CN115267781B - 一种基于多视SAR数据集的InSAR相干性估计方法 - Google Patents

一种基于多视SAR数据集的InSAR相干性估计方法 Download PDF

Info

Publication number
CN115267781B
CN115267781B CN202211193555.3A CN202211193555A CN115267781B CN 115267781 B CN115267781 B CN 115267781B CN 202211193555 A CN202211193555 A CN 202211193555A CN 115267781 B CN115267781 B CN 115267781B
Authority
CN
China
Prior art keywords
view
coherence
pixel
pixels
samples
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
Application number
CN202211193555.3A
Other languages
English (en)
Other versions
CN115267781A (zh
Inventor
蒋弥
程晓
钟敏
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.)
Sun Yat Sen University
Original Assignee
Sun Yat Sen University
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 Sun Yat Sen University filed Critical Sun Yat Sen University
Priority to CN202211193555.3A priority Critical patent/CN115267781B/zh
Publication of CN115267781A publication Critical patent/CN115267781A/zh
Application granted granted Critical
Publication of CN115267781B publication Critical patent/CN115267781B/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
    • G01S13/9021—SAR image post-processing techniques
    • G01S13/9023—SAR image post-processing techniques combined with interferometric techniques
    • 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
    • G01S7/00—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00
    • G01S7/02—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00

Landscapes

  • Engineering & Computer Science (AREA)
  • Remote Sensing (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Physics & Mathematics (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • General Physics & Mathematics (AREA)
  • Electromagnetism (AREA)
  • Image Processing (AREA)

Abstract

本发明公开了一种基于多视SAR数据集的InSAR相干性估计方法，对配准后的n个原始单视时序SAR数据集先进行差分干涉，再进行L视处理，得到m景L视差分干涉图；对n个配准后的单视时序SAR数据集进行取模和平方运算，得到n个单视时序强度数据集，进行L视处理后得到n景L视时序强度数据集；设计满足L视时序强度数据集统计性质的独立同类像素选择方法，在每个滑动窗口内为每个参考中心像素选取来自相同影像质地的空间像素；然后以这些同类像素的均值作为种子值进行区域增长，用增长获取的邻域同类像素估计m景L视差分干涉图的相干性。本发明能在不进行分块的条件下，通过多视大幅度减小数据体积并同时改善估计精度，解决传统InSAR技术相干性估计效率低、可靠性差的技术问题。

