CN113848550A - 地基雷达自适应阈值永久散射体识别方法、装置及存储介质 - Google Patents

地基雷达自适应阈值永久散射体识别方法、装置及存储介质 Download PDF

Info

Publication number
CN113848550A
CN113848550A CN202111122989.XA CN202111122989A CN113848550A CN 113848550 A CN113848550 A CN 113848550A CN 202111122989 A CN202111122989 A CN 202111122989A CN 113848550 A CN113848550 A CN 113848550A
Authority
CN
China
Prior art keywords
scatterer
permanent scatterer
permanent
coherence
class
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.)
Pending
Application number
CN202111122989.XA
Other languages
English (en)
Inventor
黄平平
冯怀超
乞耀龙
谭维贤
徐伟
韩阔业
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.)
Inner Mongolia University of Technology
Original Assignee
Inner Mongolia University of 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 Inner Mongolia University of Technology filed Critical Inner Mongolia University of Technology
Priority to CN202111122989.XA priority Critical patent/CN113848550A/zh
Publication of CN113848550A publication Critical patent/CN113848550A/zh
Pending legal-status Critical Current

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

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)

Abstract

本公开涉及地基雷达自适应阈值永久散射体识别方法、装置及存储介质，对获取的时序SAR图像进行分组操作；利用幅度阈值法得到每组SAR图像的候选永久散射体点集合；基于候选永久散射体点集合中各个像素的相干系数生成相干系数序列，以通过聚类算法得到高相干永久散射体类；基于高相干永久散射体类中各个像素的振幅离差信息和相位稳定性信息，分别通过聚类算法得到对应的低振幅离差永久散射体类和高相位稳定性永久散射体类；基于低振幅离差永久散射体类和高相位稳定性永久散射体类识别出目标永久散射体点。通过本公开的各实施例，能够对PS点数量的稳定性大幅提高，实现了地基雷达自适应阈值PS点选择，为高精度形变反演奠定了良好的基础。

