CN114280608B

CN114280608B - 一种DInSAR高程相关大气效应去除方法及系统

Info

Publication number: CN114280608B
Application number: CN202210213676.3A
Authority: CN
Inventors: 戴可人; 唐小川; 李振洪
Original assignee: Chengdu Univeristy of Technology
Current assignee: Chengdu Univeristy of Technology
Priority date: 2022-03-07
Filing date: 2022-03-07
Publication date: 2022-06-17
Anticipated expiration: 2042-03-07
Also published as: CN114280608A

Abstract

本发明公开了一种DInSAR高程相关大气效应去除方法及系统，涉及图像处理技术领域。该方法包括：收集覆盖目标区域的SAR数据与外部DEM数据；对所述SAR数据和所述外部DEM数据进行差分干涉、滤波以及相位解缠处理，计算所述SAR数据的解缠相位；基于差分干涉处理后得到的模拟DEM数据以及二维坐标，采用MLP神经网络模型模拟高程相关大气相位；将所述解缠相位减去模拟高程相关大气相位，完成大气效应去除。本发明在进行去除高程相关大气相位时，考虑了高程因素在空间上带来的影响，在不借住外部数据的情况下，提高了改正结果的精度。

Description

一种DInSAR高程相关大气效应去除方法及系统

技术领域

本发明涉及图像处理技术领域，特别是涉及一种DInSAR高程相关大气效应去除方法及系统。

背景技术

随着摄影测量技术的快速发展，合成孔径雷达干涉测量（InterferometricSynthetic Aperture Radar, InSAR）技术也在迅速发展，成为了一种高精度对地观测新技术。该技术具备大范围、高精度、全天时与全天候的形变监测能力。随着SAR影像的时间分辨率与空间分辨率的不断提升、多源多时相的SAR影像可供选择与InSAR时序算法的不断发展与进步，InSAR技术在DEM重建和地表形变监测中可以获取米级的高程精度和毫米级的形变精度。

虽然InSAR技术精度高，但各类误差的影响也不容忽视，其中最重要的误差之一是大气效应。它是由SAR信号在大气中传播时大气折光率的时空变化引起的，最大可导致数厘米的误差，这将掩盖微小的形变信号，影响InSAR的监测精度。在过去的二十年里，人们在大气方面做了许多努力，在减弱大气对InSAR测量的影响方面也取得了相当大的进展。现有的大气效应改正方法根据其特点可以归纳为：（1）相位累积平均法，即通过对多个相位进行求平均，来进行InSAR中的大气效应改正；（2）借助外部数据进行大气效应改正，如GPS数据和气象观测资料；（3）利用永久散射（Progress of Permanent Scatterer Interferometry，PS）技术，来去除InSAR中的大气相位；（4）利用MODIS和MERIS数据来改正大气效应。但是目前大气效应改正方法存在的主要问题有：（1）在进行大气相位改正时，需要就数据条件、研究区状况、精度要求等条件，来选择不同方法。（2）有时还需要借助外部数据，来辅助进行大气效应的改正。（3）需通过建立模型，来进行大气效应的改正。

发明内容

针对上述问题，本发明的目的是提供一种DInSAR高程相关大气效应去除方法及系统。

为实现上述目的，本发明提供了如下方案：

一种DInSAR高程相关大气效应去除方法，包括：

收集覆盖目标区域的SAR数据与外部DEM数据；

对所述SAR数据和所述外部DEM数据进行差分干涉、滤波以及相位解缠处理，计算所述SAR数据的解缠相位；

基于差分干涉处理后得到的模拟DEM数据以及二维坐标，采用MLP神经网络模型模拟高程相关大气相位；

将所述解缠相位减去模拟高程相关大气相位，完成大气效应去除。

可选地，在计算所述SAR数据的解缠相位之前，还包括对所述SAR数据和所述外部DEM数据进行预处理。

可选地，对所述SAR数据和所述外部DEM数据进行差分干涉、滤波以及相位解缠处理，具体包括：

对所述SAR数据和所述外部DEM数据进行差分干涉处理后，再利用Goldstein滤波和与Minimum Cost Flow解缠方法得到解缠相位。

可选地，所述MLP神经网络模型包括1个输入层、8个隐藏层和1个输出层。

本发明还提供了一种DInSAR高程相关大气效应去除系统，包括：

收集模块，用于收集覆盖目标区域的SAR数据与外部DEM数据；

解缠相位计算模块，用于对所述SAR数据和所述外部DEM数据进行差分干涉、滤波以及相位解缠处理，计算所述SAR数据的解缠相位；

高程相关大气相位模拟模块，用于基于差分干涉处理后得到的模拟DEM数据以及二维坐标，采用MLP神经网络模型模拟高程相关大气相位；

大气效应去除模块，用于将所述解缠相位减去模拟高程相关大气相位，完成大气效应去除。

可选地，还包括：预处理模块，用于对所述SAR数据和所述外部DEM数据进行预处理。

根据本发明提供的具体实施例，本发明公开了以下技术效果：

本发明使用MLP（Multi-Layer Perception，多层感知器）神经网络模型，借助于外部DEM数据，以高程数据和二维坐标为主要变量，模拟出DInSAR（DifferentialInterferometric Synthetic Aperture Radar）高程相关大气带来的相位空间分布，通过从干涉图中扣减模拟大气相位，从而去除InSAR中高程相关大气效应的影响。本发明在进行去除高程相关大气相位时，考虑了高程因素在空间上带来的影响，在不借住外部数据的情况下，提高了改正结果的精度。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例中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性的前提下，还可以根据这些附图获得其他的附图。

图1为本发明实施例DInSAR高程相关大气效应去除方法的流程图；

图2为本发明实施例除大气效应后的干涉对结果图；其中，（a）为20210503-20210515干涉对解缠相位，（b）为20210503-20210515大气相位，（c）为20210503-20210515改正后相位，（d）为20210517-20210523干涉对解缠相位，（e）为20210517-20210523大气相位，（f）为20210517-20210523改正后相位，（g）为20210517-20210604干涉对解缠相位，（h）为20210517-20210604大气相位位，（i）为20210517-20210604改正后干涉相位。

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做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

本发明借助于外部DEM数据，以高程数据和二维坐标为主要变量，模拟出DInSAR高程相关大气带来的相位空间分布，通过从干涉图中扣减模拟大气相位，去除InSAR中高程相关大气效应的影响。

为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。

如图1所示，本发明提供的DInSAR高程相关大气效应去除方法包括以下步骤：

步骤一：收集覆盖目标区域的SAR数据与外部参考DEM数据，进行数据预处理。

步骤二：对处理后的SAR数据和外部参考DEM数据进行差分干涉、滤波以及相位解缠处理，计算出SAR数据的解缠相位。

步骤三：基于差分干涉生成的模拟DEM和二维坐标，利用MLP（Multi-LayerPerception，多层感知器）神经网络模型模拟出高程相关大气相位。

步骤四：解缠相位值减去模拟的干涉对的大气相位值，完成大气效应去除。

进一步地，所述步骤一具体包括：

收集覆盖目标区域的SAR数据与外部参考DEM数据，将其分别进行预处理，得到配准后的影像和高程相位。其中：

影像配准：挑选出主影像，对主从影像进行亚像素级别的影像配准来保证干涉的顺利进行。SAR影像配准通常包括粗配准、精配准。

粗配准：基于影像成像参数和轨道参数得到主从影像的初始偏移量（包括距离向偏移量和方位向偏移量）。

精配准：对主从影像进行过采样，通过求取同名点来确定主从影像间映射关系拟合多项式，最终得到精确的每个像素偏移量。

进一步地，所述步骤二具体包括：

进行差分干涉处理后，再利用Goldstein滤波与Minimum Cost Flow（最小费用流）解缠方法得到解缠相位。其中：

滤波：尽管干涉相位中的主要成分(即参考面相位与地形相位)已得到了去除，但是由于时间失相干，几何失相干以及SAR成像固有的斑点噪声等因素影响，此时的干涉相位不可避免的含有一些噪声。这些噪声将导致相位不连续等问题。滤波是消除这些噪声最有效的方法，也是进一步保证相位解缠准确性的必备步骤。

相位解缠：由于差分干涉图中记录的相位(即缠绕相位)是位于(π,π]区间内的相位主值，其相位整周数无法获知。相位解缠是对整幅影像中相对相位整周数的解算和恢复，从而获取整个区域相位的绝对关系。

