CN112835041A - 结合UKF和AMPM的多基线InSAR高程重建方法 - Google Patents

结合UKF和AMPM的多基线InSAR高程重建方法 Download PDF

Info

Publication number
CN112835041A
CN112835041A CN202011642826.XA CN202011642826A CN112835041A CN 112835041 A CN112835041 A CN 112835041A CN 202011642826 A CN202011642826 A CN 202011642826A CN 112835041 A CN112835041 A CN 112835041A
Authority
CN
China
Prior art keywords
pixel
elevation
ukf
phase
value
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
Application number
CN202011642826.XA
Other languages
English (en)
Other versions
CN112835041B (zh
Inventor
谢先明
宋明辉
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 CN202011642826.XA priority Critical patent/CN112835041B/zh
Publication of CN112835041A publication Critical patent/CN112835041A/zh
Application granted granted Critical
Publication of CN112835041B publication Critical patent/CN112835041B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G01S13/9094—Theoretical aspects

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 Analysis (AREA)

Abstract

本发明公开了一种结合UKF和AMPM的多基线InSAR高程重建方法，本方法首先构造稳健的UKF高程重建系统模型，并利用具有较强噪声抑制能力的AMPM算法提取UKF高程重建系统模型所需的干涉相位梯度估计值；其次，在边缘检测技术的基础上利用ML算法估计的地形高程图与多幅干涉图来确定不连续边界图，然后在路径跟踪策略下引导UKF算法重建高程，在连续区域采用UKF估计的高程值，在不连续区域则采用ML估计的高程值，从而突破相位不连续条件的限制，获得地形高程估计值。本方法提高了高程重建的可靠性；提高了高程重建精度；具有较强的抗噪性能。

