CN114545407B - 一种基于分布式压缩感知的星载差分层析sar成像方法 - Google Patents
一种基于分布式压缩感知的星载差分层析sar成像方法 Download PDFInfo
- Publication number
- CN114545407B CN114545407B CN202111123452.5A CN202111123452A CN114545407B CN 114545407 B CN114545407 B CN 114545407B CN 202111123452 A CN202111123452 A CN 202111123452A CN 114545407 B CN114545407 B CN 114545407B
- Authority
- CN
- China
- Prior art keywords
- scatterers
- sar
- sar image
- strong
- distributed
- 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
- 238000003325 tomography Methods 0.000 title claims abstract description 45
- 238000003384 imaging method Methods 0.000 title claims abstract description 43
- 238000007781 pre-processing Methods 0.000 claims abstract description 5
- 238000000034 method Methods 0.000 claims description 37
- 239000011159 matrix material Substances 0.000 claims description 19
- 239000013598 vector Substances 0.000 claims description 15
- 238000005315 distribution function Methods 0.000 claims description 11
- 238000012360 testing method Methods 0.000 claims description 7
- 238000004587 chromatography analysis Methods 0.000 claims description 5
- 238000001514 detection method Methods 0.000 claims description 4
- 241001497337 Euscorpius gamma Species 0.000 claims description 3
- 238000012937 correction Methods 0.000 claims description 3
- 238000004364 calculation method Methods 0.000 claims 1
- 238000012545 processing Methods 0.000 abstract description 7
- 238000005259 measurement Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 3
- 238000012544 monitoring process Methods 0.000 description 3
- 238000005070 sampling Methods 0.000 description 3
- 235000009508 confectionery Nutrition 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 239000006185 dispersion Substances 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 238000001228 spectrum Methods 0.000 description 2
- NAWXUBYGYWOOIX-SFHVURJKSA-N (2s)-2-[[4-[2-(2,4-diaminoquinazolin-6-yl)ethyl]benzoyl]amino]-4-methylidenepentanedioic acid Chemical compound C1=CC2=NC(N)=NC(N)=C2C=C1CCC1=CC=C(C(=O)N[C@@H](CC(=C)C(O)=O)C(O)=O)C=C1 NAWXUBYGYWOOIX-SFHVURJKSA-N 0.000 description 1
- 239000002028 Biomass Substances 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000000052 comparative effect Effects 0.000 description 1
- 230000001186 cumulative effect Effects 0.000 description 1
- 229910052500 inorganic mineral Inorganic materials 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 238000013508 migration Methods 0.000 description 1
