基于區(qū)域識(shí)別和區(qū)域擴(kuò)展的相位解纏算法

畢海霞 魏志強(qiáng)

（1.西安電子工程研究所，陜西 西安710100；2.西安交通大學(xué)信息與系統(tǒng)科學(xué)研究所，陜西 西安710149）

引 言

干涉合成孔徑雷達(dá)（Interferometric Synthetic Aperture Radar，InSAR）技術(shù)是當(dāng)前空間對(duì)地觀測(cè)領(lǐng)域的研究熱點(diǎn)，它通過(guò)兩部天線或者重復(fù)軌道觀測(cè)獲得同一地區(qū)的影像.多景圖像經(jīng)過(guò)濾波、配準(zhǔn)、干涉、去平地效應(yīng)、解纏和地理編碼等處理后，可反演出地面的三維數(shù)字高程圖（Digital Elevation Models，DEM）或地表形變［1］，其中，相位解纏是InSAR處理的關(guān)鍵.

目前，相位解纏算法主要有路徑跟蹤算法和最小范數(shù)法［2-14］.枝切法［3］是典型的路徑跟蹤法，通過(guò)識(shí)別殘差點(diǎn)并在它們之間建立分割路徑，避免局部的誤差傳播到整個(gè)圖像中去.該方法運(yùn)算速度快，但對(duì)低相干區(qū)域易造成誤差傳播.質(zhì)量指導(dǎo)法屬于路徑跟蹤算法［4-5］，它以相干系數(shù)為指導(dǎo)，選擇像素作為生長(zhǎng)種子和待解纏像素，由種子的鄰域像素逐步擴(kuò)展到低相干的像素，對(duì)相干性過(guò)低的區(qū)域不做解纏.該方法具有解纏精度較高的優(yōu)點(diǎn)，但它不判斷種子像素的分布、不回避相位非連續(xù)像素，在低相干區(qū)域會(huì)引入累積的相位誤差.此外，其他解纏算法也均有一定的針對(duì)性或局限性.最小范數(shù)法［6-7］以纏繞相位的梯度與解纏相位的梯度之間差最小為標(biāo)準(zhǔn)，建立相應(yīng)的數(shù)學(xué)模型，以使得解纏后的相位接近于真實(shí)的相位.根據(jù)實(shí)際解纏的對(duì)象，選取不同的范數(shù)和纏繞相位梯度的權(quán)重等效于各種最小二乘相位解纏方法.該方法解纏精度高，整體相位誤差小，但由于每個(gè)像素的解纏相位都是擬合值，不是真實(shí)值，對(duì)相干性差異較大的圖像，容易造成局部區(qū)域的相位整體偏移.

實(shí)際的SAR圖像中往往存在著多個(gè)相干性不同的特征區(qū)域，興趣區(qū)域是整幅圖像中的局部.例如，在被低相干的水域或植被環(huán)繞的混合區(qū)域，它們通過(guò)狹長(zhǎng)地帶（如橋梁、堤壩等）與其他區(qū)域相連.相位解纏中低相干區(qū)域的誤差容易在整個(gè)圖像中傳播.為此，本文介紹了一種基于區(qū)域識(shí)別和區(qū)域擴(kuò)展的解纏算法，該方法能夠有效限制低相干區(qū)域的誤差傳播，提高相位解纏的精度.實(shí)驗(yàn)數(shù)據(jù)為日本對(duì)地觀測(cè)衛(wèi)星裝載的相控陣L波段合成孔徑雷達(dá)（Phased Array L-band Synthetic Aperture Radar，PALSAR）圖像，選擇香港大嶼山附近區(qū)域?yàn)閷?shí)驗(yàn)區(qū)域.首先，選取相同實(shí)驗(yàn)區(qū)域的光學(xué)圖像，根據(jù)其光譜特征進(jìn)行分類，以分離出低相干區(qū)域的光學(xué)圖像作為分類模版對(duì)干涉圖像進(jìn)行掩模.然后，針對(duì)掩模低相干區(qū)域后的干涉圖像，以高相干區(qū)域的像素作為種子向低相干區(qū)域進(jìn)行鄰域擴(kuò)展解纏.最后，由已解纏的鄰域像素確定低相干像素的模糊數(shù)，迭代檢驗(yàn)，最終確定其解纏相位.為了進(jìn)一步證明區(qū)域識(shí)別與擴(kuò)展方法相對(duì)于質(zhì)量指導(dǎo)區(qū)域生長(zhǎng)法的優(yōu)越性，選擇伊朗Bam地區(qū)為實(shí)驗(yàn)區(qū)域，使用歐空局環(huán)境衛(wèi)星裝載的高級(jí)合成孔徑雷達(dá)（Advanced Synthetic Aperture Radar，ASAR）數(shù)據(jù)進(jìn)行比較，實(shí)驗(yàn)結(jié)果與比較證明了本文方法在解纏精度上的優(yōu)越性.

1 相位解纏算法

1.1 區(qū)域識(shí)別方法

實(shí)驗(yàn)PALSAR圖像包括香港大嶼山島嶼和附近的海區(qū).其中陸地區(qū)域是目標(biāo)區(qū)域，海區(qū)是低相干區(qū)域.為避免海區(qū)的誤差對(duì)研究區(qū)域的干擾，在干涉處理前先從InSAR圖像中識(shí)別出興趣區(qū)域.區(qū)域識(shí)別方法融合可見(jiàn)光圖像（來(lái)自Google Earth數(shù)據(jù)庫(kù)），對(duì)可見(jiàn)光圖像進(jìn)行監(jiān)督分類，從中分離出低相干的海區(qū)，再以可見(jiàn)光圖像對(duì)InSAR圖像掩模，分離出InSAR圖像中的海區(qū).

監(jiān)督分類方法以實(shí)際地物類別的先驗(yàn)知識(shí)為基礎(chǔ)，根據(jù)每一類別的圖像特征進(jìn)行分類處理及判別函數(shù)計(jì)算.采用最大似然監(jiān)督分類算法對(duì)可見(jiàn)光圖像進(jìn)行分類［15］，步驟如下：

1）在可見(jiàn)光圖像上截取與InSAR圖像大致相同的區(qū)域.以InSAR圖像為主圖像，可見(jiàn)光圖像為輔圖像，對(duì)可見(jiàn)光圖像進(jìn)行插值，配準(zhǔn)到SAR圖像.

2）分別在海區(qū)、山區(qū)和城區(qū)中選定多個(gè)典型區(qū)域作為監(jiān)督分類的先驗(yàn)樣本，如圖1（a）所示.所選區(qū)域的大小和數(shù)量由特征區(qū)域的分布和光譜復(fù)雜性決定.Google Earth的光學(xué)圖像由多幅不同光學(xué)性質(zhì)的圖像拼合而成，且每幅圖像中的海區(qū)、植被覆蓋區(qū)和城區(qū)等區(qū)域的光學(xué)性質(zhì)也不同，所以，需選擇多個(gè)具有代表特征的區(qū)域作為先驗(yàn)樣本，并求其先驗(yàn)概率.

3）以光學(xué)圖像中每個(gè)像素作為訓(xùn)練樣本進(jìn)行計(jì)算，進(jìn)行統(tǒng)計(jì)意義上的歸類.以像元間的光譜距離作為分類的依據(jù)，采用歐氏距離作為判別函數(shù)，對(duì)于每個(gè)訓(xùn)練樣本進(jìn)行以下計(jì)算：

①計(jì)算各先驗(yàn)樣本R、G、B三個(gè)通道的中位數(shù)（Rm，Gm，Bm）作為類中心.

②計(jì)算各先驗(yàn)樣本區(qū)域內(nèi)像素（Ri，Gi，Bi）到其各自類中心三個(gè)通道的歐氏距離Di

③計(jì)算樣本區(qū)域像素歐氏距離的標(biāo)準(zhǔn)差σ

4）計(jì)算整個(gè)光學(xué)圖像像素到各個(gè)樣本區(qū)域中位數(shù)的歐氏距離di，若其標(biāo)準(zhǔn)差小于預(yù)先設(shè)定基于標(biāo)準(zhǔn)差的閾值，則被認(rèn)為屬于這一允許歸類區(qū).

式中：A為閾值和標(biāo)準(zhǔn)差的倍數(shù)；置信概率σ可由歸一化概率分布函數(shù)的反函數(shù)計(jì)算得到.訓(xùn)練過(guò)程中，由小到大逐步調(diào)整，將滿足條件的像素初次歸類于各自的允許分類區(qū).

5）對(duì)少量剩余“模糊像素”，采用Bayes判斷準(zhǔn)則進(jìn)行統(tǒng)計(jì)意義上的二次歸類，即

式中：P（i）為類別的先驗(yàn)樣本概率；P（X／i）為訓(xùn)練樣本的似然概率，表示像素X在第i類中出現(xiàn)的概率.如果式（4）成立，則像素X屬于類別i.設(shè)可見(jiàn)光圖像像素為正態(tài)分布，根據(jù)Bayes判別規(guī)則將可見(jiàn)光圖像上各個(gè)像素歸屬概率最大的類.

按上述步驟，反復(fù)迭代運(yùn)算可分類出光學(xué)圖像中的海區(qū)、植被覆蓋區(qū)和城區(qū)等區(qū)域.針對(duì)研究對(duì)象，從圖像中分離出海區(qū)，保留陸地區(qū)域進(jìn)行下一步處理，如圖1（b）所示.

1.2 區(qū)域擴(kuò)展相位解纏算法

圖像中的區(qū)域擴(kuò)展處理是將成組的像素或區(qū)域發(fā)展成更大區(qū)域的過(guò)程.從種子點(diǎn)集合開(kāi)始，按照一定的擴(kuò)展規(guī)則，將符合條件的相鄰像素合并到該區(qū)域，直到處理完所有相鄰像素.InSAR圖像中的相位解纏可采用區(qū)域擴(kuò)展的策略［4-5］，干涉圖像的相位解纏過(guò)程可視為由“纏繞相位”的像素逐步擴(kuò)展為“解纏相位”的像素過(guò)程.

區(qū)域擴(kuò)展相位解纏方法的關(guān)鍵步驟是種子的選取、待解纏像素的解纏次序和相位估算.本解纏方法選取一系列高相干的像素作為生長(zhǎng)“種子”，按照相干性和鄰域已解纏像素的“影響力”的原則選擇和估算待解纏像素的相位.由已解纏的像素向其鄰域未解纏的像素逐步增長(zhǎng)，最終實(shí)現(xiàn)干涉圖像相位的整體解纏.算法步驟如下：

1）選取種子.設(shè)定閾值，選擇均勻分布的相干系數(shù)較高的多個(gè)像素作為生長(zhǎng)種子.

圖1 融合光學(xué)影像識(shí)別興趣區(qū)域

2）解纏次序.解纏像素順序不同會(huì)引起解纏結(jié)果的不同，通常由可靠性高的像素向可靠性低的方向擴(kuò)展.與種子像素相鄰的像素為待解纏像素，從中選擇相干系數(shù)最高的和受到周圍像素“影響力”最大的像素進(jìn)行解纏.逐次降低閾值（選取迭代步長(zhǎng)為0.05），相鄰像素中可能會(huì)有多個(gè)像素符合條件，因此，從中選擇與受到已解纏相鄰像素“影響力”最大的像素作為待解纏像素.然后將已解纏的像素歸為種子像素集合，更新待解纏像素集合.從每個(gè)種子同時(shí)進(jìn)行，解纏區(qū)域由其相鄰像素逐步向外擴(kuò)展，直到邊界.

待解纏像素由其24鄰域像素中已解纏的像素的“影響力”決定，其模型要素如下：

①距離近的已解纏像素“影響力”強(qiáng).8鄰域已解纏像素（圖中網(wǎng)格單元）的“影響力”大于其16鄰域已解纏像素（圖中斜線單元）的“影響力”，如圖2（a）所示，圖中間的黑色像素表示待解纏像素.

②相位的線性分布強(qiáng)于非線性分布.在已解纏的24鄰域像素中，與待解纏像素在同一方向上的像素組（如圖2（b）中箭頭方向上兩像素）對(duì)待解纏像素的“影響力”大于其他方向上的像素組.絕大多數(shù)相鄰的已解纏像素的相位在統(tǒng)計(jì)意義上是連續(xù)分布的，即已解纏像素的相位梯度場(chǎng)是連續(xù)的.

圖2 已解纏像素對(duì)待解纏像素的“影響力”模型

③“影響力”估算.利用矩陣運(yùn)算求得待解纏像素的“影響力”，將待解纏像素和其24鄰域像素看作5×5的矩陣P5×5或8鄰域像素視為3×3的矩陣P3×3，P中已解纏元素的值為“1”，未解纏像素的值為“0”.設(shè)定“影響力”權(quán)重系數(shù)，以距離矩陣R5×5、R3×3和相位梯度矩陣G3×3表示.

計(jì)算圖2（c）所示的已解纏像素對(duì)待解纏像素的“影響力”，黑色像素和其他白色空白像素為未解纏像素，網(wǎng)格像素和斜線像素均為已解纏像素.分別設(shè)24鄰域像素中的16鄰域像素、8鄰域像素和梯度場(chǎng)的個(gè)數(shù)分別為N1，N2和N3，歸一化的影響權(quán)重分別為ω1，ω2，ω3，且有ω1＜ω2＜ω3.待解纏像素受到24鄰域中已解纏像素的“影響力”如下計(jì)算

式中，｜［］·［］｜表示兩矩陣的分素乘積的模.影響力取決于ω1，ω2，ω3的取值和已解纏像素的數(shù)量.設(shè)定其數(shù)值分別為1／6，1／3，1／2.圖中待解纏的像素受到鄰域像素的“影響力”為19／6，高于圖中其他已解纏像素的鄰域像素，所以，圖2（c）中黑色像素為待解纏像素.

3）待解纏像素的相位估算.相位解纏的數(shù)學(xué)過(guò)程實(shí)際是估算像素相位的整數(shù)倍周期數(shù)值，即模糊數(shù)m.定義未解纏像素的纏繞相位φwrapped和其解纏像素的解纏相位φunwrapped的模糊數(shù)為

式中，round（x）為取整函數(shù)，即求與x最鄰近的整數(shù).

待解纏相位的預(yù)測(cè)值由24鄰域中已解纏像素相位的“影響力”決定.定義待解纏像素24鄰域和8鄰域中已解纏像素的相位矩陣分別為Hp5×5和HP3×3，矩陣每個(gè)元素為已解纏像素的相位值，未解纏像素的相位設(shè)為零.

初步估算的模糊數(shù)為

所估算的解纏相位為

4）對(duì)估算的解纏相位進(jìn)行迭代檢驗(yàn).在單視復(fù)數(shù)InSAR圖像中，在地形漸變的高相干區(qū)域，其相鄰像素間的相位差變化較小.而在地形起伏大或隨機(jī)散射嚴(yán)重的區(qū)域，其相鄰像素間的相位差變化較大，例如，山區(qū)、海洋、植被覆蓋區(qū)和密集城區(qū)等區(qū)域的SAR圖像，其相位容易產(chǎn)生突變.因此，對(duì)解纏像素進(jìn)行迭代檢測(cè)時(shí)，應(yīng)遵循以下規(guī)則：

①解纏后的相位是連續(xù)分布的.解纏過(guò)程中，優(yōu)先檢驗(yàn)相干系數(shù)高、相鄰像素間相位差小的已解纏像素，再逐步向相鄰像素位相差較大的、相干系數(shù)低的像素?cái)U(kuò)展.已解纏像素的相位與每個(gè)8鄰域像素之間的相位差小于一個(gè)周期，所估算的模糊數(shù)與其8鄰域的差不超過(guò)“1”.

②計(jì)算所估算的解纏相位與解纏的預(yù)測(cè)值間的差值為

差值小于指定閾值的解纏結(jié)果為有效的解纏結(jié)果，檢驗(yàn)閾值由小到大逐步增加，逐漸放松閾值，迭代檢驗(yàn).直至檢測(cè)完所有的像素.本文分別取π／4、π／2和π等.③對(duì)低相干區(qū)域不符合條件的像素，待鄰近像素檢驗(yàn)通過(guò)后，重新采用24鄰域像素估算方法估計(jì)該像素的解纏相位值，直到所有像素被檢驗(yàn)通過(guò).

纏繞相位像素在以每個(gè)種子為中心進(jìn)行擴(kuò)展的過(guò)程中，隨著每個(gè)種子所在區(qū)域的擴(kuò)大，兩個(gè)區(qū)域可能會(huì)重合在一起.當(dāng)兩個(gè)種子的增長(zhǎng)區(qū)域超過(guò)3個(gè)像素重合時(shí)，將兩個(gè)區(qū)域融合一起成為一個(gè)新的整體.融合的標(biāo)準(zhǔn)是使得兩個(gè)種子的增長(zhǎng)區(qū)域的模糊數(shù)差最小.

2 實(shí)驗(yàn)結(jié)果與比較

2.1 香港大嶼山的PALSAR數(shù)據(jù)實(shí)驗(yàn)

本文的實(shí)驗(yàn)數(shù)據(jù)為香港大嶼山島附近的PALSAR數(shù)據(jù).大嶼山島通過(guò)橋梁與馬灣島、青衣島、新界相連，如圖1（a）所示.該實(shí)驗(yàn)區(qū)陸地部分由東西走向的山體和香港國(guó)際機(jī)場(chǎng)組成，其干涉相位如圖3（a）所示.下面分別使用本文方法和其他幾種解纏方法對(duì)干涉圖像進(jìn)行解纏，反演試驗(yàn)區(qū)域的DEM，如圖3所示.

圖3 幾種解纏方法的PALSAR數(shù)據(jù)實(shí)驗(yàn)比較

采用枝切法的解纏結(jié)果如圖3（c）所示.海區(qū)噪聲過(guò)大，殘差點(diǎn)過(guò)于密集，造成了累積誤差的突變.在其他低相干區(qū)域，出現(xiàn)了多個(gè)突變高程噪聲值，尤其在機(jī)場(chǎng)中部和左下角，在機(jī)場(chǎng)與大嶼山之間海灣和沿海的青嶼干線附近海區(qū)被反演為與陸地相同的高程值.而右上角由橋梁連接的馬灣島區(qū)域（圖3（c）中圓圈標(biāo)識(shí)區(qū)域）被反演為低于海平面的高程值，橋面區(qū)域也被擴(kuò)大.可見(jiàn)，沒(méi)有經(jīng)過(guò)區(qū)域識(shí)別產(chǎn)生的邊界限制，噪聲不僅影響低相干區(qū)域，也影響到了鄰近的高相干區(qū)域.尤其是通過(guò)狹小區(qū)域（如橋梁）連接的島嶼，在沿橋面向島嶼積分解纏過(guò)程中，可能會(huì)造成整個(gè)區(qū)域的誤差.

最小范數(shù)法反演的DEM如圖3（d）所示.最小范數(shù)法采用整體擬合的方法雖然有很好的解纏視圖效果，但其犧牲了圖像的細(xì)節(jié)，使整體的DEM變得模糊.由于實(shí)驗(yàn)區(qū)域存在大面積海區(qū)和植被覆蓋的山區(qū)等低相干區(qū)域，采用整體擬合的解纏方法易造成部分區(qū)域的DEM被低估，而另一部分區(qū)域被高估，如圖3（d）中被低估的左上角海區(qū)和被高估的右下角區(qū)域，同時(shí)，也造成了鄰近的迪斯尼公園區(qū)域（圖3（d）中右下角圓圈標(biāo)識(shí)區(qū)域）的DEM被高估.

質(zhì)量指導(dǎo)法依賴于干涉圖像的相干性，相干圖像如圖3（b）所示.圖中低相干的區(qū)域（圖中圓圈標(biāo)識(shí)區(qū)域）與海區(qū)將左下角區(qū)域與其他區(qū)域隔離開(kāi)，高相干系數(shù)的像素離散分布于機(jī)場(chǎng)建筑物、沿海道路、城區(qū)等.質(zhì)量指導(dǎo)法自動(dòng)選取相干系數(shù)最高的像素作為生長(zhǎng)種子，對(duì)相干系數(shù)過(guò)低的區(qū)域不進(jìn)行解纏，因此，設(shè)置解纏閾值后，大部分的海區(qū)無(wú)法得到解纏.另外，因相干性的差異過(guò)大，整個(gè)圖像被分割成多個(gè)獨(dú)立解纏的區(qū)域，反演后造成大量的高低錯(cuò)位倒置，圖像無(wú)法進(jìn)行整體處理.

本文方法選取相干系數(shù)大于0.7的像素作為擴(kuò)展種子，從每個(gè)種子開(kāi)始逐步按照相干系數(shù)和“影響力”規(guī)則向外擴(kuò)展解纏，解纏結(jié)果如圖3（e）所示.由于邊界限制，海區(qū)部分沒(méi)有參與解纏，圖中海區(qū)的高程設(shè)為“零”.其他區(qū)域解纏的相位，按照PALSAR參數(shù)反演DEM.本文方法采用限制區(qū)域和由高相干區(qū)域向低相干區(qū)域擴(kuò)展的策略，最大限度地控制了反演誤差的傳播，獲得了較高的反演精度.

將上述實(shí)驗(yàn)結(jié)果與實(shí)驗(yàn)區(qū)域的DEM進(jìn)行比較.該實(shí)驗(yàn)區(qū)域真實(shí)的DEM是由香港規(guī)劃地政局通過(guò)航空攝影立體測(cè)量獲取，分辨率為20m，如圖3（f）所示.為了最大限度地體現(xiàn)各方法在反演陸地區(qū)域的差異，比較區(qū)域選為圖3（b）中方框區(qū)域.將各個(gè)解纏算法反演的陸地區(qū)域的DEM與實(shí)驗(yàn)室區(qū)域的真實(shí)DEM逐點(diǎn)進(jìn)行比較，其相對(duì)誤差如表1所示.可以看出，區(qū)域識(shí)別與擴(kuò)展解纏方法的反演精度高于其他方法.另外，如果選擇整個(gè)圖像中的大嶼山陸地區(qū)域比較，各方法反演的DEM與真實(shí)的DEM相對(duì)誤差將更大.

表1 各種解纏算法反演的相對(duì)準(zhǔn)確率

2.2 Bam地區(qū)的ASAR數(shù)據(jù)實(shí)驗(yàn)

本文方法與質(zhì)量指導(dǎo)法相近，均選取高相干像素作為種子開(kāi)始生長(zhǎng)，解纏像素由高相干區(qū)域向低相干區(qū)域生長(zhǎng).但這兩種方法在待擴(kuò)展鄰域像素的選取、解纏相位的估算和初步解纏像素的檢驗(yàn)均有所不同.質(zhì)量指導(dǎo)方法在低相干區(qū)域易發(fā)生相位躍變和誤差傳播.另外，由于低相干區(qū)域的反演誤差較大，質(zhì)量指導(dǎo)方法對(duì)相干過(guò)低的區(qū)域不進(jìn)行處理，而本文方法采用多次迭代策略，利用24鄰域中已解纏像素的“影響力”估算剩余的低相干像素.

圖4 伊朗Bam地區(qū)ASAR數(shù)據(jù)實(shí)驗(yàn)比較

為了進(jìn)一步比較本文方法與質(zhì)量指導(dǎo)法的優(yōu)劣，本文采用另一組ASAR數(shù)據(jù)進(jìn)行驗(yàn)證，數(shù)據(jù)區(qū)域?yàn)橐晾蔅am城區(qū).Bam為沙漠中的古城，圖像中間和左上角的低相干區(qū)域?yàn)锽am城區(qū)，周邊區(qū)域?yàn)樯衬蜕城?其干涉圖像如圖4（a）所示.其相干系數(shù)圖像如圖4（b）所示，城區(qū)和山脊處的相干系數(shù)較低.分別采用質(zhì)量指導(dǎo)法和本文方法對(duì)其進(jìn)行解纏.質(zhì)量指導(dǎo)法反演的DEM如圖4（c）所示，本文方法反演的DEM如圖4（d）所示.

兩種方法在高相干區(qū)域的解纏結(jié)果是相近的，但在低相干區(qū)域，質(zhì)量指導(dǎo)法出現(xiàn)了相位躍變和誤差累計(jì).其原因是：在待解纏像素的選擇上，質(zhì)量指導(dǎo)法只是根據(jù)相干系數(shù)的大小選擇待解纏像素；而本文方法在選擇待解纏像素時(shí)，不僅考慮了相干系數(shù)，而且考慮了其鄰域已解纏像素的“影響力”.在估算解纏結(jié)果的檢驗(yàn)上，質(zhì)量指導(dǎo)法沒(méi)有考慮相鄰像素的整體連續(xù)性.針對(duì)單純的相干系數(shù)指導(dǎo)的不足，本文方法在種子選取、待解纏像素的選擇和估算等方面做了修正，從而提高了反演精度.

3 結(jié) 論

在InSAR圖像解纏中，研究區(qū)域容易受到其他低相干區(qū)域誤差的影響，而常用的相位解纏方法在限制低相干區(qū)域誤差傳播方面存在不足，為此，本文提出了一種基于“低相干區(qū)域隔離”和“高相干區(qū)域解纏像素?cái)U(kuò)展”的解纏算法.在區(qū)域識(shí)別中，由于光學(xué)圖像分辨率高，且容易獲取，將光學(xué)圖像與SAR圖像融合.根據(jù)光學(xué)圖像上不同區(qū)域光譜特征的差異，識(shí)別出研究區(qū)域，并去除無(wú)關(guān)的低相干區(qū)域，再進(jìn)行InSAR處理.為減少誤差傳播，解纏算法采用了區(qū)域擴(kuò)展方法，由高相干區(qū)域向低相干區(qū)域擴(kuò)展，保障了高相干區(qū)域反演結(jié)果的可靠性，提高了反演精度.在生長(zhǎng)種子的選擇上，本算法考慮了相干系數(shù)的大小和種子在圖像中的分布均勻性.在待解纏像素的選取上，同時(shí)考慮待解纏像素的相干系數(shù)和其24鄰域像素中已解纏像素的“影響力”.在待解纏像素的相位估算和檢驗(yàn)上，充分考慮解纏像素的相位連續(xù)性和方向性，并對(duì)個(gè)別低相干像素進(jìn)行反復(fù)迭代解纏.

由于解纏前對(duì)研究區(qū)域進(jìn)行了區(qū)域識(shí)別，使得一些關(guān)鍵的研究區(qū)域或邊界不被鄰近的噪聲等影響，例如，由橋梁或堤壩等狹長(zhǎng)區(qū)域連接孤立的島嶼等場(chǎng)景.傳統(tǒng)相位解纏方法從陸地沿著橋面向島嶼方向解纏，由于橋梁的寬度較窄，即使橋面的相位準(zhǔn)確，解纏過(guò)程中也容易受其兩側(cè)低相干水體的誤差影響.而采用本文方法，先排除水體區(qū)域，這樣就能避免傳統(tǒng)方法的不足.本文提出的區(qū)域識(shí)別和區(qū)域擴(kuò)展解纏算法運(yùn)用了多種遙感圖像處理的方法，并對(duì)質(zhì)量指導(dǎo)解纏方法進(jìn)行了修正，提高了InSAR技術(shù)對(duì)地觀測(cè)的反演精度.將該方法應(yīng)用于PALSAR和ASAR的數(shù)據(jù)，并與其他幾種典型方法作了比較，實(shí)驗(yàn)結(jié)果證明了本文方法在解纏精度上優(yōu)于其他幾種解纏方法.

本文方法也存在一些不足，區(qū)域識(shí)別和計(jì)算已解纏像素的“影響力”等操作，增加了計(jì)算時(shí)間和資源占用.另外，本文方法適用范圍存在一定的限制，它依賴于可見(jiàn)光圖像中不同區(qū)域清晰的光譜特征和實(shí)驗(yàn)數(shù)據(jù)的相干信息.

致謝：衷心感謝香港中文大學(xué)林琿教授、陳富龍和江利明研究員，在本人博士后期間給予的指導(dǎo)和有益討論，并提供了航空攝影實(shí)測(cè)的DEM數(shù)據(jù)，使本文算法得以驗(yàn)證.

［1］ZEBKER H A，GOLDSTEIN R M.Topographic mapping from interferometric SAR observation［J］.J Geophys Res，1986，91（B5）：4993-5001.

［2］GHIGLIA D C，PRITT M D.Two-Dimensional Phase Unwrapping：Theory，Algorithms，and Software［M］.New York：John Weley ＆Sons Inc，1998.

［3］GOLDSTEIN R M，ZEBKER H A，WERNER C L.Satellite radar interferometry：two-dimensional phase unwrapping［J］.Radio Science，1988，23（4）：713-720.

［4］XU W，CUMMING I.A region-growing algorithm for InSAR phase unwrapping［J］.IEEE Trans Geosci Remote Sensing，1999，37（1）：124-134.

［5］FORNARO G，SANSOSTI E.A two-dimensional region growing least squares phase unwrapping algorithm for interferometric SAR processing［J］.IEEE Trans Geosci Remote Sensing，1999，37（5）：2215-2226.

［6］FLYNN T J.Two-dimensional phase unwrapping with minimum weighted discontinuity［J］.Journal of the Optical Society of America A，1997，14（10）：2692-2701.

［7］GHIGLIA D C，ROMERO L A.Minimum Lp-norm two dimensional phase unwrapping［J］.Journal of the Optical Society of America A，1996，13（10）：1999-2013.

［8］WEI Zhiqiang，XU Feng，JIN Yaqiu.Phase unwrapping for SAR interf erometry based on ant colony optimization algorithm［J］.International Journal of Remote Sensing，2008，29（3）：711-725.

［9］WEI Zhiqiang，JIN Yaqiu.The multiple patches and center expansion phase unwrapping algorithms for In-SAR image［J］.International Journal of Remote Sensing，2010，31（10）：2757-2765.

［10］WEI Zhiqiang，LIN Hui.Two InSAR procedures for wide and noise interferograms［C］／／IEEE International Conference on Audio，Language and Image Processing.Shanghai，China，2010：1552-1556.

［11］ZEBKER H A，LU Y.Phase unwrapping algorithms for radar interferometry：residue-cut，least-squares and synthesis algorithms［J］.Journal of the Optical Society of America A，1998，15（3）：586-598.

［12］張 妍，馮大政，曲曉寧.基于改進(jìn)粒子群算法的二維相位解纏方法［J］.電波科學(xué)學(xué)報(bào)，2012，27（6）：1116-1123.ZHANG Yan，F(xiàn)ENG Dazheng，QU Xiaoning.Twodimensional phase unwrapping method based on improved particle swarm optimization［J］.Chinese Journal of Radio Science，2012，27（6）：1116-1123.（in Chinese）

［13］黃海風(fēng)，王青松，張永勝.一種多基線相位解纏頻域快速算法［J］.電波科學(xué)學(xué)報(bào)，2011，26（5）：831-836.HUANG Haifeng，WANG Qingsong，ZHANG Yongsheng.A fast phase unwrapping algorithm for multibaseline interferometry in frequency domain［J］.Chinese Journal of Radio Science，2011，26（5）：831-836.（in Chinese）［14］毛志杰，廖桂生，李 海.自適應(yīng)圖像準(zhǔn)多基線In-SAR干涉相位展開(kāi)方法［J］.電波科學(xué)學(xué)報(bào)，2008，

23（5）：877-882.MAO Zhijie，LIAO Guisheng，LI Hai.Multibaseline InSAR with image auto-coregistration for phase unwrapping［J］.Chinese Journal of Radio Science，2008，23（5）：877-882.（in Chinese）

［15］RICHARDS J A，JIA X.Remote Sensing Digital Image Analysis［M］.4th ed.Springer，2006.