Description

结合UKF和AMPM的多基线InSAR高程重建方法
技术领域
本发明涉及多基线InSAR高程重建技术领域，具体是一种结合无味卡尔曼滤波(Unscented Kalman filter，简称UKF)和基于修正矩阵束模型的局部相位梯度估计算法(AMPM)的多基线InSAR高程重建方法。
背景技术
干涉合成孔径雷达(Synthetic Aperture Radar Interferometry，简称InSAR)是一项广泛应用于地理信息系统构建、环境监测、军事侦查等领域的技术，其利用目标地形的反射微波信号生成该区域包含缠绕相位信息的干涉图来估计地表的高程信息和变化信息，最后建立观察地形的数字高程模型(Digital Elevation Model，简称DEM)。传统单基线InSAR技术包括枝切法、质量引导算法、最小二乘法、最小费用流等算法，受限于相位连续性假设，难以应用在如山谷、陡峭山脉和城市等复杂地形高程重建中。而多基线InSAR技术可利用多个基线对同一区域进行高程重建，具有在不连续或突变地形高程重建中获得高精度DEM的潜力。
目前，多基线InSAR高程重建技术中具有代表性的算法有利用真实相位与缠绕相位符合圆高斯分布的性质构建似然函数，从而估计出高程值的最大似然估计(MaximumLikelihood，简称ML)法和利用不同基线长度互质这一特性来求解同余方程，以获取相位模糊数，从而得出解缠相位及高程的中国余数定理(Chinese Remainder Theorem，简称CRT)法等方法。ML估计算法避免了复杂的相位解缠过程，防止了误差传递的现象的发生，但该方法易受干涉相位噪声的影响，其高程估计地图中由干涉相位噪声导致生成的“毛刺点”较多，误差较大。
为了解决ML估计方法的缺点，Ferraiuolo等人提出了最大后验概率(Maximum aposteriori，简称MAP)估计方法，该方法在ML估计方法的基础上结合了马尔可夫随机场的先验模型，迭代估计其反映相邻像素点分布关系的超参数，使得重建出来的高程图“毛刺点”大大减少，但计算耗时较长。为此，Giampaolo提出将基于全变分(Total Variation，简称TV)模型的能量函数应用于MAP估计算法中，省略了迭代估计超参数的过程，大大减少了运行时间。同时，Roberto提出了将扩展卡尔曼滤波算法(EKF)应用到了ML算法上，具有一定平滑噪声的作用。基于CRT的多基线InSAR技术可以在理想的无噪声状态下获取解缠相位，但该算法对干涉相位噪声非常敏感。袁志辉等提出了一种改进的具有封闭式解的多基线鲁棒性CRT算法，提高了CRT算法噪声鲁棒性，但仍受噪声严重影响。
发明内容
本发明的目的在于克服现有技术的不足，而提供一种结合UKF和AMPM的多基线InSAR高程重建方法，该方法不但具有较强的抗噪声性能，且能在地形不连续区域中保留完整的地形边缘特征。
实现本发明目的的技术方案是：
一种结合UKF与AMPM的多基线InSAR高程重建方法，包括如下步骤：
1)利用ML算法从多幅干涉相位图中估计出粗略的地形高程hML，使用窗口为3×3的中值滤波器对hML进行滤波得到滤波高程图
Figure BDA0002875367690000021
其中最大似然率
Figure BDA0002875367690000022
和联合最大似然率FML(Φ|h)的计算公式如下：
Figure BDA0002875367690000023
Figure BDA0002875367690000024
公式(1)和公式(2)中，
Figure BDA0002875367690000025
h为对应的地表高程值，
Figure BDA0002875367690000026
代表第l通道的干涉图缠绕相位
Figure BDA0002875367690000027
γl表示第l通道的干涉图相干系数，αl表示与InSAR系统第l通道相关的成像参数，Φ为可观测到的干涉相位缠绕向量；
2)构造稳健的UKF系统模型，把L通道归一化的复干涉信号的同相分量和正交分量分别作为状态变量的观测值，UKF系统模型表示如下：
Figure BDA0002875367690000028
Figure BDA0002875367690000029
公式(3)与公式(4)中，x(m,n)为像素点(m,n)的地形高度，作为状态变量；
Figure BDA00028753676900000210
为像素(m,n)与其相邻像素(a,s)之间的高度梯度估计，ε(m,n)|(a,s)为像素(m,n)与其相邻像素(a,s)之间的高度梯度误差；
