CN115507737A - 时序InSAR干涉像对的选取方法及装置 - Google Patents

时序InSAR干涉像对的选取方法及装置 Download PDF

Info

Publication number
CN115507737A
CN115507737A CN202211150664.7A CN202211150664A CN115507737A CN 115507737 A CN115507737 A CN 115507737A CN 202211150664 A CN202211150664 A CN 202211150664A CN 115507737 A CN115507737 A CN 115507737A
Authority
CN
China
Prior art keywords
coherence
interference
average
coefficient
coherence coefficient
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
CN202211150664.7A
Other languages
English (en)
Inventor
李佳
段平
张志科
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.)
Yunnan Normal University
Original Assignee
Yunnan Normal 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 Yunnan Normal University filed Critical Yunnan Normal University
Priority to CN202211150664.7A priority Critical patent/CN115507737A/zh
Publication of CN115507737A publication Critical patent/CN115507737A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • 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
    • 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)
  • General Physics & Mathematics (AREA)
  • Electromagnetism (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Radar Systems Or Details Thereof (AREA)

Abstract

本发明公开了一种时序InSAR干涉像对的选取方法及装置，其中该方法包括：获取覆盖研究区域在研究时段内的SAR单视复数影像；将该影像两两配对得到若干干涉像对；基于干涉像对计算每个像素的干涉相干系数得到干涉相干系数图；计算每一幅干涉图的平均相干系数；将干涉图依据主影像的获取日期按月份分类，计算总及每个月的月平均相干系数；将干涉图以月为单位区分为高和低相干月份；以高平均相干系数为阈值选取高相干月份内的干涉像对，以低平均相干系数为阈值选取低相干月份内的干涉像对，选取的干涉像对用于时序InSAR分析。本发明顾及相干系数月份差异进行时序InSAR干涉像对选取，可以实现间断性相干区域干涉像对优化选取。

