减小了时间去相干对增强谱分集的影响，也增强了增强谱分集计算偏移值的鲁棒性，但该方法仍存在两个方面的问题：(1)多像对造成了配准效率的下降；(2)干涉对噪声特征各异，导致方位向配准偏移量的估计精度受限于低相干性区域。
发明内容
发明目的：本发明提出一种基于迪杰斯特拉算法的InSAR时序影像集合配准方法，使TOPS模式下影像方位向配准精度到达0.001像元以减少时序分析过程中的配准误差，实现时序TOPS影像的精配准工作。
技术方案：本发明所述的一种基于迪杰斯特拉算法的InSAR时序影像集合配准方法，具体步骤如下：
(1)对N幅原始SAR图像数据序列进行几何配准，获得单视复数影像序列；
(2)在几何配准后的单视复数影像基础上进行非参数检验，获得同质区域；
(3)对N(N-1)/2幅干涉图进行精确相干性估计；
(4)计算出所有干涉图的平均相干性作为路径长度集合，利用迪杰斯特拉最短路径搜索算法按相干性的优劣依次进行搜索，选择最优相干性的两条路径进行闭合产生闭合图形，直至最优配准集合即不规则三角网的生成；
(5)在步骤(4)生成的所有最优配准集基础上，进行增强谱分集计算方位向残余配准量序列，增强谱分集的过程中，利用步骤(3)计算出的精确相干性进行散射点的优选；
(6)在步骤(4)不规则三角网的基础上生成设计矩阵，将图论中所有配准残余序列作为观测矩阵，结合迭代重加权最小二乘进行平差解算得到准确的偏移量；
(7)根据步骤(6)中准确的方位向配准偏移量进行所有影像的配准校正。
步骤(1)所述的几何配准采用SRTM90数字高程模型与卫星精密轨道进行粗配准。
步骤(2)所述的同质区域是采用Kolmogorov-Smirnov非参数检验方法进行同质像元选取获得。
步骤(3)所述的精确相干性估计通过以下公式实现：
其中，S1和S2为干涉对中主辅影像对应的雷达脉冲，K代表滑动窗口中的同质区域包含的像元个数,代表波束观测区域干涉条纹对应的相位。
步骤(4)所述的利用迪杰斯特拉最短路径搜索算法按相干性的优劣依次进行搜索通过以下公式实现：
其中，fovl为上下波束的多普勒质心频率差，τ为方位向时间间隔，为重叠区域的干涉相位差标准差，γ为计算出平均相干性，N为计算相干性时窗口中独立像元个数。
有益效果：与现有技术相比，本发明的有益效果：1、在InSAR时序图像的基础上，利用Kolmogorov-Smirnov非参数检验方法将每个空间像素的空间相似邻域像素挑选出来进行精确的相干性估计，避免了增强谱分集过程中选取误差点；2、在生成配准集合过程中使用最小迪杰斯特拉最短路径算法，将配准偏移量方差作为路径长度，使得生成的不规则三角网能够根据相干性的优劣自动选择闭合路径；3、利用迭代重加权最小二乘计算出精确至0.001像元精度的方位向偏移值。
附图说明
图1为本发明的流程图；
图2为本发明利用迪杰斯特拉最短路径算法生成的不规则三角网图；
图3为NESD方法精配准迭代100次残余值的箱式图；
图4为本发明精配准迭代100次残余值的箱式图；
图5为NESD计算出的偏移值进行精配准后的结果图；
图6为本发明计算出的偏移值进行精配准后的结果图；
图7为采用NESD后干涉图波束重叠区域的残余配准偏移值；
图8为采用本发明后干涉图波束重叠区域的残余配准偏移值。
具体实施方式
下面结合附图对本发明作进一步详细说明。
