CN117216311A - 用于时序形变监测的sar影像推荐方法 - Google Patents
用于时序形变监测的sar影像推荐方法 Download PDFInfo
- Publication number
- CN117216311A CN117216311A CN202311463074.4A CN202311463074A CN117216311A CN 117216311 A CN117216311 A CN 117216311A CN 202311463074 A CN202311463074 A CN 202311463074A CN 117216311 A CN117216311 A CN 117216311A
- Authority
- CN
- China
- Prior art keywords
- sar image
- sar
- group
- image
- recommendation
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 39
- 238000012544 monitoring process Methods 0.000 title claims abstract description 29
- 238000012216 screening Methods 0.000 claims abstract description 17
- 238000012545 processing Methods 0.000 claims abstract description 8
- 238000013136 deep learning model Methods 0.000 claims description 11
- 238000012163 sequencing technique Methods 0.000 claims description 5
- 238000004364 calculation method Methods 0.000 claims description 4
- 238000005065 mining Methods 0.000 claims description 4
- 239000002689 soil Substances 0.000 claims description 4
- 230000008569 process Effects 0.000 claims description 3
- 230000000630 rising effect Effects 0.000 claims description 2
- 239000013598 vector Substances 0.000 description 12
- 238000005305 interferometry Methods 0.000 description 7
- 238000012549 training Methods 0.000 description 7
- 238000005516 engineering process Methods 0.000 description 6
- 238000003384 imaging method Methods 0.000 description 6
- 238000000354 decomposition reaction Methods 0.000 description 4
- 230000010287 polarization Effects 0.000 description 4
- 230000001174 ascending effect Effects 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 230000001427 coherent effect Effects 0.000 description 2
- 230000007123 defense Effects 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 230000004913 activation Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
- 238000012876 topography Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Landscapes
- Image Analysis (AREA)
Abstract
本发明提供用于时序形变监测的SAR影像推荐方法，该方法包括：S1筛选出初始SAR影像集；S2根据各幅SAR影像的地物类别对初始SAR影像集进行分类处理，得到第一SAR影像集和第二SAR影像集；S3根据分组策略分别对第一SAR影像集和第二SAR影像集进行分组处理，得到第一分组集合和第二分组集合；S4采用第一推荐条件对第一分组集合进行筛选，得到第一高级推荐结果，采用第二推荐条件对第二分组集合进行筛选，得到第二高级推荐结果；S5将第一高级推荐结果作为SBAS‑InSAR形变监测的影像，将第二高级推荐结果作为PS‑InSAR形变监测的影像。本发明针对不同的监测领域自动选择合适的算法，自动化从海量数据中筛选出适用于各类算法要求的SAR影像，提高后续时序形变监测的效率和精度。
Description
技术领域
本发明涉及合成孔径雷达干涉测量技术领域，尤其涉及用于时序形变监测的SAR影像推荐方法。
背景技术
合成孔径雷达(SAR，Synthetic Aperture Radar)是20世纪50年代发展起来的最重要的对地观测技术。越来越多的合成孔径雷达卫星发射升空，如欧空局的Sentinel-1、意大利空间局的Cosmo-SkyMed以及德国空间局的TerraSAR-X等，为同一地区形变监测提供了多平台丰富的SAR数据。
将干涉测量技术与SAR技术结合而形成的合成孔径雷达干涉测量技术(InSAR，Synthetic Aperture Radar Interferometry)提供了获取地面三维信息的全新方法，它通过两副天线同时观测或通过一副天线两次平行观测，获取地面同一景观的复图像对，根据地面各点在两幅复图像中的相位差，得出各点在两次成像中微波的路程差，从而获得地面目标的高程信息或者形变信息。由于基于重复轨道的InSAR技术容易受空间失相干、时间失相干和大气干扰等因素的影响，难以应用于稳定的地表形变监测。在现有技术中，为了克服传统InSAR技术的不足，自上世纪90年代末，时间序列InSAR处理技术被提出。时间序列InSAR技术总体上分为两类：以永久散射体干涉(PS-InSAR，Permanent Scatterer)为代表的单一主影像时间序列InSAR技术和以小基线集技术(SBAS-InSAR，Small baselinesubset interferometry)为代表的多主影像时间序列InSAR技术。
上述两类InSAR技术有各自适用的监测领域和应用场景，对需要使用的SAR数据的要求也有差异。在海量数据的时代，如何自动化地根据监测区域和用户需求选择合适的InSAR算法，如何自动地从大量数据中推荐出满足SBAS-InSAR和PS-InSAR的算法要求的SAR影像是亟需解决的问题。
发明内容
针对上述技术问题，本发明提出用于时序形变监测的SAR影像推荐方法，针对不同的监测领域自动选择合适的算法，并自动化地从海量数据中筛选出适用于各类算法要求的有效SAR影像，实现精准推荐，以提高后续时序形变监测的效率和精度。
本发明提供了一种用于时序形变监测的SAR影像推荐方法，包括以下步骤：
S1 根据用户的目标查询条件，从影像库中筛选出初始SAR影像集，所述初始SAR影像集包括多幅SAR影像和元数据信息；
S2 根据所述各幅SAR影像的地物类别对初始SAR影像集进行分类处理，得到第一SAR影像集和第二SAR影像集；
S3 根据分组策略分别对第一SAR影像集和第二SAR影像集进行分组处理，得到第一分组集合和第二分组集合；所述第一分组集合和第二分组集合中均包括多个组别，各个组别包括多幅SAR影像；
S4 采用第一推荐条件对第一分组集合进行筛选，得到第一高级推荐结果，采用第二推荐条件对第二分组集合进行筛选，得到第二高级推荐结果；
S5 将第一高级推荐结果作为SBAS-InSAR法的时序形变监测的推荐影像，将第二高级推荐结果作为PS-InSAR法的时序形变监测的推荐影像。
具体地，步骤S1中所述目标查询条件包括目标行政区域、目标时间段和星载SAR传感器类型；所述元数据信息包括相对轨道号、绝对轨道号、影像获取时间以及升交时刻。
具体地，步骤S3中所述分组策略为分别将第一SAR影像集和第二SAR影像集中位置号相同的影像归为同一组别，所述位置号包括相对轨道号和frame参数。
具体地，步骤S3中所述frame参数的计算公式为：
其中，所述Q为影像获取时刻，R为到达升交点的时刻，为不同星载SAR传感器类型对应的系数。
具体地，步骤S4进一步包括：
根据第一推荐条件对第一分组集合中各组别进行筛选，将满足第一推荐条件的组别作为第一初级推荐结果；
将第一初级推荐结果中各组别中的SAR影像按照时间先后顺序进行排序，并计算各组别中第一幅影像和最后一幅影像间的时间间隔，将时间间隔最长的组别作为第一高级推荐结果；
将第二分组集合中各组别中空间面积范围＞10000km2的SAR影像进行剔除处理，得到更新后的第二分组集合；
根据第二推荐条件对更新后的第二分组集合中各组别进行筛选，将满足第二推荐条件的组别作为第二初级推荐结果；
将第二初级推荐结果中各组别中的SAR影像按照时间先后顺序进行排序，并计算各组别中第一幅影像和最后一幅影像间的时间间隔，将时间间隔最长的组别作为第二高级推荐结果。
具体地，步骤S4中所述第一推荐条件包括组别中SAR影像数≥10、组别中第一幅影像和最后一幅影像间的时间间隔≤48天以及组别中各幅SAR影像在目标时间段的时间覆盖率和目标行政区域的空间覆盖率均≥50%。