Description

地基雷达自适应阈值永久散射体识别方法、装置及存储介质
技术领域
本公开涉及雷达干涉测量数据处理技术领域，具体涉及一种地基雷达自适应阈值永久散射体识别方法、地基雷达自适应阈值永久散射体识别装置及计算机可读存储介质。
背景技术
现有技术中永久散射体(Permanent Scatterers,PS)点选取方法往往需要设定固定的阈值来实现，这样容易造成PS点的错选和漏选。由于地基干涉合成孔径雷达(Ground-based Interferometric Synthetic Aperture Radar,GB-InSAR)在长时间观测过程中环境比较复杂，监测结果受到一定的影响，导致PS点会出现消失或者新生的现象。如果仅仅依靠固定阈值来进行PS点的选取，不能达到应对不同场景情况下的自适应性，可能会造成PS点不能及时的得到更新，导致在长时间观测过程中筛选出的PS点存在数量和质量的差异，这样会引入较大的形变反演误差，从而影响最终的形变反演结果。
发明内容
本公开意图提供一种地基雷达自适应阈值永久散射体识别方法、地基雷达自适应阈值永久散射体识别装置及计算机可读存储介质，能够对PS点数量的稳定性也有大幅提高，实现了地基雷达自适应阈值PS点选择，为高精度形变反演奠定了良好的基础。
根据本公开的方案之一，提供一种地基雷达自适应阈值永久散射体识别方法，包括：
对获取的时序SAR图像进行分组操作；
利用幅度阈值法得到每组SAR图像的候选永久散射体点集合；
基于候选永久散射体点集合中各个像素的相干系数生成相干系数序列，以通过聚类算法得到高相干永久散射体类；
基于高相干永久散射体类中各个像素的振幅离差信息和相位稳定性信息，分别通过聚类算法得到对应的低振幅离差永久散射体类和高相位稳定性永久散射体类；
基于低振幅离差永久散射体类和高相位稳定性永久散射体类识别出目标永久散射体点。
在一些实施例中，其中，所述对获取的时序SAR图像进行分组操作，包括：
响应于第N幅SAR图像生成，形成一组SAR图像进行永久散射体点选择处理；
响应于每新生成一幅SAR图像，与之前N-1幅SAR图像结合形成新的分组进行永久散射体点选择处理；
其中：N为大于20的整数。
在一些实施例中，其中，所述利用幅度阈值法得到每组SAR图像的候选永久散射体点集合，包括：
对比一组N幅SAR图像中提取的各个像素点的幅度时间序列最小值，将幅度时间序列最小值大于幅度阈值的像素点作为候选永久散射体点。
在一些实施例中，其中，所述基于候选永久散射体点集合中各个像素的相干系数生成相干系数序列，以通过聚类算法得到高相干永久散射体类，包括：
根据组内每相邻两幅已配准的SAR图像候选永久散射体点集合中各个像素的相干系数生成相干系数序列；
将相干系数序列作为聚类算法的输入，从候选永久散射体点中聚类出高相干永久散射体类。
在一些实施例中，其中，得到低振幅离差永久散射体类的方式，包括：
利用组内时序SAR图像中每个像素振幅的标准差与均值的比值得到高相干永久散射体类中各个像素的振幅离差信息；
将高相干永久散射体类中各个像素的振幅离差信息作为聚类算法的输入，从高相干永久散射体类中聚类出低振幅离差永久散射体类。
在一些实施例中，其中，得到高相位稳定性永久散射体类的方式，包括：
对于一组N幅时序SAR图像，每相邻两景通过干涉处理生成N-1幅干涉相位图，计算每个像素的时间相关性的相关值得到高相干永久散射体类中各个像素的相位稳定性信息；
将高相干永久散射体类中各个像素的相位稳定性信息作为聚类算法的输入，从高相干永久散射体类中聚类出高相位稳定性永久散射体类。
在一些实施例中，其中，所述基于低振幅离差永久散射体类和高相位稳定性永久散射体类识别出目标永久散射体点，包括：
将低振幅离差永久散射体类集合与高相位稳定性永久散射体类集合取交集，以交集中的永久散射体点作为识别出的目标永久散射体点。
在一些实施例中，其中，执行聚类算法的步骤采用高斯混合模型聚类算法。
根据本公开的方案之一，提供一种地基雷达自适应阈值永久散射体识别装置，
处理模块，其配置为对获取的时序SAR图像进行分组操作，利用幅度阈值法得到每组SAR图像的候选永久散射体点集合；
聚类模块，其配置为基于候选永久散射体点集合中各个像素的相干系数生成相干系数序列，以通过聚类算法得到高相干永久散射体类；基于高相干永久散射体类中各个像素的振幅离差信息和相位稳定性信息，分别通过聚类算法得到对应的低振幅离差永久散射体类和高相位稳定性永久散射体类；
识别模块，其配置为基于低振幅离差永久散射体类和高相位稳定性永久散射体类识别出目标永久散射体点。
根据本公开的方案之一，提供计算机可读存储介质，其上存储有计算机可执行指令，所述计算机可执行指令由处理器执行时，实现：
根据上述的地基雷达自适应阈值永久散射体识别方法。
本公开的各种实施例的地基雷达自适应阈值永久散射体识别方法、地基雷达自适应阈值永久散射体识别装置及计算机可读存储介质，对获取的时序SAR图像进行分组操作；利用幅度阈值法得到每组SAR图像的候选永久散射体点集合；基于候选永久散射体点集合中各个像素的相干系数生成相干系数序列，以通过聚类算法得到高相干永久散射体类；基于高相干永久散射体类中各个像素的振幅离差信息和相位稳定性信息，分别通过聚类算法得到对应的低振幅离差永久散射体类和高相位稳定性永久散射体类；基于低振幅离差永久散射体类和高相位稳定性永久散射体类识别出目标永久散射体点。通过对获取的时序SAR图像进行分组，对每组SAR图像的PS点进行不断地更新，这样保证了PS点选择算法的实时性；然后利用振幅阈值法对每组SAR图像中各个像素进行粗选，得到候选永久散射体点集合；之后计算出候选永久散射体点集合中各个像素的相干系数序列作为聚类算法的输入，将候选永久散射体点集合划分为两类，分为高相干永久散射体类和低相干永久散射体类类，分别计算出高相干永久散射体类中各个像素的振幅离差信息和相位稳定性信息作为第二次和第三次聚类算法的输入，分别又将高相干永久散射体类各自分成两类，取低振幅离差永久散射体类集合和高相位稳定性永久散射体类集合的交集得到的高质量像素点作为目标永久散射体点。