- 230000005012 migration Effects 0.000 description 1
- 239000011707 mineral Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000035515 penetration Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 239000002689 soil Substances 0.000 description 1
- 230000001629 suppression Effects 0.000 description 1
- 238000012800 visualization Methods 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 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
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
本发明公开了一种基于分布式压缩感知的星载差分层析SAR成像方法，包括预处理SAR图像；识别相邻同质像元；估计SAR图像像元内能量最强散射体的残余高程与形变速率；逐像元判别SAR像元内有无强散射体；对SAR图像像元内分布式散射体的高程与分布式散射体的形变速率信息进行估计；判别存在强散射体的SAR图像像元内为单或双个散射体；估计SAR图像像元内强散射体的高程与形变速率；获得有效的分布式散射体和强散射体的高程与形变速率信息，实现星载差分层析SAR成像。本发明解决了由分布式散射体像元导致的成像产品信息空白问题，提高相邻同类强散射体的成像处理精度以及高维分辨能力。
Description
技术领域
本发明属于高维合成孔径雷达成像处理技术领域，具体涉及一种基于分布式压缩感知的星载差分层析SAR成像方法。
背景技术
合成孔径雷达(Synthetic Aperture Radar,SAR)是一种能够全天时、全天候工作的微波成像雷达，对地表具有一定的穿透能力。基于SAR合成孔径实现方位向高分辨率，不改变现有SAR成像体制，层析SAR(Tomographic SAR,TomoSAR)利用观测时间相同的多幅SAR图像沿垂直于雷达视线与飞行轨迹的高程向合成孔径，可对复杂地形高分辨率三维成像，因而也称为3D SAR。
近年来，层析SAR被广泛应用于建设领域。然而，3D SAR对雷达天线数目与空间分布要求苛刻，这大大增加了3D SAR系统实现的难度，尤其对于星载平台。当前国内外普遍采用观测时间接近的多幅星载重访SAR图像对高信噪比稳定强点目标进行三维成像。差分层析SAR(Differential tomographic SAR,D-TomoSAR)技术利用长时间序列SAR图像在高程向与时间维合成孔径来四维成像，其中四维信息包括三维数字地形与高程随时间变化(简称形变)。借助卫星平台高宽幅、高时空分辨率等优势，星载差分层析SAR技术可对运动目标四维成像。因此，差分层析SAR技术综合了时序干涉SAR高精度测量地表形变以及层析SAR三维高分辨率成像的能力，还能分辨出叠加在一个分辨单元内不同运动速率的多个目标。星载差分层析SAR已被广泛应用于国民经济建设以及自然科学研究等众多领域，如：地下水、矿产资源等资源调查领域，地面沉降、同位震波偏移、山体滑坡等环境监测领域，城市规划、铁路选址与监测等工业工程领域，火山、动土、冰川等自然科学领域，建筑、桥梁、高压电塔等人工目标三维可视化及稳定性监测，地形测绘、三维战场模拟、武器精确打击等军事侦察领域，森林生物量与结构调查、森林植被与农业庄稼高度测量、冰层厚度测量等。
当前，基于压缩感知(Compressive Sensing,CS)的差分层析SAR成像方法，由于其超高分辨能力及对旁瓣噪声的抑制能力，因而被广泛应用于差分层析SAR成像参数谱估计中，以德宇航Zhu等人在其论文“Tomographic SAR Inversion by L1 NormRegularization—The Compressive Sensing Approach”(《IEEE Transaction onGeoscience and Remote Sensing》，2010)提出的SL1MMER(Scale-down by L1 normMinimization,Model selection,and Estimation Reconstruction)方法最为著名。随后，结合GIS数据寻找相同稀疏支撑的堆栈，Zhu等人在其论文“Joint Sparsity in SARTomography for Urban Mapping”(《IEEE Journal of Selected Topics in SignalProcessing》，2015)应用分布式压缩感知(Distributed Compressive Sensing,DCS)模型实现了更高精度的差分层析SAR成像，但该方法的预处理流程较为复杂，对地理信息系统(Geographic Information System，GIS)辅助数据的精度要求过高。此外，两种方法均未能实现对均匀场景分布式散射体目标的高程与形变速率信息获取，因而限制了差分层析SAR的实用化。
发明内容