具体地，步骤S4中所述第二推荐条件包括组别中SAR影像数≥25、组别中第一幅影像和最后一幅影像间的时间间隔≤48天以及组别中各幅SAR影像在目标时间段的时间覆盖率和目标行政区域的空间覆盖率均≥50%。
具体地，步骤S2 进一步包括：
S21获取初始SAR影像集中的多幅SAR影像，每幅SAR影像中包括多个像素；
S22利用预训练的深度学习模型得到各幅SAR影像中所述多个像素所属的初始地物类别；
S23根据所述各幅SAR影像中多个像素所属的初始地物类别，利用条件随机场模型得到所述多个像素属于各个地物类别的后验概率；
S24对所述各幅SAR影像中多个像素属于各个地物类别的后验概率进行超像素边界约束，得到所述多个像素属于各个地物类别的后验约束概率；
S25根据所述各幅SAR影像中多个像素属于各个地物类别的后验约束概率，得到多个像素所属的地物类别；
S26利用预设的判定规则，根据各幅SAR影像中多个像素所属的地物类别对各幅SAR影像所属的地物类别进行判定，得到各幅SAR影像所属的地物类别；
S27根据各幅SAR影像所属的地物类别对初始SAR影像集进行分类处理，得到第一SAR影像集和第二SAR影像集。
具体地，所述步骤S2中所述分类处理具体包括：在初始SAR影像中将所属地物类别为火山、矿区和冻土的SAR影像归为第一SAR影像集；将所属地物类别为城市基础设施和山体滑坡的SAR影像归为第二SAR影像集，其中所述城市基础设施包括建筑物、机场、道路、铁路、桥梁和大坝。
具体地，步骤S1中所述星载SAR传感器类型包括包括Sentinel-1、Cosmo-SkyMed、ALOS2和TerraSAR-X。
本发明的有益效果为：
（1）本发明提供了用于时序形变监测的SAR影像推荐方法，按照SAR影像的地物类别自动将初始SAR影像集分为两个集合；针对两个集合采用不同的推荐条件自动从大量数据中推荐出满足不同算法所需的SAR影像。使用本发明能够快速推荐筛选出有效的SAR影像，且同时满足SBAS-InSAR和PS-InSAR算法对所需影像的要求，以提高后续的时序形变监测的精度和效率。
（2）本发明在对SAR影像进行地物类别分类处理时，利用条件随机场模型对待分类SAR影像的初始分类结果进行后验处理，以及进行超像素边界约束，考虑了SAR数据的散射机理和相干成像的特点、以及边缘结构特点，提高了SAR影像的分类精度。
附图说明
通过阅读下文优选实施方式的详细描述，各种其他的优点和益处对于本领域普通技术人员将变得清楚明了。附图仅用于示出优选实施方式的目的，而并不认为是对本发明的限制。而且在整个附图中，用相同的参考符号表示相同的部件。
图1为本发明实施例中用于时序形变监测的SAR影像推荐方法的流程图。
具体实施方式
下面结合附图和实施例，对本发明的具体实施方式作进一步详细描述。以下实施例用于说明本发明，但不用来限制本发明的范围。
请参阅图1，图1为本发明实施例的方法流程图。本发明提供了一种用于时序形变监测的SAR影像推荐方法，包括以下步骤：
S1 根据用户的目标查询条件，从影像库中筛选出初始SAR影像集，所述初始SAR影像集包括多幅SAR影像和元数据信息。
在本发明的实施例中，步骤S1中所述目标查询条件包括目标行政区域、目标时间段和星载SAR传感器类型；其中，星载SAR传感器类型Sentinel-1和Cosmo-SkyMed。
哨兵卫星（Sentinel），是欧洲航天局哥白尼计划（GMES）中的地球观测卫星。Sentinel-1卫星是全天时、全天候雷达成像任务，用于陆地和海洋观测，首颗Sentinel-1卫星已于2014年4月3日发射，用于陆地和海洋服务的极地轨道全天候昼夜雷达成像任务。
“地中海盆地观测小卫星星座系统”（COSMO-SkyMed）是意大利军民两用雷达成像卫星星座系统，由意大利国防部和意大利国防局共同研发。星座由部署在同一轨道面上的4颗相同的卫星组成，4颗卫星全部在轨运行。COSMO-SkyMed雷达卫星的最高分辨率为1m，对应扫描带宽为10km，具有雷达干涉测量地形的能力，可服务于民间、公共机构、军事和商业的两用对地观测系统。
在本发明的实施例中，从公开免费的对地遥感观测Sentinel卫星数据网站(https://search.asf.alaska.edu/#/)或者Cosmo-SkyMed卫星数据网站(https://213.215.135.195/#query:undefined)，选定目标行政区域和目标时间段，配置数据参数，下载该目标行政区域和目标时间段内的初始SAR影像集，初始SAR影像集包括多幅SAR影像和元数据信息。元数据信息包括相对轨道号、绝对轨道号、影像获取时间以及升交时刻。其中，升交时刻为卫星从南向北穿过地球赤道面的时刻。
S2 根据所述各幅SAR影像的地物类别对初始SAR影像集进行分类处理，得到第一SAR影像集和第二SAR影像集。
在本发明的实施例中，步骤S2 进一步包括：
S21获取初始SAR影像集中的多幅SAR影像，每幅SAR影像中包括多个像素。
S22利用预训练的深度学习模型得到各幅SAR影像中所述多个像素所属的初始地物类别。
在本发明的实施例中，依次将SAR影像中各个像素的像素值输入预先训练好的深度学习模型，获得各个像素所属的初始地物类别，用不同颜色表示不同的地物类别。
在本发明的实施例中，获得预训练的深度学习模型的方法包括：
根据获得的目视解译结果，在SAR影像中选取相应的像素获得训练样本，不同程度的灰色样条表示像素所属的不同地物类别；最后，利用训练样本训练深度学习模型。其中，利用样本集训练深度学习模型时，可以将训练样本分为训练部分和验证部分，从而实现卷积神经网络参数的训练与反向传播调整，直至网络收敛，获得预训练的深度学习模型。
在本发明的实施例中，采用SAR影像的目视解译结果构建训练样本，充分利用了SAR影像中局部纹理的强相关特性，可以提高深度学习模型进行预测的准确度。
在本发明的实施例中，深度学习模型包括：特征提取网络和分类器网络。特征提取网络的前后特征层之间的传递函数如公式（1）所示：
（1）
其中，为深度学习模型中第L个特征层中的第j个特征向量，特征向量中包括各个像素对应的特征值，/>为模型的第L-1层中与第L层相关的第j个特征向量，/>为第L层中第j个特征向量作用于第i个特征向量的卷积核，/>为模型的第L层第j个特征向量对应的偏置参数，/>为模型的第L-1层中与第L层相关的特征向量的总数，f表示激活函数。
分类器网络的第一层通过公式（2）获得各个像素属于各个地物类别的初始概率；第二层在各个像素属于各个地物类别的初始概率中选择最大值，从而确定各个像素所属的初始地物类别；例如，在第s个像素属于各个地物类别的初始概率{ys,1,…,ys,g,…,ys,G}，如果ys,g-1为最大值，则将第g-1个地物类别作为第s个像素所属的地物类别，g∈[1,G]，G为地物类别总数。
（2）
其中，为第g个地物类别对应的初始概率向量，包括：各个像素属于第g个地物类别的初始概率，/>为中间量，/>，/>为第L个特征层中与第g个地物类别关联的第h个特征向量，/>为第L个特征层中第g个地物类别作用于第h个特征向量的卷积核，/>为第L个特征层中第g个地物类别对应的偏置参数。
S23根据所述各幅SAR影像中多个像素所属的初始地物类别，利用条件随机场模型得到所述多个像素属于各个地物类别的后验概率。
本发明的实施例中，将各个像素所属的初始地物类别代入条件随机场模型，对模型进行迭代更新，当模型收敛时，获得模型输出的各个像素属于各个地物类别的后验概率。
具体地，按照公式（3）确定条件随机场模型，所述公式（3）表示为：
（3）
其中，P为后验概率向量，包括各个像素属于各个地物类别的后验概率；Y为标记场，包括各个像素所属的初始地物类别；X为观测场，包括多个像素的像素值；C表示SAR影像对应的像素集合，表示势函数，Z(X)为X的归一化项；c为SAR影像中第c像素；/>为像素c所属的初始地物类别。
S24对所述各幅SAR影像中多个像素属于各个地物类别的后验概率进行超像素边界约束，得到所述多个像素属于各个地物类别的后验约束概率。
本发明的实施例中，先根据每一个超像素中多个像素属于各个地物类别的后验概率，计算获得每一个超像素属于各个地物类别的均值后验概率；进而按照公式（4）计算后验约束概率，即根据多个像素属于各个地物类别的后验概率、各个超像素属于各个地物类别的均值后验概率和各个超像素对应的约束权重，计算多个像素属于各个地物类别的后验约束概率，所述公式（4）表示为：
（4）
其中，为第m个像素对应的后验约束概率向量，包括第m个像素属于各个地物类别的后验约束概率；/>为第m个像素对应的后验概率向量，包括第m个像素属于各个地物类别的后验概率；/>为预设的超像素边界约束的权重向量；/>为第m个像素所属超像素对应的后验均值概率向量，包括第m个像素所属超像素d属于各个地物类别的后验均值概率。
其中，上述超像素表征的是SAR影像中位置相邻且颜色、亮度、纹理等特征相似的像素点组成的小区域，即SAR影像包括多个超像素。SAR影像的各个超像素可通过超像素分割法对SAR影像进行超像素划分获得，具体地，采用超像素分割法对SAR影像进行超像素划分时，可按照公式（5）所示的指标计算值判断SAR影像中两个像素是否属于同一个超像素，所述公式（5）表示为：
（5）
其中，D为判断两个像素(像素m和像素n)是否属于同一个超像素的指标值，为第m个像素和第n个像素之间的极化分解量距离，/>为第m个像素和第n个像素之间的位置距离，/>和/>分别为SAR影像中所有像素之间的极化分解量距离的归一化项和位置距离的归一化项，/>，/>、/>、/>分别为第m个像素的三个极化通道的分解量，/>、/>、/>分别为第n个像素的三个极化通道的分解量，/>，(xm,ym)为第m个像素的位置坐标，(xn,yn)为第n个像素的位置坐标。
S25根据所述各幅SAR影像中多个像素属于各个地物类别的后验约束概率，得到多个像素所属的地物类别；
本发明的实施例中，在多个像素属于各个地物类别的后验约束概率中，选取多个像素对应的最大后验约束概率对应的地物类别作为多个像素所属的地物类别，获得的多个像素所属的地物类别。
本发明利用条件随机场模型对待分类SAR影像的初始分类结果进行后验处理，以及进行超像素边界约束，考虑了SAR数据的散射机理和相干成像的特点、以及边缘结构特点，提高了SAR影像的分类精度。
