本发明涉及雷达探测技术领域,尤其涉及一种微变感知预警雷达的多阈值优化方法及系统。
背景技术:
我国是世界上地质灾害发生最为频繁的国家之一,在我国常见的各类地址灾害中,滑坡数量占地质灾害总量的70%以上,是发生在山区最主要的地质灾害类型。对滑坡体展开形变监测可以客观真实的记录坡体形变的发展演变过程,对了解坡体演化规律及准确预测坡体发展趋势具有重要意义。微变感知预警雷达是地基雷达的一种,可用于边坡形变监测,具有非接触、高精度、大区域、全天时全天候、24小时连续监测的技术优势,是垮塌灾害监测预警的重要技术手段,可以极大的减少或避免因边坡位移形变引起的滑坡灾害对国家和人民生命财产造成的损失。
微波遥感虽然能穿透大气进行成像,但是大气会对形变结果的最终精度造成影响。永久散射体(permanentscatterers,ps)干涉测量技术是地基sar抑制大气、水汽等扰动因素获取高精度形变信息的有效手段;在探测地形形变的过程中,ps点的选择对地形形变探测结果的精度影响尤为关键,现有的ps点的选择方法可分为单阈值筛选法和多阈值信息筛选法,其中,单阈值筛选法如相干系数法,由于只是基于ps点的某一特性进行筛选,容易造成错判或漏判,因此存在得到的地形形变探测结果精度差的缺陷,现有的多阈值信息筛选法,如相位误差指数-振幅指数结合法,虽然能够有效解决ps点筛选过程中存在的错判或漏判问题,但由于现有的多阈值信息筛选法需要在形变监测开始前通过人工反复选择或调试阈值,若人工设置的阈值不合理则会导致ps选取的质量和数量出现偏差,进而影响形变反演结果的精确度。
技术实现要素:
本发明的目的在于提供一种微变感知预警雷达的多阈值优化方法及系统,能够基于获取的雷达时序影像图自动的识别出最优阈值,提高了形变反演结果的精确度。
为了实现上述目的,本发明的一方面提供一种微变感知预警雷达的多阈值优化形变反演方法,包括:
s1,基于微变感知预警雷达依次获取n+1幅时序影像,计算时序影像中各像素的平均相干系数、时间序列幅度离差指数以及相位误差指数;
s2,采用严苛阈值筛选从时序影像中筛选出符合门限值条件的像素,将其定义为稳定点后计算形变量;
s3,逐步放宽阈值条件,对应从时序影像中筛选出符合放宽门限值条件的像素,将其定义为动态点后计算形变量;
s4,判断当前动态点形变量与稳定点形变量是否发生突变,若没发生突变则执行步骤s3,若发生突变则将当前阈值条件输出为最优阈值,执行步骤s5;
s5,依次对相邻时序影像中的各像素共轭相乘得到n幅干涉图,滤波处理后从中提取符合最优阈值的ps点相位差信息;
s6,根据各ps点的相位差信息计算对应的形变量,得到形变反演结果。
优选地,所述步骤s1中,计算时序影像中各像素的平均相干系数、时间序列幅度离差指数以及相位误差指数的方法包括:
获取时序影像中的各像素坐标,通过公式
采用公式
采用公式
较佳地,所述步骤s2中,采用严苛阈值筛选从时序影像中筛选出符合门限值条件的像素,将其定义为稳定点后计算形变量的方法包括:
所述门限值条件包括相干系数t1、时间序列幅度离差指数t2、相位误差指数t3;
从时序影像中选取大于相干系数t1,小于时间序列幅度离差指数t2且小于相位误差指数t3的像素,将其定义为稳定点;
采用形变量公式
进一步地,所述步骤s3中,逐步放宽阈值条件,对应从时序影像中筛选出符合放宽门限值条件的像素,将其定义为动态点后计算形变量的方法包括:
阈值条件的放宽方法为将阈值条件相干系数t1逐步减小和/或时间序列幅度离差指数t2逐步增大;
从时序影像中选取大于放宽后相干系数t1、小于放宽后时间序列幅度离差指数t2且小于相位误差指数t3的像素,将其定义为动态点;
通过形变量公式计算所述动态点的形变量。
优选地,所述步骤s4中,判断当前动态点形变量与稳定点形变量是否发生突变的方法包括:
计算当前动态点形变量与稳定点形变量的差值δt;
将差值δt与预设的突变阈值做大小比较,当差值δt大于预设的突变阈值时认为发生突变,当差值δt小于或等于预设的突变阈值时认为未发生突变。
优选地,所述步骤s5中,依次对相邻时序影像中的各像素共轭相乘得到n幅干涉图,滤波处理后从中提取符合最优阈值的ps点相位差信息的方法包括:
定义相邻的时序影像m和时序影像s中像素的读写格式,
对应像素采用共轭相乘公式
重复上述步骤依次对各相邻时序影像中的像素进行共轭相乘计算,对应得到n幅干涉图;
采用均值滤波法分别对n幅干涉图进行滤波处理,从中筛选出符合最优阈值条件的全部ps点;
依次将每个ps点对应的n个干涉相位
较佳地,采用均值滤波法对干涉图进行滤波处理的方法包括:
将干涉图中的全部像素按照a*a的像素模板模块化划分;
分别计算各模块像素中的像素坐标均值,并将模块的像素坐标均值视为新像素的坐标实现滤波处理。
与现有技术相比,本发明提供的微变感知预警雷达的多阈值优化形变反演方法具有以下有益效果:
本发明提供的微变感知预警雷达的多阈值优化形变反演方法中,首先通过微变感知预警雷达依次获取n+1幅时序影像,并基于n+1幅时序影像计算其中每个相应像素的平均相干系数、时间序列幅度离差指数和相位误差指数,然后基于预先设定的门限值条件采用严苛阈值筛选从时序影像中筛选出符合门限值条件的像素,并将筛选出的像素定义为稳定点后计算各自的形变量,为了得到最优的阈值条件,本发明采用逐步放宽门限值条件的方法重新从时序影像中筛选出符合放宽门限值条件的像素,将其定义为动态点后对应计算形变量,此时,为了验证当前放宽的门限值条件是否达到最优阈值条件,需要判断当前动态点形变量与稳定点形变量是否发生突变,若没发生突变则说明还未达到最优阈值条件,需要重返步骤s3继续放宽门限值条件,若发生了突变则说明当前阈值条件已被优化为最优阈值,之后,再依次对相邻时序影像中的各像素共轭相乘得到n幅干涉图,滤波处理后从中提取符合最优阈值的ps点相位差信息,进而得到形变反演结果。
可见,本发明采用严苛阈值筛选和逐步放宽阈值条件相结合的方式能够自动识别出最优阈值,相比较于现有技术中人工调试阈值条件来说具有高效率和高精度的特点,通过最优阈值能够从时序影像中获取尽可能多的正确ps点,提高了反演结果的精确度。
本发明的另一方面提供一种微变感知预警雷达的多阈值优化形变反演系统,应用于上述技术方案所述的微变感知预警雷达的多阈值优化形变反演方法中,所述系统包括:
处理单元,用于基于微变感知预警雷达依次获取n+1幅时序影像,计算时序影像中各像素的平均相干系数、时间序列幅度离差指数以及相位误差指数;
严苛筛选单元,用于采用严苛阈值筛选从时序影像中筛选出符合门限值条件的像素,将其定义为稳定点后计算形变量;
阈值宽限单元,用于逐步放宽阈值条件,对应从时序影像中筛选出符合放宽门限值条件的像素,将其定义为动态点后计算形变量;
判断单元,用于判断当前动态点形变量与稳定点形变量是否发生突变,若没发生突变则继续启动阈值宽限单元继续阈值宽限单元,若发生突变则将当前阈值条件输出为最优阈值;
滤波单元,用于依次对相邻时序影像中的各像素共轭相乘得到n幅干涉图,滤波处理后从中提取符合最优阈值的ps点相位差信息;
结果输出单元,用于根据各ps点的相位差信息计算对应的形变量,得到形变反演结果。
优选地,所述处理单元包括:
平均相干系数计算模块,用于获取时序影像中的各像素坐标,通过公式
时间序列标准差计算模块,用于采用公式
相位误差计算模块,用于采用公式
优选地,所述阈值宽限单元包括:
阈值条件设置模块,设置的阈值条件放宽方法为将阈值条件相干系数t1逐步减小和/或时间序列幅度离差指数t2逐步增大;
动态点筛选模块,用于从时序影像中选取大于放宽后相干系数t1、小于放宽后时间序列幅度离差指数t2且小于相位误差指数t3的像素,将其定义为动态点;
动态点形变量计算模块,用于通过形变量公式计算所述动态点的形变量。
与现有技术相比,本发明提供的微变感知预警雷达的多阈值优化形变反演系统的有益效果与上述技术方案提供的微变感知预警雷达的多阈值优化形变反演方法的有益效果相同,在此不做赘述。
附图说明
此处所说明的附图用来提供对本发明的进一步理解,构成本发明的一部分,本发明的示意性实施例及其说明用于解释本发明,并不构成对本发明的不当限定。在附图中:
图1为本发明实施例一中微变感知预警雷达的多阈值优化形变反演方法的流程示意图;
图2为本发明实施例一中基于多幅时序影像处理得到干涉图的示例图;
图3为本发明实施例二中微变感知预警雷达的多阈值优化形变反演系统的结构框图。
附图标记:
1-处理单元,2-严苛筛选单元;