图1为本发明的流程图，基于迪杰斯特拉算法的InSAR时序影像集合配准方法，具体步骤如下：
1、对原始SAR图像数据序列进行预处理，采用复数取模的平方获得单视SAR强度图像序列。
2、对预处理后的单视SAR强度图像序列进行粗配准(几何配准)，得到统一参考系统的单视SAR强度图像序列；
为了定性和定量分析本发明方法的有效性，数据采用C波段欧空局Sentinel-1A雷达卫星单极化数据，图像入射角度为34°，空间分辨率为5m×20m(距离向×方位向)。
3、在粗配准后的单视SAR强度图像基础下，对雷达波束的重叠区域利用Kolmogorov-Smirnov非参数假设检验获得窗口中相同质地的点。
4、对影像堆栈中所有潜在的干涉对进行精确相干性估计，利用同质点进行相干性估计的过程具体为：对于干涉对中主辅影像对应的影像对应的雷达脉冲S1和S2，根据以下相干性估计器进行估计：
其中，K代表滑动窗口中的同质像元个数,代表波束观测区域干涉条纹对应的相位。
5、采用迪杰斯特拉最短路径算法，将配准方差作为迪杰斯特拉算法中的路径长度进行最优配准集的搜索：
其中，fovl代表上下波束的多普勒质心频率差，τ为方位向时间间隔，为重叠区域的干涉相位差标准差，γ为计算出平均相干性，N为计算相干性时窗口中独立像元个数。生成的最优配准集如图2所示。
迪杰斯特拉算法将潜在干涉对的配准方差作为路径，实际是组成无负权图的过程，从中心点开始层层向外搜索，迭代搜索起点和中间点的潜在路径，直至获取最短路径总和。
6、在生成的最优配准集的基础上，将图论中所有路径作为干涉对分别利用精确估计的相干性进行增强谱分集精配准，精配准过程中利用相干性选取稳定的相干点计算残余配准偏移值，这样即可获得一组偏移量数组。为了定性定量分析配准精度，利用迭代重加权最小二乘对偏移量数组进行平差得时序偏移值结果，在前一次精配准影像上不断迭代获取残余配准偏移值。选取相干性大于0.3的点进行配准偏移量的估计，为表示残余配准偏移量的离散程度，图3、图4分别为NESD和本发明100次精配准迭代结果得到的箱式图，为了突出结果的精度，结合目前时序配准精度最高的NESD方法进行了比较。
从图3、图4可以看出，与NESD方法相比本发明的时序影像配准偏移值的收敛情况较好，能够维持在0.001像素之内。
图5至图8为NESD与本发明精配准后的结果，图5为NESD计算出的偏移值进行精配准后的结果，在雷达波束边缘位置仍存在“跳变”相位，代表精配准效果不理想，图7为NESD后干涉图波束重叠区域的残余配准偏移值，仍存在整体偏移。图6为本发明计算出的偏移值进行精配准后的结果，已无“跳变”相位存在，图8为采用本发明后干涉图波束重叠区域的残余配准偏移值，已不存在整体偏移。
迭代重加权最小二乘过程中平差设计矩阵由最优配准集合生成。为简化描述，统一选取影像1作为基准点，仅针对后续影像2、3阐述矩阵生成过程。
影像1和2，1和3及2和3分别对应的设计矩阵为
7、根据步骤6中准确的方位向配准偏移量Δx进行所有影像的配准校正,校正过程：利用生成的补偿复数影像经傅里叶变换后与经傅里叶变换后的初始影像共轭相乘，最终通过逆傅里叶变换获得精配准后的最终结果。
以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明技术原理的前提下，还可以做出若干改进和变形，这些改进和变形也应视为本发明的保护范围。