S26 利用预设的判定规则，根据各幅SAR影像中多个像素所属的地物类别对各幅SAR影像所属的地物类别进行判定，得到各幅SAR影像所属的地物类别；
在本发明的实施例中，预设的判定规则为：
若在SAR影像中多个像素所属为同一地物类别的占比≥50%，则判定该幅SAR影像所属为该地物类别；若在SAR影像中多个像素所属为同一地物类别的占比均＜50%，则判定该幅SAR影像所属的地物类别为0。
例如，在一幅SAR影像中，多个像素所属为建筑物类别的占比为57%，则判定该SAR影像所属为建筑物类别。
S27 根据各幅SAR影像所属的地物类别对初始SAR影像集进行分类处理，得到第一SAR影像集和第二SAR影像集。
在本发明实施例中，所述步骤S2中所述分类处理具体包括：在初始SAR影像中将所属地物类别为火山、矿区和冻土的SAR影像归为第一SAR影像集；将所属地物类别为城市基础设施和山体滑坡的SAR影像归为第二SAR影像集，其中所述城市基础设施包括建筑物、机场、道路、铁路、桥梁和大坝。
在本发明的实施例中，分类处理还包括将所属地物类别为其他类别和地物类别为0的SAR影像归为第三SAR影像集；其中，所述其他类别为除火山、矿区、冻土、城市基础设施和山体滑坡以外的其他地物类别。
S3 根据分组策略分别对第一SAR影像集和第二SAR影像集进行分组处理，得到第一分组集合和第二分组集合；所述第一分组集合和第二分组集合中均包括多个组别，各个组别包括多幅SAR影像。
在本发明的实施例中，步骤S3中所述分组策略为分别将第一SAR影像集和第二SAR影像集中位置号相同的影像归为同一组别，所述位置号包括相对轨道号和frame参数。
在本发明的实施例中，步骤S3中所述frame参数的计算公式为：
其中，所述Q为影像获取时刻，R为到达升交点的时刻，为不同星载SAR传感器类型对应的系数。
S4 采用第一推荐条件对第一分组集合进行筛选，得到第一高级推荐结果，采用第二推荐条件对第二分组集合进行筛选，得到第二高级推荐结果。
在本发明的实施例中，步骤S4进一步包括：
根据第一推荐条件对第一分组集合中各组别进行筛选，将满足第一推荐条件的组别作为第一初级推荐结果。
所述第一推荐条件包括组别中SAR影像数≥10、组别中第一幅影像和最后一幅影像间的时间间隔≤48天以及组别中各幅SAR影像在目标时间段的时间覆盖率和目标行政区域的空间覆盖率均≥50%。
在本发明的实施例中，根据用户的查询条件中的目标时间段和目标行政区划，计算组别中各幅SAR影像在目标时间段对应的时间覆盖率和目标行政区域对应的空间覆盖率的范围。
将第一初级推荐结果中各组别中的SAR影像按照时间先后顺序进行排序，并计算各组别中第一幅影像和最后一幅影像间的时间间隔，将时间间隔最长的组别作为第一高级推荐结果。
将第二分组集合中各组别中空间面积范围＞10000km2的SAR影像进行剔除处理，得到更新后的第二分组集合。
在本发明的实施例中，将第二分组集合中各组别中空间面积范围＞10000km2的SAR影像进行剔除处理，得到更新后的第二分组集合。
根据第二推荐条件对更新后的第二分组集合中各组别进行筛选，将满足第二推荐条件的组别作为第二初级推荐结果。
所述第二推荐条件包括组别中SAR影像数≥25、组别中第一幅影像和最后一幅影像间的时间间隔≤48天以及组别中各幅SAR影像在目标时间段的时间覆盖率和目标行政区域的空间覆盖率均≥50%。
将第二初级推荐结果中各组别中的SAR影像按照时间先后顺序进行排序，并计算各组别中第一幅影像和最后一幅影像间的时间间隔，将时间间隔最长的组别作为第二高级推荐结果。
S5 将第一高级推荐结果作为SBAS-InSAR法的时序形变监测的推荐影像，将第二高级推荐结果作为PS-InSAR法的时序形变监测的推荐影像。
综上，本发明根据SBAS-InSAR和PS-InSAR算法对所需影像的要求，采用不同的推荐条件自动从大量数据中推荐出满足不同算法所需的有效SAR影像，以提高后续的时序形变监测的精度和效率。
以上实施方式仅用于说明本发明，而并非对本发明的限制，有关技术领域的普通技术人员，在不脱离本发明的精神和范围的情况下，还可以做出各种变化和变型，因此所有等同的技术方案也属于本发明的范畴，本发明的专利保护范围应由权利要求限定。
Claims (10)
1.用于时序形变监测的SAR影像推荐方法，其特征在于，包括以下步骤：
S1 根据用户的目标查询条件从影像库中筛选出初始SAR影像集，所述初始SAR影像集包括多幅SAR影像和元数据信息；
S2 根据所述各幅SAR影像的地物类别对初始SAR影像集进行分类处理，得到第一SAR影像集和第二SAR影像集；
S3 根据分组策略分别对第一SAR影像集和第二SAR影像集进行分组处理，得到第一分组集合和第二分组集合；所述第一分组集合和第二分组集合中均包括多个组别，各个组别包括多幅SAR影像；
S4 采用第一推荐条件对第一分组集合进行筛选，得到第一高级推荐结果，采用第二推荐条件对第二分组集合进行筛选，得到第二高级推荐结果；
S5 将第一高级推荐结果作为SBAS-InSAR的时序形变监测的推荐影像，将第二高级推荐结果作为PS-InSAR的时序形变监测的推荐影像。
2.根据权利要求1所述的推荐方法，其特征在于，步骤S1中所述目标查询条件包括目标行政区域、目标时间段和星载SAR传感器类型；所述元数据信息包括相对轨道号、绝对轨道号、影像获取时间以及升交时刻。
3.根据权利要求2所述的推荐方法，其特征在于，步骤S3中所述分组策略为分别将第一SAR影像集和第二SAR影像集中位置号相同的影像归为同一组别，所述位置号包括相对轨道号和frame参数。
4.根据权利要求3所述的推荐方法，其特征在于，步骤S3中所述frame参数的计算公式为：
其中，所述Q为影像获取时刻，R为到达升交点的时刻，θ为不同星载SAR传感器类型对应的系数。
5.根据权利要求2所述的推荐方法，其特征在于，步骤S4进一步包括：
根据第一推荐条件对第一分组集合中各组别进行筛选，将满足第一推荐条件的组别作为第一初级推荐结果；
将第一初级推荐结果中各组别中的SAR影像按照时间先后顺序进行排序，并计算各组别中第一幅影像和最后一幅影像间的时间间隔，将时间间隔最长的组别作为第一高级推荐结果；
将第二分组集合中各组别中空间面积范围＞10000km2的SAR影像进行剔除处理，得到更新后的第二分组集合；
根据第二推荐条件对更新后的第二分组集合中各组别进行筛选，将满足第二推荐条件的组别作为第二初级推荐结果；
将第二初级推荐结果中各组别中的SAR影像按照时间先后顺序进行排序，并计算各组别中第一幅影像和最后一幅影像间的时间间隔，将时间间隔最长的组别作为第二高级推荐结果。
6.根据权利要求5所述的推荐方法，其特征在于，步骤S4中所述第一推荐条件包括组别中SAR影像数≥10、组别中第一幅影像和最后一幅影像间的时间间隔≤48天以及组别中各幅SAR影像在目标时间段的时间覆盖率和目标行政区域的空间覆盖率均≥50%。
7.根据权利要求5所述的推荐方法，其特征在于，步骤S4中所述第二推荐条件包括组别中SAR影像数≥25、组别中第一幅影像和最后一幅影像间的时间间隔≤48天以及组别中各幅SAR影像在目标时间段的时间覆盖率和目标行政区域的空间覆盖率均≥50%。
8.根据权利要求1所述的推荐方法，其特征在于，步骤S2 进一步包括：
S21获取初始SAR影像集中的多幅SAR影像，每幅SAR影像中包括多个像素；
S22利用预训练的深度学习模型得到各幅SAR影像中所述多个像素所属的初始地物类别；
S23根据所述各幅SAR影像中多个像素的初始地物类别，利用条件随机场模型得到所述多个像素属于各个地物类别的后验概率；
S24对所述各幅SAR影像中多个像素属于各个地物类别的后验概率进行超像素边界约束，得到所述多个像素属于各个地物类别的后验约束概率；
S25根据所述各幅SAR影像中多个像素属于各个地物类别的后验约束概率，得到多个像素所属的地物类别；
S26利用预设的判定规则，根据各幅SAR影像中多个像素所属的地物类别对各幅SAR影像所属的地物类别进行判定，得到各幅SAR影像所属的地物类别；
S27根据各幅SAR影像所属的地物类别对初始SAR影像集进行分类处理，得到第一SAR影像集和第二SAR影像集。
9.根据权利要求1所述的推荐方法，其特征在于，所述步骤S2中所述分类处理具体包括：在初始SAR影像中将所属地物类别为火山、矿区和冻土的SAR影像归为第一SAR影像集；将所属地物类别为城市基础设施和山体滑坡的SAR影像归为第二SAR影像集，其中所述城市基础设施包括建筑物、机场、道路、铁路、桥梁和大坝。
10.根据权利要求2所述的推荐方法，其特征在于，步骤S1中所述星载SAR传感器类型包括Sentinel-1、 Cosmo-SkyMed、 ALOS2和TerraSAR-X。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311463074.4A CN117216311B (zh) | 2023-11-06 | 2023-11-06 | 用于时序形变监测的sar影像推荐方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311463074.4A CN117216311B (zh) | 2023-11-06 | 2023-11-06 | 用于时序形变监测的sar影像推荐方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117216311A true CN117216311A (zh) | 2023-12-12 |
| CN117216311B CN117216311B (zh) | 2024-01-30 |
Family
ID=89042853
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311463074.4A Active CN117216311B (zh) | 2023-11-06 | 2023-11-06 | 用于时序形变监测的sar影像推荐方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117216311B (zh) |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2005106566A (ja) * | 2003-09-30 | 2005-04-21 | Toshiba Corp | 時系列画像処理方法及び装置 |
| WO2015008310A1 (en) * | 2013-07-19 | 2015-01-22 | Consiglio Nazionale Delle Ricerche | Method for filtering of interferometric data acquired by synthetic aperture radar (sar) |
| CN112883898A (zh) * | 2021-03-11 | 2021-06-01 | 中国科学院空天信息创新研究院 | 一种基于sar影像的地物分类方法及装置 |
| CN112986993A (zh) * | 2021-02-07 | 2021-06-18 | 同济大学 | 一种基于空间约束的InSAR形变监测方法 |
| CN113960595A (zh) * | 2021-09-24 | 2022-01-21 | 中国科学院深圳先进技术研究院 | 一种地表形变监测方法及系统 |
| CN115934990A (zh) * | 2022-10-24 | 2023-04-07 | 北京数慧时空信息技术有限公司 | 基于内容理解的遥感影像推荐方法 |
| CN116299455A (zh) * | 2023-03-14 | 2023-06-23 | 北京四象爱数科技有限公司 | 基于PSInSAR与SqueeSAR的设施形变分析方法 |
| US20230236311A1 (en) * | 2022-01-26 | 2023-07-27 | Sun Yat-Sen University | OPTIMIZATION METHOD AND APPARATUS FOR INTERFEROMETRIC SYNTHETIC APERTURE RADAR (InSAR) TIME-SERIES PHASE |
-
2023
- 2023-11-06 CN CN202311463074.4A patent/CN117216311B/zh active Active
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2005106566A (ja) * | 2003-09-30 | 2005-04-21 | Toshiba Corp | 時系列画像処理方法及び装置 |
| WO2015008310A1 (en) * | 2013-07-19 | 2015-01-22 | Consiglio Nazionale Delle Ricerche | Method for filtering of interferometric data acquired by synthetic aperture radar (sar) |
| CN112986993A (zh) * | 2021-02-07 | 2021-06-18 | 同济大学 | 一种基于空间约束的InSAR形变监测方法 |
| CN112883898A (zh) * | 2021-03-11 | 2021-06-01 | 中国科学院空天信息创新研究院 | 一种基于sar影像的地物分类方法及装置 |
| CN113960595A (zh) * | 2021-09-24 | 2022-01-21 | 中国科学院深圳先进技术研究院 | 一种地表形变监测方法及系统 |
| US20230236311A1 (en) * | 2022-01-26 | 2023-07-27 | Sun Yat-Sen University | OPTIMIZATION METHOD AND APPARATUS FOR INTERFEROMETRIC SYNTHETIC APERTURE RADAR (InSAR) TIME-SERIES PHASE |
| CN115934990A (zh) * | 2022-10-24 | 2023-04-07 | 北京数慧时空信息技术有限公司 | 基于内容理解的遥感影像推荐方法 |
| CN116299455A (zh) * | 2023-03-14 | 2023-06-23 | 北京四象爱数科技有限公司 | 基于PSInSAR与SqueeSAR的设施形变分析方法 |
Non-Patent Citations (1)
| Title |
|---|
