CN112799065B - 基于蚁群搜索的sar层析参考网生成方法 - Google Patents
基于蚁群搜索的sar层析参考网生成方法 Download PDFInfo
- Publication number
- CN112799065B CN112799065B CN202011621544.1A CN202011621544A CN112799065B CN 112799065 B CN112799065 B CN 112799065B CN 202011621544 A CN202011621544 A CN 202011621544A CN 112799065 B CN112799065 B CN 112799065B
- Authority
- CN
- China
- Prior art keywords
- sar
- reference network
- edge
- points
- ant
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 36
- 238000012216 screening Methods 0.000 claims abstract description 5
- 241000257303 Hymenoptera Species 0.000 claims description 14
- 238000003325 tomography Methods 0.000 claims description 9
- 230000000717 retained effect Effects 0.000 claims description 7
- 238000003384 imaging method Methods 0.000 claims description 6
- 239000006185 dispersion Substances 0.000 claims description 3
- 238000010187 selection method Methods 0.000 claims description 2
- 238000004587 chromatography analysis Methods 0.000 abstract 2
- 238000004422 calculation algorithm Methods 0.000 description 8
- 238000001514 detection method Methods 0.000 description 5
- 238000012937 correction Methods 0.000 description 4
- 125000000205 L-threonino group Chemical group [H]OC(=O)[C@@]([H])(N([H])[*])[C@](C([H])([H])[H])([H])O[H] 0.000 description 3
- 101100257624 Arabidopsis thaliana SPS4 gene Proteins 0.000 description 2
- 230000002085 persistent effect Effects 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 238000003657 Likelihood-ratio test Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000005305 interferometry Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 230000003595 spectral effect Effects 0.000 description 1
- 238000001228 spectrum Methods 0.000 description 1
Images
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
-
- 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
- G01S13/9094—Theoretical aspects
Landscapes
- Engineering & Computer Science (AREA)
- Remote Sensing (AREA)
- Radar, Positioning & Navigation (AREA)
- Physics & Mathematics (AREA)
- Electromagnetism (AREA)
- Computer Networks & Wireless Communication (AREA)
- General Physics & Mathematics (AREA)
- Radar Systems Or Details Thereof (AREA)
Abstract
本发明提出了一种基于蚁群搜索的SAR层析参考网生成方法。技术方案是：利用基于蚁群搜索的方法生成SAR层析参考网。在基于蚁群搜索的方法中，选取一个单PS点作为起始蚁；生成单PS边的规则是：如果两个单PS点的空间距离小于设定的距离阈值，则对两个单PS点的相位进行差分，再利用差分信号进行SAR层析；筛选单PS边的规则是：如果单PS边的两个端点均为单PS点，则保留该单PS边；如果利用单PS边的两个端点得到的差分信号的残差能量比大于设定的阈值，则删除该单PS边；设定单PS边的数量作为参考网的冗余度控制参数。本发明所生成的蚁群参考网能覆盖全场景，并且具有更大的网络冗余度。
Description
技术领域
本发明属于遥感成像技术领域，涉及一种对SAR图像进行高度维成像时，消除大气影响需生成的一种参考模型。
背景技术
星载SAR(Synthetic Aperture Radar,SAR)层析利用对同一目标的多角度观测，在高度向形成合成孔径，实现对观测场景的真三维成像。
目前，单基多航过系统是SAR层析的主要数据来源。然而，对单基多航过系统而言，各次航过受到的大气相位延迟随时间随机变化。目前，参考网技术被广泛应用于SAR层析处理中，以实现大气相位校正和稳健的PS(Persistent Scatterer,永久散射体)点检测，参见文献一：《Radar Interferometry:Persistent Scatterer Technique》第4.4.1节，BertM.Kampes.等著，Springer 2006年出版，P71-P72。该技术的基本思想是：大气相位具有空间缓变特性，临近PS点的大气相位近似，因此，临近PS点作相位差分，可大大抵消大气相位对SAR层析成像带来的影响。利用上述基本思想，参考网技术就是将覆盖全场景的单PS点连接成覆盖全场景的网络(即参考网)，进行大气相位校正，以实现对任意PS点检测。参考网的质量将直接决定全场景大气相位能否有效校正。理论上，为了实现高精度的PS点检测，我们希望参考网具有以下两个特性：1)参考网能覆盖全场景；2)参考网具有合适的网络冗余度，以保证参考网中PS点绝对参数估计精度高。
参见文献一提供的参考网创建方法主要包括下述四个步骤：1)利用Delaunay三角网连接候选单PS点，形成连通网；2)利用相邻的候选单PS点形成PS边并进行相位差分，再利用差分信号进行SAR层析；3)保留高质量单PS边，获得高质量单PS边相对参数估计；4)选取剩余的最大连通网作为最终参考网，并对参考网中单PS点进行相对参数积分，获得绝对参数估计。
利用上述方法建立参考网存在以下两个问题。一是，由于只保留高质量单PS边，Delaunay三角网连通性遭到破坏，极可能出现多个相互孤立的连通网。因此，选取其中最大的连通网作为参考网会造成参考网不能覆盖全场景，而其他较小的孤立的连通网所覆盖区域会因为缺乏PS点不能实现大气相位校正，从而无法实现有效的PS点检测；二是，由于利用Delaunay三角网生成的参考网本身的网络冗余度(介于2～3之间)，当参考网各条单PS边相对参数估计精度有限时，如此低的网络冗余度不利于实现参考网中PS点具有高绝对参数估计精度的目标。
发明内容
本发明提出了一种基于蚁群搜索的SAR层析参考网生成方法，所生成的蚁群参考网能覆盖全场景，并且具有更大的网络冗余度。
本发明技术方案是：一种基于蚁群搜索的SAR层析参考网生成方法，其特征在于，利用基于蚁群搜索的方法生成SAR层析参考网。
进一步地，在基于蚁群搜索的方法中，选取一个单PS点作为起始蚁，选取的方法是：选取ADI(amplitude dispersion index，振幅离差指数)最小的单PS点作为起始蚁，ADI的具体计算方法参见文献一，第2.1.3节。
进一步地，在基于蚁群搜索的方法中，生成单PS边的规则是：
如果两个单PS点的空间距离小于设定的距离阈值，则对两个单PS点的相位进行差分，再利用差分信号进行SAR层析。
进一步地，在基于蚁群搜索的方法中，筛选单PS边的规则是：
如果单PS边的两个端点均为单PS点，则保留该单PS边。更加进一步，如果利用单PS边的两个端点得到的差分信号的残差能量比大于设定的阈值，则删除该单PS边。
进一步地，在基于蚁群搜索的方法中，设定单PS边的数量作为参考网的冗余度控制参数。
进一步地，如果生成的参考网覆盖面积小于设定的阈值，则更新起始蚁。
本发明的技术效果是：本发明通过利用生成单PS边的规则和筛选单PS边的规则，更新起始蚁，使得到的参考网是在满足一定约束条件(边长约束和边质量约束)下所能建立的覆盖最广区域的SAR层析参考网。另外，通过设定单PS边的数量作为参考网的冗余度控制参数，使得该SAR层析参考网的网络冗余度精确可控(近似预设值K)，能满足我们对网络冗余度的实际需求。
附图说明
图1为本发明提供的参考网创建流程图；
图2～图7是利用本发明具体实施方式进行实测数据处理的结果。
具体实施方式
下面结合附图对本发明提供的基于蚁群搜索的SAR层析参考网生成方法进行详细说明。
整个流程分为六大步。Step1，初始化起始蚁；Step2，生成单PS边；Step3：筛选单PS边，仅保留高质量单PS边；Step4：网络冗余度控制；Step5：更新蚁；Step6：参考网选取。具体描述如下：
Step1：初始化起始蚁
由于参考网中所有点均是单PS点，因此，我们希望起始蚁为真正的单PS点，单PS点是指单个像元内只包含一个强散射源的PS点。ADI最小的待选的单PS点最有可能是真正的单PS点，可被选取作为起始蚁：
上式中，
表示第i个待选的单PS点的ADI值，NSPSC表示待选的单PS点的数量。值得说明的是，待选的单PS点不包括曾经被选为初始蚁的单PS点以及曾经被初始蚁连通的单PS点。第
个待选的单PS点即为初始蚁。
初始蚁选择完成后，则循环进行Step2至Step5，在满足设定的循环结束条件时，转入Step6。为了层次清晰，把Step2至Step5，再加上结束内循环的判断过程，一起称为内循环。
Step2：生成单PS边
将第p(1≤p≤P)个蚁Ant(p)与其周围的待选的单PS点连接，生成单PS边，在连接生成单PS边时，必须满足的距离约束条件是：
arc(p,j)＝{(p,j)|D[Ant(p),SPSC(j)]≤Dthres}
上式中，arc(p,j)表示以蚁Ant(p)为起点、第j个待选的单PS点SPSC(j)为终点建立的第j条单PS边。D表示欧式距离算子，D[ant(p),SPSC(j)]表示Ant(p)和SPSC(j)之间的欧式距离，Dthres表示预先设定的距离阈值。
上述的约束条件是为了保持待选的单PS点与相连接的蚁大气相位相近。
Step3：筛选单PS边
对上一步建立的单PS边的两个端点进行相位差分来实现大气相位校正；然后，使用谱估计算法(如Beam forming算法或Compressive Sensing算法)进行成像；再使用散射点检测算法(如Generalized Likelihood Ratio Test算法或Information TheoreticCriteria算法)鉴别单PS边的两个端点是否单PS点，因为除了单PS点，还可能存在双PS点或其他类型的点。
如果单PS边的两个端点均为单PS点，则保留该单PS边，否则删除该PS边。还可以加入更强的约束，做进一步的筛选，如果利用单PS边的两个端点得到的差分信号的残差能量比大于设定的阈值，则删除该单PS边，否则保留该PS边，即单PS边
满足下式：
单PS边
表示该单PS边以第p个蚁为起点，以第
待选的单PS点为终点。PIarc(p,j)表示单PS边
的两个端点的差分信号的残差能量比，PIthres表示预设的残差能量比阈值，通过上式用来剔除低估计质量的边。谱估计算法和散射点检测算法的具体实现参见文献《Very High Resolution Tomographic SAR Inversion for UrbanInfrastructure Monitoring-A Sparse and Nonlinear Tour》，Xiaoxiang.Zhu著。
Step4：网络冗余度控制
如果通过在每个蚁周围搜索、建立单PS边，将会有大量的单PS边被建立，造成所建立参考网具有非常高的网络冗余度，从而带来巨大的存储和运算负担。
为了控制网络冗余度，对每个蚁而言，最多在其周围保留K条单PS边，使得网络冗余度得到精确控制，即通过网络冗余度预设值K进行控制。为了保证所保留单PS边的端点具有相似的大气相位分布，K条边长最短的边被保留。如果在某个蚁周围生成的单PS边少于K条，则全部保留这些单PS边。
Step5：更新蚁
把最终保留的单PS边的终点作为新的蚁。
如果有新的蚁加入，则返回step2，否则结束内循环。
Step6：参考网选取
利用最终所有的蚁和保留的单PS边生成参考网。
但是因为起始蚁的选择是从某一点出发，所建立的最大连通单PS网即参考网可能仅仅覆盖所观测场景的一小部分，并不是期望的覆盖全场景的高质量参考网。解决上述问题的方式是：通过一次次迭代搜索，建立从不同起始蚁出发的最大连通单PS网。通常情况下，这些连通网的网络冗余度相似，覆盖面积大小是最大的区别。最终，选取具有最大覆盖面积的连通网最为参考网。
即通过外循环实现上述过程：当剩余的待选单PS点(即不在参考网中)数量
与本技术方案开始执行时已知的所有待选的单PS点的总数量NSPSC比值
大于预设阈值ratiorest时，返回Step1。当
小于ratiorest时，外循环终止，得到最终的参考网。
本技术方案涉及的所有阈值都是根据实际要求确定。
图2至图7是进行仿真实验的结果。
图2为一幅平均SAR强度图。横向表示方位向，纵向表示距离向。该图是利用的TerraSAR-X得到的实测数据，观测模式为26景X波段Staring聚束模式，方位向和距离向分辨率分别为0.24m和0.6m。
图3为利用参考文献一提供的现有方法生成的参考网，该参考网的网络冗余度为2.38，且只能覆盖部分观测区域。从图中可以看出，左上角区域Area 1和右下角区域Area 2均不能得到有效覆盖。
图4为利用本发明所提出方法建立的参考网。与现有方法生成的参考网相比，该参考网的网络冗余度为2.89，网络冗余度预设值K＝3，基于本发明所提出方法生成的参考网能覆盖全场景。
图5为基于用参考文献一提供的现有方法识别出的PS点高度图。由于现有方法生成的参考网不能覆盖Area 1和Area 2，这两个区域的PS点高度不能得到有效反演。
图6为基于本发明所提出方法识别出的PS点高度图。由于基于本发明所提出方法生成的参考网能覆盖全场景，使得全场景的PS点高度均能得到有效反演。
图7为基于本发明所提出方法生成参考网的实际网络冗余度与网络冗余度预设值K之间的关系曲线。横坐标K表示参考网的网络冗余度预设值，纵坐标NR表示利用本发明提出方法生成的参考网的实际网络冗余度。可见，基于本发明所提出方法生成的参考网的网络冗余度能够根据预设值精确控制。在实际应用时，可以根据需要提供不同精度的参考网。
Claims (4)
1.一种基于蚁群搜索的SAR层析参考网生成方法，其特征在于，利用基于蚁群搜索的方法生成SAR层析参考网，SAR是指合成孔径雷达；
选取一个单PS点作为起始蚁，选取的方法是：选取ADI最小的单PS点作为起始蚁；其中，PS是指永久散射体，ADI是指振幅离差指数；
生成单PS边的规则是：
如果两个单PS点的空间距离小于设定的距离阈值，则对两个单PS点的相位进行差分，再利用差分信号进行SAR层析；
如果生成的参考网覆盖面积小于设定的阈值，则更新起始蚁；
筛选单PS边的规则是：
如果利用单PS边的两个端点得到的差分信号的残差能量比大于设定的阈值，则删除该单PS边，否则保留该PS边。
2.根据权利要求1所述的基于蚁群搜索的SAR层析参考网生成方法，其特征在于，设定单PS边的数量作为参考网的冗余度控制参数。
3.一种对SAR图像进行高度维成像的方法，其特征在于，使用权利要求1至2所述的任一项方法进行SAR层析参考网生成。
4.一种SAR图像成像系统，其特征在于，使用权利要求1至2所述的任一项方法进行SAR层析参考网生成。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011621544.1A CN112799065B (zh) | 2020-12-31 | 2020-12-31 | 基于蚁群搜索的sar层析参考网生成方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011621544.1A CN112799065B (zh) | 2020-12-31 | 2020-12-31 | 基于蚁群搜索的sar层析参考网生成方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112799065A CN112799065A (zh) | 2021-05-14 |
| CN112799065B true CN112799065B (zh) | 2022-11-08 |
Family
ID=75804979
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011621544.1A Active CN112799065B (zh) | 2020-12-31 | 2020-12-31 | 基于蚁群搜索的sar层析参考网生成方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112799065B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN119722955B (zh) * | 2024-12-26 | 2025-10-31 | 中国人民解放军国防科技大学 | 基于单视迭代music和自对消顺序glrt的sar层析成像方法 |
Family Cites Families (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2005008281A1 (en) * | 2003-07-19 | 2005-01-27 | Gamma Remote Sensing Research And Consulting Ag | Method to improve interferometric signatures by coherent point scatterers |
| CN101799888B (zh) * | 2010-01-22 | 2012-07-25 | 浙江大学 | 基于仿生智能蚁群算法的工业软测量方法 |
| CN102523162B (zh) * | 2011-12-15 | 2015-02-18 | 西安理工大学 | 紫外无线Mesh网络中基于蚁群的QoS优化路由方法 |
| CN104091064B (zh) * | 2014-07-02 | 2017-02-22 | 北京航空航天大学 | 基于优化解空间搜索法的PS‑DInSAR地表形变测量参数估计方法 |
| CN106940443A (zh) * | 2017-01-16 | 2017-07-11 | 洪都天顺（深圳）科技有限公司 | 多云多雨条件下复杂城区基础设施PSInSAR形变估计方法 |
| CN108872989B (zh) * | 2018-07-16 | 2022-04-12 | 北京航空航天大学 | 一种基于最大周期图的PS-InSAR精确搜索方法 |
| CN110412574B (zh) * | 2019-09-05 | 2021-05-25 | 河海大学 | 一种时空相干性增强的分布式目标InSAR时序处理方法和装置 |
-
2020
- 2020-12-31 CN CN202011621544.1A patent/CN112799065B/zh active Active
Also Published As
| Publication number | Publication date |
|---|---|
| CN112799065A (zh) | 2021-05-14 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN107038717B (zh) | 一种基于立体栅格自动分析3d点云配准误差的方法 | |
| CN108872985B (zh) | 一种近场圆周sar快速三维成像方法 | |
| KR101918007B1 (ko) | 다중 편광레이더 영상과 전정색 영상의 융합방법 및 장치 | |
| CN107015225B (zh) | 一种基于自聚焦的sar平台初始高度误差估计方法 | |
| CN112857312B (zh) | 依据沉降速率的不同时序差分干涉地面沉降测量融合方法 | |
| CN104574347A (zh) | 基于多源遥感数据的在轨卫星图像几何定位精度评价方法 | |
| CN110244302A (zh) | 地基合成孔径雷达影像像元坐标三维变换方法 | |
| CN107560592B (zh) | 一种用于光电跟踪仪联动目标的精确测距方法 | |
| Ruhnke et al. | Highly accurate 3D surface models by sparse surface adjustment | |
| CN105866776B (zh) | 一种地基sar的高质量动态ps点选择方法 | |
| CN108230375A (zh) | 基于结构相似性快速鲁棒的可见光图像与sar图像配准方法 | |
| CN110148165A (zh) | 一种基于粒子群优化的三维干涉isar图像配准方法 | |
| CN112882030A (zh) | InSAR成像干涉一体化处理方法 | |
| CN105388476A (zh) | 一种基于联合稀疏模型的层析sar成像方法 | |
| CN103995256A (zh) | 一种适用于穿墙雷达成像的多面墙体快速补偿方法 | |
| CN107607945B (zh) | 一种基于空间嵌入映射的扫描雷达前视成像方法 | |
| CN112799065B (zh) | 基于蚁群搜索的sar层析参考网生成方法 | |
| CN112130148B (zh) | 基于土地类型的InSAR时序分析中DS自适应选取方法 | |
| Ruhnke et al. | Highly accurate maximum likelihood laser mapping by jointly optimizing laser points and robot poses | |
| CN113283326A (zh) | 基于仿真目标亮线特征的视频sar目标智能检测方法 | |
| CN120182367A (zh) | 一种基于单目相机和数字表面模型的火情监测方法 | |
| CN107767410A (zh) | 多相机平行光轴多光谱系统采集的多波段图像配准方法 | |
| CN115308745B (zh) | 基于图像锐度的太赫兹isar成像自聚焦方法及装置 | |
| CN112415512A (zh) | 基于进退法和黄金分割法的sar运动目标聚焦方法 | |
| CN104167019B (zh) | 一种sar图像精确度计算方法 |
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 |