Description

时序InSAR干涉像对的选取方法及装置
技术领域
本发明涉及时序InSAR技术领域，尤其涉及一种顾及相干系数月份差异的时序InSAR干涉像对的选取方法及装置。
背景技术
本部分旨在为权利要求书中陈述的本发明实施例提供背景或上下文。此处的描述不因为包括在本部分中就承认是现有技术。
时间序列干涉合成孔径雷达(TS-InSAR，Time Series InterferometricSynthetic Aperture Radar)是一种很有前景的对地观测技术，通过对覆盖同一地区的多幅SAR单视复数影像组成的干涉像对进行干涉处理和时序反演可获取大范围地表微小形变，被广泛应用于蠕变地质灾害的探测与监测。
然而，时序InSAR技术对干涉像对的数量、质量和干涉基线网络结构有较高要求，良好的干涉像对和稳健的干涉基线网络是时序InSAR技术有效识别地表形变的前提，所以对干涉像对进行优化选取很有必要。目前干涉像对选取方法主要有以下几种：1.依据经验判断，手动选择相干性良好的干涉像对；2.基于短时空基线阈值选取干涉像对；3.参考研究区环境因子(温度、湿度、植被覆盖度等)选取干涉像对；4.基于相干系数阈值选取干涉像对。其中手动选取的方法需要专家知识且耗时耗力，不适合处理有大量数据的长时间序列InSAR研究；短时空基线阈值无法摆脱间隔短但相干性差的干涉图，容易引入去相关误差，且仅使用短时空基线的干涉图可能会引入系统性误差；参考研究区环境因子需要获取大量准确的外部数据，在很多区域难以实现。而使用相干系数阈值选取干涉像对可以有效避免上述问题，作为干涉像对质量的表征因子，相干系数被应用于干涉像对选取。
但在相干系数有月份变化的间断性相干区域，使用相干系数阈值选取干涉像对会面临着阈值的确定问题，目前主要是使用统一的自定义相干系数(0.1～0.6)或平均相干系数阈值。但基于自定义相干系数阈值选取干涉图需要先验知识且具有主观性，阈值设置过大容易导致干涉基线的断连或缺失，干涉基线的断连会导致形变反演结果精度降低甚至不可用，干涉基线的缺失会造成干涉对数目过少，不满足时序InSAR处理要求；阈值设置过小会导致干涉像对冗余和引入低相干干涉像对，干涉像对冗余会增加处理难度，低相干干涉像对参与时序InSAR反演容易引入去相关误差。而使用平均相干系数阈值选取干涉图则容易导致干涉基线的断连。可见现有基于相干系数阈值选取干涉像对的方法在相干系数有月份变化的间断性相干区域并不适用，间断性相干区域干涉像对优化选取是目前时序InSAR处理亟需解决的问题。
发明内容
本发明实施例提供一种时序InSAR干涉像对的选取方法，用以实现间断性相干区域干涉像对优化选取，该方法包括：
获取覆盖研究区域在研究时段内的合成孔径雷达SAR单视复数影像；
将SAR单视复数影像以预设时间基线为阈值两两配对，得到若干干涉像对；
基于所述干涉像对计算每个像素的干涉相干系数，得到干涉相干系数图；
计算每一幅干涉相干系数图的平均相干系数；
将干涉相干系数图依据主影像的获取日期按月份分类，计算总平均相干系数及每个月的月平均相干系数；所述总平均相干系数为所有干涉相干系数图的平均相干系数的均值；
将干涉相干系数图以月为单位区分为高相干月份和低相干月份，月平均相干系数大于总平均相干系数的月份分为高相干月份，月平均相干系数小于总平均相干系数的月份分为低相干月份；
以高平均相干系数为阈值选取高相干月份内的干涉像对，以低平均相干系数为阈值选取低相干月份内的干涉像对，选取的干涉像对用于时序InSAR分析；所述高平均相干系数为高相干月份内所有干涉相干系数图的平均相干系数的均值，所述低平均相干系数为低相干月份内所有干涉相干系数图的平均相干系数的均值。
本发明实施例还提供一种时序InSAR干涉像对的选取装置，用以实现间断性相干区域干涉像对优化选取，该装置包括：
获取单元，用于获取覆盖研究区域在研究时段内的合成孔径雷达SAR单视复数影像；
干涉像对确定单元，用于将SAR单视复数影像以预设时间基线为阈值两两配对，得到若干干涉像对；
干涉相干系数图确定单元，用于基于所述干涉像对计算每个像素的干涉相干系数，得到干涉相干系数图；
相干系数计算单元，用于计算每一幅干涉相干系数图的平均相干系数；
分类计算单元，用于将干涉相干系数图依据主影像的获取日期按月份分类，计算总平均相干系数及每个月的月平均相干系数；所述总平均相干系数为所有干涉相干系数图的平均相干系数的均值；
相干月份确定单元，用于将干涉相干系数图以月为单位区分为高相干月份和低相干月份，月平均相干系数大于总平均相干系数的月份分为高相干月份，月平均相干系数小于总平均相干系数的月份分为低相干月份；
选取单元，用于以高平均相干系数为阈值选取高相干月份内的干涉像对，以低平均相干系数为阈值选取低相干月份内的干涉像对，选取的干涉像对用于时序InSAR分析；所述高平均相干系数为高相干月份内所有干涉相干系数图的平均相干系数的均值，所述低平均相干系数为低相干月份内所有干涉相干系数图的平均相干系数的均值。
本发明实施例还提供一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述时序InSAR干涉像对的选取方法。
本发明实施例还提供一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现上述时序InSAR干涉像对的选取方法。
