CN110440935B - 一种基于扩展信息滤波的相位展开方法 - Google Patents

一种基于扩展信息滤波的相位展开方法 Download PDF

Info

Publication number
CN110440935B
CN110440935B CN201910739178.0A CN201910739178A CN110440935B CN 110440935 B CN110440935 B CN 110440935B CN 201910739178 A CN201910739178 A CN 201910739178A CN 110440935 B CN110440935 B CN 110440935B
Authority
CN
China
Prior art keywords
pixel
observation
state
phase
eif
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.)
Expired - Fee Related
Application number
CN201910739178.0A
Other languages
English (en)
Other versions
CN110440935A (zh
Inventor
谢先明
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.)
Guilin University of Electronic Technology
Original Assignee
Guilin University of Electronic Technology
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 Guilin University of Electronic Technology filed Critical Guilin University of Electronic Technology
Priority to CN201910739178.0A priority Critical patent/CN110440935B/zh
Publication of CN110440935A publication Critical patent/CN110440935A/zh
Application granted granted Critical
Publication of CN110440935B publication Critical patent/CN110440935B/zh
Expired - Fee Related legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01J—MEASUREMENT OF INTENSITY, VELOCITY, SPECTRAL CONTENT, POLARISATION, PHASE OR PULSE CHARACTERISTICS OF INFRARED, VISIBLE OR ULTRAVIOLET LIGHT; COLORIMETRY; RADIATION PYROMETRY
    • G01J9/00—Measuring optical phase difference; Determining degree of coherence; Measuring optical wavelength
    • G01J9/02—Measuring optical phase difference; Determining degree of coherence; Measuring optical wavelength by interferometric methods
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01J—MEASUREMENT OF INTENSITY, VELOCITY, SPECTRAL CONTENT, POLARISATION, PHASE OR PULSE CHARACTERISTICS OF INFRARED, VISIBLE OR ULTRAVIOLET LIGHT; COLORIMETRY; RADIATION PYROMETRY
    • G01J9/00—Measuring optical phase difference; Determining degree of coherence; Measuring optical wavelength
    • G01J9/02—Measuring optical phase difference; Determining degree of coherence; Measuring optical wavelength by interferometric methods
    • G01J2009/0234—Measurement of the fringe pattern

Landscapes

  • Physics & Mathematics (AREA)
  • Spectroscopy & Molecular Physics (AREA)
  • General Physics & Mathematics (AREA)
  • Spectrometry And Color Measurement (AREA)
  • Image Processing (AREA)

Abstract

本发明公开了一种基于扩展信息滤波的相位展开方法，首先建立基于扩展信息滤波EIF的干涉图相位展开算法的一般框架，随后通过将EIF与现有高效相位梯度估计算法以及路径跟踪策略结合起来，建立两种基于不同观测模型的二维EIF相位展开递推状态估计模型，再利用现有高效相位梯度估计算法获取二维EIF相位展开递推状态估计模型所需的相位梯度信息，最后利用现有的路径跟踪策略引导二维EIF相位展开递推状态估计模型沿高质量像元到低质量像元展开缠绕干涉图。本发明具有较好的鲁棒性，能有效展开不同类型的缠绕干涉图。

