相位梯度率约束最小成本流:一种适用于大变形梯度滑坡的鲁棒反包卷方法
《ISPRS JOURNAL OF PHOTOGRAMMETRY AND REMOTE SENSING》:Phase gradient rate constrained minimum cost flow: A robust unwrapping method for landslides with large deformation gradients
【字体:
大
中
小
】
时间:2025年12月31日
来源:ISPRS JOURNAL OF PHOTOGRAMMETRY AND REMOTE SENSING 12.2
编辑推荐:
冯晓松|魏连欢|任旭|赵超英|敖萌|王妍|罗佳琳|克里斯蒂安·比尼亚米
中国沈阳东北大学资源与民用工程学院,邮编110819
**摘要**
相位解包(Phase Unwrapping, PU)是合成孔径雷达干涉测量(Synthetic Aperture Radar
冯晓松|魏连欢|任旭|赵超英|敖萌|王妍|罗佳琳|克里斯蒂安·比尼亚米
中国沈阳东北大学资源与民用工程学院,邮编110819
**摘要**
相位解包(Phase Unwrapping, PU)是合成孔径雷达干涉测量(Synthetic Aperture Radar Interferometry, InSAR)技术中的关键步骤,其准确性直接决定了变形估计的精度。尽管InSAR被广泛使用,但许多现有的相位解包方法,如最小成本流(Minimum Cost Flow, MCF)、Snaphu以及最近开发的深度学习模型,在面对较大变形梯度时难以保持高精度。为了解决这一问题,本研究提出了一种基于相位梯度率限制的最小成本流(Phase Gradient Rate Constrained Minimum Cost Flow, PGR-MCF)方法。该方法利用通过叠加和融合时间序列差异干涉图计算得到的相位梯度率(Phase Gradient Rate, PGR),来约束MCF解包过程中弧线的权重分配。通过优化解包路径以优先处理低梯度区域,PGR-MCF方法显著提高了高梯度区域的解包精度。在模拟实验中,PGR-MCF方法正确解包了大变形区域内99.5%的像素。在应用于贵州滑坡的案例中,与其他测试方法相比,PGR-MCF方法将InSAR与全球导航卫星系统(Global Navigation Satellite System, GNSS)变形时间序列之间的均方根误差(Root Mean Square Error, RMSE)降低了69%以上。该方法不需要外部数据集或先验模型,确保了其广泛的适用性。此外,它能够可靠地解包具有较大时空基线距离的干涉图,从而增加了可用于时间序列变形反演的可靠解包干涉图的数量,并提高了变形监测的准确性。此外,它已被证明是一种有效的相位解包方法,适用于具有较大变形梯度的区域。
**引言**
合成孔径雷达干涉测量(InSAR)技术利用在不同时间获取的SAR图像的干涉相位来估计地形和表面变形(Dai等人,2023年;Gabriel等人,1989年)。自20世纪70年代以来,InSAR已被广泛应用于地形测绘和变形监测(Ao等人,2024年;Berardino等人,2003年;Wang等人,2021年)。其应用的不断扩大对更加精确的数据处理提出了更高的要求(Wang等人,2024年;Zhang等人,2024a)。在InSAR的多个处理步骤中,相位解包(Phase Unwrapping, PU)是最关键的步骤之一,它直接决定了最终变形估计的准确性(Jiang等人,2021年;Michaelides等人,2019年;Zhang等人,2021年)。具体来说,相位解包方法试图通过向包裹相位添加适当的2π的整数倍来恢复绝对相位(Chen等人,2024年)。到目前为止,二维相位解包方法大致可以分为三类:路径跟踪方法(Path- seguinting methods)、基于Lp范数优化的方法(Lp-norm optimization-based methods)和基于深度学习的方法(Deep learning-based approaches)(Wu等人,2021年;Yu等人,2019年)。
路径跟踪方法,如分支剪裁(Branch-Cut)或质量图引导(Quality Map-Guided)方法,通过选择可靠的积分路径来操作(Goldstein等人,1988年;Yu等人,2019年)。例如,Goldstein提出的分支剪裁方法通过切割残差点之间的分支来平衡它们的极性。通过限制解包路径不穿过这些切割点,该方法确保了路径独立的解(Goldstein等人,1988年)。相比之下,质量图引导方法通过使用基于相位梯度(Phase Gradients, PGs)、相干性(Coherence)或信噪比(Signal-to-Noise Ratio, SNRs)等指标绘制的地图来优先选择解包路径(Su和Chen,2004年)。然而,这些路径跟踪方法的一个主要局限性是它们对噪声的敏感性,因为任何解包误差都可能沿着积分路径传播,从而影响整体精度。
基于LP范数优化的相位解包方法使用不同的目标函数来最小化解包后的PG与包裹相位(Wrapped Phase, PG)之间的差异(Chen和Zebker,2000年;Dias和Leitao,2002年;Yamaki和Hirose,2007年)。其数学模型如下(Yu等人,2019年):
\[ \min\sum_{i,i+1} \|\psi_i - \psi_{i-1} - \Delta^{\prime}_{i,i-1}\| \]
其中 \(\Delta^{\prime}_{i,i-1}\) 表示像素 \(i\) 和 \(i-1\) 之间的包裹相位,\(\min(\cdot)\) 表示最小化操作,\(\psi_i\) 表示第 \(i\) 个像素的未知解包相位。当 \(P=0\) 时,LP范数优化问题是一个NP难问题。当 \(0 < P < 1\) 时,LP范数优化问题变为一个不规则优化问题。目前,如果不牺牲最优性,解决这两种优化问题是不可行的(Rader,2010年;Yu等人,2019年)。当 \(P=2\) 时,LP范数优化算法对应于最小二乘法(Least Squares, LS)(Hung和Yamada,1998年)。在相位质量低且噪声高的区域,LS方法的相位解包误差会传播到整个干涉图。当 \(P=1\) 时,LP范数优化方法对应于常用的最小成本流(MCF)方法(Costantini,1998年)。L1范数的重点是“稀疏性”,旨在最小化非零校正的数量。这种稀疏性有助于定位相位解包误差并防止它们全局传播。与其他LP范数方法相比,L1范数优化通常会产生更准确的相位解包结果(Costantini,1998年;Ghiglia和Romero,1996年)。
近年来,深度学习模型通过从大型数据集中学习复杂模式,为相位解包提供了新的可能性。这些算法可以同时利用训练数据中的空间和时间信息,提供更大的灵活性和更精细的解包性能(Mu等人,2023年;Spoorthi等人,2018年)。例如,具有空间四向长短期记忆(Convolutional Neural Network with Spatial Quad-Directional Long Short-Term Memory, CNN-SQD-LSTM)的卷积神经网络将空间四向LSTM模块集成到卷积神经网络中,通过有效捕捉不同区域间的全局空间依赖性,即使在严重噪声条件下也能实现准确的相位恢复(Perera和De Silva,2021年)。相位解包网络(Phase Unwrapping Network, PUNet)在解包快速采矿引起的变形干涉图方面表现出色,通过构建包裹相位和解包相位之间的直接像素到像素映射,利用深度残差学习和扩张卷积来增强抗噪声能力并保留细尺度变形特征(Wu等人,2021年)。然而,深度学习模型的性能在很大程度上取决于训练数据的质量和多样性。如果训练数据有偏见或不足,深度学习模型的性能可能会受到影响。此外,基于深度学习的相位解包模型在面对新的或未见的数据时通常会遇到泛化挑战,导致解包结果不理想(Zhu等人,2021年)。这可能是基于深度学习的相位解包模型尚未被广泛采用的原因之一。
得益于其在效率和准确性之间的平衡能力,基于L1范数的MCF算法已成为几种商业InSAR软件中集成的一种主流相位解包方法。MCF方法依赖于Itoh条件(相位连续性假设),即任意两个相邻像素之间的绝对相位差小于π(Itoh,1982年)。然而,在现实世界场景中,SAR卫星的有限空间分辨率加上某些区域的大表面变形梯度往往导致Itoh条件失效。在这种情况下,MCF方法在通过具有较大PG变化的区域时无法准确恢复绝对相位,从而导致相位解包误差。为了解决上述问题,本研究提出了一种新的相位解包方法,称为基于相位梯度率限制的MCF(PGR-MCF),该方法受到PG对MCF解包影响的分析启发。在提出的方法中,首先使用预定义的相干性阈值选择高相干性点并将它们连接成Delaunay三角网。然后通过叠加计算包裹相位的相位梯度率(PGR),以减少随机噪声。接着,使用PGR来指导解包路径,避免通过高梯度区域,对于超过预设PGR阈值的区域给予零权重。为了评估所提出的PGR-MCF方法的性能,使用Guobu滑坡的模拟数据和Sentinel-1数据,将提出的PGR-MCF方法与现有的相位解包方法(如MCF、Snaphu以及基于深度学习的模型,例如CNN-SQD-LSTM和PUNet)进行了比较实验。结果表明,PGR-MCF方法能够有效恢复绝对相位值,显著提高了相位解包的精度。
**实验部分**
**MCF方法**
基于网络流的解包方法假设相邻像素的包裹相位和解包相位之间存在相位导数 \(2k\pi\)(\(k \in \mathbb{Z}\)(Yu等人,2019年)。因此,相位解包问题可以转化为计算网络流最小成本的问题。MCF方法在最不规则三角网中最小化解包相位和包裹相位之间的离散偏导数差异,寻求全局最优解(Pepe等人)。
**模拟实验**
为了分析PGR-MCF方法在不同变形模式下的性能,我们模拟了三个不同的表面变形场,每个变形场的最大变形速率为30 cm/a,但空间几何形状不同(图3)。
- **变形场1**:变形率从外围的0 cm/a径向增加到中心的30 cm/a,变形区域与周围稳定区域没有明显的边界分隔。
- **变形场2**:以...为特征的变形场...
**真实数据实验**
为了进一步验证PGR-MCF方法在具有大表面变形梯度区域中的适用性和优越性,对Guobu滑坡进行了PGR-MCF与其他相位解包方法的比较分析。Guobu滑坡是一个典型的活动库岸坡,位于Laxiwa水电站上游500米处(见图11(a))。自Laxiwa水电站建成后,滑坡体持续向水库方向移动(Li等人...)
**PGR-MCF方法的创新和应用场景**
在本研究中,我们提出了PGR-MCF方法来指导解包路径从低梯度区域进入变形场,避免在具有大变形梯度的区域产生相位解包误差。与通常依赖单个干涉图的PG信息的传统MCF方法不同,PGR-MCF方法通过叠加和融合来利用PGRs来减少噪声,并识别变形不连续性并指导解包路径绕过这些不连续性,从而提供了更强的适应性。
**结论**
相位解包(Phase Unwrapping, PU)是InSAR技术中的关键步骤,直接影响变形估计的准确性。传统的最小成本流(Minimum Cost Flow, MCF)方法在解包具有大变形梯度的区域时面临挑战,导致估计变形的准确性降低。为了解决这个问题,我们提出了基于相位梯度率限制的最小成本流(Phase Gradient Rate Constrained Minimum Cost Flow, PGR-MCF)方法,它不仅克服了传统MCF的大梯度限制,而且还...
**作者贡献声明**
冯晓松:撰写——原始草稿、可视化、方法论。
魏连欢:撰写——审阅与编辑、资金获取、概念化。
任旭:可视化、方法论。
赵超英:资源、方法论。
敖萌:方法论、资金获取。
王妍:撰写——审阅与编辑。
罗佳琳:撰写——审阅与编辑。
克里斯蒂安·比尼亚米:撰写——审阅与编辑。
**利益冲突声明**
作者声明他们没有已知的财务利益关系或个人关系可能影响本文报道的工作。
**致谢**
本研究得到了中国国家自然科学基金(项目编号42071453 & 52304168)、辽宁省国际科技合作计划(项目编号2025JH2/101900047)、海南省科技专项资金(项目编号ZDYF2024GXJS289和ZDYF2025GXJS173)、海南省自然科学基金(项目编号423RC550)以及Dragon 6项目(项目编号95348)的财政支持。Sentinel-1数据...
生物通微信公众号
生物通新浪微博
今日动态 |
人才市场 |
新技术专栏 |
中国科学人 |
云展台 |
BioHot |
云讲堂直播 |
会展中心 |
特价专栏 |
技术快讯 |
免费试用
版权所有 生物通
Copyright© eBiotrade.com, All Rights Reserved
联系信箱:
粤ICP备09063491号