CN110412574A - 一种时空相干性增强的分布式目标InSAR时序处理方法和装置 - Google Patents
一种时空相干性增强的分布式目标InSAR时序处理方法和装置 Download PDFInfo
- Publication number
- CN110412574A CN110412574A CN201910837525.3A CN201910837525A CN110412574A CN 110412574 A CN110412574 A CN 110412574A CN 201910837525 A CN201910837525 A CN 201910837525A CN 110412574 A CN110412574 A CN 110412574A
- Authority
- CN
- China
- Prior art keywords
- point
- phase
- coherence
- temporal
- network
- 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)
- Image Processing (AREA)
- Radar Systems Or Details Thereof (AREA)
Abstract
本发明公开了一种时空相干性增强的分布式目标InSAR时序处理方法和装置,包括:基于获得的单式复数影像数据栈,对永久散射体(PS)和分布式散射体(DS)进行阈值分离;利用StaMPS方法对分离的PS候选点进行相位稳定性分析,获取PS点;利用一个极大似然估计器逐个对DS候选点进行协方差矩阵估计并利用bootstrapping相干性估计量精炼协方差矩阵;对每个DS候选点进行时序相位优化;选择DS点;对选取的PS和DS点构建两层网络;在PS点和DS点进行三维相位解缠之后,对解缠相位进行相位误差分离;利用一个极大似然估计器和相位模型估计地球物理参数。该方法能够减小因失相干和矩阵病态对InSAR时序分析的不确定性,改善时序数据处理的质量控制,因而提高产品的估计精度和可信度。
Description
技术领域
本发明属于大地测量领域,尤其涉及InSAR时序分析领域,具体说是一种时空相干性增强的分布式目标InSAR时序处理方法和装置,适用于城市环境、滑坡和自然地表等高空间分辨率、高精度的形变检测。
背景技术
InSAR技术因具备全天时、全天候观测能力和高空间分辨率的特点,成为当今感知地球系统过程与变化不可或缺的研究手段之一。自1993年法国学者Massonnet在Nature上发表InSAR获取美国Landers同震形变场以来,InSAR对地观测应用范畴不断拓展。根据其观测量的物理意义,研究对象渗透冰川水文学,地震学,火山学,环境科学,地质构造学以及多种交叉科学,成功案例持续震撼着地学工作者,为理解人与自然之间的相互影响及作用提供了宝贵的科学依据。
作为InSAR技术的延伸,差分干涉测量(D-InSAR)可以用于监测地表微小形变,但是在时间维度上存在着中、长时间序列干涉纹图中的时间去相干和大气影响等问题。针对这些问题发展起来的永久散射体技术(PS-InSAR)把注意力集中在具有高相干性的一些目标点上,这样在整个长时间序列上能够搜索到受时间去相干影响小、相位信号稳定的相干目标。与传统方法比较而言,该技术达到了获得毫米级地表形变信息的能力。然而在实际工程应用中,PS-InSAR技术仍然存在许多关键性的问题有待解决。尤其在自然地表和快速城镇化场景,地物目标可能在不同阶段表现出不一样的特性,甚至在长时间序列上失去稳定性,导致监测结果失稳以及空间分辨率大幅度降低。
在过去的数年中,对于时间序列SAR数据的分布式目标后向散射特性的研究成为解决上述问题的突破口。较永久散射体而言,分布式目标是指在时间上部分相干且后向散射强度较弱的目标。随着研究思路的转变,PS-InSAR技术和在其基础上发展起来的SqueeSAR方法、StaMPS方法、时空网络解缠等方法将InSAR时序分析推进到了一个新的发展阶段,旨在获得毫米级形变监测水平的基础上同时增强空间分辨率。
目前,分布式目标形变监测主要是以时空相干性为质量控制的数据处理方法,但是时空相干性估计的不确定性会造成误差传播,使得分布式目标InSAR时序技术偏离毫米级精度。尤其在低相干区域,时空相干性估计误差更大,易导致该技术易完全失效。
发明内容
本发明的目的在于,克服当前分布式目标数据处理中时空相干性估计误差较大易导致该技术失效的缺陷和不足,围绕时空相干性估计,提供一种时空相干性增强的分布式目标InSAR时序处理方法,提高监测的可信度和精度。
本发明技术解决方案如下:
1)InSAR预处理:对N幅单式复数SAR数据序列在精密轨道与外部数字高程模型的基础上进行几何配准,获得单视复数影像数据栈;
对预先获得的SAR强度图像进行辐射校正和配准之后,选取一公共主影像,对其余N-1幅SAR图像进行干涉得到干涉图像,采用外部DEM(Digital Elevation Model,数字高程模型)去除干涉图像的地形相位贡献得到预处理后的图像;
2)同质点选取:采用双样本似然比假设检验方法,在选定的滑动窗口内检验中心像素与邻域像素的相似性,保留接受零假设的像素作为同质点并计算同质点数量;
3)DS(分布式散射体,Distributed Scatterers)和PS候选点分离:利用SAR图像幅度序列估计振幅离差指数,当任一像素的振幅离差指数和计算得到的同质点数量同时小于某阈值时,判定其为PS候选点,否则为DS候选点;
上述2)中的每个空间像素都能得到和它相似的邻域像素,邻域像素的数量就是同质点数量。假设一幅图像的大小是200*200,则得到一个同样尺寸的图像,该图的每一个值对应当前像素拥有的同质点数量。当2)的同质点和3)的振幅离差同时满足阈值要求,这个位置的像素就判定为PS。这里强调位置,与像素上的值无关。例如在某个位置上有很多特征,我们用这些特征来判断这个位置是什么性质,位置上的特征只是观察到的特征。3)中的过程与二分类类似。
