一种分布式地球同步轨道合成孔径雷达三维形变智能反演方法

1.本发明属于合成孔径雷达技术领域，尤其涉及一种分布式地球同步轨道合成孔径雷达三维形变智能反演方法。


背景技术：

2.合成孔径雷达的差分干涉技术(differential interferometry sar,d-insar)通过对覆盖同一区域形变前后的两幅或多幅合成孔径雷达(sar)图像进行差分处理，提取相位信息获取两次或多次观测间隔中的地表形变。通常有两种实现形变的测量处理方法：二轨法和三轨法。其中二轨法需要使用外部dem来得到地形相位，随着全球高精度dem的测绘完成和普及推广，二轨法逐渐成为d-insar技术的主流。分布式星载sar系统以编队卫星做平台共同完成多角度成像或干涉成像，通过灵活的构型提升对地观测性能，可实现高精度insar测高、d-insar测形变和地面运动目标检测(ground moving target indication,gmti)等任务。
3.星载sar按轨道高度可分为低轨sar(low earth orbit sar,leo sar)、中轨sar(medium earth orbit sar,meo sar)和高轨sar(geosynchronous sar,geo sar)。当前在轨的星载sar几乎都是leo sar，但是leo sar重访周期长(几天到十几天)，无法满足对灾害区域观测的时效性需求。高轨sar也称为地球同步轨道sar，是运行在大约36000km高度的地球同步轨道上的sar卫星。相对于leo sar，geo sar系统凭借很高的运行轨道，具有对目标区域快速重访(24小时)、更长的观测时间(几个小时)和更大的波束覆盖面积(可达上千公里的测绘幅宽)的优点。同时分布式的构型可以同时提供多角度信息，通过重轨差分干涉可以及时反演场景的三维形变。
4.然而，目标的散射特性、图像的成像质量均与观测视角密切相关，分布式geo sar图像视角变化较大，不同观测视角得到的图像具有不同的纹理特征和表现形式，图像特征差异大。另外，分布式geo sar的几何构型复杂，图像视角变化大，成像几何受到地形变化及斜视成像影响严重，图像存在不同程度的几何变形，对后续的处理十分不利。因此，对于同一个场景分布式geo sar各星不同观测视角得到的图像之间会存在着显著的分辨率、几何畸变和散射特性等图像特征差异，将多角度分布式geo sar数据直接进行三维形变反演的精度低。


