基于循环谱估计的SAR层析建筑物高度的方法与流程

本发明涉及微波遥感技术，具体涉及一种sar层析建筑物高度的方法，尤其涉及一种基于循环谱估计的sar层析建筑物高度的方法。

背景技术：

随着中国经济的快速发展，城市化进程也迅速加快，给城市动态监控和资源管理带来前所未有的挑战。面对这一快速城市化进程，数字城市建设应运而生。数字城市建设的一项重要内容就是建立大规模城市场景的数字化三维模型。它是建立数字城市必不可少的基础要素，数字城市的各种模拟仿真以及城市场景的逼真显示是在它的基础上进行的。这一内容在城市规划、智能交通、三维地图、自然灾害和恐怖袭击等事故应急管理、污染物扩散的模拟与仿真、城市中的文化遗产保护、真实感游戏、城市监控、建筑设计等领域发挥着重要的作用。

多基线合成孔径雷达层析技术(multibaselinesyntheticapertureradartomography)利用合成孔径雷达(sar)系统在不同高度上的多次近平行飞行，对同一目标观测视角的变化形成高度方向的合成孔径，实现对目标高度向的成像。克服了常规合成孔径雷达干涉测量(insar)技术不能区分同一分辨单元内不同散射体的高度分布的缺点，具有真正的高度维几何分辨率。并且可以有效地解决由叠掩和透视收缩引起的图像解译模糊的问题，尤其对于高分辨率合成孔径雷达影像建筑物密集区域，在城市区域监测和森林生物量估计方面有着巨大的潜力。

目前多基线sar层析高度成像算法主要有：常规谱估计算法如波束形成(beamforming)方法和压缩感知方法，常规谱估计方法通常需要已知多基线获取数据的噪声信号特性或者是独立同分布的高斯过程，并且在低信噪比情况下分辨力及估计精度往往较差。压缩感知方法虽然可以获取较高的估计精度，但是在目前的数据获取模式下很难满足限制等距条件。

技术实现要素：

为了解决上述问题，本发明基于信号的统计特征参数随时间呈周期变化的性质，利用信号的循环平稳特性将待处理的信号在循环相关函数或循环谱上划分为感兴趣信号和噪声两类，由于噪声不具有循环平稳特性，进而可达到仅处理感兴趣信号并有效抑制干扰的目的。

本发明提出一种基于循环谱估计的sar层析建筑物高度的方法，包括以下步骤：

sar数据获取步骤，获取n景sar数据；

主影像选择步骤，对于所获取的n景sar数据，经过前期预处理得到n景单视复数据(slc)图像，根据垂直基线和多谱勒质心频率差的联合相关函数选取一景影像作为公共主影像；