4)PS(永久散射体,Persistent Scatterer)点选择:采用StaMPS技术对所有PS候选点进行时间稳定性分析,获得PS点;
5)DS点选择:逐一对空间上的任一DS候选点进行协方差矩阵估计,削弱协方差矩阵中空间相干性估计的误差,使用纠正后的协方差矩阵优化相位,通过SqueeSAR技术中的后验相干性估计器评价DS候选点观测相位与优化相位的离差,获得DS点;
6)空间参考网络构建:对步骤4)中获得的PS点构建第一层空间参考网络之后,将步骤5)中获得的DS点与最邻近PS点相连构成第二层网络;
7)时间序列形变获取:采用StaMPS三维解缠方法对步骤6)中构建的网络进行时间维解缠后,再进行空间解缠;利用时空滤波分离解缠相位中的大气和轨道误差贡献,从而输出时间序列变形产品;
8)地球物理参数获取:基于4)的PS点和5)的DS点,采用优化相位和空间网络估计出地球物理参数。
该技术方案一方面通过削弱协方差矩阵中空间相干性估计的误差,使用纠正后的协方差矩阵优化相位,偏差和方差减小,协方差矩阵靠近真值,结果是权更准确,另一方面增强空间参考网络的时间相干性,减小矩阵病态,进而使得估计的相位和地球物理参数不确定性减小。
在以上技术方案中,进一步地,8)包括:对步骤6)的第一层网络使用一个相位模型和正则化方法恢复每个PS点的地球物理参数,再以第一层网络PS点为基准,恢复第二层网络上DS点的地球物理参数。这样的处理方式主要是为了既避免最小二乘平差引起的空间系统误差又避免DS低质量点引起的误差传播,进而获得可信度更高的地球物理参数。
在以上技术方案中,进一步地,在步骤5)中采用如下bootstrapping估计器削弱协方差矩阵中空间相干性估计的误差,表达式如下,:
其中,表示某空间像素的相干性矩阵,R表示bootstrapping复制数,表示每次bootstrapping复制时估计的bootstrapping相干性矩阵样本。接着,对偏差纠正后的所有邻域相干性矩阵样本求平均减小方差:
其中,p表示邻域Ω中的任一空间像素,l表示邻域内同质点的数量。
采用bootstrapping估计器削弱协方差矩阵中空间相干性估计的误差,使相干性估计的偏差和方差减小,协方差矩阵靠近真值,结果是权更准确,导致估计的相位和地球物理参数不确定性减小,同时bootstrapping方法实现简单易于操作。
在以上技术方案中,进一步为了解决相干性低、观测质量低、采用最小二乘估计的结果带有系统性偏差的问题,进一步地,采用多源最短路径算法最大化时间相干性构建第一层参考网络。采用多源路径算法可以寻找高质量的观测,因而减小最小二乘带来的系统偏差问题。
优选地,采用Floyd-Warshall多源最短路径算法最大化时间相干性构建第一层参考网络,具体方法如下:
首先采用Delaunay三角网将M个PS点相连并形成边缘,每个边缘都包含了起点p和终点q;接着在距离约束下,连接任意两点获得最多M(M-1)/2个边缘;采用以下估计量估计每个边缘的时间相干性:
其中K表示干涉图的数量(单一或多主影像时间网络),ep,q表示边缘p,q的双差相位;在最多M(M-1)/2个边缘中利用Floyd-Warshall多源最短路径算法寻找起点p和终点q之间的最短路径:
其中表示权,j表示迭代次数,表示点p和q的最小距离(最短路径权);最后根据最短路径更新p和q之间的子边缘。
在以上技术方案另一种可能的实施方式中,在步骤6)中构建第一层参考网络时,不采用多源最短路径算法,而利用重复使用单源最短路径算法代替多源最短路径算法实现最大化时间相干性,也能解决相干性低、观测质量低、采用最小二乘估计的结果带有系统性偏差的技术问题。
进一步地,为了解决DS的质量较PS差,权不准确,DS估计结果不确定性大的技术问题,以上技术方案中,进一步地,在步骤8)中第二层网络使用极大似然估计器恢复第二层网络上DS点的地球物理参数,具体方法为:
其中g1,g2,...gl表示邻域内每个空间像素的N维单式复数时间序列,h,v表示待估地球物理参数,即高程误差和形变匀速率;表示取复数的实部,H表示共轭转置,表示对相干性矩阵求逆,表示哈达玛积,表示由l个同质点平均得到的干涉矩阵,ξ(h,v)表示第一层和第二层网络中使用的相位模型:
ξ(h,v)=exp(jθ(h,v))
θ(h,v)=[θ1(h,v),θ2(h,v),...,θn(h,v)]T
λ,η和分别表示雷达波长、传感器与地物目标的距离和入射角。ti,m和Bi,m分别表示关于任意主影像m的时间基线和垂直基线。
在另一方面,本发明提供了一种时空相干性增强的分布式目标InSAR时序处理装置,其特征在于,包括:InSAR预处理模块、同质点选取模块、DS和PS候选点分离模块、PS点选择模块、DS点选择模块、空间参考网络构建模块、时间序列形变获取模块以及地球物理参数获取模块;
所述InSAR预处理模块,用于对预先获得的单视复数影像的强度部分进行辐射校正和配准,选取一公共主影像,对其余N-1幅SAR图像进行干涉得到干涉图像,采用外部DEM去除干涉图像的地形相位贡献,得到预处理后的图像;
所述同质点选取模块:采用双样本似然比假设检验方法,在选定的滑动窗口内检验中心像素与邻域像素的相似性,保留接受零假设的像素作为同质点并计算同质点数量;
所述DS和PS候选点分离模块:利用SAR图像幅度序列估计振幅离差指数,若获得的图像中任一像素的振幅离差指数和计算得到的同质点数量都小于设定阈值时,判定其为PS候选点,否则为DS候选点;
所述PS点选择模块:采用StaMPS技术对所有PS候选点进行时间稳定性分析,获得PS点;
所述DS点选择模块:逐一对空间上的任一DS候选点进行协方差矩阵估计,削弱协方差矩阵中空间相干性估计的误差,使用纠正后的协方差矩阵优化相位,通过SqueeSAR技术中的后验相干性估计器评价DS候选点观测相位与优化相位的离差,获得DS点;