本发明实施例还提供一种计算机程序产品，所述计算机程序产品包括计算机程序，所述计算机程序被处理器执行时实现上述时序InSAR干涉像对的选取方法。
本发明实施例中，时序InSAR干涉像对的选取方案，通过：获取覆盖研究区域在研究时段内的合成孔径雷达SAR单视复数影像；将SAR单视复数影像以预设时间基线为阈值两两配对，得到若干干涉像对；基于所述干涉像对计算每个像素的干涉相干系数，得到干涉相干系数图；计算每一幅干涉相干系数图的平均相干系数；将干涉相干系数图依据主影像的获取日期按月份分类，计算总平均相干系数及每个月的月平均相干系数；所述总平均相干系数为所有干涉相干系数图的平均相干系数的均值；将干涉相干系数图以月为单位区分为高相干月份和低相干月份，月平均相干系数大于总平均相干系数的月份分为高相干月份，月平均相干系数小于总平均相干系数的月份分为低相干月份；以高平均相干系数为阈值选取高相干月份内的干涉像对，以低平均相干系数为阈值选取低相干月份内的干涉像对，选取的干涉像对用于时序InSAR分析；所述高平均相干系数为高相干月份内所有干涉相干系数图的平均相干系数的均值，所述低平均相干系数为低相干月份内所有干涉相干系数图的平均相干系数的均值，该方案顾及相干系数月份差异进行时序InSAR干涉像对选取，可以实现间断性相干区域干涉像对优化选取。
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，下面将对实施例或现有技术描述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的前提下，还可以根据这些附图获得其他的附图。在附图中：
图1为本发明提供中顾及相干系数月份差异的时序InSAR干涉像对选取方法的整体流程示意图；
图2为本发明实施例提供的一副干涉相干系数图；
图3为本发明实施例中时间基线阈值为108天的所有干涉像对干涉基线连接图；
图4为本发明实施例中得到的月平均相干系数与总平均相干系数折线图；
图5为本发明实施例提供的干涉像对选取后得到的干涉基线连接图；
图6为本发明实施例中顾及相干系数月份差异的时序InSAR干涉像对选取方法的流程示意图；
图7为本发明实施例中顾及相干系数月份差异的时序InSAR干涉像对选取装置的结构示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚明白，下面结合附图对本发明实施例做进一步详细说明。在此，本发明的示意性实施例及其说明用于解释本发明，但并不作为对本发明的限定。
针对现有技术中的缺陷和不足，本发明实施例提供了一种时序InSAR干涉像对的选取方案，该方案为一种顾及相干系数月份差异的时序InSAR干涉像对选取方案，以解决间断性相干区域干涉像对优化选取的问题。下面对该时序InSAR干涉像对的选取方案进行详细介绍。
图6为本发明实施例中顾及相干系数月份差异的时序InSAR干涉像对选取方法的流程示意图，如图6所示，该方法包括如下步骤：
步骤101：获取覆盖研究区域在研究时段内的合成孔径雷达SAR单视复数影像；
步骤102：将SAR单视复数影像以预设时间基线为阈值两两配对，得到若干干涉像对；
步骤103：基于所述干涉像对计算每个像素的干涉相干系数，得到干涉相干系数图；
步骤104：计算每一幅干涉相干系数图的平均相干系数；
步骤105：将干涉相干系数图依据主影像的获取日期按月份分类，计算总平均相干系数及每个月的月平均相干系数；所述总平均相干系数为所有干涉相干系数图的平均相干系数的均值；
步骤106：将干涉相干系数图以月为单位区分为高相干月份和低相干月份，月平均相干系数大于总平均相干系数的月份分为高相干月份，月平均相干系数小于总平均相干系数的月份分为低相干月份；
步骤107：以高平均相干系数为阈值选取高相干月份内的干涉像对，以低平均相干系数为阈值选取低相干月份内的干涉像对，选取的干涉像对用于时序InSAR分析；所述高平均相干系数为高相干月份内所有干涉相干系数图的平均相干系数的均值，所述低平均相干系数为低相干月份内所有干涉相干系数图的平均相干系数的均值。
本发明实施例提供的时序InSAR干涉像对选取方法，工作时：获取覆盖研究区域在研究时段内的合成孔径雷达SAR单视复数影像；将SAR单视复数影像以预设时间基线为阈值两两配对，得到若干干涉像对；基于所述干涉像对计算每个像素的干涉相干系数，得到干涉相干系数图；计算每一幅干涉相干系数图的平均相干系数；将干涉相干系数图依据主影像的获取日期按月份分类，计算总平均相干系数及每个月的月平均相干系数；所述总平均相干系数为所有干涉相干系数图的平均相干系数的均值；将干涉相干系数图以月为单位区分为高相干月份和低相干月份，月平均相干系数大于总平均相干系数的月份分为高相干月份，月平均相干系数小于总平均相干系数的月份分为低相干月份；以高平均相干系数为阈值选取高相干月份内的干涉像对，以低平均相干系数为阈值选取低相干月份内的干涉像对，选取的干涉像对用于时序InSAR分析；所述高平均相干系数为高相干月份内所有干涉相干系数图的平均相干系数的均值，所述低平均相干系数为低相干月份内所有干涉相干系数图的平均相干系数的均值，顾及相干系数月份差异进行时序InSAR干涉像对选取，可以实现间断性相干区域干涉像对优化选取。下面进行详细介绍。
目前时序InSAR干涉像对选取方法主要是手动选择、基于短时空基线阈值、参考研究区环境因子或基于固定的相干系数阈值。随着时序InSAR使用数据的增多，前三种干涉像对选取方法存在的问题越发凸显，相干系数由于可以综合反映各种相干性影响因子，表征干涉像对的质量，逐渐被用于干涉像对的选取。然而，在实际情况中，尤其是在相干系数有月份变化的间断性相干区域，仅使用固定的相干系数阈值容易导致干涉基线断连、冗余或关键干涉像对缺失，难以得到稳健的干涉基线网络。因此，使用相干系数选取干涉像对需要顾及相干系数的月份变化。
针对常规基于固定相干系数的干涉像对选取方法在有月份变化的间断性相干区域容易导致干涉基线断连、冗余或缺失，进而导致时序InSAR地表形变探测精度降低的问题，本发明提供了一种顾及相干系数月份差异的干涉像对选取方法。该方法首先获取覆盖研究区域在研究时段内的SAR单视复数影像，对SAR单视复数影像以时间基线预设天数范围例如100天至115天(优选地：108天)为阈值两两配对得到若干幅干涉像对，时间基线阈值设置为108天，涵盖三个月份，能反映出相干系数的月份变化，也可以为干涉像对选取提供较为宽松的备选方案。然后基于干涉像对计算每个像素的相干系数，得到干涉相干系数图。接下来计算每一幅干涉相干系数图的平均相干系数，在平均相干系数的基础上对干涉基线进行优化。将干涉相干系数图依据主影像的获取日期按月份分类，计算总平均相干系数λall(所有干涉相干系数图平均相干系数的均值)和每个月的月平均相干系数λmonth，以λall为分割值将λmonth大于λall的月份归为高相干月份，将λmonth小于λall的月份归为低相干月份。然后以高相干月份内所有干涉相干系数图平均相干系数的均值λhigh为阈值选取高相干月份内的干涉像对，以低相干月份内所有干涉相干系数图平均相干系数的均值λlow为阈值选取低相干月份内的干涉像对，得到最终选取的干涉像对。
本发明实施例采用了如下方案：
S1、获取覆盖研究区域在研究时段内的SAR单视复数影像，该步骤S1上述步骤101；
S2、将SAR单视复数影像以预设时间基线(例如100天至115天，优选地108天)为阈值两两配对，得到若干干涉像对，该步骤S2对应上述步骤102；
S3、基于上述得到的干涉像对计算每个像素的相干系数，得到干涉相干系数图，该步骤S3对应上述步骤103；
进一步地，上述步骤S3中像素点(i，j)处干涉相干系数计算公式为，即在一个实施例中，上述时序InSAR干涉像对选取方法还可以包括按照如下公式(1)计算每个像素的干涉相干系数：
Figure BDA0003856998130000071
式中，λ(i,j)是像素点(i,j)处的干涉相干系数，Q和S是获取的SAR单视复数影像，分别为主影像和从影像，*表示复共轭相乘，m和n是用于计算相干系数的局部窗口大小，(i,j)表示像素点的位置。
S4、计算每一幅干涉相干系数图的平均相干系数，该步骤S4对应上述步骤104；
进一步地，上述步骤S4中干涉相干系数图的平均相干系数计算公式为，即在一个实施例中，上述时序InSAR干涉像对选取方法还可以包括按照如下公式(2)计算每一幅干涉相干系数图的平均相干系数：
Figure BDA0003856998130000072
式中，λavg是干涉相干系数图的平均相干系数，W和I分别是图像的宽度和长度。λ(i,j)是像素(i，j)处的相干系数。
S5、将干涉相干系数图依据主影像的获取日期按月份分类，计算总平均相干系数λall(所有干涉相干系数图平均相干系数的均值)和每个月的月平均相干系数λmonth，该步骤S5对应上述步骤105；
进一步地，上述步骤S5中总平均相干系数λall和月平均相干系数λmonth的计算公式为，即在一个实施例中，还包括按照如下公式(3)计算总平均相干系数，以及按照如下公式(4)计算月平均相干系数：
Figure BDA0003856998130000081
Figure BDA0003856998130000082
式中，N为所有干涉图的数量，λall是总平均相干系数；M为每个月干涉图的数量，λmonth是月平均相干系数，λavg是干涉相干系数图的平均相干系数，t表示干涉对的数量。
S6、将干涉图以月为单位区分为高相干月份和低相干月份，月平均相干系数λmonth大于λall的月份分为高相干月份，λmonth小于λall的月份分为低相干月份，该步骤S6对应上述步骤106；
进一步地，上述步骤S6中区分高相干月份和低相干月份的表达式可以为：
Figure BDA0003856998130000083
进一步地，上述步骤S6中不同月份干涉像对选取阈值计算公式可以为，即在一个实施例中，上述时序InSAR干涉像对选取方法还可以包括按照如下公式(5)计算高平均相干系数高平均相干系数，以及按照如下公式(6)计算低平均相干系数：
Figure BDA0003856998130000084
Figure BDA0003856998130000085
式中，H为高相干月份所有干涉图的数量，λhigh为高平均相干系数；L为低相干月份所有干涉图的数量，λlow为低平均相干系数。
S7、以高平均相干系数λhigh(高相干月份内所有干涉相干系数图平均相干系数的均值)为阈值选取高相干月份内的干涉像对，以低平均相干系数λlow(低相干月份内所有干涉相干系数图平均相干系数的均值)为阈值选取低相干月份内的干涉像对。最终选取的干涉像对用于时序InSAR分析。高平均相干系数、低平均相干系数为不同月份干涉像对选取阈值，该步骤S7对应上述步骤107。
