CN112130148B - 基于土地类型的InSAR时序分析中DS自适应选取方法 - Google Patents
基于土地类型的InSAR时序分析中DS自适应选取方法 Download PDFInfo
- Publication number
- CN112130148B CN112130148B CN202010960574.9A CN202010960574A CN112130148B CN 112130148 B CN112130148 B CN 112130148B CN 202010960574 A CN202010960574 A CN 202010960574A CN 112130148 B CN112130148 B CN 112130148B
- Authority
- CN
- China
- Prior art keywords
- land
- homogeneous
- time sequence
- pixels
- pixel
- 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.)
- Active
Links
- 238000012300 Sequence Analysis Methods 0.000 title claims abstract description 20
- 238000010187 selection method Methods 0.000 title claims abstract description 11
- 239000008186 active pharmaceutical agent Substances 0.000 title claims abstract 58
- 238000000034 method Methods 0.000 claims abstract description 35
- 238000007689 inspection Methods 0.000 claims abstract description 13
- 238000001514 detection method Methods 0.000 claims description 36
- 238000004364 calculation method Methods 0.000 claims description 24
- 238000012544 monitoring process Methods 0.000 claims description 23
- 230000003044 adaptive effect Effects 0.000 claims description 14
- 238000012545 processing Methods 0.000 claims description 11
- 238000012935 Averaging Methods 0.000 claims description 4
- 238000001276 Kolmogorov–Smirnov test Methods 0.000 claims description 3
- 239000007799 cork Substances 0.000 claims description 3
- 238000012216 screening Methods 0.000 claims description 3
- 239000002689 soil Substances 0.000 claims 3
- 238000012731 temporal analysis Methods 0.000 claims 2
- 238000003672 processing method Methods 0.000 claims 1
- 238000000700 time series analysis Methods 0.000 claims 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 7
- 238000005516 engineering process Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 4
- 238000000113 differential scanning calorimetry Methods 0.000 description 4