Description

一种基于多视SAR数据集的InSAR相干性估计方法
技术领域
本发明涉及SAR数据处理技术领域，更具体的，涉及一种基于多视SAR数据集的InSAR相干性估计方法。
背景技术
当代SAR卫星系统设计为星载InSAR地表形变监测提供了海量数据，InSAR技术进入大数据时代。然而，对于海量SAR时序数据集，计算机系统占用空间大，InSAR数据处理十分耗时。以欧洲空间局ESA的哨兵1 SAR数据为例，一景单视复数数据占空间大小约5GB，则100景时间序列哨兵数据占用硬盘空间约500GB，因此需要通过对配准后的海量SAR数据进行多视处理，以便同时减小硬盘空间和计算负担。
在InSAR数据处理步骤之中，相干性估计是最为关键的步骤之一。相干性是评价InSAR相位观测质量的指示器，也是InSAR数据处理流程控制的引导器。相干性估计的准确性直接决定了InSAR技术的精度和可靠性。因此，就海量SAR数据处理而言，如何精确且高效的估计相干性是当代InSAR技术海量数据处理亟待解决的一个技术问题。
现有InSAR技术在处理海量数据时大多从计算机科学算法的视角出发将数据进行分块处理以便减小内存和硬盘负担，最后再将分块处理结果进行平差获得最终产品。对于相干性的精确估计，分块估计也只是在单视下完成的，因此形成了两方面的问题：（1）单视处理并未减少计算负担，尤其是分块处理，块重叠处反而增加计算负担；（2）相干性估计需要空间样本，小样本引起高估偏差。
假如能用多视后的数据恢复原始（单视）干涉信号的相干性，不仅能显著提高计算效率，还能增强估计精度；这是因为多视数据可以视为单视数据的压缩版，包含了单视下的信息；如果单视下只有1个可用于估计相干性的样本，则在4视下就有4个样本，样本数增加了4倍，因此相干性估计偏差减小。
发明内容
本发明为了解决以上传统InSAR技术相干性估计效率低、可靠性差的问题，提供了一种基于多视SAR数据集的InSAR相干性估计方法，该方法能够在不进行分块的条件下，直接通过多视大幅度减小数据体积并同时改善估计精度，因而解决了传统InSAR技术相干性估计效率低、可靠性差的技术问题。
为实现上述本发明目的，采用的技术方案如下：
一种基于多视SAR数据集的InSAR相干性估计方法，所述的方法包括步骤如下：
S1：对配准后的n个原始单视时序SAR数据集先进行差分干涉，再进行L视处理，得到m景L视差分干涉图；
S2：对配准后的n个单视时序SAR数据集进行取模和平方运算，得到n个单视时序强度数据集，进行L视处理后得到n景L视时序强度数据集；
S3：设计一个满足L视时序强度数据集统计性质的独立同类像素选择方法，在每个滑动窗口内为每个参考中心像素选取来自相同影像质地的空间像素；
S4：然后用区域增长法选择的同类像素估计m景L视差分干涉图的相干性。
优选地，所述的独立同类像素选择方法分为以下统计推断步骤：
S301：在L视时序强度数据集满足Gamma分布的基础上，给出两个时间样本的双样本假设检验解析表达式； 在m*m尺寸的滑动窗口内用双样本假设检验解析表达式逐个比较邻域像素与参考中心像素的相似性，并标记接受零假设的像素为同类像素；
S302：空间区域增长算法，即利用步骤S301的独立同类像素选择方法选取的参考中心像素取均值，得到参考中心像素期望的估值；然后利用参考中心像素期望的估值作为当前中心像素对窗口内像素进行区域增长；
S303：将区域增长的所有目标进行标记，完成独立同分布样本的选择和识别。
进一步地，步骤S301，假设任意两个空间像素x和y的时间样本分别为{x1,x2,…,xn}和{y1,y2,…,yn}，零假设是均值相等，表明属于同类或具有相同质地，则双样本假设检验等价于服从自由度为（2nL,2nL）的F分布，其解析表达式如下：