应当理解，前面的大体描述以及后续的详细描述只是示例性的和说明性的，并非对所要求保护的本公开的限制。
附图说明
在未必按照比例绘制的附图中，不同视图中相似的附图标记可以表示相似的构件。具有字母后缀的相似附图标记或具有不同字母后缀的相似附图标记可以表示相似构件的不同实例。附图通常作为示例而非限制地图示各种实施例，并且与说明书和权利要求书一起用于解释所公开的实施例。
图1示出本公开的地基雷达自适应阈值永久散射体识别方法的一种实施例的流程图；
图2示出本公开的实施例的SAR图像分组的示意图；
图3示出了本公开的实施例的高斯混合模型聚类算法流程图。
具体实施方式
为了使得本公开实施例的目的、技术方案和优点更加清楚，下面将结合本公开实施例的附图，对本公开实施例的技术方案进行清楚、完整地描述。显然，所描述的实施例是本公开的一部分实施例，而不是全部的实施例。基于所描述的本公开的实施例，本领域普通技术人员在无需创造性劳动的前提下所获得的所有其他实施例，都属于本公开保护的范围。
除非另外定义，本公开使用的技术术语或者科学术语应当为本公开所属领域内具有一般技能的人士所理解的通常意义。“包括”或者“包含”等类似的词语意指出现该词前面的元件或者物件涵盖出现在该词后面列举的元件或者物件及其等同，而不排除其他元件或者物件。
为了保持本公开实施例的以下说明清楚且简明，本公开省略了已知功能和已知部件的详细说明。
地基干涉合成孔径雷达(Ground-based Interferometric Synthetic ApertureRadar,GB-InSAR)作为一种新型的地面形变监测工具，是星载合成孔径雷达在地面的一种衍生。GB-InSAR凭借着全天时、全天候、非接触式和高精度数据获取等优势，在地面形变监测方面得到了广泛的应用。由于星载SAR系统的时间分辨率和空间分辨率难以达到监测要求，但GB-InSAR对小范围观测区域的形变监测具有较高的时空分辨率和精度，所以在对一些观测范围小、形变速度快的区域进行监测时，GB-InSAR具有独特的优势。
永久散射体(Permanent Scatterers,PS)干涉测量技术是GB-InSAR进行地面形变监测获取高精度形变信息的重要手段。PS干涉测量技术以长时间序列的多幅SAR图像为输入，先选出在监测时间范围内能保持高相关性的散射点，并将这些散射点定义为PS点。目前最经典的两种PS点选择方法是意大利学者Ferretti等人提出的振幅离差法和意大利学者Berardino等人提出的相关系数法。通过对PS点处的相位信息数据的处理，获取观测场景在监测时间范围内的形变信息，可以看出永久散射体提取的准确度最终会影响到形变信息提取的精度。所以如何提取出具有强稳定性、强反射性、高相关性的PS点成为GB-InSAR获取高精度形变信息的关键问题。
结合前文背景技术部分内容记载，本公开以实施例方式示例性记载了相应解决方案以解决现有技术中存在的缺陷，但不作为对本公开所要求专利权保护范围的限定。
作为方案之一，本公开的实施例提供了一种地基雷达自适应阈值永久散射体识别方法，包括：
对获取的时序SAR图像进行分组操作；
利用幅度阈值法得到每组SAR图像的候选永久散射体点集合；
基于候选永久散射体点集合中各个像素的相干系数生成相干系数序列，以通过聚类算法得到高相干永久散射体类；
基于高相干永久散射体类中各个像素的振幅离差信息和相位稳定性信息，分别通过聚类算法得到对应的低振幅离差永久散射体类和高相位稳定性永久散射体类；
基于低振幅离差永久散射体类和高相位稳定性永久散射体类识别出目标永久散射体点。
针对前文所提出的问题，本公开各实施例旨在提出了一种地基雷达自适应阈值永久散射体识别方法。该方法首先对获取的时序SAR图像进行分组，对每组SAR图像的PS点进行不断地更新，这样保证了PS点选择算法的实时性；然后利用振幅阈值法对每组SAR图像中各个像素进行粗选，得到候选永久散射体点集合；之后计算出候选永久散射体点集合中各个像素的相干系数序列作为聚类算法的输入，将候选永久散射体点集合划分为两类，分为高相干永久散射体类和低相干永久散射体类，分别计算出高相干永久散射体类中各个像素的振幅离差信息和相位稳定性信息作为第二次和第三次聚类算法的输入，分别又将高相干永久散射体类各自分成两类，得到低振幅离差永久散射体类集合U1和高相位稳定性永久散射体类集合U2，最后取集合U1和U2的交集得到的高质量像素点作为目标永久散射体点。在本公开各实施例中，执行聚类算法的步骤采用高斯混合模型(GMM)聚类算法，模型的相关定义以及配置方式，下文中将以示例说明。
如图1所示，具体实现步骤可以包括但不限于步骤S1至步骤S6为例说明。
在一些实施例中，本公开可以实现为：所述对获取的时序SAR图像进行分组操作，包括：
响应于第N幅SAR图像生成，形成一组SAR图像进行永久散射体点选择处理；
响应于每新生成一幅SAR图像，与之前N-1幅SAR图像结合形成新的分组进行永久散射体点选择处理；
其中：N为大于20的整数。
具体实施可以包括：
步骤S1：对获取的时序SAR图像进行分组操作，SAR图像分组的示意图如图2所示。具体步骤如下：
步骤S11：从开始监测的第一幅图像开始，到第N幅图像生成时，利用从第一幅到第N幅的N幅SAR图像形成第一组SAR图像，进行第一次永久散射体点选择处理。
步骤S12：再此之后，每新生成一幅新的SAR图像，就会与前面的N-1幅SAR图像相结合形成新的分组进行永久散射体点选择处理。