Claims (5)

1.一种基于迪杰斯特拉算法的InSAR时序影像集合配准方法，其特征在于，包括以下步骤：
(1)对N幅原始SAR图像数据序列进行几何配准，获得单视复数影像序列；
(2)在几何配准后的单视复数影像基础上进行非参数检验，获得同质区域；
(3)对N(N-1)/2幅干涉图进行精确相干性估计；
(4)计算出所有干涉图的平均相干性作为路径长度集合，利用迪杰斯特拉最短路径搜索算法按相干性的优劣依次进行搜索，选择最优相干性的两条路径进行闭合产生闭合图形，直至最优配准集合即不规则三角网的生成；
(5)在步骤(4)生成的所有最优配准集基础上，进行增强谱分集计算方位向残余配准量序列，增强谱分集的过程中，利用步骤(3)计算出的精确相干性进行散射点的优选；
(6)在步骤(4)不规则三角网的基础上生成设计矩阵，将图论中所有配准残余序列作为观测矩阵，结合迭代重加权最小二乘进行平差解算得到准确的偏移量；
(7)根据步骤(6)中准确的方位向配准偏移量进行所有影像的配准校正。
2.根据权利要求1所述的基于迪杰斯特拉算法的InSAR时序影像集合配准方法，其特征在于，步骤(1)所述的几何配准采用数字高程模型与卫星精密轨道进行粗配准。
3.根据权利要求1所述的基于迪杰斯特拉算法的InSAR时序影像集合配准方法，其特征在于，步骤(2)所述的同质区域是采用Kolmogorov-Smirnov非参数检验方法进行同质像元选取获得。
4.根据权利要求1所述的基于迪杰斯特拉算法的InSAR时序影像集合配准方法，其特征在于，步骤(3)所述的精确相干性估计通过以下公式实现：
其中，S1和S2为干涉对中主辅影像对应的雷达脉冲，K代表滑动窗口中的同质区域包含的像元个数,代表波束观测区域干涉条纹对应的相位。
5.根据权利要求1所述的基于迪杰斯特拉算法的InSAR时序影像集合配准方法，其特征在于，步骤(4)所述的利用迪杰斯特拉最短路径搜索算法按相干性的优劣依次进行搜索通过以下公式实现：
其中，fovl为上下波束的多普勒质心频率差，τ为方位向时间间隔，为重叠区域的干涉相位差标准差，γ为计算出平均相干性，N为计算相干性时窗口中独立像元个数。
CN201811609317.XA 2018-12-27 2018-12-27 基于迪杰斯特拉算法的InSAR时序影像集合配准方法 Active CN109696675B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201811609317.XA CN109696675B (zh) 2018-12-27 2018-12-27 基于迪杰斯特拉算法的InSAR时序影像集合配准方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201811609317.XA CN109696675B (zh) 2018-12-27 2018-12-27 基于迪杰斯特拉算法的InSAR时序影像集合配准方法

Publications (2)

Publication Number Publication Date
CN109696675A true CN109696675A (zh) 2019-04-30
CN109696675B CN109696675B (zh) 2021-01-05

Family

ID=66232158

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201811609317.XA Active CN109696675B (zh) 2018-12-27 2018-12-27 基于迪杰斯特拉算法的InSAR时序影像集合配准方法

Country Status (1)

Country Link
CN (1) CN109696675B (zh)

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110261839A (zh) * 2019-07-04 2019-09-20 河海大学 一种基于双倍样本的增强谱分集方位向偏移量估计方法
CN112946601A (zh) * 2021-03-19 2021-06-11 杭州电子科技大学 基于Gauss-Seidel的高效分布式目标相位优化方法
CN113065467A (zh) * 2021-04-01 2021-07-02 中科星图空间技术有限公司 一种基于深度学习的卫星图像低相干区域识别方法及装置
CN113203992A (zh) * 2021-04-29 2021-08-03 电子科技大学 一种多基sar的抗欺骗性干扰方法
CN117726658A (zh) * 2024-02-09 2024-03-19 湖南省第一测绘院 一种基于局部迭代策略的大场景sar影像配准的方法及装置

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2011141322A1 (en) * 2010-05-14 2011-11-17 Selex Galileo Limited System and method for image registration
CN103366375A (zh) * 2013-07-15 2013-10-23 中国科学院自动化研究所 基于动态有向图的图像集配准方法
CN103439708A (zh) * 2013-08-29 2013-12-11 西安电子科技大学 基于广义散射矢量的极化InSAR干涉图估计方法
US20140153785A1 (en) * 2012-12-05 2014-06-05 Chevron U.S.A. Inc. Methods and systems for detection and characterization of channel systems
EP2827298A1 (en) * 2013-07-16 2015-01-21 Universitätsklinikum Jena Method and computer program for filtering and particularly segmenting and/or analyzing anatomic structures in a digital image
CN107590517A (zh) * 2017-09-19 2018-01-16 安徽大学 一种基于形状信息的图像相似度度量方法及图像配准方法
CN108765472A (zh) * 2018-05-18 2018-11-06 安徽大学 基于稀疏有向图的图像集配准方法

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2011141322A1 (en) * 2010-05-14 2011-11-17 Selex Galileo Limited System and method for image registration
US20140153785A1 (en) * 2012-12-05 2014-06-05 Chevron U.S.A. Inc. Methods and systems for detection and characterization of channel systems
CN103366375A (zh) * 2013-07-15 2013-10-23 中国科学院自动化研究所 基于动态有向图的图像集配准方法
EP2827298A1 (en) * 2013-07-16 2015-01-21 Universitätsklinikum Jena Method and computer program for filtering and particularly segmenting and/or analyzing anatomic structures in a digital image
CN103439708A (zh) * 2013-08-29 2013-12-11 西安电子科技大学 基于广义散射矢量的极化InSAR干涉图估计方法
CN107590517A (zh) * 2017-09-19 2018-01-16 安徽大学 一种基于形状信息的图像相似度度量方法及图像配准方法
CN108765472A (zh) * 2018-05-18 2018-11-06 安徽大学 基于稀疏有向图的图像集配准方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
吴文豪: "哨兵雷达卫星TOPS模式干涉处理研究", 《中国博士学位论文全文数据库 基础科学辑》 *
蒋弥 等: "基于时间序列的InSAR相干性量级估计", 《地球物理学报》 *

