[0001] 本发明涉及雷达勘测技术领域。更具体地，本发明涉及一种地基合成孔径边坡雷达大气扰动校正方法及系统。

[0002] 地基合成孔径雷达源于星载合成孔径雷达（GB‑SAR），是一种微波主动探测雷达技术。基于GB‑SAR的干涉技术进行变形监测具有局域性、全天时、全天候、定点连续以及良好的灵活性和可操作性，在滑坡、冰川、矿山、建筑物、火山和大坝等变形监测方面具有极为广泛的应用前景。影响GB‑SAR干涉测量精度的因素有系统频率不稳定、大气延迟、目标散射特性变化和噪声等，其中两幅GB‑SAR影像雷达视线下的大气延迟是影响GBSAR干涉技术变形测量精度的主要因素之一。研究表明，温度在20℃时，距离雷达1km处，1%的相对湿度的变化可导致2mm的测量误差。因此，消除雷达视线下的大气延迟是提高GB‑SAR干涉变形监测精度的关键。

[0003] 目前，GB‑SAR大气校正方法主要分为两类：一类是基于气象数据的方法，依据电磁波传播的折射率与场景内温度、气压和湿度数据之间的关系来校正大气相位；另一类基于函数模型的方法，该方法通常假设大气影响在空间上具有强相关性，即大气在空间是均匀的，此时利用稳定PS点干涉相位通过参数化模型方法完成大气相位补偿。

[0004] 相关技术中，例如公开号为CN117075056A的中国专利申请文件，公开了一种地基合成孔径边坡雷达大气校正方法，通过多门限阈值筛选稳定大气估计PS点，再利用迭代算法进一步剔除不稳定大气估计PS点，实现更高质量PS点的准确选取，在此基础上通过基于PS点和参数化模型的大气校正方法实现GB‑SAR大气校正，大大提高了校正精度，满足了现有的GB‑SAR大气校正技术在形变监测中面临复杂大气精确校正的迫切需求。

[0005] 但是通过门限选择出稳定PS点时，由于门限设置往往是依靠人员经验值而设定的固定值，而不同地形下所获取的PS点分布是具有差异性的，所以采用固定值筛选PS点不够精确，导致形变反演的准确性较低。

[0025] 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，本领域技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

[0026] 下面结合附图来详细描述本发明的具体实施方式。

[0027] 如图1所示，S101：采集雷达图像。

[0028] 在一个实施例中，根据监测目标（如地形形变、地质结构等）和监测环境（如气候、植被覆盖等），由具有相关经验的人员进行合成孔径雷达（GB‑SAR）系统选择。其中孔径雷达（GB‑SAR）系统能够主动发射微波并接收回波，形成高分辨率的雷达图像。

[0029] 在一个实施例中，可以对通过孔径雷达（GB‑SAR）获取的原始数据进行预处理，包括辐射定标、几何校正等，以消除仪器误差和大气干扰，提高图像质量，其中预处理为现有技术，本方案不再赘述，可由实施者根据具体实施场景进行调整。

[0030] 在一个实施例中，将在同一地区、不同时间所采集的两幅或多幅雷达图像，进行配准和重采样，使其具有相同的空间分辨率和几何位置。其中图像配准和重采样为现有技术，可由实施者根据具体实施场景进行调整，然后，通过共轭相乘的方式生成干涉图。干涉图中的相位差反映了地表在两次观测期间的变化。

[0031] S102：对所述雷达成像进行相位解缠，得到PS点。

[0032] 在一个实施例中，由于干涉图中的相位值被包裹在[‑π,π)的范围内，会存在相位模糊问题。相位解缠可以通过一系列算法（如最小费用流算法、枝切法、区域增长法等）将相位值从包裹相位中恢复出来，得到连续的相位值。在相位解缠后的干涉图中，通过识别那些在后向散射中表现出强且稳定特性的点（即永久散射体点，PS点），如建筑物顶角、桥梁、裸露岩石等。这些点通常具有较高的相干性，能够在多次观测中保持稳定的相位信息。进而可以利用PS点在不同干涉图中的相位变化信息，结合已知的DEM（数字高程模型）数据和其他辅助信息（如大气改正、轨道误差等），进行差分干涉处理，以去除地形和其他非形变因素引起的相位变化。最终，可通过计算PS点的形变速率和位移量，得到地表形变的精确测量结果。

[0033] 需要说明的是，当地形比较复杂时，仍然会存在一些离群的PS点，进而导致在稳定PS点的选取时，存在较大的干扰，因此需要进行离群PS点的剔除，得到稳定PS点分布。

[0034] 在一个实施例中，在进行稳定PS点选取时，通过形态学开运算，即先腐蚀再膨胀，可以剔除一些孤立的PS点，但是如果在利用形态学开运算进行孤立PS点剔除时，如果形态学核心的半径过大，则会导致，剔除一些相对密集的PS点，如果核心半径过小，则会导致对部分PS点的剔除效果不好，进而在利用形态学开运算进行PS点的剔除时，形态学开运算的半径长度选取比较重要，并且由于不同地形的复杂度不同，导致同一形态学核心半径在不同地形的PS点剔除时的效果不同，进而本方案选择对形态学开运算进行改进，使其能够自适应形态学的核心半径，以保证在不同复杂地形下对PS点进行剔除。

[0035] S103：利用改进的形态学开运算对所述PS点剔除，得到稳定的PS点分布。

[0036] 在一个实施例中，在进行稳定PS点选取时，利用LOF离群点检测算法，得到各PS点的离群值，需要说明的是，采用LOF进行离群点检测算法是因为LOF是基于密度的离群点检测方法，通过LOF算法可以得到每一个点的离群值，表示其分布密度，其中如果密度越低，则离群值越大，对应的PS点越可能是孤立点，但是存在局部密集分布的点时，此时也会具有相对较大的离群值。

[0037] 在一个实施例中，得到各PS离群值后，获取各PS点与其最近PS点的欧氏距离值A，在其他实施例中，也可选择多个临近的PS点求取欧氏距离值的均值，但是可能无法准确界定临近个数导致选取的PS点过远，进而选择与该PS点具有最小欧氏距离值的PS点。进而以PS点建立一个圆型窗口，其中窗口的半径为X，计算第 个PS点与其窗口内PS点之间的欧氏距离值，取最小欧氏距离值用于离群值调整，其中，如果第 个PS点的窗口内不存在其余PS点，则可以默认该PS点为孤立点，可以直接进行剔除，不需要再进行形态学的考量。进而得到修正离群值。

[0038] S104：通过该PS点与其最近PS点之间的距离值对所述离群值修正，得到该PS点的修正离群值。

[0039] 在一个实施例中，利用离群点检测算法得到PS点的离群值，通过该PS点与其最近PS点之间的距离值对所述离群值修正，得到该PS点的修正离群值，所述修正后的离群值与所述距离值呈负相关，其中，可以通过欧氏距离计算方法得到该PS点与其最近PS点之间的距离值。

[0040] 在一个实施例中，对离群值修正的公式为： ，式中， 为第i个PS点的修正离群值， 为第i个PS点与其最近PS点的距离值， 为第i个PS点的离群值，exp()起到归一化和负相关的作用。

[0041] 其中， 的值越大，表示第i个PS点的临近范围内最近的PS点越远，则其属于稳定PS点可能性越低， 的值越小，表示第 个PS点的临近范围内最近的PS点越近，其属于稳定PS点可能性越高。进而利用距离值对LOF值进行进一步修正。 的值越大，表示离群值越大，表示第 个PS点相对于所有PS的分布处于边缘，进而其属于稳定PS点的可能性越低，但是如果局部存在多个PS点，则可能是远离整体的局部稳定PS点，进而将 的负相关与 相乘，对LOF值进行修正，得到修正离群值，即修正离群值的值越大，属于稳定PS点可能性越大，进而在形态学运算后，越应该被保留下来。

[0042] S105：计算各PS点在进行开运算的核心半径。

[0043] 在一个实施例中，在得到第i个PS点对应的修正离群值后，进而对各PS点对应的修正离群值进行分类，其中由于距离间隔和密度有关，进而本方案选择采用密度均值算法，获取各PS点对应的横坐标和修正离群值，然后利用均值漂移或者DBSCAN等密度聚类算法，对各PS点对应的坐标和修正离群值进行分类，将坐标相近和修正离群值接近的分为一类，进而会得到多个类别。

[0044] 在一个实施例中，对各PS点所述修正离群值聚类，得到多个类别后，计算第j类别中PS点在进行开运算的核心半径 ，计算公式为： ；式中， 为第j类别中所有PS点的距离值的平均值， 为第j类别的缩放系数。

[0045] 式中， 为第j类别中所有PS点的距离值的平均值，其中之所以采用该距离值，是因为该点表示到其余PS点的最小距离值，而在形态学的开运算处理时是根据核的大小进行处理，即邻域范围数据进行处理的，所以当以 直接作为开运算的核大小时，则第j类别内必然会有一部分PS点被剔除和一部分PS点被保留，但是可能分别会造成稳定PS点误删以及离群PS点剔除效果不好，因为当类别内的PS点都大部分为稳定的PS点时，则开运算的核应当尽可能的小，以保留更多的PS点，当类别内的PS点都大部分不为稳定的PS点时，则开运算的核应当尽可能的大，以剔除更多的PS点。

[0046] 在一个实施例中，计算第j类别的缩放系数，包括：获取第j类别中所有PS点对应修正离群值的最小值 ，将所述最小值作为第j类别的缩放系数，其中，所述缩放系数与核心半径 呈负相关。其中，采用第j类别中所有PS点对应修正离群值的最小值，是表示选择该类别最小的修正离群值作为标准，因为最小值表示该类别属于不稳定PS点的下限，进而其最小的值越小，表示属于稳定PS点的可能性越小，则越需要被剔除，则第j类别中所有PS点对应修正离群值的最小值越小，第j类别中PS点在进行开运算的核心半径 的值越大。

[0047] 在另一个实施例中，在得到第j类别中所有PS点对应修正离群值的最小值后，如果直接将最小值的负相关与 的值相乘得到 ，但是由于最小值是对修正离群值的调整，其本质还是修正离群值，而修正离群值可能为负数可能为正数，并且可能取值较大，并不确定，导致在对 调整时并不稳定，对各类别内对应的 进行归一化，然后计算缩放系数。

[0048] 需要说明的是，在本实施例中计算缩放系数 ，需要对所有PS点的修正离群值进行归一化，其中归一化可以使得将所有修正离群值化为0‑1之间，从而使得在对修正离群值分析时取值范围统一，有利于自适应核心半径计算。其中，归一化的方法在本方案中选择采用最大值最小值归一化方法，不能采用其他归一化方法，因为采用最大值最小值归一化方法，可以使得修正离群值划分至0‑1之间。但是归一化后，不管数值大小，必然会存在0值和1值导致失真，进而获取 归一化后的值，记为 。对归一化后的 值数据进行直方图统计，其中，直方图统计结果反映了其数据出现次数的函数分布。

[0049] 其中整体函数分布的上下差异越大，则认为是第j个类别内的PS点存在局部密集，否则认为是稀疏的，进而获取其密度分布分界点，其中密度分界点表示缩放拉伸临界，如果小于密度分界点，则表示更可能为稳定点，不需要进行剔除，进而其半径应当小，如果大于密度分界点，则表示更可能为非稳定点，需要进行剔除，进而其半径应当大。至此，可以建立计算第j类别的缩放系数 的计算公式。

[0050] 在一个实施例中，计算缩放系数，所述缩放系数等于第j类别中PS点的局部密集程度与拉伸系数的乘积，所述拉伸系数为直方图中第j类别中所有修正离群值的最小值与上下差异临界点对应的修正离群值的比值；所述上下差异临界点为直方图中拟合函数各拐点对应的修正离群值与其最小斜率值在横坐标上的距离值，并从中选择最小距离值对应的拐点作为上下差异临界点。

[0051] 在一个实施例中，上下差异系数越大，表示整体函数分布的上下差异越大，则认为是第j类别内的PS点存在局部密集，进而上下差异临界点有效，进而根据上下差异临界点对应差异进行缩放，如果上下差异越小，则表示相对稀疏，则需要进行剔除，此时上下差异临界点无效，处于不明显的状态。

[0052] 在一个实施例中，选择最小距离值对应的拐点作为上下差异临界点，包括：利用最小二乘法对直方图统计得到的函数分布进行多项式拟合，对拟合得到的拟合函数进行拐点计算，得到拟合函数的拐点；计算归一化后修正离群值在拟合函数上的斜率值，并获取最小斜率值在横坐标上对应的修正离群值，计算各拐点对应的修正离群值与最小斜率值在横坐标上对应的修正离群值之间的距离值，选择具有最小距离值的拐点作为上下差异临界点。

[0053] 在一个实施例中，获取上峰系数，包括：对于任一统计结果，获取该统计结果与最大值的差值，计算所述差值的绝对值与最大值的比值，并利用1减去所述比值，得到该统计结果的权重；计算出所有统计结果和对应的权重加权求和后的值与所有统计结果的个数的比值，得到上峰系数。获取下峰系数，包括：对于任一统计结果，获取该统计结果与最小值的差值，计算所述差值的绝对值与最小值的比值，并利用1减去所述比值，得到该统计结果的权重；计算出所有统计结果和对应的权重加权求和后的值与所有统计结果的个数的比值，得到上峰系数。

[0054] 在一个实施例中，计算第j类别的缩放系数 的计算公式，包括：；式中， 为 相对于上下差异临界点的拉伸系数，也就是
说，拉伸系数为直方图中第j类别中所有修正离群值的最小值与上下差异临界点对应的修正离群值的比值。 为第j类别的上下差异系数； 表示阶跃函数，
表示阶段函数。

[0055] 其中，当 在直方图中对应的修正离群值小于上下差异临界点对应的修正离群值时，则 的值小于1表示缩小，当 在直方图中对应的修正离群值大于等于上下差异临界点对应的修正离群值时，则 的值大于等于1表示拉伸。 的值越大，则认为第j类别内的PS点存在局部密集，进而需要进行核心的自适应长度，进而根据上下差异临界点对 进行拉伸，其中拉伸效果则根据 拉伸。反之，如果 的值越小，则认为第j类别内的PS点不存在局部密集，比较疏散，则进而直接将 作为自适应的核心长度即可，进而设定W的阈值为0.3，其中0.3可由实施者根据具体实施场景进行调整。

[0056] 其中，若 的值小于等于0时，则 的值为0；若 的值大于0时，则 的值为1。若 的值小于等于0，则
的值为1；若 大于0，则
的值等于 。

[0057] S106：根据所述稳定的PS点分布，完成形变监测，实现形变反演。

[0058] 在一个实施例中，得到上述分类结果对应的开运算的核心半径后，利用确定的核心半径对所对应的类别内的PS点进行开运算操作，进行PS点筛选，得到稳定的PS点，其中核为全一的方阵。然后根据稳定的PS点分布，完成形变监测，实现形变反演。

[0059] 通过以上步骤，通过对PS点的数据分布进行分析，得到不同PS点对应的形态学处理的核心半径，实现了自适应形态学处理，实现了对孤立的PS点的剔除，得到了更为稳定的PS点，提高了形变反演的准确度。

[0060] 本发明还提供了一种地基合成孔径边坡雷达大气扰动校正系统。如图2所示，所述系统包括处理器1和存储器3，所述存储器3存储有计算机程序指令，当所述计算机程序指令被所述处理器1执行时实现根据本发明第一方面所述的一种地基合成孔径边坡雷达大气扰动校正方法。

[0061] 所述系统还包括通信总线2和通信接口4等本领域技术人员熟知的其他组件，其设置和功能为本领域中已知，因此在此不再赘述。

[0062] 在本发明中，前述的存储器3可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。例如，计算机可读存储介质可以是任何适当的磁存储介质或者磁光存储介质，比如，阻变式存储器RRAM（Resistive Random Access Memory）、动态随机存取存储器DRAM（Dynamic Random Access Memory）、静态随机存取存储器SRAM（Static Random‑Access Memory）、增强动态随机存取存储器EDRAM（Enhanced Dynamic Random Access Memory）、高带宽内存HBM（High‑Bandwidth Memory）、混合存储立方HMC（Hybrid Memory Cube）等等，或者可以用于存储所需信息并且可以由应用程序、模块或两者访问的任何其他介质。任何这样的计算机存储介质可以是设备的一部分或可访问或可连接到设备。本发明描述的任何应用或模块可以使用可以由这样的计算机可读介质存储或以其他方式保持的计算机可读/可执行指令来实现。

[0063] 在本说明书的描述中，“多个”、“若干个”的含义是至少两个，例如两个，三个或更多个等，除非另有明确具体的限定。

[0064] 以上所述实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。

[0065] 以上所述实施例仅表达了本发明的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对申请专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形和改进，这些都属于本发明的保护范围。