一种星载SAR影像数据压缩方法与流程

本发明涉及时序insar数据处理和分析领域，尤其涉及一种星载sar影像数据压缩方法。

背景技术：

目前的时序insar时间序列处理技术主要通过干涉图组合进行非线性优化估计，计算量较大，而且需要大量的存储设备。以哨兵卫星为例，卫星设计寿命为7.5年，重复周期为6天，理论上将对同一区域采用500景影像，如果采用ds处理方案进行干涉图全组合，将产生124750个干涉对组合，时间维相干矩阵元素达到500×500。无论是存储数据量，还是计算量都不是普通用户的硬件设备所能承担的。

另外，当前sar卫星只能获取小区域的形变信息，且较长的重访时间间隔容易导致时间失相干现象。为了利用丰富的sar数据获取更精确地大规模区域形变信息，提高insar形变估计的精度，不久的将来随着美国国家航空航天局(nasa)研制的nisar卫星的发射以及德国宇航中心(dlr)提出的tanden_l卫星飞行任务计划的实施，每周进行一次全球系统形变监测将成为可能，这些卫星具有较短的重访周期、较大的宽幅以及较长的运行周期，意味着insar将进入大数据时代，许多应用领域将受益于这种全所未有的数据连续性，例如，地质灾害的预警和预报。另一方面随着这些卫星的出现势必会增加sar数据的处理难度，特别是随着时间维度的增加，使得insar数据处理量成指数增长，从而大大降低了insar处理效率。因此，快速处理这些庞大的数据是实现实时监测预警系统的关键问题之一。而现有时序insar处理算法尚不适用于大数据量的运算,在处理过程中不仅处理效率较低，而且较长的时间基线容易导致失相干现象，从而降低了sar数据原有的潜在精度。综上，现有的时序insar处理方法存在运算量大、存储量大、效率低、相干性差等缺点。

有鉴于此，特提出本发明。

技术实现要素：

发明要解决的技术问题在于克服现有技术的不足，提供一种星载sar影像数据压缩方法，用以解决现有的时序insar处理方法存在运算量大、存储量大、效率低等缺点。

本发明的目的主要是通过以下技术方案实现的：

一种星载sar影像数据压缩方法，所述压缩方法包括以下步骤：

1)对原始的sar影像进行分堆处理，具体为：将配准后的原始影像分成几个微型堆栈，在每个堆栈中生成干涉图，这样在每个小的堆栈中各影像间都具有较高的相干性，可以避免由于时间基线过长导致的失相干现象。

2)建立相位估计器，在时序insar处理过程中，为了提高测量点(mps)的相干性和空间密度，需通过有效的相位估计器对原始影像进行相位估计，该过程称为phase-linking,为了补偿所有影像之间可能存在的反向散射功率不平衡的问题，本发明采用一种基于相干矩阵分解而不是协方差矩阵分解来获取原始相位信息，具体过程为：利用特征分解方法对相干矩阵t进行特征分解，得到相干矩阵的特征值和特征向量，并将特征值按降序排列，即λ1≥λ2≥λ3,…,≥λn，t可解释为n个散射体相干矩阵的和，其中每个相干矩阵代表一个独立的目标。当后面的(n-m)个特征值较小时，可以认为前m个特征向量的相位与原始数据向量的相位相同。因此，可用前m个特征向量的相位值代替原始数据的相位值，通过上述方法可以将原始影像数据中噪声相位和冗余相位去除。

3)建立sar影像数据压缩模型

假设有一个sar影像集合z^n×l，n为该集合包含的影像数量，l为所选窗口大小，则该集合在时间上的维度为n维，即含有n个变量，设法找到m个变量来代替原有的n个变量(m＜＜n)，而窗口大小l∈ω保持不变，则原有的sar影像集合就变成了压缩后其维度变成了m维，从而达到了降维的目的。即对于任意的正交投影变换γ,则有：

