CN109752715A - 一种sar数据全散射体探测方法及装置 - Google Patents
一种sar数据全散射体探测方法及装置 Download PDFInfo
- Publication number
- CN109752715A CN109752715A CN201910077641.XA CN201910077641A CN109752715A CN 109752715 A CN109752715 A CN 109752715A CN 201910077641 A CN201910077641 A CN 201910077641A CN 109752715 A CN109752715 A CN 109752715A
- Authority
- CN
- China
- Prior art keywords
- detection
- point information
- point
- dps
- obtains
- 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
Landscapes
- Radar Systems Or Details Thereof (AREA)
Abstract
本发明公开了一种SAR数据全散射体探测方法,该方法包括以下步骤:对SAR数据集进行干涉处理,得到差分干涉图;对差分干涉图进行PS检测,获得PS点信息;PS为永久散射体;利用PS点信息对差分干涉图进行DS检测,获得DS点信息;DS为分布式散射体;利用PS点信息对差分干涉图进行DPS检测,获得DPS点信息;DPS为叠掩永久散射体;将PS点信息、DS点信息和DPS点信息进行汇总,获得时序测量结果;其中,点信息包括点位置和形变参数。该方法通过汇总PS点信息、DS点信息和DPS点信息得到更为准确的时序检测结果。本发明还公开了一种SAR数据全散射体探测装置、设备及可读存储介质,具有相应的技术效果。
Description
技术领域
本发明涉及星载合成孔径雷达时间序列干涉(Spaceborne Synthetic ApertureRadar Time Series Interferometry)技术领域,特别是涉及一种SAR数据全散射体探测方法、装置、设备及可读存储介质。
背景技术
星载合成孔径雷达干涉技术是近年来发展迅猛的一种空间对地观测技术,在该技术基础之上发展起来的合成孔径雷达长时间序列技术通过对同一地区多景SAR(SyntheticAperture Radar,合成孔径雷达)影像中的散射点进行分析处理,实现对地表的高精度监测与测量。
不同的散射体具有不同的特征,永久散射体(Persistent scatterer,PS)表现为在时间序列上的每一景都有较强并且稳定的散射强度,叠掩永久散射体(DoublePersistent scatterer,DPS)表现为相位是两个或者多个永久散射体相位的叠加,而分布式散射体(Distributed Scatterer,DS)是由一个散射单元存在多个同分布的目标所形成。随着越来越多的星载SAR系统被发射,并用于合成孔径雷达干涉应用,针对复杂场景中的多种散射体的联合监测变得非常迫切。但是,目前主要还是针对上述一种散射体或者两种散射体进行检测,以对地面进行监测与测量。而仅针对其中的一种或两种散射体进行检测时,往往会忽略其余散射体对SAR数据的影响,难以提升对地表进行的监测与测量的准确率。
综上所述,如何对多种散射体进行联合检测等问题,是目前本领域技术人员急需解决的技术问题。
发明内容
本发明的目的是提供一种SAR数据全散射体探测方法、装置、设备及可读存储介质,以实现对多种散射体进行联合检测,提高地表测量/监测准确率。其中,SAR全散射体探测即指对构成SAR数据的所有散射体(包括DS、PS和SPS)进行联合探测。
为解决上述技术问题,本发明提供如下技术方案:
一种SAR数据全散射体探测方法,包括:
对SAR数据集进行干涉处理,得到差分干涉图;
对所述差分干涉图进行PS检测,获得PS点信息;所述PS为永久散射体;
利用所述PS点信息对所述差分干涉图进行DS检测,获得DS点信息;所述DS为分布式散射体;
利用所述PS点信息对所述差分干涉图进行DPS检测,获得DPS点信息;所述DPS为叠掩永久散射体;
将所述PS点信息、所述DS点信息和所述DPS点信息进行汇总,获得时序测量结果;其中,所述点信息包括点位置和形变参数。
优选地,在所述PS点信息包括可靠PS点信息和普通PS点信息时,对所述差分干涉图进行PS检测,获得PS点信息,包括:
在所述差分干涉图中选择目标PS点,并利用所述目标PS点构建第一检测网;
利用所述第一检测网对所述差分干涉图进行PS检测,获得所述可靠PS点信息;
利用所述可靠PS点信息对所述第一检测网进行拓展,获得第二检测网;
利用所述第二检测网对所述差分干涉图进行PS检测,获得所述普通PS点信息。
优选地,在所述DS点信息包括可靠DS点信息和普通DS点信息时,利用所述PS点信息对所述差分干涉图进行DS检测,获得DS点信息,包括:
对所述差分干涉图进行DS检测,获得所述可靠DS点信息;
利用所述可靠PS点信息对所述第一检测网进行拓展,获得第三检测网;
利用所述第三检测网对所述差分干涉图进行DS检测,获得所述普通DS点信息。
优选地,利用所述可靠PS点信息对所述第一检测网进行拓展,获得第二检测网,包括:
对所述差分干涉图进行强度平均处理和相干系数统计,获得平均强度图和相干系数;
利用所述平均强度图和所述相干系数筛选出PS预选点;
将所述PS预选点与所述第一检测网中最接近的点进行连接,获得所述第二检测网。
优选地,利用所述第二检测网对所述差分干涉图进行PS检测,获得所述普通PS点信息,包括:
利用波束形成算法对所述第二检测网中的目标弧段进行求解,并在全局系数大于PS阈值时,确定所述目标弧段连接的所述PS预选点为普通PS点,并计算所述普通PS点的形变参数。
优选地,利用所述PS点信息对所述差分干涉图进行DPS检测,获得DPS点信息,包括:
在所述全局系数小于PS阈值,且大于DPS阈值时,则确定所述目标弧段连接的所述PS预选点为DPS预选点;
利用所述差分干涉图估计所述DPS预选点的反射向量;
从所述反射向量中提取第一峰值和第二峰值,并计算所述第一峰值与所述第二峰值的比值;
在所述比值大于预设比值阈值时,则将所述DPS预选点确定为DPS点,并计算所述DPS点的形变参数。
优选地,对所述差分干涉图进行DS检测,获得所述可靠DS点信息,包括:
在所述差分干涉图中进行统计同分布点检测,获得目标点的统计同分布点,并估计所述目标点的相干矩阵;
利用所述统计同分布点对所述相干矩阵进行最大似然估计,获得相干系数矩阵;其中,所述相干系数矩阵包括干涉对的相干系数信息和所述干涉对的相位信息;
利用概率密度函数对所述相干系数矩阵中的相位信息进行优化;
利用所述相干系数对所述相位信息进行质量评估,并根据评估结果获得所述可靠DS点信息。
一种SAR数据全散射体探测装置,包括:
干涉处理模块,用于对SAR数据集进行干涉处理,得到差分干涉图;
PS检测模块,用于对所述差分干涉图进行PS检测,获得PS点信息;所述PS为永久散射体;
DS检测模块,用于利用所述PS点信息对所述差分干涉图进行DS检测,获得DS点信息;所述DS为分布式散射体;
DPS检测模块,用于利用所述PS点信息对所述差分干涉图进行DPS检测,获得DPS点信息;所述DPS为叠掩永久散射体;
汇总处理模块,用于将所述PS点信息、所述DS点信息和所述DPS点信息进行汇总,获得时序测量结果;其中,所述点信息包括点位置和形变参数。
一种SAR数据全散射体探测设备,包括:
存储器,用于存储计算机程序;
处理器,用于执行所述计算机程序时实现上述SAR数据全散射体探测方法的步骤。
一种可读存储介质,所述可读存储介质上存储有计算机程序,所述计算机程序被处理器执行时实现上述SAR数据全散射体探测方法的步骤。
应用本发明实施例所提供的方法,对SAR数据集进行干涉处理,得到差分干涉图;对差分干涉图进行PS检测,获得PS点信息;PS为永久散射体;利用PS点信息对差分干涉图进行DS检测,获得DS点信息;DS为分布式散射体;利用PS点信息对差分干涉图进行DPS检测,获得DPS点信息;DPS为叠掩永久散射体;将PS点信息、DS点信息和DPS点信息进行汇总,获得时序测量结果;其中,点信息包括点位置和形变参数。
得到SAR数据集之后,首先进行干涉处理,即可获得差分干涉图。然后对差分干涉图进行PS检测,得到PS点信息。该PS点信息包括永久散射体的点位置和永久散射体的形变参数。然后,利用PS点信息对差分干涉图像进行DS检测,得到DS点信息,相应地,该DS点信息包括分布式散射体的点位置和该分布式散射体的形变参数。利用PS点信息对差分干涉图进行DPS检测,得到DPS点信息,DPS点信息包括叠掩永久散射体的点位置和该叠掩永久散射体的形变参数。进行了PS检测、DS检测和DPS检测之后,便可得到差分干涉图对应的PS点及其对应的形变参数、DS点及其对应的形变参数、DPS点及其对应的形变参数。然后将这三种不同的散射体对应的点信息进行汇总合并,便可获得时序测量结果。也就是说,SAR由永久散射体、叠掩永久散射体和分布式散射体共同作用产生,而对SAR数据全散射体探测之后,检测出各种散射体点及对应参数,便可通过汇总PS点信息、DS点信息和DPS点信息得到更为准确的时序检测结果。将更为准确的时序检测结果应用到诸如地表监测或地表测量,可进一步提升监测或测量的准确率。
相应地,本发明实施例还提供了与上述SAR数据全散射体探测方法相对应的SAR数据全散射体探测装置、设备和可读存储介质,具有上述技术效果,在此不再赘述。
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为本发明实施例中一种SAR数据全散射体探测方法的实施流程图;
图2为本发明实施例中一种SAR数据全散射体探测装置的结构示意图;
图3为本发明实施例中一种SAR数据全散射体探测设备的结构示意图;
图4为本发明实施例中一种SAR数据全散射体探测设备的具体结构示意图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案,下面结合附图和具体实施方式对本发明作进一步的详细说明。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。
实施例一:
请参考图1,图1为本发明实施例中一种SAR数据全散射体探测方法的流程图,该方法包括以下步骤:
S101、对SAR数据集进行干涉处理,得到差分干涉图。
在本发明实施例中可利用合成孔径雷达对待测量/检测地区进行数据采集。其中,该合成孔径雷达可为星载雷达或机载雷达。得到SAR数据集之后,便可对SAR数据集进行处理。需要说明的是,若SAR数据集为初始检测数据,此时还可对SAR数据集进行一系列预处理,包括SAR数据配准、干涉数据生成、干涉图去平地、干涉图去地形。即最终得到SAR数据集对应的差分干涉图即可。在本发明实施例中,对SAR数据集所进行的干涉处理可参见常见的干涉处理过程,在此不再对干涉处理过程进行一一赘述。
在得到差分干涉图之后,便可执行步骤S102的操作。
S102、对差分干涉图进行PS检测,获得PS点信息。
PS为永久散射体。
需要说明的是,在本发明实施例中,点信息包括点位置和形变参数。例如PS点信息,则包括PS的点位置和形变参数;DS点信息,则包括DS的点位置和形变参数;DPS点信息,则包括DPS的点位置和形变参数。其中,点位置可具体为在差分干涉图的位置坐标,形变参数可具体为该点所对应的地势高低,如海拔数据。
在本发明实施例中,进行PS检测可参见常见的检测过程进行。为了实现多种散射体的联合检测,还可对PS点信息进行分类,按照可靠性进行分类,如可靠性较高的确定为可靠PS点信息,可靠性较差的确定为普通PS点信息。对PS点信息进行分类和在完成PS点检测之后进行,也可在进行PS检测的过程中进行。完成检测之后,进行分类可直接基于可靠性进行分类,在此不再赘述。下面详细说明一下如何在检测过程中,实现分类。在PS点信息包括可靠PS点信息和普通PS点信息时,对差分干涉图进行PS检测,获得PS点信息,包括:
步骤一、在差分干涉图中选择目标PS点,并利用目标PS点构建第一检测网;
步骤二、利用第一检测网对差分干涉图进行PS检测,获得可靠PS点信息;
步骤三、利用可靠PS点信息对第一检测网进行拓展,获得第二检测网;
步骤四、利用第二检测网对差分干涉图进行PS检测,获得普通PS点信息。
为了便于描述,下面将上述四个步骤结合起来进行说明。
构建一层网监测最可靠的PS点。该部分由四个步骤组成:
Step 1.1:选择PS预选点