Cited By (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110261839A (zh) * 2019-07-04 2019-09-20 河海大学 一种基于双倍样本的增强谱分集方位向偏移量估计方法
CN110261839B (zh) * 2019-07-04 2023-02-28 河海大学 一种基于双倍样本的增强谱分集方位向偏移量估计方法
CN112946601A (zh) * 2021-03-19 2021-06-11 杭州电子科技大学 基于Gauss-Seidel的高效分布式目标相位优化方法
CN112946601B (zh) * 2021-03-19 2024-02-20 杭州电子科技大学 基于Gauss-Seidel的高效分布式目标相位优化方法
CN113065467A (zh) * 2021-04-01 2021-07-02 中科星图空间技术有限公司 一种基于深度学习的卫星图像低相干区域识别方法及装置
CN113065467B (zh) * 2021-04-01 2024-05-14 中科星图空间技术有限公司 一种基于深度学习的卫星图像低相干区域识别方法及装置
CN113203992A (zh) * 2021-04-29 2021-08-03 电子科技大学 一种多基sar的抗欺骗性干扰方法
CN117726658A (zh) * 2024-02-09 2024-03-19 湖南省第一测绘院 一种基于局部迭代策略的大场景sar影像配准的方法及装置
CN117726658B (zh) * 2024-02-09 2024-05-03 湖南省第一测绘院 一种基于局部迭代策略的大场景sar影像配准的方法及装置

Also Published As

Publication number Publication date
CN109696675B (zh) 2021-01-05

Similar Documents

Publication Publication Date Title
CN109696675A (zh) 基于迪杰斯特拉算法的InSAR时序影像集合配准方法
CN109509219A (zh) 基于最小生成树的InSAR时序影像集合的配准方法
Yague-Martinez et al. Coregistration of interferometric stacks of Sentinel-1 TOPS data
Liu et al. Adaptive translational motion compensation method for ISAR imaging under low SNR based on particle swarm optimization
CN111273293B (zh) 一种顾及地形起伏的InSAR残余运动误差估计方法及装置
CN111896955B (zh) 一种船载sar交轨干涉处理方法
CN108007401A (zh) 一种基于船载InSAR平台的河湖库沿岸形变检测装置及方法
CN110109112B (zh) 一种基于InSAR的填海地区机场形变监测方法
CN109884635A (zh) 大范围高精度的InSAR形变监测数据处理方法
CN107607948B (zh) 一种中轨道卫星sar的运动补偿及成像方法
CN110148165B (zh) 一种基于粒子群优化的三维干涉isar图像配准方法
CN114114181B (zh) 基于轨道误差相位基的星载sar干涉基线矫正方法
CN108061882A (zh) 基于修正牛顿迭代的isar横向定标与越多普勒走动校正方法
CN108761458B (zh) 基于形态学细化的干涉sar水体数字高程模型修正方法
CN110018476A (zh) 时间差分基线集时序干涉sar处理方法
CN108132468A (zh) 一种多基线极化干涉sar建筑物高度提取方法
Fang et al. An InSAR fine registration algorithm using uniform tie points based on Voronoi diagram
CN107741585A (zh) 适用于大斜视sar成像的距离空变md自聚焦方法
CN109633639A (zh) Topsar干涉数据的高精度快速配准方法
Li et al. An adaptive phase optimization algorithm for distributed scatterer phase history retrieval
CN104155653A (zh) 一种基于特征距离子空间的sar后向投影成像方法
CN108872989A (zh) 一种基于最大周期图的PS-InSAR精确搜索方法
CN109946682B (zh) 基于ICESat/GLAS的GF3数据基线估计方法
CN113219458B (zh) 双基地合成孔径雷达盲定位方法
CN110261839A (zh) 一种基于双倍样本的增强谱分集方位向偏移量估计方法

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