对于任意像素点，假设其在n景影像中的相位信息为z＝(z1,z2,z3,…,zn)^h，则主成分分析模型表示为：

式中，为投影变换后的相位信息，系数uij(i＝1,2,…,n；j＝1,2,…,m)为投影变换系数。根据公式(2)可知，只要求出系数uij即可将原变量z转换成新变量实现数据压缩，压缩的效率取决于基向量的选择。在最有效的情况下，选择基向量以捕获数据空间的最大变化(方差最大)，从数学上可以证明，原变量协方差矩阵的特征根是主成分的方差，因此，前m个较大的特征根就代表前m个主成分较大的方差值，前m个较大特征值对应的特征向量即为相应主成分的系数uij，即最强特征向量的子集：

γ＝[u1,u2,u3,…,um](3)

其中uj＝uij,(i＝1,2,…,n,j＝1,2,…,m)为基向量，可利用如下特征分解得到：

为相位估计后的复相干矩阵，λi为降序排列的特征值，ui为相应的特征向量，为了加以限制，一般ui使用λi对应的单位化的特征向量，即ui^hui＝1，通过对数据空间的频谱分解，以使最大特征值对应特征向量表示携带信息量最大的信号，反之亦然。本文考虑将每个微型堆栈中的影像在时间维上压缩维一维的情况，即m＝1，则对应的特征向量可表示为：

subjecttou1^hu1＝1

根据上述分析可知，sar影像数据压缩是通过定义的空间线性变换γ来实现：

通过线性变换将n维数据z投影到m(m＜＜n)维数据表示的线性子空间中，从而压缩数据量。的行中包含m个排序的压缩的视复数影像(slc)，因此第一行对应于信息量最大的信号分量。当m＝1时，压缩的slc由以下公式给出：

通过上述数据压缩方法，可得到每个微型堆栈中的虚拟影像，大大减少了sar数据处理量，提高时序insar处理效率。例如一个由100景sar影像组成的时间序列，如果利用ds方法进行时序分析，则可生成对干涉图，其数据处理量非常之大，随着影像数量的增加，其数据处理量将成指数增长，几乎不可能实现对地面形变进行实时监测和预警的目标。按照发明的方法则可将100景影像分为10个微型堆栈，每个堆栈包含10景影像，假设每个堆栈中的10景影像最后都被压缩成一景，则相当于只需要生成45对干涉图即可达到相同的效果，其数据处理量减少了90％以上。

4)生成人工干涉图

利用步骤3)得到的虚拟影像建立干涉对，生成人工干涉图

5)利用生成的人工干涉图进行时序insar处理。

采用上述技术方案后，本发明与现有技术相比具有以下有益效果。

本发明相对于现有时序insar技术相比，其优势在于：

1)本发明对原始sar影像进行分堆处理，在每个微型堆栈中各影像间具有较高的相干性，可以克服现有时序insar技术中由于时间基线过长导致的失相干现象；

2)本发明在相位估计中利用相干矩阵而不是协方差矩阵进行特征分解，该方法可以补偿所有影像之间可能存在的反向散射功率不平衡，从而提高相位估计的精度；

3)本发明利用数据压缩方法，对每个微型堆栈中的sar影像数据进行压缩处理，得到携带此堆栈中原始sar影像大部分信息的少数几个虚拟影像，再利用这些虚拟影像生成人工干涉图进行时序insar处理，大大减少了数据处理量和存储量，从而提高时序insar处理效率，解决insar大数据处理问题，使得利用时序insar技术对超长时间序列的地表形变进行实时监测和预警成为可能。

下面结合附图对本发明的具体实施方式作进一步详细的描述。

附图说明

附图作为本申请的一部分，用来提供对本发明的进一步的理解，本发明的示意性实施例及其说明用于解释本发明，但不构成对本发明的不当限定。显然，下面描述中的附图仅仅是一些实施例，对于本领域普通技术人员来说，在不付出创造性劳动的前提下，还可以根据这些附图获得其他附图。在附图中：