利用幅度离散指数、相干系数、平均强度等指标,从全部数据中选出最有可能是永久散射体的目标点,由于PS旁瓣和主瓣在时序上具有相似性,利用旁瓣概率图方法去除旁瓣。因为方法该部分的任务是选择出最稳定最可靠的PS点,这些筛选指标通常要设置得较为严格,以保证该步筛选的点的可靠性。其中,幅度离散指数越小,则越可能是PS点;相干系数越大,则越可能是PS点;平均强度越高,则越可能是PS点。本文所指的筛选指标通常要省着得较为严格是相较与常规的PS点检测而言。例如,常规的进行PS点,仅需将筛选条件设置为幅度离散指数低于0.25,相干系数大于0.6,而在本发明实施例中,则需将筛选条件设置为离散指数低于0.2,相干系数大于0.8。当然,本文中所指出的数值仅仅是为了便于描述,筛选条件更为严重,并未只能按照离散指数低于0.2,相干系数大于0.8的筛选条件进行。另外,平均强度应与图像本身相关,因此此处并未给出具体的参数值,设置平均强度的参数值时,可参照幅度离散指数和相关系数的设置方式进行数值选择,在此不再一一赘述。
Step 1.2:构建一层网
为了获取可靠的PS点,并且得到时序参数(即形变参数),可将Step1.1中筛选出的PS预选点通过三角网连接起来,这个网络称为第一检测网或一层网。因为大气相位通常在空间1Km的范围内可认为是一致的,通过限制弧度的长度小于1Km,从而可保证构建的一层网上每条弧度的相对相位不受大气的影响,后续对每条弧度进行形变解算。
Step 1.3:鲁棒参数估计
为了保证方法第一部分所提取的PS点的稳定性与可靠性,这里采用波束形成算法与鲁棒M估计结合的求解方法,实现对每个弧度时序的鲁棒参数求解。
SAR图像中的一个像素中包含了与卫星相同距离的所有目标的散射和。对M幅重轨SAR图像数据,获取的每个点的信号模型可以表示为:x=Hζ+n;
其中,x=[x1,...,xM]T,是包含M×1的信号向量。H是包含观测向量h的感知矩阵;ζ是待求的散射向量;n是噪声向量。散射向量ζ通过波束形成算法可解算得到:
其中,d和v是沿着高度和速度的变量,||.||2是二范数运算符,H是向量共轭转置符。通过识别估计的散射向量的峰值数目,可以确定分辨单元中存在多少个散射体。所估计的散射向量的最大值是全局相干系数。对每个弧段的相对相位序列利用上述的波束形成算法进行解算,当该全局相干系数大于预先设定的阈值D1时,认为该弧段的估计是有效的,即该弧段连接的两个PS预选点为真正的PS点,并保留该弧段,否则的话,将该弧段从构建的第一层网中去除掉。虽然波束形成算法可以获得初步的相对参数估计结果,但是该算法具有局限性,一方面,算法的解实在离散的搜索空间得到,估计结果可能存在半个搜索步长的误差,另一方面,由于算法利用了时间维所有的观测数据,但是信噪比低的数据会影响估计质量。为了保证参数估计的稳定性,在波束形成估计基础上,利用M估计获得更加稳健与可靠的参数估计结果。当获取到了初步的相对参数后,我们对相对相位在时间维进行解缠。解缠的时间相位序列Δθ可以表示为:
Δθ=KA;其中Δθ=[Δθ1,Δθ2,...,ΔθM]T;A=[h v]T;
其中η=2b/λr和ξ=2t/λ(b空间垂直基线,λ是波长,r是斜距,t是时间基线)分别是空间频率和时间频率。因此可以通过迭代加权最小二乘方法,即M估计方法在连续的解搜索空间中得到最终的参数估计结果。同时M估计通过将迭代的方法将较大的权重给相位残差较小的相位,因此该算法可以有效的减少相位残差的影响。通过将波束形成算法与M估计相结合可得到每个弧段可靠的参数估计结果。
在获得到了每个弧段的相对参数估计结果之后,通过鲁棒网络平差的方法得到可靠的相对参考点的全局绝对参数估计结果。在进行网络平差之前,先识别最大连通网,假定最大的连通网包括K条弧段和L个PS点,网络平差问题有下述公式表述:
G=QP;其中G包含所有相对估计参数,Q是平差矩阵,里面的元素为-1,0,1分别表示弧段终止,没有弧段连接和弧段起始;P包含了所有PS点的绝对参数:
P=[P1 ... PL]T;
因为T矩阵的奇异性,在求解之前,选定一个点为场景所有点的参考点,并算出T矩阵相对参考点所在行的相对值,即可将T转换为满秩矩阵。为了避免T矩阵可能存在的病态性导致的求解误差,利用岭估计进行网络平差估计:
P=(QTWQ+∈I)-1QTWG
通过引入正则参数∈可有效降低条件数使得估计足够的可靠。这样就通过构建第一层网以及鲁棒求解方法得到了可靠PS点及其形变参数。
检测得到可靠PS点信息之后,便可基于可靠PS点信息获取余下的普通PS点信息,具体实现过程可包括:
步骤一、对差分干涉图进行强度平均处理和相干系数统计,获得平均强度图和相干系数;
步骤二、利用平均强度图和相干系数筛选出PS预选点;
步骤三、将PS预选点与第一检测网中最接近的点进行连接,获得第二检测网。
为便于描述,下面将上述三个步骤结合起来进行说明。
通过构建一层网以及鲁棒参数估计得到了场景中可靠PS点信息。可将这些点作为参考点进行二层网的构建。
由于第一层网求解时,为了保证最终提取PS点的可靠性,通常会将参数要求设置的较为严格,使得部分PS点没有被选到。在进行普通PS点信息的检测过程中,第一步是先选出被一层网忽略的PS点。具体的,可先通过平均强度图和相干系数筛选出PS预选点,之后每个预选点与其最近的一层网选出的PS点连接,组成局部网,这个网就被称作扩展网(通本文中的第二检测网)。用波束形成算法对弧段进行求解,当全局相干系数大于阈值D2,该点认为是PS点,再利用M估计对该PS点的参数进行求解。在将所估计的相对参数与参考PS点的参数相加,即可得到该点的绝对参数估计结果。
在获得PS点信息之后,便可执行串行或并行执行步骤S103、步骤S104的操作。即,步骤S103和步骤S104的执行顺序无先后要求。
S103、利用PS点信息对差分干涉图进行DS检测,获得DS点信息。
DS为分布式散射体。
在得到PS点信息之后,可利用PS点信息对差分干涉图进行DS检测。具体的,在DS点信息包括可靠DS点信息和普通DS点信息时,利用PS点信息对差分干涉图进行DS检测,获得DS点信息,可具体包括:
步骤一、对差分干涉图进行DS检测,获得可靠DS点信息;
步骤二、利用可靠PS点信息对第一检测网进行拓展,获得第三检测网;
步骤三、利用第三检测网对差分干涉图进行DS检测,获得普通DS点信息。
为便于描述,下面将步骤一单独进行描述,将步骤二和步骤三结合起来进行描述。
上述步骤一可具体为通过执行以下步骤,获得可靠DS点信息:
步骤一、在差分干涉图中进行统计同分布点检测,获得目标点的统计同分布点,并估计目标点的相干矩阵;
步骤二、利用统计同分布点对相干矩阵进行最大似然估计,获得相干系数矩阵;其中,相干系数矩阵包括干涉对的相干系数信息和干涉对的相位信息;
步骤三、利用概率密度函数对相干系数矩阵中的相位信息进行优化;
步骤四、利用相干系数对相位信息进行质量评估,并根据评估结果获得可靠DS点信息。
其中,获得可靠DS点信息的过程可具体为:
Step 2.1:统计同分布点检测
由于分布式散射体的面状分布特性,需要在目标像元附近搜索与目标像元具有相同统计分布的点,即统计同分布点。具体方法是将目标像元附近规定范围内的点的幅度时间序列与目标像元的幅度时间序列进行拟合度判断,利用柯尔莫哥洛夫-斯米尔诺夫拟合度检验方法,判断检测点与目标点是否是统计同分布点。
Step 2.2:相干矩阵估计
利用在Step 2.1中选择出的目标点的统计同分布点,对相干矩阵进行最大似然估计。假设目标点的统计同分布集合为Ω,则相干矩阵C由下式估计得到:
估计得到的相干矩阵为目标像元的二阶统计信息,即包含了像元所有干涉对的相干系数信息,也包含了所有可能干涉对的相位信息。该相干系数矩阵用于Step2.3最优相位估计的输入。
Step 2.3:最优相位估计
在统计同分布点具有相同相位信息的假设下,统计同分布点集合Ω的联合概率密度函数由下式表示:
p(xΩ)∝exp(-tr(Θ|C|-1ΘHC)),其中Θ为对角矩阵,对角元素为待估计的最优相位。则DS点最优相位估计可通过下述公式表示:
通过求解上述优化问题,即可得到DS点的最优相位。
Step 2.4:相位估计质量评估与DS预选点选择
通过Step2.3可获得DS点的最优相位估计,在这一步需要对估计质量进行评估,这里采用扩展时间相干系数进行评估,表达式如下:
其中,θkl为相干矩阵的第k行第1列元素的相位。
通过设置像元统计同分布点个数阈值以及扩展时间相干系数阈值,可以筛选出可靠DS点,以及进一步计算得到形变参数。
上述步骤二和步骤三即为普通DS点信息的获取方式说明。可具体参照普通PS点信息的获取方式,也可利用波束形成算法对第二检测网中的目标弧段进行求解,并在全局系数大于PS阈值时,确定目标弧段连接的PS预选点为普通PS点,并计算普通PS点的形变参数。具体实现过程如下:
以第一层网的PS点结果作为参考点,即以可靠PS点信息中的可靠PS点为参考点,为每个DS预选点寻找最近的PS参考点,组成局部网络。利用鲁棒估计算法对弧段进行求解,当全局相干系数大于DDS(DS阈值)时,认为该点是DS点,将相对参数加上PS参考点参数,即为该点的参数估计结果。
S104、利用PS点信息对差分干涉图进行DPS检测,获得DPS点信息。
DPS为叠掩永久散射体。
利用PS点信息对差分干涉图进行DPS检测,获得DPS点信息,包括:
步骤一、在全局系数小于PS阈值,且大于DPS阈值时,则确定目标弧段连接的PS预选点为DPS预选点;
步骤二、利用差分干涉图估计DPS预选点的反射向量;
步骤三、从反射向量中提取第一峰值和第二峰值,并计算第一峰值与第二峰值的比值;
步骤四、在比值大于预设比值阈值时,则将DPS预选点确定为DPS点,并计算DPS点的形变参数。
为便于描述,下面将上述四个步骤结合起来进行说明。
采用类似与Step 3.1的方法,当估计的全局相干系数小于预设值D2(同本文中的PS阈值),但是大于预设值D3(同本文中的DPS阈值)时,认为该点是DPS预选点。对这些点,从所估计反射向量提取最大的两个峰值,如果第二峰值与第一峰值的比值大于某个预设的门限(同本文中的比值阈值),则认为该点包含两个散射体,即该点为叠掩永久散射体,并提取两个散射体的参数估计结果。
S105、将PS点信息、DS点信息和DPS点信息进行汇总,获得时序测量结果。
其中,点信息包括点位置和形变参数。
得到PS点信息、DS点信息和DPS点信息之后,便可将这些点信息进行汇总,得到时序测量结果。具体的,可参见现有技术中基于PS点信息、DS点信息和DPS点信息中的形变参数实现地形测量,或对地形的形变进行监测,用于道路建设、城市规划、灾害预估等常见中。
应用本发明实施例所提供的方法,对SAR数据集进行干涉处理,得到差分干涉图;对差分干涉图进行PS检测,获得PS点信息;PS为永久散射体;利用PS点信息对差分干涉图进行DS检测,获得DS点信息;DS为分布式散射体;利用PS点信息对差分干涉图进行DPS检测,获得DPS点信息;DPS为叠掩永久散射体;将PS点信息、DS点信息和DPS点信息进行汇总,获得时序测量结果;其中,点信息包括点位置和形变参数。
得到SAR数据集之后,首先进行干涉处理,即可获得差分干涉图。然后对差分干涉图进行PS检测,得到PS点信息。该PS点信息包括永久散射体的点位置和永久散射体的形变参数。然后,利用PS点信息对差分干涉图像进行DS检测,得到DS点信息,相应地,该DS点信息包括分布式散射体的点位置和该分布式散射体的形变参数。利用PS点信息对差分干涉图进行DPS检测,得到DPS点信息,DPS点信息包括叠掩永久散射体的点位置和该叠掩永久散射体的形变参数。进行了PS检测、DS检测和DPS检测之后,便可得到差分干涉图对应的PS点及其对应的形变参数、DS点及其对应的形变参数、DPS点及其对应的形变参数。然后将这三种不同的散射体对应的点信息进行汇总合并,便可获得时序测量结果。也就是说,SAR由永久散射体、叠掩永久散射体和分布式散射体共同作用产生,而对SAR数据全散射体探测之后,检测出各种散射体点及对应参数,便可通过汇总PS点信息、DS点信息和DPS点信息得到更为准确的时序检测结果。将更为准确的时序检测结果应用到诸如地表监测或地表测量,可进一步提升监测或测量的准确率。
实施例二:
为便于本领域技术人员更好地理解本发明实施例所提供的SAR数据全散射体探测方法,下利用2014年12月6日至2016年5月1日时间段内的30景深圳西部填海区的Cosmo-SkyMed数据对本发明实施例所提供的方法的有效性进行验证。
利用通过双层网进行PS、DPS以及DS点的联合解算。
首先在一层网选出可靠PS点,并通过鲁棒求解方案对这些点的形变参数进行解算。这些可靠PS点作为二层网的参考点,对剩余PS点、DPS点以及DS点进行解算。表1给出了方法不同阶段获取得到的形变测量点数量对比:
类型 | PS | DPS | PS+DPS | PS+DPS+DS |
形变测量点数 | 1 327 242 | 51 712 | 1 378 954 | 8 294 723 |
表1
可以看到,通过将DPS与DS的引入,相比单独的PS求解结果,形变测量点数量大幅度提升,提升倍数有6.25倍之多。因此可以说通过本发明实施例提出的双层网对PS、DPS及DS联合求解方法,可以大幅度提升形变测量结果。
实施例三:
相应于上面的方法实施例,本发明实施例还提供了一种SAR数据全散射体探测装置,下文描述的SAR数据全散射体探测装置与上文描述的SAR数据全散射体探测方法可相互对应参照。
参见图2所示,该装置包括以下模块:
干涉处理模块101,用于对SAR数据集进行干涉处理,得到差分干涉图;
PS检测模块102,用于对差分干涉图进行PS检测,获得PS点信息;PS为永久散射体;
DS检测模块103,用于利用PS点信息对差分干涉图进行DS检测,获得DS点信息;DS为分布式散射体;
DPS检测模块104,用于利用PS点信息对差分干涉图进行DPS检测,获得DPS点信息;DPS为叠掩永久散射体;
汇总处理模块105,用于将PS点信息、DS点信息和DPS点信息进行汇总,获得时序测量结果;其中,点信息包括点位置和形变参数。
应用本发明实施例所提供的装置,对SAR数据集进行干涉处理,得到差分干涉图;对差分干涉图进行PS检测,获得PS点信息;PS为永久散射体;利用PS点信息对差分干涉图进行DS检测,获得DS点信息;DS为分布式散射体;利用PS点信息对差分干涉图进行DPS检测,获得DPS点信息;DPS为叠掩永久散射体;将PS点信息、DS点信息和DPS点信息进行汇总,获得时序测量结果;其中,点信息包括点位置和形变参数。
得到SAR数据集之后,首先进行干涉处理,即可获得差分干涉图。然后对差分干涉图进行PS检测,得到PS点信息。该PS点信息包括永久散射体的点位置和永久散射体的形变参数。然后,利用PS点信息对差分干涉图像进行DS检测,得到DS点信息,相应地,该DS点信息包括分布式散射体的点位置和该分布式散射体的形变参数。利用PS点信息对差分干涉图进行DPS检测,得到DPS点信息,DPS点信息包括叠掩永久散射体的点位置和该叠掩永久散射体的形变参数。进行了PS检测、DS检测和DPS检测之后,便可得到差分干涉图对应的PS点及其对应的形变参数、DS点及其对应的形变参数、DPS点及其对应的形变参数。然后将这三种不同的散射体对应的点信息进行汇总合并,便可获得时序测量结果。也就是说,SAR由永久散射体、叠掩永久散射体和分布式散射体共同作用产生,而对SAR数据全散射体探测之后,检测出各种散射体点及对应参数,便可通过汇总PS点信息、DS点信息和DPS点信息得到更为准确的时序检测结果。将更为准确的时序检测结果应用到诸如地表监测或地表测量,可进一步提升监测或测量的准确率。
在本发明的一种具体实施方式中,PS检测模块102,具体用于在PS点信息包括可靠PS点信息和普通PS点信息时,在差分干涉图中选择目标PS点,并利用目标PS点构建第一检测网;利用第一检测网对差分干涉图进行PS检测,获得可靠PS点信息;利用可靠PS点信息对第一检测网进行拓展,获得第二检测网;利用第二检测网对差分干涉图进行PS检测,获得普通PS点信息。
在本发明的一种具体实施方式中,DS检测模块103,具体用于在DS点信息包括可靠DS点信息和普通DS点信息时,对差分干涉图进行DS检测,获得可靠DS点信息;利用可靠PS点信息对第一检测网进行拓展,获得第三检测网;利用第三检测网对差分干涉图进行DS检测,获得普通DS点信息。
在本发明的一种具体实施方式中,PS检测模块102,具体用于对差分干涉图进行强度平均处理和相干系数统计,获得平均强度图和相干系数;利用平均强度图和相干系数筛选出PS预选点;将PS预选点与第一检测网中最接近的点进行连接,获得第二检测网。
在本发明的一种具体实施方式中,PS检测模块102,具体用于利用波束形成算法对第二检测网中的目标弧段进行求解,并在全局系数大于PS阈值时,确定目标弧段连接的PS预选点为普通PS点,并计算普通PS点的形变参数。
在本发明的一种具体实施方式中,DPS检测模块104,具体用于在全局系数小于PS阈值,且大于DPS阈值时,则确定目标弧段连接的PS预选点为DPS预选点;利用差分干涉图估计DPS预选点的反射向量;从反射向量中提取第一峰值和第二峰值,并计算第一峰值与第二峰值的比值;在比值大于预设比值阈值时,则将DPS预选点确定为DPS点,并计算DPS点的形变参数。
在本发明的一种具体实施方式中,DS检测模块103,具体用于在差分干涉图中进行统计同分布点检测,获得目标点的统计同分布点,并估计目标点的相干矩阵;利用统计同分布点对相干矩阵进行最大似然估计,获得相干系数矩阵;其中,相干系数矩阵包括干涉对的相干系数信息和干涉对的相位信息;利用概率密度函数对相干系数矩阵中的相位信息进行优化;利用相干系数对相位信息进行质量评估,并根据评估结果获得可靠DS点信息。
实施例四:
相应于上面的方法实施例,本发明实施例还提供了一种SAR数据全散射体探测设备,下文描述的一种SAR数据全散射体探测设备与上文描述的一种SAR数据全散射体探测方法可相互对应参照。
参见图3所示,该SAR数据全散射体探测设备包括:
存储器D1,用于存储计算机程序;
处理器D2,用于执行计算机程序时实现上述方法实施例的SAR数据全散射体探测方法的步骤。
具体的,请参考图4,图4为本实施例提供的一种SAR数据全散射体探测设备的具体结构示意图,该SAR数据全散射体探测设备可因配置或性能不同而产生比较大的差异,可以包括一个或一个以上处理器(central processing units,CPU)322(例如,一个或一个以上处理器)和存储器332,一个或一个以上存储应用程序342或数据344的存储介质330(例如一个或一个以上海量存储设备)。其中,存储器332和存储介质330可以是短暂存储或持久存储。存储在存储介质330的程序可以包括一个或一个以上模块(图示没标出),每个模块可以包括对数据处理设备中的一系列指令操作。更进一步地,中央处理器322可以设置为与存储介质330通信,在SAR数据全散射体探测设备301上执行存储介质330中的一系列指令操作。
SAR数据全散射体探测设备301还可以包括一个或一个以上电源326,一个或一个以上有线或无线网络接口350,一个或一个以上输入输出接口358,和/或,一个或一个以上操作系统341。例如,WindoWs ServerTM,Mac OS XTM,UnixTM,LinuxTM,FreeBSDTM等。
上文所描述的SAR数据全散射体探测方法中的步骤可以由SAR数据全散射体探测设备的结构实现。
实施例五:
相应于上面的方法实施例,本发明实施例还提供了一种可读存储介质,下文描述的一种可读存储介质与上文描述的一种SAR数据全散射体探测方法可相互对应参照。
一种可读存储介质,可读存储介质上存储有计算机程序,计算机程序被处理器执行时实现上述方法实施例的SAR数据全散射体探测方法的步骤。
该可读存储介质具体可以为U盘、移动硬盘、只读存储器(Read-Only Memory,ROM)、随机存取存储器(Random Access Memory,RAM)、磁碟或者光盘等各种可存储程序代码的可读存储介质。
