基于特征值分解和自适应滤波的极化相位优化方法

基于分布式散射体DSs(Distributed Scatterers)的时序InSAR技术很好的弥补了 PSInSAR技术在低相干区域难以获取足够形变监测点的缺陷.考虑到DS目标容易受时间和空间失相干因素的影响,从而引入斑点噪声,因此优化相干点目标的相位非常必要.基于此,本文提出了一种新的基于特征值分解和自适应滤波的极化相位优化方法(EVD-FPO).该方法利用Sentinel-1A双极化数据幅度信息识别DS与PS目标,并基于时空间相干矩阵利用特征值分解极化相位优化技术和自适应均值滤波技术改善相位质量.为了证明本文方法的可行性与有效性,17景Sentinel-1A双极化(VV-VH)SAR数据用于评估本文方法的性能.结果表明:EVD-FPO方法能够有效提高相干目标点的密度和改善相位质量,相较于单极化振幅离差法(VV-DA)和振幅离差极化相位优化方法(ESM-DA)相干点目标分别增加了 9.06倍和1.64倍,相较于单极化CAESAR方法提取的PS目标更加完整.为了定量评价优化后的相位结果,本文采用相位导数变化指标来评估各相位优化方法的相位质量,研究发现ESM-DA方法的平均相位导数为1.184,CAESAR方法的平均相位导数为0.854,EVD-FPO方法的平均相位导数为0.810,表明EVD-FPO方法得到的干涉相位质量高于CAESAR方法和ESM-DA方法.