为了便于理解本发明如何实施，下面结合图1至图5，举一例子进行详细说明。
本发明实施例公开了一种顾及相干系数月份差异的时序InSAR干涉像对选取方法，下面以金沙江流域乌东德库区龙川江河口至小江河口段为实例区，结合附图和具体实施方式对本发明作进一步详细说明。
图1为本发明提供的顾及相干系数月份差异的时序InSAR干涉像对选取方法的整体流程图，本发明具体方法包括以下步骤：
步骤S1：获取覆盖实例区2019年2月至2022年的86景Sentinel-1A降轨单视复数影像。
一景Sentinel-1A降轨单视复数影像覆盖范围大于实例区范围，所以以实例区范围对Sentinel-1A降轨单视复数影像做了裁剪处理。
步骤S2：将86景Sentinel-1A单视复数影像以时间基线108天为阈值两两配对，得到711幅干涉像对。
步骤S3：基于上述得到的干涉像对计算每个像素的相干系数，得到干涉相干系数图。
相干系数的计算公式为：
Figure BDA0003856998130000091
式中，Q和S是获取的SAR单视复数影像，分别为主影像和从影像，*表示复共轭相乘，m和n是用于计算相干系数的局部窗口大小，(i,j)表示像素点的位置。本实施例使用局部窗口大小为5×5。
图2为本发明实施例提供的一副干涉相干系数图，相干系数从0.0(完全失相干)到1.0(完全相干)。
步骤S4：计算每一幅干涉相干系数图的平均相干系数。
平均相干系数的计算公式为：
Figure BDA0003856998130000092
式中，λavg是干涉相干系数图的平均相干系数，W和I分别是图像的宽度和长度。λ(i,j)是像素(i，j)处的相干系数。
图3为本发明实施例时间基线阈值为108天的所有干涉像对干涉基线连接图。横坐标表示Sentinel-1A影像获取时间，纵坐标表示干涉像对的空间基线，颜色条带表示干涉像对的平均相干系数。
接下来的步骤主要是对干涉相干系数图的平均相干系数值进行分析。
步骤S5：将干涉相干系数图依据主影像的获取日期按月份分类，计算总平均相干系数λall(所有干涉相干系数图平均相干系数的均值)和每个月的月平均相干系数λmonth。
总平均相干系数的计算公式为：
Figure BDA0003856998130000101
式中，N为所有干涉图的数量，λall是总平均相干系数，λavg是干涉相干系数图的平均相干系数，在本实施例中，N为711，经过计算，总平均相干系数为0.45。
月平均相干系数的计算公式为：
Figure BDA0003856998130000102
式中，M为每个月干涉图的数量，λmonth是月平均相干系数。λavg是干涉相干系数图的平均相干系数。
图4为对本实施例计算得到的月平均相干系数和总平均相干系数折线图，可以看出，相干系数有较明显的月份变化，月平均相干系数围绕总平均相干系数上下波动，每年八月份左右相干系数较低，一月份左右相干系数较高，趋同于实例区干湿交替的气候变化特征。
步骤S6：将干涉图以月为单位区分为高相干月份和低相干月份，月平均相干系数λmonth大于λall的月份分为高相干月份，λmonth小于λall的月份分为低相干月份。
干涉图分类的表达式如下：
Figure BDA0003856998130000103
本实施例中月平均相干系数高于总平均相干系数的月份有2019年2月份、3月份、4月份、10月份、11月份、12月份，2020年1月份、2月份、3月份、4月份、11月份、12月份，2021年1月份、2月份、3月份、11月份、12月份，将其分为为高相干月份，其余月份为低相干月份。
步骤S7：以高相干月份内所有干涉相干系数图平均相干系数的均值λhigh为阈值选取高相干月份内的干涉像对，以低相干月份内所有干涉相干系数图平均相干系数的均值λlow为阈值选取低相干月份内的干涉像对。
高相干系数和低相干系数的计算公式为：
Figure BDA0003856998130000111
Figure BDA0003856998130000112
式中，H为高相干月份所有干涉像对的数量，λhigh为高平均相干系数；L为低相干月份所有干涉像对的数量，λlow为低平均相干系数。
本实施例中，高相干月份内有321幅干涉像对，高平均相干系数为0.51；低相干月份内有390幅干涉像对，低平均相干系数为0.39。保留高相干月份内平均相干系数大于0.51的156幅干涉像对，保留低相干月份内平均相干系数大于0.39的143幅干涉像对，即为最终优化选取的干涉像对。
图5为本发明实施例提供的干涉像对优化选取后得到的干涉基线连接图。
本发明实施例提供的顾及相干系数月份差异的时序InSAR干涉像对选取方法的有益效果是：本发明顾及相干系数月份差异的时序InSAR干涉像对选取方法在间断性相干区域具有很好的适用性，能够在提高干涉像对整体相干性的同时减少高相干月份干涉像对冗余，增加低相干月份干涉对数量，减少干涉基线断连现象，得到稳健的干涉基线网络，能有效提高时序InSAR地表形变反演精度。
本发明实施例中还提供了一种时序InSAR干涉像对选取装置，如下面的实施例所述。由于该装置解决问题的原理与时序InSAR干涉像对选取方法相似，因此该装置的实施可以参见时序InSAR干涉像对选取方法的实施，重复之处不再赘述。
图7为本发明实施例中顾及相干系数月份差异的时序InSAR干涉像对选取装置的结构示意图，如图7所示，该装置包括：
获取单元01，用于获取覆盖研究区域在研究时段内的合成孔径雷达SAR单视复数影像；