本发明针对低采样率条件下强散身体目标高程与形变速率难以高精度估计、分布式散射体目标的高程与形变速率难以获取的问题，提供一种基于分布式压缩感知的星载差分层析SAR成像方法，无需辅助数据且能够对分布式散射体参数高精度估计，突破复杂场景下多类目标差分层析SAR 3D/4D信息重构这一关键问题，解决了基于DCS方法对GIS辅助数据的精度要求过高且处理流程复杂以及分布式散射体难以成像等问题。
本发明的上述目的通过以下技术方案实现：
一种基于分布式压缩感知的星载差分层析SAR成像方法，包括以下步骤：
步骤1、预处理SAR图像，得到差分层析SAR数据堆栈；
步骤2、基于KS检测理论，识别差分层析SAR数据堆栈中相邻同质像元，判定SAR图像像元内是否可能存在分布式散射体和强散射体；
步骤3、假设模型散射体数目为1时，估计SAR图像像元内能量最强散射体的残余高程与形变速率；
步骤4、构建有无强散射体假设检验问题模型，逐像元判别SAR像元内有无强散射体；
步骤5、对于步骤4中判别为无强散射体的SAR图像像元且步骤2中判别为可能存在分布式散射体的SAR图像像元，对SAR图像像元内分布式散射体的高程
与分布式散射体的形变速率
信息进行估计；
步骤6、对于步骤4中判别为有强散射体的SAR图像像元且步骤2中判别为可能存在强散射体的SAR图像像元，判别SAR图像像元内有单个还是双个散射体；
步骤7、对于步骤6中有强散射体的SAR图像像元，估计SAR图像像元内强散射体的高程与形变速率；
步骤8、根据步骤5估计的SAR图像像元内分布式散射体的高程、分布式散射体的形变速率以及散射系数，还根据步骤7中估计的SAR图像像元内强散射体的高程、形变速率以及散射系数，逐个像元判定SAR图像像元内分布式散射体和强散射体的有效数目，并获得有效的分布式散射体和强散射体的高程与形变速率信息，实现星载差分层析SAR成像。
如上所述的步骤1包括以下步骤：对所有SAR图像进行幅度及相位校正，然后基于地理编码原理，对每幅SAR图像进行去斜操作，得到差分层析SAR数据堆栈。
如上所述的步骤2包括以下步骤；
步骤2.1、采用两个像素统计所得的概率分布函数差的绝对值DM来度量任意SAR图像像元P与相邻SAR图像像元P'的相似性；
步骤2.2、设定阈值c与置信度α，概率分布函数差的绝对值DM的概率分布函数为H(t)，若DM≤c且α≥1-H(t)时，则两个SAR图像像元识别为相邻同质像元；否则，两个SAR图像像元不为相邻同质像元；
步骤2.3、设置第一邻域窗口和第二邻域窗口，第二邻域窗口尺寸小于第一邻域窗口尺寸；若在第一邻域窗口内与SAR图像像元相邻的相似同质像元数目大于第一设定阈值，则判定该SAR图像像元内可能存在分布式散射体；若在第二邻域窗口与SAR图像像元相邻的相似同质像元数目大于第二设定阈值，则判定该SAR图像像元内可能存在强散射体，且该强散射体像元具有多个相似同质像元。
如上所述的步骤4包括以下步骤；
构建有无强散射体假设检验问题模型：
其中
与
分别表示SAR像元内有强散射体的假设、SAR像元内无强散射体的假设，
和
分别表示在有强散射体的假设和无散射体假设条件下的概率密度函数，
为差分层析SAR数据堆栈中任意同名像元的平均亮度，SAR时序观测值构成的矢量x＝[x1,…,xM]T，T为转置符，e表示热噪声标准差，
为SAR图像像元内强散射体的高程，
为SAR图像像元内强散射体的形变速率；
若
成立，则SAR图像像元被判定为无强散射体；否则，SAR图像像元被判定为有强散射体，k为SAR图像像元内强散射体的个数，P0与Pk表示SAR图像像元内没有强散射体的先验概率与有k个强散射体的先验概率。
如上所述的步骤5包括以下步骤：对于步骤4中无强散射体的SAR图像像元且步骤2中判别可能存在分布式散射体的SAR图像像元，采用多视压缩感知模型对SAR图像像元内分布式散射体的高程
与分布式散射体的形变速率
信息进行估计，
多视压缩感知模型如下式所示：
其中，||·||F表示Frobenius范数，||||1为矢量的1范数，G表示多个差分层析SAR数据堆栈按列依次联合而成的观测数据矩阵，Γ1表示待估计的多个SAR图像像元内的相同分布式散射体散射系数按列依次联合而成的矩阵，即Γ1＝[γ,γ,…,γ]，γ表示待估计的SAR图像像元的相同分布式散射体散射系数，而G表示所有相邻同质像元的SAR时序观测值构成的矢量联合而成的矩阵，观测矩阵Φ的m行n列元素为
其中△hn与vn分别为分布式散射体的高程与形变速率的离散值。
如上所述的步骤7包括以下步骤：
对于步骤6中判别为有强散射体且步骤2中判别为无相邻同质像元的SAR图像像元，采用基于压缩感知的SL1MMER方法估计像元内强散射体的高程与形变速率；
对于步骤6中判别为有强散射体且步骤2中判别为有相邻同质像元的SAR图像像元，采用基于分布式压缩感知的方法估计具有相邻同质像元的SAR图像像元内强散射体的高程与形变速率。
如上所述的步骤8包括以下步骤：
采用基于贝叶斯信息准则的惩罚约束判别准则逐个SAR图像像元判定分布式散射体的有效个数和强散射体的有效个数，
为有效个数，基于贝叶斯信息准则的惩罚约束判别准则基于以下公式：
其中，N为高程与形变速率向离散化间隔的数目，K表示SAR图像像元内可能的散射体的数目，γK表示步骤5和7估计的SAR像元内散射体(包括分布式散射体和强散射体)的散射系数γ能量由强到弱排列后取其前K个数值构成的向量，ΦK表示观测矩阵Φ中与γK在散射系数γ相同位置的K列向量构成的矩阵，
记SAR图像像元内分布式散射体的有效个数为
记录能量前
名的有效分布式散射体的位置，对应截取步骤5估计的SAR像元内对应位置的分布式散射体的高程、形变速率以及散射系数，即获得有效的分布式散射体的高程与形变速率信息，
记SAR图像像元内强散射体的有效数目
记录能量前