所述空间参考网络构建模块:对步骤4)中获得的PS点构建第一层空间参考网络之后,将步骤5)中获得的DS点与最邻近PS点相连构成第二层网络;
所述时间序列形变获取模块:采用StaMPS三维解缠方法对步骤6)中构建的网络进行时间维解缠后,再进行空间解缠;利用时空滤波分离解缠相位中的大气和轨道误差贡献,输出时间序列变形产品;
所述地球物理参数获取模块:对步骤6)的第一层网络使用一个相位模型和正则化方法恢复每个PS点的地球物理参数,再以第一层网络PS点为基准,恢复第二层网络上DS点的地球物理参数。
发明所达到的有益效果:本发明方法即融合了空间相干性误差抑制和时间相干性增强两个质量控制的关键步骤,也结合了StaMPS方法的优点;
整个流程结构严谨、自动化程度高,避免了因数据处理链带入低质量观测诱发的一系列误差传播。时空相干性增强为数据处理配备了精确的权并同时解决了参考网络最小二乘平差中矩阵病态的问题,因而能够获得高精度和高空间分辨率的形变监测产品。
附图说明
图1为本发明的流程图;
图2为传统相干性矩阵估计和本发明利用bootstrapping方法纠正后的相干性矩阵残差图;
图3为本发明bootstrapping相干性矩阵估计和未使用bootstrapping相干性矩阵估计的相位优化直方图;
图4为传统Delaunay和本发明Floyd-Warshall多源最短路径算法构网后解算的形变速率残差图;
图5为本发明的极大似然估计量获取的形变速率与PS-InSAR形变速率估计量获取的结果对比图。
具体实施方式
下面根据附图并结合实施例对本发明的技术方案作进一步阐述。
实施方式一:时空相干性增强的分布式目标InSAR时序处理方法,具体步骤如下(如图1所示):
1)InSAR预处理。对N幅单式复数SAR数据序列在精密轨道与外部数字高程模型的基础上进行几何配准,获得单视复数影像数据栈。对SAR图像进行辐射校正之后,选取一公共主影像,对其余N-1幅SAR图像进行干涉,采用外部DEM去除干涉图像的地形相位贡献。
需要说明的是:本发明的方法适用于任何星载SAR数据集,对干涉后的N-1幅图像进行差分以便得到全部N(N-1)/2幅图像。因此,这是一种不损失干涉信息的时序处理方法。
2)同质点选取。为每个空间像素规定一滑动窗口(具体实施例中窗口滑动窗口一般都是矩形窗口(包含正方形),以每个像素为中心的一个窗口),以当前像素为参考像素,利用双样本似然比假设检验比较其与窗口内其他像素的相似性,保留接受零假设的像素标记为该参考像素的同质点并形成标记集合Ω,记录集合中同质点的数量l。类似于二分类,这一过程遍历整个空间像素直到每个像素拥有自己的集合Ω。
3)DS和PS候选点分离。对配准的SAR数据栈取模得到振幅离差指数,当任一空间像素的振幅离差指数和同质点数量同时小于某阈值时,判定其为PS候选点,否则为DS候选点。这里对配准的SAR数据栈取模得到振幅离差指数是利用SAR图像幅度序列估计振幅离差指数。幅度序列是三维的,沿着时间维度(第三维)求振幅离差指数可以获得和原始SAR图像相同大小的一个图像,任一像素是指这个操作之后得到的图像上的每个点。
4)PS点选择。采用StaMPS技术对所有PS候选点进行时间稳定性分析,获得PS点。
5)DS点选择。首先逐一对空间上的每个DS候选点进行协方差矩阵估计,采用如下表达式:
其中G=[g1,g2,...gl]是观测矩阵,gl是集合中第l个同质点的单式复数时间序列SAR数据,有gl=[g1,l,g2,l,...,gN,l]T。是包含了N(N-1)/2干涉组合的相干性矩阵,是估计的N(N-1)/2干涉组合的多视复数相位观测;
接着对每个空间像素的协方差矩阵中相干性矩阵进行纠正,使用纠正后的协方差矩阵优化相位;
通过SqueeSAR技术中的后验相干性估计器评价DS候选点观测相位与优化相位的离差,获得DS点;
6)空间网络构建:对步骤4)中获得的PS点构建第一层空间参考网络之后,将步骤5)中获得的DS点与最邻近PS点相连构成第二层网络;
7)时间序列形变获取。采用StaMPS三维解缠方法对上述网络进行时间维解缠后,再进行空间解缠;利用时空滤波分离解缠相位中的大气和轨道误差贡献,从而输出时间序列变形产品;
8)地球物理参数获取:基于4)的PS点和5)的DS点,采用优化相位和空间网络估计出地球物理参数。
该实施例为了避免有偏的相干性估计量对后续数据处理的误差传播,对每个空间像素的协方差矩阵中相干性矩阵进行纠正,削弱协方差矩阵中空间相干性估计的误差,使用纠正后的协方差矩阵优化相位,偏差和方差减小,协方差矩阵靠近真值,结果是权更准确;另一方面,对空间网络进行时间相干性最大化可以增强双差相位观测质量、减小矩阵病态,进而使得估计的相位和地球物理参数不确定性减小。
在以上实施例基础上,8)地球物理参数获取包括:
利用PS-InSAR技术中的解空间搜索方法和一个相位模型,对步骤6)参考网络的边缘进行参数估计。在此之前,需利用步骤7)估计的大气和轨道误差补偿所有PS和DS点的双差相位,然后利用正则化方法恢复每个PS点的地球物理参数。最后,在DS点与最邻近PS点相连的第二层网络上,获得DS点上的地球物理参数。
实施方式二:
在以上实施例方式的基础上,在步骤5)逐一对空间上的每个DS候选点进行协方差矩阵估计之后,采用如下bootstrapping估计器削弱协方差矩阵中空间相干性估计的误差,对每个空间像素的协方差矩阵中相干性矩阵进行纠正,表达式如下::
其中R表示bootstrapping复制数,表示每次bootstrapping复制时估计的相干性矩阵样本。接着,对偏差纠正后的所有邻域相干性矩阵样本求平均减小方差:
使用纠正后的协方差矩阵优化相位,方法如下:
根据一个极大似然-特征值分解估计器获得时间序列优化相位
其中表示对相干性矩阵求逆,表示哈达玛积,表示取复数的实部,H表示共轭转置。最后根据SqueeSAR技术中的后验相干性估计器确定DS点。