专业人员还可以进一步意识到,结合本文中所公开的实施例描述的各示例的单元及算法步骤,能够以电子硬件、计算机软件或者二者的结合来实现,为了清楚地说明硬件和软件的可互换性,在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本发明的范围。
Claims (10)
1.一种SAR数据全散射体探测方法,其特征在于,包括:
对SAR数据集进行干涉处理,得到差分干涉图;
对所述差分干涉图进行PS检测,获得PS点信息;所述PS为永久散射体;
利用所述PS点信息对所述差分干涉图进行DS检测,获得DS点信息;所述DS为分布式散射体;
利用所述PS点信息对所述差分干涉图进行DPS检测,获得DPS点信息;所述DPS为叠掩永久散射体;
将所述PS点信息、所述DS点信息和所述DPS点信息进行汇总,获得时序测量结果;其中,所述点信息包括点位置和形变参数。
2.根据权利要求1所述的SAR数据全散射体探测方法,其特征在于,在所述PS点信息包括可靠PS点信息和普通PS点信息时,对所述差分干涉图进行PS检测,获得PS点信息,包括:
在所述差分干涉图中选择目标PS点,并利用所述目标PS点构建第一检测网;
利用所述第一检测网对所述差分干涉图进行PS检测,获得所述可靠PS点信息;
利用所述可靠PS点信息对所述第一检测网进行拓展,获得第二检测网;
利用所述第二检测网对所述差分干涉图进行PS检测,获得所述普通PS点信息。
3.根据权利要求2所述的SAR数据全散射体探测方法,其特征在于,在所述DS点信息包括可靠DS点信息和普通DS点信息时,利用所述PS点信息对所述差分干涉图进行DS检测,获得DS点信息,包括:
对所述差分干涉图进行DS检测,获得所述可靠DS点信息;
利用所述可靠PS点信息对所述第一检测网进行拓展,获得第三检测网;
利用所述第三检测网对所述差分干涉图进行DS检测,获得所述普通DS点信息。
4.根据权利要求2所述的SAR数据全散射体探测方法,其特征在于,利用所述可靠PS点信息对所述第一检测网进行拓展,获得第二检测网,包括:
对所述差分干涉图进行强度平均处理和相干系数统计,获得平均强度图和相干系数;
利用所述平均强度图和所述相干系数筛选出PS预选点;
将所述PS预选点与所述第一检测网中最接近的点进行连接,获得所述第二检测网。
5.根据权利要求4所述的SAR数据全散射体探测方法,其特征在于,利用所述第二检测网对所述差分干涉图进行PS检测,获得所述普通PS点信息,包括:
利用波束形成算法对所述第二检测网中的目标弧段进行求解,并在全局系数大于PS阈值时,确定所述目标弧段连接的所述PS预选点为普通PS点,并计算所述普通PS点的形变参数。
6.根据权利要求5所述的SAR数据全散射体探测方法,其特征在于,利用所述PS点信息对所述差分干涉图进行DPS检测,获得DPS点信息,包括:
在所述全局系数小于PS阈值,且大于DPS阈值时,则确定所述目标弧段连接的所述PS预选点为DPS预选点;
利用所述差分干涉图估计所述DPS预选点的反射向量;
从所述反射向量中提取第一峰值和第二峰值,并计算所述第一峰值与所述第二峰值的比值;
在所述比值大于预设比值阈值时,则将所述DPS预选点确定为DPS点,并计算所述DPS点的形变参数。
7.根据权利要求3至6任一项所述的SAR数据全散射体探测方法,其特征在于,对所述差分干涉图进行DS检测,获得所述可靠DS点信息,包括:
在所述差分干涉图中进行统计同分布点检测,获得目标点的统计同分布点,并估计所述目标点的相干矩阵;
利用所述统计同分布点对所述相干矩阵进行最大似然估计,获得相干系数矩阵;其中,所述相干系数矩阵包括干涉对的相干系数信息和所述干涉对的相位信息;
利用概率密度函数对所述相干系数矩阵中的相位信息进行优化;
利用所述相干系数对所述相位信息进行质量评估,并根据评估结果获得所述可靠DS点信息。
8.一种SAR数据全散射体探测装置,其特征在于,包括:
干涉处理模块,用于对SAR数据集进行干涉处理,得到差分干涉图;
PS检测模块,用于对所述差分干涉图进行PS检测,获得PS点信息;所述PS为永久散射体;
DS检测模块,用于利用所述PS点信息对所述差分干涉图进行DS检测,获得DS点信息;所述DS为分布式散射体;
DPS检测模块,用于利用所述PS点信息对所述差分干涉图进行DPS检测,获得DPS点信息;所述DPS为叠掩永久散射体;
汇总处理模块,用于将所述PS点信息、所述DS点信息和所述DPS点信息进行汇总,获得时序测量结果;其中,所述点信息包括点位置和形变参数。
9.一种SAR数据全散射体探测设备,其特征在于,包括:
存储器,用于存储计算机程序;
处理器,用于执行所述计算机程序时实现如权利要求1至7任一项所述SAR数据全散射体探测方法的步骤。
10.一种可读存储介质,其特征在于,所述可读存储介质上存储有计算机程序,所述计算机程序被处理器执行时实现如权利要求1至7任一项所述SAR数据全散射体探测方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910077641.XA CN109752715B (zh) | 2019-01-24 | 2019-01-24 | 一种sar数据全散射体探测方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910077641.XA CN109752715B (zh) | 2019-01-24 | 2019-01-24 | 一种sar数据全散射体探测方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109752715A true CN109752715A (zh) | 2019-05-14 |
CN109752715B CN109752715B (zh) | 2023-05-12 |
Family
ID=66406319
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910077641.XA Active CN109752715B (zh) | 2019-01-24 | 2019-01-24 | 一种sar数据全散射体探测方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109752715B (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110055945A (zh) * | 2019-05-22 | 2019-07-26 | 马培峰 | 一种土体固结沉降的监测方法、装置及相关设备 |
CN110161497A (zh) * | 2019-05-29 | 2019-08-23 | 中国科学院遥感与数字地球研究所 | 一种雷达差分干涉测量形变方法 |
CN110568440A (zh) * | 2019-09-10 | 2019-12-13 | 四川省地质工程勘察院集团有限公司 | 一种基于DS-InSAR技术监测复杂山区形变的方法 |
CN112269175A (zh) * | 2020-09-09 | 2021-01-26 | 国网山西省电力公司阳泉供电公司 | 一种结合斯皮尔曼系数的分布式散射体选取方法 |
CN112395789A (zh) * | 2020-10-23 | 2021-02-23 | 马培峰 | 一种耦合InSAR和数值模拟分析城区滑坡形变的方法 |
CN114740475A (zh) * | 2022-04-08 | 2022-07-12 | 北京东方至远科技股份有限公司 | 轨道高分辨率sar数据的目标三维位置反演方法和装置 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102144174A (zh) * | 2008-07-04 | 2011-08-03 | 电视广播有限公司 | Sar图像序列中的永久散射体的识别和分析 |
CN105866776A (zh) * | 2016-03-28 | 2016-08-17 | 北京理工大学 | 一种地基sar的高质量动态ps点选择方法 |
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 |
US20160320479A1 (en) * | 2015-04-29 | 2016-11-03 | Tianjin Institute Of Surveying And Mapping | Method for extracting ground attribute permanent scatter in interferometry synthetic aperture radar data |
CN106940443A (zh) * | 2017-01-16 | 2017-07-11 | 洪都天顺(深圳)科技有限公司 | 多云多雨条件下复杂城区基础设施PSInSAR形变估计方法 |
CN106950556A (zh) * | 2017-05-03 | 2017-07-14 | 三亚中科遥感研究所 | 基于分布式散射体时序干涉sar技术的遗产地形变监测方法 |
CN108646244A (zh) * | 2018-03-28 | 2018-10-12 | 中科卫星应用德清研究院 | 测量建筑五维形变的分析方法及系统 |
CN109212528A (zh) * | 2018-10-30 | 2019-01-15 | 中国科学院遥感与数字地球研究所 | 一种多维层析sar古迹遗址形变监测方法 |
-
2019
- 2019-01-24 CN CN201910077641.XA patent/CN109752715B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102144174A (zh) * | 2008-07-04 | 2011-08-03 | 电视广播有限公司 | Sar图像序列中的永久散射体的识别和分析 |
US20160320479A1 (en) * | 2015-04-29 | 2016-11-03 | Tianjin Institute Of Surveying And Mapping | Method for extracting ground attribute permanent scatter in interferometry synthetic aperture radar data |
CN105866776A (zh) * | 2016-03-28 | 2016-08-17 | 北京理工大学 | 一种地基sar的高质量动态ps点选择方法 |
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 |
CN106940443A (zh) * | 2017-01-16 | 2017-07-11 | 洪都天顺(深圳)科技有限公司 | 多云多雨条件下复杂城区基础设施PSInSAR形变估计方法 |
CN106950556A (zh) * | 2017-05-03 | 2017-07-14 | 三亚中科遥感研究所 | 基于分布式散射体时序干涉sar技术的遗产地形变监测方法 |
CN108646244A (zh) * | 2018-03-28 | 2018-10-12 | 中科卫星应用德清研究院 | 测量建筑五维形变的分析方法及系统 |
CN109212528A (zh) * | 2018-10-30 | 2019-01-15 | 中国科学院遥感与数字地球研究所 | 一种多维层析sar古迹遗址形变监测方法 |
Non-Patent Citations (4)
Title |
---|
GUOQIANG SHI等: "A Hybrid Method for Stability Monitoring in Low-Coherence Urban Regions Using Persistent and Distributed Scatterers", 《IEEE JOURNAL OF SELECTED TOPICS IN APPLIED EARTH OBSERVATIONS AND REMOTE SENSING》 * |
PEIFENG MA等: "Detection of Homogeneous Objects in Multidimensional SAR Tomography", 《2017 IEEE INTERNATIONAL GEOSCIENCE AND REMOTE SENSING SYMPOSIUM》 * |
PEIFENG MA等: "Robust Detection of Single and Double Persistent Scatterers in Urban Built Environments", 《IEEE TRANSACTIONS ON GEOSCIENCE AND REMOTE SENSING》 * |
