CN109541596A - 基于深度学习算法的InSAR图像处理方法及装置 - Google Patents
基于深度学习算法的InSAR图像处理方法及装置 Download PDFInfo
- Publication number
- CN109541596A CN109541596A CN201811434695.9A CN201811434695A CN109541596A CN 109541596 A CN109541596 A CN 109541596A CN 201811434695 A CN201811434695 A CN 201811434695A CN 109541596 A CN109541596 A CN 109541596A
- Authority
- CN
- China
- Prior art keywords
- insar
- interference pattern
- dem
- image
- noise reduction
- 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
- 238000013135 deep learning Methods 0.000 title claims abstract description 27
- 238000003672 processing method Methods 0.000 title claims abstract description 10
- 238000005305 interferometry Methods 0.000 claims abstract description 38
- 230000009467 reduction Effects 0.000 claims abstract description 29
- 238000000034 method Methods 0.000 claims abstract description 17
- 238000012549 training Methods 0.000 claims abstract description 16
- 238000011946 reduction process Methods 0.000 claims abstract description 7
- 238000004519 manufacturing process Methods 0.000 claims abstract description 3
- 238000012545 processing Methods 0.000 claims description 26
- 238000013528 artificial neural network Methods 0.000 claims description 7
- 230000000306 recurrent effect Effects 0.000 claims description 6
- 238000001914 filtration Methods 0.000 claims description 5
- 238000005457 optimization Methods 0.000 claims description 5
- 238000004590 computer program Methods 0.000 claims description 3
- 230000007613 environmental effect Effects 0.000 claims 1
- 238000000691 measurement method Methods 0.000 claims 1
- 238000005516 engineering process Methods 0.000 description 15
- 230000008859 change Effects 0.000 description 9
- 230000008901 benefit Effects 0.000 description 6
- 239000012298 atmosphere Substances 0.000 description 4
- 239000005433 ionosphere Substances 0.000 description 4
- 239000002689 soil Substances 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 238000012544 monitoring process Methods 0.000 description 3
- 230000035515 penetration Effects 0.000 description 3
- 238000003860 storage Methods 0.000 description 3
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Chemical compound O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 3
- 238000011161 development Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 239000004744 fabric Substances 0.000 description 1
- 239000003517 fume Substances 0.000 description 1
- 239000003721 gunpowder Substances 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000010287 polarization Effects 0.000 description 1
- 230000008439 repair process Effects 0.000 description 1