采用蒙特卡洛模拟实验,设定N=30且l=49,图2详细说明了相干性矩阵纠正前后与真值的残余。可以看出,较未使用相干性矩阵纠正(a),使用了本发明提出的方法(b)可以获得更小的估计残差。
使用N=47景欧空局降轨Sentinel-1真实数据,对西藏Zegede区域(6×4km2)进行相位优化,该区域没有显著地表变形。取滑动窗口l=13×13,采用传统估计和本发明估计分别得到优化的相位。从图3可以看出,本发明提出的空间相干性增强能够获得更加靠近零值的直方图,说明信噪比更高,相位质量更好。
需要说明的是:本发明提出的bootstrapping相干性矩阵纠正方法是一种参数化方法。bootstrapping复制由估值和一组服从N维复圆高斯分布下的随机向量x,联合得到:
本发明的方法不仅适用于该实验中选取的Sentinel-1数据,对其他星载及机载数据同样适用。在数据进行配准之后,无需对数据类型做特殊处理或者转换。
在以上实施方式的基础上,因为双差相位受到空间相关信号的影像,为了确保所有边缘的时间相干性都足够高,具体实施方式中采用多源最短路径算法最大化时间相干性,采用多源路径算法可以寻找高质量的观测,因而减小最小二乘带来的系统偏差问题。
实施方式三
在以上实施方式的基础上,本实施方式采用图论学中的Floyd-Warshall多源最短路径算法选择起点p和终点q的最优子路径。
首先将PS点用Delaunay三角网形成边缘,其目的是获得每个边缘的起点p和终点q;这需要首先探索M个PS点的所有边缘。因为距离越远的两点之间遭受大气等干扰越严重,所以需要事先对距离进行约束,例如小于2000米。对约束后的至多M(M-1)/2个边缘进行时间相干性估计以便确定最短路径算法的权:
其中K表示干涉图的数量(单一或多主影像时间网络),ep,q表示边缘p,q的双差相位。将时间相干性转换到权之后,首先对所有PS点建立邻接矩阵,然后利用Floyd-Warshall算法同时寻找所有起点p和终点q之间的最短路径:
其中j表示迭代次数,表示点p和q的最小距离(最短路径权);根据最短路径更新p和q之间的子边缘。最后,将DS点与最邻近PS点相连形成第二层网络。
采用蒙特卡洛随机实验,模拟了N=31个单式复数影像和200个参考点的时序相位。在不同相干性区间段对这些点添加噪声,然后采用上述网络将它们分别连接并进行形变解算,获得图4的结果。可以看出,本发明的构网方法解算获得的残差更小。当相干性区间靠近1时,表示噪声接近于0,则基于Delaunay网络与本发明的网络所得结果趋于一致。这表明当时间相干性足够高时,Delaunay三角网构成的边缘已经接近于最优路径。
需要说明的是:在其它具体实施例中,以上实施例中提出的多源最短路径算法也可以通过重复使用单源最短路径算法来实现(例如迪杰特斯拉算法),也就是在步骤6)中构建第一层参考网络时,重复使用单源最短路径算法代替多源最短路径算法实现最大化时间相干性。这些改进和变形也应视为本发明的保护范围。
实施方式四
在以上实施方式的基础上,为了对相位观测量添加准确的权并使用优化的相位估计参数,本实施方式8)利用一个极大似然估计器恢复第二层网络上DS点的参数,具体方法如下:
其中[g1,g2,...gl]=G,h,v表示待估地球物理参数,即高程误差和形变匀速率;ξ(h,v)表示第一层和第二层网络中使用的相位模型:
ξ(h,v)=exp(jθ(h,v))
θ(h,v)=[θ1(h,v),θ2(h,v),...,θn(h,v)]T
λ,η和分别表示雷达波长、传感器与地物目标的距离和入射角。ti,m和Bi,m分别表示关于任意主影像m的时间基线和垂直基线。
使用N=47景欧空局降轨Sentinel-1真实数据,对西藏Zegede区域(6×4km2)进行形变速率估计。图5中展示了本发明似然估计量(b)和传统PS-InSAR估计量(a)的对比结果。可以看出,本发明的估计结果能够获得噪点更少的匀速率,说明方法的稳健性更高。
需要说明的是:本发明提出的极大似然估计量可应用于N(N-1)/2个干涉相位的时间基线组合,也可以经过筛选的小基线组合或单主影像组合。这些改进和变形也应视为本发明的保护范围。
本领域内的技术人员应明白,本申请的实施例可提供为方法、系统、或计算机程序产品。因此,本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
以上结合附图对本发明的实施例进行了描述,但是本发明并不局限于上述的具体实施方式,上述的具体实施方式仅仅是示意性的,而不是限制性的,本领域的普通技术人员在本发明的启示下,在不脱离本发明宗旨和权利要求所保护的范围情况下,还可做出很多形式,这些均属于本发明的保护之内。
Claims (9)
1.一种时空相干性增强的分布式目标InSAR时序处理方法,其特征在于,包括以下步骤:
1)InSAR预处理:对预先获得的N幅SAR图像进行配准和辐射校正,选取一公共主影像,对其余N-1幅SAR图像进行干涉得到干涉图像,采用外部DEM去除干涉图像的地形相位贡献,得到预处理后的图像;
2)同质点选取:采用双样本似然比假设检验方法,在选定的滑动窗口内检验中心像素与邻域像素的相似性,保留接受零假设的像素作为同质点并计算同质点数量;
3)DS和PS候选点分离:利用SAR图像幅度序列估计振幅离差指数,若获得的图像中任一像素的振幅离差指数和计算得到的同质点数量都小于设定阈值,判定其为PS候选点,否则为DS候选点;
4)PS点选择:采用StaMPS技术对所有PS候选点进行时间稳定性分析,获得PS点;
5)DS点选择:逐一对空间上的任一DS候选点进行协方差矩阵估计,削弱协方差矩阵中空间相干性估计的误差,使用纠正后的协方差矩阵优化相位,通过SqueeSAR技术中的后验相干性估计器评价DS候选点观测相位与优化相位的离差,获得DS点;
