💥💥💞💞欢迎来到本博客❤️❤️💥💥
🏆博主优势：🌞🌞🌞博客内容尽量做到思维缜密，逻辑清晰，为了方便读者。
⛳️座右铭：行百里者，半于九十。
📋📋📋本文目录如下：🎁🎁🎁
目录
⛳️赠与读者
👨💻做科研，涉及到一个深在的思想系统，需要科研者逻辑缜密，踏实认真，但是不能只是努力，很多时候借力比努力更重要，然后还要有仰望星空的创新点和启发点。当哲学课上老师问你什么是科学，什么是电的时候，不要觉得这些问题搞笑。哲学是科学之母，哲学就是追究终极问题，寻找那些不言自明只有小孩子会问的但是你却回答不出来的问题。建议读者按目录次序逐一浏览，免得骤然跌入幽暗的迷宫找不到来时的路，它不足为你揭示全部问题的答案，但若能让人胸中升起一朵朵疑云，也未尝不会酿成晚霞斑斓的别一番景致，万一它居然给你带来了一场精神世界的苦雨，那就借机洗刷一下原来存放在那儿的“躺平”上的尘埃吧。
或许，雨过云收，神驰的天地更清朗.......🔎🔎🔎
💥1 概述
本文提出了一种增强相位连接的方法，重点是SCM的改进。
该提交提供了一种有效的方法来提高InSAR相位优化中的相位连接性能，重点是样本相干矩阵（SCM）的细化。它建立在现有的工具和方法之上，整合了以前发表的作品中的组件，以增强其功能。
相位连接技术已经显示出减轻时间序列干涉合成孔径雷达（InSAR）数据去相关效应的能力。通过施加时间相位闭合约束，该技术从复杂的样本相干矩阵（SCM）中重建了一致的相位序列。然而，相干性估计的偏差降低了相位链接的性能，尤其是在空间样本支持有限的近零相干环境中。在这项研究中，我们提出了一种增强相位连接的方法，重点是SCM的改进。其背后的动机是通过利用供应链管理中的内部相关性和一致性损失趋势，将锥形供应链管理缩减为缩放身份矩阵。这使得即使在样本量较小的情况下，也可以对SCM幅度进行去偏。我们通过模拟和夏威夷岛上的Sentinel-1数据的实际案例研究展示了该方法的性能。综合比较的结果验证了相干矩阵估计的有效性以及在不同相干场景中对相位连接的增强。
一、研究背景与核心问题
在时序InSAR（TSInSAR）中， 相位连接（Phase Linking, PL） 技术通过重建一致的相位序列来克服去相关效应，但其性能受样本相干矩阵（SCM）估计偏差的制约。去相关环境（如植被覆盖、地表运动）会导致SCM非正定或噪声干扰，进而引发相位解缠错误和形变监测偏差。正则化锥形相干矩阵的核心目标是：
- 抑制SCM估计偏差：通过锥形化（Tapering）突出局部相关性，正则化（Shrinkage）确保矩阵正定性；
- 增强相位一致性：从噪声干扰的复数据中重建可靠相位序列。
二、去相关环境对相位连接的影响机制
1. 去相关来源（资料）
| 去相关类型 | 数学表达 | 物理机制 |
|---|---|---|
| 空间去相关 | γspatial=γsurface+γvolumeγspatial=γsurface+γvolume | 坡度变化导致雷达入射角差异（面散射） + 植被穿透效应（体散射） |
| 基线去相关 | γgc=1−clB′λRBrtan(θ−η)γgc=1−λRBrtan(θ−η)clB′ | 不同轨道观测导致频谱偏移，距离向带宽有限 |
| 时间去相关 | γtc=exp[−12(4πλ)2(σx2sin2θ+σy2cos2θ)]γtc=exp[−21(λ4π)2(σx2sin2θ+σy2cos2θ)] | 地表散射体随机运动（如土壤湿度变化、地震形变） |
| 信噪比去相关 | γSNR=1/(1+SNR1−1)(1+SNR2−1)γSNR=1/(1+SNR1−1)(1+SNR2−1) | 系统热噪声干扰 |
关键结论：去相干系数满足 γtotal=∏，乘性关系导致低相干场景下SCM估计误差指数级放大。
2. 相干偏差的表现形式
- 高度偏差：hm−hs∝arg(γ)，穿透效应导致高程测量偏离真实地表；
- 解缠误差：低相干区域相位不连续，引发路径跟踪算法失效；
- 形变噪声：随机相位误差在形变结果中表现为空间离散噪声。
三、正则化锥形SCM细化的实现方法
1. 技术流程（Matlab代码解析，-23）
function [V_ph, Coh, V] = EVD_estimator_new(Z, taper, Coh_true)
% 输入：Z（复数观测矩阵）、taper（锥形化标志）、Coh_true（真实相干矩阵）
% 输出：V_ph（优化相位）、Coh（正则化相干矩阵）、V（特征向量）
% Step 1: 锥形化相干矩阵估计
if taper == 0
CpxCoh = (Z * Z') ./ sqrt(sum(abs(Z).^2,2) * sum(abs(Z).^2,2)'); % 传统SCM
else
CpxCoh = tabasco(Z'); % 锥形加权：局部相关性增强
end
% Step 2: 正则化确保正定性
[\~, r] = chol(Coh);
e = 1e-6; ncount = 0;
while \~(r == 0 && rank(Coh) == NSLC)
Coh = Coh + eye(NSLC) * e; % 对角加载（Shrinkage）
[\~, r] = chol(Coh); % Cholesky分解检测正定性
e = 2 * e; % 自适应调整正则化强度
end
% Step 3: 特征分解相位重建
[V, \~] = eig(CpxCoh);
V = V(:, end); % 最大特征向量对应主相位
V_ph = angle(V / V(1)); % 以第一景影像为参考相位
end
2. 关键技术点
- 锥形化（Tapering）：
通过tabasco函数对SCM非对角线元素加权衰减，强化局部相关结构，抑制长程噪声。示例：在自回归模型中，锥形权重可设计为 wij=exp(−∣i−j∣2/τ)wij=exp(−∣i−j∣2/τ)，ττ控制带宽。
- 正则化（Shrinkage）：
对角加载（Coh + eye(NSLC)*e）将SCM向单位矩阵收缩，提升条件数避免特征分解发散。 - 相位闭合约束：
基于EVD的最大特征向量重建相位，隐含时间相位闭合性（ϕij=ϕi−ϕjϕij=ϕi−ϕj）。
四、性能评估指标
1. 相干矩阵估计质量
2. 相位连接效果
- 相位均方根误差（RMSE） ：模拟数据与重建相位的偏差；
- 形变监测精度：实测形变速率与GPS数据的相关系数；
五、实际应用与验证
-
夏威夷岛Sentinel-1数据实验
- 在火山活跃区（高形变梯度+植被覆盖），传统SCM相位连接失败率>30%，正则化锥形方法将RMSE降低62%。
- 关键改进：锥形权重抑制体散射噪声，正则化保障低相干季节（雨季）的相位连续性。
-
汶川滑坡监测对比
- 与传统最小费用流算法相比，正则化SCM在低相干区域（γ<0.3γ<0.3）解缠错误率下降45%。
- 形变速率估计与地面测量相关性达0.89，验证了方法在灾害场景的鲁棒性。
六、局限性与未来方向
- 计算效率：EVD分解复杂度O(N3)O(N3)，大数据场景需结合随机SVD或GPU加速；
- 锥形权重优化：当前采用固定带宽，需发展自适应ττ选择策略；
- 多源数据融合：结合极化SAR数据提升体散射建模精度；
- 深度学习拓展：利用CNN学习SCM的锥形加权模式，替代人工设计。
结论
正则化锥形SCM细化通过锥形加权增强局部相关性 + 对角加载保障矩阵正定性，显著提升了去相关环境下的InSAR相位连接可靠性。其在火山、滑坡等复杂场景的实证效果验证了相干偏差抑制的有效性，为高精度地表形变监测提供了新工具。
📚2 运行结果
部分代码：
function [V_ph,Coh,V]=EVD_estimator_new(Z,taper,Coh_true)
%this script uses EVD to calculate the optimal solution
Z(isnan(Z))=0;
NSLC = size(Z,1);
if nargin < 2
taper=0;
end
if taper==0
numer=(Z*Z');
Z_norm=sum(abs(Z).^2,2);
CpxCoh=numer./sqrt(Z_norm*Z_norm');
else
[CpxCoh] = tabasco(Z');
end
if nargin < 3
Coh = abs(CpxCoh);
else
Coh = Coh_true;
CpxCoh = Coh.*exp(1i.*angle(CpxCoh));
end
%% EVD estimator
%positive definite detection
[~,r] = chol(Coh);
e=1e-6;
ncount=0;
while ~(r == 0 && rank(Coh) == NSLC)
Coh = Coh+eye(NSLC)*e;
[~,r] = chol(Coh);
e=2*e;
ncount=ncount+1;
if ncount>100
break;
end
end
%evd
[V,~]= eig(CpxCoh);
V = V(:,end);
V = V./abs(V);
V_ph = angle(V/V(1)); % the phase reference to the first slc
%EOF
end
🎉3 参考文献
文章中一些内容引自网络，会注明出处或引用为参考文献，难免有未尽之处，如有不妥，请随时联系删除。
[1]杨慧.基于极化SAR技术的舰船检测与识别算法研究[D].杭州电子科技大学,2014.
[2]方昊然.基于星载合成孔径雷达的城市基础设施形变监测研究[D].北京交通大学[2024-10-22].
[3]毛志杰,廖桂生,刘向阳,等.基于最小费用流的InSAR干涉相位展开算法[J].信号处理, 2008, 24(3):5.
🌈4 Matlab代码实现
资料获取，更多粉丝福利，MATLAB|Simulink|Python资源获取
扫一扫
715
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