- CCEKAJIANROZEO-UHFFFAOYSA-N sulfluramid Chemical group CCNS(=O)(=O)C(F)(F)C(F)(F)C(F)(F)C(F)(F)C(F)(F)C(F)(F)C(F)(F)C(F)(F)F CCEKAJIANROZEO-UHFFFAOYSA-N 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
-
- 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
-
- 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
- G01S7/00—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00
- G01S7/02—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00
- G01S7/41—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00 using analysis of echo signal for target characterisation; Target signature; Target cross-section
- G01S7/417—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00 using analysis of echo signal for target characterisation; Target signature; Target cross-section involving the use of neural networks
Landscapes
- Engineering & Computer Science (AREA)
- Remote Sensing (AREA)
- Radar, Positioning & Navigation (AREA)
- Physics & Mathematics (AREA)
- Computer Networks & Wireless Communication (AREA)
- General Physics & Mathematics (AREA)
- Electromagnetism (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Radar Systems Or Details Thereof (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种基于深度学习算法的InSAR图像处理方法及装置，所述方法包括：利用低精度数字高程模型DEM仿真合成孔径雷达SAR图像，将仿真SAR图像与实际SAR图像进行配准，建立低精度DEM与实际SAR图像之间的对应关系；基于所述对应关系，利用低精度DEM进行干涉图仿真，将实际获取的干涉图与仿真干涉图进行差分，获取差分干涉图；对差分干涉图进行处理，根据仿真干涉图对所述差分干涉图进行相位解缠，获得原始干涉图，并对其进行相位解缠；进行基线估计和干涉参数定标，重建DEM，并通过重建的所述DEM进行正射影像制作，得到InSAR干涉图；利用深度学习算法训练降噪编码器DAE，对所述InSAR干涉图进行降噪处理，得到高精度的InSAR图像。
Description
技术领域
本发明涉及雷达技术领域，尤其涉及一种基于深度学习算法的InSAR图像处理方法及装置。
背景技术
随着我国雷达技术的快速发展，合成孔径雷达干涉测量(InterferometricSynthetic Aperture Radar,InSAR)技术也在迅猛发展，在快速地形测绘方面具有突出的优势。合成孔径雷达干涉测量技术是随着信息技术、摄影测量技术、数字信号处理技术等相关技术的发展而迅速发展起来的一种高精度对地观测技术。它在地形测绘、地表形变监测、冰川运动研究等方面都表现出全天时、全天候、高精度、高效率、大区域等突出优势。
利用InSAR技术快速获取高精度数字高程模型(Digital Elevation Model,DEM)是目前InSAR技术的主要应用之一。InSAR获取DEM的基本原理是利用合成孔径雷达(Synthetic Aperture Radar,SAR)系统的两副天线(或一副天线重复观测)，来获取同一地区具有一定视角差的两幅具有相干性的单视复数(Single Look Complex,SLC)SAR图像，并根据其干涉相位信息来提取地表的高程信息和重建DEM。SAR系统具有全天时、全天候成像的优势，几乎不分昼夜、气象等条件的限制对地面成像，无论是在硝烟弥漫的战火区，还是在阴雨蒙蒙的热带雨林均能有效获取地面的高质量图像，可以与光学成像技术互为补充。
利用差分雷达干涉测量技术(Differential Interferometric SyntheticAperture Radar,DInSAR)可以安全、大区域、面阵、高精度的对火山、地震等高危险区进行地表变化监测；利用InSAR技术的顺轨干涉测量(Along Track Interferometry,ATI)模式可以进行地面运动目标的速度监测；根据InSAR数据的相干性，结合不同极化、不同波段的干涉SAR图像，可以更好地进行目标分类和识别，在陆地分类、农业和资源调查等方面具有重要的应用价值和潜力。
深度学习算法，源于人工神经网络的研究，通过组合底层特征形成更加抽象的高层表述属性类别或特征，以发现数据的分布式特征表示。含多隐层的多层感知器就是一种深度学习结构。
在InSAR技术的应用过程中，尚面临如下问题：
(1)高山区和城市地区干涉处理与精确高程信息反演困难。在高山区和城市地区等地表形貌形变剧烈、叠掩和阴影影响严重的情况下，容易出现干涉相位欠采样和干涉信息缺失，导致干涉处理困难、可解性差、高程测量精度低等问题。
