1.本发明属于信号与信息处理技术领域，具体涉及基于复协方差矩阵的sar小数据集自适应多时相干涉测量方法及系统，充分考虑了sar图像的复数信息，引入了结构检测算子，基于检测到的结构自适应地估计协方差矩阵，利用协方差矩阵间的相似性因子进行同质点(statistically homogeneous pixels，shp)像元检测。
背景技术：2.多时相干涉合成孔径雷达(muliti-temporal interferogram synthetic aperture radar,mt-insar)具有高精度和宽覆盖范围的技术优势，目前在地球观测中有着广泛的应用。mt-insar技术通常分为两种主要的类型：永久散射(permanent scatterer，ps)技术和小基线子集(small baseline subsets，sbas)。ps技术通过构网方式来获取高精度的形变反演结果，是在观测期间具有高相位稳定性特征的离散点状散射体上执行的。在sbas方法中，选择小的时空基线影像对构建干涉图子集，可以从较少的sar数据集中提取高相干区域的形变信号。多视处理可以帮助减少时空去相干影响，提高相位解缠结果的鲁棒性，在准确估计地表高程和地表变形等方面起着重要作用。
3.自适应多视属于mt-insar测量中的一个关键处理步骤，尤其是在sbas技术的预处理过程中；自适应多视的核心是相邻像素和预测像素之间的合理距离度量。对于多时相数据集，早期的自适应多视方法引入了一些基于经验累积分布函数(cumulative distribution functions，cdf)的统计方法，如两样本kolmogorov-smirnov(ks)检验和anderson-darling(ad)检验。为了提高假设检验的能力，学者们提出了一些无需事先知识或情景假设的无监督自适应方法，以及自适应多视方法；这些方法充分利用了时间维度的幅度信息，但忽略了sar复图像中重要的相位信息，在sar数据集较少的情况下，这些方法的可靠性通常很差。
技术实现要素：4.基于现有技术中存在的上述不足，本发明的目的是提供基于复协方差矩阵的自适应多时相干涉测量方法及系统。
5.为了达到上述发明目的，本发明采用以下技术方案：
6.基于复协方差矩阵的自适应多时相干涉测量方法，包括以下步骤：
7.s1、对n幅时序sar图像进行预处理；n为大于1的整数；
8.s2、在预设窗口中，根据sar图像的不同结构特征检测sar图像中的点散射体结构、线性结构、均匀区域和边缘区域；
9.s3、基于点散射体结构、线性结构、均匀区域和边缘区域自适应估计复协方差矩阵；
10.s4、对复协方差矩阵进行像素间的相似性检测，基于恒定虚警概率或经验性阈值设置以确定同质点集合；
11.s5、基于同质点集合进行自适应多视处理。
12.作为优选方案，所述步骤s1中，预处理包括配准、几何校正和差分干涉。
13.作为优选方案，所述步骤s2，具体包括以下步骤：
14.s21、根据sar图像的不同结构特征构建点目标检测算子、线比检测器、变差系数；
15.s22、根据点目标检测算子、线比检测器、变差系数检测sar图像中的点散射体结构、线性结构、均匀区域和边缘区域。
16.作为优选方案，所述点目标检测算子αi为：
[0017][0018]
其中，分别为预设窗口中内邻域和外邻域的平均强度；
[0019]
当αi大于预设阈值时，则检测的目标像元为点散射体。
[0020]
作为优选方案，所述线比检测器的构建过程，包括：
[0021]
对于预先设置的多个方向，第l个方向上的比率检测器通过以下公式计算：
[0022][0023]
其中，分别为第l条线两侧的两个子区域的平均强度；
[0024]
通过在所有方向上最小化即得到线比检测器α
l
；
[0025]
当α
l
小于阈值则预测的像素位于线性结构上。
[0026]
作为优选方案，所述变差系数的计算公式为：
[0027][0028]
其中，δ和μ分别代表sar强度图的局部标准差和平均值；
[0029]
当变差系数cv小于预设阈值cu，则预设窗口内的区域视为均匀区域。