名的有效强散射体的位置，对应截取步骤7估计的SAR图像像元内对应位置的强散射体的高程、形变速率以及散射系数，即获得有效的强散射体的高程与形变速率信息。
本发明相对于现有技术，具有以下有益效果：
(1)由于联合分布式散射体相邻同类像元进行多视压缩感知重构，本发明提出的一种基于分布式压缩感知的星载差分层析SAR成像方法，能够有效降低旁瓣噪声被错误成像的风险且提高分布式散射体目标参数的估计精度，解决了由分布式散射体像元导致的成像产品信息空白问题。
(2)由于联合强散射体相邻同类像元进行联合压缩感知重构，本发明提出的一种基于分布式压缩感知的星载差分层析SAR成像方法，能够有效提高相邻同类强散射体的成像处理精度以及高维分辨能力。
附图说明
图1为本发明的流程图
图2为基于分布式压缩感知的星载差分层析SAR成像结果地理编码后附在GoogleEarth上的高程与形变速率图，其中(a)(b)分别为高程与形变速率图；
图3为德宇航SL1MMER成像方法与本发明基于分布式压缩感知成像方法的结果对比，其中(a)(c)(e)分别为SL1MMER方法获得的高度图、平均形变速率图与散射系数图，而(b)(d)(f)分别为本发明方法获得的高度图、平均形变速率图与散射系数图。
具体实施方式
为了便于本领域普通技术人员理解和实施本发明，下面结合实施例对本发明作进一步的详细描述，应当理解，此处所描述的实施示例仅用于说明和解释本发明，并不用于限定本发明。
一种基于分布式压缩感知的星载差分层析SAR成像方法，如图1所示，包括以下步骤：
步骤1：预处理SAR图像，得到差分层析SAR数据堆栈；
步骤1具体包括以下步骤：
对所有SAR图像进行幅度及相位校正，然后基于地理编码原理，对每幅SAR图像进行去斜操作，得到差分层析SAR数据堆栈。
步骤2：基于Kolmogorov-Smirnov(KS)检测理论，识别差分层析SAR数据堆栈中相邻同质像元；
步骤2具体包括以下步骤：
步骤2.1：采用两个像素统计所得的概率分布函数差的绝对值DM来度量任意SAR图像像元P与相邻SAR图像像元P'的相似性，即
其中M为SAR图像的总数，R为实数，
与
分别表示随机变量X在任意SAR图像像元P及其相邻SAR图像像元P'位置的累积分布函数，而
其中
表示差分层析SAR数据堆栈在同一SAR图像像元P处的观测样本值，
表示差分层析SAR数据堆栈在同一相邻SAR图像像元P'处的观测样本值，m为SAR图像序号，m∈{1,2,...,M}，|·|表示复数据的幅度算子；
步骤2.2：设定阈值c与置信度α，概率分布函数差的绝对值DM的分布逼近于KS分布，概率分布函数差的绝对值DM的概率分布函数H(t)为
其中，p(·)表示条件概率密度函数，t为相似度阈值常数，e为自然对数的底数，z为中间变量，H(t)不依赖于单个像素数据概率分布函数。若DM≤c且α≥1-H(t)时，则两个SAR图像像元具有相同的统计分布，则两个SAR图像像元可识别为相邻同质像元；否则，两个SAR图像像元不具有相似性，即不为相邻同质像元。
步骤2.3：设置第一邻域窗口为9*9像元大小，若在第一邻域窗口内与SAR图像像元相邻的相似同质像元数目大于20(第一设定阈值)，则判定该SAR图像像元内可能存在分布式散射体；设置第二领域窗口大小为3*3像元大小，若在第二邻域窗口与SAR图像像元相邻的相似同质像元数目大于3(第二设定阈值)，则判定该SAR图像像元内可能存在强散射体，且该强散射体像元具有多个相似同质像元。
步骤3：假设模型散射体数目为1时，估计SAR图像像元内能量最强散射体的残余高程与形变速率；
步骤3具体包括以下步骤：
采用基于振幅归一化度量的周期图最大化方法，估计散射体数目为1的假设下的任意SAR图像像元内能量最强散射体的残余高程△h与SAR图像像元内能量最强散射体的形变速率v，即
其中，式(4)的b⊥m与tm分别为第m次观测中相对主图像的有效基线与时间差，xm表示时序SAR第m次观测值，*表示共轭算子，j表示虚数单位，l为雷达波长，r为天线相位中心到参考地形的斜距，θ为入射角。
步骤4：构建有无强散射体假设检验问题模型，逐像元判别SAR像元内有无强散射体；
上述步骤4包括以下步骤：
构建有无强散射体假设检验问题模型，采用广义似然比检测(GeneralizedLikelihood Ratio Test,GLRT)理论贝叶斯决策判别SAR图像像元内有无强散射体，构建的有无强散射体假设检验问题模型，即：
其中
与
分别表示SAR像元内有强散射体的假设、SAR像元内无强散射体的假设，
和
分别表示在有强散射体的假设和无散射体假设条件下的概率密度函数，
为差分层析SAR数据堆栈中任意同名像元的平均亮度，SAR时序观测值构成的矢量x＝[x1,…,xM]T，T为转置符，e表示热噪声标准差，
为SAR图像像元内强散射体的高程，
为SAR图像像元内强散射体的形变速率，采用GLRT理论的贝叶斯决策为：
其中，k为SAR图像像元内强散射体的个数，P0与Pk表示SAR图像像元内没有强散射体的先验概率与有k个强散射体的先验概率，均设置为50％。若(6)式成立，则SAR图像像元被判定为无强散射体；反之，SAR图像像元被判定为有强散射体。
步骤5：对于步骤4中判别为无强散射体的SAR图像像元且步骤2中判别为可能存在分布式散射体的SAR图像像元，对SAR图像像元内分布式散射体的高程
与分布式散射体的形变速率
信息进行估计；
上述步骤5包括以下具体步骤：
对于步骤4中无强散射体的SAR图像像元且步骤2中判别可能存在分布式散射体的SAR图像像元，采用分布式压缩感知理论中的多视压缩感知(Multilook CompressiveSensing,MCS)模型谱估计方法对SAR图像像元内分布式散射体的高程
与分布式散射体的形变速率