Figure BDA0002875367690000031
是第l通道的干涉图像素(m,n)与其相邻像素(a,s)之间的相位梯度估计，由AMPM算法估计得到；z(m,n)为观测向量，h[x(m,n)]为不含噪声的观测向量，v(m,n)为附加在归一化复干涉信号同相分量和正交分量上的测量噪声，zl(m,n)为第l通道的观测向量；hl[x(m,n)]为第l通道的不含噪声的观测向量，vl(m,n)为附加在第l通道的归一化复干涉信号同相分量和正交分量上的测量噪声，其中，
Figure BDA0002875367690000032
由AMPM算法可得如下公式：
Figure BDA0002875367690000033
公式(5)中，
Figure BDA0002875367690000034
为局部窗口内列方向的单位相位梯度估计值，
Figure BDA0002875367690000035
为局部窗口内行方向的单位相位梯度估计值。
3)计算每幅干涉相位图的残差点，即若2×2相邻像素的缠绕相位梯度的环积分值绝对值为2π，则定义该像素点为残差点，并进行“或”运算得到一幅残差点二值化图；
4)对步骤1)得到的高程图
Figure BDA0002875367690000036
进行3×3窗口的均值滤波，然后使用Sobel算子对其进行边缘检测，得到一幅边缘检测的二值化图，然后与步骤3)得到的二值化图像继续进行“或”运算，得到一幅新的二值化图像，其中“1”代表低可靠像素点，“0”代表高可靠像素点；
5)根据步骤4)得到的二值化图像，生成一个新的表示相位不连续的二值化图像，记为“EDGE”，即在步骤4)生成的二值化图像中，如果以一个像素为中心的5×5窗口中的低可靠像素个数大于2，则认为该像素是一个边缘值为1的不连续边界像素点，反之，该像素的边缘值为0；
6)创建路径跟踪策略所需的链接列表，用于存储和排序等待展开并在展开阶段进一步定义等待像素；
7)计算最长基线的干涉相位质量图，在本文的实验中，指导UKF系统模型高程重建路径的质量图是干涉图的相位导数方差图，其中质量值ρm,n的计算公式为：
Figure BDA0002875367690000037
公式(6)中，
Figure BDA0002875367690000038
是以像素点(m,n)为中心的窗口内缠绕相位值，d×d表示窗口的大小；
8)根据路径跟踪策略，选取干涉图中最长基线对应的质量值最高的一个非边界像素作为起始像素，即种子像素，由步骤1)获得其高度估计值，将与种子像素直接相连的四个相邻像素即上像素、下像素、左像素和右像素之间的非边界像素标记为等待展开的像素，分别插入步骤6)构建的邻接列表中，以此来引导UKF高程重建过程，其中UKF的预测公式表示如下：
Figure BDA0002875367690000041
Figure BDA0002875367690000042
Figure BDA0002875367690000043
Figure BDA0002875367690000044
Figure BDA0002875367690000045
Figure BDA0002875367690000046
Figure BDA0002875367690000047
Figure BDA0002875367690000048
公式(7)中，
Figure BDA0002875367690000049
为像素点(a,s)的状态估计值，
Figure BDA00028753676900000410
为状态值估计误差，
Figure BDA00028753676900000411
表示像素点(m,n)的预测状态估计值，
Figure BDA00028753676900000412
表示像素点(m,n)的预测估计误差，Ψ表示相邻八个像素点中已解缠的像素点集合，x[(m,n)|(a,s)]表示通过像素点(a,s)得到的像素点(m,n)的预测值，κ表示相邻八个像素点中已解缠的像素点个数，
Figure BDA00028753676900000413
为新的状态预测值，
Figure BDA00028753676900000414
为新的状态预测误差值，χj(m,n),j＝0,1,2表示像素点(m,n)状态估计的Sigma点，Q(m,n)|(a,s)表示像素点(m,n)与像素点(a,s)的相位梯度估计误差协方差，
Figure BDA00028753676900000415
和
Figure BDA00028753676900000416
为相应的自适应因子，更新公式如下：
Figure BDA0002875367690000051