Description

一种基于扩展信息滤波的相位展开方法
技术领域
本发明涉及扩展信息滤波应用中干涉相位展开技术领域，尤其涉及一种基于扩展信息滤波的相位展开方法。
背景技术
相位展开技术能从干涉图模2π映射的相位主值区间恢复出真实展开相位，广泛应用于数字全息显微、磁共振成像处理、散斑成像、光学干涉测量、自适应光学、合成孔径雷达干涉测量等领域。传统的相位展开方法主要包括结合路径跟踪相位展开法、基于网络流的相位展开方法和最小范数类相位展开方法。路径跟踪法通过选取合适的相位展开路径，一定程度上避免噪声传播，也致使低质量区域误差较大；网络流法通过解决最小费用流问题间接获得展开相位，网络流法对计算内存需求很大，随着干涉图尺寸逐渐扩大，往往容易出现内存溢出的情况；最小范数法求解全局最优化拟合曲面对干涉相位进行展开，速度较快且极易模糊相位细节信息，展开误差较大。
发明内容
针对现有技术的不足，本发明所解决的技术问题是针对不同类型的缠绕干涉图进行相位展开且具有较好的鲁棒性。
为解决上述技术问题，本发明采用的技术方案是一种基于扩展信息滤波的相位展开方法，包括以下步骤：
(一)建立基于扩展信息滤波EIF的干涉图相位展开算法的一般框架，具体过程如下：
含噪声非线性系统模型按如下描述：
xk＝f(xk-1)+ξk-1
yk＝h(xk)+Vk (1)
其中，xk和yk分别为干涉像元k状态变量以及观测矢量，ξk-1和Vk分别为加性高斯过程噪声以及观测高斯噪声：ξk-1服从均值为0，方差为Qk-1的高斯分布；Vk服从均值为0，方差为Rk的高斯分布。其中，Qk-1和Rk分别为加性过程噪声方差以及观测噪声方差；
设干涉像元k-1状态估计值
Figure BDA0002163324750000021
及估计误差方差
Figure BDA0002163324750000022
为：
Figure BDA0002163324750000023
Figure BDA0002163324750000024
则干涉像元k预测状态
Figure BDA0002163324750000025
预测信息状态矢量zk以及相应的预测信息矩阵Zk：
Figure BDA0002163324750000026
Figure BDA0002163324750000027
Figure BDA0002163324750000028
Figure BDA0002163324750000029
Figure BDA00021633247500000210
其中,
Figure BDA00021633247500000211
为
Figure BDA00021633247500000212
雅可比矩阵，u是用于调整预测状态协方差矩阵的缩放参数，I具有与
Figure BDA00021633247500000213
相同维数的单位矩阵；
计算信息状态贡献矩阵ik及相应的信息状态矩阵Ik：
Figure BDA00021633247500000214
Figure BDA00021633247500000215
Figure BDA00021633247500000216
其中，Hk为
Figure BDA0002163324750000031
雅可比矩阵，状态更新及相应的协方差矩阵：
Figure BDA0002163324750000032
Figure BDA0002163324750000033
为干涉像元k状态估计，
Figure BDA0002163324750000034
为干涉像元k估计误差方差。
(二)分别建立复数域观测模型和线性观测模型及其二维EIF相位展开递推状态估计模型，具体过程如下：
复数域观测模型的EIF系统方程如下：
Figure BDA0002163324750000035
Figure BDA0002163324750000036
线性观测模型的EIF系统方程如下：
Figure BDA0002163324750000037
Figure BDA0002163324750000038
其中，x(m,n)为干涉图(m,n)像元的展开相位，并作为待估计的状态变量，(k,l)像元为干涉图(m,n)像元八个邻点中的已展开像元，
Figure BDA0002163324750000039