6)空间参考网络构建:对步骤4)中获得的PS点构建第一层空间参考网络之后,将步骤5)中获得的DS点与最邻近PS点相连构成第二层网络;
7)时间序列形变获取:采用StaMPS三维解缠方法对步骤6)中构建的网络进行时间维解缠后,再进行空间解缠;利用时空滤波分离解缠相位中的大气和轨道误差贡献,输出时间序列变形产品;
8)地球物理参数获取:基于4)的PS点和5)的DS点,采用优化相位和空间网络估计出地球物理参数。
2.根据权利要求1所述的一种时空相干性增强的分布式目标InSAR时序处理方法,其特征在于,步骤8)中具体包括:
对步骤6)的第一层网络使用一个相位模型和正则化方法恢复每个PS点的地球物理参数,再以第一层网络PS点为基准,恢复第二层网络上DS点的地球物理参数。
3.根据权利要求1所述的一种时空相干性增强的分布式目标InSAR时序处理方法,其特征在于,削弱协方差矩阵中空间相干性估计的误差的方法如下:
采用如下bootstrapping估计器削弱协方差矩阵中空间相干性估计的误差,表达式如下:
其中,表示某空间像素的相干性矩阵,R表示bootstrapping复制数,表示每次bootstrapping复制时估计的bootstrapping相干性矩阵样本;
对偏差纠正后的所有邻域相干性矩阵样本求平均减小方差:
其中,p表示邻域Ω中的任一空间像素,l表示邻域内同质点的数量。
4.根据权利要求1所述的一种时空相干性增强的分布式目标InSAR时序处理方法,其特征在于,在步骤6)中构建第一层参考网络时,采用多源最短路径算法最大化时间相干性。
5.根据权利要求1所述的一种时空相干性增强的分布式目标InSAR时序处理方法,其特征在于,在步骤6)中构建第一层参考网络时,重复使用单源最短路径算法最大化时间相干性。
6.根据权利要求4所述的一种时空相干性增强的分布式目标InSAR时序处理方法,其特征在于,采用Floyd-Warshall多源最短路径算法最大化时间相干性构建第一层参考网络的具体方法如下:
首先采用Delaunay三角网将M个PS点相连并形成边缘,每个边缘都包含了起点p和终点q;接着在距离约束下,连接任意两点获得最多M(M-1)/2个边缘;采用以下估计量估计每个边缘的时间相干性:
其中K表示干涉图的数量,ep,q表示边缘p,q的双差相位;在最多M(M-1)/2个边缘中利用Floyd-Warshall多源最短路径算法寻找起点p和终点q之间的最短路径,表达式如下:
其中表示权,j表示迭代次数,表示点p和q的最小距离;最后根据最短路径更新p和q之间的子边缘。
7.根据权利要求2所述的一种时空相干性增强的分布式目标InSAR时序处理方法,其特征在于,在步骤8)中利用一个极大似然估计器恢复第二层网络上DS点的参数,所述极大似然估计器的表达式如下:
其中g1,g2,...gl表示邻域内每个空间像素的N维单式复数时间序列,h,v表示待估地球物理参数,就是高程误差和形变匀速率;表示取复数的实部,H表示共轭转置,表示对相干性矩阵求逆,表示哈达玛积,表示由l个同质点平均得到的干涉矩阵,ξ(h,v)表示第一层和第二层网络中使用的相位模型:
ξ(h,v)=exp(jθ(h,v))
θ(h,v)=[θ1(h,v),θ2(h,v),...,θn(h,v)]T
λ,η和分别表示雷达波长、传感器与地物目标的距离和入射角;ti,m和Bi,m分别表示关于任意主影像m的时间基线和垂直基线。
8.根据权利要求1所述的一种时空相干性增强的分布式目标InSAR时序处理方法,其特征在于,所述SAR图像为N(N-1)/2个干涉相位的时间基线组合、经过筛选的小基线组合或者单主影像组合中的任意一种。
9.一种时空相干性增强的分布式目标InSAR时序处理装置,其特征在于,包括:InSAR预处理模块、同质点选取模块、DS和PS候选点分离模块、PS点选择模块、DS点选择模块、空间参考网络构建模块、时间序列形变获取模块以及地球物理参数获取模块;
所述InSAR预处理模块,用于对预先获得的单视复数影像的强度部分进行辐射校正和配准,选取一公共主影像,对其余N-1幅SAR图像进行干涉得到干涉图像,采用外部DEM去除干涉图像的地形相位贡献,得到预处理后的图像;
所述同质点选取模块:采用双样本似然比假设检验方法,在选定的滑动窗口内检验中心像素与邻域像素的相似性,保留接受零假设的像素作为同质点并计算同质点数量;
所述DS和PS候选点分离模块:利用SAR图像幅度序列估计振幅离差指数,若获得的图像中任一像素的振幅离差指数和计算得到的同质点数量都小于设定阈值时,判定其为PS候选点,否则为DS候选点;
所述PS点选择模块:采用StaMPS技术对所有PS候选点进行时间稳定性分析,获得PS点;
所述DS点选择模块:逐一对空间上的任一DS候选点进行协方差矩阵估计,削弱协方差矩阵中空间相干性估计的误差,使用纠正后的协方差矩阵优化相位,通过SqueeSAR技术中的后验相干性估计器评价DS候选点观测相位与优化相位的离差,获得DS点;
所述空间参考网络构建模块:对步骤4)中获得的PS点构建第一层空间参考网络之后,将步骤5)中获得的DS点与最邻近PS点相连构成第二层网络;
所述时间序列形变获取模块:采用StaMPS三维解缠方法对步骤6)中构建的网络进行时间维解缠后,再进行空间解缠;利用时空滤波分离解缠相位中的大气和轨道误差贡献,输出时间序列变形产品;
所述地球物理参数获取模块:对步骤6)的第一层网络使用一个相位模型和正则化方法恢复每个PS点的地球物理参数,再以第一层网络PS点为基准,恢复第二层网络上DS点的地球物理参数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910837525.3A CN110412574B (zh) | 2019-09-05 | 2019-09-05 | 一种时空相干性增强的分布式目标InSAR时序处理方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910837525.3A CN110412574B (zh) | 2019-09-05 | 2019-09-05 | 一种时空相干性增强的分布式目标InSAR时序处理方法和装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110412574A true CN110412574A (zh) | 2019-11-05 |