Figure 871369DEST_PATH_IMAGE001
（1）
其中，
Figure 111857DEST_PATH_IMAGE002
表示空间像素y的时间平均值、
Figure 187130DEST_PATH_IMAGE003
表示空间像素x的时间平均值。
再进一步地，步骤S302，具体地，对m*m窗口内所有像素取时间平均，将当前中心像素位置处，也即种子点的值替换为独立同分布样本的均值，再用以下公式标记出满足种子点八邻域像素的目标p i ：
Figure 538476DEST_PATH_IMAGE004
（2）
其中，
Figure 982971DEST_PATH_IMAGE005
表示Gamma分布
Figure 659940DEST_PATH_IMAGE006
分位点、
Figure 832295DEST_PATH_IMAGE007
表示均值，N表示同类像素的数量，L表示视数、
Figure 846388DEST_PATH_IMAGE008
表示Gamma分布
Figure 53378DEST_PATH_IMAGE009
分位点；
通过该步骤，将满足区间要求的所有样本进行平均，作为新的种子点的估值，更新均值
Figure 370090DEST_PATH_IMAGE010
，再对其八邻域应用上式进行判定，直到没有像素满足区间估计的要求。
再进一步地，对于L视时序强度数据集的任意一个空间像素的时间平均等价于原始单视强度数据的时空平均：
Figure 154375DEST_PATH_IMAGE011
（3）
其中，
Figure 113104DEST_PATH_IMAGE012
表示第i景L视时序强度；等式右边表示单视强度数据的nL个样本的时空平均。
再进一步地，由于任意L视差分干涉图由第i景和第k景时序SAR数据集差分得到，因此在估计相干性时，需要第i景和第k景的L视时序强度图进行运算；
相干性估计量的公式为：
Figure 909022DEST_PATH_IMAGE013
（4）
其中，*表示复共轭操作，
Figure 52427DEST_PATH_IMAGE014
表示取模，
Figure 933795DEST_PATH_IMAGE015
和
Figure 430636DEST_PATH_IMAGE016
表示单视时序强度，
Figure 707159DEST_PATH_IMAGE017
表示单视差分干涉图；
当给定的L视差分干涉图和时序强度图，获得与式（4）等价的相干性估计量写为，
Figure 896831DEST_PATH_IMAGE018
（5）
其中，
Figure 390130DEST_PATH_IMAGE019
是L视差分干涉图，
Figure 425082DEST_PATH_IMAGE020
是L视时序强度；
注意
Figure 195592DEST_PATH_IMAGE021
在公式中抵消，因此式（4）、式（5）两式恒等的条件是P=Q*L，而Q是多视数据下的同类像素数。
进一步地，步骤S4，估计m景L视差分干涉图的相干性的步骤如下：
S401：对L视时序强度数据集设定一个矩形滑动窗口，在当前窗口下利用步骤S3的独立同类像素选择方法挑选出与参考中心像素具有相同统计性质的独立同分布样本并标记1；否则视为异质像素，并标记0；
S402：将标记为1的像素视为中心像素的同质样本，即标记为1的数量为Q；将L视差分干涉图、L视时序强度图以及当前窗口被标记为1的样本输入相干性估计量公式，估计第i景和第k景SAR数据的相干性，获得当前中心像素的相干值；
S403：遍历L视图像上的每个空间位置，重复步骤S401~S402获取每个空间位置的相干值，得到第i景和第k景SAR数据的相干图。