和
Figure BDA00021633247500000310
分别为以干涉图(k,l)像元为中心的局部窗口的行方向和列方向上的相位梯度估计，利用现有的局部梯度估计算法获取，ξ(m,n)|(k,l)是指具有协方差为Q(m,n)|(k,l)的零均值过程噪声；
复数域观测模型的EIF系统方程中，y(m,n)为状态变量x(m,n)的观测矢量，μ(m,n)和ν(m,n)分别为观测矢量同相与正交分量上的观测噪声，V(m,n)是指具有协方差为R(m,n)的零均值观测噪声；
线性观测模型的EIF系统方程中，
Figure BDA0002163324750000041
为干涉图(m,n)像元缠绕相位，被认为是干涉图(m,n)像元含噪声的观测变量，标记为y(m,n)，W[x(m,n)]为x(m,n)模2π映射后的缠绕相位，k是整数，
Figure BDA0002163324750000042
指方差为
Figure BDA0002163324750000043
的零均值高斯噪声。
(三)通过递推状态估计模型沿高质量像元到低质量像元展开缠绕干涉图，具体分步骤如下：
(1)进行状态预测，具体如下：
假设(m,n)像元是指待展开像元，则根据它的八个相邻像元中的已展开像元的信息，得出其预测估计值：
Figure BDA0002163324750000044
Figure BDA0002163324750000045
Figure BDA0002163324750000046
Figure BDA0002163324750000047
Figure BDA0002163324750000048
Figure BDA0002163324750000049
其中，
Figure BDA00021633247500000410
和
Figure BDA00021633247500000411
分别指(m,n)像元的预测估计及其对应的预测误差协方差矩阵；(k,l)像元为干涉图(m,n)像元八个邻点中的已展开像元，Ω为干涉图(m,n)像元八个邻点中的已展开像元的集合，
Figure BDA00021633247500000412
和
Figure BDA00021633247500000413
分别指(k,l)像元的状态估计及其对应的误差协方差矩阵，SNR(k,l)是干涉图(k,l)像元信噪比，Z(m,n)和z(m,n)分别指(m,n)像元的信息状态贡献及其对应的信息矩阵。
(2)进行状态更新，具体如下：
对于复数域观测模型，线性化的观测矩阵H(m,n)及观测误差η(m,n)为：
Figure BDA00021633247500000414
Figure BDA00021633247500000415
对于线性观测模型，线性化的观测矩阵H(m,n)及观测误差η(m,n)为：
Figure BDA0002163324750000051
干涉图(m,n)像元状态估计
Figure BDA0002163324750000052
及其对应的协方差矩阵
Figure BDA0002163324750000053
按如下计算：
Figure BDA0002163324750000054
其中，SNR(m,n)是干涉图(m,n)像元信噪比，
Figure BDA0002163324750000055
和
Figure BDA0002163324750000056
分别表示干涉图(m,n)像元状态变量估计值以及其相应的估计误差协方差矩阵；另外，利用现有的路径跟踪策略引导二维EIF相位展开递推状态估计模型沿高可靠区域到低可靠区域的路径递推展开干涉图缠绕像元。
与现有技术相比，本发明的有益效果：
(1)可沿高质量像元到低质量像元展开缠绕干涉图，同时进行相位展开与滤波操作；
(2)针对不同的干涉图地形，能够完整的展开相位并具有较好的鲁棒性。
附图说明
图1为本发明流程图；
图2为实施例1应用本发明对金字塔场景模拟真实相位图；
图3为对图2模拟相位图进行缠绕并加噪得到的缠绕相位图；
图4为本发明采用复数域观测模型对图3相位展开结果图；
图5为本发明采用复数域观测模型对图3相位展开误差分布图；
图6为本发明采用线性观测模型对图3相位展开结果图；
图7为本发明采用复数域观测模型对图3相位展开误差分布图；