3-阈值宽限单元,4-判断单元;
5-滤波单元,6-结果输出单元。
具体实施方式
为使本发明的上述目的、特征和优点能够更加明显易懂,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。显然,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作出创造性劳动的前提下所获得的所有其它实施例,均属于本发明保护的范围。
实施例一
图1为本发明实施例一中微变感知预警雷达的多阈值优化形变反演方法流程示意图。请参阅图1,本实施例提供一种微变感知预警雷达的多阈值优化形变反演方法,包括:
s1,基于微变感知预警雷达依次获取n+1幅时序影像,计算时序影像中各像素的平均相干系数、时间序列幅度离差指数以及相位误差指数;s2,采用严苛阈值筛选从时序影像中筛选出符合门限值条件的像素,将其定义为稳定点后计算形变量;s3,逐步放宽阈值条件,对应从时序影像中筛选出符合放宽门限值条件的像素,将其定义为动态点后计算形变量;s4,判断当前动态点形变量与稳定点形变量是否发生突变,若没发生突变则执行步骤s3,若发生突变则将当前阈值条件输出为最优阈值,执行步骤s5;s5,依次对相邻时序影像中的各像素共轭相乘得到n幅干涉图,滤波处理后从中提取符合最优阈值的ps点相位差信息;s6,根据各ps点的相位差信息计算对应的形变量,得到形变反演结果。
本实施例提供的微变感知预警雷达的多阈值优化形变反演方法中,首先通过微变感知预警雷达依次获取n+1幅时序影像,并基于n+1幅时序影像计算其中每个相应像素的平均相干系数、时间序列幅度离差指数和相位误差指数,然后基于预先设定的门限值条件采用严苛阈值筛选从时序影像中筛选出符合门限值条件的像素,并将筛选出的像素定义为稳定点后计算各自的形变量,为了得到最优的阈值条件,本实施例采用逐步放宽门限值条件的方法重新从时序影像中筛选出符合放宽门限值条件的像素,将其定义为动态点后对应计算形变量,此时,为了验证当前放宽的门限值条件是否达到最优阈值条件,需要判断当前动态点形变量与稳定点形变量是否发生突变,若没发生突变则说明还未达到最优阈值条件,需要重返步骤s3继续放宽门限值条件,若发生了突变则说明当前阈值条件已被优化为最优阈值,之后,再依次对相邻时序影像中的各像素共轭相乘得到n幅干涉图,滤波处理后从中提取符合最优阈值的ps点相位差信息,进而得到形变反演结果。
可见,本实施例采用严苛阈值筛选和逐步放宽阈值条件相结合的方式能够自动识别出最优阈值,相比较于现有技术中人工调试阈值条件来说具有高效率和高精度的特点,通过最优阈值能够从时序影像中获取尽可能多的正确ps点,提高了反演结果的精确度。
具体地,上述实施例步骤s1中,计算时序影像中各像素的平均相干系数、时间序列幅度离差指数以及相位误差指数的方法包括:
获取时序影像中的各像素坐标,通过公式
上述实施例步骤s2中,采用严苛阈值筛选从时序影像中筛选出符合门限值条件的像素,将其定义为稳定点后计算形变量的方法包括:
门限值条件包括相干系数t1、时间序列幅度离差指数t2、相位误差指数t3;从时序影像中选取大于相干系数t1,小于时间序列幅度离差指数t2且小于相位误差指数t3的像素,将其定义为稳定点;采用形变量公式
具体实施时,相干系数t1的设置需参考上述实施例中各像素的平均相干系数,时间序列幅度离差指数t2的设置需参考上述实施例中各像素的时间序列幅度离差指数,相位误差指数t3的设置需参考上述实施例中各像素的相位误差指数,通常来说在设置初始门限值条件时,相干系数t1的取值应当远大于各像素平均相干系数的均值,时间序列幅度离差指数t2的取值应当远大于各像素时间序列幅度离差指数的均值,相位误差指数t3的取值应当远大于各像素相位误差指数的均值,示例性地,相干系数t1取值为0.9,时间序列幅度离差指数t2为取值0.1,相位误差指数t3为取值0.2;此外,对于形变量公式
进一步地,上述实施例步骤s3中,逐步放宽阈值条件,对应从时序影像中筛选出符合放宽门限值条件的像素,将其定义为动态点后计算形变量的方法包括:
阈值条件的放宽方法为将阈值条件相干系数t1逐步减小和/或时间序列幅度离差指数t2逐步增大;从时序影像中选取大于放宽后相干系数t1、小于放宽后时间序列幅度离差指数t2且小于相位误差指数t3的像素,将其定义为动态点;通过形变量公式计算动态点的形变量。
具体实施时,由于相位误差指数t3对动态点的选择影响不大,因此在放宽阈值条件时,可只对相干系数t1逐步减小和/或时间序列幅度离差指数t2逐步增大,在每次放宽阈值条件后,均会从时序影像中选取大于放宽后相干系数t1、小于放宽后时间序列幅度离差指数t2且小于相位误差指数t3的像素,将其定义为动态点,同时通过上述实施例中的形变量公式计算这些动态点对应的形变量;需要说明的是,阈值条件的每次放宽梯度越小越好,这样得到的最优阈值的精度对应也就会越高。
具体地,上述实施例步骤s4中,判断当前动态点形变量与稳定点形变量是否发生突变的方法包括:
计算当前动态点形变量与稳定点形变量的差值δt;将差值δt与预设的突变阈值做大小比较,当差值δt大于预设的突变阈值时认为发生突变,当差值δt小于或等于预设的突变阈值时认为未发生突变。
上述实施例步骤s5中,依次对相邻时序影像中的各像素共轭相乘得到n幅干涉图,滤波处理后从中提取符合最优阈值的ps点相位差信息的方法包括:
定义相邻的时序影像m和时序影像s中像素的读写格式,
具体实施时,如图2所示,通过将相邻时序影像中的各对应像素共轭相乘计算后依次会得到第1幅至第n幅干涉图;另外,采用均值滤波法对干涉图进行滤波处理的方法包括:将干涉图中的全部像素按照a*a的像素模板模块化划分;分别计算各模块像素中的像素坐标均值,并将模块的像素坐标均值视为新像素的坐标实现滤波处理,示例性的a的取值为3、5、7等奇数。
可以理解的是,根据微变感知预警雷达特点,若在不良天气采集数据则需进行大气去除以提高形变反演精度,例如,在ps点筛选后选用经典方法进行大气去除即可。
实施例二
请参阅图1和图3,本实施例提供一种微变感知预警雷达的多阈值优化形变反演系统,包括:
处理单元1,用于基于微变感知预警雷达依次获取n+1幅时序影像,计算时序影像中各像素的平均相干系数、时间序列幅度离差指数以及相位误差指数;
严苛筛选单元2,用于采用严苛阈值筛选从时序影像中筛选出符合门限值条件的像素,将其定义为稳定点后计算形变量;
阈值宽限单元3,用于逐步放宽阈值条件,对应从时序影像中筛选出符合放宽门限值条件的像素,将其定义为动态点后计算形变量;
判断单元4,用于判断当前动态点形变量与稳定点形变量是否发生突变,若没发生突变则继续启动阈值宽限单元继续阈值宽限单元,若发生突变则将当前阈值条件输出为最优阈值;
滤波单元5,用于依次对相邻时序影像中的各像素共轭相乘得到n幅干涉图,滤波处理后从中提取符合最优阈值的ps点相位差信息;
结果输出单元6,用于根据各ps点的相位差信息计算对应的形变量,得到形变反演结果。
具体地,处理单元1包括:
平均相干系数计算模块,用于获取时序影像中的各像素坐标,通过公式
时间序列标准差计算模块,用于采用公式
相位误差计算模块,用于采用公式
具体地,阈值宽限单元3包括:
阈值条件设置模块,设置的阈值条件放宽方法为将阈值条件相干系数t1逐步减小和/或时间序列幅度离差指数t2逐步增大;
动态点筛选模块,用于从时序影像中选取大于放宽后相干系数t1、小于放宽后时间序列幅度离差指数t2且小于相位误差指数t3的像素,将其定义为动态点;
动态点形变量计算模块,用于通过形变量公式计算所述动态点的形变量。
与现有技术相比,本发明实施例提供的微变感知预警雷达的多阈值优化形变反演系统的有益效果与上述实施例一提供的微变感知预警雷达的多阈值优化形变反演方法的有益效果相同,在此不做赘述。
本领域普通技术人员可以理解,实现上述发明方法中的全部或部分步骤是可以通过程序来指令相关的硬件来完成,上述程序可以存储于计算机可读取存储介质中,该程序在执行时,包括上述实施例方法的各步骤,而所述的存储介质可以是:rom/ram、磁碟、光盘、存储卡等。
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,可轻易想到变化或替换,都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应以所述权利要求的保护范围为准。