林珲等: "监测城市基础设施健康的星载MT-InSAR方法介绍", 《测绘学报》 * |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110055945A (zh) * | 2019-05-22 | 2019-07-26 | 马培峰 | 一种土体固结沉降的监测方法、装置及相关设备 |
CN110055945B (zh) * | 2019-05-22 | 2021-05-25 | 马培峰 | 一种土体固结沉降的监测方法、装置及相关设备 |
CN110161497A (zh) * | 2019-05-29 | 2019-08-23 | 中国科学院遥感与数字地球研究所 | 一种雷达差分干涉测量形变方法 |
CN110568440A (zh) * | 2019-09-10 | 2019-12-13 | 四川省地质工程勘察院集团有限公司 | 一种基于DS-InSAR技术监测复杂山区形变的方法 |
CN112269175A (zh) * | 2020-09-09 | 2021-01-26 | 国网山西省电力公司阳泉供电公司 | 一种结合斯皮尔曼系数的分布式散射体选取方法 |
CN112269175B (zh) * | 2020-09-09 | 2023-11-21 | 国网山西省电力公司阳泉供电公司 | 一种结合斯皮尔曼系数的分布式散射体选取方法 |
CN112395789A (zh) * | 2020-10-23 | 2021-02-23 | 马培峰 | 一种耦合InSAR和数值模拟分析城区滑坡形变的方法 |
CN114740475A (zh) * | 2022-04-08 | 2022-07-12 | 北京东方至远科技股份有限公司 | 轨道高分辨率sar数据的目标三维位置反演方法和装置 |
Also Published As
Publication number | Publication date |
---|---|
CN109752715B (zh) | 2023-05-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109752715A (zh) | 一种sar数据全散射体探测方法及装置 | |
CN104316903B (zh) | 一种三站时差定位性能试验评估方法 | |
CN103197280B (zh) | 一种基于射频信号强度的ap位置估计方法 | |
CN104200471B (zh) | 基于自适应权值图像融合的sar图像变化检测方法 | |
Sousa et al. | Persistent Scatterer InSAR: A comparison of methodologies based on a model of temporal deformation vs. spatial correlation selection criteria | |
CN106485740B (zh) | 一种结合稳定点和特征点的多时相sar图像配准方法 | |
Lombardini et al. | Superresolution differential tomography: Experiments on identification of multiple scatterers in spaceborne SAR data | |
CN106526593B (zh) | 基于sar严密成像模型的子像素级角反射器自动定位方法 | |
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 | |
CN104698460A (zh) | 一种双频共面合成孔径雷达海面风场反演方法 | |
CN105388476B (zh) | 一种基于联合稀疏模型的层析sar成像方法 | |
CN105607045A (zh) | 一种欺骗式干扰下组网雷达的优化布站方法 | |
CN104517024A (zh) | 一种基于建筑物尺度的城市绿度空间评价建模方法 | |
Martin et al. | Modelling and analysis of radio tomography | |
CN108446637B (zh) | 基于立体图模型的sar图像变化检测方法 | |
CN107064933A (zh) | 基于循环谱估计的sar层析建筑物高度的方法 | |
Yang et al. | Quantifying sub-pixel urban impervious surface through fusion of optical and InSAR imagery | |
Ji et al. | A novel Wi-Fi AP localization method using Monte Carlo path-loss model fitting simulation | |
Ozdarici et al. | A comparison of SAR filtering techniques on agricultural area identification | |
Zhou et al. | Application of backpropagation neural networks to both stages of fingerprinting based WIPS | |
Wang et al. | Combining trunk detection with canopy segmentation to delineate single deciduous trees using airborne LiDAR data | |
CN108008382B (zh) | 一种多基地星载干涉sar系统测量陡峭地形的方法 | |
CN105072582B (zh) | 基于rss分布的距离自适应的无线传感网络被动式定位方法 | |
González et al. | Relative height accuracy estimation method for InSAR-based DEMs | |
Khalil et al. | Scaled unscented Kalman filter for RSSI-based indoor positioning and tracking |
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 |