信息进行估计。所述多视压缩感知(Multilook Compressive Sensing,MCS)模型如下
其中||·||F表示Frobenius范数，||||1为矢量的1范数，G表示多个差分层析SAR数据堆栈按列依次联合而成的观测数据矩阵，Γ1表示待估计的多个SAR图像像元内的相同分布式散射体散射系数按列依次联合而成的矩阵，即Γ1＝[γ,γ,…,γ]，γ表示待估计的SAR图像像元的相同分布式散射体散射系数，而G表示所有相邻同质像元的SAR时序观测值构成的矢量联合而成的矩阵，观测矩阵Φ的m行n列元素为
其中△hn与vn分别为分布式散射体的高程与形变速率的离散值。
步骤6：对于步骤4中判别为有强散射体的SAR图像像元且步骤2中判别为可能存在强散射体的SAR图像像元，判别SAR图像像元内有单个还是双个散射体情形；
上述的步骤6包括以下步骤：
若有强散射体的SAR图像像元的幅度离差小于或等于所有SAR图像平均幅度的70％，则SAR图像像元为单个散射体像元；若有散射体的SAR图像像元的幅度离差大于所有SAR图像平均幅度的70％，则该SAR图像像元内为有双个散射体叠加。
步骤7：对于步骤6中有强散射体的SAR图像像元，估计SAR图像像元内强散射体的高程
与形变速率
步骤7具体包括以下步骤：
对于步骤6中判别为有强散射体且步骤2中判别为无相邻同质像元的SAR图像像元，采用式(8)基于压缩感知(Compressive Sensing,CS)的SL1MMER方法估计像元内强散射体的高程
与形变速率
对于步骤6中判别为有强散射体且步骤2中判别为有相邻同质像元的SAR图像像元，采用式(9)基于分布式压缩感知(Distributed Compressive Sensing,DCS)的方法估计具有相邻同质像元的SAR图像像元内强散射体的高程
与形变速率
其中，||·||2,1表示矩阵行的l2范数和的最小化，Γ2表示待估计的多个SAR图像像元内的不同强散射体散射系数按列依次联合而成的矩阵，即Γ2＝[γ1,γ2,…,γL]，[γ1,γ2,…,γL]表示待估计的SAR图像像元的不同强散射体散射系数。
步骤8：根据步骤5估计的SAR图像像元内分布式散射体的高程
分布式散射体的形变速率
以及散射系数，还根据步骤7中估计的SAR图像像元内强散射体的高程
形变速率
以及散射系数，逐个像元判定SAR图像像元内分布式散射体和强散射体的有效数目，并获得有效的分布式散射体和强散射体的高程与形变速率信息，实现星载差分层析SAR成像。
具体包括以下步骤：
采用基于贝叶斯信息准则(Bayesian information criterion,BIC)的惩罚约束判别准则逐个SAR图像像元判定分布式散射体的有效个数和强散射体的有效个数，
为有效个数，基于贝叶斯信息准则(Bayesian information criterion,BIC)的惩罚约束判别准则基于公式(10)：
其中N为高程与形变速率向离散化间隔的数目，K表示SAR图像像元内可能的散射体的数目，其中γK表示步骤5和7估计的SAR像元内散射体(包括分布式散射体和强散射体)的散射系数γ能量由强到弱排列后取其前K个数值构成的向量，ΦK表示观测矩阵Φ中与γK在散射系数γ相同位置的K列向量构成的矩阵。
最后，记SAR图像像元内分布式散射体的有效个数为
记录能量前
名的有效分布式散射体的位置，对应截取步骤5估计的SAR像元内对应位置的分布式散射体的高程、形变速率以及散射系数，即获得有效的分布式散射体的高程与形变速率信息。
记SAR图像像元内强散射体的有效数目
记录能量前
名的有效强散射体的位置，对应截取步骤7估计的SAR图像像元内对应位置的强散射体的高程、形变速率以及散射系数，即获得有效的强散射体的高程与形变速率信息。
对比例：
通过TerraSAR-X/TanDEM-X获取的31幅首都国际机场T3 E航站楼区域的真实数据，验证本发明一种基于分布式压缩感知的星载差分层析SAR成像方法的有效性。31幅TerraSAR-X/TanDEM-X图像获取时间与基线参数信息如表1所示，表2列出了与本发明有关的TerraSAR-X/TanDEM-X差分层析SAR成像系统参数。将基于分布式压缩感知的差分层析SAR处理结果与当前先进的同样不依赖于外部辅助数据的SL1MMER方法的结果对比，说明本发明所提方法的优势。处理中对应的垂直于水平面的高度范围设定为70m，采样点数为601；沿视线向形变速率范围设定为20mm/year，采样点数为101。
表1 31幅TerraSAR-X/TanDEM-X图像获取时间与基线参数
表2 TerraSAR-X/TanDEM-X差分层析SAR成像系统参数
将本发明基于分布式压缩感知方法估计的高程与形变速率信息经过地理编码后附在Google Earth上，结果如图2所示，可以看出本发明基于分布式压缩感知方法估计的T3E三维空间位置与Google光学图像匹配得较好，这表明了本发明基于分布式压缩感知方法估计的三维空间位置信息的准确性，由于形变速率信息与高程信息是同时估计的，进一步，表明了本发明基于分布式压缩感知方法估计形变速率信息的准确性。从图3可以看出，德宇航SL1MMER成像方法与本发明基于分布式压缩感知方法获取的高程([m])与形变速率([mm/year])信息以及散射系数整体上相一致，表明了本发明基于分布式压缩感知方法的有效性。
随后，统计了德宇航SL1MMER成像方法与本发明基于分布式压缩感知方法重构的像元数目，表3列出了SL1MMER与本发明基于分布式压缩感知方法重构的像元数目以及本发明基于分布式压缩感知方法三种模型各自重构的像元数目。由于绝大多数分辨单元内的强散射体个数不超过2，所以将像元内散射体个数的最大阈值设置为2。本发明基于分布式压缩感知方法比SL1MMER方法能够重构出多余的134个分布式散射体像元，且本发明基于分布式压缩感知方法重构出的叠掩散射体更多。