技术实现要素：

5.本发明的技术解决问题是：为解决上述问题，本发明提供一种用于不同角度分布式geo sar差分干涉数据智能处理的三维形变反演方法，该方法基于神经网络智能处理框架，可以去除不同观测视角带来的分辨率、几何畸变和散射特性差异，提升对观测场景信息的全面认知，提高三维形变反演处理的性能。
6.本发明的技术解决方案是：
7.一种分布式地球同步轨道合成孔径雷达三维形变智能反演方法，该方法的步骤包括：
8.第一步，获取分布式地球同步轨道合成孔径雷达的轨迹信息；
9.所述轨迹信息包括速度和坐标；
10.所述获取轨迹信息时通过satellite tool kit软件获取；
11.第二步，每隔设定的时间间隔，分布式地球同步轨道合成孔径雷达根据第一步获取的轨迹信息对场景中心进行观测，每一次观测，获得不同视角的三幅sar图像，三幅sar图像分别为第一幅图像、第二幅图像和第三幅图像，其中，第一幅图像对由主星在自发自收获得的单基地数据提供，第二幅图像对由主星发射，从星geo-2接收的双基地数据提供，第三幅图像对由主星发射，从星geo-3接收的双基地数据提供；
12.第三步，对第二步相同区域的两次观测获得的三幅sar图像对进行差分干涉处理，获得三幅图像的差分干涉相位图，以及去除2π缠绕后得到三幅图像的真实相位图；
13.第四步，采用第三步得到的三幅图像的差分干涉相位图和三幅图像的真实相位图作为训练集对深度学习网络进行训练；
14.进行训练时，选取精度最高的一幅图像作为迁移目标数据集，另外两幅图像作为迁移和解缠的原图像；
15.第五步，使用第四步训练完成的生成器对三幅图像特征进行迁移和解缠；
16.第六步，根据第五步得到的迁移和解缠后的差分干涉相位图获得分布式地球同步轨道合成孔径雷达视线角度方向的一维形变数据，使用最小二乘法获得整个场景的三维形变反演。
17.所述第一步中，获取轨迹信息时，根据三个编队卫星的轨道六根数获得，轨道六根数包括半长轴ac、离心率ec、倾角ic、升交点赤经ωc、近地点幅角ωc、平近点角mc；
18.所述第二步中，场景包括场景中心点、场景尺寸、场景dem，对场景中心进行观测时，包括观测间隔内形变量；
19.所述第四步中，深度学习网络为伪循环一致性的图像融合深度学习网络(pseudo-cyclegan)；深度学习网络中包括生成器和判别器，生成器使用具有良好保相性质的解缠网络vur-net，判别器使用马尔可夫判别器模型(patchgan)；深度学习网络中使用的两组对抗损失函数分别表示为：
[0020][0021][0022]
其中，l
gan
(
·
)表示对抗损失，e[
·
]表示均值的数学期望，v～pdata(v)表示变量v属于数据域pdata(v)，dv和du分别表示判别器v和判别器u，f和g分别表示生成器f和生成器g。
[0023]
深度学习网络中使用的伪循环一致性损失函数表示为：
[0024][0025]
其中l
fcyc
(
·
)表示循环一致性损失，||
·
||1表示矩阵1范数。
[0026]
深度学习网络中使用的相位解缠损失函数表示为：
[0027][0028]
其中l
wrap
(
·
)表示解缠损失。
[0029]
有益效果
[0030]
(1)本发明的方法中，生成器使用具有良好保相性质的解缠网络vur-net，判别器使用马尔可夫判别器模型(patchgan)，可以解决传统深度学习网络不关心精度保持问题；
[0031]
(2)本发明的方法中，为了防止网络结构崩溃，添加了伪循环一致性损失函数；
[0032]
(3)本发明的方法中，由于通常直接得到的数据为缠绕的，所以设计的深度学习网络具有解缠这一非线性映射能力，为了增强网络的相位解缠能力，引入了相位解缠损失函数。
附图说明
[0033]
图1为本发明提出方法的流程示意图；
[0034]
图2为本发明提出pseudo-cyclegan的网络结构示意图；
[0035]
图3为分布式geo sar三维形变反演的基本示意图；
[0036]
图4场景dem和形变；
[0037]
图5为生成的三个方向的差分干涉图；
[0038]
图6为使用本发明提出的pseudo-cyclegan后的输出结果；
[0039]
图7为使用本发明所提方法后输出的三维形变反演结果。
具体实施方式
[0040]
下面结合附图和实施例对本发明做进一步说明。
[0041]
本发明的整体处理流程如图1所示。通过多角度融合深度学习网络对sar图像特征的统一来实现提高三维形变反演精度。本方法通过设计深度学习网络的结构，完成不同视角下图像特征差异向昂最高图像迁移。由于得到的图像通常是缠绕的，而后续处理需要用到解缠后的图像，在传统循环对抗网络(cyclegan)中加入了解缠损失，在完成图像特征迁移的同时完成这一非线性映射。从本质上讲图像的特征迁移和相位解缠属于两个不同的非线性映射，即本方法中提出的pseudo-cyclegan的本质就是高保相地完成这两个非线性映射。
[0042]
下面结合附图对本发明进行详细论述。
[0043]
本发明的方法的训练仿真输入为三个编队卫星的轨道根数(半长轴ac、离心率ec、倾角ic、升交点赤经ωc、近地点幅角ωc、平近点角mc)，目标场景位置(场景中心点、场景尺寸、场景dem)，观测间隔，观测间隔内形变量；输出为三个角度数据融合后的三维形变反演结果。具体步骤如下：
[0044]
第一步，根据输入的卫星编队的轨道根数，通过satellite tool kit软件获取分布式geo sar系统的速度和坐标等轨迹信息；
[0045]
第二步，输入的场景dem如图4(a)所示，高度方向形变量如图4(b)所示。每隔设定的时间间隔，分布式地球同步轨道合成孔径雷达根据第一步获取的轨迹信息对场景中心进行观测，每一次观测，获得不同视角的三幅sar图像，三幅sar图像分别为第一幅图像、第二
幅图像和第三幅图像，其中，第一幅图像对由主星在自发自收获得的单基地数据提供，第二幅图像对由主星发射，从星geo-2接收的双基地数据提供，第三幅图像对由主星发射，从星geo-3接收的双基地数据提供。利用互相关法或者基于外部dem辅助的干涉数据配准方法，实现对多幅分布式星载sar图像对的数据配准。然后，对配准后的各分布式sar图像对的主辅图像进行共轭相乘生成干涉图，如图5所示；
[0046]
第三步，差分干涉处理。根据卫星轨迹信息与场景dem数据，通过距离多普勒方程计算参考地形和平地相位的干涉相位信息，将卫星干涉图与各自的参考地平和地形相位共轭相乘，去除地形和地平相位，得到各个卫星的差分干涉相位信息。获得三幅图像的差分干涉相位图，以及去除2π缠绕后得到三幅图像的真实相位图，缠绕相位图如图5所示；
[0047]
第四步，根据第三步生成的数据集进行网络的训练。深度学习网络结构如图2所示，选择合理参数进行网络的训练和验证，网络的训练参数需要根据数据集的特征调整；
[0048]
第五步，使用训练完成的深度学习网络进行图像特征的迁移和相位解缠。训练完成的结果包含网络结构中所有的生成器和判别器，而使用需要的结果为完成从原始缠绕图像到目标解缠图像的映射网络，即其中一个生成器，该生成器可以在完成图像特征统一的同时完成解缠这一非线性映射，经过深度学习网络映射的结果如图6所示；
[0049]
第六步，根据第五步得到的迁移和解缠后的差分干涉相位图可以获得雷达视线角度的一维形变数据，然后利用最小二乘的方法解算获得整个场景的三维形变信息，分布式geo sar三维形变反演的基本示意图如图3所示，形变反演结果如图7所示。
[0050]
用d＝(dn,de,du)
t
表示目标在大地坐标系下的地表三维形变信息，其中dn为南北方向形变量，de为东西方向形变量，du为垂直方向形变量。分别是正北、正东和垂直三个方向的单位矢量。根据最小二乘方法，三维形变量的估计d表示为：
[0051][0052]
其中θ为三维形变模型系数矩阵，可以表示为
[0053][0054]cφ
为相位误差的协方差矩阵，可以表示为
[0055][0056]
第七步，三维形变反演精度分析。
[0057]
引入定位精度系数(position dilution of precision，pdop)的概念来评估不同子孔径数据组合下目标三维形变反演精度的综合表现。根据经典的pdop定义，将三维形变反演的精度系数pdopd定义为
[0058][0059]
认为三个子孔径的相位误差一致，上式可简化为
[0060][0061]
至此，完成所有步骤。
[0062]
接下来结合具体参数给出实施的例子。
[0063]
在本例中，分布式卫星编队参数如表1所示，考虑l波段系统，成像分辨率为9.738m*13.762m。以东经120.74，北纬31.64为场景中心，假设场景中间为一块地形起伏的山地区域，场景大小约为680m
×
680m，场景dem如图4(a)所示，分布式geo sar以一天的时间间隔观测场景的形变，期间山区发生了几厘米到数十厘米不等的复杂高度方向形变，高度方向形变量如图4(b)所示，东西方向和南北方向无形变，选择三个观测角度孔径中心位置对应的纬度幅角分别为1
°
，146
°
和50
°
进行多角度观测。至此场景已经构建完毕。
[0064]
表1geo sar编队参数
[0065][0066][0067]
训练参数设置如表2所示。
[0068]
为了与传统的基于多角度的三维形变对比，仿真了一组差分干涉相位图没有缠绕的数据集。将这组数据集使用传统的基于多角度的三维形变方法处理，东西向、南北向和高度向的形变反演误差分别为1.81cm、1.82cm和2.42cm；使用本专利所提的算法处理，东西向、南北向和高度向的形变反演误差分别为0.48cm、0.65cm和1.97cm，相比于传统方法三个方向的形变反演精度分别提升了73％、64％和18％。仿真结果表明了基于多角度图像融合的三维形变反演方法可以提升分布式geo sar三维形变反演的精度。
[0069]
表2训练参数设置
[0070][0071]
特别需要指出的是，该模型本质上在解决特征迁移问题的基础上增加了解缠这一非线性映射，理论上讲该非线性映射可以在不同场景下替换成不同的映射函数，只需将pseudo-cyclegan中的生成器替换成具备特殊功能的网络结构，即可实现不同场景下的风格迁移与非线性映射。
[0072]
当然，本发明还可有其他多种实施例，在不背离本发明精神及其实质的情况下，熟悉本领域的技术人员当可根据本发明做出各种相应的改变和变形，但这些相应的改变和变形都应属于本发明所附的权利要求的保护范围。

