CN111308468A - 一种基于In SAR技术的形变风险区域自动识别的方法 - Google Patents

Abstract

本发明公开了一种基于In SAR技术的形变风险区域自动识别的方法，具体包括以下步骤：S1：挑选目标区域最合适的时间序列SAR影像，符合时间间隔较优、无雷暴影像条件，生成In SAR大数据库；S2：PS形变速率误差统计：首先选择形变稳定的区域，然后基于PS点形变速率的统计特征分析形变速率误差；S3：重点形变区域智能化识别：首先选出形变速率较大的PS点，然后基于PS点空间分布特征，将空间距离临近的大速率PS点聚类，形成候选形变区，并对候选形变区内的PS点进行统计分析，最终识别显著形变区域，能够高效、快速地在In SAR大数据中提取显著形变区域，智能化形变区域识别的目标可以归纳为搜索形变区域的位置，确定形变区域的空间范围。

Description

一种基于In SAR技术的形变风险区域自动识别的方法

技术领域

本发明涉及合成孔径雷达干涉技术领域，具体为一种基于In SAR技术的形变风险区域自动识别的方法。

背景技术

地面沉降监测传统方法包括采用水准仪、测距仪、全站仪等常规测量仪器测定点的形变值，使用传统的监测方法，效率低，成本高。而In SAR技术，是一种全天时，全天候的高分辨率微波遥感成像雷达，本身能够获取PS点的坐标信息，高分SAR卫星监测结果中PS密度较高，高程测量精度达到3m。为了实现大面积的形变区域监测，In SAR技术不仅能测量地表高精度(mm量级)形变，也能获取测量点(PS点)的三维位置信息(经度，纬度和海拔)。经大量实测数据验证，如果选用COSMO-SkyMed系统的高分辨率(3m)数据，PS点的定位精度可达1～3m量级。

PS(永久散射体)指对雷达波的后向散射较强，并且在时序上较稳定的各种地物目标，如建筑物与构筑物的顶角、桥梁、栏杆、裸露的岩石等目标。

基于此，本发明设计了一种基于In SAR技术的形变风险区域自动识别的方法，基于In SAR大数据，实现了对大面积的形变区域的重点识别和风险评估，以解决上述提到的问题。

发明内容

本发明的目的在于提供一种基于In SAR技术的形变风险区域自动识别的方法，能够高效、快速地在In SAR大数据中提取显著形变区域，智能化形变区域识别的目标可以归纳为搜索形变区域的位置，确定形变区域的空间范围，以解决上述背景技术中提出的问题。

为实现上述目的，本发明提供如下技术方案：一种基于In SAR技术的形变风险区域自动识别的方法，具体包括以下步骤：

S1：挑选目标区域最合适的时间序列SAR影像，符合时间间隔较优、无雷暴影像条件，生成In SAR大数据库；

S2：PS形变速率误差统计：首先选择形变稳定的区域，然后基于PS点形变速率的统计特征分析形变速率误差；

S3：重点形变区域智能化识别：首先选出形变速率较大的PS点，然后基于PS点空间分布特征，将空间距离临近的大速率PS点聚类，形成候选形变区，并对候选形变区内的PS点进行统计分析，最终识别显著形变区域。

优选的，所述步骤S2具体步骤为：

先从In SAR数据库中选择稳定的区域，并依据输入的形变速率阈值v_t，选出区域内的形变速率满足条件|v_m＜v_T|的PS点，然后针对选出的稳定PS点集合，统计形变速率的分布特征，并计算均值

与标准差v_s，当形变速率的均值满足条件

判定该稳定区域有效，并将获取的标准差v_s作为形变速率偏差v_E，并以此来分析该In SAR数据库中PS点形变速率的噪声水平；否则，需要重新选择其他的稳定区域。

优选的，所述均值

的计算公式为

所述标准差v_s的计算公式为

优选的，所述步骤S3具体步骤为：

S301：输入的形变速率初始最低阈值v_min，速率间隔Δv，最大速率阈值v_max以及由PS形变速率误差统计估计出来的形变速率偏差标准差v_E，初始化形变阈值v_T＝v_min+Δv；