- 238000012360 testing method Methods 0.000 description 4
- 238000011160 research Methods 0.000 description 3
- 238000000638 solvent extraction Methods 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 239000003673 groundwater Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 239000011435 rock Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
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)
- Image Analysis (AREA)
Abstract
本发明公布了一种基于土地类型的InSAR时序分析中DS自适应选取方法,在InSAR时序分析中DS自适应选取的过程中,基于土地类型进行时序SAR影像上同质像元的识别,再选取DS候选点;土地类型为土地覆盖类型或土地利用类型;之后针对不同土地类型,自适应地计算不同土地类型下的DS选取阈值;再进行基于土地类型的DS自适应选取。采用本发明提供的基于土地类型进行InSAR时序分析DS目标的自适应选取技术方案,能够改善自适应选取的DS质量;缩小检验搜索范围,提高同质像元的识别效率,进一步提高DS选取的效率。
Description
技术领域
本发明涉及干涉合成孔径雷达(Interferometric Synthetic Aperture Radar,InSAR)时序分析中分布式散射体的一种选取方法,具体涉及一种基于土地覆盖/土地利用类型(土地类型)的分布式散射体(DS)的自适应选取方法。
背景技术
InSAR时序分析技术是监测地表缓慢形变的一种重要手段。它通过对时间序列SAR影像上的点状永久散射体(Persistent Scatterer,PS)或面状分布式散射体(DistributedScatterer,DS)进行分析,获取该时间序列上监测区域的地表形变信息。PS和DS统称为形变测量点,形变测量点的数量与质量直接影响着InSAR时序分析结果的精度和可靠性。
最初InSAR时序分析技术的研究对象为时序SAR影像上的PS目标,它们主要对应着实地的房屋、桥梁、堤坝等人工地物或朝向雷达波入射方向的巨大裸岩,由于城市区域中存在较多人工建筑物和强反射目标,因此该技术过去主要应用于城市区域由于地下水抽取、地下工程建设等造成的地表形变监测,而考虑DS的时序InSAR技术的出现改变了这种状况。DS一般对应植被覆盖较低的裸露土地、荒漠等地物类型,它增加了原有InSAR时序分析中形变测量点的数量,使得该技术可以扩展到由于火山活动、地震、滑坡等引发的非城区地表形变监测。但是,目前利用DS的InSAR时序分析技术在DS选取过程中普遍采用单一的选取阈值,结果会造成研究区DS分布极不均衡,出现大片区域DS稀少或者无DS的极端情况,从而导致时序InSAR解算结果不可靠甚至无解的情况。机械降低DS的选取阈值,在一定程度上虽然可以增加DS的数量,但也会导致一些质量较差的DS被选中,会影响时序InSAR解算结果精度,同时增加解算的时间。另外,DS选取的核心步骤是识别时序SAR影像上服从相同统计分布且空间相邻的像元,即同质像元的识别,其处理过程非常耗时,一定程度上阻碍了该技术在地表形变监测领域的推广应用。
现有技术中,Jia等人(文献(Jia H,Zhang H,Liu L,et al.LandslideDeformation Monitoring by Adaptive Distributed Scatterer InterferometricSynthetic Aperture Radar[J].Remote Sensing,2019,11(19))提出的自适应DS-InSAR方法将研究区按照N*N层级(如8*8、16*16、32*32等)依次进行均匀、规则的划分,并对不同N值下DS的选取数量和选取时间进行权衡,最终确定N的取值,实现DS的分区自适应选取。上述方法可以提高形变监测区DS的空间分布密度,但是,其采用的是机械规则的几何分区方式,并未考虑DS的自然属性或利用状态的因素,降低了DS选取的正确率,从而影响InSAR时序解算结果的精度和可靠性,而且,该方法在N值确定过程中需要进行多次重复试验,增加了解算的时间成本和计算负担。
