CN113204023B - 联合ps目标与ds目标的双极化相位优化地表形变监测方法 - Google Patents
联合ps目标与ds目标的双极化相位优化地表形变监测方法 Download PDFInfo
- Publication number
- CN113204023B CN113204023B CN202110507977.2A CN202110507977A CN113204023B CN 113204023 B CN113204023 B CN 113204023B CN 202110507977 A CN202110507977 A CN 202110507977A CN 113204023 B CN113204023 B CN 113204023B
- Authority
- CN
- China
- Prior art keywords
- target
- polarization
- phase
- slc
- image
- 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
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
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01B—MEASURING LENGTH, THICKNESS OR SIMILAR LINEAR DIMENSIONS; MEASURING ANGLES; MEASURING AREAS; MEASURING IRREGULARITIES OF SURFACES OR CONTOURS
- G01B7/00—Measuring arrangements characterised by the use of electric or magnetic techniques
- G01B7/16—Measuring arrangements characterised by the use of electric or magnetic techniques for measuring the deformation in a solid, e.g. by resistance strain gauge
-
- 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
- G01S13/9004—SAR image acquisition techniques
- G01S13/9005—SAR image acquisition techniques with optical processing of the SAR signals
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
Abstract
本发明提供一种联合PS目标与DS目标的双极化相位优化地表形变监测方法,利用平均幅度阈值法分别选取VV、VH双极化数据的PS目标,将两种极化数据的PS目标合并。再利用Anderson‑Darling检验和平均幅度阈值法识别DS目标,对DS目标采用自适应均值滤波进行降噪处理。基于PS目标和DS目标生成时空间相干矩阵,采用相干矩阵特征值分解方法分离出第一主成分,即最大特征值,采用BGSM算法寻找最优散射机制使得第一主成分相位贡献达到最大,可以有效改善相干点目标密度和提高相位质量,最后联合PS目标与DS目标反演地表形变。
Description
技术领域
本发明涉及雷达遥感以及图像处理技术领域,尤其涉及一种联合PS目标与DS目标的双极化相位优化地表形变监测方法。
背景技术
合成孔径雷达干涉测量(InSAR)技术是20世纪60年代产生的一项空间对地观测技术,它能够不受光照和天气条件的限制实现全天候、全天时对地观测,还可以穿透地表和植被获取地表下信息。1998年,产生了极化合成孔径雷达干涉测量技术,该技术研究同一目标的不同极化方式,通过统计分析同一地区多幅SAR影像时间序列上幅度与相位信息稳定性,探测保持高相干性的点为PS点。通过这些稳定PS点目标,可以估计并消除大气效应相位的贡献,获得更加精确的三维信息和形变量。
然而,传统的PS点选取方法往往因为自身的局限性,导致选点数量与选点精度的不足。如何解决上述方法的不足,是本发明主要解决的问题。
发明内容
为了提高Sentinel-1A数据中相干点的数量和优化相干点目标(PS与DS目标)相位,本发明提出了一种极化干涉雷达领域中的DS目标识别以及极化相位优化方法,该方法利用VV、VH极化幅度信息选取PS与DS目标,并基于PS目标与DS目标的时空间相干矩阵,利用特征值分解极化优化技术,抑制相位中的噪声分量,提高相位质量。