S302：依据形变阈值v_T选出存在显著形变(|v_PS|＞v_T)的PS点集合，基于PS数据库的空间维和形变速率特征，分析每个选出存在显著形变PS可靠性，当某个显著PS点于其他显著点的距离小于某一个阈值时，且该点周边的PS点速率满足v＞v_T-v_E的数量与周边的点的总数量小于某个阈值时，该形变点较为孤立时，该PS点将会被认为是噪声点，进而被剔除；

S303：将可靠性较高的显著形变PS点分为两大集合：

(3)远离雷达运动，形变值为负；

(4)朝向雷达运动，形变值为正；

并依据PS点空间距离关系，分别对两大集合的PS点进行聚类，将空间距离相近且形变方向相同的PS点聚集为一个候选形变区，并且对候选形变区域进行缓冲区处理，对缓冲区结果进行多边形融合；

S304：对S303获取的每个候选形变区进行统计分析，在处理过程中，分别采用研究人员输入的形变速率阈值v_T和经误差修正后的形变速率阈值v_T±v_E，统计超过阈值PS点的占比，当每个候选形变区存在显著形变PS点的数量占比超过某个阈值时，该形变区就会被认为是重点形变区；

S305：对形变阈值进行累加，v_T＝v_T+Δv，直到v_T＞v_max；

S306：将形变值为正和形变值为负的两个重点形变区结合起来，形成重点区域形变结果。

优选的，所述步骤S303中PS点聚类具体步骤为：

S3031：利用PS点的经纬度构建Delaunary三角形；

S3032：删去三角形中边长大于阈值L₀的边；

S3033：初始化聚类类别为a＝1；

S3034：初始化聚类点i＝0，将i及与i点相连的所有的点集合I构成初始的第a类点；

S3035：选出与集合I中的点相连的点构成的集合J，并将J加入第a类点；

S3036：重复步骤S3035，直至没有新的点加入第a类点；

S3037：去除已经归类的点，返回步骤S3034，对新的点重新聚类，直至所有的点完成归类；

S3038：去除PS点数据小于阈值n₀的聚类结果，得到最后的聚类结果。

与现有技术相比，本发明的有益效果是：(1)能够提供变形体整体的变形状态；(2)适用于不同的监测精度、不同形式的变形体和不同的监测环境；(3)自动化提取形变显著的区域；能够高效、快速地在In SAR大数据中提取显著形变区域，智能化形变区域识别的目标可以归纳为搜索形变区域的位置，确定形变区域的空间范围，实现了对大面积的形变区域的重点识别和风险评估。

附图说明

为了更清楚地说明本发明实施例的技术方案，下面将对实施例描述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PS形变速率误差统计流程图；

图2为本发明重点形变区域智能化识别流程图；

图3为本发明PS点聚类流程图；

图4为本发明实施例PS-In SAR数据结果展示图；

图5为本发明实施例PS-In SAR形变区域识别结果展示图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，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作出创造性劳动前提下所获得的所有其它实施例，都属于本发明保护的范围。

请参阅图1-5，本发明提供一种技术方案：一种基于In SAR技术的形变风险区域自动识别的方法，具体包括以下步骤：

S1：挑选目标区域最合适的时间序列SAR影像，符合时间间隔较优、无雷暴影像条件，生成In SAR大数据库；

S2：PS形变速率误差统计：首先选择形变稳定的区域，然后基于PS点形变速率的统计特征分析形变速率误差；

6.具体步骤为：

先从In SAR数据库中选择稳定的区域，并依据输入的形变速率阈值v_t，选出区域内的形变速率满足条件|v_m＜v_T|的PS点，然后针对选出的稳定PS点集合，统计形变速率的分布特征，并计算均值

与标准差v_s，当形变速率的均值满足条件

可判定该稳定区域有效，并将获取的标准差v_s作为形变速率偏差v_E，并以此来分析该In SAR数据库中PS点形变速率的噪声水平；否则，需要重新选择其他的稳定区域。

均值

的计算公式为

所述标准差v_s的计算公式为

S3：重点形变区域智能化识别：首先选出形变速率较大的PS点，然后基于PS点空间分布特征，将空间距离临近的大速率PS点聚类，形成候选形变区，并对候选形变区内的PS点进行统计分析，最终识别显著形变区域。

