CN117970330A - 基于聚合像素的时序干涉sar滤波方法和装置 - Google Patents
基于聚合像素的时序干涉sar滤波方法和装置 Download PDFInfo
- Publication number
- CN117970330A CN117970330A CN202410372132.0A CN202410372132A CN117970330A CN 117970330 A CN117970330 A CN 117970330A CN 202410372132 A CN202410372132 A CN 202410372132A CN 117970330 A CN117970330 A CN 117970330A
- Authority
- CN
- China
- Prior art keywords
- pixel
- sequence
- aggregate
- aggregation
- data matrix
- 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
- 238000001914 filtration Methods 0.000 title claims abstract description 66
- 238000000034 method Methods 0.000 title claims abstract description 51
- 239000011159 matrix material Substances 0.000 claims abstract description 188
- 239000013598 vector Substances 0.000 claims abstract description 168
- 230000002776 aggregation Effects 0.000 claims abstract description 112
- 238000004220 aggregation Methods 0.000 claims abstract description 112
- 238000009826 distribution Methods 0.000 claims abstract description 59
- 238000012545 processing Methods 0.000 claims abstract description 45
- 238000011156 evaluation Methods 0.000 claims abstract description 22
- 239000006185 dispersion Substances 0.000 claims description 18
- 238000012360 testing method Methods 0.000 claims description 17
- 230000008569 process Effects 0.000 claims description 14
- 230000001427 coherent effect Effects 0.000 claims description 13
- 238000003860 storage Methods 0.000 claims description 12
- 230000002123 temporal effect Effects 0.000 claims description 11
- 238000004590 computer program Methods 0.000 claims description 10
- 238000007689 inspection Methods 0.000 claims description 5
- 230000004044 response Effects 0.000 claims description 2
- 238000005516 engineering process Methods 0.000 description 14
- 230000006870 function Effects 0.000 description 13
- 238000004422 calculation algorithm Methods 0.000 description 10
- 238000005457 optimization Methods 0.000 description 8
- 238000010586 diagram Methods 0.000 description 7
- 238000004891 communication Methods 0.000 description 6
- 230000000694 effects Effects 0.000 description 4
- 230000003287 optical effect Effects 0.000 description 3
- 239000011435 rock Substances 0.000 description 3
- 238000003325 tomography Methods 0.000 description 3
- 230000008901 benefit Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000005315 distribution function Methods 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 230000011218 segmentation Effects 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- 241001436679 Adama Species 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 230000002441 reversible effect Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
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
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
本公开的实施例公开了基于聚合像素的时序干涉SAR滤波方法、装置和设备。该方法的一具体实施方式包括：对获取的多幅合成孔径雷达图像进行影像配准，以生成配准雷达数据矩阵序列；对配准雷达数据矩阵序列中每个配准雷达数据矩阵进行像素聚合处理，以生成像素聚合复数向量序列；对像素聚合复数向量序列中各个像素聚合复数向量进行像素同分布匹配评估，以生成聚合像素相似分布关联向量序列，生成像素特征加权协方差矩阵，以及对配准雷达数据矩阵进行相位替换；确定与替换后雷达图像数据矩阵对对应的聚合像素干涉相干滤波信息。该实施方式可以提高滤波精度以及提高滤波效率。