Figure BDA0002875367690000052
Figure BDA0002875367690000053
Figure BDA0002875367690000054
Figure BDA0002875367690000055
Figure BDA0002875367690000056
ρ(m,n)＝Pxz(m,n)/Pzz(m,n)
Figure BDA0002875367690000057
Figure BDA0002875367690000058
公式(8)中，
Figure BDA0002875367690000059
表示相应的Sigma点预测值，z-(m,n)表示干涉图中像素点(m,n)的观测矢量预测值，ρ(m,n)表示干涉图中像素点(m,n)的增益矩阵，
Figure BDA00028753676900000510
表示干涉图中像素点(m,n)的观测误差方差，Pzz(m,n)和Pxz(m,n)表示加入自适应因子后的相应的估计误差，
Figure BDA00028753676900000511
为干涉图中像素点(m,n)的最终高程估计值，
Figure BDA00028753676900000512
为干涉图中像素点(m,n)的最终估计误差方差；
9)获取步骤8)中所构建的邻接列表中质量值最高的像素x，如果像素x的边缘值为0，则利用UKF相位解缠程序获得像素x的高度估计及其估计误差方差，若边缘值为1，则将步骤1中滤波后的ML高程作为像素x的高度估计数，再应用公式(7)得到像素x的估计误差方差，然后，再从构建的邻接列表中删除像素x，将像素x的4个领域间的非边界未解缠像素点分别标记为等待像素点，再按路径跟踪策略插入到链接列表中；
10)判断邻接列表是否为空，若非空，则继续执行步骤9)；若为空，则算法结束，得到重建的高程图。
本方法首先构造稳健的UKF高程重建系统模型，并利用具有较强噪声抑制能力的AMPM算法提取UKF高程重建系统模型所需的干涉相位梯度估计值；其次，在边缘检测技术的基础上利用ML算法估计的地形高程图与多幅干涉图来确定不连续边界图，然后在路径跟踪策略下引导UKF算法重建高程，在连续区域采用UKF估计的高程值，在不连续区域则采用ML估计的高程值，从而突破相位不连续条件的限制，获得地形高程估计值。
与现有技术相比，如经典的ML算法，本方法利用公式(1)和公式(2)对地形进行高程估计，但由于在噪声较大的情况下，由似然函数所估计的高程也会产生较大误差，ML+EKF算法相对ML算法具有一定的平滑噪声的能力，但受噪声影响也极其严重；TV+MAP算法采用了全变分能量函数模型，避免了复杂超参数的估计，但由于缺少局部信息估计，算法的抗噪性能并不突出，为了提高多基线InSAR高程重建的精度并且保持良好的运算效率，本方法将传统单基线相位解缠技术框架UKF相位解缠算法及AMPM算法引入到多基线高程重建技术中。传统多基线相位解缠技术大多只能解决相位连续区域，虽具有较强的抗噪性能，但在不连续区域中由于误差传递现象的发生，会导致高程重建失败。
本发明的优点为：
1、构建了一个结合AMPM和UKF的稳健多基线高程重建模型，同时利用路径跟踪策略指导其重建高程，提高了高程重建的可靠性；
2、利用边缘检测技术检测出不连续边界点，在连续区域引入UKF与AMPM算法估计的高程值，提高了高程重建精度，而在不连续区域中则采用了ML估计高程值，防止引起误差传递现象，具有较强的抗噪性能。
附图说明
图1为本发明实施例中一种结合UKF和AMPM的多基线InSAR高程重建方法实施流程图；
图2a-图2f分别为实施例1模拟的城市地形图、含噪长基线干涉相位图、ML估计高程图、ML+EKF估计高程图、TV+MAP估计高程图和本发明估计高程图，其中图2a为二维高程图，图2b为长基线干涉图，图2c为ML估计高程图，图2d为ML+EKF估计高程图，图2e为TV+MAP估计干涉图，图2f为本发明估计高程图；
图3a-图3f分别为实施例2中美国Isolation公园真实地形高程图、含噪长基线干涉相位图、ML估计高程图、ML+EKF估计高程图、TV+MAP估计高程图和本发明估计高程图，其中图3a为二维高程图，图3b为长基线干涉图，图3c为ML估计高程图，图3d为EKF估计高程图，图3e为TV+MAP估计干涉图，图3f为本发明估计高程图；
具体实施方式
下面结合附图和实施例对本发明内容做进一步阐述，但不是对本发明的限定。
实施例1：