干涉像对确定单元02，用于将SAR单视复数影像以预设时间基线为阈值两两配对，得到若干干涉像对；
干涉相干系数图确定单元03，用于基于所述干涉像对计算每个像素的干涉相干系数，得到干涉相干系数图；
相干系数计算单元04，用于计算每一幅干涉相干系数图的平均相干系数；
分类计算单元05，用于将干涉相干系数图依据主影像的获取日期按月份分类，计算总平均相干系数及每个月的月平均相干系数；所述总平均相干系数为所有干涉相干系数图的平均相干系数的均值；
相干月份确定单元06，用于将干涉相干系数图以月为单位区分为高相干月份和低相干月份，月平均相干系数大于总平均相干系数的月份分为高相干月份，月平均相干系数小于总平均相干系数的月份分为低相干月份；
选取单元07，用于以高平均相干系数为阈值选取高相干月份内的干涉像对，以低平均相干系数为阈值选取低相干月份内的干涉像对，选取的干涉像对用于时序InSAR分析；所述高平均相干系数为高相干月份内所有干涉相干系数图的平均相干系数的均值，所述低平均相干系数为低相干月份内所有干涉相干系数图的平均相干系数的均值。
在一个实施例中，上述顾及相干系数月份差异的时序InSAR干涉像对选取装置还可以包括按照如下公式计算每个像素的干涉相干系数：
Figure BDA0003856998130000121
式中，λ(i,j)是像素点(i,j)处的干涉相干系数，Q和S是获取的SAR单视复数影像，分别为主影像和从影像，*表示复共轭相乘，m和n是用于计算相干系数的局部窗口大小，(i,j)表示像素点的位置。
在一个实施例中，上述顾及相干系数月份差异的时序InSAR干涉像对选取装置还可以包括按照如下公式计算每一幅干涉相干系数图的平均相干系数：
Figure BDA0003856998130000131
式中，λavg是干涉相干系数图的平均相干系数，W和I分别是图像的宽度和长度，(i,j)表示像素点的位置，λ(i,j)是像素点(i,j)处的干涉相干系数。
在一个实施例中，上述顾及相干系数月份差异的时序InSAR干涉像对选取装置还可以包括：
按照如下公式计算总平均相干系数：
Figure BDA0003856998130000132
式中，N为所有干涉相干系数图的数量，λall是总平均相干系数，λavg是干涉相干系数图的平均相干系数；
按照如下公式计算月平均相干系数：
Figure BDA0003856998130000133
式中，M为每个月干涉相干系数图的数量，λmonth是月平均相干系数，λavg是干涉相干系数图的平均相干系数。
在一个实施例中，上述顾及相干系数月份差异的时序InSAR干涉像对选取装置还可以包括按照如下公式计算高平均相干系数：
Figure BDA0003856998130000134
式中，H为高相干月份所有干涉相干系数图的数量，λhigh为高平均相干系数，λavg是干涉相干系数图的平均相干系数。
在一个实施例中，上述顾及相干系数月份差异的时序InSAR干涉像对选取装置还可以包括按照如下公式计算低平均相干系数：
Figure BDA0003856998130000135
式中，L为低相干月份所有干涉相干系数图的数量，λlow为低平均相干系数，λavg是干涉相干系数图的平均相干系数。
本发明实施例还提供一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述时序InSAR干涉像对选取方法。
本发明实施例还提供一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现上述时序InSAR干涉像对选取方法。
本发明实施例还提供一种计算机程序产品，所述计算机程序产品包括计算机程序，所述计算机程序被处理器执行时实现上述时序InSAR干涉像对选取方法。
本发明实施例中，时序InSAR干涉像对选取方案，通过：获取覆盖研究区域在研究时段内的合成孔径雷达SAR单视复数影像；将SAR单视复数影像以预设时间基线为阈值两两配对，得到若干干涉像对；基于所述干涉像对计算每个像素的干涉相干系数，得到干涉相干系数图；计算每一幅干涉相干系数图的平均相干系数；将干涉相干系数图依据主影像的获取日期按月份分类，计算总平均相干系数及每个月的月平均相干系数；所述总平均相干系数为所有干涉相干系数图的平均相干系数的均值；将干涉相干系数图以月为单位区分为高相干月份和低相干月份，月平均相干系数大于总平均相干系数的月份分为高相干月份，月平均相干系数小于总平均相干系数的月份分为低相干月份；以高平均相干系数为阈值选取高相干月份内的干涉像对，以低平均相干系数为阈值选取低相干月份内的干涉像对，选取的干涉像对用于时序InSAR分析；所述高平均相干系数为高相干月份内所有干涉相干系数图的平均相干系数的均值，所述低平均相干系数为低相干月份内所有干涉相干系数图的平均相干系数的均值，顾及相干系数月份差异进行时序InSAR干涉像对选取，可以实现间断性相干区域干涉像对优化选取。
本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
以上所述的具体实施例，对本发明的目的、技术方案和有益效果进行了进一步详细说明，所应理解的是，以上所述仅为本发明的具体实施例而已，并不用于限定本发明的保护范围，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (10)

1.一种时序干涉合成孔径雷达InSAR干涉像对的选取方法，其特征在于，包括：
获取覆盖研究区域在研究时段内的合成孔径雷达SAR单视复数影像；
将SAR单视复数影像以预设时间基线为阈值两两配对，得到若干干涉像对；
基于所述干涉像对计算每个像素的干涉相干系数，得到干涉相干系数图；
计算每一幅干涉相干系数图的平均相干系数；
将干涉相干系数图依据主影像的获取日期按月份分类，计算总平均相干系数及每个月的月平均相干系数；所述总平均相干系数为所有干涉相干系数图的平均相干系数的均值；
将干涉相干系数图以月为单位区分为高相干月份和低相干月份，月平均相干系数大于总平均相干系数的月份分为高相干月份，月平均相干系数小于总平均相干系数的月份分为低相干月份；
以高平均相干系数为阈值选取高相干月份内的干涉像对，以低平均相干系数为阈值选取低相干月份内的干涉像对，选取的干涉像对用于时序InSAR分析；所述高平均相干系数为高相干月份内所有干涉相干系数图的平均相干系数的均值，所述低平均相干系数为低相干月份内所有干涉相干系数图的平均相干系数的均值。
2.如权利要求1所述的方法，其特征在于，还包括按照如下公式计算每个像素的干涉相干系数：
Figure FDA0003856998120000011
式中，λ(i,j)是像素点(i,j)处的干涉相干系数，Q和S是获取的SAR单视复数影像，分别为主影像和从影像，*表示复共轭相乘，m和n是用于计算相干系数的局部窗口大小，(i,j)表示像素点的位置。
3.如权利要求1所述的方法，其特征在于，还包括按照如下公式计算每一幅干涉相干系数图的平均相干系数：
Figure FDA0003856998120000012
式中，λavg是干涉相干系数图的平均相干系数，W和I分别是图像的宽度和长度，(i,j)表示像素点的位置，λ(i,j)是像素点(i,j)处的干涉相干系数。
4.如权利要求1所述的方法，其特征在于，还包括：
按照如下公式计算总平均相干系数：
Figure FDA0003856998120000021
式中，N为所有干涉相干系数图的数量，λall是总平均相干系数，λavg是干涉相干系数图的平均相干系数；
按照如下公式计算月平均相干系数：
Figure FDA0003856998120000022
式中，M为每个月干涉相干系数图的数量，λmonth是月平均相干系数，λavg是干涉相干系数图的平均相干系数。
5.如权利要求1所述的方法，其特征在于，还包括按照如下公式计算高平均相干系数：
Figure FDA0003856998120000023
式中，H为高相干月份所有干涉相干系数图的数量，λhigh为高平均相干系数，λavg是干涉相干系数图的平均相干系数。
6.如权利要求1所述的方法，其特征在于，还包括按照如下公式计算低平均相干系数：
Figure FDA0003856998120000024
式中，L为低相干月份所有干涉相干系数图的数量，λlow为低平均相干系数，λavg是干涉相干系数图的平均相干系数。
7.一种时序InSAR干涉像对的选取装置，其特征在于，包括：
获取单元，用于获取覆盖研究区域在研究时段内的合成孔径雷达SAR单视复数影像；
干涉像对确定单元，用于将SAR单视复数影像以预设时间基线为阈值两两配对，得到若干干涉像对；
干涉相干系数图确定单元，用于基于所述干涉像对计算每个像素的干涉相干系数，得到干涉相干系数图；
相干系数计算单元，用于计算每一幅干涉相干系数图的平均相干系数；
分类计算单元，用于将干涉相干系数图依据主影像的获取日期按月份分类，计算总平均相干系数及每个月的月平均相干系数；所述总平均相干系数为所有干涉相干系数图的平均相干系数的均值；
相干月份确定单元，用于将干涉相干系数图以月为单位区分为高相干月份和低相干月份，月平均相干系数大于总平均相干系数的月份分为高相干月份，月平均相干系数小于总平均相干系数的月份分为低相干月份；
选取单元，用于以高平均相干系数为阈值选取高相干月份内的干涉像对，以低平均相干系数为阈值选取低相干月份内的干涉像对，选取的干涉像对用于时序InSAR分析；所述高平均相干系数为高相干月份内所有干涉相干系数图的平均相干系数的均值，所述低平均相干系数为低相干月份内所有干涉相干系数图的平均相干系数的均值。
8.一种计算机设备，包括存储器、处理器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，所述处理器执行所述计算机程序时实现权利要求1至6任一所述方法。
9.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现权利要求1至6任一所述方法。
10.一种计算机程序产品，其特征在于，所述计算机程序产品包括计算机程序，所述计算机程序被处理器执行时实现权利要求1至6任一所述方法。
CN202211150664.7A 2022-09-21 2022-09-21 时序InSAR干涉像对的选取方法及装置 Pending CN115507737A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211150664.7A CN115507737A (zh) 2022-09-21 2022-09-21 时序InSAR干涉像对的选取方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211150664.7A CN115507737A (zh) 2022-09-21 2022-09-21 时序InSAR干涉像对的选取方法及装置

