多基線層析SAR技術(shù)的研究現(xiàn)狀分析

徐西桂，龐 蕾，張學(xué)東，劉 慧，陳 洋，韋詩(shī)瑩

(北京建筑大學(xué)，北京 102616)

合成孔徑雷達(dá)(synthetic aperture radar，SAR)技術(shù)的不斷進(jìn)步，使人們從SAR影像中獲取更多地表信息成為可能。20世紀(jì)60年代末InSAR技術(shù)出現(xiàn)，其能夠獲取地表的高程信息，但并不具有高程向的分辨能力。1998年Reigber等[1]開(kāi)展了層析SAR成像技術(shù)的研究，利用多基線L波段的機(jī)載SAR數(shù)據(jù)獲取了植被及建筑的三維結(jié)構(gòu)，驗(yàn)證了層析SAR技術(shù)的可行性。2003年Fornaro等[2]利用ERS星載SAR數(shù)據(jù)進(jìn)行了數(shù)據(jù)處理試驗(yàn)，證明了利用星載SAR數(shù)據(jù)進(jìn)行層析SAR三維成像的可行性，為后續(xù)的研究和實(shí)際應(yīng)用奠定了基礎(chǔ)。

目前，在層析SAR成像算法方面主要有傅里葉變換算法、譜估計(jì)算法、壓縮感知算法、后向投影等算法。其中后向投影法適用于機(jī)載數(shù)據(jù)，對(duì)星載SAR數(shù)據(jù)并不適用。傅里葉變換算法是最早最直接有效的層析成像算法，但是無(wú)法實(shí)現(xiàn)超分辨率?；谧V估計(jì)的算法和基于壓縮感知的算法可實(shí)現(xiàn)超分辨率，但是受到星載SAR數(shù)據(jù)基線數(shù)目不足和基線分布不均勻的影響。隨著SAR系統(tǒng)的不斷成熟，層析SAR成像理論也逐步得到了完善。在研究機(jī)構(gòu)方面，國(guó)外主要有德國(guó)宇航局中心、意大利那不勒斯帕斯諾普大學(xué)、意大利比薩大學(xué)等；國(guó)內(nèi)主要有武漢大學(xué)、香港中文大學(xué)、中科院對(duì)地觀測(cè)與數(shù)字地球科學(xué)中心、中科院電子所、國(guó)防科技大學(xué)等機(jī)構(gòu)。同時(shí)，層析SAR成像技術(shù)已被應(yīng)用或?qū)?yīng)用到城市三維/四維信息提取、森林垂直結(jié)構(gòu)及生物量估計(jì)、冰川厚度、隱匿物體檢測(cè)、考古學(xué)、其他民用軍用等諸多領(lǐng)域。綜合上述研究機(jī)構(gòu)研究現(xiàn)狀可知，層析SAR技術(shù)在國(guó)外研究較早較成熟，而國(guó)內(nèi)層析SAR技術(shù)還需進(jìn)一步深入研究。

1 層析SAR成像原理

SAR影像的坐標(biāo)系為方位-斜距向，與該平面垂直的方向是高程向。圖1所示為SAR三維坐標(biāo)系分布，x為方位向，r為斜距向，s為高程向。SAR是斜距成像，與傳感器相同距離的不同散射體會(huì)成像在同一像素內(nèi)，因此，同一像素可能會(huì)包含多個(gè)散射目標(biāo)，這種現(xiàn)象稱為疊掩現(xiàn)象。方位-斜距向的分辨率可以利用二維SAR影像處理方式獲得。而為了分離疊掩目標(biāo)實(shí)現(xiàn)三維成像，可以沿高程向合成孔徑。

圖1 層析SAR成像的原理

假設(shè)對(duì)同一地物從不同高度位置觀測(cè)了N次，并進(jìn)行方位向-距離向的二維壓縮得到N幅單視復(fù)數(shù)(single look complex，SLC)影像。N幅SLC影像上相同位置的像素值就可以構(gòu)成一個(gè)長(zhǎng)度為N的序列g(shù)n={g1,g2,…,gN}，經(jīng)影像校正后，每個(gè)像素值可以表示為沿高程向上散射率分布的積分，可表示為[3]

(1)

式中，Δs為反射信號(hào)沿高程向的分布范圍；γ(s)為目標(biāo)沿高程向的散射函數(shù)；ξn為空間采樣間隔，可由ξn=-2b⊥b/(λr)計(jì)算得到；b⊥n為垂直基線距離；λ為入射波長(zhǎng)；r為中心斜距。

綜上可知，層析反演的過(guò)程就是根據(jù)某一像素的數(shù)據(jù)集gn逆運(yùn)算求γ(s)的過(guò)程，進(jìn)而確定每個(gè)主導(dǎo)散射體的反射率、位置，實(shí)現(xiàn)無(wú)模糊的三維SAR成像。

2 層析SAR成像處理流程

層析SAR成像處理流程如圖2所示。

2.1 復(fù)圖像配準(zhǔn)

由于N幅影像是從不同視角、不同天線高度分別獲得的，因此導(dǎo)致地面與天線斜平面的夾角不同，不同影像中對(duì)應(yīng)于相同地面點(diǎn)的像素很難重合到一起，圖像配準(zhǔn)就顯得尤其重要。目前廣泛應(yīng)用的配準(zhǔn)方法有相關(guān)系數(shù)法[4]、平均波動(dòng)函數(shù)法[5]和最大譜配準(zhǔn)法[6]。

圖2 層析SAR成像處理流程

2.2 去 斜

去除單視復(fù)數(shù)圖像序列中由參考斜距引起的相位項(xiàng)，被稱為去斜(deramping)。參考斜距可以利用雷達(dá)記錄的電磁波傳輸中心延遲與光速計(jì)算，也可以基于參考地形和雷達(dá)位置計(jì)算。較為常用的是后者，即參考地形去斜[7]，這種方法只需知道雷達(dá)位置和地形即可計(jì)算得到參考斜距長(zhǎng)度。

2.3 相位誤差補(bǔ)償

相位誤差的隨機(jī)性嚴(yán)重影響了層析SAR成像精度。因此，多時(shí)相差分干涉常被用作相位補(bǔ)償，但其處理過(guò)程煩瑣。后來(lái)Zhu Xiaoxiang等提出了基于PS-InSAR的相位誤差補(bǔ)償方法[8]，孫希龍?jiān)诜治銮叭搜芯康幕A(chǔ)上，提出了基于PS-InSAR中間輸出量的層析SAR相位誤差補(bǔ)償方法和基于PGA算法的層析SAR相位誤差補(bǔ)償方法[9]。

基于PS-InSAR中間輸出量的層析SAR相位誤差補(bǔ)償方法與基于PS-InSAR的層析SAR相位補(bǔ)償方法相比，處理效率高，精度也相對(duì)較高。而基于PGA算法的層析SAR相位誤差補(bǔ)償方法不僅具有更高的效率，而且具有更好的適應(yīng)性。

2.4 高程向成像

由于當(dāng)前SAR系統(tǒng)對(duì)同一目標(biāo)觀測(cè)次數(shù)較少，并且軌道分布不均勻。因此，成像效果并不好，也使得層析分辨率低且旁瓣高。

層析分辨率是指在高程向能分辨出的兩個(gè)不同散射體的最小距離，分辨率越高，距離越小的散射體越能被分離開(kāi)；反之，分辨率低會(huì)導(dǎo)致距離小的散射體不能被分離開(kāi)[10]。層析分辨率和最大的垂直基線長(zhǎng)度有關(guān)，但在現(xiàn)有的SAR系統(tǒng)中，很難靠基線長(zhǎng)度的改變來(lái)提高層析分辨率。因此，超分辨率成像算法一直是層析成像研究的重點(diǎn)。

3 層析SAR成像算法

綜合各專家學(xué)者[12-48]對(duì)層析SAR成像算法的研究成果，本文主要分析傅里葉變換算法、現(xiàn)代譜估計(jì)算法和壓縮感知算法。除此之外，還有僅適用于機(jī)載層析SAR成像的后向投影法[1,11]，在此不再贅述。其中，傅里葉變換算法和現(xiàn)代譜估計(jì)算法需滿足奈奎斯特采樣定理，在當(dāng)前數(shù)據(jù)采集條件下，很難實(shí)現(xiàn)低成本獲取充足的多基線數(shù)據(jù)。因此引入壓縮感知算法到層析SAR成像算法具有重要意義。

3.1 傅里葉變換算法

傅里葉變換能將滿足一定條件的某個(gè)函數(shù)表示成三角函數(shù)或它們積分的線性組合形式。最早的層析SAR成像算法便是利用傅里葉變換來(lái)分辨不同高程的散射中心[12]。該算法要求數(shù)據(jù)均勻采樣且要滿足奈奎斯特采樣定理，但傅里葉變換成像算法并不能實(shí)現(xiàn)超分辨率成像。