图1为本发明结合UKF和AMPM的多基线InSAR高程重建方法实施流程图，针对模拟城市地形高程图进行相位展开，图2a为模拟城市地形二维高程图，其横坐标为距离向像素，纵坐标为方位向像素，右侧条代表高程值，单位为米；图2b为含噪长基线缠绕相位图，纵横坐标和图2a相同，其信噪比为7.16dB。
一种结合UKF和AMPM的多基线InSAR高程重建方法，包括如下步骤；
1)利用ML算法从多幅干涉相位图中估计出粗略的地形高程图，并使用窗口为3×3的中值滤波器对其进行滤波；
2)构建UKF系统模型如公式(3)和公式(4)所示，其中初始估计误差方差设为
Figure BDA0002875367690000071
3)获取每幅干涉相位图的残差点，并进行“或”运算得到一幅综合的残差点二值化图；
4)对步骤1)得到的高程图进行3×3窗口的均值滤波，然后使用Sobel算子对其进行边缘检测，得到一幅边缘检测的二值化图，其中边缘检测的阈值为长基线的高度模糊数的一半；
5)对步骤3)和步骤4)得到的二值化图像进行“或”运算，得到一幅新的二值化图像，其中“1”代表低可靠像素点，“0”代表高可靠像素点；
6)根据步骤5)生成的二值化图像，生成一个新的表示相位不连续的二值化图像，记为“EDGE”，即在步骤5)生成的二值化图像中，如果以一个像素为中心的5×5窗口中的低可靠像素个数大于2，则认为该像素是一个边缘值为1的不连续边界像素点，反之，该像素的边缘值为0；
7)创建路径跟踪策略所需的链接列表，用于存储和排序等待展开并在展开阶段进一步定义等待像素；
8)根据路径跟踪策略，选取干涉图中最长基线对应的质量值最高的一个非边界像素作为起始像素，即种子像素，步骤1)获得其高度估计值，将与种子像素直接相连的四个相邻像素即上像素、下像素、左像素和右像素之间的非边界像素标记为等待展开的像素，分别插入步骤7)构建的邻接列表中，在本文的实验中，引导UKF相位过程展开路径的质量图是干涉图的相位导数方差图；
9)使用路径跟踪策略获取步骤7)中所构建的邻接列表中质量最高的像素x；如果像素x的边缘值为0，则利用UKF相位解缠程序获得像素x的高度估计及其估计误差方差；相反，将步骤1中滤波后的ML高程作为像素x的高度估计数，再应用公式(7)得到像素x的估计误差方差，然后，从步骤7)和步骤8)所构建的链接列表中删除像素x，将像素x的4个领域间的非边界未解缠像素点分别标记为等待像素点，按路径跟踪策略插入到邻接列表中；
10)判断邻接列表是否为空，若非空，则继续执行步骤9)；若为空，则算法结束，得到重建的高程图。
图2a为模拟城市地形的二维高程图；图2b为含噪声的长基线干涉相位图；图2c为ML估计高程图；图2d为ML+EKF估计高程图；图2e为TV+MAP估计高程图；图2f为本发明估计高程图，不同方法的运行时间如表1所示：
表1不同算法的运行时间对比
Figure BDA0002875367690000081
由图2c-图2f可以看出本发明实施例的方法对多基线InSAR高程重建具有较好的保留地形边缘特征效果，相较前三者的算法具有较强的抗噪声能力，有效减少重建高程图的毛刺噪声，提高高程重建的精度，同时从表1及图2a-图2f可看出相较TV+MAP算法不但运行时间少，且重建精度高，而比较ML、ML+EKF两种算法可看出，在可接受的时间消耗下，具有精度较高的优势。
实施例2：
针对具有突变边缘的美国Isolation公园真实地形进行高程重建，该地形右端存在断崖式地形，无法满足相位不连续假设的条件，因此传统的单基线技术无法对其进行处理。
图1为本发明结合UKF和AMPM的多基线InSAR高程重建方法实施流程图，图3a为Isolation公园真实地形高程图，图3b为含噪声的长基线干涉相位图；图3c为ML估计高程图，图3d为ML+EKF估计高程图，图3e为TV+MAP估计高程图，图3f为本发明估计高程图，与实施例1采用方法相同。
由图3a-图3f和表2可知，本发明在维持高效率的情况下，依然保证了可靠性和精度，同时检测出不连续边界，避免了单基线相位解缠技术中的误差传递现象的发生。
表2不同算法的运行时间对比
Figure BDA0002875367690000082
本发明提出的结合UKF和AMPM的多基线InSAR高程重建方法是利用路径跟踪策略引导融合了AMPM的UKF算法对高程进行重建，并通过边缘检测判断不连续边界，继而使用ML估计高程信息突破相位不连续的限制，实现了较高精度与效率的高程重建方法，在实施例1与实施例2中，即在模拟地形和真实地形的实验中都证明了其有效性。
上述实施例，仅为对本发明的目的、技术方案和有益效果进一步详细说明的具体个例，本发明并非限定于此。凡在本发明公开范围之内做任何修改、等同替换、改进等，均包含在本发明的保护范围之内。