发明内容
为解决上述现有技术的不足,本发明提出一种基于土地覆盖/土地利用类型的分布式散射体(DS)的自适应选取新方法,以土地覆盖类型图或土地利用类型图作为形变监测区DS选取的约束条件,针对不同的土地覆盖/土地利用类型(以下土地覆盖/土地利用类型简称为土地类型),自适应地计算DS的选取阈值,最终实现基于土地类型的DS自适应选取。
本发明提供的技术方案是:
一种基于土地类型的InSAR时序分析中DS自适应选取方法,在InSAR时序分析中DS自适应选取的过程中,基于土地覆盖/土地利用类型(土地类型)进行时序SAR影像上同质像元的识别,再选取DS候选点(Distributed Scatterer Candidate points,DSC);之后针对不同土地类型,自适应地计算不同土地类型下的DS选取阈值;再进行基于土地类型的DS自适应选取;包括如下过程:
S1)进行雷达坐标系下SAR影像像元的土地类型标识:
引入土地类型图,将地理坐标系下的土地类型图转换到SAR影像的雷达坐标系下,对雷达坐标系下的SAR影像像元进行土地类型标识。包括如下步骤:
S11)对N幅时序SAR影像进行几何配准,得到配准后的时序SAR影像;并建立SAR影像像元雷达坐标和地理坐标之间的对应关系。
S12)根据S11)中SAR影像像元的地理坐标,采用最邻近法,确定SAR影像像元的地理坐标在土地类型图上所对应的像元位置,由此建立地理坐标系下土地类型图与雷达坐标系下SAR影像之间的像元对应关系,再将地理坐标系下的土地类型图转换到雷达坐标系下,并查找到SAR影像像元所对应的土地类型属性值(亦即type值),实现SAR影像像元的土地类型标识。
S2)基于土地类型选取DS候选点:基于土地类型进行时序SAR影像上同质像元的识别,再选取DS候选点。包括如下步骤:
S21)将土地类型作为同质像元识别的约束条件,确定同质像元检测窗口,利用拟合优度检验识别时序SAR影像上与窗口中心像元同质的像元;
在利用拟合优度检验(本发明以Kolmogorov-Smirnov test即K-S检验为例)进行时序SAR影像上同质像元的识别过程中,引入土地类型,将其作为同质像元识别的约束条件。在K-S检验之前,首先确定同质像元检测窗口的大小m*n,m为窗口方位向的像元数,n为距离向的像元数;然后对同质像元检测窗口中心像元的土地类型进行判断,若其为水体或者与窗口内其他像元的土地类型不同时,则不对其做K-S检验;否则进行K-S检验,以确定同质像元。
S22)对同质像元检测窗口内中心像元及其同质像元进行连通性检测,得到同质像元检测窗口内同质像元的数量;
当完成中心像元与窗口内所有其他像元的K-S检验之后,对窗口内中心像元及其同质像元进行连通性检测,然后统计与中心像元同质且连通的像元数量,并加上窗口中心像元,作为该窗口内同质像元的数量。
S23)设置DS候选点的选取阈值,根据步骤S22)中同质像元检测窗口内同质像元的数量,选取窗口中心像元作为DS候选点
预先确定好DS候选点的选取阈值,其大小因像元大小、监测区域、同质像元检测窗口大小等因素而异,故由经验确定,但其必须是正整数且不能大于同质像元检测窗口的像元总数,即其值不大于m*n的值。当窗口内同质像元的数量大于或等于DS候选点的选取阈值时,将中心像元选取为DS候选点。
S3)设置InSAR时空基线阈值,进行时序SAR影像差分干涉处理,通过相干性实现基于土地类型自适应确定DS选取阈值;
基于土地类型的DS选取阈值的自适应确定:本发明中的DS选取阈值本质上是通过相干性确定的,而且是依据土地类型自适应地计算得到不同土地类型下DS选取的相干性阈值。
在自适应确定DS选取阈值之前,首先需设置InSAR时空基线阈值,从N幅时序SAR影像中筛选出M个影像干涉对,该时空基线阈值因具体的SAR参数不同而异,需经验确定,例如,对于ALOS-2卫星条带模式SAR数据,一般时间基线阈值设为250-500天,空间基线阈值设为500-1500m;而对于Sentinel-1卫星干涉宽幅模式SAR数据,一般时间基线阈值设为60-200天,空间基线阈值设为100-250m。之后,对干涉对影像分别进行差分干涉处理,生成M幅差分干涉图。在此基础上,以DS候选点为中心,设置DS候选点相干性计算窗口的尺寸,其大小与同质像元检测窗口相同,均为m*n;然后,通过如下步骤自适应地确定不同土地类型下的DS选取阈值:
S31)计算得到时序SAR影像各差分干涉图上每个DS候选点的相干性:
通过式(1)计算得到各差分干涉图上每个DS候选点的相干性:
其中,cork(w)是第k个差分干涉图(k=1,2,..,M)上第w个DS候选点(w=1,2,…SUMDSC)的相干性,SUMDSC是整个形变监测区内DS候选点的总数;sk,1(·)和sk,2(·)分别代表生成第k个差分干涉图所用的SAR主影像和从影像,上标*表示复共轭;num(w)和l分别是窗口中同质像元的数量和同质像元的序号。
S32)计算得到DS候选点相干性的时序平均值:
通过式(2)计算得到每个DS候选点相干性的时序平均值:
S33)计算得到DS候选点相干性时序平均的空间均值:
a)计算整个形变监测区内DS候选点相干性时序平均的空间均值,通过式(3)计算得到:
b)计算不同土地类型下DS候选点相干性时序平均的空间均值,通过式(4)计算得到。
其中,表示第I种土地类型下DS候选点相干性时序平均的空间均值,I是土地类型的标识码(I=1,2,..,土地类型总数);是第I种土地类型下DS候选点的总数,是根据每个DS候选点所对应的土地类型分别统计的不同土地类型下DS候选点的数量。
S34)计算各土地类型下的DS选取阈值:
通过式(5)计算得到:
其中,corthreshold(I)表示第I种土地类型下的DS相干性选取阈值,min(·)表示取括号中两个数值中的较小者。
S4)进行DS的自适应选取;包括如下步骤:
S41)根据DS候选点w所属的土地类型I,将该DS候选点的相干性时序平均值与其所属土地类型下的DS相干性选取阈值corthreshold(I)进行比较,若则将该DS候选点选取为DS;否则,对该点不进行选取。
S42)重复步骤S41),直至所有的DS候选点均已进行处理;即得到DS自适应选取的最终结果;
通过上述步骤,实现基于土地类型的InSAR时序分析中DS的自适应选取。
与现有技术相比,本发明的有益效果有:
(一)在InSAR时序分析DS的自适应选取中,引入土地类型图,使得SAR影像像元携带上土地类型信息,这样在DS初选阶段能将土地类型作为同质像元判别的约束条件,可避免诸如土地类型为水体的像元或与检测窗口中心像元不属于同类的像元参与K-S检验,这样可缩小K-S检验的搜索范围,提高同质像元的识别效率。
(二)本发明通过引入土地类型图,能够针对不同的土地类型自适应地确定DS选取阈值以及进行DS选取,故本发明是一种考虑DS的自然属性或利用状态特征因素的DS自适应选取方法,能改善DS的选取质量。此外,与现有的自适应DS-InSAR方法不同,本发明无需进行规则的几何分区,因而避免了现有方法划分区域的主观性以及重复试验来确定区域层级所花费的时间。
附图说明
图1为本发明提供的基于土地类型的DS自适应选取方法的流程框图。
图2为本发明具体实施中DS候选点选取的流程框图。
图3为本发明具体实施中不同土地类型下DS选取阈值自适应计算的流程框图。
图4为本发明具体实施中DS自适应选取的流程框图。
具体实施方式
下面结合附图对本发明的具体实施方式进行详细说明。
本发明提供一种基于土地覆盖/土地利用类型(以下简称土地类型)的分布式散射体的自适应选取新方法,以土地覆盖类型图或土地利用类型图(土地类型图)作为形变监测区分布式散射体(DS)选取的约束条件,针对不同的土地类型,自动计算出不同土地类型下DS的选取阈值,实现DS的自适应选取。
图1所示为本发明提供的基于土地类型的DS自适应选取方法的流程,具体包括如下步骤:
1)雷达坐标系下SAR影像像元的土地类型标识
通过地理坐标系下的土地类型图转换到SAR影像的雷达坐标系下,对雷达坐标系下的SAR影像像元进行土地类型标识,其过程简述如下:
1a)对N幅时序SAR影像进行几何配准,得到配准后的时序SAR影像;并构建SAR影像雷达坐标系和地理坐标系之间的查找表,建立起像元雷达坐标和地理坐标之间的对应关系;
1b)根据查找表中雷达坐标系下SAR影像像元的地理坐标,采用最邻近法,进一步确定其在地理坐标系下的土地类型图上所对应的像元位置,由此查找到该像元所对应的土地类型属性值(亦即type值);
1c)重复步骤1b),直至SAR影像所有像元均有对应的土地类型属性值,即可得到雷达坐标系下的土地类型图,并完成对雷达坐标系下SAR影像像元的土地类型标识。
2)SAR影像差分干涉处理
对时序的SAR影像进行干涉对构建和差分干涉处理,最终生成差分干涉图,其处理过程简述如下:
2a)设置InSAR时空基线阈值,从N幅时序SAR影像中筛选出M个影像干涉对。该时空基线阈值因具体的SAR工作参数不同而异,需经验确定。一般地,对于ALOS-2卫星条带模式SAR数据,一般时间基线阈值设为250-500天,空间基线阈值可设为500-1500m;而对于Sentinel-1卫星干涉宽幅模式SAR数据,一般时间基线阈值设为60-200天,空间基线阈值设为100-250m。
2b)对干涉对影像分别进行差分干涉处理,生成M幅差分干涉图。
3)时序SAR影像上的DSC选取
通过拟合优度检验(本发明以K-S检验为例),确定配准后的时序SAR影像上各同质像元检测窗口内与中心像元同质的像元,进行同质像元连通性检测,并根据DSC选取阈值筛选DSC,具体实现流程如图2所示。
3a)设置同质像元检测窗口的大小为m*n,m为窗口方位向的像元数,n为距离向的像元数。
3b)首先判断窗口中心像元的土地类型是否为水体。若为水体,则不对该像元进行任何后续处理;若不为水体,则继续执行步骤3c)。
3c)对于非水体,进行像元同质检验。首先将窗口的中心像元与窗口内其他像元的type值进行比较,若二者的type值不相等,即属于不同的土地类型,则不做后续处理。若二者的type值相等,即属于相同的土地类型,则对其进行K-S检验,判断二者是否属于同质像元,若判断结果二者同质,则将非中心像元标记为1;若二者不同质,则将非中心像元标记为0。
3d)重复步骤3c),直至该窗口内中心像元与其他所有像元均进行过同质检验。之后,对窗口内中心像元及其同质像元进行连通性检测;统计与中心像元同质且连通的像元数量,并加上中心像元,作为该窗口同质像元的数量,继续执行步骤3e)。
3e)预先确定好DSC选取阈值,其大小因像元大小、监测区域、同质像元检测窗口大小等因素而异,故由经验确定,但其必须是正整数且不能大于同质像元检测窗口的像元总数,即其值不大于m*n的值。将窗口内同质像元的数量与DSC选取阈值进行比较,若同质像元的数量小于DSC选取阈值,则移动中心像元到下一个位置,进行新的窗口处理,重新开始执行步骤3b)。若同质像元的数量大于或等于DSC选取阈值,则将该窗口的中心像元选取为DSC。
3f)从3b)开始重复上述过程,直至时序SAR影像所有内部像元均作为同质像元检测窗口的中心像元被遍历处理过后结束,最终获得整个形变监测区内DSC选取的结果。这里,内部像元是指除去影像周边像元(其宽度为对应方向上检测窗口大小的1/2)以外的像元,其总数定义为totalin-pixel。
4)DS选取阈值的自适应计算
依次对各差分干涉图上所有的DSC进行相干性计算,并进行时间序列上的平均计算,再对其分别在整个形变监测区内和不同土地类型下进行空间平均计算。在此基础上,针对不同的土地类型计算相应类型下的DS选取阈值,实现流程如图3所示,其过程简述如下:
4a)以DSC为中心,设置DSC相干性计算窗口的尺寸,其大小与同质像元检测窗口相同,均为m*n。
4b)对每幅差分干涉图上所有DSC依次进行相干性计算,在计算窗口中只有中心像元(亦即DSC)及与其同质且连通的像元参与计算,计算公式如式(1)所示:
其中,cork(w)是第k个差分干涉图(k=1,2,..,M)上第w个DSC(w=1,2,…SUMDSC)的相干性,SUMDSC是整个形变监测区内DSC的总数;sk,1(·)和sk,2(·)分别代表生成第k个差分干涉图所用的SAR主影像和从影像,上标*代表复共轭;num(w)和l分别是指窗口中同质像元的数量和同质像元的序号。
4c)对每个DSC的相干性分别进行时序上的平均计算,计算公式如式(2)所示:
4d)对DSC相干性时序平均值在整个形变监测区内进行平均计算,计算公式如式(3)所示:
4e)依据每个DSC所对应的土地类型,统计不同土地类型下的DSC数量;然后对DSC相干性时序平均值进行每一种土地类型下的均值计算,计算公式如式(4)所示:
4f)分别计算各土地类型下的DS选取阈值,计算公式如式(5)所示:
其中,corthreshold(I)表示第I种土地类型下的DS相干性选取阈值,min(·)表示取括号中两个数值中的较小者。
5)DS自适应选取
具体实现流程如图4所示:
5a)根据每个DSC所属的土地类型(I),将该DSC的相干性时序平均值与其所属土地类型下的DS相干性选取阈值corthreshold(I)进行比较,若则将该DSC选取为DS;否则,不对该DSC进行选取。
5b)重复步骤5a),直至所有的DSC均参与处理,输出DS自适应选取的最终结果。