Description
技术领域
本公开的实施例涉及合成孔径雷达领域，具体涉及基于聚合像素的时序干涉SAR滤波方法和装置。
背景技术
干涉合成孔径雷达技术（Interferometric Synthetic Aperture Radar, InSAR）是一种可以获取高分辨率地形轮廓、测量雷达目标沿雷达视线方向形变的微波遥感技术。它是合成孔径雷达遥感成像与电磁波干涉两大技术融合的结果，主要分为三个发展阶段：差分干涉SAR技术，时序干涉SAR技术和第二代时序干涉SAR技术。
然而，实践中发现，当采用上述方式进行干涉合成孔径雷达滤波时，经常会存在如下技术问题：
由于时空去相干及大气波动的影响，导致合成孔径雷达图像的精度下降，即使配套提高精度的处理（例如，永久散射体干涉合成孔径雷达技术、差分层析技术、最小基线集技术等），仍然存在图像中相干像素的密度不均匀的情况（如，城区和岩石裸露区域的相干密度高，在非城区密度较低），为了解决这一问题，可以将时序合成孔径雷达图像中的像素进行联合处理，然而，像素的联合处理则需要考虑所有像素点，同时还会携带噪声点像素的干扰，从而，不仅难以提高滤波精度，还降低了滤波效率。
该背景技术部分中所公开的以上信息仅用于增强对本发明构思的背景的理解，并因此，其可包含并不形成本国的本领域普通技术人员已知的现有技术的信息。
发明内容
本公开的内容部分用于以简要的形式介绍构思，这些构思将在后面的具体实施方式部分被详细描述。本公开的内容部分并不旨在标识要求保护的技术方案的关键特征或必要特征，也不旨在用于限制所要求的保护的技术方案的范围。
本公开的一些实施例提出了基于聚合像素的时序干涉SAR滤波，来解决以上背景技术部分提到的技术问题。
第一方面，本公开的一些实施例提供了一种基于聚合像素的时序干涉SAR滤波方法，该方法包括：对获取的多幅合成孔径雷达图像进行影像配准，以生成配准雷达数据矩阵序列，其中，上述多幅合成孔径雷达图像是对应同一区域连续时间点获取的；基于预设的聚合像素窗口，对上述配准雷达数据矩阵序列中每个配准雷达数据矩阵进行像素聚合处理，以生成像素聚合复数向量序列，其中，像素聚合处理是将聚合像素窗口内的中心点像素坐标与聚合像素窗口内其它各个像素坐标聚合；基于预设的搜索窗口，对上述像素聚合复数向量序列中各个像素聚合复数向量进行像素同分布匹配评估，以生成聚合像素相似分布关联向量序列，上述聚合像素相似分布关联向量序列用于生成像素特征加权协方差矩阵，以及基于上述像素特征加权协方差矩阵，对配准雷达数据矩阵进行相位替换，以生成替换后雷达图像数据矩阵，其中，上述搜索窗口大于上述聚合像素窗口；确定与上述替换后雷达图像数据矩阵对应的聚合像素干涉相干滤波信息。
第二方面，本公开的一些实施例提供了一种基于聚合像素的时序干涉SAR滤波装置，该装置包括：影像配准单元，被配置成对获取的多幅合成孔径雷达图像进行影像配准，以生成配准雷达数据矩阵序列，其中，上述多幅合成孔径雷达图像是对应同一区域连续时间点获取的；像素聚合处理单元，被配置成基于预设的聚合像素窗口，对上述配准雷达数据矩阵序列中每个配准雷达数据矩阵进行像素聚合处理，以生成像素聚合复数向量序列，其中，像素聚合处理是将聚合像素窗口内的中心点像素坐标与聚合像素窗口内其它各个像素坐标聚合；像素分布评估以及相位替换单元，被配置成基于预设的搜索窗口，对上述像素聚合复数向量序列中各个像素聚合复数向量进行像素同分布匹配评估，以生成聚合像素相似分布关联向量序列，上述聚合像素相似分布关联向量序列用于生成像素特征加权协方差矩阵，以及基于上述像素特征加权协方差矩阵，对配准雷达数据矩阵进行相位替换，以生成替换后雷达图像数据矩阵，其中，上述搜索窗口大于上述聚合像素窗口；确定单元，被配置成确定与上述替换后雷达图像数据矩阵对应的聚合像素干涉相干滤波信息。
第三方面，本公开的一些实施例提供了一种电子设备，包括：一个或多个处理器；存储装置，其上存储有一个或多个程序，当一个或多个程序被一个或多个处理器执行，使得一个或多个处理器实现上述第一方面任一实现方式所描述的方法。
第四方面，本公开的一些实施例提供了一种计算机可读介质，其上存储有计算机程序，其中，程序被处理器执行时实现上述第一方面任一实现方式所描述的方法。
本公开的上述各个实施例具有如下有益效果：通过本公开的一些实施例的基于聚合像素的时序干涉SAR滤波方法，可以提高滤波精度和滤波效率。具体来说，造成难以提高滤波精度，还降低了滤波效率的原因在于：由于时空去相干及大气波动的影响，导致合成孔径雷达图像的精度下降，即使配套提高精度的处理（例如，永久散射体干涉合成孔径雷达技术、差分层析技术、最小基线集技术等），仍然存在图像中相干像素的密度不均匀的情况（如，城区和岩石裸露区域的相干密度高，在非城区密度较低），为了解决这一问题，可以将时序合成孔径雷达图像中的像素进行联合处理，然而，像素的联合处理则需要考虑所有像素点，同时还会携带噪声点像素的干扰。基于此，本公开的一些实施例的基于聚合像素的时序干涉SAR滤波方法，首先，对获取的多幅合成孔径雷达图像进行影像配准，以生成配准雷达数据矩阵序列。然后，基于预设的聚合像素窗口，对上述配准雷达数据矩阵序列中每个配准雷达数据矩阵进行像素聚合处理，以生成像素聚合复数向量序列。这里，通过像素聚合，可以去除携带噪声的像素点，由此不仅可以减少需要处理的像素数量还可以去除噪声。接着，基于预设的搜索窗口，对上述像素聚合复数向量序列中各个像素聚合复数向量进行像素同分布匹配评估，以生成聚合像素相似分布关联向量序列。通过生成以生成聚合像素相似分布关联向量序列，可以进一步聚合相关联的像素，以此进一步提取像素的关联特征。而后，利用上述聚合像素相似分布关联向量序列，生成像素特征加权协方差矩阵。通过生成像素特征加权协方差矩阵，可以用于表征时序图像各个像素的误差。接着，基于上述像素特征加权协方差矩阵，对任一配准雷达数据矩阵进行相位替换，以生成替换后雷达图像数据矩阵。通过相位替换，可以用于调整配准雷达数据矩阵，以便于减少误差。最后，确定与上述替换后雷达图像数据矩阵对应的聚合像素干涉相干滤波信息。从而，可以提高滤波精度以及提高了滤波效率。
附图说明
结合附图并参考以下具体实施方式，本公开各实施例的上述和其他特征、优点及方面将变得更加明显。贯穿附图中，相同或相似的附图标记表示相同或相似的元素。应当理解附图是示意性的，元件和元素不一定按照比例绘制。
图1是根据本公开的基于聚合像素的时序干涉SAR滤波方法的一些实施例的流程图；
图2是根据本公开的基于聚合像素的时序干涉SAR滤波装置的一些实施例的结构示意图；
图3是适于用来实现本公开的一些实施例的电子设备的结构示意图。
具体实施方式