进一步地，所述步骤三具体包括：

利用MLP（Multi-Layer Perception，多层感知器）神经网络模型，进行InSAR中大气延迟相位的改正。其中深度神经网络模型由10层组成，输入层是由步骤二差分干涉生成的模拟DEM、经度和纬度3个神经元组成。将模拟DEM的每个像素视为一个样本。前两个隐藏层是含有4096个神经元的全连接层。首先，将输入数据提升到高维空间中，对原始数据进行稀疏表示。然后，通过六个隐藏层，对数据进行仿射变换和投影变换，逐渐降低数据的维度。第三、四隐藏层是含有2048个神经元的全连接层。第五、六隐藏层是含有1024个神经元的全连接层。第七、八隐藏层是含有512个神经元的全连接层。输出层是一个全连接层，有1个神经元，代表大气相位。对于每个隐藏层，激活函数为ReLU（Rectified Linear Unit, 线性整流函数），批处理大小是9192,所提出的神经网络训练了50轮。网络的损失函数为：

其中，

为样本标签，

为预测标签，

为第

层权重，

为正则化系数。通过正则化项

使权重系数稀疏，自适应地降低各层的维度。

进一步地，所述步骤四具体包括：

将步骤二所求出干涉对的解缠相位值，减去步骤三求出的对应干涉对的模拟大气相位值，进而去除大气相位，得到去除大气相位后的干涉相位。

具体实施例如下：

步骤一：收集覆盖目标区域的SAR数据，本发明获取了Sentinal-1卫星升降轨SAR数据与30m空间分辨率的ALOS WORLD 3D DEM。分别对其进行预处理，得到配准后的影像和高程相位。

步骤二：将步骤一预处理的结果进行差分干涉处理后，再利用Goldstein滤波与最小费用流方法（Minimum Cost Flow，MCF）得到解缠相位。

步骤三：利用步骤二差分干涉生成的模拟DEM，以及经度、维度，使用MLP（Multi-Layer Perception，多层感知器）神经网络模型，得到大气相位。

步骤四：将步骤二所求出干涉对的解缠相位值，减去步骤三求出的对应干涉对的大气相位值，进而去除大气相位，得到去除大气相位后的干涉相位，如图2（a）-（i）所示。

相对于现有技术，本发明提供的方法在进行去除高程相关大气相位时，考虑了高程因素在空间上带来的影响，在不借住外部数据的情况下，提高了改正结果的精度。因为利用了第二部分中的MLP（Multi-Layer Perception，多层感知器）神经网络, 采用一干涉对一学习模拟的模式，不同干涉对对应不同改正学习结果，不用借助外部数据、不用考虑高程与大气相位的关系是否呈线性相关。

收集模块，用于收集覆盖目标区域的SAR数据与外部DEM数据；

本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的系统而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。

本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处。综上所述，本说明书内容不应理解为对本发明的限制。

Claims

1.一种DInSAR高程相关大气效应去除方法，其特征在于，包括：

收集覆盖目标区域的SAR数据与外部DEM数据；

2.根据权利要求1所述的DInSAR高程相关大气效应去除方法，其特征在于，在计算所述SAR数据的解缠相位之前，还包括对所述SAR数据和所述外部DEM数据进行预处理。

3.根据权利要求1所述的DInSAR高程相关大气效应去除方法，其特征在于，对所述SAR数据和所述外部DEM数据进行差分干涉、滤波以及相位解缠处理，具体包括：

对所述SAR数据和所述外部DEM数据进行差分干涉处理后，再利用Goldstein滤波与Minimum Cost Flow解缠方法得到解缠相位。

4.根据权利要求1所述的DInSAR高程相关大气效应去除方法，其特征在于，所述MLP神经网络模型包括1个输入层、8个隐藏层和1个输出层。

5.一种DInSAR高程相关大气效应去除系统，其特征在于，包括：

收集模块，用于收集覆盖目标区域的SAR数据与外部DEM数据；

6.根据权利要求5所述的DInSAR高程相关大气效应去除系统，其特征在于，还包括：

预处理模块，用于对所述SAR数据和所述外部DEM数据进行预处理。

7.根据权利要求5所述的DInSAR高程相关大气效应去除系统，其特征在于，所述MLP神经网络模型包括1个输入层、8个隐藏层和1个输出层。