一种计算机系统，包括存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序，所述的处理器执行所述的计算机程序时，实现如上所述的方法的步骤。
一种计算机可读存储介质，其上存储有计算机程序，所述的计算机程序被处理器执行时，实现如上所述的方法的步骤。
本发明的有益效果如下：
本发明从传统单视时序SAR海量数据相干性估计转化到多视时序SAR数据相干性估计，减小内存和硬盘空间，在不损失原始信号信息条件下从传统单视处理转变为多视处理下的InSAR相干性估计，大幅增加计算效率。
本发明通过L视数据的双样本假设检验和区域增长选取独立同分布样本，联合多视样本减小估计偏差，提高相干性估计精度。
本发明在多视数据集处理时，在没有复杂统计模型的干预下，利用时空样本取代时间样本的思想，发展了基于双样本假设检验和区域增长的独立同分布样本选择方法。
本发明证明了多视数据相干性估计等价于单视原始信号的相干性估计，确保InSAR技术中的空间样本选择和相干性估计步骤均可以在多视数据集中实现，增加估计精度，为提高海量数据处理效率提供了依据。
附图说明
图1是本发明基于多视SAR数据集的InSAR相干性估计方法的流程图。
图2是视数L=5，本发明估计20景SAR数据下平均相干性。
图3是视数L=1，传统单视估计20景SAR数据下平均相干性。
图4是相干性直方图比较。
具体实施方式
下面结合附图和具体实施方式对本发明做详细描述。
实施例1
如图1所示，一种基于多视SAR数据集的InSAR相干性估计方法，所述的方法包括步骤如下：
S1：对配准后的n个原始单视时序SAR数据集先进行差分干涉，再进行L视处理，得到m景L视差分干涉图。
S2：对n个原始单视时序SAR数据集进行取模和平方运算，得到n个单视时序强度数据集，进行L视处理后得到n景L视时序强度数据集。
S3：设计一个满足L视强度数据集统计性质的独立同分布样本选择方法，在每个滑动窗口内为每个参考中心像素选取来自相同影像质地的空间像素（也可以说是同一总体的空间样本）。
S4：然后用独立同分布样本选择方法选择的样本估计m景L视差分干涉图的相干性。
在一个具体的实施例中，所述的独立同分布样本选择方法分为以下统计推断步骤：
301：在L视时序强度数据集满足Gamma分布的基础上，给出两个时间样本的双样本假设检验解析表达式；在m*m尺寸的滑动窗口内用双样本假设检验解析表达式逐个比较邻域像素与参考中心像素的相似性，并标记接受零假设的像素为同类像素；将L视时序强度数据集的任意两个空间像素x和y的一维时间样本转换成三维立方体，得到包括L个空间样本和n个时间样本的融合时空样本。
进一步地，步骤S301，假设任意两个空间像素x和y的时间样本分别为{x1,x2,…,xn}和{y1,y2,…,yn}，零假设是均值相等，表明属于同类或具有相同质地，则双样本假设检验等价于服从自由度为（2nL,2nL）的F分布，其解析表达式如下：
Figure 680800DEST_PATH_IMAGE001
（1）
其中，
Figure 536760DEST_PATH_IMAGE002
表示空间像素y的时间平均值、
Figure 375403DEST_PATH_IMAGE003
表示空间像素x的时间平均值。
所述的L视时序强度数据集是三维的，在一个滑动窗口内，比较周围像素与参考中心像素的统计相似度，方法是将周围像素逐个进行时间平均，然后和参考中心像素的时间平均比较。