表3德宇航SL1MMER方法与本发明方法重构的像元数
| 差分层析SAR方法 | SL1MMER | 本文方法 | CS | DCS | MCS |
| 重构的全部像元数 | 26654 | 26788 | 26449 | 205 | 134 |
| 一个散射体像元数 | 25112 | 25184 | 24941 | 109 | 134 |
| 两个散射体像元数 | 1542 | 1604 | 1508 | 96 | 0 |
以上仅是本发明的优选实施方式，本发明的保护范围并不仅局限于上述实施例，凡属于本发明思路下的技术方案均属于本发明的保护范围。应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理前提下的若干改进和润饰，应视为本发明的保护范围。
Claims (7)
1.一种基于分布式压缩感知的星载差分层析SAR成像方法，其特征在于，包括以下步骤：
步骤1、预处理SAR图像，得到差分层析SAR数据堆栈；
步骤2、基于KS检测理论，识别差分层析SAR数据堆栈中相邻同质像元，判定SAR图像像元内是否可能存在分布式散射体和强散射体；
步骤3、假设模型散射体数目为1时，估计SAR图像像元内能量最强散射体的残余高程与形变速率；
步骤4、构建有无强散射体假设检验问题模型，逐像元判别SAR像元内有无强散射体；
步骤5、对于步骤4中判别为无强散射体的SAR图像像元且步骤2中判别为可能存在分布式散射体的SAR图像像元，对SAR图像像元内分布式散射体的高程
与分布式散射体的形变速率
信息进行估计；
步骤6、对于步骤4中判别为有强散射体的SAR图像像元且步骤2中判别为可能存在强散射体的SAR图像像元，判别SAR图像像元内有单个还是双个散射体；
步骤7、对于步骤6中有强散射体的SAR图像像元，估计SAR图像像元内强散射体的高程与形变速率；
步骤8、根据步骤5估计的SAR图像像元内分布式散射体的高程、分布式散射体的形变速率以及散射系数，还根据步骤7中估计的SAR图像像元内强散射体的高程、形变速率以及散射系数，逐个像元判定SAR图像像元内分布式散射体和强散射体的有效数目，并获得有效的分布式散射体和强散射体的高程与形变速率信息，实现星载差分层析SAR成像。
2.根据权利要求1所述的一种基于分布式压缩感知的星载差分层析SAR成像方法，其特征在于，所述的步骤1包括以下步骤：对所有SAR图像进行幅度及相位校正，然后基于地理编码原理，对每幅SAR图像进行去斜操作，得到差分层析SAR数据堆栈。
3.根据权利要求1所述的一种基于分布式压缩感知的星载差分层析SAR成像方法，其特征在于，所述的步骤2包括以下步骤；
步骤2.1、采用两个像素统计所得的概率分布函数差的绝对值DM来度量任意SAR图像像元P与相邻SAR图像像元P'的相似性；
步骤2.2、设定阈值c与置信度α，概率分布函数差的绝对值DM的概率分布函数为H(t)，若DM≤c且α≥1-H(t)时，则两个SAR图像像元识别为相邻同质像元；否则，两个SAR图像像元不为相邻同质像元；
步骤2.3、设置第一邻域窗口和第二邻域窗口，第二邻域窗口尺寸小于第一邻域窗口尺寸；若在第一邻域窗口内与SAR图像像元相邻的相似同质像元数目大于第一设定阈值，则判定该SAR图像像元内可能存在分布式散射体；若在第二邻域窗口与SAR图像像元相邻的相似同质像元数目大于第二设定阈值，则判定该SAR图像像元内可能存在强散射体，且该强散射体像元具有多个相似同质像元。
4.根据权利要求1所述的一种基于分布式压缩感知的星载差分层析SAR成像方法，其特征在于，所述的步骤4包括以下步骤；
构建有无强散射体假设检验问题模型：
其中,M为SAR图像的总数,λ为雷达波长，r为天线相位中心到参考地形的斜距，θ为入射角,b⊥m与tm分别为第m次观测中相对主图像的有效基线与时间差，
与
分别表示SAR像元内有强散射体的假设、SAR像元内无强散射体的假设，
和
分别表示在有强散射体的假设和无散射体假设条件下的概率密度函数，
为差分层析SAR数据堆栈中任意同名像元的平均亮度，SAR时序观测值构成的矢量x＝[x1,…,xM]T，T为转置符，ε表示热噪声标准差，
为SAR图像像元内强散射体的高程，
为SAR图像像元内强散射体的形变速率；
若
成立，则SAR图像像元被判定为无强散射体；否则，SAR图像像元被判定为有强散射体，k为SAR图像像元内强散射体的个数，P0与Pk表示SAR图像像元内没有强散射体的先验概率与有k个强散射体的先验概率。
5.根据权利要求1所述的一种基于分布式压缩感知的星载差分层析SAR成像方法，其特征在于，所述的步骤5包括以下步骤：对于步骤4中无强散射体的SAR图像像元且步骤2中判别可能存在分布式散射体的SAR图像像元，采用多视压缩感知模型对SAR图像像元内分布式散射体的高程
与分布式散射体的形变速率
信息进行估计，
多视压缩感知模型如下式所示：
其中，λ为雷达波长，r为天线相位中心到参考地形的斜距，θ为入射角,b⊥m与tm分别为第m次观测中相对主图像的有效基线与时间差，ε表示热噪声标准差,||·||F表示Frobenius范数，|| ||1为矢量的1范数，G表示多个差分层析SAR数据堆栈按列依次联合而成的观测数据矩阵，Γ1表示待估计的多个SAR图像像元内的相同分布式散射体散射系数按列依次联合而成的矩阵，即Γ1＝[γ,γ,…,γ]，γ表示待估计的SAR图像像元的相同分布式散射体散射系数，而G表示所有相邻同质像元的SAR时序观测值构成的矢量联合而成的矩阵，观测矩阵Φ的m行n列元素为