技术特征：
1.一种分布式地球同步轨道合成孔径雷达三维形变智能反演方法，其特征在于该方法的步骤包括：第一步，获取分布式地球同步轨道合成孔径雷达的轨迹信息；第二步，每隔设定的时间间隔，分布式地球同步轨道合成孔径雷达根据第一步获取的轨迹信息对场景中心进行观测，每一次观测，获得不同视角的三幅sar图像；第三步，对第二步相同区域两次观测获得的三幅sar图像对进行差分干涉处理，获得三幅图像的差分干涉相位图，去除2π缠绕后得到三幅图像的真实相位图；第四步，采用第三步得到的三幅图像的差分干涉相位图和三幅图像的真实相位图作为训练集对深度学习网络进行训练；第五步，使用第四步训练完成的生成器对三幅图像特征进行迁移和解缠；第六步，根据第五步得到的迁移和解缠后的差分干涉相位图获得分布式地球同步轨道合成孔径雷达视线角度方向的一维形变数据，使用最小二乘法获得整个场景的三维形变反演。2.根据权利要求1所述的一种分布式地球同步轨道合成孔径雷达三维形变智能反演方法，其特征在于：所述第一步中，轨迹信息包括速度和坐标，轨迹信息通过satellite tool kit软件获取。3.根据权利要求2所述的一种分布式地球同步轨道合成孔径雷达三维形变智能反演方法，其特征在于：获取轨迹信息时，根据三个编队卫星的轨道六根数获得，轨道六根数包括半长轴a
c
、离心率e
c
、倾角i
c
、升交点赤经ω
c
、近地点幅角ω
c
、平近点角m
c
。4.根据权利要求1-3任一所述的一种分布式地球同步轨道合成孔径雷达三维形变智能反演方法，其特征在于：所述第二步中，三幅sar图像分别为第一幅图像、第二幅图像和第三幅图像，其中，第一幅图像对由主星在自发自收获得的单基地数据提供，第二幅图像对由主星发射，从星geo-2接收的双基地数据提供，第三幅图像对由主星发射，从星geo-3接收的双基地数据提供。5.根据权利要求1所述的一种分布式地球同步轨道合成孔径雷达三维形变智能反演方法，其特征在于：所述第二步中，场景包括场景中心点、场景尺寸、场景dem，对场景中心进行观测时，包括观测间隔内形变量。6.根据权利要求1所述的一种分布式地球同步轨道合成孔径雷达三维形变智能反演方法，其特征在于：所述第四步中，进行训练时，选取精度最高的一幅图像作为迁移目标数据集，另外两幅图像作为迁移和解缠的原图像。7.根据权利要求6所述的一种分布式地球同步轨道合成孔径雷达三维形变智能反演方法，其特征在于：所述第四步中，深度学习网络为伪循环一致性的图像融合深度学习网络pseudo-cyclegan；深度学习网络中包括生成器和判别器，生成器使用具有保相性质的解缠网络vur-net，判别器使用马尔可夫判别器模型patchgan。
8.根据权利要求7所述的一种分布式地球同步轨道合成孔径雷达三维形变智能反演方法，其特征在于：深度学习网络中使用的两组对抗损失函数分别表示为：深度学习网络中使用的两组对抗损失函数分别表示为：其中，l
gan
(
·
)表示对抗损失，e[
·
]表示均值的数学期望，v～pdata(v)表示变量v属于数据域pdata(v)，dv和d
u
分别表示判别器v和判别器u，f和g分别表示生成器f和生成器g。9.根据权利要求8所述的一种分布式地球同步轨道合成孔径雷达三维形变智能反演方法，其特征在于：深度学习网络中使用的伪循环一致性损失函数表示为：其中l
fcyc
(
·
)表示循环一致性损失，||
·
||1表示矩阵1范数。10.根据权利要求9所述的一种分布式地球同步轨道合成孔径雷达三维形变智能反演方法，其特征在于：深度学习网络中使用的相位解缠损失函数表示为：其中l
wrap
(
·
)表示解缠损失。

技术总结
本发明属于合成孔径雷达技术领域，尤其涉及一种分布式地球同步轨道合成孔径雷达三维形变智能反演方法。本发明的方法中，生成器使用具有良好保相性质的解缠网络VUR-net，判别器使用马尔可夫判别器模型(PatchGAN)，可以解决传统深度学习网络不关心精度保持问题；本发明的方法中，为了防止网络结构崩溃，添加了伪循环一致性损失函数；本发明的方法中，由于通常直接得到的数据为缠绕的，所以设计的深度学习网络具有解缠这一非线性映射能力，为了增强网络的相位解缠能力，引入了相位解缠损失函数。数。数。


技术研发人员：李元昊 赵兴哲 陈志扬 谢昱辉 胡程
受保护的技术使用者：北京理工大学前沿技术研究院
技术研发日：2023.03.13
技术公布日：2023/7/19