BGSM算法是双极化中PS点目标与DS目标优化算法中的方法之一。通过在投影矢量双变量范围内以一定的步长取值,寻找最优变量优化目标函数。
为了实现上述目的,本发明提供了一种联合PS目标与DS目标的双极化相位优化地表形变监测方法,包括如下步骤:
S1、获取N景原始的VV极化、VH极化SLC影像,并对所述SLC影像进行裁剪、配准、多视预处理,得到多视后的SLC影像;
S2、基于所述多视后的SLC影像分别计算VV极化数据和VH极化数据的平均幅度值,并设置阈值选取PS目标,将VV极化数据和VH极化数据选取的PS目标的总和作为最终的PS目标;采用Anderson-Darling检验和平均幅度阈值法识别得到DS目标;
S3、利用投影矢量和Pauli矢量将VV极化、VH极化的复数像元组合成新的SLC影像,并对所述新的SLC影像中的DS目标进行自适应均值滤波处理,得到滤波后的DS目标;
S4、分别计算得到所述新的SLC影像中的PS目标集与DS目标集的时空间相干矩阵;
S5、通过特征值分解方法分解所述时空间相干矩阵,得到PS目标集的特征值和DS目标集的特征值;
S6、通过BGSM算法搜索最优投影矢量使得最大特征值占所有特征值总和的比重最大,得到优化后的干涉相位;
S7、根据所述优化后的干涉相位联合PS目标与DS目标反演地表形变,得到地表形变速率图。
本发明提供的技术方案带来的有益效果是:本发明利用平均幅度阈值法分别选取VV、VH双极化数据的PS目标,将两种极化数据的PS目标合并,利用Anderson-Darling检验和平均幅度阈值法识别DS目标,并对DS目标进行自适应均值滤波处理;分别针对PS目标与DS目标生成时空间相干矩阵,采用相干矩阵特征值分解方法分离出最大特征值,并采用BGSM算法寻找最优投影矢量使得第一主成分贡献率达到最大;最终相较于单极化数据能有效增加相干目标点数量,抑制干涉相位中的噪声成分,提高相干点目标相位质量。
附图说明
下面将结合附图及实施例对本发明作进一步说明,附图中:
图1是本发明实施例的可见光遥感影像;
图2是本发明实施例联合PS目标与DS目标的双极化相位优化地表形变监测方法的流程图;
图3是本发明实施例PS目标与DS目标相位优化与其他方法的结果对比;
其中,图3(a)为PS目标与DS目标时空间相干矩阵特征值分解极化相位优化结果;
图3(b)为ESM极化干涉相位;
图3(c)为VV极化干涉相位。
具体实施方式
为了对本发明的技术特征、目的和效果有更加清楚的理解,现对照附图详细说明本发明的具体实施方式。
参考图1,图1是本发明实施例的可见光遥感影像,本发明实施例采用覆盖青藏铁路部分路段的Sentinel-1AVV、VH双极化SAR数据来完成提出的相干点目标识别与相位优化算法,该数据集包含17景SAR影像,时间范围为2017年03月21日至2018年04月21日,重访周期为12天,距离向与方位向视数比为4:1,研究区大小为10001000像元。
参考图2,图2是本发明实施例联合PS目标与DS目标的双极化相位优化地表形变监测方法的流程图;
本发明实施例提供了一种联合PS目标与DS目标的双极化相位优化地表形变监测方法,包括如下步骤:
S1、获取N景原始的VV极化、VH极化SLC影像,并对所述SLC影像进行裁剪、配准、多视预处理,得到多视后的SLC影像。
本实施中采用的SLC数据为原始Burst条带,但是本发明不限于此,预处理的方法如下:
S11:在SAR影像范围内建立感兴趣区,将所有SLC原始影像裁剪至与感兴趣区同一范围,此时Burst条带的数据分辨率没有损失;
S12:选取VV、VH极化数据中时间较为居中的一幅影像为主影像,将其余从影像配准到主影像空间,配准精度为亚像元级,保证不同影像上同一地物对应的像元一一对应;
S13:根据配准结果进行8:1多视处理,使之大小与实际地物形状一致。
S2、基于所述多视后的SLC影像分别计算VV极化数据和VH极化数据的平均幅度值,并设置阈值选取PS目标,将VV极化数据和VH极化数据选取的PS目标的总和作为最终的PS目标;采用Anderson-Darling检验和平均幅度阈值法识别DS目标。
本实施例中,S2的具体步骤如下:
S21、对VV极化数据、VH极化数据分别计算平均幅度值,并根据阈值选取PS目标,最终的PS目标为两种极化数据得到PS目标的总和,计算公式如下:
S22、采用Anderson-Darling检验和平均幅度阈值法识别DS目标。
S3、利用投影矢量和Pauli矢量将VV极化、VH极化的复数像元组合成新的SLC影像,并对所述新的SLC影像中的DS目标进行自适应均值滤波处理,得到滤波后的DS目标。
本实施例中,S3的具体步骤如下:
S31、利用投影矢量和Pauli矢量将VV、VH两种的复数像元组合成新的SLC影像,组合方式如下:
k=[SVV 2SVH]T
s=ω+*k
其中,SVV、SVH分别表示VV、VH极化对应的复数像元,k为Pauli基矢量化结果,ω为由α、φ两个待优化变量表达的极化散射机制,α与目标的散射类型有关,φ与目标的散射方向有关,s为两种极化状态组合而成的新的SLC影像的像元值,+表示共轭转置;
S32、对新的SLC影像中的DS目标进行自适应均值滤波处理,计算公式如下:
其中,ψc为中心像元相位;Nn为估计窗口内像元数总和;A(i)为第i个像元的振幅;ψ(i)为第i个像元的相位。
S4、分别计算所述新的SLC影像中的PS目标集与DS目标集的时空间相干矩阵。
本实施例中,S4的具体步骤如下:
S41:对新的SLC影像中的PS目标集和DS目标集计算时空间协方差矩阵,计算公式如下:
其中,x=[x1,x2…,xN]T表示分布式目标的同质点在N景SLC影像上的复观测量;NSHPs为相干目标点总数量;Ω表示相干目标点集合;H表示复共轭转置;为时空间协方差矩阵,α与目标的散射类型有关,φ与目标的散射方向有关,E表示求期望;
S42:将时空间协方差矩阵进行归一化处理,得到时空间相干矩阵,计算公式如下:
S5、通过特征值分解方法分解PS目标集和DS目标集的时空间相干矩阵,得到PS目标集的特征值和DS目标集的特征值。
根据特征值分解方法,时空间相干矩阵分解为:
S6、通过BGSM算法搜索最优投影矢量使得最大特征值(第一主成分)占所有特征值总和的比重最大,进行干涉相位优化。
本实施例中,S6的具体步骤如下:
S61、取待优化变量α、φ初始值分别为0、-π;
S62、通过BGSM算法搜索全局最优投影矢量组(α,φ)使得最大特征值贡献率最大,计算公式如下:
S7、根据优化后的干涉相位反演形变,得到地表形变速率图。
本实施例中,S7的具体步骤如下:
S71、建立稀疏格网相位解缠,利用Delaunay不规则三角网建立PS候选点之间的连接关系,然后基于加权的最小二乘法进行相位解缠;
S72、APS(大气相位)的估计和去除,通过时间维和空间维的滤波分离非线性形变和大气相位;
S73、相干点目标(PS目标与DS目标)形变估计,在去除大气相位后,重新相位解缠,得到更加精确的形变量估计。
请参考图3,图3是本发明实施例PS目标与DS目标相位优化与其他方法的结果对比,图3(a)为PS目标与DS目标时空间相干矩阵特征值分解极化相位优化结果,图3(b)为ESM极化干涉相位,图3(c)为VV极化干涉相位;图3(a)中相干目标数量为276362,图3(b)中PS目标数量为168164,图3(c)中PS目标数量为30502,可见本发明相较于单极化数据选取的相干点目标数量明显增加。此外,就图3中的相位质量而言,本发明相较于单极化方法的干涉相位更加紧密和连续,有效抑制了噪声信号。
本发明提供了一种联合PS目标与DS目标的双极化相位优化地表形变监测方法,利用平均幅度阈值法分别选取VV、VH双极化数据的PS目标,将两种极化数据的PS目标合并,利用Anderson-Darling检验和平均幅度阈值法识别DS目标,并对DS目标进行自适应均值滤波处理;分别针对PS目标与DS目标生成时空间相干矩阵,采用相干矩阵特征值分解方法分离出最大特征值,并采用BGSM算法寻找最优投影矢量使得第一主成分贡献率达到最大。最终相较于单极化数据能有效增加相干点目标(PS目标与DS目标)数量,还能提高主导信号比重,从而抑制噪声成分,提高相干点目标相位质量。
上面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 (7)
1.一种联合PS目标与DS目标的双极化相位优化地表形变监测方法,其特征在于,包括如下步骤:
S1、获取N景原始的VV极化、VH极化SLC影像,并对所述SLC影像进行裁剪、配准、多视预处理,得到多视后的SLC影像;
S2、基于所述多视后的SLC影像分别计算VV极化数据和VH极化数据的平均幅度值,并设置阈值选取PS目标,将VV极化数据和VH极化数据选取的PS目标的总和作为最终的PS目标;采用Anderson-Darling检验和平均幅度阈值法识别得到DS目标;
S3、利用投影矢量和Pauli矢量将VV极化、VH极化的复数像元组合成新的SLC影像,组合方式如下:
k=[SVV 2SVH]T
s=ω+*k
其中,SVV、SVH分别表示VV、VH极化对应的复数像元,k为Pauli基矢量化结果,ω为由α、φ两个待优化变量表达的极化散射机制,α与目标的散射类型有关,φ与目标的散射方向有关,s为两种极化状态组合而成的新的SLC影像的像元值,+表示共轭转置;并对所述新的SLC影像中的DS目标进行自适应均值滤波处理,得到滤波后的DS目标;
S4、分别计算得到所述新的SLC影像中的PS目标集与DS目标集的时空间相干矩阵;
所述S4具体包括如下步骤:
S41:对新的SLC影像中的PS目标集和DS目标集计算时空间协方差矩阵,计算公式如下:
其中,x=[x1,x2…,xN]T表示分布式目标的同质点在N景SLC影像上的复观测量;NSHPs为相干目标点总数量;Ω表示相干目标点集合;H表示复共轭转置;为时空间协方差矩阵,α与目标的散射类型有关,φ与目标的散射方向有关,E表示求期望;
S42:将时空间协方差矩阵进行归一化处理,得到时空间相干矩阵,计算公式如下:
S5、通过特征值分解方法分解所述时空间相干矩阵,得到PS目标集的特征值和DS目标集的特征值;
S6、通过BGSM算法搜索最优投影矢量使得最大特征值占所有特征值总和的比重最大,得到优化后的干涉相位;
S7、根据所述优化后的干涉相位联合PS目标与DS目标反演地表形变,得到地表形变速率图。
2.根据权利要求1所述的联合PS目标与DS目标的双极化相位优化地表形变监测方法,其特征在于,所述S1具体包括以下步骤:
S11、获取N景原始的VV极化、VH极化SLC影像;
S12、在所述SLC影像范围内建立感兴趣区,将所有SLC原始影像裁剪至与感兴趣区同一范围;
S13、选取VV极化、VH极化的某一景SLC影像为主影像,将其余从影像配准到主影像空间;
S14、根据配准结果进行距离向和方位向视数比为8:1的多视处理,得到多视后的SLC影像。
7.根据权利要求1所述的联合PS目标与DS目标的双极化相位优化地表形变监测方法,其特征在于,所述S7具体步骤如下:
S71、基于PS目标与DS目标优化后的干涉相位建立稀疏格网相位解缠,得到地表;
S72、在相位中估计和去除APS;
S72、根据去除APS后的相位对PS目标和DS目标形变估计。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110507977.2A CN113204023B (zh) | 2021-05-10 | 2021-05-10 | 联合ps目标与ds目标的双极化相位优化地表形变监测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110507977.2A CN113204023B (zh) | 2021-05-10 | 2021-05-10 | 联合ps目标与ds目标的双极化相位优化地表形变监测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113204023A CN113204023A (zh) | 2021-08-03 |
CN113204023B true CN113204023B (zh) | 2022-09-23 |
Family
ID=77030622
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110507977.2A Active CN113204023B (zh) | 2021-05-10 | 2021-05-10 | 联合ps目标与ds目标的双极化相位优化地表形变监测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113204023B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113759330B (zh) * | 2021-08-22 | 2023-12-15 | 北京化工大学 | 一种sar交叉定标参考目标选择方法 |
CN116363057B (zh) * | 2023-01-16 | 2023-11-10 | 中国矿业大学 | 一种融合PCA和时序InSAR的地表形变提取方法 |
Family Cites Families (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101369019A (zh) * | 2008-10-10 | 2009-02-18 | 清华大学 | 基于极化数据融合的极化干涉合成孔径雷达三维成像方法 |
IT1394733B1 (it) * | 2009-07-08 | 2012-07-13 | Milano Politecnico | Procedimento per il filtraggio di interferogrammi generati da immagini sar acquisite sulla stessa area. |
ES2384922B1 (es) * | 2010-06-07 | 2013-06-11 | Universitat Politècnica De Catalunya | Procedimiento para la estimación de la topografía de la superficie de la tierra en áreas con cobertura vegetal. |
CN106023157B (zh) * | 2016-05-10 | 2018-08-07 | 电子科技大学 | 一种基于sar图像的山区地表微形变信息提取方法 |
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 |
CN107144842A (zh) * | 2017-06-27 | 2017-09-08 | 哈尔滨工业大学 | 一种改进的极化干涉sar植被高度联合反演方法 |
CN110109111B (zh) * | 2019-04-28 | 2023-02-10 | 西安电子科技大学 | 极化干涉sar稀疏植被高度反演方法 |
CN112014841A (zh) * | 2020-08-31 | 2020-12-01 | 中国矿业大学 | 一种基于DS-InSAR技术监测油田区地表形变分析方法 |
-
2021
- 2021-05-10 CN CN202110507977.2A patent/CN113204023B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN113204023A (zh) | 2021-08-03 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Chen et al. | PolInSAR complex coherence estimation based on covariance matrix similarity test | |
EP3229038B1 (en) | Wavelet domain insar interferometric phase filtering method in combination with local frequency estimation | |
CN113204023B (zh) | 联合ps目标与ds目标的双极化相位优化地表形变监测方法 | |
CN109102477A (zh) | 一种基于非凸低秩稀疏约束的高光谱遥感图像恢复方法 | |
CN104123705B (zh) | 一种超分辨率重建图像质量Contourlet域评价方法 | |
CN110763187B (zh) | 一种稳健的基于雷达分布式目标的地面沉降监测方法 | |
CN109752715B (zh) | 一种sar数据全散射体探测方法及装置 | |
CN111856459B (zh) | 一种改进的DEM最大似然约束多基线InSAR相位解缠方法 | |
CN113960595A (zh) | 一种地表形变监测方法及系统 | |
CN107742133A (zh) | 一种用于极化sar图像的分类方法 | |
CN114881081A (zh) | 一种基于自适应时空滤波融合的干涉相位优化方法 | |
Esmaeili et al. | Application of dual-polarimetry SAR images in multitemporal InSAR processing | |
CN115236655A (zh) | 基于全极化sar的滑坡识别方法、系统、设备及介质 | |
CN113327231A (zh) | 一种基于空谱联合的高光谱异常目标检测方法和系统 | |
CN113421198B (zh) | 一种基于子空间的非局部低秩张量分解的高光谱图像去噪方法 | |
CN107392861B (zh) | 一种基于高斯比例混合模型的稀疏表示sar图像降斑方法 | |
CN112784747B (zh) | 高光谱遥感图像多尺度本征分解方法 | |
Alberga et al. | Potential of coherent decompositions in SAR polarimetry and interferometry | |
CN112215832B (zh) | Sar尾迹图像质量评估及自适应探测参数调整方法 | |
CN113253271A (zh) | 一种形变速率估计方法和系统 | |
Yan et al. | A fast non-local means filtering method for interferometric phase based on wavelet packet transform | |
CN115825955A (zh) | 一种基于相干矩阵自适应分解的极化时序InSAR方法 | |
CN114545410B (zh) | 基于合成孔径雷达双极化数据相干性的作物倒伏监测方法 | |
CN113189586B (zh) | 一种基于ps目标时空间相干矩阵的极化相位优化方法 | |
CN114594475A (zh) | π/4简缩极化干涉合成孔径雷达分解方法 |
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 |