图1为星载sar影像数据压缩方法流程图；

图2为本发明实施例中全组合影像相干矩阵图和各微型堆栈中的相干矩阵图；

图3为本发明实施例中全堆栈数据最短时间(12天)与最长时间(426天)的相位估计前和相位估计后的干涉图；

图4为本发明实施例中微型堆栈中最长时间(108天)相位估计前和相位估计后的干涉图；

图5为本发明实施例中影像数据压缩后最长时间(426天)的人工干涉图和对应的相干性图。

需要说明的是，这些附图和文字描述并不旨在以任何方式限制本发明的构思范围，而是通过参考特定实施例为本领域技术人员说明本发明的概念。

下面结合附图和实施例对本发明作进一步说明。

具体实施方式

为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对实施例中的技术方案进行清楚、完整地描述，以下实施例用于说明本发明，但不用来限制本发明的范围。

实施例

为验证本发明的可行性和有效性，采用哨兵卫星(sentinel-1)数据进行实验分析，并将本发明的实验结果与全堆栈数据实验结果进行比较。哨兵数据作为免费的c波段中分辨率数据源，比较适合进行大区域实验分析，其波长为5.63cm，分辨率为5m×20m，重访周期为12天，因此，利用哨兵数据能在短时间内能获取大量的数据。选取2017年1月11日至2018年9月27日期间共50景升轨数据进行实验分析，实验过程中将50景slc影像分为5个微型堆栈，每个微型堆栈中包含10景影像。

一种星载sar影像数据压缩方法，技术方案实施流程如附图1所示，其步骤如下：

1)对原始的sar影像进行分堆处理，将配准后的50景sar影像分成5个微型堆栈，每个微型堆栈中包含10景影像，图2(a)为全堆栈数据相干矩阵图,图2(b)为各微型堆栈中的相干矩阵图，从图2中可以看出，全堆栈相干矩阵图中时间基线过长时，相干性较低，而在微型堆栈中，各影像间均具有较高的相干性。

2)全堆栈影像数据相位估计，在时序insar处理过程中，为了提高测量点(mps)的相干性和空间密度，需通过有效的相位估计器对原始影像进行相位估计，该过程称为phase-linking,为了补偿所有影像之间可能存在的反向散射功率不平衡的问题，本发明采用一种基于相干矩阵分解而不是协方差矩阵分解来获取原始相位信息，具体过程为：利用特征分解方法对全堆栈数据相干矩阵进行特征分解，得到相干矩阵的特征值和特征向量，并将特征值按降序排列，即λ1≥λ2≥λ3,…,≥λn，t可解释为n个散射体相干矩阵的和，其中每个相干矩阵代表一个独立的目标。当后面的(n-m)个特征值较小时，可以认为前m个特征向量的相位与原始数据向量的相位相同。因此，可用前m个特征向量的相位值代替原始数据的相位值，得到结果如图3所示，图3(a)和3(b)分别为最短时间(12天)内相位估计前干涉图和相位估计后干涉图，图3(c)和3(d)分别为最长时间(624天)相位估计前干涉图和相位估计后干涉图，从图中可看出估计后的干涉图质量明显好于估计前的干涉图，表明本文利用的pl方法在减少时间失相关和增强snr方面具有显著效果。

3)各微型堆栈相位估计，从图3可以看出在时间基线较短(12天)的情况下，其干涉图效果都较好，但是在时间基线较长时，其干涉图质量下降较明显，说明该地区时间基线较长时，失相干现象较严重，不利于进行长时间序列分析。因此，将50景全堆栈数据分成5个微型堆栈数据，每个微型堆栈中包含10景影像，在每个微型堆栈数据中进行phase-linking,实验参数和过程与步骤2)中全堆栈数据实验相同，得到每个微型堆栈中的相位估计前干涉图和相位估计后干涉图，如图4所示，显示了第一个微型堆栈中最长时间(108天)的相位估计前干涉图和相位估计后干涉图以及对应的相干性图。从图中可以看出在微型堆栈内进行相位估计后得到的干涉图质量较好，克服了利用全堆栈数据进行时，由于时间基线较长失相干现象严重导致无法获取测量点(mps)的问题。