在一些实施例中，本公开可以实现为：所述利用幅度阈值法得到每组SAR图像的候选永久散射体点集合，包括：
对比一组N幅SAR图像中提取的各个像素点的幅度时间序列最小值，将幅度时间序列最小值大于幅度阈值的像素点作为候选永久散射体点。
具体实施可以包括：
步骤S2：利用幅度阈值法对组内SAR图像的像素点进行永久散射体点粗选，得到候选永久散射体点集合，具体步骤如下：
步骤S21：对于一组具有N幅的SAR图像，首先通过幅度阈值法进行PS点粗选，幅度的阈值定义：
Figure BDA0003277884440000081
式中：m,n分别为单幅图像中的总行数和总列数，
Figure BDA0003277884440000082
为第k幅图像中像素点(i,j)辐射校正后的幅度值，T为幅度阈值，即选取该组各图像幅度均值的最大值作为幅度阈值。
步骤S22：对比该组N幅SAR图像中提取的各个像素点的幅度时间序列最小值Amin。如果Amin>T，则认为该像素点为候选永久散射体点；如果Amin<T，则认为该像素点为非候选永久散射体点。共得到N1个符合条件的点。
在一些实施例中，本公开可以实现为：所述基于候选永久散射体点集合中各个像素的相干系数生成相干系数序列，以通过聚类算法得到高相干永久散射体类，包括：
根据组内每相邻两幅已配准的SAR图像候选永久散射体点集合中各个像素的相干系数生成相干系数序列；
将相干系数序列作为聚类算法的输入，从候选永久散射体点中聚类出高相干永久散射体类。
具体实施可以包括：
步骤S3：计算组内每相邻两幅已配准的SAR图像候选永久散射体点集中各个像素的相干系数生成相干系数序列，并将其作为高斯混合模型(GMM)聚类算法的输入，把候选永久散射体点集划分为两类，分为高相干永久散射体类和低相干永久散射体类。具体步骤如下：
步骤S31：取组内每相邻两景已配准的SAR图像，先以某一个像素为中心建立一个矩形窗口，相关系数计算公式如下：
Figure BDA0003277884440000091
式中：i,j为像素的位置，M(i,j)和S(i,j)分别为相邻两景主辅图像信息(复数)块，m,n为所取矩形滑动窗口的大小，*为复数的共轭。对于组内SAR图像候选永久散射体点集有N1个像素点集合，对于N幅SAR图像来说，选取相邻的两幅SAR图像作为主辅图像，可以获得N-1维的相干系数序列，得到各个像素的相干系数序列为γl＝{γl1,γl2,…,γlN-1}(其中l＝1,2,3,…,N1)。
步骤S32：将步骤S31中得到的候选永久散射体点集中各个像素的相干系数序列作为GMM聚类算法的输入，把步骤S22中的候选永久散射体点集分为两类，其流程图如图3所示，具体步骤如下：
步骤S321：使用GMM聚类算法将样本空间分为两类，以步骤S31中N-1维相干系数序列γl＝{γl1,γl2,…,γlN-1}(其中l＝1,2,3,…,N1)作为输入，其高斯混合模型定义：
Figure BDA0003277884440000092
式中：μi为第i个高斯模型的N-1维均值向量，Σi为第i个高斯模型的N-1×N-1协方差矩阵，即μi和Σi是第i个高斯混合成分的参数。αi为第i个高斯模型的权重，满足αi>0且
Figure BDA0003277884440000093
P(γ|μi,Σi)满足高斯分布定义：
Figure BDA0003277884440000101
步骤S322：初始化高斯混合模型中的各个参数{αi,μi,Σi|i＝1,2}。
步骤S323：令随机变量zj∈{1,2}表示生成样本γl＝{γl1,γl2,…,γlN-1}(其中l＝1,2,3,…,N1)的高斯混合成分，样本γj由第i个高斯混合成分生成的后验概率Pγ(zj＝i|γj),并将其记为κji,即
Figure BDA0003277884440000102
根据高斯混合模型中的各个参数和公式(5)，以步骤S31中得到的候选PS点中各个像素的相干系数序列γl＝{γl1,γl2,…,γlN-1}(其中l＝1,2,3,…,N1)作为GMM聚类的输入，GMM聚类将把样本集γk划分为2个簇C＝{C1,C2}，每个样本γj的簇标记λj如下确定：
Figure BDA0003277884440000103
步骤S324：采用极大似然估计法，计算后验概率Pγ(γj)最大对数似然函数：
Figure BDA0003277884440000104
利用L(γ)更新高斯混合模型中的各个参数{αi_new,μi_new,Σi_new|i_new＝1,2}，常采用最大期望(EM)迭代算法进行迭代优化来不断地更新参数{αi,μi,Σi}，将L(γ)对每一个参数的偏导数应该为0，计算出每次更新迭代的参数如下：
Figure BDA0003277884440000111
Figure BDA0003277884440000112
Figure BDA0003277884440000113
步骤S325：依次循环进行步骤S323和步骤S324，直到似然函数收敛，达到循环终止条件。对迭代结束后的均值向量μ1_new和μ2_new分别进行取均值处理，得到向量均值μ1_mean和μ2_mean。对比两个向量均值，将具有较大的向量均值的簇作为高相干永久散射体类，其得到符合条件的个数为N2个；舍弃具有较小的向量均值的簇作为低相干永久散射体类。
在一些实施例中，本公开可以实现为：得到低振幅离差永久散射体类的方式，包括：
利用时序SAR图像中每个像素振幅的标准差与均值的比值得到高相干永久散射体类中各个像素的振幅离差信息；
将高相干永久散射体类中各个像素的振幅离差信息作为聚类算法的输入，从高相干永久散射体类中聚类出低振幅离差永久散射体类。
具体实施可以包括：
步骤S4：高相干永久散射体类中各个像素的振幅离差信息作为GMM聚类算法的输入，将高相干永久散射体类集合划分为两类，分为低振幅离差永久散射体类和高振幅离差永久散射体类。具体步骤如下：
步骤S41：振幅离差信息是利用时序SAR图像中每个像素振幅的标准差与均值的比值来计算，计算公式如下：
Figure BDA0003277884440000121
式中，δA为时序SAR图像中像素振幅的标准差，mA为时序SAR图像中像素振幅的均值，DA为振幅离差信息。计算得到高相干永久散射体类集合中各个像素的振幅离差信息为DA＝{DA_1,DA_2,…,DA_N2}。
步骤S42：将步骤S41中得到的高相干永久散射体类集合中各个像素的振幅离差信息作为GMM聚类算法的输入，把步骤S325中的高相干永久散射体类集合分为两类，按照步骤S322-S324进行相似的操作，其区别是GMM聚类的输入信息不同，把步骤S41得到的振幅离差信息DA＝{DA_1,DA_2,…,DA_N2}作为GMM聚类的输入。
步骤S43：循环执行步骤S323和步骤S324直到似然函数收敛，达到循环终止条件。
步骤S44：对比迭代结束后的两个均值μ1_new和μ2_new，将具有较小的均值的簇作为低振幅离差永久散射体类，得到集合U1，其得到符合条件的个数为N3个；舍弃具有较大的均值的簇作为高振幅离差永久散射体类。
在一些实施例中，本公开可以实现为：得到高相位稳定性永久散射体类的方式，包括：
对于一组N幅时序SAR图像，每相邻两景通过干涉处理生成N-1幅干涉相位图，得到高相干永久散射体类中各个像素的相位稳定性信息；
将高相干永久散射体类中各个像素的相位稳定性信息作为聚类算法的输入，从高相干永久散射体类中聚类出高相位稳定性永久散射体类。
具体实施可以包括：
步骤S5：高相干永久散射体类中各个像素的相位稳定性信息作为GMM聚类算法的输入，将高相干永久散射体类集合划分为两类，分为高相位稳定性永久散射体类和低相位稳定性永久散射体类。具体步骤如下：
步骤S51：对于一组N幅时序SAR图像，每相邻两景做干涉处理，生成N-1幅干涉相位图。其相位稳定性计算公式：
Figure BDA0003277884440000131
式中：Psta为像素的时间相关性(相位稳定性信息)，
Figure BDA0003277884440000132
为某像素第i个干涉相位值。计算得到高相干永久散射体类集合中各个像素的相位稳定性信息序列为Psta＝{Psta_1,Psta_2,…,Psta_N2}。
步骤S52:将步骤S51中得到的高相干永久散射体类集合中各个像素的相位稳定性信息序列作为GMM聚类算法的输入，把步骤S325中的高相干永久散射体类集合分为两类，按照步骤S322-S324进行相同的操作，其区别是GMM聚类的输入信息不同，把步骤S51得到的相位稳定性信息序列Psta＝{Psta_1,Psta_2,…,Psta_N2}作为GMM聚类的输入。
步骤S53：循环执行步骤S323和步骤S324直到似然函数收敛，达到循环终止条件。
步骤S54：对比迭代结束后的两个均值μ1_new和μ2_new，将具有较大的均值的簇作为高相位稳定性永久散射体类，得到集合U2，其得到符合条件的个数为N4个；舍弃具有较小的均值的簇作为低相位稳定性永久散射体类。
在一些实施例中，本公开可以实现为：所述基于低振幅离差永久散射体类和高相位稳定性永久散射体类识别出目标永久散射体点，包括：
将低振幅离差永久散射体类集合与高相位稳定性永久散射体类集合取交集，以交集中的永久散射体点作为识别出的目标永久散射体点。
具体实施可以包括：
步骤S6：将步骤S44得到的低振幅离差永久散射体类集合U1和步骤S54得到的高相位稳定性永久散射体类集合U2取交集，即U1∩U2，取完交集后得到Nall个点，作为最终选出的目标永久散射体点。
作为方案之一，本公开的实施例提供了一种地基雷达自适应阈值永久散射体识别装置，
处理模块，其配置为对获取的时序SAR图像进行分组操作，利用幅度阈值法得到每组SAR图像的候选永久散射体点集合；
聚类模块，其配置为基于候选永久散射体点集合中各个像素的相干系数生成相干系数序列，以通过聚类算法得到高相干永久散射体类；基于高相干永久散射体类中各个像素的振幅离差信息和相位稳定性信息，分别通过聚类算法得到对应的低振幅离差永久散射体类和高相位稳定性永久散射体类；
识别模块，其配置为基于低振幅离差永久散射体类和高相位稳定性永久散射体类识别出目标永久散射体点。
作为一种实施方式，本公开的装置的处理模块，可以结合前文步骤S1至步骤S2的描述，进一步配置为：
响应于第N幅SAR图像生成，形成一组SAR图像进行永久散射体点选择处理；
响应于每新生成一幅SAR图像，与之前N-1幅SAR图像结合形成新的分组进行永久散射体点选择处理；
其中：N为大于20的整数；
对比一组N幅SAR图像中提取的各个像素点的幅度时间序列最小值，将幅度时间序列最小值大于幅度阈值的像素点作为候选永久散射体点。
作为一种实施方式，本公开的装置的聚类模块，可以结合前文步骤S3至步骤S5的描述，进一步配置为：
根据组内每相邻两幅已配准的SAR图像候选永久散射体点集合各个像素的相干系数生成相干系数序列；
将相干系数序列作为聚类算法的输入，从候选永久散射体点中聚类出高相干永久散射体类；
利用时序SAR图像中每个像素振幅的标准差与均值的比值得到高相干永久散射体类中各个像素的振幅离差信息；
将高相干永久散射体类中各个像素的振幅离差信息作为聚类算法的输入，从高相干永久散射体类中聚类出低振幅离差永久散射体类；
对于一组N幅时序SAR图像，每相邻两景通过干涉处理生成N-1幅干涉相位图，计算每个像素的时间相关性的相关值得到高相干永久散射体类中各个像素的相位稳定性信息；
将高相干永久散射体类中各个像素的相位稳定性信息作为聚类算法的输入，从高相干永久散射体类中聚类出高相位稳定性永久散射体类。
作为一种实施方式，本公开的装置的识别模块，可以结合前文步骤S6的描述，进一步配置为：
将低振幅离差永久散射体类集合与高相位稳定性永久散射体类集合取交集，以交集中的永久散射体点作为识别出的目标永久散射体点。
具体来说，本公开的发明构思之一，旨在能够对获取的时序SAR图像进行分组操作；利用幅度阈值法得到每组SAR图像的候选永久散射体点集合；基于候选永久散射体点集合中各个像素的相干系数生成相干系数序列，以通过聚类算法得到高相干永久散射体类；基于高相干永久散射体类中各个像素的振幅离差信息和相位稳定性信息，分别通过聚类算法得到对应的低振幅离差永久散射体类和高相位稳定性永久散射体类；基于低振幅离差永久散射体类和高相位稳定性永久散射体类识别出目标永久散射体点。对获取的时序SAR图像进行分组，对每组SAR图像的PS点进行不断地更新，这样保证了PS点选择算法的实时性。其次通过幅度信息对像素点进行的PS点的粗选，再采用GMM聚类算法实现对候选永久散射体点幅度和相位的综合考虑，整个永久散射体点选择过程无需设置任何的阈值参数，通过多级层层筛选最终选择出目标永久散射体点。在保证了各组图像的PS点数量足够多的同时，对PS点数量的稳定性也有大幅提高，实现了地基雷达自适应阈值PS点选择，为高精度形变反演奠定了良好的基础。
本公开还提供了一种计算机可读存储介质，其上存储有计算机可执行指令，所述计算机可执行指令由处理器执行时，主要实现根据上述的地基雷达自适应阈值永久散射体识别方法，包括：
对获取的时序SAR图像进行分组操作；
利用幅度阈值法得到每组SAR图像的候选永久散射体点集合；
基于候选永久散射体点集合中各个像素的相干系数生成相干系数序列，以通过聚类算法得到高相干永久散射体类；
基于高相干永久散射体类中各个像素的振幅离差信息和相位稳定性信息，分别通过聚类算法得到对应的低振幅离差永久散射体类和高相位稳定性永久散射体类；
基于低振幅离差永久散射体类和高相位稳定性永久散射体类识别出目标永久散射体点。
在一些实施例中，执行算机可执行指令处理器可以是包括一个以上通用处理设备的处理设备，诸如微处理器、中央处理单元(CPU)、图形处理单元(GPU)等。更具体地，该处理器可以是复杂指令集计算(CISC)微处理器、精简指令集计算(RISC)微处理器、超长指令字(VLIW)微处理器、运行其他指令集的处理器或运行指令集的组合的处理器。该处理器还可以是一个以上专用处理设备，诸如专用集成电路(ASIC)、现场可编程门阵列(FPGA)、数字信号处理器(DSP)、片上系统(SoC)等。
在一些实施例中，计算机可读存储介质可以为存储器，诸如只读存储器(ROM)、随机存取存储器(RAM)、相变随机存取存储器(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、电可擦除可编程只读存储器(EEPROM)、其他类型的随机存取存储器(RAM)、闪存盘或其他形式的闪存、缓存、寄存器、静态存储器、光盘只读存储器(CD-ROM)、数字通用光盘(DVD)或其他光学存储器、盒式磁带或其他磁存储设备，或被用于储存能够被计算机设备访问的信息或指令的任何其他可能的非暂时性的介质等。
在一些实施例中，计算机可执行指令可以实现为多个程序模块，多个程序模块共同实现根据本公开中任何一项所述的医学影像的信号处理方法。
本公开描述了各种操作或功能，其可以实现为软件代码或指令或者定义为软件代码或指令。显示单元可以实现为在存储器上存储的软件代码或指令模块，其由处理器执行时可以实现相应的步骤和方法。
这样的内容可以是可以直接执行(“对象”或“可执行”形式)的源代码或差分代码(“delta”或“patch”代码)。这里描述的实施例的软件实现可以通过其上存储有代码或指令的制品提供，或者通过操作通信接口以通过通信接口发送数据的方法提供。机器或计算机可读存储介质可以使机器执行所描述的功能或操作，并且包括以可由机器(例如，计算显示设备、电子系统等)访问的形式存储信息的任何机制，例如可记录/不可记录介质(例如，只读存储器(ROM)、随机存取存储器(RAM)、磁盘存储介质、光存储介质、闪存显示设备等)。通信接口包括与硬连线、无线、光学等介质中的任何一种接口以与其他显示设备通信的任何机制，例如存储器总线接口、处理器总线接口、因特网连接、磁盘控制器等。通信接口可以通过提供配置参数和/或发送信号来配置以准备通信接口，以提供描述软件内容的数据信号。可以通过向通信接口发送一个或多个命令或信号来访问通信接口。
本公开的实施例的计算机可执行指令可以组织成一个或多个计算机可执行组件或模块。可以用这类组件或模块的任何数量和组合来实现本公开的各方面。例如，本公开的各方面不限于附图中示出的和本文描述的特定的计算机可执行指令或特定组件或模块。其他实施例可以包括具有比本文所示出和描述的更多或更少功能的不同的计算机可执行指令或组件。
以上描述旨在是说明性的而不是限制性的。例如，上述示例(或其一个或更多方案)可以彼此组合使用。例如本领域普通技术人员在阅读上述描述时可以使用其它实施例。另外，在上述具体实施方式中，各种特征可以被分组在一起以简单化本公开。这不应解释为一种不要求保护的公开的特征对于任一权利要求是必要的意图。相反，本公开的主题可以少于特定的公开的实施例的全部特征。从而，以下权利要求书作为示例或实施例在此并入具体实施方式中，其中每个权利要求独立地作为单独的实施例，并且考虑这些实施例可以以各种组合或排列彼此组合。本公开的范围应参照所附权利要求以及这些权利要求赋权的等同形式的全部范围来确定。
以上实施例仅为本公开的示例性实施例，不用于限制本公开，本公开的保护范围由权利要求书限定。本领域技术人员可以在本公开的实质和保护范围内，对本公开做出各种修改或等同替换，这种修改或等同替换也应视为落在本公开的保护范围内。