[0030]
作为优选方案，所述边缘区域采用数个方向窗进行边缘检测。
[0031]
作为优选方案，所述步骤s3包括：
[0032]
对于n幅已配准的sar图像的堆栈，像素p的复向量描述为：
[0033]
d(p)＝[d1(p)，d2(p)，
…
，dn(p)]
[0034]
其中，di(p)表示第i幅sar图像中像素p的后向散射值；
[0035]
在d(p)近似遵循古德曼模型的假设下，d(p)的多元概率密度函数描述为：
[0036][0037]
其中，(
·
)h表示共轭转置，协方差矩阵c表示n
×
n复矩阵，det(
·
)表示矩阵的行列式；
[0038]
协方差矩阵c的最大似然估计量由以下公式计算：
[0039][0040]
其中，ω表示邻域像素的集合，nq表示集合ω中的样本数，q为邻域像素的集合中的像素。
[0041]
作为优选方案，所述步骤s4包括：
[0042]
所述像素p的协方差矩阵为c
p
，像素q的协方差矩阵为cq，则c
p
与cq的似然比检验统计量描述为：
[0043][0044]
其中，n
x
和ny分别表示用于估计协方差矩阵c
p
和cq的像元样本数；
[0045]
当ln q大于设定阈值时，确定目标像元的同质点集合。
[0046]
本发明还提供基于复协方差矩阵的自适应多时相干涉测量系统，应用如上任一项方案所述的自适应多时相干涉测量方法，所述自适应多时相干涉测量系统包括：
[0047]
预处理模块，用于对时序sar图像进行预处理；
[0048]
检测模块，用于在预设窗口中，根据sar图像的不同结构特征检测sar图像中的点散射体结构、线性结构、均匀区域和边缘区域；
[0049]
自适应估计模块，用于基于点散射体结构、线性结构、均匀区域和边缘区域自适应估计复协方差矩阵；
[0050]
同质点集合确定模块，用于对复协方差矩阵进行像素间的相似性检测，基于恒定虚警概率或经验性阈值设置以确定同质点集合；
[0051]
自适应多视处理模块，用于基于同质点集合进行自适应多视处理。
[0052]
本发明与现有技术相比，有益效果是：
[0053]
本发明基于复协方差矩阵的自适应多时相干涉测量方法及系统，充分利用sar图像的复数信息，能够有效克服基于幅度的自适应多视方法在小数据集中的应用局限性；鉴于sar图像场景的复杂性，首先检测其结构特征，并基于检测到的目标结构自适应估计协方差矩阵，然后采用协方差矩阵的相似性检验来测量两个像素之间的距离；为有效检测sar图像中的结构特征，引入孤立散射体检测算子，线性检测算子和变差系数(coefficient of variation，cv)，以区分点散射体、线性结构、边缘等不同的结构特点；基于时间序列复向量的概率分布特征，引入协方差矩阵的检验统计量来度量两个像素之间的相似性，有效提高了sar小数据集中的测量精度，提高了预测准确率。
附图说明
[0054]
图1为本发明实施例1的基于复协方差矩阵的自适应多时相干涉测量方法的流程图；
[0055]
图2为本发明实施例1的基于复协方差矩阵的自适应多时相干涉测量系统的构架图。
具体实施方式
[0056]
为了更清楚地说明本发明实施例，下面将对照附图说明本发明的具体实施方式。显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图，并获得其他的实施方式。
[0057]
本发明引入协方差矩阵的检验统计量来度量两个像素之间的相似性，以提高在sar小数据集中相邻像素与预测像素之间的度量精度，解决现有方法在sar小数据集中同质点集合选取不理想的问题。
[0058]
如图1所示，本发明实施例的基于复协方差矩阵的自适应多时相干涉测量方法，包括以下步骤：
[0059]
s1、对n幅时序sar图像进行预处理；n为大于1的整数；
[0060]
具体地，利用开源软件doris对sar图像进行预处理，预处理包括配准、几何校正和差分干涉。
[0061]
s2、在预设窗口中，根据sar图像的不同结构特征检测sar图像中的点散射体结构、线性结构、均匀区域和边缘区域；
[0062]
结构特征的检测，考虑到sar图像场景的复杂性，基于sar图像不同结构特征所具有的特点，对sar图像进行结构特征检测，以区分点散射体、线性结构、边缘区域(即边缘结构)、均匀区域等不同地物特征。具体的操作如下：
[0063]
(1)点散射体检测：在sar图像中，一些人为制造的对象例如车辆或者孤立的建筑物具有较强的后向散射系数，这类散射体的物理尺寸一般都较小，其大部分能量集中在主瓣和第一副瓣上。点目标检测算子可计算为：
[0064][0065]
其中，分别为预设窗口中内邻域(包括预测像素和四个相连像素)和外邻域的平均强度。
[0066]
对于理想的点散射体而言，ic会明显高于ir。因此，在sar图像中，当αi大于预设阈值的时侯，就可以认为检测的目标像元为点散射体。
[0067]
(2)线性检测：对于线性结构，在理想状态下应具有三个纹理区域：定向线和两个子区域。对于预先设置的多个方向，第i个方向上的比率检测器可通过以下公式计算：
[0068][0069]
式中，分别为第i条线的两侧两个子区域的平均强度。
[0070]
通过在所有方向上最小化即可以获得线比检测器α
l
。在sar图像中，如果α
l
小于合适的阈值则可以认为预测像素位于线性结构上。表示预设阈值，预设阈值可以通过比率检测器α
l
的概率密度函数估计。在具体实际应用中，可以根据影像个数和应用场景经验性地进行阈值设置。
[0071]
(3)均匀区域检测：均匀区域检测属于空间自适应相干斑滤波中的关键问题，局部变差系数cv可以用来测量sar场景的均匀性，该变差系数计算公式如下：
[0072][0073]
其中，δ和μ分别代表sar强度图的局部标准差和平均值。如果cv小于预设阈值cu，则预设窗口内的区域可视为局部均匀。在实际应用中，cu的值通常与预设窗口的大小有关。
[0074]
(4)边缘检测：lee滤波使用了16个方向掩模来自适应地降低噪声，且已有实验结
果表明使用方向窗可以更为有效地抑制噪声。本发明基于9
×
9窗口中预设的16个方向窗进行边缘结构检测，同时，基于时间维度的强度均值图像来确定目标像元的同质区域来降低相干斑噪声对结果判定的影响。
[0075]
具体执行中，本发明采用cv作为区域同质性测量指标，用来反映局部纹理和边缘信息。基于同质区域像元具有相同统计特征的特点可知，cv值越小，该方向窗的同质性越高。结合这种均匀性度量，选择cv最小的方向窗作为最均匀的邻域。
[0076]
s3、基于点散射体结构、线性结构、均匀区域和边缘区域自适应估计复协方差矩阵；
[0077]
对于n幅给定的已配准的sar图像集，像素p的复向量可以描述为：
[0078]
d(p)＝[d1(p)，d2(p)，
…
，dn(p)]
[0079]
其中，di(p)表示第i幅sar图像中p的后向散射值。
[0080]
在单视复数图像d(p)近似遵循古德曼模型的假设下，d(p)的多元概率密度函数(probability density function，pdf)可以描述为：
[0081][0082]
其中，(
·
)h表示共轭转置，c表示n
×
n复矩阵，det(
·
)表示矩阵的行列式；
[0083]
协方差矩阵c的最大似然估计量由以下公式计算：
[0084][0085]
其中，ω表示邻域像素的集合，nq表示集合ω中的样本数。
[0086]
然而，在非均匀sar场景中，预设估计窗口中的后向散射观测可能遵循不同的分布。所以我们先对sar图像进行结构特征的检测，然后基于选取的结构特征自适应地估计协方差矩阵。
[0087]
s4、对复协方差矩阵进行像素间的相似性检测，基于恒定虚警概率或经验性阈值设置以确定同质点集合；
[0088]
目标像元的协方差矩阵不仅包含了像元的幅度信息，还包括重要的相位信息，比较适合用来描述sar图像中的复杂后向散射信号。因此，引入协方差矩阵的检验统计量来度量两个像素之间的相似性。
[0089]
当复向量d(p)遵循均值为0的复多元正态分布时，协方差矩阵c可被视为wishart分布。复杂wishart分布的概率密度函数分布通常描述为：
[0090][0091]
式中，γ(
·
)表示伽马函数。
[0092]
对于两个wishart复协方差矩阵，x∈wc(n，n
x
，∑
x
)以及y∈wc(n，ny，∑y)，协方差矩阵检验统计量的零假设和替代假设可以表述为：h0：∑
x
＝∑y，h1：∑
x
≠∑y。如果零假设h0为真，则x和y的似然比检验统计量可以描述为：
[0093][0094]
式中，n
x
和ny分别表示用于估计协方差矩阵c
p
和cq的像元样本数。
[0095]
如果n
x
＝ny，相似性测试指标可以重新写为：
[0096]
ln q＝n
x
(2n ln 2+ln{det(x)}+ln{det(y)}-2 ln{det(x+y))}
[0097]
当ln q大于适当阈值时，可以接受零假设h0。具有恒定虚警概率的理论阈值需要根据数据集定期更新。具体执行时，可以根据影像个数和场景特征经验性地设定。
[0098]
对于预测目标，在预设的搜索窗口内，逐个计算结构特征算子，确定预测目标属于哪种结构，然后进行对应于该种结构的协方差矩阵估计，最后进行目标像元的协方差矩阵相似性检验来确定两个像元之间的距离。
[0099]
s5、基于同质点集合进行自适应多视处理。
[0100]
本发明实施例的基于复协方差矩阵的自适应多时相干涉测量方法引入了复协方差矩阵来描述后向散射信号，有效降低了在sar小数据集中两个像素之间距离的度量误差，提高了同质点集合选取的准确度。对于现实的非均匀sar场景考虑到了预设估计窗口中可能包含不同类型的散射目标，加入了不同结构特征的检测算子以及对应的复协方差矩阵估计。最后使用复协方差矩阵相似性检验的方法来度量两个像素之间的距离，提高了预测像素的准确率和成功率。
[0101]
基于本发明实施例上述的基于复协方差矩阵的自适应多时相干涉测量方法，还提供基于复协方差矩阵的自适应多时相干涉测量系统，如图2所示，包括预处理模块、检测模块、自适应估计模块、同质点集合确定模块和自适应多视处理模块。
[0102]
具体地，本实施例的预处理模块用于对时序sar图像进行预处理，具体过程可以参考上述自适应多时相干涉测量方法对应的过程，在此不赘述。
[0103]
检测模块用于在预设窗口中，根据sar图像的不同结构特征检测sar图像中的点散射体结构、线性结构、均匀区域和边缘区域；具体过程可以参考上述自适应多时相干涉测量方法对应的过程，在此不赘述。
[0104]
自适应估计模块，用于基于点散射体结构、线性结构、均匀区域和边缘区域自适应估计复协方差矩阵；具体过程可以参考上述自适应多时相干涉测量方法对应的过程，在此不赘述。
[0105]
同质点集合确定模块，用于对复协方差矩阵进行像素间的相似性检测，基于恒定虚警概率或经验性阈值设置以确定同质点集合；具体过程可以参考上述自适应多时相干涉测量方法对应的过程，在此不赘述。
[0106]
自适应多视处理模块，用于基于同质点集合进行自适应多视处理，具体过程可以参考上述自适应多时相干涉测量方法对应的过程，在此不赘述。
[0107]
以上所述仅是对本发明的优选实施例及原理进行了详细说明，对本领域的普通技术人员而言，依据本发明提供的思想，在具体实施方式上会有改变之处，而这些改变也应视为本发明的保护范围。
技术特征：1.基于复协方差矩阵的自适应多时相干涉测量方法，其特征在于，包括以下步骤：s1、对n幅时序sar图像进行预处理；n为大于1的整数；s2、在预设窗口中，根据sar图像的不同结构特征检测sar图像中的点散射体结构、线性结构、均匀区域和边缘区域；s3、基于点散射体结构、线性结构、均匀区域和边缘区域自适应估计复协方差矩阵；s4、对复协方差矩阵进行像素间的相似性检测，基于恒定虚警概率或经验性阈值设置以确定同质点集合；s5、基于同质点集合进行自适应多视处理。2.根据权利要求1所述的基于复协方差矩阵的自适应多时相干涉测量方法，其特征在于，所述步骤s1中，预处理包括配准、几何校正和差分干涉。3.根据权利要求1所述的基于复协方差矩阵的自适应多时相干涉测量方法，其特征在于，所述步骤s2，具体包括以下步骤：s21、根据sar图像的不同结构特征构建点目标检测算子、线比检测器、变差系数；s22、根据点目标检测算子、线比检测器、变差系数检测sar图像中的点散射体结构、线性结构、均匀区域和边缘区域。4.根据权利要求3所述的基于复协方差矩阵的自适应多时相干涉测量方法，其特征在于，所述点目标检测算子α
i
为：其中，分别为预设窗口中内邻域和外邻域的平均强度；当α
i
大于预设阈值时，则检测的目标像元为点散射体。5.根据权利要求3所述的基于复协方差矩阵的自适应多时相干涉测量方法，其特征在于，所述线比检测器的构建过程，包括：对于预先设置的多个方向，第l个方向上的比率检测器通过以下公式计算：其中，分别为第l条线两侧的两个子区域的平均强度；通过在所有方向上最小化即得到线比检测器α
l
；当α
l
小于阈值则预测的像素位于线性结构上。6.根据权利要求3所述的基于复协方差矩阵的自适应多时相干涉测量方法，其特征在于，所述变差系数的计算公式为：其中，δ和μ分别代表sar强度图的局部标准差和平均值，sar强度图反映了地物目标对雷达信号的散射强度；当变差系数cv小于预设阈值cu,则预设窗口内的区域视为均匀区域。7.根据权利要求3所述的基于复协方差矩阵的自适应多时相干涉测量方法，其特征在
于，所述边缘区域采用数个方向窗进行边缘检测。8.根据权利要求3所述的基于复协方差矩阵的自适应多时相干涉测量方法，其特征在于，所述步骤s3包括：对于n幅已配准的sar图像的堆栈，像素p的复向量描述为：d(p)＝[d1(p),d2(p),
…
,d
n
(p)]其中，d
i
(p)表示第i幅sar图像中像素p的后向散射值；在d(p)近似遵循古德曼模型的假设下，d(p)的多元概率密度函数描述为：其中，(
·
)
h
表示共轭转置，协方差矩阵c表示n
×
n复矩阵，det(
·
)表示矩阵的行列式；协方差矩阵c的最大似然估计量由以下公式计算：其中，ω表示邻域像素的集合，n
q
表示集合ω中的样本数，q为邻域像素的集合中的像素。9.根据权利要求8所述的基于复协方差矩阵的自适应多时相干涉测量方法，其特征在于，所述步骤s4包括：所述像素p的协方差矩阵为c
p
，像素q的协方差矩阵为c
q
，则c
p
与c
q
的似然比检验统计量描述为：其中，n
x
和n
y
分别表示用于估计协方差矩阵c
p
和c
q
的像元样本数；当ln q大于设定阈值时，确定目标像元的同质点集合。10.基于复协方差矩阵的自适应多时相干涉测量系统，应用如权利要求1-9任一项所述的自适应多时相干涉测量方法，其特征在于，所述自适应多时相干涉测量系统包括：预处理模块，用于对时序sar图像进行预处理；检测模块，用于在预设窗口中，根据sar图像的不同结构特征检测sar图像中的点散射体结构、线性结构、均匀区域和边缘区域；自适应估计模块，用于基于点散射体结构、线性结构、均匀区域和边缘区域自适应估计复协方差矩阵；同质点集合确定模块，用于对复协方差矩阵进行像素间的相似性检测，基于恒定虚警概率或经验性阈值设置以确定同质点集合；自适应多视处理模块，用于基于同质点集合进行自适应多视处理。
技术总结本发明公开了基于复协方差矩阵的自适应多时相干涉测量方法及系统，自适应多时相干涉测量方法包括如下步骤：S1、对N幅时序SAR图像进行预处理；N为大于1的整数；S2、在预设窗口中，根据SAR图像的不同结构特征检测SAR图像中的点散射体结构、线性结构、均匀区域和边缘区域；S3、基于点散射体结构、线性结构、均匀区域和边缘区域自适应估计复协方差矩阵；S4、对复协方差矩阵进行像素间的相似性检测，基于恒定虚警概率或经验性阈值设置以确定同质点集合；S5、基于同质点集合进行自适应多视处理。本发明考虑了像元的相位信息，在SAR小数据集情况下同质点像元检测结果准确率相比于传统算法在小数据集情况下有大幅的提升。在小数据集情况下有大幅的提升。在小数据集情况下有大幅的提升。
技术研发人员：宋慧娜 鲍朴博 滕旭阳 仇兆炀 何美霖 冯维 乔磊 苏明坤
受保护的技术使用者：杭州电子科技大学
技术研发日：2022.05.30
技术公布日：2022/11/1