数据预处理步骤，将获取的n景sar数据处理成sar层析所需要的数据模式；以及

循环谱估计高度向位置步骤，利用循环谱估计建筑物在高度向上的位置。

本发明的基于循环谱估计的sar层析建筑物高度的方法中，优选为，在所述主影像选择步骤中所述函数表示为

其中,γ^m为综合相关系数，t^k,m、分别为影像k和m所形成的干涉对的有效空间基线、时间基线、和多普勒质心频率差，函数g表达了单体因素的相关性，其定义为

g(x,c)＝1-|x|/c(x<c)，g(x,c)＝0(x≥c)，

当综合相关系数γ^m最大时，该组参数为该模型的最优解，对应的影像就是所要选取的公共主影像。

本发明的基于循环谱估计的sar层析建筑物高度的方法中，优选为，所述数据预处理步骤包括以下子步骤：

将所有的从影像都配准到所述公共主影像上，使图像序列中的同名像素点对应相同的地物；

将所述主从影像共轭相乘，得到n-1个干涉对；

对所述n-1个干涉影像去除由于平地效应引起的相位；以及

对所有的所述从影像补偿提取出的平地相位，从而得到sar层析所需的数据。

本发明的基于循环谱估计的sar层析建筑物高度的方法中，优选为，所述循环谱估计高度向位置步骤包括以下子步骤：

去斜子步骤，将建立观测数据和目标斜距垂向结构信息之间的内在联系的中心斜距所引起的相位变化去除；

信号划分子步骤，利用信号的循环平稳特性，将信号分为感兴趣信号和噪声；以及

高度向成像子步骤，针对所述感兴趣信号利用循环谱估计算法，取得建筑物在高度向上的位置。

本发明的基于循环谱估计的sar层析建筑物高度的方法中，优选为，所述信号划分子步骤具体包括以下子步骤：

将任一像素的信号测量值表达为：

其中a0(t)随时间变化的复随机变量，c为光速，f0为载频，fdc为多普勒中心，r0是传感器到点目标的零多普勒距离，η0是方位向的参考时间，

假设该像元周围邻近像素与其类型相同，则可以将中心像素以及邻域像素的sar信号看作是随时间变化的信号，从而将信号分为感兴趣信号和噪声。

本发明的基于循环谱估计的sar层析建筑物高度的方法中，优选为，所述sar信号模型的共轭相关函数随时间t呈现周期为2f0的周期变化，可以表达为：

本发明的基于循环谱估计的sar层析建筑物高度的方法中，优选为，所述高度向成像子步骤具体包括以下子步骤：

像素值取得子步骤，对于层析sar信号，第n景数据中某一方位向-距离向像素(x0,y0)的复测量值为：

其中γ(s)代表高度向的复散射函数，δs为高度向的成像范围，ξn＝-2bn/(λr0)为空间采样频率，与垂直基线bn、中心斜距r0和波长λ有关；

离散化子步骤，沿着高度向s将连续的反射函数离散化，则层析模型近似变成：

其中l为离散间隔数，δs＝δs/(l-1)为离散间隔，

去掉不连续间隔常数δs，则散射模型变成

g＝rγ+ζ(6)

其中ζ为噪声，g为n个观测值组成的向量，映射矩阵r维数为n×l,rn×l＝exp(-j2πξnsl)，γ为l个离散化的复散射系数组成的向量；以及

循环谱算法子步骤，

循环-波束形成算法表示为:

其中

循环-多重信号分类算法表示为:

其中是共轭相关矩阵cgg的特征值分解噪声代表的子空间。

附图说明

图1是基于循环谱估计的sar层析建筑物高度的方法的流程图。

图2是数据预处理步骤的子流程图。

图3是循环谱估计高度向位置步骤的子流程图。

图4是信号随时间变化的示意图。

图5是高度向成像子步骤的流程图。

图6(a)是atc塔在sar图像上的强度图；(b)是google地图上atc塔的三维模型。

图7是不同方法在距离向上的估计结果：(a)多重信息分类，(b)波束形成，(c)循环-多重信息分类，(d)循环-波束形成。

图8是不同方法在方位向上的估计结果：(a)多重信息分类，(b)波束形成，(c)循环-多重信息分类，(d)循环-波束形成。

图9是基于循环谱估计的sar层析方法和常规谱估计方法的精度对比：(a)是波束形成与循环-波束形成法在距离向上的估计结果比较，(b)是多重信息分类法与循环-多重信息分类法在距离向上的估计结果比较，(c)是波束形成与循环-波束形成法在方位向上的估计结果比较，和(d)是多重信息分类法与循环-多重信息分类法在方位向上的估计结果比较。

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，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明。所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其它实施例，都属于本发明保护的范围。

图1是基于循环谱估计的sar层析建筑物高度的方法的流程图。以下结合图1针对基于循环谱估计的sar层析建筑物高度的方法进行详细说明。如图1所示，基于循环谱估计的sar层析建筑物高度的方法包括以下步骤：sar数据获取步骤s1、主影像选择步骤s2、数据预处理步骤s3和循环谱估计高度向位置步骤s4。

具体而言，在sar数据获取步骤s1中，获取n景sar数据。在主影像选择步骤s2中，对所获取的n景sar数据，经过前期预处理得到n景单视复数据(slc)图像，根据垂直基线和多谱勒质心频率差的联合相关函数如式(1)，选取一景影像作为公共主影像

其中,函数g表达了单体因素的相关性，其定义为

g(x,c)＝1-|x|/c(x<c)

g(x,c)＝0(x≥c)

式中γ^m为综合相关系数，t^k,m、分别为影像k和m所形成的干涉对的有效空间基线、时间基线、和多普勒质心频率差。当综合相关系数最大时，该组参数就是该模型的最优解，对应的影像就是我们所要选取的公共主影像。

接下来，在数据预处理步骤s3中，将获取的n景sar数据处理成sar层析所需要的数据模式。在图2中示出了数据预处理步骤的子流程图。如图2所示，具体包括以下子步骤：

在配准子步骤s31中，将所有的从影像都配准到公共主影像上，使图像序列中的同名像素点对应相同的地物；

在干涉子步骤s32中，将主从影像共轭相乘，得到n-1个干涉对；

在平地相位补偿子步骤s33中，由于sar影像侧视成像的特点，对n-1个干涉影像去除由于平地效应引起的相位；

在sar层析数据获取子步骤s34中，对所有的从影像补偿提取出的平地相位，从而得到sar层析处理所需的数据模式。

最后，在循环谱估计高度向位置步骤s4中，利用基于循环谱的波束形成(cyclic-beamforming)法和基于循环谱的多重信号分类(cyclic-music)法估计建筑物在高度向上的位置。在图3中示出了循环谱估计高度向位置步骤的子流程图。如图3所示，具体包括以下子步骤：

在去斜子步骤s41中，观测数据和目标斜距垂向(nsr)向结构信息之间的内在联系是通过中心斜距建立起来的，因此需要去除这个中心斜距引起的相位变化。

信号划分子步骤s42中，利用信号的循环平稳特性，将信号分成感兴趣信号和噪声。具体而言，对于某一景sar影像，任一像素的信号测量值可以表达为下式：

其中，a0(t)为随时间变化的复随机变量，c为光速，f0为载频，fdc为多普勒中心，r0是传感器到点目标的零多普勒距离，η0是方位向的参考时间。

假设该像元周围邻近像素与其类型相同，即周围邻域像素为同一地面目标。则依据上述假设，已知距离向和方位向的分辨率，根据式(2)可以推出该像元周围领域四个方向的像元的数值，如图4所示。从上述分析可以看出，领域像素的信号的相位值的变化只与中心像素信号的相对位置有关，而与中心像素信号的起止时间无关。通常，设中心像素的信号的采集时刻为0，其相位变化初始值也为0，则可以将中心像素以及邻域像素的sar信号看成是随时间变化的信号。

信号模型的二阶统计特性——共轭相关函数可以表达为：

则由式(3)可知共轭相关函数随时间t呈现周期为2f0周期变化。

在高度向成像子步骤s43中，利用基于循环谱的波束形成算法和基于循环谱的多重信号分类算法算法估计建筑物在高度向上的位置。具体而言，如图5所示，包括以下步骤：

像素复测量值取得子步骤s431，对于sar层析信号，第n景数据中某一方位向-距离向像素(x0，y0)的复测量值为：

其中，γ(s)代表高度向的复散射函数，δs为高度向的成像范围，ξn＝-2bn/(λr0)为空间采样频率，与垂直基线bn、中心斜距r0和波长λ有关。

在离散化子步骤s432中，沿着高度向s将连续的反射函数离散化，则层析模型近似变成：

其中，l为离散间隔数，δs＝δs/(l-1)为离散间隔。

去掉不连续间隔常数δs，则散射模型变成

g＝rγ+ζ(6)

其中，ζ为噪声，g为n个观测值组成的向量，映射矩阵r维数为n×l,rn×l＝exp(-j2πξnsl)，γ为l个离散化的复散射系数组成的向量。

循环谱算法子步骤s433中，利用基于循环谱的波束形成算法和基于循环谱的多重信号分类算法求解。

基于循环谱的波束形成算法表示为:

其中，

基于循环谱的多重信号分类算法表示为：

其中，是共轭相关矩阵cgg的特征值分解噪声代表的子空间。

本发明的基于循环谱估计的sar层析建筑物高度的方法，利用信号的循环平稳特性将信号分为感兴趣信号和噪声，可以很好地抑制噪声的影响，即使在低信噪比的情况下也能取得很好的结果。相比于常规的谱估计方法，该方法精度更高。为了更清楚的展现本发明的效果，以下以一组对比实验结果，来进一步阐述基于循环谱估计的sar层析建筑物高度的方法与常规的谱估计方法的对比。

利用2008年到2009年间覆盖香港国际机场的9景德国陆地雷达卫星(terrasar-x)聚束(spotlight)模式下的高分辨率sar数据，选取机场上空中交通控制(atc)塔为典型目标。分别基于循环谱的波束形成法(cyclic-beamformig)、基于循环谱的多重信号分类法(cyclic-music)和谱估计方法(波束形成和多重信号分类)对其方位向和距离向进行sar层析结果分析。在图6(a)和图6(b)中分别示出了atc塔在sar图像上的强度图和谷歌(google)地图上atc塔的三维模型。图6(a)中aa＇表示距离向，bb＇表示方位向。在图7和图8中分别示出了用循环谱估计方法和谱估计方法对atc塔方位向和距离向进行sar层析的结果。其中，图7(a)是多重信息分类方法在距离向上的估计结果，图7(b)是波束形成方法在距离向上的估计结果，图7(c)基于循环谱的多重信息分类算法在距离向上的估计结果，图7(d)是基于循环谱的波束形成算法在距离向上的估计结果。图8(a)是多重信息分类算法在方位向上的估计结果，(b)是波束形成算法在方位向上的估计结果，(c)是基于循环的多重信息分类算法在方位向上的估计结果，(d)是基于谱循环的波束形成算法在方位向上的估计结果。

最后，提取最强谱所在的位置，分析循环谱估计方法(循环-波束形成和循环-多重信息分类)和常规谱估计方法(波束形成和多重信号分类)的估计精度，如图9所示。图9(a)是波束形成与循环-波束形成法在距离向上的估计结果比较，图9(b)是多重信息分类法与循环-多重信息分类法在距离向上的估计结果比较，图9(c)是波束形成与循环-波束形成法在方位向上的估计结果比较，和图9(d)是多重信息分类法与循环-多重信息分类法在方位向上的估计结果比较。在方位向和斜距向两个剖面上，循环-波束形成法得到的曲线比波束形成法波动剧烈，同样循环-多重信息分类法得到的曲线比多信号分类法波动剧烈，说明循环谱估计方法在高度向上的分辨能力更高。因此相比于常规的谱估计方法，该方法精度更高。

以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本发明的保护范围之内。