| 殷幼松;张永红;吴宏安;康永辉;: "融合分布式目标的小基线集干涉测量方法应用", 测绘科学, no. 07 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117216311B (zh) | 2024-01-30 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108038445B (zh) | 一种基于多视角深度学习框架的sar自动目标识别方法 | |
| CN108960300B (zh) | 一种基于深度神经网络的城市土地利用信息分析方法 | |
| Zhu et al. | Assessment of spectral, polarimetric, temporal, and spatial dimensions for urban and peri-urban land cover classification using Landsat and SAR data | |
| Soergel | Review of radar remote sensing on urban areas | |
| Kirthika et al. | Automated road network extraction using artificial neural network | |
| Del Frate et al. | Monitoring urban land cover in Rome, Italy, and its changes by single-polarization multitemporal SAR images | |
| Miyazaki et al. | An automated method for global urban area mapping by integrating ASTER satellite images and GIS data | |
| CN113343804B (zh) | 面向单视全极化sar数据的集成迁移学习分类方法及系统 | |
| Chini et al. | Comparing statistical and neural network methods applied to very high resolution satellite images showing changes in man-made structures at rocky flats | |
| Liu | Processing of FORMOSAT-2 daily revisit imagery for site surveillance | |
| CN107742133A (zh) | 一种用于极化sar图像的分类方法 | |
| CN109145870A (zh) | 基于sar极化分解和卷积神经网络的两阶段盐碱地监测方法 | |
| CN112949414A (zh) | 一种宽视域高分六号卫星影像地表水体智能制图方法 | |
| CN114442092B (zh) | 一种分布式无人机sar深度学习三维成像方法 | |
| CN108764326A (zh) | 基于深度置信网络的城市不透水层提取方法 | |
| 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 | |
| CN117216311B (zh) | 用于时序形变监测的sar影像推荐方法 | |
| Pergola et al. | Two years of operational use of Subpixel Automatic Navigation of AVHRR scheme: accuracy assessment and validation | |
| Hakim et al. | Land Subsidence and Groundwater Storage Assessment Using ICOPS, GRACE, and Susceptibility Mapping in Pekalongan, Indonesia | |
| Nabi et al. | A deep learning-based soil moisture estimation in conus region using cygnss delay doppler maps | |
| CN112464997B (zh) | 基于模糊-贪婪搜索决策的多传感器协同监测方法及系统 | |
| CN109840539A (zh) | 一种基于地块图斑的遥感时空数据融合方法 | |
| Wang et al. | Ensemble learning for improving satellite retrievals of orographic precipitation | |
| CN113505833A (zh) | 基于多视角可变卷积神经网络的雷达自动目标识别方法 | |
| CN112767292A (zh) | 一种用于时空融合的地理加权空间混合分解方法 |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |