基于张量分解的时序InSAR影像时间-空间维降维压缩方法

技术特征：
1.基于张量分解的时序insar影像时间-空间维降维压缩方法，其特征在于，所述降维压缩方法包括以下步骤：步骤1，将原始时序insar影像进行分组：采用人工干预手段将精配准后的原始时序insar影像进行平均分组，在每组中进行差分干涉处理和phase-linking；步骤2，子空间划分：在每组中将时序insar影像划分为多个小的子空间，并获取每个小的子空间范围内的像素协方差矩阵；步骤3，建立三阶张量模型：根据较小子空间内各像素之间具有相似的统计特性，将每个小的子空间范围内的像素协方差矩阵进行堆叠，构建协方差矩阵三阶张量模型；步骤4，时序insar影像降维压缩张量分解模型：采用张量分解中的tucker分解算法对上述构建的协方差矩阵三阶张量模型进行分解，将原始张量分解为一个低秩核心张量与对应模式下的因子矩阵的乘积，得到时序insar影像的低秩表示，通过因子矩阵对核张量进行多线性反向投影，即可得到近似的低秩时序insar影像(称为虚拟影像)；步骤5，生成虚拟干涉图：利用步骤4得到的虚拟影像进行干涉处理，生成虚拟干涉图；步骤6，利用步骤5生成的虚拟干涉图进行时序处理，获取地表形变信息。2.根据权利要求1所述基于张量分解的时序insar影像时间-空间维降维压缩方法，其特征在于，步骤4为：根据步骤3将给定子空间大小内的像素协方差矩阵表示成三阶张量其中l1和l2表示时间维(影像数量)，l3表示空间维(子空间像素个数)；根据tucker分解原理，三阶张量可用核张量和对应模式的因子矩阵表示，公式如下：其中，以及为因子矩阵，且j
i
≤l
i
,(i＝1,2,3)；对式(1)进行线性投影变换，可获得核张量的表达式如下：其中，以及为投影矩阵，公式(2)中的核张量也称为压缩张量。3.根据权利要求2所述基于张量分解的时序insar影像时间-空间维降维压缩方法，其特征在于，tucker分解的具体算法流程：输入：输入阶数为l1×
l2×…×
i
n
的张量数据j1×
j2×…×
j
n
：每个因子矩阵包含的列数输出：n个因子矩阵u
(n)
，以及核张量即for n＝1,2,3,
…
,n do[u
(n)
,s
(n)
,v
(n)
]＝svd(b
(n)
)u
(n)
←
b
(n)
的i
n
(n＝1,2,3,
…
,n)个左奇异值矩阵end

技术总结
本发明公开基于张量分解的时序InSAR影像时间-空间维降维压缩方法，包括：将全堆栈影像在时间维上进行分组，在每组中进行差分干涉和相位估计；将每组中的影像在空间维上划分为多个小的子空间，利用每个子空间范围内的像素协方差矩阵构建三阶张量模型，采用Tucker分解算法进行降维压缩处理，得到每组中的虚拟影像；利用虚拟影像进行差分干涉处理，生成虚拟干涉图，再利用虚拟干涉图进行时序分析获取地表形变信息。本发明将张量分解理论引入到时序InSAR影像降维压缩中，同时实现了时间维和空间维的降维压缩处理，使得时序InSAR数据处理效率得到了极大提升，且能有效识别出形变位置，适用于长时序、大范围地表形变位置识别。大范围地表形变位置识别。大范围地表形变位置识别。


技术研发人员：左小清 李勇发 朱大明 黄成 李芳
受保护的技术使用者：昆明理工大学
技术研发日：2022.04.15
技术公布日：2022/7/1