具体步骤为：

S301：输入的形变速率初始最低阈值v_min，速率间隔Δv，最大速率阈值v_max以及由PS形变速率误差统计估计出来的形变速率偏差标准差v_E。初始化形变阈值v_T＝v_min+Δv；

S302：依据形变阈值v_T选出存在显著形变(|v_PS|＞v_T)的PS点集合，基于PS数据库的空间维和形变速率特征，分析每个选出存在显著形变PS可靠性，当某个显著PS点于其他显著点的距离小于某一个阈值时，且该点周边的PS点速率满足v＞v_T-v_E的数量与周边的点的总数量小于某个阈值时，该形变点较为孤立时，该PS点将会被认为是噪声点，进而被剔除；

S303：将可靠性较高的显著形变PS点分为两大集合：

(1)远离雷达运动，形变值为负；

(2)朝向雷达运动，形变值为正；

并依据PS点空间距离关系，分别对两大集合的PS点进行聚类，将空间距离相近且形变方向相同的PS点聚集为一个候选形变区，并且对候选形变区域进行缓冲区处理，对缓冲区结果进行多边形融合；

S304：对S303获取的每个候选形变区进行统计分析，考虑到PS点的形变速率可能存在误差，在处理过程中，分别采用研究人员输入的形变速率阈值v_T和经误差修正后的形变速率阈值v_T±v_E，统计超过阈值PS点的占比，当每个候选形变区存在显著形变PS点的数量占比超过某个阈值时，该形变区就会被认为是重点形变区；

S305：对形变阈值进行累加，v_T＝v_T+Δv，直到v_T＞v_max；

S306：将形变值为正和形变值为负的两个重点形变区结合起来，形成重点区域形变结果。

其中，PS点聚类具体步骤为：

S3031：利用PS点的经纬度构建Delaunary三角形。

S3032：删去三角形中边长大于阈值L₀的边。

S3033：初始化聚类类别为a＝1。

S3034：初始化聚类点i＝0，将i及与i点相连的所有的点集合I构成初始的第a类点。

S3035：选出与集合I中的点相连的点构成的集合J，并将J加入第a类点。

S3036：重复步骤S3035，直至没有新的点加入第a类点。

S3037：去除已经归类的点，返回步骤S3034，对新的点重新聚类，直至所有的点完成归类。

S3038：去除PS点数据小于阈值n₀的聚类结果，得到最后的聚类结果。

实施例

如图4-5所示，为本实施例PS-In SAR数据结果展示图和实施例PS-In SAR形变区域识别结果展示图。

以金沙江溪洛渡区域为例，3016年1月至3018年5月，共计57期哨兵SAR数据，卫星航向角为-10.48°，卫星姿态为升轨，卫星中心下视角为37.46°，空间分辨率为30m×30m，幅宽为180km*250km，时间间隔较为均匀，时间间隔约为一月一期，数据质量较优。使用PS算法，生产出溪洛渡In SAR大数据库，共计80759个PS点。

第一步：获取In SAR数据。以金沙江流域某山区为例，基于PS算法生产出该区域InSAR升降轨数据。

第二步：选择In SAR数据中较为稳定的区域进行统计，并以此来分析该In SAR数据库中PS点形变速率的噪声水平。

第三步：将形变速率阈值，选出形变显著的PS点。

第四步：对PS点进行聚类，并删除PS点较少的聚类集。

第五步：统计超过阈值PS点的占比。确定形变区是否是重点形变区。

在本说明书的描述中，参考术语“一个实施例”、“示例”、“具体示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不一定指的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。

以上公开的本发明优选实施例只是用于帮助阐述本发明。优选实施例并没有详尽叙述所有的细节，也不限制该发明仅为所述的具体实施方式。显然，根据本说明书的内容，可作很多的修改和变化。本说明书选取并具体描述这些实施例，是为了更好地解释本发明的原理和实际应用，从而使所属技术领域技术人员能很好地理解和利用本发明。本发明仅受权利要求书及其全部范围和等效物的限制。