下面将参照附图更详细地描述本公开的实施例。虽然附图中显示了本公开的某些实施例，然而应当理解的是，本公开可以通过各种形式来实现，而且不应该被解释为限于这里阐述的实施例。相反，提供这些实施例是为了更加透彻和完整地理解本公开。应当理解的是，本公开的附图及实施例仅用于示例性作用，并非用于限制本公开的保护范围。
另外还需要说明的是，为了便于描述，附图中仅示出了与有关发明相关的部分。在不冲突的情况下，本公开中的实施例及实施例中的特征可以相互组合。
需要注意，本公开中提及的“第一”、“第二”等概念仅用于对不同的装置、模块或单元进行区分，并非用于限定这些装置、模块或单元所执行的功能的顺序或者相互依存关系。
需要注意，本公开中提及的“一个”、“多个”的修饰是示意性而非限制性的，本领域技术人员应当理解，除非在上下文另有明确指出，否则应该理解为“一个或多个”。
本公开实施方式中的多个装置之间所交互的消息或者信息的名称仅用于说明性的目的，而并不是用于对这些消息或信息的范围进行限制。
下面将参考附图并结合实施例来详细说明本公开。
图1示出了根据本公开的基于聚合像素的时序干涉SAR滤波方法的一些实施例的流程100。该基于聚合像素的时序干涉SAR滤波方法，包括以下步骤：
步骤101，对获取的多幅合成孔径雷达图像进行影像配准，以生成配准雷达数据矩阵序列。
在一些实施例中，基于聚合像素的时序干涉SAR滤波方法的执行主体可以对获取的多幅合成孔径雷达图像进行影像配准，以生成配准雷达数据矩阵序列。其中，上述多幅合成孔径雷达图像可以是对应同一区域连续时间点获取的。其次，可以通过预设的影像配准算法，对获取的多幅合成孔径雷达图像进行影像配准，以生成配准雷达数据矩阵序列。配准雷达数据矩阵中的每个数据可以表征图像中一个像素点的复数数据，即像素以复数形式表示，可以包括振幅和相位信息。因此，各个配准雷达数据矩阵可以表征对应同一区域的连续帧的合成孔径雷达图像。
作为示例，影像配准算法可以包括但不限于以下至少一项：归一化积相关算法、序贯相似性检测算法、阿达马变换算法等。
步骤102，基于预设的聚合像素窗口，对配准雷达数据矩阵序列中每个配准雷达数据矩阵进行像素聚合处理，以生成像素聚合复数向量序列。
在一些实施例中，上述执行主体可以通过各种方式基于预设的聚合像素窗口，对上述配准雷达数据矩阵序列中每个配准雷达数据矩阵进行像素聚合处理，以生成像素聚合复数向量序列。其中，像素聚合处理可以是将聚合像素窗口内的中心点像素坐标与聚合像素窗口内其它各个像素坐标聚合。其次，像素聚合复数向量序列中的每个像素聚合复数向量可以竖向对应各个合成孔径雷达图像中同一像素坐标位置的各个像素数据。这里，竖向可以是连续时间点的各个合成孔径雷达图像的叠加方向。
在一些实施例的一些可选的实现方式中，上述执行主体基于预设的聚合像素窗口，对上述配准雷达数据矩阵序列中每个配准雷达数据矩阵进行像素聚合处理，以生成像素聚合复数向量序列，可以包括以下步骤：
对上述配准雷达数据矩阵序列中的各个配准雷达数据矩阵中处于上述聚合像素窗口内的各个像素进行聚合处理以生成像素聚合复数向量，得到像素聚合复数向量序列。其中，上述聚合像素窗口根据设定的聚合窗口尺寸信息构建的。在聚合处理过程中，可以对聚合像素窗口内的各个像素进行滤波检验，以掩掉不通过检验的像素，留下的像素为聚合像素。每个像素聚合复数向量可以是上述聚合像素窗口在各个配准雷达数据矩阵中对应同一坐标区域进行滤波检验后的各个聚合像素构成的。其次，可以通过以下公式进行聚合处理，以生成像素聚合复数向量序列：。
其中，T表示向量转置。表示序号。/>表示像素聚合复数向量中对应第/>个配准雷达数据矩阵的向量数据。/>表示第/>个配准雷达数据矩阵中处于位置的向量数据。/>表示聚合窗口的长度值。/>表示聚合窗口的宽度值。/>表示序号。/>表示聚合像素组成的集合。
实践中，若通过联合像素的方式将窗口内的所有像素联合起来组成联合数据向量进行处理，则会将窗口内的一些低质量点也包含进来，引入数据噪声。而通过上述公式进行聚合处理可以仅挑选通过检验的高质量点，即上述公式中的要求/>。从而，利用这些高质量的点数据组成聚合复数向量。因此，可以有效剔除噪声数据，提升处理效果。
步骤103，基于预设的搜索窗口，对像素聚合复数向量序列中各个像素聚合复数向量进行像素同分布匹配评估，以生成聚合像素相似分布关联向量序列，聚合像素相似分布关联向量序列用于生成像素特征加权协方差矩阵，以及基于像素特征加权协方差矩阵，对配准雷达数据矩阵进行相位替换，以生成替换后雷达图像数据矩阵。
在一些实施例中，上述执行主体可以基于预设的搜索窗口，对上述像素聚合复数向量序列中各个像素聚合复数向量进行像素同分布匹配评估，以生成聚合像素相似分布关联向量序列，上述聚合像素相似分布关联向量序列用于生成像素特征加权协方差矩阵，以及基于上述像素特征加权协方差矩阵，对任一配准雷达数据矩阵进行相位替换，以生成替换后雷达图像数据矩阵。其中，上述搜索窗口大于上述聚合像素窗口。
在一些实施例的一些可选的实现方式中，上述执行主体基于预设的搜索窗口，对上述像素聚合复数向量序列中各个像素聚合复数向量进行像素同分布匹配评估，以生成聚合像素相似分布关联向量序列，上述聚合像素相似分布关联向量序列用于生成像素特征加权协方差矩阵，以及基于上述像素特征加权协方差矩阵，对配准雷达数据矩阵进行相位替换，以生成替换后雷达图像数据矩阵，可以包括以下步骤：
第一步，利用上述搜索窗口对上述像素聚合复数向量序列中各个像素聚合复数向量进行横向搜索，以选出多个相邻的像素聚合复数向量，作为相邻像素聚合复数向量组。其中，可以利用搜索窗口在合成孔径雷达图像的图像区域内进行搜索，每次搜索区域内的各个像素聚合复数向量作为相邻像素聚合复数向量组。以及对于每次搜索窗口选出的相邻像素聚合复数向量组，执行以下步骤生成聚合像素相似分布关联向量序列中的聚合像素相似分布关联向量：
步骤一，确定上述相邻像素聚合复数向量组中各个相邻像素聚合复数向量之间的同维度关联度，得到同纬度关联度序列。其中，可以通过预设的关联度算法，确定上述相邻像素聚合复数向量组中处于搜索窗口中心位置的相邻像素聚合复数向量与其它每个相邻像素聚合复数向量之间的同纬度关联度，得到同纬度关联度序列。
作为示例，关联度算法可以包括但不限于以下至少一项：汉明距离算法、双向匹配算法和PROSAC（Progressive Sampling Consensus，渐近一致采样）算法等。
步骤二，基于上述同纬度关联度序列，确定上述各个相邻像素聚合复数向量的时序离散度检验统计量。其中，对于每个相邻像素聚合复数向量可以选取同纬度关联度最高的相邻像素聚合复数向量作为关联像素聚合复数向量。这里，时序离散度检验统计量可以表征搜索窗口在一次搜索区域内相邻像素聚合复数向量组的离散程度。其次，可以通过以下公式确定上述各个相邻像素聚合复数向量的时序离散度检验统计量：
。
其中，、/>、/>表示序号。/>表示数据块（上述搜索窗口）中像元的数量。/>表示数据块中的第/>个相邻像素聚合复数向量。/>表示第/>个相邻像素聚合复数向量对应的无偏估计量。/>表示上述各个相邻像素聚合复数向量中同时对应第/>个配准雷达数据矩阵的数据块中第/>个相邻像素聚合复数向量的无偏估计量。/>表示上述各个相邻像素聚合复数向量中同时对应第/>个配准雷达数据矩阵的数据块中第/>个相邻像素聚合复数向量的关联像素聚合复数向量的无偏估计量。/>表示配准雷达数据矩阵的数量。/>表示第/>个配准雷达数据矩阵中数据块内相邻像素聚合复数向量的离散度。表示概率分布函数。/>表示匹配度变量。
实践中，上述公式中计算无偏估计量的公式避免了通过分段函数形式离散度，以此提高统计量的平滑度。同时，避免在分段处存在高阶不可导的情况。以便于提高对高阶信号的拟合度。另外，还在该公式中加入二次项指数，从而，进一步方便对拟合信号中非线性特征的拟合。从而，提高时序离散度检验统计量的准确度。
步骤三，响应于确定上述时序离散度检验统计量满足预设的匹配评估条件，生成聚合像素相似分布关联向量。其中，匹配评估条件可以是时序离散度检验统计量小于等于1减去上述概率分布函数的差值。这里，在确定上述时序离散度检验统计量满足预设的匹配评估条件后，可以构建对应同纬度关联度序列中同纬度关联度相同维度的聚合像素相似分布关联向量。具体的，聚合像素相似分布关联向量中的维度与同纬度关联度序列中同纬度关联度数量相同，且各个维度的标识可以为“1”。聚合像素相似分布关联向量可以表征统计同分布。
可选的，若上述时序离散度检验统计量不，满足预设的匹配评估条件，则可以生成表征统计不同分布的聚合像素相似分布关联向量。其中，表征统计不同分布的聚合像素相似分布关联向量的各个维度数据可以用“0”表示。
第二步，将上述聚合像素相似分布关联向量序列中的各个聚合像素相似分布关联向量合并为聚合像素数据矩阵。
第三步，确定与上述聚合像素数据矩阵对应的聚合数据权重序列。其中，可以通过以下公式确定与上述聚合像素数据矩阵对应的聚合数据权重序列中的各个聚合数据权重：
。
其中，表示对应第/>个时序离散度检验统计量的聚合数据权重，/>表示第/>个时序离散度检验统计量。/>表示序号。/>表示在给定置信度值/>下的阈值。
第四步，利用上述聚合数据权重序列和上述聚合像素数据矩阵，对上述聚合像素数据矩阵进行矩阵外积，以生成像素特征加权协方差矩阵。其中，可以通过以下公式对上述聚合像素数据矩阵进行矩阵外积，以生成像素特征加权协方差矩阵：
。
其中，表示第/>个目标像素聚合复数向量对应的像素特征加权协方差矩阵，/>表示第/>个目标像素聚合复数向量，/>表示第/>个目标像素聚合复数向量的向量共轭转置，/>表示目标像素聚合复数向量序列。/>表示对角矩阵，/>表示聚合像素数据矩阵中的聚合像素个数。
实践中，考虑到雷达信号在二维平面的空间平方衰减特性，通过在上述公式系数项（即，权重）分母中设定二次形式，可以更加贴近雷达信号在二维平面的空间平方衰减特性。从而，可以提高生成的像素特征加权协方差矩阵的准确度。
第五步，对上述像素特征加权协方差矩阵进行特征提取，得到提取后特征向量序列。其中，可以通过以下公式对上述像素特征加权协方差矩阵进行特征提取，得到提取后特征向量序列：
。
其中，表示提取后特征向量序列中的第一个提取后特征向量。/>表示上述像素特征加权协方差矩阵。/>表示像素特征加权协方差矩阵中向量的第/>个特征向量。/>表示向量共轭转置。/>表示像素特征加权协方差矩阵中特征向量的第/>个特征值，这里，向量的特征值可以是按照降序排列的。/>表示像素特征加权协方差矩阵中特征向量的数量。表示像素特征加权协方差矩阵中第一个特征向量的向量转置。
实践中，考虑到优化过程中存在过度平滑的情况，通过在目标函数中引用1范数约束，可以用于保留信号的细节特征，约束平滑程度。同时，为了避免优化过程中产生发散现象造成不收敛的情况。因此，为提取后特征向量设置正则化项。从而，可以进一步提高优化特征向量过程中的效率和优化结果提取后特征向量的准确度。
第六步，确定与上述像素特征加权协方差矩阵对应的时序相干系数矩阵序列。其中，可以通过以下公式确定与上述像素特征加权协方差矩阵中每个元素对应的时序相干系数矩阵：
。
其中，表示时序相干系数矩阵，/>表示配准雷达数据矩阵中与上述元素对应的相位向量。/>表示Hadamard（哈达玛矩阵）积。/>表示初始相位向量。/>中的/>表示虚部单位。
实践中，为了进一步提高滤波效率，该公式将时序相干系数转换为矩阵运算。由此，便于提高计算效率。
第七步，利用上述像素特征加权协方差矩阵、上述提取后特征向量序列和上述时序相干系数矩阵序列，建立优化目标函数，以及对配准雷达图像数据矩阵进行相位替换，得到替换后雷达图像数据矩阵。其中，可以通过以下公式建立优化目标函数，以供对任一配准雷达数据矩阵进行相位替换，得到替换后雷达图像数据矩阵：
。
其中，表示替换后雷达图像数据向量。/>表示上述像素特征加权协方差矩阵中第/>行第/>列的元素。/>表示上述像素特征加权协方差矩阵的第行第/>列的相位值。/>表示矩阵/>中的第/>行第/>列的元素。/>表示上述像素特征加权协方差矩阵中第/>行元素的标准差。/>表示上述像素特征加权协方差矩阵中第/>列元素的标准差。/>表示对应上述像素特征加权协方差矩阵中第/>行第/>列元素的时序相干系数。/>表示任一配准雷达数据矩阵中的第/>行第/>列的元素。
最后，可以将各个替换后雷达图像数据向量按照行列顺序组合为替换后雷达图像数据矩阵。
实践中，为了进一步避免优化过程中产生发散现象造成不收敛的情况。因此，为提取后特征向量设置正则化项。从而，可以进一步提高优化特征向量过程中的效率。
步骤104，确定与替换后雷达图像数据矩阵对应的聚合像素干涉相干滤波信息。
在一些实施例中，上述执行主体可以确定与上述替换后雷达图像数据矩阵对应的聚合像素干涉相干滤波信息。
在一些实施例的一些可选的实现方式中，上述执行主体确定与上述替换后雷达图像数据矩阵对应的聚合像素干涉相干滤波信息，可以包括以下步骤：
利用上述像素聚合复数向量序列，对上述替换后雷达图像数据矩阵对进行聚合像素干涉处理，以生成聚合像素干涉相干滤波信息。其中，利用上述像素聚合复数向量序列，可以根据干涉合成孔径雷达技术，对上述替换后雷达图像数据矩阵对进行聚合像素干涉处理，以生成聚合像素干涉相干滤波信息。其次，聚合像素干涉相干滤波信息可以是配准雷达数据矩阵序列的滤波结果。
可选的，聚合像素干涉相干滤波信息可以包括聚合像素形变矩阵、高相干散射点坐标序列和低相干散射点坐标序列。以及上述执行主体还可以执行以下步骤：
第一步，在上述聚合像素形变矩阵中，标记出高相干散射点坐标序列和低相干散射点坐标序列，得到标记后雷达图像。其中，可以将高相干散射点形变信息中的各个高相干散射点坐标、和低相干散射点形变信息中各个低相干散射点坐标标记至聚合像素形变矩阵中，得到标记后雷达图像。其中，聚合像素形变矩阵即为配准雷达数据矩阵序列中各个配准雷达数据矩阵矫正后的雷达图像。实践中，通过标记高相干散射点坐标和低相干散射点坐标，可以在雷达图像中显示出滤波结果。
第二步，将上述标记后雷达图像序列发送至显示终端以供显示。
上述各个公式及其相关内容作为本公开的实施例的一个发明点，可以进一步解决背景技术提及的技术问题“像素的联合处理则需要考虑所有像素点，同时还会携带噪声点像素的干扰，从而，不仅难以提高滤波精度，还降低了滤波效率”。导致不仅难以提高滤波精度，还降低了滤波效率的因素往往如下：像素的联合处理则需要考虑所有像素点，同时还会携带噪声点像素的干扰。如果解决了上述因素，就能提高滤波精度和滤波效率。为了达到这一效果，首先，考虑到像素的联合处理则需要考虑所有像素点的问题，因此，通过聚合处理的公式，挑选通过检验的高质量点。从而，利用这些高质量的点数据组成聚合复数向量。因此，可以有效剔除噪声数据，提升处理效果和处理效率。然后，在生成时序离散度检验统计量的公式中避免了通过分段函数形式离散度，以此提高统计量的平滑度。同时，避免在分段处存在高阶不可导的情况。以便于提高对高阶信号的拟合度。另外，还在该公式中加入二次项指数，从而，进一步方便对拟合信号中非线性特征的拟合。从而，提高时序离散度检验统计量的准确度。之后，考虑到雷达信号在二维平面的空间平方衰减特性，通过在矩阵外积公式系数项（即，权重）分母中设定二次形式，可以更加贴近雷达信号在二维平面的空间平方衰减特性。从而，可以提高生成的像素特征加权协方差矩阵的准确度。接着，考虑到优化过程中存在过度平滑的情况，通过在目标函数中引用1范数约束，可以用于保留信号的细节特征，约束平滑程度。同时，为了避免优化过程中产生发散现象造成不收敛的情况。因此，为提取后特征向量设置正则化项。从而，可以进一步提高优化特征向量过程中的效率和优化结果提取后特征向量的准确度。同时，为了进一步提高滤波效率，时序相干系数矩阵公式将时序相干系数转换为矩阵运算。由此，便于提高计算效率。最后，为了进一步避免优化过程中产生发散现象造成不收敛的情况。因此，为提取后特征向量设置正则化项。从而，可以进一步提高优化特征向量过程中的效率。进而，可以提高滤波精度和滤波效率。
本公开的上述各个实施例具有如下有益效果：通过本公开的一些实施例的基于聚合像素的时序干涉SAR滤波方法，可以提高滤波精度和滤波效率。具体来说，造成难以提高滤波精度，还降低了滤波效率的原因在于：由于时空去相干及大气波动的影响，导致合成孔径雷达图像的精度下降，即使配套提高精度的处理（例如，永久散射体干涉合成孔径雷达技术、差分层析技术、最小基线集技术等），仍然存在图像中相干像素的密度不均匀的情况（如，城区和岩石裸露区域的相干密度高，在非城区密度较低），为了解决这一问题，可以将时序合成孔径雷达图像中的像素进行联合处理，然而，像素的联合处理则需要考虑所有像素点，同时还会携带噪声点像素的干扰。基于此，本公开的一些实施例的基于聚合像素的时序干涉SAR滤波方法，首先，对获取的多幅合成孔径雷达图像进行影像配准，以生成配准雷达数据矩阵序列。然后，基于预设的聚合像素窗口，对上述配准雷达数据矩阵序列中每个配准雷达数据矩阵进行像素聚合处理，以生成像素聚合复数向量序列。这里，通过像素聚合，可以去除携带噪声的像素点，由此不仅可以减少需要处理的像素数量还可以去除噪声。接着，基于预设的搜索窗口，对上述像素聚合复数向量序列中各个像素聚合复数向量进行像素同分布匹配评估，以生成聚合像素相似分布关联向量序列。通过生成以生成聚合像素相似分布关联向量序列，可以进一步聚合相关联的像素，以此进一步提取像素的关联特征。而后，利用上述聚合像素相似分布关联向量序列，生成像素特征加权协方差矩阵。通过生成像素特征加权协方差矩阵，可以用于表征时序图像各个像素的误差。接着，基于上述像素特征加权协方差矩阵，对任一配准雷达数据矩阵进行相位替换，以生成替换后雷达图像数据矩阵。通过相位替换，可以用于调整配准雷达数据矩阵，以便于减少误差。最后，确定与上述替换后雷达图像数据矩阵对应的聚合像素干涉相干滤波信息。从而，可以提高滤波精度以及提高了滤波效率。
进一步参考图2，作为对上述各图所示方法的实现，本公开提供了一种基于聚合像素的时序干涉SAR滤波装置的一些实施例，这些装置实施例与图1所示的那些方法实施例相对应，该基于聚合像素的时序干涉SAR滤波装置具体可以应用于各种电子设备中。
如图2所示，一些实施例的基于聚合像素的时序干涉SAR滤波装置200包括：影像配准单元201、像素聚合处理单元202、像素分布评估以及相位替换单元203、和确定单元204。其中，影像配准单元201，被配置成对获取的多幅合成孔径雷达图像进行影像配准，以生成配准雷达数据矩阵序列，其中，上述多幅合成孔径雷达图像是对应同一区域连续时间点获取的；像素聚合处理单元202，被配置成基于预设的聚合像素窗口，对上述配准雷达数据矩阵序列中每个配准雷达数据矩阵进行像素聚合处理，以生成像素聚合复数向量序列，其中，像素聚合处理是将聚合像素窗口内的中心点像素坐标与聚合像素窗口内其它各个像素坐标聚合；像素分布评估以及相位替换单元203，被配置成基于预设的搜索窗口，对上述像素聚合复数向量序列中各个像素聚合复数向量进行像素同分布匹配评估，以生成聚合像素相似分布关联向量序列，上述聚合像素相似分布关联向量序列用于生成像素特征加权协方差矩阵，以及基于上述像素特征加权协方差矩阵，对配准雷达数据矩阵进行相位替换，以生成替换后雷达图像数据矩阵，其中，上述搜索窗口大于上述聚合像素窗口；确定单元204，被配置成确定与上述替换后雷达图像数据矩阵对应的聚合像素干涉相干滤波信息。
可以理解的是，该装置200中记载的诸单元与参考图1描述的方法中的各个步骤相对应。由此，上文针对方法描述的操作、特征以及产生的有益效果同样适用于装置200及其中包含的单元，在此不再赘述。
下面参考图3，其示出了适于用来实现本公开的一些实施例的电子设备300的结构示意图。图3示出的电子设备仅仅是一个示例，不应对本公开的实施例的功能和使用范围带来任何限制。
如图3所示，电子设备300可以包括处理装置301（例如中央处理器、图形处理器等），其可以根据存储在只读存储器（ROM）302中的程序或者从存储装置308加载到随机访问存储器（RAM）303中的程序而执行各种适当的动作和处理。在RAM 303中，还存储有电子设备300操作所需的各种程序和数据。处理装置301、ROM 302以及RAM 303通过总线304彼此相连。输入/输出（I/O）接口305也连接至总线304。
通常，以下装置可以连接至I/O接口305：包括例如触摸屏、触摸板、键盘、鼠标、摄像头、麦克风、加速度计、陀螺仪等的输入装置306；包括例如液晶显示器（LCD）、扬声器、振动器等的输出装置307；包括例如磁带、硬盘等的存储装置308；以及通信装置309。通信装置309可以允许电子设备300与其他设备进行无线或有线通信以交换数据。虽然图3示出了具有各种装置的电子设备300，但是应理解的是，并不要求实施或具备所有示出的装置。可以替代地实施或具备更多或更少的装置。图3中示出的每个方框可以代表一个装置，也可以根据需要代表多个装置。
特别地，根据本公开的一些实施例，上文参考流程图描述的过程可以被实现为计算机软件程序。例如，本公开的一些实施例包括一种计算机程序产品，其包括承载在计算机可读介质上的计算机程序，该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的一些实施例中，该计算机程序可以通过通信装置309从网络上被下载和安装，或者从存储装置308被安装，或者从ROM 302被安装。在该计算机程序被处理装置301执行时，执行本公开的一些实施例的方法中限定的上述功能。
需要说明的是，本公开的一些实施例上述的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器（RAM）、只读存储器（ROM）、可擦式可编程只读存储器（EPROM或闪存）、光纤、便携式紧凑磁盘只读存储器（CD-ROM）、光存储器件、磁存储器件、或者上述的任意合适的组合。在本公开的一些实施例中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本公开的一些实施例中，计算机可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读信号介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于：电线、光缆、RF（射频）等等，或者上述的任意合适的组合。
在一些实施方式中，客户端、服务器可以利用诸如HTTP（Hyper Text TransferProtocol，超文本传输协议）之类的任何当前已知或未来研发的网络协议进行通信，并且可以与任意形式或介质的数字数据通信（例如，通信网络）互连。通信网络的示例包括局域网（“LAN”），广域网（“WAN”），网际网（例如，互联网）以及端对端网络（例如，ad hoc端对端网络），以及任何当前已知或未来研发的网络。
上述计算机可读介质可以是上述装置中所包含的；也可以是单独存在，而未装配入该电子设备中。上述计算机可读介质承载有一个或者多个程序，当上述一个或者多个程序被该电子设备执行时，使得该电子设备：对获取的多幅合成孔径雷达图像进行影像配准，以生成配准雷达数据矩阵序列，其中，上述多幅合成孔径雷达图像是对应同一区域连续时间点获取的；基于预设的聚合像素窗口，对上述配准雷达数据矩阵序列中每个配准雷达数据矩阵进行像素聚合处理，以生成像素聚合复数向量序列，其中，像素聚合处理是将聚合像素窗口内的中心点像素坐标与聚合像素窗口内其它各个像素坐标聚合；基于预设的搜索窗口，对上述像素聚合复数向量序列中各个像素聚合复数向量进行像素同分布匹配评估，以生成聚合像素相似分布关联向量序列，上述聚合像素相似分布关联向量序列用于生成像素特征加权协方差矩阵，以及基于上述像素特征加权协方差矩阵，对配准雷达数据矩阵进行相位替换，以生成替换后雷达图像数据矩阵，其中，上述搜索窗口大于上述聚合像素窗口；确定与上述替换后雷达图像数据矩阵对应的聚合像素干涉相干滤波信息。
可以以一种或多种程序设计语言或其组合来编写用于执行本公开的一些实施例的操作的计算机程序代码，上述程序设计语言包括面向对象的程序设计语言—诸如Java、Smalltalk、C++，还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络——包括局域网（LAN）或广域网（WAN）——连接到用户计算机，或者，可以连接到外部计算机（例如利用因特网服务提供商来通过因特网连接）。
附图中的流程图和框图，图示了按照本公开各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，该模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。
描述于本公开的一些实施例中的单元可以通过软件的方式实现，也可以通过硬件的方式来实现。所描述的单元也可以设置在处理器中，例如，可以描述为：一种处理器包括影像配准单元、像素聚合处理单元、像素分布评估以及相位替换单元和确定单元。其中，这些单元的名称在某种情况下并不构成对该单元本身的限定，例如，影像配准单元还可以被描述为“对获取的多幅合成孔径雷达图像进行影像配准的单元”。
本文中以上描述的功能可以至少部分地由一个或多个硬件逻辑部件来执行。例如，非限制性地，可以使用的示范类型的硬件逻辑部件包括：现场可编程门阵列（FPGA）、专用集成电路（ASIC）、专用标准产品（ASSP）、片上系统（SOC）、复杂可编程逻辑设备（CPLD）等等。
以上描述仅为本公开的一些较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解，本公开的实施例中所涉及的发明范围，并不限于上述技术特征的特定组合而成的技术方案，同时也应涵盖在不脱离上述发明构思的情况下，由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本公开的实施例中公开的（但不限于）具有类似功能的技术特征进行互相替换而形成的技术方案。
Claims (8)
1.一种基于聚合像素的时序干涉SAR滤波方法，包括：
对获取的多幅合成孔径雷达图像进行影像配准，以生成配准雷达数据矩阵序列，其中，所述多幅合成孔径雷达图像是对应同一区域连续时间点获取的；
基于预设的聚合像素窗口，对所述配准雷达数据矩阵序列中每个配准雷达数据矩阵进行像素聚合处理，以生成像素聚合复数向量序列，其中，像素聚合处理是将聚合像素窗口内的中心点像素坐标与聚合像素窗口内其它各个像素坐标聚合；
基于预设的搜索窗口，对所述像素聚合复数向量序列中各个像素聚合复数向量进行像素同分布匹配评估，以生成聚合像素相似分布关联向量序列，所述聚合像素相似分布关联向量序列用于生成像素特征加权协方差矩阵，以及基于所述像素特征加权协方差矩阵，对配准雷达数据矩阵进行相位替换，以生成替换后雷达图像数据矩阵，其中，所述搜索窗口大于所述聚合像素窗口；
确定与所述替换后雷达图像数据矩阵对应的聚合像素干涉相干滤波信息。
2.根据权利要求1所述的方法，其中，所述聚合像素干涉相干滤波信息包括聚合像素形变矩阵、高相干散射点坐标序列和低相干散射点坐标序列；以及
所述方法还包括：
在所述聚合像素形变矩阵中，标记出高相干散射点坐标序列和低相干散射点坐标序列，得到标记后雷达图像；
将所述标记后雷达图像序列发送至显示终端以供显示。
3.根据权利要求1所述的方法，其中，所述基于预设的聚合像素窗口，对所述配准雷达数据矩阵序列中每个配准雷达数据矩阵进行像素聚合处理，以生成像素聚合复数向量序列，包括：
对所述配准雷达数据矩阵序列中的各个配准雷达数据矩阵中处于所述聚合像素窗口内的各个像素进行聚合处理以生成像素聚合复数向量，得到像素聚合复数向量序列，其中，所述聚合像素窗口根据设定的聚合窗口尺寸信息构建的，在聚合处理过程中，对聚合像素窗口内的各个像素进行滤波检验，以掩掉不通过检验的像素，留下的像素为聚合像素，每个像素聚合复数向量是所述聚合像素窗口在各个配准雷达数据矩阵中对应同一坐标区域进行滤波检验后的各个聚合像素构成的。
4.根据权利要求3所述的方法，其中，所述基于预设的搜索窗口，对所述像素聚合复数向量序列中各个像素聚合复数向量进行像素同分布匹配评估，以生成聚合像素相似分布关联向量序列，所述聚合像素相似分布关联向量序列用于生成像素特征加权协方差矩阵，以及基于所述像素特征加权协方差矩阵，对配准雷达数据矩阵进行相位替换，以生成替换后雷达图像数据矩阵，包括：
利用所述搜索窗口对所述像素聚合复数向量序列中各个像素聚合复数向量进行横向搜索，以选出多个相邻的像素聚合复数向量，作为相邻像素聚合复数向量组，以及对于每次搜索窗口选出的相邻像素聚合复数向量组，执行以下步骤生成聚合像素相似分布关联向量序列中的聚合像素相似分布关联向量：
确定所述相邻像素聚合复数向量组中各个相邻像素聚合复数向量之间的同维度关联度，得到同纬度关联度序列；
基于所述同纬度关联度序列，确定所述各个相邻像素聚合复数向量的时序离散度检验统计量；
响应于确定所述时序离散度检验统计量满足预设的匹配评估条件，生成聚合像素相似分布关联向量；
将所述聚合像素相似分布关联向量序列中的各个聚合像素相似分布关联向量合并为聚合像素数据矩阵；
确定与所述聚合像素数据矩阵对应的聚合数据权重序列；
利用所述聚合数据权重序列和所述聚合像素数据矩阵，对所述聚合像素数据矩阵进行矩阵外积，以生成像素特征加权协方差矩阵；
对所述像素特征加权协方差矩阵进行特征提取，得到提取后特征向量序列；
确定与所述像素特征加权协方差矩阵对应的时序相干系数矩阵序列；
利用所述像素特征加权协方差矩阵、所述提取后特征向量序列和所述时序相干系数矩阵序列，建立优化目标函数，以及对所述配准雷达数据矩阵进行相位替换，得到替换后雷达图像数据矩阵。
5.根据权利要求4所述的方法，其中，所述确定与所述替换后雷达图像数据矩阵对应的聚合像素干涉相干滤波信息，包括：
利用所述像素聚合复数向量序列，对所述替换后雷达图像数据矩阵进行聚合像素干涉处理，以生成聚合像素干涉相干滤波信息。
6.一种基于聚合像素的时序干涉SAR滤波装置，包括：
影像配准单元，被配置成对获取的多幅合成孔径雷达图像进行影像配准，以生成配准雷达数据矩阵序列，其中，所述多幅合成孔径雷达图像是对应同一区域连续时间点获取的；
像素聚合处理单元，被配置成基于预设的聚合像素窗口，对所述配准雷达数据矩阵序列中每个配准雷达数据矩阵进行像素聚合处理，以生成像素聚合复数向量序列，其中，像素聚合处理是将聚合像素窗口内的中心点像素坐标与聚合像素窗口内其它各个像素坐标聚合；
像素分布评估以及相位替换单元，被配置成基于预设的搜索窗口，对所述像素聚合复数向量序列中各个像素聚合复数向量进行像素同分布匹配评估，以生成聚合像素相似分布关联向量序列，所述聚合像素相似分布关联向量序列用于生成像素特征加权协方差矩阵，以及基于所述像素特征加权协方差矩阵，对配准雷达数据矩阵进行相位替换，以生成替换后雷达图像数据矩阵，其中，所述搜索窗口大于所述聚合像素窗口；
确定单元，被配置成确定与所述替换后雷达图像数据矩阵对应的聚合像素干涉相干滤波信息。
7.一种电子设备，包括：
一个或多个处理器；
存储装置，其上存储有一个或多个程序，
当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如权利要求1-5中任一所述的方法。
8.一种计算机可读介质，其上存储有计算机程序，其中，所述计算机程序被处理器执行时实现如权利要求1-5中任一所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410372132.0A CN117970330B (zh) | 2024-03-29 | 2024-03-29 | 基于聚合像素的时序干涉sar滤波方法和装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410372132.0A CN117970330B (zh) | 2024-03-29 | 2024-03-29 | 基于聚合像素的时序干涉sar滤波方法和装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117970330A true CN117970330A (zh) | 2024-05-03 |
| CN117970330B CN117970330B (zh) | 2024-06-11 |
Family
ID=90864924
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202410372132.0A Active CN117970330B (zh) | 2024-03-29 | 2024-03-29 | 基于聚合像素的时序干涉sar滤波方法和装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117970330B (zh) |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2015008310A1 (en) * | 2013-07-19 | 2015-01-22 | Consiglio Nazionale Delle Ricerche | Method for filtering of interferometric data acquired by synthetic aperture radar (sar) |
| CN109581351A (zh) * | 2018-11-16 | 2019-04-05 | 西安电子科技大学 | 联合像素归一化样本协方差矩阵估计目标径向速度的方法 |
| CN113589287A (zh) * | 2021-09-29 | 2021-11-02 | 南京隼眼电子科技有限公司 | 合成孔径雷达稀疏成像方法、装置、电子设备及存储介质 |
| WO2021250943A1 (en) * | 2020-06-11 | 2021-12-16 | Mitsubishi Electric Corporation | Graph-based array signal denoising for perturbed synthetic aperture radar |
| CN114067152A (zh) * | 2022-01-14 | 2022-02-18 | 南湖实验室 | 一种基于星载sar影像的精细化洪水淹没区提取方法 |
| CN116051415A (zh) * | 2023-01-31 | 2023-05-02 | 西安电子科技大学杭州研究院 | 一种基于超像素分割的视频sar序贯图像相干斑滤波方法 |
| CN117765006A (zh) * | 2023-12-25 | 2024-03-26 | 南京林业大学 | 基于无人机影像与激光点云的多层次密集树冠分割方法 |
-
2024
- 2024-03-29 CN CN202410372132.0A patent/CN117970330B/zh active Active
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2015008310A1 (en) * | 2013-07-19 | 2015-01-22 | Consiglio Nazionale Delle Ricerche | Method for filtering of interferometric data acquired by synthetic aperture radar (sar) |
| CN109581351A (zh) * | 2018-11-16 | 2019-04-05 | 西安电子科技大学 | 联合像素归一化样本协方差矩阵估计目标径向速度的方法 |
| WO2021250943A1 (en) * | 2020-06-11 | 2021-12-16 | Mitsubishi Electric Corporation | Graph-based array signal denoising for perturbed synthetic aperture radar |
| CN113589287A (zh) * | 2021-09-29 | 2021-11-02 | 南京隼眼电子科技有限公司 | 合成孔径雷达稀疏成像方法、装置、电子设备及存储介质 |
| CN114067152A (zh) * | 2022-01-14 | 2022-02-18 | 南湖实验室 | 一种基于星载sar影像的精细化洪水淹没区提取方法 |
| CN116051415A (zh) * | 2023-01-31 | 2023-05-02 | 西安电子科技大学杭州研究院 | 一种基于超像素分割的视频sar序贯图像相干斑滤波方法 |
| CN117765006A (zh) * | 2023-12-25 | 2024-03-26 | 南京林业大学 | 基于无人机影像与激光点云的多层次密集树冠分割方法 |
Non-Patent Citations (3)
| Title |
|---|
| 丁泽刚;刘昆;王岩;李根;李凌豪;李龙腾;: "基于压缩感知的地基MIMO SAR近场层析成像研究", 信号处理, no. 05, 25 May 2019 (2019-05-25) * |
| 张金宝;吕孝雷;卢晓军;: "结合KSTEST统计检验方法的联合像素时序干涉SAR处理技术", 测绘通报, no. 08, 25 August 2017 (2017-08-25) * |
| 赵军香;梁兴东;李焱磊;: "一种基于似然比统计量的SAR相干变化检测", 雷达学报, no. 02, 30 April 2017 (2017-04-30) * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117970330B (zh) | 2024-06-11 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111402130B (zh) | 数据处理方法和数据处理装置 | |
| CN113607185B (zh) | 车道线信息显示方法、装置、电子设备和计算机可读介质 | |
| US8335955B2 (en) | System and method for signal reconstruction from incomplete data | |
| Amiaz et al. | Coarse to over-fine optical flow estimation | |
| US20140126808A1 (en) | Recursive conditional means image denoising | |
| CN113256529B (zh) | 图像处理方法、装置、计算机设备及存储介质 | |
| CN108921801B (zh) | 用于生成图像的方法和装置 | |
| CN116310883A (zh) | 基于遥感图像时空融合的农业灾害预测方法及相关设备 | |
| US20250166208A1 (en) | Video processing method, apparatus, device and medium | |
| WO2024056030A1 (zh) | 一种图像深度估计方法、装置、电子设备及存储介质 | |
| CN113781478B (zh) | 油罐图像检测方法、装置、电子设备和计算机可读介质 | |
| CN117970330B (zh) | 基于聚合像素的时序干涉sar滤波方法和装置 | |
| US10969460B2 (en) | Method for radio tomographic image formation | |
| CN113470026B (zh) | 息肉识别方法、装置、介质及设备 | |
| Thurnhofer-Hemsi et al. | Super-resolution of 3D magnetic resonance images by random shifting and convolutional neural networks | |
| CN113962897B (zh) | 基于序列遥感影像的调制传递函数补偿方法及装置 | |
| CN117092650A (zh) | 用于合成孔径雷达图像的像素干涉方法、装置和设备 | |
| CN116343124A (zh) | 基于物联网目标监控方法、系统、电子设备以及存储介质 | |
| CN115393826A (zh) | 三维车道线生成方法、装置、电子设备和计算机可读介质 | |
| Patel et al. | The comprehensive art of atmospheric turbulence mitigation methodologies for visible and infrared sequences | |
| CN112766190A (zh) | 对抗样本生成方法、装置、存储介质及电子设备 | |
| WO2013172455A1 (ja) | 平滑化方法及び平滑化装置 | |
| CN114399555B (zh) | 数据在线标定方法、装置、电子设备和计算机可读介质 | |
| US20230298225A1 (en) | Systems, devices, components, and methods for optimizing information and data acquisition, transmission, processing, and analysis | |
| CN116912631B (zh) | 目标识别方法、装置、电子设备及存储介质 |
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 |