一种抗冰雪失相干的长时序SAR影像高效处理方法与系统与流程
本发明属于合成孔径雷达干涉测量数据处理,具体涉及一种抗冰雪失相干的长时序sar影像高效处理方法与系统。
背景技术:
1、合成孔径雷达干涉测量(insar)技术是地表形变监测的重要手段,广泛应用于地面沉降、滑坡、冰川运动等领域;随着sentinel-1等卫星的持续观测,长时序sar影像数据量急剧增加,对时序insar处理方法的计算效率和鲁棒性提出了更高要求;
2、在中高纬度冰雪覆盖区,时序insar处理面临严重的失相干问题;冰雪覆盖区的雷达影像在冬季积雪期由于地表覆雪导致相干性急剧下降,传统时序insar方法难以提取高密度的稳定相干点,形变监测点密度和精度大幅降低;此外,冰雪消融期地表变化剧烈,短时间内地表散射特性发生显著变化,导致干涉图的有效相干区域进一步缩小;
3、传统时序insar方法在处理大量影像时,通常采用基于相干矩阵的特征分解或相位链接方法,对所有影像进行全量计算;当影像数量达到数十甚至上百景时,协方差矩阵的构建和特征分解的计算量呈指数级增长,导致处理效率低下;当新增影像加入时,需要重新计算全部历史数据,无法实现递推式更新,难以满足实时或准实时形变监测的需求;
4、在低相干区域,基于相干系数矩阵的相位优化方法通常存在局限性;相干系数只能在直观上反映观测量的好坏,难以在数值上精确刻画观测量中包含的待估参数信息量;在低相干区,相干系数矩阵的估计精度下降,导致相位优化结果不稳定,容易陷入局部极值。
技术实现思路
1、本发明的目的是提供一种抗冰雪失相干的长时序sar影像高效处理方法与系统,以解决现有技术的问题。
2、本发明采取的技术方案具体如下:
3、一种抗冰雪失相干的长时序sar影像高效处理方法,包括以下步骤:
4、s1、去相干抑制:获取中高纬度冰雪覆盖区的长时序sar影像序列,对长时序sar影像序列中的每景影像进行质量筛选,并基于fisher信息量对分布式散射体ds目标进行相位优化,当构建的fisher信息矩阵非正定时,通过加入阻尼因子以稳定求解,保留高密度相干点;
5、s2、时序分组:将经过去相干抑制处理后的长时序影像,按时间窗口进行分组,每组包含若干景影像,并选取组内相干性满足条件的影像作为主影像,构建组内干涉对集合;
6、s3、组内相位补偿:对每组内的各影像,基于相位链接进行相位补偿,并将各影像的相位统一至同一参考基准;
7、s4、降维重构:对每组内经过相位补偿的影像,基于协方差矩阵的特征分解,提取主特征向量,重构得到代表该组核心形变信息的虚拟影像,将每组影像压缩为一景虚拟影像;
8、s5、校验优化:采用多个参考主影像对虚拟影像的形变监测结果进行交叉验证,评估压缩后影像的精度,若精度不达标则调整时序分组或组内相位补偿的参数。
9、优选地,所述s1包括:
10、基于复高斯分布假设,利用fisher信息矩阵替代传统相干系数矩阵,对ds目标进行相位最优估计;
11、当构建的fisher信息矩阵非正定时,施加阻尼因子进行矩阵修正;
12、fisher信息量的计算采用极大似然估计框架,通过迭代优化求解ds目标的最优相位估计值,每次迭代中更新fisher信息矩阵和阻尼因子,直至相邻两次迭代的相位估计值变化小于预设收敛阈值,预设收敛阈值根据雷达波长和期望形变精度确定。
13、优选地,所述s1还包括:
14、在ds目标的时间维相干系数大于预设相干阈值,且ds目标的空间分布密度不低于预设密度阈值时,确定选取高密度相干点;其中,预设相干阈值根据冰雪覆盖条件下的相干性统计分布确定,预设密度阈值根据所需形变监测的空间分辨率确定;
15、对长时序sar影像序列中的每景影像进行质量筛选包括对每景影像计算振幅离差指数和时间维相干系数,剔除影像质量低于预设质量阈值的影像;预设质量阈值为经验值,以保证后续相位优化步骤的输入影像质量。
16、优选地,所述s2包括:
17、所述时间窗口的时空基线阈值根据空间去相干程度、地形起伏、地表形变速率和冰雪覆盖条件确定,以保证组内影像的相干性;
18、并在影像密度不足时启用备选时空基线阈值,通过重采样对齐。
19、优选地,所述s3包括:
20、构建组内影像的协方差矩阵,通过奇异值分解提取最大特征值对应的特征向量的相位作为统一基准相位,其余影像相位经相位闭合校正后投影至统一基准相位,并通过空间自适应滤波抑制残余噪声;
21、空间自适应滤波的窗口大小根据局部相干性自适应调整,在相干性高的区域采用较大的滤波窗口以抑制噪声,在相干性低的区域采用较小的滤波窗口以保留细节信息。
22、优选地,所述s4包括:
23、对组内复数干涉向量进行零均值化处理,再构建协方差矩阵并进行特征分解,选取累计贡献率满足要求的特征向量,重构得到虚拟影像;
24、虚拟影像的重构基于协方差矩阵最大特征值对应的单位特征向量与组内复数干涉向量的运算获得;
25、重构虚拟影像的相位值通过主特征向量的相位加权求和获得,加权求和的方式为复数加权平均,以保留相位信息的完整性。
26、优选地,所述s5包括:
27、形变监测结果包括年沉降速率和季节性形变幅度;
28、交叉验证通过选取多个不同时间或不同轨道的主影像分别作为参考,对同一组虚拟影像的形变监测结果进行比较,计算差异指标,差异指标包括均方根误差和相关系数;
29、若均方根误差超过预设均方根误差阈值或相关系数低于预设相关系数阈值,则调整时序分组的时空基线阈值或组内相位补偿的空间自适应滤波窗口大小。
30、一种抗冰雪失相干的长时序sar影像高效处理系统,包括以下模块:
31、去相干抑制模块,用于获取中高纬度冰雪覆盖区的长时序sar影像序列,对长时序sar影像序列中的每景影像进行质量筛选,并基于fisher信息量对分布式散射体ds目标进行相位优化,当构建的fisher信息矩阵非正定时,通过加入阻尼因子以稳定求解,保留高密度相干点;
32、时序分组模块,用于将经过去相干抑制处理后的长时序影像,按时间窗口进行分组,每组包含若干景影像,并选取组内相干性满足条件的影像作为主影像,构建组内干涉对集合;
33、组内相位补偿模块,用于对每组内的各影像,基于相位链接进行相位补偿,并将各影像的相位统一至同一参考基准;
34、降维重构模块,用于对每组内经过相位补偿的影像,基于协方差矩阵的特征分解,提取主特征向量,重构得到代表该组核心形变信息的虚拟影像,将每组影像压缩为一景虚拟影像;
35、校验优化模块,用于采用多个参考主影像对虚拟影像的形变监测结果进行交叉验证,评估压缩后影像的精度,若精度不达标则调整时序分组或组内相位补偿的参数。
36、优选地,所述去相干抑制模块用于:
37、基于复高斯分布假设,利用fisher信息矩阵替代传统相干系数矩阵,对ds目标进行相位最优估计;
38、当构建的fisher信息矩阵非正定时,施加阻尼因子进行矩阵修正;
39、fisher信息量的计算采用极大似然估计框架,通过迭代优化求解ds目标的最优相位估计值,每次迭代中更新fisher信息矩阵和阻尼因子,直至相邻两次迭代的相位估计值变化小于预设收敛阈值,预设收敛阈值根据雷达波长和期望形变精度确定。
40、优选地,所述去相干抑制模块还用于:
41、在ds目标的时间维相干系数大于预设相干阈值,且ds目标的空间分布密度不低于预设密度阈值,确定选取高密度相干点;其中,预设相干阈值根据冰雪覆盖条件下的相干性统计分布确定,预设密度阈值根据所需形变监测的空间分辨率确定;
42、对长时序sar影像序列中的每景影像进行质量筛选包括对每景影像计算振幅离差指数和时间维相干系数,剔除影像质量低于预设质量阈值的影像,预设质量阈值为经验值,以保证后续相位优化步骤的输入影像质量。
43、有益效果
44、本发明基于复高斯分布假设,利用fisher信息矩阵替代传统相干系数矩阵,对分布式散射体目标进行相位最优估计;fisher信息量在数值上精确刻画了观测量中包含的待估参数信息量,fisher信息量在低相干区具有更高的稳健性,且不易陷入局部极值;当构建的fisher信息矩阵非正定时,通过加入阻尼因子稳定求解,保留了高密度相干点;在冬季积雪期等低相干场景下,仍能提取出密集的稳定相干点,提升低相干区域的相干点密度和相位优化精度。
45、本发明将经过去相干抑制处理后的长时序影像,按固定时间窗口进行分组,确保组内影像具有较高的相干性;对每组内经过相位补偿的影像进行协方差矩阵特征分解,提取主特征向量,通过pca投影变换将n维数据降至1维,将每组影像压缩为一景虚拟影像;通过线性变换将n维数据投影到低维子空间,每组影像压缩为1景虚拟影像在保留该组核心形变信息的同时,实现了长时序sar影像的高效数据压缩,降低了计算量。
46、本发明采用多个参考主影像对虚拟影像的形变监测结果进行交叉验证,计算均方根误差相关系数等差异指标;若均方根误差超过预设阈值,缩小时间窗口或收紧垂直基线阈值;若相关系数低于预设阈值,增大空间自适应滤波窗口或增加迭代次数;调整后重新执行时序分组、相位补偿、降维重构和校验优化步骤,形成闭环迭代;采用自适应调整策略,根据校验结果与阈值的偏差程度动态确定调整幅度,避免过度调整或陷入振荡;实现虚拟影像精度的自适应校验与参数调整,确保形变监测结果的可靠性。
版权声明:本站专利文献数据主要来源于国家知识产权局等公开渠道,由 技术新讯 进行整理汇编。页面设计及数据汇编的著作权归本站所有。全部内容仅供个人学习、科研评估与技术交流参考,严禁用于任何商业用途(包括但不限于直接生产制造、技术转让、倒卖数据等)。
免责条款:专利技术具有时效性,本站不对资料的绝对准确性、完整性和可实施性提供任何明示或暗示的担保。因参考本站内容造成的直接或间接损失,本站不承担相关法律责任。若您认为本站内容有侵权问题,请及时提供权属证明与我们联系,本站将在核实后依法处理。反馈意见:yyfuon@163.com