Publications (1)

Publication Number Publication Date
CN115507737A true CN115507737A (zh) 2022-12-23

Family

ID=84504557

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211150664.7A Pending CN115507737A (zh) 2022-09-21 2022-09-21 时序InSAR干涉像对的选取方法及装置

Country Status (1)

Country Link
CN (1) CN115507737A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115993601A (zh) * 2023-03-22 2023-04-21 四川省公路规划勘察设计研究院有限公司 一种强盐渍土区域公路变形的时序InSAR监测方法

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115993601A (zh) * 2023-03-22 2023-04-21 四川省公路规划勘察设计研究院有限公司 一种强盐渍土区域公路变形的时序InSAR监测方法

Similar Documents

Publication Publication Date Title
CN110738252B (zh) 空间自相关的机器学习卫星降水数据降尺度方法、系统
KR20190028794A (ko) GPU 기반 TFT-LCD Mura 결함 탐지 방법
Schäppi et al. Integrating river cross section measurements with digital terrain models for improved flow modelling applications
CN107423537B (zh) 一种基于自适应阈值的地表温度降尺度的方法
Guo et al. A geometry-and texture-based automatic discontinuity trace extraction method for rock mass point cloud
CN114563787A (zh) 一种冻土形变监测方法、装置、设备及存储介质
CN111985422B (zh) 基于遥感的耕地田面坡度估算方法、估算装置
Báčová et al. A GIS method for volumetric assessments of erosion rills from digital surface models
US20160073094A1 (en) Depth map enhancement
CN115507737A (zh) 时序InSAR干涉像对的选取方法及装置
CN113589286B (zh) 基于D-LinkNet的无迹卡尔曼滤波相位解缠方法
CN103810702B (zh) 一种基于分块噪声方差估计的图像累积信噪比计算方法
CN108733952B (zh) 一种基于序贯模拟的土壤含水量空间变异性三维表征方法
CN104735360A (zh) 光场图像处理方法和装置
CN113281749A (zh) 一种顾及同质性的时序InSAR高相干点选取方法
CN115393205A (zh) 红外遥感图像修复方法、装置、电子设备和存储介质
Brosens et al. Comparative analysis of the Copernicus, TanDEM-X, and UAV-SfM digital elevation models to estimate lavaka (gully) volumes and mobilization rates in the Lake Alaotra region (Madagascar)
CN109613531B (zh) 一种微变感知预警雷达的多阈值优化形变反演方法及系统
CN116433707A (zh) 复杂背景下线结构光中心亚像素精确提取方法及系统
Nowicki et al. Assimilation of the satellite SST data in the 3D CEMBS model
CN107544069B (zh) 基于平面近似模型的多基线相位解缠绕方法
Walsworth et al. Image modelling of forest changes associated with acid mine drainage
CN116338607B (zh) 时间域和空间域两步式InSAR对流层延迟矫正方法
CN113282695B (zh) 一种基于遥感影像的矢量地理信息采集方法和装置
CN114913218A (zh) 一种基于极小模网络的烟幕红外遮蔽面积测量方法

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