42雷达干涉测量原理与应用-图文.doc

42雷达干涉测量原理与应用-图文

4 雷达干涉测量原理与应用
• INSAR基本原理
相位关系+空间关系
• 雷达波的相位信息的准确提取是决定干涉测量精度的主要因素
• 数据处理流程
INSAR 影像对输入基线估算
去除平地效应高程计算影像配准
干涉成像噪声滤除
相位解缠
•••INSAR数据处理的特点
• 复数据处理
海量数据
干涉图与一般景物影像不同
处理流程与一般遥感影像处理不同
INSAR数据处理的要求
• 自动化
• 高精度
• 海量数据处理
INSAR数据处理的关键
• 相位信息
• 空间参数
主要内容
§4.1 雷达干涉测量概述

§4.2 复数影像配准
§4.3 干涉图生成与相位噪声滤波§4.4 相位解缠
§4.5 InSAR发展与应用
4.2 复数影像配准
本节要点
本节系统地论述INSAR复数影像精确配准的重要性,研究配准精度对于干涉图质量的影响,对INSAR数据配准方法发展的现状进行评述,分析存在的问题;然后详细论述从粗到细的影像匹配策略和实施方案,以及最小二乘匹配方法在INSAR数据配准中的应用等。
主要内容
1 影像配准的基本原理
2 干涉图质量评估与配准精度
3 INSAR复数影像配准方法概述
4 幅度影像的从粗到细匹配策略
5 幅度影像相关系数用于精确匹配
6 相干性测度用于精确配准
影像配准的基本原理
配准问题的提出
• 在遥感影像的集成应用中,包括数据融合、变化检测和重复轨道干涉成像等,均首先需要解决来自不同传感器或者不同时相的影像高精度快速配准的问题
• 在多源数据综合处理的过程中,影像配准往往是一个瓶颈,制约整个数据处理自动化的实现
• 由重复轨道获得的两幅复数SAR影像,欲得到准确的干涉相位,必须精确地配准。理论上,配准精度需要达到子像素级(1/10像素
INSAR数据配准问题的困难
• INSAR影像对是单视数的复数影像,也就是未经任何辐射分辨率改善措施的影像,纹理模糊,还有斑点噪声的影响,要达到这样的要求并非易事
• 单视数复数影像的高精度自动配准,无法用人工方法配准
• 自动配准比光学影像之间的配准要困难得多,其配准的实施流程比较复杂
影像配准的一般步骤

影像配准的一般步骤
1控制点的确定:影像自动匹配
2几何变换模型:多项式变换(相对配准
3质量评估:多项式拟合
4复数影像重采样:三次样条、实部/虚部
5过采样:防止频谱混迭
质量指标

相干性测度的估计

干涉图的噪声来源
系统噪声地表变化影像配准聚焦不一致基线去相关
后处理
后处理
精确配准
控制成像过程
控制成像过程⇒
⇒
⇒
⇒
⇒
配准精度的影响(1
影像大小:2500 × 2500
波段:L ,C
精确配准:RMS 0.03像素
Max. Residual 0.05像素非精确配准:+ 0.7像素
配准精度的影响(2

相干系数分布(C波段
(a精确配准后生成(b未精确配准后生成
配准精度的影响(3

配准精度与相干性的变化趋势图
INSAR复数影像配准方法概述
配准是INSAR数据处理关键技术之一• 配准精度需要达到子像素级(1/10像素• 星载SAR几何变形复杂:
* 方位向是系统性的
* 距离向与地形起伏有关
⇒简单的平移和比例缩放要达到高精度
配准是很困难的
斑点噪声的影响
已有方法之一:相干系数法
k 参考影像
目标区域
l
搜索区域

输入影像
以相干系数为匹配测度
已有方法之二:最大干涉频谱法
• 对干涉图u进行FFT计算,得到对应的二维频谱F。频谱中最大值(复频谱的幅度峰值表示了最亮的干涉条纹的空间频率分量,其位置则表示了最亮条纹的空间分布频率
• 频谱中的信噪比(SNR可以用来衡量最亮条纹的相对质量,即最大分量与其他各分量之和的比值
• 根据(3-3式,信噪比与相干系数是等效的
已有方法之三:平均波动函数法

无地形变化时的理想相位差分布
INSAR数据配准方法存在的问题(1• 算法均为单点匹配算法
⇒某一点结果的正确与否与周围点无关
⇒可能出现多峰值或谷点的情况
这种孤立的、不考虑与周围的同名点对关系的单点影像匹配结果之间可能会出现矛盾
INSAR数据配准方法存在的问题(2
• 判断最佳点位置的难度和计算量很大
⇒或以整像素间隔为移动距离,然后对定位结果
进行多项式拟合,求出最佳点
⇒或将窗口中影像预先按1:10过采样(oversampling ⇒或将移动间隔定为0.1个像素
本质上与多项式拟合的方法没有区别,并不
能保证精度的明显提高
I NSAR数据配准方法存在的问题(3
• 从干涉条纹图的质量出发来设计匹配测度,需要反复生成局部的干涉图
⇒只有在配准精度达到一定程度时,才能看到明显的条纹图
⇒直观上很难判断复数像对之间的相似性程度,难以对运算过程加以监控
INSAR数据配准方法存在的问题(4• 在一定的搜索范围内逐点计算和比较
⇒实际上引进了大量的重复运算
(相干性,FFT的计算等
主要思路
• 从粗到细的影像匹配策略
• 以相干性作为高精度匹配的测度
匹配策略的要求
根据SAR影像的特点,把不同特点的匹配方法有机地组合起来,既要保证匹配的高精度,又要保证可靠性和效率
主要步骤
特征点提取⇒选择兴趣算子挑选候选点
基于灰度的粗匹配⇒确定下一级匹配的初始值
整体概率松弛匹配⇒改善抗噪声能力,提高可靠性最小二乘匹配⇒逐点精化,达到子像素级的精度
组合算法的目的
• 匹配算法基于幅度分量或功率影像(幅度的平方⇒实数运算大大减少了需处理的数据量
• 多种匹配方法的组合
⇒保证精度和可靠性
• 最小二乘匹配是灰度相似性导引的最速下降算法⇒少量的迭代次数就可达到所需精度,避免了传统方法的逐点搜索、重复计算
实施方案(1
• 先用Förstner算子选择兴趣点
• 采用归一化的相关系数作为匹配的测度
max ρ(Δx, Δy =
σg1g2 σg1g1 σg2 g2
ρ作为初级匹配测度之特点:
灰度线性畸变通常存在于由不同传感器或者在不同时相获取的遥感影像之间,ρ是灰度平移、比例尺变形之不变量
实 施 方 案(2
• 松弛法整体影像匹配 + 跨接法原理 跨接法:先重采样消除相对几何形变, 再计算影像段的相似性度量 k j 3 k 4 k 3 ih 和 jk 的相关系数: ρ( ih ,jk j j 3 j 1 i h k 2 k 1 当| ih | ≠ | jk |时重采样
实施方案(3
• 松弛法整体影像匹配 + 跨结法原理
C(i,j;h,k∝ρ( ih , jk
实施方案(4
• 松弛法整体影像匹配 + 跨接法原理

P(i, j: i, j 两点之间的相关系数ρij
n(H为相邻匹配点个数,m(K和m(J为候选匹配点个数P(r > T停止迭代,确定可靠点对。B为经验系数
∑ 实 施 方 案(5
• 单点最小二乘匹配
出发点是“灰度差的平方和最小 具体化:
n 1 + g 1 ( x , y = n 2 + g 2 ( x , y
vv = min v = g 1 ( x , y − g 2 ( x , y
考虑辐射畸变(窗口小时可认为是一次线性畸变:
g ( x , y = h 0 + h 1 g 2 ( x , y
] ′ ′ 实 施 方 案(6
只考虑相对位移的情况下(基线短: g 1(x , y + n 1(x , y = g 2 (x + Δx , y + Δy + n 2 (x , y 线性化后:
v (x , y = g 2x (x , y Δx + g 2 y (x , y Δy −[g 1(x y − g 2 (x , y
实施方案(7

实施方案(8
• 求解误差方程可得影像坐标改正值: Δx Δy • 输入影像灰度重新采样
• 计算匹配测度, 决定是否继续迭代计算? • 输入影像相对纠正
SIR-C数据与实验区

C波段幅度影像(site1L波段幅度影像(site1
SIR-C数据与实验区
L波段幅度影像(site2
初步的实验结果

Site1 / L波段幅度影像对和同名点对
初步的实验结果
表 4-1 松弛法匹配结果(二次多项式拟合
误差类别点数X 方向RMS
(像素
Y 方向
RMS
总的RMS
(像素
最大残差
(像素
(像素
Site1 松弛法匹配结果
(C 波段
Site1 松弛法匹配结果(L 波段
Site2 松弛法匹配结果(L 波段106
155
166
0.096
0.160
0.257
0.191
0.123
0.205
0.214
0.201
0.329
0.984
1.985
0.990
结果分析:松弛法匹配的效果明显,所有确定的同名点(控制点的残差都很小,没有明显的粗差点,可靠性较高
初步的实验结果
表 4-2 最小二乘匹配结果(site2, 二次多项式拟合
匹配窗口大小误差类别X 方向
RMS
Y 方向
RMS
总的 RMS
(像素
最大残差
(像素 (像素 (像素
N=17 N=21 N=25 N=27 N=29 N=33 N=35 N=37 N=43 N=51 N=61 N=71 0.1207
0.188
0.172
0.165
0.163
0.157
0.157
0.158
0.147
0.130
0.120
0.114
0.268
0.252
0.221
0.205
0.190
0.163
0.151
0.145
0.138
0.131
0.120
0.104
0.338
0.314
0.280
0.263
0.250
0.226
0.218

0.215
0.201
0.185
0.169
0.155
1.105
1.280
1.214
0.888
0.841
0.789
0.880
0.849
0.791
0.959
0.857
0.731
实验结果分析(2
• 从幅度影像看,整个SAR影像的纹理特征远不如光学影像,纹理都很模糊。但是,通过最小二乘匹配,匹配的精度有明显改善
• 窗口大小N的选择对匹配精度有明显影响。但是随着N增加到一定程度后,对于减少RMS的效果不太明显(相对变形
存在的问题(1
• N=51甚至71时,还是不能够达到1/10像素的精度要求原因主要是:
⇒SAR影像纹理特征相对非常比较模糊。从影像匹配理论可知,影像匹配的精度与纹理特征有密切关系,后面的讨论表明幅度影像相关系数难以控制匹配质量
⇒如果N太大,除了计算量的问题,相对变形也会更复杂
存在的问题(2
• 匹配前后的相关系数变化不大,可以说明配准质量的改善不明显
表4-3 最小二乘匹配前后的相关系数的变化
最大值最小值均值标准差
迭代前
迭代15 次后0.9243
0.9141
0.2048
0.2280
0.630
0.632
0.159
0.159
存在的问题(3
• ρ 的实际动态范围比较小,相关系数与残差之间的相关性不明显
在建立几何变形模型时,若以ρ为依据来判断(加权或剔除一些质量不高的点很困难
解决问题的可能途径
• 将幅度和相位信息的利用结合起来,在不明显增加运算量的情况下,进一步提高配准精度
⇒使用相干系数γ(coherence• 寻找相干系数的快速估计方法
* γ = N M N M 2 2 相干系数的快速估计
• (4-4式是相干系数的无偏估计,在估计窗口足够
大,并且相干性不是特别小时,估计的质量是很好的 N M | ∑ ∑ u 1 (n , m u 2 (n , m e − j ϕ ( n , m | n = 0 m = 0 (4-4 ∑ ∑ | u 1 (n , m | ∑ ∑ | u 2 (n , m | n = 0 m = 0 n = 0 m = 0 • 相干系数的精确计算需要求得准确的干涉相位,实 际操作上非常困难
相干系数的快速估计
功率影像为|u
1|2和|u
2
|2,它们的归一化互相关系数定义为:
可以推导出以下关系: