多云多雨条件下复杂城区基础设施PSInSAR形变估计方法与流程

本发明涉及合成孔径雷达干涉技术领域，尤其涉及一种适用于多云多雨条件下复杂城区基础设施的psinsar估计方法。

背景技术：

城市基础设施(包括公路、楼房、铁路、桥梁、大坝、机场等)是城市环境的重要组成部分，基础设施的结构安全问题直接关系到城市环境和社会经济的可持续发展。

然而近年来，由地下水抽取、地下空间开发、软土层沉积等引起的地面沉降和基础设施形变问题日益严重，造成基础设施的结构变形和损毁，甚至造成人员伤亡事故，如2013年3月深圳地陷事件致1人死亡，2014年4月浙江奉化楼房倒塌事件造成1死6伤，2015年12月山东石膏矿垮塌事件致多人被埋，沉降和形变地质灾害已经成为一种新的“城市病”。在《国家中长期科学和技术发展规划纲要》(2006～2020年)中，明确将“地质灾害的监测、预警和应急处置关键技术”列为了重点领域及优先主题，国务院颁布的《2011年-2020年全国地面沉降防治规划》中也明确指出要在2020年完成全国地面沉降调查并建立全国监测网络，使地面沉降恶化趋势得到有效控制。

由于地表形变灾害具有涉及范围广，诱发因子多源性，发生隐蔽性等特点，传统的基于单点的测量手段(如水准测量、gps测量)往往无法准确的定位和预警，在防灾减灾应用中有很大的局限性。

相比而言，合成孔径雷达干涉(sarinterferometry,insar)技术在大范围城市监测方面具有得天独厚的优势，尤其是永久散射体干涉技术(persistentscattererinsar，psinsar)的提出和发展，实现了厘米级到毫米级的地表形变监测精度，而最新发展起来的sar层析成像技术(sartomography，tomosar)因其能够分离sar成像中叠掩的散射体，突破了传统psinsar只能监测单个ps点的局限，更适用于复杂城市环境中基础设施的形变监测。

psinsar技术的发展始于ferretti等在《geoscienceandremotesensing,ieeetransactionson》发表的两篇文章，所谓的ps点指的是时序影像中相位稳定的像元点，其对应自然环境中的人工建筑和裸露岩石等。相比传统dinsar技术，psinsar通过提取时序相干目标抑制了时间去相干和大气延迟的影响。

在psinsar方法提出之后，大量的研究工作投入到psinsar技术的研究中用以提高ps测量点的精度和密度。其中比较经典的有berardino等提出的小基线算法(smallbaselinesubsets)，其选用多幅sar影像作为主影像，增加了冗余干涉对个数，通过基线设置，减小了空间失相干和地形对相位的影响。mora等提出的相干目标法(coherenttargetmonitoring)，基于相干系数选点，并结合小基线干涉策略，适用于影像数量少的情况下ps点的提取。werner等提出相干点分析法(interferometricpointtargetanalysis)，通过对干涉图点目标的时空特征分析，提高了时序分析方法的稳健性。为了提高psinsar在低相干区域的监测能力，hooper等提出了斯坦福永久散射体干涉算法(stanfordmethodforpersistentscatterersalgorithm)，利用三维时空解缠算法获取目标的时序形变信息，尤其适用于火山、地震监测。kampes等将lambda算法引入到psinsar中，并提出stun算法用于ps点的探测，其使用二层构网方法实现了点的扩展，并引入了概率统计模型用于精度的评价。devanthéry等提出了psig(psichainofthegeomatics)方法，利用2+1d解缠解算形变，适用于城区、非城区、植被区的监测。为了增加ps测量点的空间密度，另外两类ps点也被提取出来，一类是半相干点，另一类是分布式散射体点。

虽然psinsar技术已经取得了长足的发展，但在监测多云多雨条件下复杂城市环境中仍然具有局限性。由水汽造成的大气延迟(atmosphericphasescreen,aps)是insar最主要的误差来源，在多云多雨区，传统psinsar处理流程中时空滤波估计大气会有很大的不确定性，影响到ps点估计精度和可靠性。另外，在sar斜距成像模式下，复杂城市环境中高密度、高层建筑设施会导致大面积的叠掩区，一个叠掩像元中可能会包含两个或两个以上的ps点，传统psinsar技术只能处理单个ps点(singleps，译为单ps点)，无法分离叠掩的多个ps点(overlaidmultipleps，译为叠掩ps点)，因此造成形变细节信息的损失。最近发展起来的sar层析成像技术是目前解决叠掩问题最有效的方法。

tomosar成像技术利用多基线数据在垂直斜距向和方位向上合成孔径，因而可以实现第三维高程向成像，从而可以分离同一像元内叠掩的多个散射体(如图1为习知叠掩ps点示意图所示，屋顶、墙壁和地面三个点叠掩成像到一个像元)。

tomosar发展初始是用来提取目标的高度信息，包括森林高度和建筑物高度，因而被称为3dsar，在森林应用方面，通过反演树高可以用来估计生物量，在城市应用方面，可以获取建筑物三维模型。3dsar假设相位模型只与高度相关，但实际应用中，大部分多基线数据都是通过重复轨道获取的，因此相位中不但包含高度信息，也包含形变信息，3dsar中单一的高度相位模型已无法完全表达相位信息。

为了解决这个问题，3dsar扩展到多维sar层析成像(multi-dimensionalsartomography,md-tomosar)，目前md-tomosar主要包括4dsar和4d+sar或5dsar，4dsar是lombardini等提出的差分sar层析成像(differentialsartomography)，4dsar将线性形变模型引入sar层析模型中，可以同时估算高度和线性形变速度。4dsar技术和psinsar的区别是4dsar既可以探测单ps点，又可以探测叠掩的多个ps点。

基础设施除了可能发生线性形变之外还会随着温度变化产生非线性的热胀冷缩效应，尤其随着短波sar卫星(如x波段terrasar-x)敏感性的提高，使用单一的线性形变函数会欠拟合相位参数模型。为了提高拟合优度，4d+sar在4dsar基础上引入温度变量，4d+sar通过在高度维、线性形变速度维、热膨胀维三个维度向上的层析成像，可以提取单ps点和叠掩ps点的高度和形变信息，适用于高楼、桥梁等的监测。

tomosar成像算法称为谱分析算法，主要包括beamforming、capon、music(multiplesignalclassification)、tsvd(truncatedsingularvaluedecomposition)、cs(compressedsensing，压缩感知)算法。提高层析分辨率和压制旁办利于识别距离相近的散射体，一直是层析成像的关键技术和研究热点。beamforming反演的层析分辨率较低(瑞利分辨率)、旁办较高。capon和music算法可以压制旁办提高层析成像分辨率，但需要多视处理。相比而言，tsvd算法能够在单视下处理，但是不具有超分辨率能力。基于稀疏表达的cs算法是唯一具有超分辨率能力的方法，且具有无旁办优势，其打破了香农采样定理的要求，可以在有限条基线采样条件下实现层析的重建，cs算法已经被应用到3dsar成像中。

tomosar技术已经开始用于城市叠掩ps点的探测，但其中还有关键的科学和技术问题尚未解决。首先，大气延迟会增加层析成像的模糊度，因而在大范围层析解算中，一般需要借助psinsar中的时空滤波去除大气，但是在多云多雨条件下，时空滤波估算大气的不确定性增加，而这种不确定性会造成参数估计误差甚至直接导致错误估计。另外，tomosar技术研究目前更多集中在3dsar高度估计方面，md-tomosar近几年才开始研究，其在极其复杂城市环境的叠掩ps点识别能力，尤其是超分辨率成像能力都还没有被系统研究过。

技术实现要素：

为解决上述技术问题，本发明提供一种多云多雨条件下复杂城区基础设施psinsar形变估计方法，通过混合构网在无需全局去除大气的情况下实现单ps点和叠掩ps点的联合解算，引入温度非线性形变模型提高时序相位的拟合度，通过使用稳健估计器实现ps点的精确估计，利用超分辨率md-tomosar成像提取复杂城市环境叠掩ps点。

本发明采用的技术方案是：提供一种多云多雨条件下复杂城区基础设施psinsar形变估计方法，包括以下步骤：

对时序sar影像进行预处理，得到差分干涉技术影像数据；

从该差分干涉技术影像数据中提取delaunay三角网的单ps点候选点，连接各单ps点候选点并进行自适应构网加密，加密弧段连接给定距离阈值内的单ps点以建立相位模型；

解缠该相位模型以产生一解缠相位，并解算该解缠相位最终的弧段相对参数，以剔除该解缠相位中因观测噪音点或解缠误差产生的异常值；

对该解缠相位进行平差，以获得该研究区最大连通网的单ps点的正则化平差结果；

从相位模型的剩余像素中选取单ps点及叠掩ps点，并将选取的单ps点和叠掩ps点连接最邻近的之前步骤中提取的单ps点候选点，构成局部星网；

识别出局部星网中的单ps点与叠掩ps点；

解算识别出的单ps点的最终的弧段相对参数，并探测识别出的叠掩ps点，进行多维雷达干涉测量层析成像，确定该相位模型的像素是否包括叠掩的多个ps点、叠掩个数及相应参数值。

在本发明所述的方法中，在建立相位模型步骤之后，还包括：

根据研究区的温度数据建立一非线性形变模型，将该非线性形变模型引入该相位模型；

判断该相位模型的拟合度；

当该相位模型为高的拟合度时，解缠该相位模型以产生解缠相位。

在本发明所述的方法中，在进行多维雷达干涉测量层析成像步骤之后还包括：输出该等单ps点及叠掩ps点的高度及形变结果。

在本发明所述的方法中，所述差分干涉技术影像数据包括相对高程、线性形变速度和热膨胀幅度。

在本发明所述的方法中，所述加密弧段的数量根据delaunay三角网弧段密度自适应设定。

本发明通过自适应混合构网实现传统psinsar和tomosar的有机结合，在无需去除全局大气的情况下实现ps点的扩展；引入温度非线性形变模型提高相位模型的拟合度，提高形变估计精度；在局部弧段相对量计算和全局平差计算时使用稳健估计器提高参数估计鲁棒性；利用基于加权l1范数的压缩感知算法实现叠掩ps点的提取；通过混合构网实现了单ps点和叠掩ps点的稳健估计和联合解算，适用于多云多雨复杂城市环境中基础设施的形变监测。

附图说明

下面将结合附图及实施例对本发明作进一步说明，附图中：

图1为习知叠掩ps点示意图；

图2为本发明实施例的用于多云多雨条件下复杂城区基础设施psinsar形变估计系统的框线结构示意图；

图3为本发明实施例的实验区域示意图；

图4为发明实施例的数据基线分布示意图；

图5为本发明实施例的用于多云多雨条件下复杂城区基础设施psinsar形变估计方法的流程图；

图6为本发明实施例的单ps点候选点示意图；

图7a为本发明实施例的dtn示意图；

图7b为本发明实施例的dtn基础上弧段剔除后的最大连通网示意图；

图7c为本发明实施例的dtn基础上自适应加密结果示意图；

图7d为本发明实施例的自适应加密网基础上弧段剔除后的最大连通网示意图；

图8为本发明实施例实施tikhonov正则化前后的差异性示意图，其中左栏：tikhonov正则化前结果，中栏：tikhonov正则化后结果，右栏：正则化前后差异图，上列：高程图，中列：热膨胀幅度图，下列：线性形变速度图；

图9为本发明实施例构建局部星网的示意图，其中左图：黑色弧段表示建构的二级网络，红色点表示第一级网络中探测的单ps点，中图：蓝色弧段连接第二级网络中探测出的单ps点，右图：绿色弧段连接第二级网络中探测出的双ps点；

图10a为本发明实施例显示l1范数对像素叠掩ps点的提取示意图；

图10b为本发明实施例显示加权l1范数对像素叠掩ps点的提取示意图；

图11为本发明实施例ps算法二级构网扩展点示意图，其中上列：一级构网探测的单ps点，下列：扩展点之后的ps点和叠掩ps点，左栏：高度，中栏：线性形变速度，右栏：热膨胀幅度。

具体实施方式

为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。

本发明实施例提供一种多云多雨条件下复杂城区基础设施psinsar形变估计方法，包括以下步骤：

对时序sar影像进行预处理，得到差分干涉技术影像数据；

利用振幅离差阈值法或相干系数阈值法或强度法从该差分干涉技术影像数据中提取delaunay三角网的单ps点候选点，连接各单ps点候选点并进行自适应构网加密，加密弧段连接给定距离阈值内的单ps点以建立相位模型；

利用beamforming法解缠该相位模型以产生一解缠相位，并由稳建估计器使用迭代加权最小二乘方法解算该解缠相位最终的弧段相对参数，以剔除该解缠相位中因观测噪音点或解缠误差产生的异常值；

以tikhonov正则化的正则化矩阵对该解缠相位进行平差，以获得该研究区最大连通网的单ps点的正则化平差结果；

以强度阈值法从相位模型的剩余像素中选取单ps点及叠掩ps点，并将选取的单ps点和叠掩ps点连接最邻近的之前步骤中提取的单ps点候选点，构成局部星网；

利用相位分析与层析成像识别出局部星网中的单ps点与叠掩ps点；

由稳建估计器解算识别出的单ps点的最终的弧段相对参数，以压缩感知算法探测识别出的叠掩ps点，并利用加权l1范数进行多维雷达干涉测量层析成像，确定该相位模型的像素是否包括叠掩的多个ps点、叠掩个数及相应参数值。

图2为本发明实施例中用于多云多雨条件下复杂城区基础设施的psinsar形变估计系统的框线结构示意图。如图2所示，该psinsar形变估计系统中的央处理单元102通过控制香港中文大学开发的skysense软件中各个功能模块以实现多云多雨条件下复杂城市环境基础设施的ps点探测，提高了insar形变监测精度和空间点密度。skysense软件的功能模块包括工程管理模块104、sar基本处理模块106、insar处理模块108、dinsar处理模块110、mt-insar分析模块112、后处理模块114和可视化模块116，实现了从slc影像到insar产品(包括insar生成的dem、dinsar生成的形变、ps(persistentscatterer，永久散射体)生成楼房高度和形变信息)的一体化处理。

中央处理单元102通过控制sar基本工具模块106，使sar卫星传感器获取距离传感器相同距离的所有散射体信息，假设有n景重复轨道干涉sar影像生成的干涉图，中央处理单元102控制insar处理模块108执行命令，而使insar信号模型可以表示为：

y＝aγ+e(1)

其中y＝[y1,…,yn]^t((·)^t表示转职)是一个n×1的向量，表示经过幅度定标和相位定标的sar像素复数信号，a是一个n×m(m表示待求参数采样数)矩阵，可以表示为：

a＝[a1,...,am]

表示干涉相位，其中主要包含下面几部分：

表示高程相位，表示形变相位，表示大气延迟相位，表示去相干因子引起的相位。其中根据大气空间分布相关原则，通过邻近点相位做差可以去除大气延迟，而ps点本身相干因子很小，因此相位中就主要包含高程和形变信息，通过模型参数化就可以计算高程和形变信息。

如图3所示，本实施例的实验区域位于香港九龙地区，覆盖范围大约为5km×6km，香港位于热带亚热带季风区，常年多云多雨，由于土地面积稀少，基础设施呈密集型发展。本实施例所使用数据是从2011年3月到2014年3月的56景terrasar-xstripmap数据，距离向采样间隔为0.9m，方位向采样间隔为2m，极化方式为vv，选取的主影像为2012年6月6日，基线分布如图4为发明之数据基线分布示意图所示。

图5为本发明实施例中多云多雨条件下复杂城区基础设施psinsar形变估计方法的流程图。如图5所示，中央处理单元102控制insar处理模块108执行命令，以对时序sar影像进行数据预处理(主要包括数据导入、配准、干涉、去平地和差分)操作(步骤s202)之后，得到的结果就可以利用mt-insar分析模块112中的cups功能进行高程和形变提取。

cups方法通过混合构网(delaunay三角网、自适应加密网和星网)来提取研究区的单ps点和叠掩ps点。一级构网用以连接并提取研究区内最稳定的单ps点。

首先利用振幅离差阈值法或者相干系数阈值法或者强度法提取单ps点候选点，选取哪种方法用于单ps点的提取取决于sar影像数量、质量和研究区地物类型。由于本实施例研究区位于城区，因此选择振幅离差阈值法以阈值0.23选择单ps点候选点，结果如图6所示。

然后用delaunay三角网(delaunaytriangulationnetwork，dtn)连接图6中选出的候选点，cups方法中为避免孤立网的出现，可以选择在dtn基础上进行自适应构网加密，加密弧段连接一给定距离阈值内的点，加密弧段的数量根据dtn弧段密度自适应设定(步骤s204)，这样既提高了弧段冗余度又保证了解算效率，图7a至图7d为截取研究区内一小块区域得到的dtn和自适应加密弧段结果，如果只在dtn基础上剔除无效弧段，解算完的最大连通网可能不覆盖ps点稀疏区(如植被区)，如图7b所示，但是经过弧段加密后，就可以增加ps点稀疏区的弧段冗余度，再剔除无效弧段后可以保证全局连通性(如图7d所示)。值得注意的是，是否要加密弧段、加密的数量要根据研究区域的地物特征来决定。

在一级构网之后，需要解算一级网络中的弧段相对参数，首先要选择形变模型(步骤s206)，传统ps方法中一般使用线性形变模型，但城市基础设施形变往往并非是单一的线性形变，其中最典型的就是温度季节性变化引起的建筑设施热胀冷缩效应，热胀冷缩效应在高楼、桥梁、高架桥等基础设施形变中尤其明显。因此在监测此类基础设施时传统单一线性形变模型会造成相位模型匹配度低，从而导致形变估计出现偏差，影响解译。

为了提高对相位模型的拟合度，本实施例之cups方法使用从香港天文台获取的研究区域内的温度数据作为非线性形变模型参与解算：因此公式(3)中相位模型可以表示为：

和

其中ξi＝2bi/λr0(bi表示垂直基线，λ表示波长，r0表示斜距)，s表示垂直雷达视线向和航向(层析向)的高程值，通过s·sin(θ)(θ表示入射角)转换可以求出目标的垂直高度；ηi＝2ti/λ(ti表示时间基线)，v表示线性形变速度；(ti表示温度基线)，k表示热膨胀幅度。

这样解算的ps点物理量除了高程和线性形变速度外，还有热膨胀幅度，其表示温度变化导致的形变幅度。值的注意的是，温度非线性形变模型在skysense中是可选模型，在不受热胀冷缩影响或者受其影响非常小的情况下，只需使用线性模型即可(步骤s208)。

确定了形变模型之后需要解算第一级网络中弧段上的相对物理参数，包括相对高程、线性形变速度和热膨胀幅度。在弧段解算中，首先选定一个端点作为参考点，另一个端点作为待求点，利用待求点相位减去参考点相位可以去除大气延迟相位，然后再进行高程和形变解算。

传统psinsar利用周期图法解算弧段相对量，其有两点不足，一是参数步长的设定导致所求解不在连续解空间上，二是影像的等权设置无法抑制观测噪声点的影响。为解决上述问题，本实施例之cups方法首先利用beamforming法解缠时序相位，beamforming反演归一化层析散射值可以表示为：

其中||·||2表示2范数。

当求得的归一化层析散射值最大值大于一设定阈值时(本实验设定为0.8)，保留此弧段，此时对应的s、v、k即为初步所求参数，然后带回公式(4)用以解缠相位，否则则剔除该弧段。相对于周期图法只使用相位信息(y幅度归一化)，beamforming方法即利用了相位信息又利用了幅度信息作为权重，因此参数解算精度更高。由于初步解算参数具有步长误差，当获得时序解缠相位后，cups方法再采用稳健估计器-m估计器解算最终的弧段相对参数，m估计器是一种迭代加权最小二乘方法，可以自动检测并剔除解缠相位中由观测噪声点或解缠误差产生的异常值，从而能获得全局最优解(步骤s210)。其过程如下所示：

1)设置迭代次数l＝0，权重矩阵w为单位方阵：

w^(l＝0)＝im(6)

2)利用加权最小二乘解算物理参数：

其中表示利用初步解算参数得到的解缠相位：

δφ＝dj

j＝[s^,v^,k]^t(8)

值的注意的是，当l＝0时，解算结果即为最小二乘结果。

3)计算残余相位r^(l)＝[r1^(l),…,rn^(l)]^t和更新权重矩阵

cm-estimator通常可设为1.345。

4)收敛即终止。否则l＝l+1，转到第2步。

通过m估计器解算弧段相对物理参数之后，需要通过网络平差集成弧段相对量。在平差之前，首先要搜索全局最大连通网，由于第一级网络剔除了质量差的弧段，不是全局连通，如果直接平差的话会由于平差矩阵秩亏导致平差错误。通过第一级网络相对量解算之后，搜索的研究区域最大连通网包括p＝422559条弧段和q＝152866个单ps点，然后利用加权最小二乘算法来平差：

x＝(g^twg)^(-1)g^twh(10)

其中x＝[x1,…,xq]^t表示弧段相对量平差之后的参数；g为平差矩阵，是一个稀疏矩阵，包括-1,、0、1三个数值；w是加权矩阵，权重通常使用弧段时域相干系数h表示解算出的弧段相对量：

当平差矩阵g条件数很大时，公式(10)加权最小二乘平差会呈现病态性问题，出现全局误差。为了解决这个问题，本发明采用tikhonov正则化进行平差，通过引入一正则化矩阵，可以减小平差矩阵g的条件数，从而提高平差鲁棒性，tikhonov正则化可表示为：

x＝(g^twg+σi)^(-1)g^twh(12)

其中s为正则化参数，当s为0时即为加权最小二乘平差，当s变大时，局部误差变大，全局误差变小，s的最优值可以通过l曲线法求得(步骤s212)。通过计算，研究区域第一级网络平差矩阵条件数计算为3259，本实施例中分别通过以0.000001、0.00005、0.000001为正则化参数对高度、线性形变速度和热膨胀幅度进行平差集成，和没有正则化的结果比较(如图8所示)，根据先验知识，研究区没有大范围的沉降和抬升，但是正则化之前的结果，线性形变速度有明显的大范围抬升(如图8左下图椭圆线条圈选区域)，其为平差不稳定性导致的全局误差，而经过正则化后，线性形变速度全局误差变小，证明了正则化的有效性，而高度和热膨胀幅度正则化前后的差异不大。

在cups的一级构网中，通过自适应加密弧段、引入温度非线性形变模型和使用稳健估计器提高了参数的反演精度和稳定性。为了扩展ps点，cups算法在一级构网解算参数的基础上进行二级构网，传统ps点扩展方法需要在一级网络中通过时空滤波估算大气，然后全局重新解算。大气估算这一过程有很大的不确定性，尤其对于多云多雨区，大气的空间异质性提高，会增加大气估计的不确定性，而二级构网可以解决这个问题。

第二级网络以第一级网络为参考网，可以用以提取剩余的单ps点和复杂城市环境中的叠掩ps点，由于包含叠掩ps点的像素不具有幅度和相位稳定性，因此在二级构网中以强度阈值法从剩余像素中选取候选点，这样选择的候选点包括了单ps点(如图9之中图所示)和叠掩ps点(如图9之右图所示)，然后分别将它们连接最邻近的由第一级网络中识别出的单ps点，以其为参考点构建局部星网，截取研究区内一小块区域进行二级构网，结果如图9之左图所示(步骤s214)。

构建二级网之后，再通过相位分析和层析成像识别出其中的单ps点和叠掩ps点(步骤s216)。其中单ps点的解算和第一级网络中弧段的解算方法一致，解算出的点如图5所示(步骤s218)。

当探测叠掩ps点时，为了提高层析分辨率和降低层析奇异值，本发明使用了加权l1范数进行压缩感知(cs)超分辨率成像。cs的超分辨率成像一直是tomosar研究的关键问题，cs算法通过l0范数约束来实现，而l0范数是np-hard不可解问题，在实际应用中需要使用l1范数逼近l0范数解，但由于l1范数惩罚规则不等，稀疏层析里会有异常值的出现，干扰了真实散射体的识别和参数估计。为了检测和剔除异常值，本发明将加权l1范数用于md-tomosar成像中，通过迭代加权建立更平等的惩罚规则，因此可以有效的减少多维sar层析里的异常值，加权l1范数算法如下：

1)设置迭代次数l＝0，权重矩阵w为单位方阵：

w^(l＝0)＝im

2)利用加权l1最小化解算参数：

其中||·||l1表示1-范数，argmin(·)用来选择最小1-范数解，n表示噪声水平。

3)利用反演的层析更新权重矩阵：

其中wi表示权重矩阵w的对角元素，ρ是一个权重因子，用来避免权重无限大，其设置要根据反演的层析散射值决定。

4)收敛即终止，或者l到设置的最大值；否则换到步骤2。

从图10a和图10b显示了l1范数和加权l1范数对一个像素叠掩ps点(图9之右图中红色箭头点)的提取，可以看出l1范数结果中除了真实的ps点还有异常值的出现，而经过加权操作异常值剔除，只保留了真实的ps点(一个在墙上、一个在屋顶)。

为了提高运算效率，本发明流程中只将cs算法用于第二级网络中叠掩ps点的探测，首先通过最大时域相干系数阈值法(设为0.75)探测单ps点，多个叠掩ps点的存在会导致最大时序相干系数变小，因此当时域相干系数小于0.75大于0.5则认为可能是叠掩ps点，再利用加权l1范数进行多维sar层析成像，确定像素中是否包含叠掩的多个ps点、叠掩个数和相应参数值，图9之右图显示提取的叠掩双ps点分布(步骤s220)。

cups算法二级构网扩展点之后，ps点空间分布如图11所示，一级构网探测的单ps点个数为152866个，扩展的单ps点个数为759498，双ps点个数为42238个，可见ps点密度相对于一级构网结果有明显的提高(步骤s222)。

综上，在本发明实施例提供的用于多云多雨条件下复杂城区基础设施psinsar形变估计方法，通过混合构网在无需全局去除大气的情况下实现单ps点和叠掩ps点的联合解算，引入温度非线性形变模型提高时序相位的拟合度，通过使用稳健估计器实现ps点的精确估计，利用超分辨率md-tomosar成像提取复杂城市环境叠掩ps点。

以上结合附图对本发明的实施例进行了描述，但是本发明并不局限于上述的具体实施方式，上述的具体实施方式仅仅是示意性的，而不是限制性的，本领域的普通技术人员在本发明的启示下，在不脱离本发明宗旨和权利要求所保护的范围情况下，还可做出很多形式，这些均属于本发明的保护之内。