Claims (10)

1.地基雷达自适应阈值永久散射体识别方法，包括：
对获取的时序SAR图像进行分组操作；
利用幅度阈值法得到每组SAR图像的候选永久散射体点集合；
基于候选永久散射体点集合中各个像素的相干系数生成相干系数序列，以通过聚类算法得到高相干永久散射体类；
基于高相干永久散射体类中各个像素的振幅离差信息和相位稳定性信息，分别通过聚类算法得到对应的低振幅离差永久散射体类和高相位稳定性永久散射体类；
基于低振幅离差永久散射体类和高相位稳定性永久散射体类识别出目标永久散射体点。
2.根据权利要求1所述的方法，其中，所述对获取的时序SAR图像进行分组操作，包括：
响应于第N幅SAR图像生成，形成一组SAR图像进行永久散射体点选择处理；
响应于每新生成一幅SAR图像，与之前N-1幅SAR图像结合形成新的分组进行永久散射体点选择处理；
其中：N为大于20的整数。
3.根据权利要求2所述的方法，其中，所述利用幅度阈值法得到每组SAR图像的候选永久散射体点集合，包括：
对比一组N幅SAR图像中提取的各个像素点的幅度时间序列最小值，将幅度时间序列最小值大于幅度阈值的像素点作为候选永久散射体点。
4.根据权利要求3所述的方法，其中，所述基于候选永久散射体点集合中各个像素的相干系数生成相干系数序列，以通过聚类算法得到高相干永久散射体类，包括：
根据组内每相邻两幅已配准的SAR图像候选永久散射体点集合中各个像素的相干系数生成相干系数序列；
将相干系数序列作为聚类算法的输入，从候选永久散射体点中聚类出高相干永久散射体类。
5.根据权利要求4所述的方法，其中，得到低振幅离差永久散射体类的方式，包括：
利用组内时序SAR图像中每个像素振幅的标准差与均值的比值得到高相干永久散射体类中各个像素的振幅离差信息；
将高相干永久散射体类中各个像素的振幅离差信息作为聚类算法的输入，从高相干永久散射体类中聚类出低振幅离差永久散射体类。
6.根据权利要求5所述的方法，其中，得到高相位稳定性永久散射体类的方式，包括：
对于一组N幅时序SAR图像，每相邻两景通过干涉处理生成N-1幅干涉相位图，计算每个像素的时间相关性的相关值得到高相干永久散射体类中各个像素的相位稳定性信息；
将高相干永久散射体类中各个像素的相位稳定性信息作为聚类算法的输入，从高相干永久散射体类中聚类出高相位稳定性永久散射体类。
7.根据权利要求6所述的方法，其中，所述基于低振幅离差永久散射体类和高相位稳定性永久散射体类识别出目标永久散射体点，包括：
将低振幅离差永久散射体类集合与高相位稳定性永久散射体类集合取交集，以交集中的永久散射体点作为识别出的目标永久散射体点。
8.根据权利要求1至7中任一项所述的方法，其中，执行聚类算法的步骤采用高斯混合模型聚类算法。
9.地基雷达自适应阈值永久散射体识别装置，包括：
处理模块，其配置为对获取的时序SAR图像进行分组操作，利用幅度阈值法得到每组SAR图像的候选永久散射体点集合；
聚类模块，其配置为基于候选永久散射体点集合中各个像素的相干系数生成相干系数序列，以通过聚类算法得到高相干永久散射体类；基于高相干永久散射体类中各个像素的振幅离差信息和相位稳定性信息，分别通过聚类算法得到对应的低振幅离差永久散射体类和高相位稳定性永久散射体类；
识别模块，其配置为基于低振幅离差永久散射体类和高相位稳定性永久散射体类识别出目标永久散射体点。
10.一种计算机可读存储介质，其上存储有计算机可执行指令，所述计算机可执行指令由处理器执行时，实现：
根据权利要求1至8所述的地基雷达自适应阈值永久散射体识别方法。
CN202111122989.XA 2021-09-24 2021-09-24 地基雷达自适应阈值永久散射体识别方法、装置及存储介质 Pending CN113848550A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111122989.XA CN113848550A (zh) 2021-09-24 2021-09-24 地基雷达自适应阈值永久散射体识别方法、装置及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111122989.XA CN113848550A (zh) 2021-09-24 2021-09-24 地基雷达自适应阈值永久散射体识别方法、装置及存储介质

Publications (1)

Publication Number Publication Date
CN113848550A true CN113848550A (zh) 2021-12-28

Family

ID=78979282

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111122989.XA Pending CN113848550A (zh) 2021-09-24 2021-09-24 地基雷达自适应阈值永久散射体识别方法、装置及存储介质

Country Status (1)

Country Link
CN (1) CN113848550A (zh)

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114814843A (zh) * 2022-06-27 2022-07-29 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
CN115143877A (zh) * 2022-05-30 2022-10-04 中南大学 基于强散射幅度抑制和异常值识别的sar偏移量跟踪方法、装置、设备和介质
CN116482684A (zh) * 2023-06-21 2023-07-25 深圳市城市公共安全技术研究院有限公司 区域五维成像方法、装置、设备及存储介质
CN116559866A (zh) * 2023-07-11 2023-08-08 南京天辰礼达电子科技有限公司 一种地基合成孔径雷达大气补偿方法
CN117826148A (zh) * 2023-11-29 2024-04-05 北京市市政工程研究院 一种相干点识别的方法和系统
CN118566928A (zh) * 2024-07-09 2024-08-30 深圳大学 联合振幅与相干性的候选散射体选择方法、系统及终端
CN118566928B (zh) * 2024-07-09 2024-10-22 深圳大学 联合振幅与相干性的候选散射体选择方法、系统及终端

Cited By (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115143877A (zh) * 2022-05-30 2022-10-04 中南大学 基于强散射幅度抑制和异常值识别的sar偏移量跟踪方法、装置、设备和介质
CN114814843A (zh) * 2022-06-27 2022-07-29 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
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
CN116482684A (zh) * 2023-06-21 2023-07-25 深圳市城市公共安全技术研究院有限公司 区域五维成像方法、装置、设备及存储介质
CN116482684B (zh) * 2023-06-21 2023-08-22 深圳市城市公共安全技术研究院有限公司 区域五维成像方法、装置、设备及存储介质
CN116559866A (zh) * 2023-07-11 2023-08-08 南京天辰礼达电子科技有限公司 一种地基合成孔径雷达大气补偿方法
CN116559866B (zh) * 2023-07-11 2023-09-29 南京天辰礼达电子科技有限公司 一种地基合成孔径雷达大气补偿方法
CN117826148A (zh) * 2023-11-29 2024-04-05 北京市市政工程研究院 一种相干点识别的方法和系统
CN118566928A (zh) * 2024-07-09 2024-08-30 深圳大学 联合振幅与相干性的候选散射体选择方法、系统及终端
CN118566928B (zh) * 2024-07-09 2024-10-22 深圳大学 联合振幅与相干性的候选散射体选择方法、系统及终端

Similar Documents

Publication Publication Date Title
CN113848550A (zh) 地基雷达自适应阈值永久散射体识别方法、装置及存储介质
CN107424171B (zh) 一种基于分块的抗遮挡目标跟踪方法
CN108389188B (zh) 一种稀疏高光谱异常目标检测方法
CN107424177B (zh) 基于连续相关滤波器的定位修正长程跟踪方法
CN107194408B (zh) 一种混合块稀疏协作模型的目标跟踪方法
CN111008585B (zh) 基于自适应分层高分辨sar图像的舰船目标检测方法
CN108428220B (zh) 静止轨道卫星序列遥感影像海岛礁区域自动几何校正方法
Wang et al. A new likelihood function for consistent phase series estimation in distributed scatterer interferometry
CN109712149B (zh) 一种基于小波能量和模糊c均值的图像分割方法
CN109215025B (zh) 一种基于非凸秩逼近极小化的红外弱小目标检测方法
CN104463881B (zh) 一种基于光谱反射率邻域差异图和邻域概率融合的多光谱遥感影像变化检测方法
CN110706253B (zh) 基于表观特征和深度特征的目标跟踪方法、系统、装置
CN116433707B (zh) 复杂背景下线结构光中心亚像素精确提取方法及系统
Jeong et al. Improved multiple matching method for observing glacier motion with repeat image feature tracking
CN111160229A (zh) 基于ssd网络的视频目标检测方法及装置
CN113238227B (zh) 一种结合深度学习的改进最小二乘相位解缠方法及系统
CN115131373B (zh) 基于纹理特征和slic的sar图像分割方法
CN111079893B (zh) 用于干涉条纹图滤波的生成器网络的获取方法和装置
CN108665420A (zh) 基于变分贝叶斯模型的红外弱小目标图像背景抑制方法
CN109461127B (zh) 一种以解译为目的的sar图像稀疏正则化特征增强方法
CN110276782B (zh) 一种结合空谱特征和相关滤波的高光谱目标跟踪方法
CN117635842A (zh) 基于高斯过程回归的三维点云高密度重建方法及相关装置
CN108921884A (zh) 基于改进sift的光学与sar影像配准方法、设备及存储介质
CN104881670A (zh) 一种用于sar方位角估计的快速目标提取方法
CN103903258B (zh) 基于次序统计量谱聚类的遥感图像变化检测方法

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