Claims (5)

1.一种基于In SAR技术的形变风险区域自动识别的方法，其特征在于：具体包括以下步骤：

S1：挑选目标区域最合适的时间序列SAR影像，符合时间间隔较优、无雷暴影像条件，生成In SAR大数据库；

S2：PS形变速率误差统计：首先选择形变稳定的区域，然后基于PS点形变速率的统计特征分析形变速率误差；

S3：重点形变区域智能化识别：首先选出形变速率较大的PS点，然后基于PS点空间分布特征，将空间距离临近的大速率PS点聚类，形成候选形变区，并对候选形变区内的PS点进行统计分析，最终识别显著形变区域。

2.根据权利要求1所述的一种基于In SAR技术的形变风险区域自动识别的方法，其特征在于：所述步骤S2具体步骤为：

先从In SAR数据库中选择稳定的区域，并依据输入的形变速率阈值v_t，选出区域内的形变速率满足条件|v_m＜v_T|的PS点，然后针对选出的稳定PS点集合，统计形变速率的分布特征，并计算均值

与标准差v_s，当形变速率的均值满足条件

判定该稳定区域有效，并将获取的标准差v_s作为形变速率偏差v_E，并以此来分析该In SAR数据库中PS点形变速率的噪声水平；否则，需要重新选择其他的稳定区域。

3.根据权利要求2所述的一种基于In SAR技术的形变风险区域自动识别的方法，其特征在于：

所述均值

的计算公式为

所述标准差v_s的计算公式为

4.根据权利要求1所述的一种基于In SAR技术的形变风险区域自动识别的方法，其特征在于：所述步骤S3具体步骤为：

S301：输入的形变速率初始最低阈值v_min，速率间隔Δv，最大速率阈值v_max以及由PS形变速率误差统计估计出来的形变速率偏差标准差v_E，初始化形变阈值v_T＝v_min+Δv；

S302：依据形变阈值v_T选出存在显著形变(|v_PS|＞v_T)的PS点集合，基于PS数据库的空间维和形变速率特征，分析每个选出存在显著形变PS可靠性，当某个显著PS点于其他显著点的距离小于某一个阈值时，且该点周边的PS点速率满足v＞v_T-v_E的数量与周边的点的总数量小于某个阈值时，该形变点较为孤立时，该PS点将会被认为是噪声点，进而被剔除；

S303：将可靠性较高的显著形变PS点分为两大集合：

(1)远离雷达运动，形变值为负；

(2)朝向雷达运动，形变值为正；

并依据PS点空间距离关系，分别对两大集合的PS点进行聚类，将空间距离相近且形变方向相同的PS点聚集为一个候选形变区，并且对候选形变区域进行缓冲区处理，对缓冲区结果进行多边形融合；

S304：对S303获取的每个候选形变区进行统计分析，在处理过程中，分别采用研究人员输入的形变速率阈值v_T和经误差修正后的形变速率阈值v_T±v_E，统计超过阈值PS点的占比，当每个候选形变区存在显著形变PS点的数量占比超过某个阈值时，该形变区就会被认为是重点形变区；

S305：对形变阈值进行累加，v_T＝v_T+Δv，直到v_T＞v_max；

S306：将形变值为正和形变值为负的两个重点形变区结合起来，形成重点区域形变结果。

5.根据权利要求4所述的一种基于In SAR技术的形变风险区域自动识别的方法，其特征在于：所述步骤S303中PS点聚类具体步骤为：

S3031：利用PS点的经纬度构建Delaunary三角形；

S3032：删去三角形中边长大于阈值L₀的边；

S3033：初始化聚类类别为a＝1；

S3034：初始化聚类点i＝0，将i及与i点相连的所有的点集合I构成初始的第a类点；

S3035：选出与集合I中的点相连的点构成的集合J，并将J加入第a类点；

S3036：重复步骤S3035，直至没有新的点加入第a类点；

S3037：去除已经归类的点，返回步骤S3034，对新的点重新聚类，直至所有的点完成归类；

S3038：去除PS点数据小于阈值n₀的聚类结果，得到最后的聚类结果。

Images