需要注意的是,公布实施例的目的在于帮助进一步理解本发明,但是本领域的技术人员可以理解:在不脱离本发明及所附权利要求的精神和范围内,各种替换和修改都是可能的。因此,本发明不应局限于实施例所公开的内容,本发明要求保护的范围以权利要求书界定的范围为准。
Claims (7)
1.一种基于土地类型的InSAR时序分析中DS自适应选取方法,在InSAR时序分析中DS自适应选取的过程中,基于土地类型进行时序SAR影像上同质像元的识别,再选取DS候选点;所述土地类型为土地覆盖类型或土地利用类型;之后针对不同土地类型,自适应地计算不同土地类型下的DS选取阈值;再进行基于土地类型的DS自适应选取;包括如下过程:
S1)进行雷达坐标系下SAR影像像元的土地类型标识:
将地理坐标系下的土地类型图转换到SAR影像的雷达坐标系下,对雷达坐标系下的SAR影像像元进行土地类型标识;
S2)基于土地类型选取DS候选点:
基于土地类型进行时序SAR影像上同质像元的识别,再选取DS候选点;包括如下步骤:
S21)将土地类型作为同质像元识别的约束条件,确定同质像元检测窗口,利用拟合优度检验识别时序SAR影像上与窗口中心像元同质的像元;
S22)对同质像元检测窗口内中心像元及其同质像元进行连通性检测,得到同质像元检测窗口内同质像元的数量;
S23)设置DS候选点的选取阈值,根据步骤S22)中同质像元检测窗口内同质像元的数量,选取窗口中心像元作为DS候选点;
S3)设置InSAR时空基线阈值,进行时序SAR影像差分干涉处理,通过相干性,基于土地类型自适应地计算确定DS选取阈值;包括如下步骤:
S31)通过式(1)计算得到时序SAR影像各差分干涉图上每个DS候选点的相干性:
其中,cork(w)是第k个差分干涉图(k=1,2,..,M)上第w个DS候选点(w=1,2,…SUMDSC)的相干性,SUMDSC是整个形变监测区内DS候选点的总数;sk,1()和sk,2()分别代表生成第k个差分干涉图所用的SAR主影像和从影像,上标*表示复共轭;num(w)和l分别是窗口中同质像元的数量和同质像元的序号;
S32)通过式(2)计算得到DS候选点相干性的时序平均值:
S33)计算得到DS候选点相干性时序平均的空间均值:
a)通过式(3)计算得到整个形变监测区内DS候选点相干性时序平均的空间均值:
b)通过式(4)计算得到不同土地类型下DS候选点相干性时序平均的空间均值;
其中,表示第I种土地类型下DS候选点相干性时序平均的空间均值,I是土地类型的标识码(I=1,2,..,土地类型总数);是第I种土地类型下DS候选点的总数;是根据每个DS候选点所对应的土地类型分别统计的不同土地类型下DS候选点的数量;
S34)通过式(5)计算得到各土地类型下的DS选取阈值:
其中,corthreshold(I)表示第I种土地类型下的DS相干性选取阈值,min()表示取括号中两个数值中的较小者;
S4)进行DS的自适应选取;包括如下步骤:
S42)重复步骤S41),直至所有的DS候选点均已进行处理;即得到DS自适应选取的最终结果;
通过上述步骤,实现基于土地类型的InSAR时序分析中DS的自适应选取。
2.如权利要求1所述基于土地类型的InSAR时序分析中DS自适应选取方法,其特征是,步骤S1)进行土地类型标识包括如下步骤:
S11)对N幅时序SAR影像进行几何配准,得到配准后的时序SAR影像;并建立SAR影像像元雷达坐标和地理坐标之间的对应关系;
S12)根据S11)中SAR影像像元的地理坐标,采用最邻近法,确定SAR影像像元的地理坐标在土地类型图上所对应的像元位置,由此建立地理坐标系下土地类型图与雷达坐标系下SAR影像之间的像元对应关系,再将地理坐标系下的土地类型图转换到雷达坐标系下,并查找到SAR影像像元所对应的土地类型属性值即type值,实现SAR影像像元的土地类型标识。
3.如权利要求1所述基于土地类型的InSAR时序分析中DS自适应选取方法,其特征是,步骤S21)利用拟合优度检验识别时序SAR影像上同质像元,具体利用K-S检验进行时序SAR影像上同质像元的识别;
在进行K-S检验之前,首先确定同质像元检测窗口的大小m*n,m为窗口方位向的像元数,n为距离向的像元数;
然后对同质像元检测窗口中心像元的土地类型进行判断:若其为水体或者与窗口内其他像元的土地类型不同时,则不对其做K-S检验;否则进行K-S检验,由此确定同质像元。