其中△hn与vn分别为分布式散射体的高程与形变速率的离散值。
6.根据权利要求1所述的一种基于分布式压缩感知的星载差分层析SAR成像方法，其特征在于，所述的步骤7包括以下步骤：
对于步骤6中判别为有强散射体且步骤2中判别为无相邻同质像元的SAR图像像元，采用基于压缩感知的SL1MMER方法估计像元内强散射体的高程与形变速率；
对于步骤6中判别为有强散射体且步骤2中判别为有相邻同质像元的SAR图像像元，采用基于分布式压缩感知的方法估计具有相邻同质像元的SAR图像像元内强散射体的高程与形变速率。
7.根据权利要求1所述的一种基于分布式压缩感知的星载差分层析SAR成像方法，其特征在于，所述的步骤8包括以下步骤：
采用基于贝叶斯信息准则的惩罚约束判别准则逐个SAR图像像元判定分布式散射体的有效个数和强散射体的有效个数，
为有效个数，基于贝叶斯信息准则的惩罚约束判别准则基于以下公式：
其中，N为高程与形变速率向离散化间隔的数目，K表示SAR图像像元内可能的散射体的数目，γK表示步骤5和7估计的SAR像元内散射体的散射系数γ能量由强到弱排列后取其前K个数值构成的向量,SAR像元内散射体包括分布式散射体和强散射体，ΦK表示观测矩阵Φ中与γK在散射系数γ相同位置的K列向量构成的矩阵，
记SAR图像像元内分布式散射体的有效个数为
记录能量前
名的有效分布式散射体的位置，对应截取步骤5估计的SAR像元内对应位置的分布式散射体的高程、形变速率以及散射系数，即获得有效的分布式散射体的高程与形变速率信息，
记SAR图像像元内强散射体的有效数目
记录能量前
名的有效强散射体的位置，对应截取步骤7估计的SAR图像像元内对应位置的强散射体的高程、形变速率以及散射系数，即获得有效的强散射体的高程与形变速率信息。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111123452.5A CN114545407B (zh) | 2021-09-24 | 2021-09-24 | 一种基于分布式压缩感知的星载差分层析sar成像方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111123452.5A CN114545407B (zh) | 2021-09-24 | 2021-09-24 | 一种基于分布式压缩感知的星载差分层析sar成像方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN114545407A CN114545407A (zh) | 2022-05-27 |
| CN114545407B true CN114545407B (zh) | 2023-03-24 |
Family
ID=81668548
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111123452.5A Active CN114545407B (zh) | 2021-09-24 | 2021-09-24 | 一种基于分布式压缩感知的星载差分层析sar成像方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114545407B (zh) |
Family Cites Families (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2015160289A1 (en) * | 2014-04-14 | 2015-10-22 | Saab Vricon Systems Ab | Method and system for rendering a synthetic aperture radar image |
| CN108983229B (zh) * | 2018-05-03 | 2022-04-19 | 电子科技大学 | 基于sar层析技术的高压输电铁塔高度及形变提取方法 |
| CN108627835B (zh) * | 2018-06-29 | 2021-07-27 | 中国科学院电子学研究所 | 全极化差分sar层析的目标重构方法 |
| CN110297242A (zh) * | 2019-07-23 | 2019-10-01 | 北京建筑大学 | 基于压缩感知的合成孔径雷达层析三维成像方法及装置 |
| 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 |
| CN112363161B (zh) * | 2020-10-27 | 2022-12-20 | 中南大学 | 基于散射机制分解的植被垂直结构及林下地形反演方法及装置 |
| CN113091596B (zh) * | 2021-03-31 | 2022-01-25 | 中国矿业大学 | 一种基于多极化时序sar数据的地表形变监测方法 |
| CN113253271A (zh) * | 2021-07-12 | 2021-08-13 | 中国测绘科学研究院 | 一种形变速率估计方法和系统 |
-
2021
- 2021-09-24 CN CN202111123452.5A patent/CN114545407B/zh active Active
Also Published As
| Publication number | Publication date |
|---|---|