L视强度数据集理论上服从Gamma分布，但是仍可以将L视数据集的任意两个空间像素x和y的时间样本视为指数分布这一事实推出以上结论。这是因为可以将x和y的一维时间样本转换成三维立方体，也就是融合时空样本。{x1,x2,…,xn}和{y1,y2,…,yn}变换为{x1,x2,…,xn*L}和{y1,y2,…,yn*L}, 即一组观测中包含了L个空间样本和n个时间样本，共计n*L个。从假设检验的视角来说，样本增加了L倍将显著减小检验的第二类统计误差。这一思想使得L视数据的假设检验解析式变得十分简便。
S302：空间区域增长算法，即利用步骤S301的独立同类像素选择方法选取的参考中心像素取均值，得到参考中心像素期望的估值；然后利用参考中心像素期望的估值作为当前中心像素对窗口内像素进行区域增长。
在一个具体的实施例中，步骤S302，具体地，对m*m窗口内所有像素取时间平均，将当前中心像素位置处，也即种子点的值替换为独立同分布样本的均值，再用以下公式标记出满足种子点八邻域像素的目标p i ：
Figure 390633DEST_PATH_IMAGE004
（2）
其中，
Figure 656529DEST_PATH_IMAGE005
表示Gamma分布
Figure 999785DEST_PATH_IMAGE006
分位点、
Figure 265288DEST_PATH_IMAGE007
表示均值，N表示同类像素的数量，L表示视数、
Figure 10390DEST_PATH_IMAGE008
表示Gamma分布
Figure 571822DEST_PATH_IMAGE009
分位点。
通过该步骤，将满足区间要求的所有样本进行平均，作为新的种子点的估值，更新均值
Figure 402375DEST_PATH_IMAGE010
，再对其八邻域应用上式进行判定，直到没有像素满足区间估计的要求。
S203：将区域增长的所有目标进行标记，这些目标必然与中心目标直接或者间接相连，完成独立同分布样本的选择和识别。
在一个具体的实施例中，对于L视时序强度数据集的任意一个空间像素的时间平均等价于原始单视强度数据的时空平均：
Figure 582820DEST_PATH_IMAGE011
（3）
其中，
Figure 307063DEST_PATH_IMAGE012
表示第i景L视时序强度；等式右边表示单视强度数据的nL个样本的时空平均。
这表明在无需知道原始单视强度信息的条件下可直接利用被压缩的L视数据集和上述独立同分布样本方法选取来自同一总体的空间样本。
在一个具体的实施例中，由于任意L视差分干涉图由第i景和第k景时序SAR数据集差分得到，因此在估计相干性时，需要第i景和第k景的L视时序强度图进行运算。
相干性估计量的公式为：
Figure 180341DEST_PATH_IMAGE013
（4）
*表示复共轭操作，
Figure 498190DEST_PATH_IMAGE014
表示取模，
Figure 341381DEST_PATH_IMAGE015
和
Figure 61075DEST_PATH_IMAGE016
表示单视时序强度，
Figure 839675DEST_PATH_IMAGE017
表示单视差分干涉图。
当给定的L视差分干涉图和时序强度图，获得与式（4）等价的相干性估计量写为，
Figure 270919DEST_PATH_IMAGE018
（5）
其中，
Figure 793167DEST_PATH_IMAGE019
是L视差分干涉图，
Figure 367368DEST_PATH_IMAGE020
是L视时序强度；
注意
Figure 707082DEST_PATH_IMAGE021
在公式中抵消，因此式（4）、式（5）两式恒等的条件是P=Q*L，而Q是多视数据下的同类像素数。
在一个人具体的实施例中，步骤S4，估计m景L视差分干涉图的相干性的步骤如下：
