论文部分内容阅读
干涉合成孔径雷达（Interferometric Synthetic Aperture Radar,InSAR）是一种成熟的遥感技术,它能够高度精确的测量如地形、地表形变以及冰川运动等重要的地球物理参数。雷达系统的观测信号为相位主值,因此相位解缠绕（Phase unwrapping,PU）成为InSAR技术中不可或缺的关键步骤,其求解性能也直接决定了后续遥感产品的性能。在过去几十年中,传统的单基线（Single baseline,SB）相位解缠绕与多基线（Multibaseline,MB）相位解缠绕几乎是各自相互独立的发展并各有所长。单基线相位解缠绕的发展较为成熟,具有良好的噪声鲁棒性与求解效率,但它受到相位连续性假设的限制（要求观测区域的高程具有良好的空间连续性）,因此对复杂地形（例如山谷、陡峭的山峰等）难以正确求解。相比之下,多基线相位解缠绕能够突破相位连续性假设,但由于其噪声鲁棒性差而无法满足实际应用的需求。近几年来,通过将单基线与多基线相位解缠绕方法相结合来构造新的高性能方法成为一个新的研究思路。一些初步的研究成果显示,这可以有效改善多基线相位解缠绕方法的噪声鲁棒性。在这一方向上,存在一系列问题有待研究:首先,经典单基线相位解缠绕方法噪声鲁棒性优良,如何将其移植到多基线相位解缠绕领域中有待研究;进而,需要建立一个具有一般性的求解框架,以便构造和实现新的多基线相位解缠绕方法;此外,快速发展的InSAR技术还面临一个新的挑战,在观测数据规模变大的情况下,需要在计算速度、计算资源消耗、计算精度之间寻求恰当的折中方案。为解决以上问题,本文主要开展了如下工作:1.提出一种多基线InSAR两阶段规划（Two-stage programming approach,TSPA）处理框架,简称为TSPA框架,TSPA框架下的相位解缠绕方法统称为TSPA-PU方法。TSPA框架的第一阶段依据中国余数定理（Chinese remainder theorem,CRT）联合多个基线的干涉相位来估计每幅干涉相位图的梯度信息,第二阶段利用第一阶段所得梯度信息求解绝对相位。多基线TSPA框架的意义在于,它允许将多种经典单基线相位解缠绕方法的优化模型引入到TSPA框架的第二阶段中,例如单基线Lp范数（p=1,2,∞）优化模型、单基线MIN（Minimum infinity-norm-based）方法的优化模型等,此外,TSPA框架的第二阶段还允许更多的规划形式被引入其中,如基于离群点检测（Outlier-detection,OD）的相位解缠绕迭代方法、利用残点（Residue）生成枝切线（Branch-cut,BC）的枝切法等等。本文将上述方法引入到TSPA框架中并提出了TSPA-Lp（p=2,∞）、TSPA-MIN、TSPA-BC、TSPA-OD等多基线相位解缠绕方法。实验结果表明,TSPA框架能够帮助传统单基线相位解缠绕方法显著提升求解精度,将复杂地形的处理性能提升到一个新的水平。TSPA框架还将传统单基线相位解缠绕理论中的重要概念“残点”和“枝切线”都移植到多基线相位解缠绕中,因此,TSPA框架为多基线相位解缠绕研究带来了更大空间,那些曾在单基线相位解缠绕发展过程中碰到的问题都将在多基线InSAR领域中进行扩展研究。2.在传统的单基线相位解缠绕方法中,梯度的估计是基于相位连续性假设的,这导致梯度估计值的绝对值被限制在2π以内。多基线相位解缠绕采用中国余数定理来估计梯度,保证了梯度估计值的绝对值可突破2π限制,但是,中国余数定理对噪声的敏感性使得梯度估计的鲁棒性很差,从而导致解缠绕结果不理想。本文针对这一问题,在TSPA框架第一阶段的梯度估计中,提出了一种利用局部平面模型进行梯度估计的方法（Two-stage programming approach using local plane model,LPM-TSPA方法）,该方法将干涉相位图中的局部区域近似视为平面,联合局部区域平面内的像素进行梯度估计。从信号处理的角度看,由于各个干涉相位图所蕴含的地形梯度是相关的,而噪声可看作是相互独立的,因此,联合多幅干涉相位图的局部的像素进行梯度估计,能够有效降低噪声对中国余数定理的影响,从而得到更为合理的梯度估计值。TSPA-PU方法第一阶段中梯度估计值精度的有效提高,使得整个TSPA-PU方法的求解精度得到显著提升。理论分析与实验均验证了 LPM-TSPA方法的有效性。3.InSAR单幅观测数据规模的增加,曾给单基线相位解缠绕的大规模数据处理带来了挑战,由于多基线相位解缠绕需要同时处理多幅数据,大规模多基线相位解缠绕问题将更为棘手。本文采用“分而治之”的策略来处理大规模多基线数据,在TSPA框架下提出了利用凸包与聚类分析的大规模多基线相位解缠绕方法（Convex hull and cluster-analysis based fast large-scale phase Unwrapping method,CCFLS）。CCFLS方法的阶段一进行梯度估计并计算多基线残点,第二阶段利用聚类分析对残点进行聚类并生成每个残点类的凸包,然后用凸包代替枝切线,对非凸包区域进行路径积分以获得大规模InSAR数据的相位解缠绕结果。由于生成凸包的速度远远高于生成枝切线的速度,因此CCFLS方法的执行速度被大大提高。该方法在求解速度与求解范围之间做出了一个合理的折中,这是因为,被凸包包围的区域通常是图像中的低质量区域。对于实时性要求高的应用场合,舍弃低质量区域的无意义求解来换取处理效率的提高是合理的。实验验证了 CCFLS方法的有效性相比TSPA方法有明显提高。