| CN114545407A (zh) | 2022-05-27 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Mattia et al. | The effect of surface roughness on multifrequency polarimetric SAR data | |
| Capraro et al. | Implementing digital terrain data in knowledge-aided space-time adaptive processing | |
| US20110012778A1 (en) | Method and system for forming very low noise imagery using pixel classification | |
| Liao et al. | Urban change detection based on coherence and intensity characteristics of SAR imagery | |
| CN110133682A (zh) | 星载全方位sar自适应目标三维重建方法 | |
| CN112946601B (zh) | 基于Gauss-Seidel的高效分布式目标相位优化方法 | |
| Zhang et al. | Deformations monitoring in complicated-surface areas by adaptive distributed Scatterer InSAR combined with land cover: Taking the Jiaju landslide in Danba, China as an example | |
| Weydahl | Analysis of ERS SAR coherence images acquired over vegetated areas and urban features | |
| CN117148352A (zh) | 一种角度唯一性约束的阵列干涉sar三维成像方法 | |
| Pepe et al. | Adaptive multilooking of multitemporal differential SAR interferometric data stack using directional statistics | |
| Wang et al. | A phase optimization method for DS-InSAR based on SKP decomposition from quad-polarized data | |
| Cai et al. | Polarimetric SAR pixel offset tracking for large-gradient landslide displacement mapping | |
| CN106932777A (zh) | 基于温度基线的合成孔径雷达干涉对优化选取方法 | |
| CN114509758A (zh) | 一种基于分形维数和极化分解的月表平坦区域选取方法 | |
| Feng et al. | Automatic selection of permanent scatterers-based GCPs for refinement and reflattening in InSAR DEM generation | |
| CN114545407B (zh) | 一种基于分布式压缩感知的星载差分层析sar成像方法 | |
| Babu et al. | Tree canopy height estimation using multi baseline RVOG inversion technique | |
| Razi et al. | Long-term land deformation monitoring using Quasi-Persistent Scatterer (Q-PS) technique observed by sentinel-1A: Case Study Kelok Sembilan | |
| Huang et al. | Maximum a posteriori inversion for forest height estimation using spaceborne polarimetric SAR interferometry | |
| García-Fernández et al. | Towards real-time processing for UAV-mounted GPR-SAR imaging systems | |
| CN114239379A (zh) | 一种基于形变检测的输电线路地质灾害分析方法及系统 | |
| CN114527465A (zh) | 一种基于永久散射体的地面控制点自动选取方法 | |
| Tebaldini et al. | Progresses on SAR remote sensing of tropical forests: forest biomass retrieval and analysis of changing weather conditions | |
| CN111983609B (zh) | 基于雷达遥感影像的湿芦苇提取方法 | |
| Verde et al. | Spaceborne SAR remote sensing for hydrogeological risk monitoring |
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 |