CN110412574B CN110412574B (zh) | 2021-05-25 |
Family
ID=68370420
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910837525.3A Active CN110412574B (zh) | 2019-09-05 | 2019-09-05 | 一种时空相干性增强的分布式目标InSAR时序处理方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110412574B (zh) |
Cited By (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110826518A (zh) * | 2019-11-14 | 2020-02-21 | 中国地质科学院矿产资源研究所 | 一种遥感影像隐伏地质构造信息提取方法 |
CN111059998A (zh) * | 2019-12-31 | 2020-04-24 | 中国地质大学(北京) | 一种基于高分辨率的时序InSAR形变监测方法及系统 |
CN111766580A (zh) * | 2020-07-10 | 2020-10-13 | 中国科学院空天信息创新研究院 | Sar遥感卫星大数据的逐次递推精化地面位置的方法 |
CN112269176A (zh) * | 2020-10-14 | 2021-01-26 | 武汉工程大学 | 一种矿山地表沉陷早期识别监测方法 |
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 |
CN112799065A (zh) * | 2020-12-31 | 2021-05-14 | 中国人民解放军国防科技大学 | 基于蚁群搜索的sar层析参考网生成方法 |
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 |
CN112986994A (zh) * | 2021-02-06 | 2021-06-18 | 中国人民解放军国防科技大学 | 一种sar层析参考网快速生成方法 |
CN113189586A (zh) * | 2021-04-02 | 2021-07-30 | 中国地质大学(武汉) | 一种基于ps目标时空间相干矩阵的极化相位优化方法 |
CN113866765A (zh) * | 2021-09-24 | 2021-12-31 | 中国科学院精密测量科学与技术创新研究院 | 基于多成分时间相干模型的PS-InSAR测量方法 |
CN114265062A (zh) * | 2021-11-11 | 2022-04-01 | 电子科技大学 | 一种基于相位梯度估计网络的InSAR相位解缠方法 |
CN115267781A (zh) * | 2022-09-28 | 2022-11-01 | 中山大学 | 一种基于多视SAR数据集的InSAR相干性估计方法 |
CN115511925A (zh) * | 2022-09-26 | 2022-12-23 | 成都理工大学 | 基于管道通信机制的StaMPS并行优化处理方法及产品 |
WO2023142205A1 (zh) * | 2022-01-26 | 2023-08-03 | 中山大学 | 一种InSAR时序相位的优化方法及装置 |
CN116908853A (zh) * | 2023-09-13 | 2023-10-20 | 北京观微科技有限公司 | 高相干点选取方法、装置和设备 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN108062767A (zh) * | 2018-02-11 | 2018-05-22 | 河海大学 | 基于时序sar图像的统计同分布空间像素选择方法 |
-
2019
- 2019-09-05 CN CN201910837525.3A patent/CN110412574B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN108062767A (zh) * | 2018-02-11 | 2018-05-22 | 河海大学 | 基于时序sar图像的统计同分布空间像素选择方法 |
Non-Patent Citations (5)
Title |
---|
ANDREA MONTI GUARNIERI 等: "On the Exploitation of Target Statistics for SAR Interferometry Applications", 《IEEE TRANSACTIONS ON GEOSCIENCE AND REMOTE SENSING》 * |
MI JIANG 等: "Fast Statistically Homogeneous Pixel Selection for Covariance Matrix Estimation for Multitemporal InSAR", 《IEEE TRANSACTIONS ON GEOSCIENCE AND REMOTE SENSING》 * |
PAOLO BERARDINO 等: "A New Algorithm for Surface Deformation Monitoring Based on Small Baseline Differential SAR Interferograms", 《IEEE TRANSACTIONS ON GEOSCIENCE AND REMOTE SENSING》 * |
王琪: "利用永久散射体雷达干涉技术进行太原市地面沉降监测", 《测绘通报》 * |
蒋弥 等: "时序InSAR同质样本选取算法研究", 《地球物理学报》 * |
Cited By (24)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110826518B (zh) * | 2019-11-14 | 2022-06-03 | 中国地质科学院矿产资源研究所 | 一种遥感影像隐伏地质构造信息提取方法 |
CN110826518A (zh) * | 2019-11-14 | 2020-02-21 | 中国地质科学院矿产资源研究所 | 一种遥感影像隐伏地质构造信息提取方法 |
CN111059998A (zh) * | 2019-12-31 | 2020-04-24 | 中国地质大学(北京) | 一种基于高分辨率的时序InSAR形变监测方法及系统 |
CN111766580A (zh) * | 2020-07-10 | 2020-10-13 | 中国科学院空天信息创新研究院 | Sar遥感卫星大数据的逐次递推精化地面位置的方法 |
CN112269176A (zh) * | 2020-10-14 | 2021-01-26 | 武汉工程大学 | 一种矿山地表沉陷早期识别监测方法 |
CN112269176B (zh) * | 2020-10-14 | 2021-09-14 | 武汉工程大学 | 一种矿山地表沉陷早期识别监测方法 |
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 |
CN112799065A (zh) * | 2020-12-31 | 2021-05-14 | 中国人民解放军国防科技大学 | 基于蚁群搜索的sar层析参考网生成方法 |
CN112986994A (zh) * | 2021-02-06 | 2021-06-18 | 中国人民解放军国防科技大学 | 一种sar层析参考网快速生成方法 |
CN112986994B (zh) * | 2021-02-06 | 2023-11-17 | 中国人民解放军国防科技大学 | 一种sar层析参考网快速生成方法 |
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 |
CN113189586B (zh) * | 2021-04-02 | 2022-06-21 | 中国地质大学(武汉) | 一种基于ps目标时空间相干矩阵的极化相位优化方法 |
CN113189586A (zh) * | 2021-04-02 | 2021-07-30 | 中国地质大学(武汉) | 一种基于ps目标时空间相干矩阵的极化相位优化方法 |
CN113866765A (zh) * | 2021-09-24 | 2021-12-31 | 中国科学院精密测量科学与技术创新研究院 | 基于多成分时间相干模型的PS-InSAR测量方法 |
CN113866765B (zh) * | 2021-09-24 | 2022-12-13 | 中国科学院精密测量科学与技术创新研究院 | 基于多成分时间相干模型的PS-InSAR测量方法 |
CN114265062B (zh) * | 2021-11-11 | 2023-11-10 | 电子科技大学 | 一种基于相位梯度估计网络的InSAR相位解缠方法 |
CN114265062A (zh) * | 2021-11-11 | 2022-04-01 | 电子科技大学 | 一种基于相位梯度估计网络的InSAR相位解缠方法 |
WO2023142205A1 (zh) * | 2022-01-26 | 2023-08-03 | 中山大学 | 一种InSAR时序相位的优化方法及装置 |
CN115511925B (zh) * | 2022-09-26 | 2023-11-03 | 成都理工大学 | 基于管道通信机制的StaMPS并行优化处理方法及产品 |
CN115511925A (zh) * | 2022-09-26 | 2022-12-23 | 成都理工大学 | 基于管道通信机制的StaMPS并行优化处理方法及产品 |
CN115267781A (zh) * | 2022-09-28 | 2022-11-01 | 中山大学 | 一种基于多视SAR数据集的InSAR相干性估计方法 |
CN116908853A (zh) * | 2023-09-13 | 2023-10-20 | 北京观微科技有限公司 | 高相干点选取方法、装置和设备 |
CN116908853B (zh) * | 2023-09-13 | 2023-11-17 | 北京观微科技有限公司 | 高相干点选取方法、装置和设备 |
Also Published As
Publication number | Publication date |
---|---|
CN110412574B (zh) | 2021-05-25 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110412574A (zh) | 一种时空相干性增强的分布式目标InSAR时序处理方法和装置 | |
Osmanoğlu et al. | Time series analysis of InSAR data: Methods and trends | |
Samiei-Esfahany et al. | Phase estimation for distributed scatterers in InSAR stacks using integer least squares estimation | |
Simard et al. | An assessment of temporal decorrelation compensation methods for forest canopy height estimation using airborne L-band same-day repeat-pass polarimetric SAR interferometry | |
Huang et al. | Mapping vegetation heights in China using slope correction ICESat data, SRTM, MODIS-derived and climate data | |
Lavalle et al. | Three-baseline InSAR estimation of forest height | |
CN106023157A (zh) | 一种基于sar图像的山区地表微形变信息提取方法 | |
CN109782282A (zh) | 一种集成对流层大气延迟改正的时间序列InSAR分析方法 | |
WO2010000870A1 (en) | Identification and analysis of persistent scatterers in series of sar images | |
CN110018476B (zh) | 时间差分基线集时序干涉sar处理方法 | |
Jeong et al. | Improved multiple matching method for observing glacier motion with repeat image feature tracking | |
Wang et al. | A new likelihood function for consistent phase series estimation in distributed scatterer interferometry | |
El Kamali et al. | A reasoned bibliography on SAR interferometry applications and outlook on big interferometric data processing | |
CN103454636A (zh) | 基于多像素协方差矩阵的差分干涉相位估计方法 | |
Wang et al. | Demonstration of time‐series InSAR processing in Beijing using a small stack of Gaofen‐3 differential interferograms | |
Li et al. | Forest-height inversion using repeat-pass spaceborne polInSAR data | |
Wang et al. | Equation-based InSAR data quadtree downsampling for earthquake slip distribution inversion | |
Li et al. | An adaptive phase optimization algorithm for distributed scatterer phase history retrieval | |
Wang et al. | Interferometric Synthetic Aperture Radar Statistical Inference in Deformation Measurement and Geophysical Inversion: A review | |
Ojha et al. | The constrained-network propagation (C-NetP) technique to improve SBAS-DInSAR deformation time series retrieval | |
Yaseen et al. | Local interpolation of coseismic displacements measured by InSAR | |
Biswas et al. | Spatial-correlation based persistent scatterer interferometric study for ground deformation | |
Sadeghi et al. | Monitoring land subsidence in a rural area using a combination of ADInSAR and polarimetric coherence optimization | |
Narayan et al. | Persistent scatter identification and look-angle error estimation using similar time-series interferometric pixels | |
Fu et al. | Study on accuracy assessment of DEM in the marsh using with interferometric Palsar, SENTINEL-1A and Terrasar-X images |
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 |