4.如权利要求1所述基于土地类型的InSAR时序分析中DS自适应选取方法,其特征是,步骤S22)对同质像元检测窗口内中心像元及其同质像元进行连通性检测,将与中心像元同质且连通的像元和窗口中心像元的数量,作为该窗口内同质像元的数量。
5.如权利要求1所述基于土地类型的InSAR时序分析中DS自适应选取方法,其特征是,步骤S23)中,DS候选点的选取阈值为正整数,且不大于同质像元检测窗口的像元总数,即其值不大于m*n的值;当窗口内同质像元的数量大于或等于DS候选点的选取阈值时,将中心像元选取为DS候选点。
6.如权利要求1所述基于土地类型的InSAR时序分析中DS自适应选取方法,其特征是,步骤S3)中,在自适应地计算确定DS选取阈值之前的处理方法包括:
从N幅时序SAR影像中筛选出M个影像干涉对;
对影像干涉对分别进行差分干涉处理,生成M幅差分干涉图;
以DS候选点为中心,设置DS候选点相干性计算窗口的尺寸与同质像元检测窗口相同,均为m*n。
7.如权利要求6所述基于土地类型的InSAR时序分析中DS自适应选取方法,其特征是,步骤S3)中,具体地,对于ALOS-2卫星条带模式SAR数据,时间基线阈值设为250-500天,空间基线阈值设为500-1500m;对于Sentinel-1卫星干涉宽幅模式SAR数据,时间基线阈值设为60-200天,空间基线阈值设为100-250m。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010960574.9A CN112130148B (zh) | 2020-09-14 | 2020-09-14 | 基于土地类型的InSAR时序分析中DS自适应选取方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010960574.9A CN112130148B (zh) | 2020-09-14 | 2020-09-14 | 基于土地类型的InSAR时序分析中DS自适应选取方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112130148A CN112130148A (zh) | 2020-12-25 |
CN112130148B true CN112130148B (zh) | 2021-12-28 |
Family
ID=73845668
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010960574.9A Active CN112130148B (zh) | 2020-09-14 | 2020-09-14 | 基于土地类型的InSAR时序分析中DS自适应选取方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112130148B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114814843B (zh) * | 2022-06-27 | 2022-10-04 | 之江实验室 | 基于cpu-gpu异构并行的地表形变反演方法与系统 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101770026A (zh) * | 2009-01-07 | 2010-07-07 | 中国科学院电子学研究所 | 极化干涉合成孔径雷达数据估计地形的方法及其软件 |
CN108051810A (zh) * | 2017-12-01 | 2018-05-18 | 南京市测绘勘察研究院股份有限公司 | 一种InSAR分布式散射体相位优化方法 |
CN108387899A (zh) * | 2018-04-17 | 2018-08-10 | 南京师范大学 | 合成孔径雷达干涉测量中地面控制点自动选取方法 |
CN110058237A (zh) * | 2019-05-22 | 2019-07-26 | 中南大学 | 面向高分辨率SAR影像的InSAR点云融合及三维形变监测方法 |
-
2020
- 2020-09-14 CN CN202010960574.9A patent/CN112130148B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101770026A (zh) * | 2009-01-07 | 2010-07-07 | 中国科学院电子学研究所 | 极化干涉合成孔径雷达数据估计地形的方法及其软件 |
CN108051810A (zh) * | 2017-12-01 | 2018-05-18 | 南京市测绘勘察研究院股份有限公司 | 一种InSAR分布式散射体相位优化方法 |
CN108387899A (zh) * | 2018-04-17 | 2018-08-10 | 南京师范大学 | 合成孔径雷达干涉测量中地面控制点自动选取方法 |
CN110058237A (zh) * | 2019-05-22 | 2019-07-26 | 中南大学 | 面向高分辨率SAR影像的InSAR点云融合及三维形变监测方法 |
Non-Patent Citations (2)
Title |
---|
一种适用于时序InSAR的同质像元加权干涉相位滤波方法;黄俊松 等;《北京大学学报(自然科学版)》;20181130;第54卷(第6期);全文 * |
时序InSAR同质样本选取算法研究;蒋弥 等;《地球物理学报》;20181231;第61卷(第12期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN112130148A (zh) | 2020-12-25 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112965146B (zh) | 一种结合气象雷达与雨量桶观测数据的定量降水估算方法 | |
CN113960595A (zh) | 一种地表形变监测方法及系统 | |
CN110837006B (zh) | 一种基于星地同步观测对比的卫星闪电探测评估方法 | |
CN109583284B (zh) | 基于高分辨率sar图像的城市高层建筑物高度提取方法及装置 | |
CN112946601B (zh) | 基于Gauss-Seidel的高效分布式目标相位优化方法 | |
CN108230375A (zh) | 基于结构相似性快速鲁棒的可见光图像与sar图像配准方法 | |
CN113281749A (zh) | 一种顾及同质性的时序InSAR高相干点选取方法 | |
CN116908853B (zh) | 高相干点选取方法、装置和设备 | |
CN112130148B (zh) | 基于土地类型的InSAR时序分析中DS自适应选取方法 | |
CN115984778A (zh) | 一种基于多特征优化的Sentinel-1数据快速动态洪灾监测方法 | |
CN111522977A (zh) | 一种喀斯特废弃矿山生态修复遥感检测方法 | |
CN110110025A (zh) | 基于特征向量空间滤值的区域人口密度模拟方法 | |
CN106940782A (zh) | 基于变差函数的高分sar新增建设用地提取软件 | |
CN112989940B (zh) | 基于高分三号卫星sar影像的筏式养殖区提取方法 | |
CN107067384B (zh) | 一种基于射线法的黄土高原梯田提取方法 | |
CN113687353A (zh) | 基于同质像元时序相位矩阵分解的ds目标相位优化方法 | |
CN116740579B (zh) | 一种国土空间规划数据智能采集方法 | |
CN111915570A (zh) | 基于反向传播神经网络的大气延迟估计方法 | |
CN110874833A (zh) | 基于超图匹配的sar图像变化检测方法 | |
CN114265064A (zh) | 一种农田区域同质像元滤波窗口选取方法 | |
CN113008202B (zh) | 一种融合不同合成孔径雷达干涉测量的地面沉降监测方法 | |
CN114926524A (zh) | 一种用于提高烟幕红外有效遮蔽面积测量精度的方法 | |
CN111239734B (zh) | 一种适用于深层黄土稳定面散射体的提取方法 | |
CN112269175B (zh) | 一种结合斯皮尔曼系数的分布式散射体选取方法 | |
Liao et al. | Urban change detection using coherence and intensity characteristics of multi-temporal ERS-1/2 Imagery |
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 |