4)建立sar影像数据压缩模型

假设有一个sar影像集合z^n×l，n为该集合包含的影像数量，l为所选窗口大小，则该集合在时间上的维度为n维，即含有n个变量，设法找到m个变量来代替原有的n个变量(m＜＜n)，而窗口大小l∈ω保持不变，则原有的sar影像集合就变成了压缩后其维度变成了m维，从而达到了降维的目的。即对于任意的正交投影变换γ,则有：

对于任意像素点，假设其在n景影像中的相位信息为z＝(z1,z2,z3,…,zn)^h，则主成分分析模型表示为：

式中，为投影变换后的相位信息，系数uij(i＝1,2,…,n；j＝1,2,…,m)为投影变换系数。根据公式(2)可知，只要求出系数uij即可将原变量z转换成新变量实现数据压缩，压缩的效率取决于基向量的选择。在最有效的情况下，选择基向量以捕获数据空间的最大变化(方差最大)，从数学上可以证明，原变量协方差矩阵的特征根是主成分的方差，因此，前m个较大的特征根就代表前m个主成分较大的方差值，前m个较大特征值对应的特征向量即为相应主成分的系数uij，即最强特征向量的子集：

γ＝[u1,u2,u3,…,um](3)

其中uj＝uij,(i＝1,2,…,n,j＝1,2,…,m)为基向量，可利用如下特征分解得到：

为相位估计后的复相干矩阵，λi为降序排列的特征值，ui为相应的特征向量，为了加以限制，一般ui使用λi对应的单位化的特征向量，即ui^hui＝1，通过对数据空间的频谱分解，以使最大特征值对应特征向量表示携带信息量最大的信号，反之亦然。本发明考虑将每个微型堆栈中的影像在时间维上压缩为一维的情况，即m＝1，则对应的特征向量可表示为：

subjecttou1^hu1＝1

根据上述分析可知，sar影像数据压缩是通过定义的空间线性变换γ来实现：

通过线性变换将n维数据z投影到m(m＜＜n)维数据表示的线性子空间中，从而压缩数据量。的行中包含m个排序的压缩的视复数影像(slc)，因此第一行对应于信息量最大的信号分量。当m＝1时，压缩的slc由以下公式给出：

通过上述数据压缩方法，可得到每个微型堆栈中的虚拟影像，本发明的实例中选取m＝1进行实验分析。

5)生成人工干涉图

利用步骤4)得到的虚拟影像建立干涉对，生成人工干涉图，考虑m＝1的情况，即将每个微型堆栈中的10景影像压缩为1景影像。如果采用全堆栈数据进行干涉处理，50景影像将产生1225个干涉图，而利用本文的数据压缩方法进行数据处理，则只需进行265次干涉处理，而最终只需利用10个干涉图进行时序分析处理即可。图5显示了压缩处理后得到的最长时间基线(624天)的人工干涉图5(a)和相干性图5(b)，该图与利用全堆栈数据得到的最长时间基线(624天)的相位估计前干涉图和相位估计后干涉图(图3(a)和(b))比较，可明显看出相位估计提高了snr，两种方案的性能高度相关，表明本文的数据压缩方法具有可行性和有效性，而在效率方面通过数据压缩处理，使得其数据处理效率提升90％左右,大大提高了时序insar处理效率。

以上所述为本发明的较佳实施例而已，本发明不应该局限于该实施例和附图所公开的内容。凡是不脱离本发明所公开的精神下完成的等效或修改，都落入本发明保护的范围。