图8为本发明对实测三峡地形干涉图；
图9为本发明采用复数域观测模型对实测数据图8相位展开结果图；
图10为本发明采用线性观测模型对实测数据图8相位展开结果图。
具体实施方式
下面结合附图和实施例对本发明的具体实施方式作进一步的说明，但不是对本发明的限定。
图1示出了一种基于扩展信息滤波的相位展开方法，包括以下步骤：
(一)建立基于扩展信息滤波EIF的干涉图相位展开算法的一般框架，具体过程如下：
含噪声非线性系统模型按如下描述：
xk＝f(xk-1)+ξk-1
yk＝h(xk)+Vk (1)
其中，xk和yk分别为干涉像元k状态变量以及观测矢量，ξk-1和Vk分别为加性高斯过程噪声以及观测高斯噪声：ξk-1服从均值为0，方差为Qk-1的高斯分布；Vk服从均值为0，方差为Rk的高斯分布。其中，Qk-1和Rk分别为加性过程噪声方差以及观测噪声方差；
设干涉像元k-1状态估计值
Figure BDA0002163324750000061
及估计误差方差
Figure BDA0002163324750000062
为：
Figure BDA0002163324750000063
Figure BDA0002163324750000064
则干涉像元k预测状态
Figure BDA0002163324750000065
预测信息状态矢量zk以及相应的预测信息矩阵Zk：
Figure BDA0002163324750000071
Figure BDA0002163324750000072
Figure BDA0002163324750000073
Figure BDA0002163324750000074
Figure BDA0002163324750000075
其中，
Figure BDA0002163324750000076
为
Figure BDA0002163324750000077
雅可比矩阵，u是用于调整预测状态协方差矩阵的缩放参数，I具有与
Figure BDA0002163324750000078
相同维数的单位矩阵；
计算信息状态贡献矩阵ik及相应的信息状态矩阵Ik：
Figure BDA0002163324750000079
Figure BDA00021633247500000710
Figure BDA00021633247500000711
其中，Hk为
Figure BDA00021633247500000712
雅可比矩阵，状态更新及相应的协方差矩阵：
Figure BDA00021633247500000713
Figure BDA00021633247500000714
为干涉像元k状态估计，
Figure BDA00021633247500000715
为干涉像元k估计误差方差。
(二)分别建立复数域观测模型和线性观测模型及其二维EIF相位展开递推状态估计模型，具体过程如下：
复数域观测模型的EIF系统方程如下：
Figure BDA00021633247500000716
Figure BDA00021633247500000717
线性观测模型的EIF系统方程如下：
Figure BDA00021633247500000718
Figure BDA00021633247500000719
其中，x(m,n)为干涉图(m,n)像元的展开相位，并作为待估计的状态变量，(k,l)像元为干涉图(m,n)像元八个邻点中的已展开像元，
Figure BDA0002163324750000081
和
Figure BDA0002163324750000082
分别为以干涉图(k,l)像元为中心的局部窗口的行方向和列方向上的相位梯度估计，利用现有的局部梯度估计算法获取，ξ(m,n)|(k,l)是指具有协方差为Q(m,n)|(k,l)的零均值过程噪声；
复数域观测模型的EIF系统方程中，y(m,n)为状态变量x(m,n)的观测矢量，μ(m,n)和ν(m,n)分别为观测矢量同相与正交分量上的观测噪声，V(m,n)是指具有协方差为R(m,n)的零均值观测噪声；
线性观测模型的EIF系统方程中，
Figure BDA0002163324750000083
为干涉图(m,n)像元缠绕相位，被认为是干涉图(m,n)像元含噪声的观测变量，标记为y(m,n)，W[x(m,n)]为x(m,n)模2π映射后的缠绕相位，k是整数，
Figure BDA0002163324750000084
指方差为
Figure BDA0002163324750000085
的零均值高斯噪声。
(三)通过递推状态估计模型沿高质量像元到低质量像元展开缠绕干涉图，具体分步骤如下：
(1)进行状态预测，具体如下：
假设(m,n)像元是指待展开像元，则根据它的八个相邻像元中的已展开像元的信息，得出其预测估计值：
Figure BDA0002163324750000086
Figure BDA0002163324750000087
Figure BDA0002163324750000088
Figure BDA0002163324750000089
Figure BDA00021633247500000810
Figure BDA00021633247500000811
其中，
Figure BDA0002163324750000091
和
Figure BDA0002163324750000092
分别指(m,n)像元的预测估计及其对应的预测误差协方差矩阵；(k,l)像元为干涉图(m,n)像元八个邻点中的已展开像元，Ω为干涉图(m,n)像元八个邻点中的已展开像元的集合，
Figure BDA0002163324750000093
和
Figure BDA0002163324750000094
分别指(k,l)像元的状态估计及其对应的误差协方差矩阵，SNR(k,l)是干涉图(k,l)像元信噪比，Z(m,n)和z(m,n)分别指(m,n)像元的信息状态贡献及其对应的信息矩阵。
(2)进行状态更新，具体如下：
对于复数域观测模型，线性化的观测矩阵H(m,n)及观测误差η(m,n)为：
Figure BDA0002163324750000095
Figure BDA0002163324750000096
对于线性观测模型，线性化的观测矩阵H(m,n)及观测误差η(m,n)为：
Figure BDA0002163324750000097
干涉图(m,n)像元状态估计
Figure BDA0002163324750000098
及其对应的协方差矩阵
Figure BDA0002163324750000099
按如下计算：
Figure BDA00021633247500000910
其中，SNR(m,n)是干涉图(m,n)像元信噪比，
Figure BDA00021633247500000911
和
Figure BDA00021633247500000912
分别表示干涉图(m,n)像元状态变量估计值以及其相应的估计误差协方差矩阵；另外，利用现有的路径跟踪策略引导二维EIF相位展开递推状态估计模型沿高可靠区域到低可靠区域的路径递推展开干涉图缠绕像元。
实施例1采用本发明对金字塔地形场景干涉图进行相位展开：
图2为金字塔场景模拟真实相位图，灰度表示干涉相位值，单位为弧度；
图3为金字塔场景的含噪声缠绕相位图，其信噪比为3.01dB；
图4为采用复数域观测模型对图3展开的结果示意图；
图5为采用复数域观测模型对图3展开的误差分布图；
图6为采用线性观测模型对图3展开的结果示意图；
图7为采用线性观测模型对图3展开的误差分布图；
由图4至图7可以看出，本发明在处理低信噪比干涉图时，能完整的恢复展开相位且误差较小，鲁棒性较好。
为进一步验证本发明性能，选取真实干涉图数据进行相位展开。
实施例2本发明对实测数据三峡地形干涉图，如图8所示；
本发明采用复数域观测模型结果，如图9所示；
从图9可以看出展开相位清晰连续，表明本发明采用复数域观测模型有效展开了上述干涉图。
本发明采用线性观测模型结果，如图10所示；
从图10可以看出展开相位平滑，表明本发明采用线性观测模型同样有效展开了上述干涉图。
综上所述，本发明是扩展信息滤波与路径跟踪策略相结合的结果，能有效地处理模拟数据和实测干涉图，一定程度上促进了相位展开技术的发展与应用。
以上结合附图对本发明的实施方式做出了详细说明，但本发明不局限于所描述的实施方式。对于本领域技术人员而言，在不脱离本发明的原理和精神的情况下，对这些实施方式进行各种变化、修改、替换和变型仍落入本发明的保护范围内。

Claims (4)

1.一种基于扩展信息滤波的相位展开方法，其特征在于，包括以下步骤：
(一)建立基于扩展信息滤波EIF的干涉图相位展开算法的一般框架，具体过程如下：
含噪声非线性系统模型按如下描述：
xk＝f(xk-1)+ξk-1
yk＝h(xk)+Vk (1)
其中，xk和yk分别为干涉像元k状态变量以及观测矢量，ξk-1和Vk分别为加性高斯过程噪声以及观测高斯噪声：ξk-1服从均值为0，方差为Qk-1的高斯分布；Vk服从均值为0，方差为Rk的高斯分布，其中，Qk-1和Rk分别为加性过程噪声方差以及观测噪声方差；
设干涉像元k-1状态估计值
Figure FDA0002756682890000011
及估计误差方差
Figure FDA0002756682890000012
为：
Figure FDA0002756682890000013
Figure FDA0002756682890000014
则干涉像元k预测状态
Figure FDA0002756682890000015
预测信息状态矢量zk以及相应的预测信息矩阵Zk：
Figure FDA00027566828900000113
Figure FDA0002756682890000016
Figure FDA0002756682890000017
Figure FDA0002756682890000018
Figure FDA0002756682890000019
其中，
Figure FDA00027566828900000110
为
Figure FDA00027566828900000111
雅可比矩阵，u是用于调整预测状态协方差矩阵的缩放参数，I具有与
Figure FDA00027566828900000112
相同维数的单位矩阵；
计算信息状态贡献矩阵ik及相应的信息状态矩阵Ik：
Figure FDA0002756682890000021
Figure FDA0002756682890000022
Figure FDA0002756682890000023
其中，Hk为
Figure FDA0002756682890000024
雅可比矩阵，状态更新及相应的协方差矩阵：
Figure FDA0002756682890000025
Figure FDA0002756682890000026
为干涉像元k状态估计，
Figure FDA0002756682890000027
为干涉像元k估计误差方差；
(二)分别建立复数域观测模型和线性观测模型及其二维EIF相位展开递推状态估计模型；
(三)通过递推状态估计模型沿高质量像元到低质量像元展开缠绕干涉图，具体分步骤如下：
(1)进行状态预测；
(2)进行状态更新。
2.根据权利要求1所述的基于扩展信息滤波的相位展开方法，其特征在于：步骤(二)具体过程如下：
复数域观测模型的EIF系统方程如下：
Figure FDA0002756682890000028
Figure FDA0002756682890000029
线性观测模型的EIF系统方程如下：
Figure FDA0002756682890000031
Figure FDA0002756682890000032
其中，x(m,n)为干涉图(m,n)像元的展开相位，并作为待估计的状态变量，(k,l)像元为干涉图(m,n)像元八个邻点中的已展开像元，
Figure FDA0002756682890000033
和
Figure FDA0002756682890000034
分别为以干涉图(k,l)像元为中心的局部窗口的行方向和列方向上的相位梯度估计，利用现有的局部梯度估计算法获取，ξ(m,n)|(k,l)是指具有协方差为Q(m,n)|(k,l)的零均值过程噪声；
复数域观测模型的EIF系统方程中，y(m,n)为状态变量x(m,n)的观测矢量，μ(m,n)和ν(m,n)分别为观测矢量同相与正交分量上的观测噪声，V(m,n)是指具有协方差为R(m,n)的零均值观测噪声；
线性观测模型的EIF系统方程中，
Figure FDA0002756682890000035
为干涉图(m,n)像元缠绕相位，被认为是干涉图(m,n)像元含噪声的观测变量，标记为y(m,n)，W[x(m,n)]为x(m,n)模2π映射后的缠绕相位，κ是整数，θ(m,n)指方差为
Figure FDA0002756682890000036
的零均值高斯噪声。
3.根据权利要求1所述的基于扩展信息滤波的 相位展开方法，其特征在于：步骤(三)中分步骤(一)具体过程如下：
假设(m,n)像元是指待展开像元，则根据它的八个相邻像元中的已展开像元的信息，得出其预测估计值：
Figure FDA0002756682890000037
Figure FDA0002756682890000038
Figure FDA0002756682890000039
Figure FDA00027566828900000310
Figure FDA00027566828900000311
Figure FDA00027566828900000312
其中，
Figure FDA0002756682890000041
和
Figure FDA0002756682890000042
分别指(m,n)像元的预测估计及其对应的预测误差协方差矩阵；(k,l)像元为干涉图(m,n)像元八个邻点中的已展开像元，Ω为干涉图(m,n)像元八个邻点中的已展开像元的集合，
Figure FDA0002756682890000043
和
Figure FDA0002756682890000044
分别指(k,l)像元的状态估计及其对应的误差协方差矩阵，SNR(k,l)是干涉图(k,l)像元信噪比，Z(m,n)和z(m,n)分别指(m,n)像元的信息状态贡献及其对应的信息矩阵。
4.根据权利要求1所述的基于扩展信息滤波的相位展开方法，其特征在于：步骤(三)中分步骤(二)具体过程如下：
对于复数域观测模型，线性化的观测矩阵H(m,n)及观测误差η(m,n)为：
Figure FDA0002756682890000045
对于线性观测模型，线性化的观测矩阵H(m,n)及观测误差η(m,n)为：
Figure FDA0002756682890000046
干涉图(m,n)像元状态估计
Figure FDA0002756682890000047
及其对应的协方差矩阵
Figure FDA0002756682890000048
按如下计算：
Figure FDA0002756682890000049
其中，SNR(m,n)是干涉图(m,n)像元信噪比，
Figure FDA00027566828900000410
和
Figure FDA00027566828900000411
分别表示干涉图(m,n)像元状态变量估计值以及其相应的估计误差协方差矩阵；另外，利用现有的路径跟踪策略引导二维EIF相位展开递推状态估计模型沿高可靠区域到低可靠区域的路径递推展开干涉图缠绕像元。
CN201910739178.0A 2019-08-12 2019-08-12 一种基于扩展信息滤波的相位展开方法 Expired - Fee Related CN110440935B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910739178.0A CN110440935B (zh) 2019-08-12 2019-08-12 一种基于扩展信息滤波的相位展开方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910739178.0A CN110440935B (zh) 2019-08-12 2019-08-12 一种基于扩展信息滤波的相位展开方法

Publications (2)

Publication Number Publication Date
CN110440935A CN110440935A (zh) 2019-11-12
CN110440935B true CN110440935B (zh) 2021-02-26

Family

ID=68434698

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910739178.0A Expired - Fee Related CN110440935B (zh) 2019-08-12 2019-08-12 一种基于扩展信息滤波的相位展开方法

Country Status (1)

Country Link
CN (1) CN110440935B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113204869B (zh) * 2021-04-28 2023-06-23 桂林电子科技大学 一种基于秩信息滤波的相位解缠方法

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP4758572B2 (ja) * 2001-07-27 2011-08-31 富士フイルム株式会社 縞画像解析用の位相アンラッピング方法
EP2850465B1 (en) * 2012-05-17 2024-03-06 Deep Imaging Technologies Inc. A system and method using near and far field ulf and elf interferometry synthetic aperture radar for subsurface imaging
CN105842693B (zh) * 2016-03-23 2018-03-30 哈尔滨工业大学 一种基于压缩感知的双通道sar动目标检测的方法
CN106707283B (zh) * 2017-01-12 2019-07-23 桂林电子科技大学 基于无味信息滤波的相位展开算法

Also Published As

Publication number Publication date
CN110440935A (zh) 2019-11-12

Similar Documents

Publication Publication Date Title
CN107193005B (zh) 一种无损卡尔曼滤波与粒子滤波相结合的相位展开算法
CN109633648B (zh) 一种基于似然估计的多基线相位估计装置及方法
Kundur et al. A novel blind deconvolution scheme for image restoration using recursive filtering
CN113589286B (zh) 基于D-LinkNet的无迹卡尔曼滤波相位解缠方法
CN103985085A (zh) 图像超分辨率放大的方法和装置
CN113269691B (zh) 一种基于卷积稀疏进行噪声仿射拟合的sar图像去噪方法
CN105719253A (zh) 一种嵌入堆排序的卡尔曼滤波相位展开方法
CN113030964B (zh) 基于复Laplace先验的双基地ISAR稀孔径高分辨成像方法
CN103310427A (zh) 图像超分辨率与像质增强方法
CN109581849B (zh) 一种同轴全息重建方法及系统
CN106932773B (zh) 基于修正嵌入式容积卡尔曼滤波的相位展开算法
Kulkarni et al. Simultaneous unwrapping and low pass filtering of continuous phase maps based on autoregressive phase model and wrapped Kalman filtering
CN110440935B (zh) 一种基于扩展信息滤波的相位展开方法
CN115760590A (zh) 一种视频稳像方法及系统
CN106707283B (zh) 基于无味信息滤波的相位展开算法
CN109472834B (zh) 一种基于小波变换的卡尔曼滤波相位展开方法
CN117169886A (zh) 基于无迹卡尔曼滤波的高效率相位解缠方法
CN109143234B (zh) 基于FFT高精度估计干涉相位梯度的InSAR滤波方法及系统
Nayak et al. Super resolution image reconstruction using weighted combined pseudo-Zernike moment invariants
CN107155096B (zh) 一种基于半误差反向投影的超分辨率重建方法及装置
CN112835041A (zh) 结合UKF和AMPM的多基线InSAR高程重建方法
CN107680066B (zh) 空间相机动态成像仿真及频域滤波方法
Jianchao Motion blur identification based on phase change experienced after trial restorations
CN114859346B (zh) 一种基于Insarbm3d滤波算法的迭代反演滤波方法
Kanemura et al. Hyperparameter estimation in Bayesian image superresolution with a compound Markov random field prior

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
CF01 Termination of patent right due to non-payment of annual fee

Granted publication date: 20210226

CF01 Termination of patent right due to non-payment of annual fee