S401：对L视强度数据设定一个矩形滑动窗口，在当前窗口下利用步骤S3的独立同分布样本选择方法挑选出与参考中心像素具有相同统计性质的独立同分布样本并标记1；否则视为异质像素，并标记0；
S402：将标记为1的像素视为中心像素的同质样本，即标记为1的数量为Q；将L视差分干涉图、L视时序强度图以及当前窗口被标记为1的样本输入相干性估计量公式，估计第i景和第k景SAR数据的相干性，获得当前中心像素的相干值；
S403：遍历L视图像上的每个空间位置，重复步骤S401~S402获取每个空间位置的相干值，得到第i景和第k景SAR数据的相干图。
独立同分布样本选择方法和相干性估计方法还可以推广至时序InSAR协方差矩阵估计。这是因为InSAR协方差矩阵估计的非对角元素就是第i景和第k景SAR数据的相干性，而对角元素就是多视强度数据集。
本实施例从传统单视时序SAR海量数据相干性估计转化到多视时序SAR数据相干性估计，减小内存和硬盘空间，在不损失原始信号信息条件下从传统单视处理转变为多视处理下的InSAR相干性估计，大幅增加计算效率。
本实施例通过L视数据的双样本假设检验和区域增长选取同分布样本，联合多视样本减小估计偏差，提高相干性估计精度。
本实施例在多视数据集处理时，在没有复杂统计模型的干预下，利用时空样本取代时间样本的思想，发展了基于双样本假设检验和区域增长的独立同分布样本选择方法。
本实施例证明了多视数据相干性估计等价于单视原始信号的相干性估计，确保InSAR技术中的空间样本选择和相干性估计步骤均可以在多视数据集中实现，增加估计精度，为提高海量数据处理效率提供了依据。
实施例2
一种计算机系统，包括存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序，所述的处理器执行所述的计算机程序时，实现如实施例1所述的基于多视SAR数据集的InSAR相干性估计方法。
实施例3
一种计算机可读存储介质，其上存储有计算机程序，所述的计算机程序被处理器执行时，实现如所述的基于多视SAR数据集的InSAR相干性估计方法。
实施例4
基于实施例1所述的基于多视SAR数据集的InSAR相干性估计方法，本实施例通过以下实验进一步说明本实施例的效果：
本实施例选取了位于湖北恩施市2019年9月至2020年5月共20景Sentinel-1 TOPS数据集图像，单视数据原始尺寸为1000*2500。采用本发明技术方案三执行相干性估计，首先对数据集进行距离向L=5视处理，分别获得5视干涉图序列和5视强度序列，数据集尺寸变为1000*500；再将独立样本选取的窗口尺寸设置为方位向11*距离向11，最后用独立同分布样本选择算法（3）和多视相干性估计量（4）估计相干值。作为比较，采用传统InSAR数据处理方法对尺寸为1000*2500的单视数据集处理，选用方位向11*距离向55的窗口进行独立样本选取（这确保单视和多视处理使用的总样本大小相同，即步骤（4）中P=Q*L，P=11*55，Q=11*11，L=5）。在相干性估计时，选用（3）和（4）中的相干性估计量。
图2、图3给出了单视和多视下的相干性估计结果，它是所有干涉组合相干性的平均值，可评估算法整体差异。可以从图4直方图看出，两者整体空间分布和取值相近，虽然在中间区域有局部差异。值得注意的是，影像中间属于城市区域，在进行多视处理之后，点目标与分布式目标混合，即那些具有不同分布的样本在相干性估计之前参与平均。因此，5视的相干图在中部呈现出更高的值。
显然，本发明的上述实施例仅仅是为清楚地说明本发明所作的举例，而并非是对本发明的实施方式的限定。凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明权利要求的保护范围之内。

Claims (6)

1.一种基于多视SAR数据集的InSAR相干性估计方法，其特征在于：所述的方法包括步骤如下：
S1：对配准后的n个原始单视时序SAR数据集先进行差分干涉，再进行L视处理，得到m景L视差分干涉图；
S2：对配准后的n个单视时序SAR数据集进行取模和平方运算，得到n个单视时序强度数据集，进行L视处理后得到n景L视时序强度数据集；
S3：设计一个满足L视时序强度数据集统计性质的独立同类像素选择方法，在每个滑动窗口内为每个参考中心像素选取来自相同影像质地的空间像素；
S4：然后用区域增长法选择的同类像素估计m景L视差分干涉图的相干性；
对于L视时序强度数据集的任意一个空间像素的时间平均等价于原始单视强度数据的时空平均：
Figure 829288DEST_PATH_IMAGE001
（3）
其中，
Figure 707246DEST_PATH_IMAGE002
表示第i景L视时序强度；等式右边表示单视强度数据的nL个样本的时空平均；
由于任意L视差分干涉图由第i景和第k景时序SAR数据集差分得到，因此在估计相干性时，需要第i景和第k景的L视时序强度图进行运算；
相干性估计量的公式为：
Figure 761789DEST_PATH_IMAGE003
（4）
其中，*表示复共轭操作，
Figure 598158DEST_PATH_IMAGE004
表示取模，
Figure 370942DEST_PATH_IMAGE005
和
Figure 52590DEST_PATH_IMAGE006
表示单视时序强度，
Figure 227220DEST_PATH_IMAGE007
表示单视差分干涉图；
当给定的L视差分干涉图和时序强度图，获得与式（4）等价的相干性估计量写为，
Figure 968911DEST_PATH_IMAGE008
（5）
其中，
Figure 228991DEST_PATH_IMAGE009
是L视差分干涉图，
Figure 734838DEST_PATH_IMAGE010
是L视时序强度；
注意
Figure 763974DEST_PATH_IMAGE011
在公式中抵消，因此式（4）、式（5）两式恒等的条件是P=Q*L，而Q是多视数据下的同类像素数；
步骤S4，估计m景L视差分干涉图的相干性的步骤如下：
S401：对L视时序强度数据集设定一个矩形滑动窗口，在当前窗口下利用步骤S3的独立同类像素选择方法挑选出与参考中心像素具有相同统计性质的独立同分布样本并标记1；否则视为异质像素，并标记0；
S402：将标记为1的像素视为中心像素的同质样本，即标记为1的数量为Q；将L视差分干涉图、L视时序强度图以及当前窗口被标记为1的样本输入相干性估计量公式，估计第i景和第k景SAR数据的相干性，获得当前中心像素的相干值；
S403：遍历L视图像上的每个空间位置，重复步骤S401~S402获取每个空间位置的相干值，得到第i景和第k景SAR数据的相干图。
2.根据权利要求1所述的基于多视SAR数据集的InSAR相干性估计方法，其特征在于：所述的独立同类像素选择方法分为以下统计推断步骤：
S301：在L视时序强度数据集满足Gamma分布的基础上，给出两个时间样本的双样本假设检验解析表达式； 在m*m尺寸的滑动窗口内用双样本假设检验解析表达式逐个比较邻域像素与参考中心像素的相似性，并标记接受零假设的像素为同类像素；
S302：空间区域增长算法，即利用步骤S301的独立同类像素选择方法选取的参考中心像素取均值，得到参考中心像素期望的估值；然后利用参考中心像素期望的估值作为当前中心像素对窗口内像素进行区域增长；
S303：将区域增长的所有目标进行标记，完成独立同分布样本的选择和识别。
3.根据权利要求2所述的基于多视SAR数据集的InSAR相干性估计方法，其特征在于：步骤S301，假设任意两个空间像素x和y的时间样本分别为{x1,x2,…,xn}和{y1,y2,…,yn}，零假设是均值相等，表明属于同类或具有相同质地，则双样本假设检验等价于服从自由度为（2nL,2nL）的F分布，其解析表达式如下：
Figure 801200DEST_PATH_IMAGE012
（1）
其中，
Figure 158363DEST_PATH_IMAGE013
表示空间像素y的时间平均值、
Figure 572027DEST_PATH_IMAGE014
表示空间像素x的时间平均值。
4.根据权利要求3所述的基于多视SAR数据集的InSAR相干性估计方法，其特征在于：步骤S302，具体地，对m*m窗口内所有像素取时间平均，将当前中心像素位置处，也即种子点的值替换为独立同分布样本的均值，再用以下公式标记出满足种子点八邻域像素的目标p i ：
Figure 331035DEST_PATH_IMAGE015
（2）
其中，
Figure 539163DEST_PATH_IMAGE016
表示Gamma分布
Figure 383622DEST_PATH_IMAGE017
分位点、
Figure 335397DEST_PATH_IMAGE018
表示均值，N表示同类像素的数量，L表示视数、
Figure 214492DEST_PATH_IMAGE019
表示Gamma分布
Figure 859100DEST_PATH_IMAGE020
分位点；
通过该步骤，将满足区间要求的所有样本进行平均，作为新的种子点的估值，更新均值
Figure 49910DEST_PATH_IMAGE021
，再对其八邻域应用上式进行判定，直到没有像素满足区间估计的要求。
5.一种计算机系统，包括存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序，其特征在于：所述的处理器执行所述的计算机程序时，实现如权利要求1~4任一项所述的方法的步骤。
6.一种计算机可读存储介质，其上存储有计算机程序，其特征在于：所述的计算机程序被处理器执行时，实现如权利要求1~4任一项所述的方法的步骤。
CN202211193555.3A 2022-09-28 2022-09-28 一种基于多视SAR数据集的InSAR相干性估计方法 Active CN115267781B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211193555.3A CN115267781B (zh) 2022-09-28 2022-09-28 一种基于多视SAR数据集的InSAR相干性估计方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211193555.3A CN115267781B (zh) 2022-09-28 2022-09-28 一种基于多视SAR数据集的InSAR相干性估计方法

Publications (2)

Publication Number Publication Date
CN115267781A CN115267781A (zh) 2022-11-01
CN115267781B true CN115267781B (zh) 2022-12-16

Family

ID=83757695

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211193555.3A Active CN115267781B (zh) 2022-09-28 2022-09-28 一种基于多视SAR数据集的InSAR相干性估计方法

Country Status (1)

Country Link
CN (1) CN115267781B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116299596B (zh) * 2023-05-15 2023-08-01 中山大学 顾及测站基线长度和对流层约束的海上精密单点定位方法

Family Cites Families (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
IT1393687B1 (it) * 2009-04-03 2012-05-08 Tele Rilevamento Europa T R E S R L Procedimento per l'identificazione di pixel statisticamente omogenei in immagini sar acquisite sulla stessa area.
CN104678392B (zh) * 2015-01-19 2017-07-28 河海大学 一种基于稳定像元加权的地基sar大气延迟改正方法
CN108062767B (zh) * 2018-02-11 2022-02-11 河海大学 基于时序sar图像的统计同分布空间像素选择方法
CN109509219B (zh) * 2018-12-28 2022-08-26 河海大学 基于最小生成树的InSAR时序影像集合的配准方法
CN110261839B (zh) * 2019-07-04 2023-02-28 河海大学 一种基于双倍样本的增强谱分集方位向偏移量估计方法
CN110412574B (zh) * 2019-09-05 2021-05-25 河海大学 一种时空相干性增强的分布式目标InSAR时序处理方法和装置
CN114488150A (zh) * 2022-01-26 2022-05-13 中山大学 一种InSAR时序相位的优化方法及装置
CN114881081A (zh) * 2022-05-13 2022-08-09 中国矿业大学 一种基于自适应时空滤波融合的干涉相位优化方法

Also Published As

Publication number Publication date
CN115267781A (zh) 2022-11-01

Similar Documents

Publication Publication Date Title
Ju et al. IDGCP: Image dehazing based on gamma correction prior
Tian et al. Region-based automatic building and forest change detection on Cartosat-1 stereo imagery
CN102025959B (zh) 从低清晰度视频产生高清晰度视频的系统与方法
CN112765095B (zh) 一种立体测绘卫星影像数据归档方法和系统
CN115267781B (zh) 一种基于多视SAR数据集的InSAR相干性估计方法
US20170270680A1 (en) Method for Determining Depth Maps from Stereo Images with Improved Depth Resolution in a Range
US11747498B1 (en) Method, system, device and medium for landslide identification based on full polarimetric SAR
CN108802729B (zh) 时间序列InSAR最佳干涉像对选择的方法及装置
Yamamoto et al. A change detection method for remotely sensed multispectral and multitemporal images using 3-D segmentation
CN113222871B (zh) 一种多视卫星影像数字表面模型融合方法
CN107194917A (zh) 基于dap和arelm的在轨sar图像变化检测方法
CN113204023A (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
CN113446998A (zh) 一种基于高光谱目标探测数据的动态解混方法
Luo et al. Using surface model to correct and fit disparity data in stereo vision
CN109948520B (zh) 一种基于多时相双极化sar特征曲线的农作物分类方法
Dong et al. A novel VHR image change detection algorithm based on image fusion and fuzzy C-means clustering
CN116030252A (zh) 融合边缘信息的模糊迭代sar图像超像素分割方法
CN114004870A (zh) 一种利用光学正射图像的无人机sar图像地理编码方法
Bagheri et al. Exploring the applicability of semi-global matching for SAR-optical stereogrammetry of urban scenes
Fayard et al. Generation of DEM by radargrammetric techniques
CN112766032A (zh) 一种基于多尺度和超像素分割的sar图像显著图生成方法
Gorovyi et al. Multi-look SAR processing with road location and moving target parameters estimation
CN117310705B (zh) 一种基于双极化sar影像的洪涝灾害快速检测方法
CN116342417B (zh) 一种航空遥感影像的辐射校正方法及系统
Milne et al. Vegetation mapping using JERS-1 SAR mosaic for northern Australia

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