(2)植被覆盖区数据的相干性差、干涉处理效能低。在植被覆盖区，特别是处于夏季生长旺盛的茂密林区和农作物种植区，采用重复轨道模式获取的干涉数据相干性非常低，相位解缠的可解性差、高程测量精度低，严重影响了干涉处理的性能。
(3)大区域InSAR处理需要较多数量的地面控制点。在各像对的干涉处理中，均需要利用一定数量的地面控制点进行基线参数估计或干涉参数定标，若不采用区域网平差分法，对于大区域InSAR数据的干涉处理泽需要大量的地面控制点。对于高山峡谷等控制点布设困难地区或境外地区，由于缺乏地面控制点，干涉测量精度有限。
(4)大气、电离层、土壤湿度变化等均会造成干涉相位值的较大变化，严重影响干涉精度测量。
发明内容
本发明实施例提供一种基于深度学习算法的InSAR图像处理方法及装置，用以解决现有技术中的问题。
本发明实施例还供一种基于深度学习算法的InSAR图像处理方法，包括：
利用低精度数字高程模型DEM仿真合成孔径雷达SAR图像，将仿真SAR图像与实际SAR图像进行配准，建立低精度DEM与实际SAR图像之间的对应关系；
基于所述对应关系，利用低精度DEM进行干涉图仿真，将实际获取的干涉图与仿真干涉图进行差分，获取差分干涉图；
对差分干涉图进行预设处理后，根据仿真干涉图对所述差分干涉图进行相位解缠，获得原始干涉图，并对原始干涉图进行相位解缠；
进行基线估计和干涉参数定标，重建DEM，并通过重建的所述DEM进行正射影像制作，得到InSAR干涉图；
利用深度学习算法训练降噪编码器DAE，对所述InSAR干涉图进行降噪处理，剔除气象环境因素造成的影响，得到高精度的InSAR图像。
优选地，利用深度学习算法训练降噪编码器DAE具体包括：
基于循环神经网络的方法，结合InSAR图像以及剔除气象环境因素影响的对应图像，通过不同参数、阈值设置以及不同气象环境因素的选择，进行反复实验、迭代优化，不断修正、完善降噪编码器相关参数，对降噪编码器DAE进行训练。
优选地，所述预设处理具体包括：
进行差分干涉图的质量图计算；
进行差分干涉图的滤波；
进行差分干涉图的残差点统计。
本发明实施例还提供一种基于深度学习算法的InSAR图像处理装置，包括第一仿真模块，用于利用低精度数字高程模型DEM仿真合成孔径雷达SAR图像，将仿真SAR图像与实际SAR图像进行配准，建立低精度DEM与实际SAR图像之间的对应关系；
第二仿真模块，用于基于所述对应关系，利用低精度DEM进行干涉图仿真，将实际获取的干涉图与仿真干涉图进行差分，获取差分干涉图；
处理模块，用于对差分干涉图进行预设处理后，根据仿真干涉图对所述差分干涉图进行相位解缠，获得原始干涉图，并对原始干涉图进行相位解缠；
重建模块，用于进行基线估计和干涉参数定标，重建DEM，并通过重建的所述DEM进行正射影像制作，得到InSAR干涉图；
训练模块，用于利用深度学习算法训练降噪编码器DAE；
降噪模块，用于利用训练得到的降噪编码器DAE，对所述InSAR干涉图进行降噪处理，剔除气象环境因素造成的影响，得到高精度的InSAR图像。
优选地，所述训练模块具体用于：
基于循环神经网络的方法，结合InSAR图像以及剔除气象环境因素影响的对应图像，通过不同参数、阈值设置以及不同气象环境因素的选择，进行反复实验、迭代优化，不断修正、完善降噪编码器相关参数，对降噪编码器DAE进行训练。
优选地，所述处理模块具体用于：
进行差分干涉图的质量图计算；
进行差分干涉图的滤波；
进行差分干涉图的残差点统计。
本发明实施例还提供一种基于深度学习算法的InSAR图像处理装置，包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述计算机程序被所述处理器执行时实现上述方法的步骤。
采用本发明实施例，能够降低植被覆盖率、大气水汽含量变化、电离层总电子密度含量变化、土壤湿度变化及穿透能力变化对干涉测量精度的影响，得到精度较高的InSAR图像。
上述说明仅是本发明技术方案的概述，为了能够更清楚了解本发明的技术手段，而可依照说明书的内容予以实施，并且为了让本发明的上述和其它目的、特征和优点能够更明显易懂，以下特举本发明的具体实施方式。
附图说明
通过阅读下文优选实施方式的详细描述，各种其他的优点和益处对于本领域普通技术人员将变得清楚明了。附图仅用于示出优选实施方式的目的，而并不认为是对本发明的限制。而且在整个附图中，用相同的参考符号表示相同的部件。在附图中：
图1是本发明实施例中降噪编码器DAE示意图；
图2是本发明实施例中数据处理流程图。
具体实施方式
为解决InSAR图像受植被、大气、电离层变化影响较大的问题，获得更加清晰准确的InSAR图像，需要研究InSAR图像和气象环境因素的对应关系以及相应的处理方法，基于深度学习算法，采用降噪编码器DAE(如图1所示)，进行InSAR图像的自动处理。本发明实施例从InSAR图像处理、深度学习等技术入手，解决了InSAR图像受气象环境影响从而测量精度降低的问题。
下面将参照附图更详细地描述本公开的示例性实施例。虽然附图中显示了本公开的示例性实施例，然而应当理解，可以以各种形式实现本公开而不应被这里阐述的实施例所限制。相反，提供这些实施例是为了能够更透彻地理解本公开，并且能够将本公开的范围完整的传达给本领域的技术人员。
本发明实施例利用采用低精度DEM辅助的InSAR图像处理和当前热门的深度学习算法，将SLC图像经过干涉处理和DEM重建，得到InSAR图像后，通过深度学习算法对气象环境因素对图像的影响进行修正，有效提升InSAR图像的精度，降低植被覆盖率、大气水汽含量变化、电离层总电子密度含量变化、土壤湿度变化及穿透能力变化对干涉测量精度的影响。图2为本发明技术方案的数据处理流程图。
步骤1，利用低精度数字高程模型DEM仿真合成孔径雷达SAR图像，将仿真SAR图像与实际SAR图像进行配准，建立低精度DEM与实际SAR图像之间的对应关系；
步骤2，基于所述对应关系，利用低精度DEM进行干涉图仿真，将实际获取的干涉图与仿真干涉图进行差分，获取差分干涉图；
步骤3，对差分干涉图进行预设处理后，根据仿真干涉图对所述差分干涉图进行相位解缠，获得原始干涉图，并对原始干涉图进行相位解缠；
步骤4，进行基线估计和干涉参数定标，重建DEM，并通过重建的所述DEM进行正射影像制作，得到InSAR干涉图；
步骤5，利用深度学习算法训练降噪编码器DAE，对所述InSAR干涉图进行降噪处理，剔除气象环境因素造成的影响，得到高精度的InSAR图像。
具体地：
1，利用低精度DEM仿真SAR图像，将仿真SAR图像与实际SAR图像进行配准，建立低精度DEM与实际SAR图像之间的对应关系。
2，利用低精度DEM仿真干涉图，将实际获取的干涉图与仿真干涉图进行差分，降低干涉图的条纹频率，减小干涉相位欠采样，从而提高干涉图滤波和相位解缠效果，提高DEM重建的稳健性和精度。
3，利用深度学习训练得到的降噪编码器DAE(如图1所示)，剔除气象环境因素造成的影响，对图像进行降噪处理，得到较高精度的InSAR图像。其中，降噪编码器的训练过程，需要基于循环神经网络的方法并结合InSAR图像以及剔除气象环境因素影响的对应图像。同时，通过不同参数、阈值设置以及不同气象环境因素选择的处理方法，反复实验、迭代优化，不断修正、完善降噪编码器相关参数，使降噪处理的方法和结果符合客观实际。
综上所述，本发明实施例针对InSAR图像受植被、大气、电离层变化影响较大的问题，通过采用低精度DEM辅助的InSAR图像处理和当前热门的深度学习算法，剔除气象环境因素造成的影响，对图像进行降噪处理，得到较高精度的InSAR图像。
与现有技术相比，本发明实施例基于循环神经网络的方法并结合InSAR图像以及剔除气象环境因素影响的对应图像。同时，通过不同参数、阈值设置以及不同气象环境因素选择的处理方法，反复实验、迭代优化，不断修正、完善降噪编码器相关参数。将采用低精度DEM辅助处理得到的InSAR图像，通过降噪编码器进行修正，降低植被覆盖率、大气水汽含量变化、电离层总电子密度含量变化、土壤湿度变化及穿透能力变化对干涉测量精度的影响，得到精度较高的InSAR图像。
本实施例所述计算机可读存储介质包括但不限于为：ROM、RAM、磁盘或光盘等。
显然，本领域的技术人员应该明白，上述的本发明的各模块或各步骤可以用通用的计算装置来实现，它们可以集中在单个的计算装置上，或者分布在多个计算装置所组成的网络上，可选地，它们可以用计算装置可执行的程序代码来实现，从而，可以将它们存储在存储装置中由计算装置来执行，并且在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤，或者将它们分别制作成各个集成电路模块，或者将它们中的多个模块或步骤制作成单个集成电路模块来实现。这样，本发明不限制于任何特定的硬件和软件结合。
以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
Claims (7)
1.一种基于深度学习算法的InSAR图像处理方法，其特征在于，包括：
利用低精度数字高程模型DEM仿真合成孔径雷达SAR图像，将仿真SAR图像与实际SAR图像进行配准，建立低精度DEM与实际SAR图像之间的对应关系；
基于所述对应关系，利用低精度DEM进行干涉图仿真，将实际获取的干涉图与仿真干涉图进行差分，获取差分干涉图；
对差分干涉图进行预设处理后，根据仿真干涉图对所述差分干涉图进行相位解缠，获得原始干涉图，并对原始干涉图进行相位解缠；
进行基线估计和干涉参数定标，重建DEM，并通过重建的所述DEM进行正射影像制作，得到InSAR干涉图；
利用深度学习算法训练降噪编码器DAE，对所述InSAR干涉图进行降噪处理，剔除气象环境因素造成的影响，得到高精度的InSAR图像。
2.如权利要求1所述的方法，其特征在于，利用深度学习算法训练降噪编码器DAE具体包括：
基于循环神经网络的方法，结合InSAR图像以及剔除气象环境因素影响的对应图像，通过不同参数、阈值设置以及不同气象环境因素的选择，进行反复实验、迭代优化，不断修正、完善降噪编码器相关参数，对降噪编码器DAE进行训练。
3.如权利要求1所述的方法，其特征在于，所述预设处理具体包括：
进行差分干涉图的质量图计算；
进行差分干涉图的滤波；
进行差分干涉图的残差点统计。
4.一种基于深度学习算法的InSAR图像处理装置，其特征在于，包括：
第一仿真模块，用于利用低精度数字高程模型DEM仿真合成孔径雷达SAR图像，将仿真SAR图像与实际SAR图像进行配准，建立低精度DEM与实际SAR图像之间的对应关系；
第二仿真模块，用于基于所述对应关系，利用低精度DEM进行干涉图仿真，将实际获取的干涉图与仿真干涉图进行差分，获取差分干涉图；
处理模块，用于对差分干涉图进行预设处理后，根据仿真干涉图对所述差分干涉图进行相位解缠，获得原始干涉图，并对原始干涉图进行相位解缠；
重建模块，用于进行基线估计和干涉参数定标，重建DEM，并通过重建的所述DEM进行正射影像制作，得到InSAR干涉图；
训练模块，用于利用深度学习算法训练降噪编码器DAE；
降噪模块，用于利用训练得到的降噪编码器DAE，对所述InSAR干涉图进行降噪处理，剔除气象环境因素造成的影响，得到高精度的InSAR图像。
5.如权利要求4所述的装置，其特征在于，所述训练模块具体用于：
基于循环神经网络的方法，结合InSAR图像以及剔除气象环境因素影响的对应图像，通过不同参数、阈值设置以及不同气象环境因素的选择，进行反复实验、迭代优化，不断修正、完善降噪编码器相关参数，对降噪编码器DAE进行训练。
6.如权利要求1所述的方法，其特征在于，所述处理模块具体用于：
进行差分干涉图的质量图计算；
进行差分干涉图的滤波；
进行差分干涉图的残差点统计。
7.一种基于深度学习算法的InSAR图像处理装置，其特征在于，包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述计算机程序被所述处理器执行时实现如权利要求1至3中任一项所述的信号测量方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811434695.9A CN109541596B (zh) | 2018-11-28 | 2018-11-28 | 基于深度学习算法的InSAR图像处理方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811434695.9A CN109541596B (zh) | 2018-11-28 | 2018-11-28 | 基于深度学习算法的InSAR图像处理方法及装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN109541596A true CN109541596A (zh) | 2019-03-29 |
| CN109541596B CN109541596B (zh) | 2022-05-20 |
Family
ID=65850809
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201811434695.9A Active CN109541596B (zh) | 2018-11-28 | 2018-11-28 | 基于深度学习算法的InSAR图像处理方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109541596B (zh) |
Cited By (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2020102814A1 (en) * | 2018-11-16 | 2020-05-22 | Arizona Board Of Regents On Behalf Of The University Of Arizona | Phase unwrapping using segmentation |
| CN111812647A (zh) * | 2020-07-11 | 2020-10-23 | 桂林电子科技大学 | 一种用于干涉合成孔径雷达相位解缠方法 |
| CN112022097A (zh) * | 2020-09-09 | 2020-12-04 | 天津工业大学 | 一种头带式异质体监测设备及头部异质体监测方法、系统 |
| CN112558055A (zh) * | 2020-11-13 | 2021-03-26 | 中国电子科技集团公司电子科学研究院 | 一种目标定位方法、装置、gmti系统及可读存储介质 |
| EP3866105A1 (en) * | 2020-02-17 | 2021-08-18 | Paris Sciences et Lettres - Quartier Latin | Method for processing insar images to extract ground deformation signals |
| CN114280608A (zh) * | 2022-03-07 | 2022-04-05 | 成都理工大学 | 一种DInSAR高程相关大气效应去除方法及系统 |
| CN114280613A (zh) * | 2022-03-08 | 2022-04-05 | 南京雷电信息技术有限公司 | 基于dem数据生成仿真机载火控雷达对地测绘图像方法 |
| CN115113203A (zh) * | 2022-07-20 | 2022-09-27 | 江苏省水利科学研究院 | 一种去除InSAR大气相位的方法 |
| CN115963498A (zh) * | 2022-12-31 | 2023-04-14 | 中南大学 | 一种冰川区InSAR大梯度相位解缠方法 |
| CN116068511A (zh) * | 2023-03-09 | 2023-05-05 | 成都理工大学 | 一种基于深度学习的InSAR大尺度系统误差改正方法 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101881823A (zh) * | 2010-06-24 | 2010-11-10 | 中国人民解放军信息工程大学 | InSAR区域网平差干涉参数定标与控制点加密方法 |
| CN102590813A (zh) * | 2012-01-17 | 2012-07-18 | 中国测绘科学研究院 | 外部DEM辅助下的多模型InSAR相位精化方法 |
| CN103454636A (zh) * | 2013-09-08 | 2013-12-18 | 西安电子科技大学 | 基于多像素协方差矩阵的差分干涉相位估计方法 |
| CN108594222A (zh) * | 2018-03-21 | 2018-09-28 | 中国科学院电子学研究所 | 一种双频干涉合成孔径雷达的高程重建方法和装置 |
| CN108627834A (zh) * | 2018-06-07 | 2018-10-09 | 北京城建勘测设计研究院有限责任公司 | 一种基于地基InSAR的地铁路基结构监测方法及装置 |
| CN113281744A (zh) * | 2021-03-11 | 2021-08-20 | 中南大学 | 基于假设检验和自适应形变模型的时序InSAR方法 |
-
2018
- 2018-11-28 CN CN201811434695.9A patent/CN109541596B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101881823A (zh) * | 2010-06-24 | 2010-11-10 | 中国人民解放军信息工程大学 | InSAR区域网平差干涉参数定标与控制点加密方法 |
| CN102590813A (zh) * | 2012-01-17 | 2012-07-18 | 中国测绘科学研究院 | 外部DEM辅助下的多模型InSAR相位精化方法 |
| CN103454636A (zh) * | 2013-09-08 | 2013-12-18 | 西安电子科技大学 | 基于多像素协方差矩阵的差分干涉相位估计方法 |
| CN108594222A (zh) * | 2018-03-21 | 2018-09-28 | 中国科学院电子学研究所 | 一种双频干涉合成孔径雷达的高程重建方法和装置 |
| CN108627834A (zh) * | 2018-06-07 | 2018-10-09 | 北京城建勘测设计研究院有限责任公司 | 一种基于地基InSAR的地铁路基结构监测方法及装置 |
| CN113281744A (zh) * | 2021-03-11 | 2021-08-20 | 中南大学 | 基于假设检验和自适应形变模型的时序InSAR方法 |
Non-Patent Citations (1)
| Title |
|---|
| 张博等: "基于InSAR技术的DEM提取及InSAR DEM精度与地形因子的关系", 《安徽农业科学》 * |
Cited By (17)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US12130129B2 (en) | 2018-11-16 | 2024-10-29 | Arizona Board Of Regents On Behalf Of The University Of Arizona | Phase unwrapping using segmentation |
| WO2020102814A1 (en) * | 2018-11-16 | 2020-05-22 | Arizona Board Of Regents On Behalf Of The University Of Arizona | Phase unwrapping using segmentation |
| EP3866105A1 (en) * | 2020-02-17 | 2021-08-18 | Paris Sciences et Lettres - Quartier Latin | Method for processing insar images to extract ground deformation signals |
| WO2021165197A1 (en) * | 2020-02-17 | 2021-08-26 | Paris Sciences Et Lettres - Quartier Latin | Method for processing insar images to extract ground deformation signals |
| CN111812647B (zh) * | 2020-07-11 | 2022-06-21 | 桂林电子科技大学 | 一种用于干涉合成孔径雷达相位解缠方法 |
| CN111812647A (zh) * | 2020-07-11 | 2020-10-23 | 桂林电子科技大学 | 一种用于干涉合成孔径雷达相位解缠方法 |
| CN112022097A (zh) * | 2020-09-09 | 2020-12-04 | 天津工业大学 | 一种头带式异质体监测设备及头部异质体监测方法、系统 |
| CN112558055A (zh) * | 2020-11-13 | 2021-03-26 | 中国电子科技集团公司电子科学研究院 | 一种目标定位方法、装置、gmti系统及可读存储介质 |
| CN112558055B (zh) * | 2020-11-13 | 2023-11-17 | 中国电子科技集团公司电子科学研究院 | 一种目标定位方法、装置、gmti系统及可读存储介质 |
| CN114280608B (zh) * | 2022-03-07 | 2022-06-17 | 成都理工大学 | 一种DInSAR高程相关大气效应去除方法及系统 |
| CN114280608A (zh) * | 2022-03-07 | 2022-04-05 | 成都理工大学 | 一种DInSAR高程相关大气效应去除方法及系统 |
| CN114280613A (zh) * | 2022-03-08 | 2022-04-05 | 南京雷电信息技术有限公司 | 基于dem数据生成仿真机载火控雷达对地测绘图像方法 |
| CN115113203A (zh) * | 2022-07-20 | 2022-09-27 | 江苏省水利科学研究院 | 一种去除InSAR大气相位的方法 |
| CN115113203B (zh) * | 2022-07-20 | 2025-02-07 | 江苏省水利科学研究院 | 一种去除InSAR大气相位的方法 |
| CN115963498A (zh) * | 2022-12-31 | 2023-04-14 | 中南大学 | 一种冰川区InSAR大梯度相位解缠方法 |
| CN115963498B (zh) * | 2022-12-31 | 2025-06-27 | 中南大学 | 一种冰川区InSAR大梯度相位解缠方法 |
| CN116068511A (zh) * | 2023-03-09 | 2023-05-05 | 成都理工大学 | 一种基于深度学习的InSAR大尺度系统误差改正方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN109541596B (zh) | 2022-05-20 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109541596A (zh) | 基于深度学习算法的InSAR图像处理方法及装置 | |
| Naidoo et al. | Savannah woody structure modelling and mapping using multi-frequency (X-, C-and L-band) Synthetic Aperture Radar data | |
| Malenovský et al. | Unmanned aircraft system advances health mapping of fragile polar vegetation | |
| Clark | Comparison of simulated hyperspectral HyspIRI and multispectral Landsat 8 and Sentinel-2 imagery for multi-seasonal, regional land-cover mapping | |
| Lucieer et al. | Using an Unmanned Aerial Vehicle (UAV) to capture micro-topography of Antarctic moss beds | |
| Huang et al. | Mapping vegetation heights in China using slope correction ICESat data, SRTM, MODIS-derived and climate data | |
| Dall'Amico et al. | First results of SMOS soil moisture validation in the upper Danube catchment | |
| CN110287457A (zh) | 基于卫星雷达遥感数据的玉米生物量反演测算方法 | |
| CN117437538A (zh) | 一种热带雨林生态系统时空格局特征提取及预测方法 | |
| Jin et al. | Combining 3D radiative transfer model and convolutional neural network to accurately estimate Forest canopy cover from very high-resolution satellite images | |
| Sutariya et al. | Soil moisture estimation using Sentinel-1 SAR data and land surface temperature in Panchmahal district, Gujarat State | |
| Cheng et al. | A GT-LSTM spatio-temporal approach for winter wheat yield prediction: From the field scale to county scale | |
| Wu et al. | Improving the accuracy of fractional evergreen forest cover estimation at subpixel scale in cloudy and rainy areas by harmonizing landsat-8 and sentinel-2 time-series data | |
| Wang et al. | Object-based random forest classification for detecting plastic-mulched landcover from Gaofen-2 and Landsat-8 OLI fused data | |
| Le Hung et al. | Application of remote sensing technique for drought assessment based on normalized difference drought index, a case study of Bac Binh district, Binh Thuan province (Vietnam) | |
| Charrier et al. | Analysis of dense coregistration methods applied to optical and SAR time-series for ice flow estimations | |
| Hidayat et al. | Data Acquisition Tree Height and Areal Parameters of Mangrove Vegetation Using UAV | |
| Biswal | Ecological significance of core, buffer and transition boundaries in biosphere reserve: A remote sensing study in Similipal, Odisha, India | |
| Mustaffa et al. | Mapping of peat soil physical properties by using drone-based multispectral vegetation imagery | |
| Sun et al. | Geo-parcel based Crops Classification with Sentinel-1 Time Series Data via Recurrent Reural Network | |
| Pulella et al. | Monthly deforestation monitoring with sentinel-1 multi-temporal signatures and InSAR coherences | |
| RU2769575C1 (ru) | Способ генерации карт деградации почвенного покрова | |
| Lehotský et al. | Application of remote sensing and the GIS in interpretation of river geomorphic response to floods | |
| Mathew et al. | Improvement in the delineation of alpine treeline in Uttarakhand using spaceborne light detection and ranging data | |
| Xiao et al. | Ultra-high Spatial Resolution Mapping of Urban Forest Canopy Height with Multimodal Remote Sensing Data and Deep Learning Method |
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 |