Claims (3)

1.一种结合UKF和AMPM的多基线InSAR高程重建方法，其特征在于，包括如下步骤：
1)利用ML算法从多幅干涉相位图中估计出粗略的地形高程hML，使用中值滤波器对hML进行滤波得到滤波高程图
Figure FDA0002875367680000011
其中最大似然率
Figure FDA00028753676800000111
和联合最大似然率FML(Φ|h)的计算公式如下：
Figure FDA0002875367680000012
Figure FDA0002875367680000013
公式(1)和公式(2)中，
Figure FDA0002875367680000019
h为对应的地表高程值，
Figure FDA0002875367680000014
代表第l通道的干涉图缠绕相位
Figure FDA00028753676800000110
γl表示第l通道的干涉图相干系数，αl表示与InSAR系统第l通道相关的成像参数，Φ为可观测到的干涉相位缠绕向量；
2)构造稳健的UKF系统模型，把L通道归一化的复干涉信号的同相分量和正交分量分别作为状态变量的观测值，UKF系统模型表示如下：
Figure FDA0002875367680000015
Figure FDA0002875367680000016
公式(3)与公式(4)中，x(m,n)为像素点(m,n)的地形高度，作为状态变量；
Figure FDA0002875367680000017
为像素(m,n)与其相邻像素(a,s)之间的高度梯度估计，ε(m,n)|(a,s)为像素(m,n)与其相邻像素(a,s)之间的高度梯度误差；
Figure FDA0002875367680000018
是第l通道的干涉图像素(m,n)与其相邻像素(a,s)之间的相位梯度估计，由AMPM算法估计得到；z(m,n)为观测向量，h[x(m,n)]为不含噪声的观测向量，v(m,n)为附加在归一化复干涉信号同相分量和正交分量上的测量噪声，zl(m,n)为第l通道的观测向量；hl[x(m,n)]为第l通道的不含噪声的观测向量，vl(m,n)为附加在第l通道的归一化复干涉信号同相分量和正交分量上的测量噪声，其中，
Figure FDA0002875367680000021
由AMPM算法可得如下公式：
Figure FDA0002875367680000022
公式(5)中，
Figure FDA0002875367680000023
为局部窗口内列方向的单位相位梯度估计值，
Figure FDA0002875367680000024
为局部窗口内行方向的单位相位梯度估计值。
3)计算每幅干涉相位图的残差点，即若2×2相邻像素的缠绕相位梯度的环积分值绝对值为2π，则定义该像素点为残差点，并进行“或”运算得到一幅残差点二值化图；
4)对步骤1)得到的高程图
Figure FDA0002875367680000025
进行均值滤波，然后使用Sobel算子对其进行边缘检测，得到一幅边缘检测的二值化图，然后与步骤3)得到的二值化图像继续进行“或”运算，得到一幅新的二值化图像，其中“1”代表低可靠像素点，“0”代表高可靠像素点；
5)根据步骤4)得到的二值化图像，生成一个新的表示相位不连续的二值化图像，记为“EDGE”；
6)创建路径跟踪策略所需的链接列表，用于存储和排序等待展开并在展开阶段进一步定义等待像素；
7)计算最长基线的干涉相位质量图，在本文的实验中，指导UKF系统模型高程重建路径的质量图是干涉图的相位导数方差图，其中质量值ρm,n的计算公式为：
Figure FDA0002875367680000026
公式(6)中，
Figure FDA0002875367680000027
是以像素点(m,n)为中心的窗口内缠绕相位值，d×d表示窗口的大小；
8)根据路径跟踪策略，选取干涉图中最长基线对应的质量值最高的一个非边界像素作为起始像素，即种子像素，由步骤1)获得其高度估计值，将与种子像素直接相连的四个相邻像素即上像素、下像素、左像素和右像素之间的非边界像素标记为等待展开的像素，分别插入步骤6)构建的邻接列表中，以此来引导UKF高程重建过程，其中UKF的预测公式表示如下：
Figure FDA0002875367680000031
公式(7)中，
Figure FDA0002875367680000032
为像素点(a,s)的状态估计值，
Figure FDA0002875367680000033
为状态值估计误差，
Figure FDA0002875367680000034
表示像素点(m,n)的预测状态估计值，
Figure FDA0002875367680000035
表示像素点(m,n)的预测估计误差，Ψ表示相邻八个像素点中已解缠的像素点集合，x[(m,n)|(a,s)]表示通过像素点(a,s)得到的像素点(m,n)的预测值，κ表示相邻八个像素点中已解缠的像素点个数，
Figure FDA0002875367680000036
为新的状态预测值，
Figure FDA0002875367680000037
为新的状态预测误差值，χj(m,n),j＝0,1,2表示像素点(m,n)状态估计的Sigma点，Q(m,n)|(a,s)表示像素点(m,n)与像素点(a,s)的相位梯度估计误差协方差，
Figure FDA0002875367680000038
和
Figure FDA0002875367680000039
为相应的自适应因子，更新公式如下：
Figure FDA0002875367680000041
公式(8)中，
Figure FDA0002875367680000042
表示相应的Sigma点预测值，z-(m,n)表示干涉图中像素点(m,n)的观测矢量预测值，ρ(m,n)表示干涉图中像素点(m,n)的增益矩阵，
Figure FDA0002875367680000043
表示干涉图中像素点(m,n)的观测误差方差，Pzz(m,n)和Pxz(m,n)表示加入自适应因子后的相应的估计误差，
Figure FDA0002875367680000044
为干涉图中像素点(m,n)的最终高程估计值，
Figure FDA0002875367680000045
为干涉图中像素点(m,n)的最终估计误差方差；
9)获取步骤8)中所构建的邻接列表中质量值最高的像素x，如果像素x的边缘值为0，则利用UKF相位解缠程序获得像素x的高度估计及其估计误差方差，若边缘值为1，则将步骤1中滤波后的ML高程作为像素x的高度估计数，再应用公式(7)得到像素x的估计误差方差，然后，再从构建的邻接列表中删除像素x，将像素x的4个领域间的非边界未解缠像素点分别标记为等待像素点，再按路径跟踪策略插入到链接列表中；
10)判断邻接列表是否为空，若非空，则继续执行步骤9)；若为空，则算法结束，得到重建的高程图。
2.根据权利要求1所述的结合UKF和AMPM的多基线InSAR高程重建方法，其特征在于，步骤1)中，使用窗口为3×3的中值滤波器对hML进行滤波得到滤波高程图
Figure FDA0002875367680000046
3.根据权利要求1所述的结合UKF和AMPM的多基线InSAR高程重建方法，其特征在于，步骤4)中，对步骤1)得到的高程图
Figure FDA0002875367680000051
进行3×3窗口的均值滤波。
CN202011642826.XA 2020-12-30 2020-12-30 结合UKF和AMPM的多基线InSAR高程重建方法 Active CN112835041B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011642826.XA CN112835041B (zh) 2020-12-30 2020-12-30 结合UKF和AMPM的多基线InSAR高程重建方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011642826.XA CN112835041B (zh) 2020-12-30 2020-12-30 结合UKF和AMPM的多基线InSAR高程重建方法

Publications (2)

Publication Number Publication Date
CN112835041A true CN112835041A (zh) 2021-05-25
CN112835041B CN112835041B (zh) 2023-07-25

Family

ID=75927090

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011642826.XA Active CN112835041B (zh) 2020-12-30 2020-12-30 结合UKF和AMPM的多基线InSAR高程重建方法

Country Status (1)

Country Link
CN (1) CN112835041B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117724101A (zh) * 2024-02-18 2024-03-19 中国特种设备检测研究院 基于相位分块的卡尔曼滤波相位解缠方法、系统及设备

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20150185317A1 (en) * 2010-02-22 2015-07-02 Elbit Systems Ltd. Three dimensional radar system
CN104849714A (zh) * 2015-05-29 2015-08-19 桂林电子科技大学 一种高效稳健的多基线ukf相位展开方法
CN107193005A (zh) * 2017-06-16 2017-09-22 桂林电子科技大学 一种无损卡尔曼滤波与粒子滤波相结合的相位展开算法
CN110146888A (zh) * 2019-06-11 2019-08-20 桂林电子科技大学 一种结合路径跟踪的多基线InSAR高程重建方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20150185317A1 (en) * 2010-02-22 2015-07-02 Elbit Systems Ltd. Three dimensional radar system
CN104849714A (zh) * 2015-05-29 2015-08-19 桂林电子科技大学 一种高效稳健的多基线ukf相位展开方法
CN107193005A (zh) * 2017-06-16 2017-09-22 桂林电子科技大学 一种无损卡尔曼滤波与粒子滤波相结合的相位展开算法
CN110146888A (zh) * 2019-06-11 2019-08-20 桂林电子科技大学 一种结合路径跟踪的多基线InSAR高程重建方法

Non-Patent Citations (5)

* Cited by examiner, † Cited by third party
Title
XIANMING XIE: "Enhanced multi-baseline unscented Kalman filtering phase unwrapping algorithm", 《JOURNAL OF SYSTEMS ENGINEERING AND ELECTRONICS》 *
XIANMING XIE: "Iterated unscented Kalman filter for phase unwrapping of interferometric fringes", 《OPTICS EXPRESS》 *
李玉婷等: "一种UKF与PF相结合的相位解缠算法", 《测绘科学》 *
谢先明;唐超;: "一种融合残差点信息的改进的多基线InSAR高程重建方法", 电子与信息学报, no. 05 *
谢先明;李莹慧;: "一种高效的扩展粒子滤波相位展开方法", 遥感信息, no. 04 *

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117724101A (zh) * 2024-02-18 2024-03-19 中国特种设备检测研究院 基于相位分块的卡尔曼滤波相位解缠方法、系统及设备

Also Published As

Publication number Publication date
CN112835041B (zh) 2023-07-25

Similar Documents

Publication Publication Date Title
CN109633648B (zh) 一种基于似然估计的多基线相位估计装置及方法
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
CN111273293B (zh) 一种顾及地形起伏的InSAR残余运动误差估计方法及装置
CN109752715B (zh) 一种sar数据全散射体探测方法及装置
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
Debella-Gilo et al. Locally adaptive template sizes for matching repeat images of Earth surface mass movements
CN113311433B (zh) 一种质量图和最小费用流结合的InSAR干涉相位两步解缠方法
KR101712084B1 (ko) 멀티간섭기법 기반의 이온왜곡 보정 방법 및 그 장치
CN103454636B (zh) 基于多像素协方差矩阵的差分干涉相位估计方法
CN111856459B (zh) 一种改进的DEM最大似然约束多基线InSAR相位解缠方法
CN108876861B (zh) 一种地外天体巡视器的立体匹配方法
CN108761458B (zh) 基于形态学细化的干涉sar水体数字高程模型修正方法
CN113589286B (zh) 基于D-LinkNet的无迹卡尔曼滤波相位解缠方法
CN112698328B (zh) 一种用于大坝及滑坡变形gb-sar监测的相位解缠方法及系统
CN112051572A (zh) 一种融合多源sar数据三维地表形变监测方法
Warner et al. Pine Island Glacier (Antarctica) velocities from Landsat7 images between 2001 and 2011: FFT-based image correlation for images with data gaps
Kampes et al. Velocity field retrieval from long term coherent points in radar interferometric stacks
CN112835041A (zh) 结合UKF和AMPM的多基线InSAR高程重建方法
CN112946647A (zh) 大气误差改正InSAR干涉图堆叠地质灾害普查方法和装置
CN115540908A (zh) 基于小波变换的InSAR干涉条纹匹配方法
CN115494500A (zh) 基于遥感干涉测量的采空区快速探测方法、系统及应用
CN110440935B (zh) 一种基于扩展信息滤波的相位展开方法
Ferretti et al. Monitoring terrain deformations using multi-temporal SAR images
Saba et al. Application of sub-pixel-based technique “orthorectification of optically sensed images and its correlation” for co-seismic landslide detection and its accuracy modification through the integration of various masks
CN116338690B (zh) 一种无模型约束的时序InSAR地形残差与地表形变估计方法

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