Reigber對(duì)德國(guó)Oberpfaffcnhofen地區(qū)垂直基線約為260 m的14軌E-SAR系統(tǒng)L波段全極化數(shù)據(jù)開(kāi)展了成像試驗(yàn)，成像方法使用的便是傅里葉變換算法，最終獲得的高程向瑞利分辨率約為2.9 m[1]。

3.2 現(xiàn)代譜估計(jì)算法

現(xiàn)代譜估計(jì)算法是最經(jīng)典的層析成像算法，也是研究較多的算法，用該算法作高程向成像相當(dāng)于估計(jì)多個(gè)散射源的波達(dá)方向(direction of arrival，DOA)?，F(xiàn)代譜估計(jì)算法常用于層析SAR成像的有基于奇異值分解(singular value decomposition，SVD)的成像算法、RELAX算法、MUSIC算法和Capon算法。此類算法改善了傅里葉變換成像時(shí)層析分辨率低、旁瓣高、成像效果受系統(tǒng)誤差及處理過(guò)程中所帶來(lái)的噪聲影響較大等缺點(diǎn)，具有超分辨能力。

2003年，F(xiàn)ornaro等提出了基于SVD的層析成像算法，并利用模擬數(shù)據(jù)驗(yàn)證了該算法的可行性，針對(duì)奇異值分解結(jié)果中存在一些小奇異值帶來(lái)噪聲傳播的問(wèn)題，設(shè)定了奇異值閾值(trancated-SVD，TSVD)[13]。2010年，Zhu Xiaoxiang等提出了基于Wiener濾波的奇異值分解(Wiener-SVD)算法，用噪聲級(jí)別對(duì)奇異值進(jìn)行了優(yōu)化加權(quán)，而不是簡(jiǎn)單地截?cái)啵⒔o出了噪聲級(jí)別的預(yù)估方法[14]。2013年，王瀟使用改進(jìn)后的Wiener-SVD方法進(jìn)行了仿真試驗(yàn)，討論了獲取次數(shù)不足、基線分布不均勻的情況，試驗(yàn)表明SVD成像算法比Fourier譜分析具有更好的性能[15]。2014年，魏戀歡和廖明生等提出了基于Butterworth濾波的奇異值分解(Butterworth-SVD)的層析算法，克服了傳統(tǒng)奇異值算法無(wú)法自適應(yīng)選擇閾值的缺陷，提高了算法的自適應(yīng)特點(diǎn)和魯棒性[16]。

1996年，Li提出的RELAX算法具有很好的分辨能力和魯棒性[17]。2002年，Gini等提出的M-RELAX(the multilook data scenario)算法[18]抵消了乘性噪聲的存在。2010年，任笑真在RELAX算法的基礎(chǔ)上提出了IRELAX算法，優(yōu)化了首次迭代矩陣，并在迭代過(guò)程中細(xì)化了搜索間隔[19]。2012年，孫希龍?jiān)赗ELAX算法基礎(chǔ)上提出了一種適用于城區(qū)建筑物三維重建的層析SAR高分辨率成像算法，相比于奇異值分解法，具有更高的高程向分辨能力[20]。

Schmidt等于1979年提出的多重信號(hào)分類方法(multiple signal classification，MUSIC)[21]，將“向量空間”的概念引入了空間譜估計(jì)領(lǐng)域，并應(yīng)用于層析SAR成像研究中[22]。2003年，Lombardini第一次基于Capon算法實(shí)現(xiàn)了真實(shí)星載SAR數(shù)據(jù)的層析成像[23]。幅度相位估計(jì)(amplitude and phase estimation，APES)算法是由Li和Stoica等借鑒Capon算法提出的譜估計(jì)算法[24]。2012年，張福博和劉梅針對(duì)非均勻基線引起的散焦問(wèn)題，提出了基于信噪比加權(quán)的頻域最小二乘APES算法，實(shí)現(xiàn)了非均勻基線情況下的高度維聚焦[25]。

3.3 壓縮感知算法

2004年，Donoho、Candes及Tao等提出了壓縮感知(compressed sensing，CS)[26-28]算法，之后被廣泛研究。其核心思想是將壓縮與采樣合并進(jìn)行，首先采集信號(hào)的非自適應(yīng)投影(測(cè)量值)，然后根據(jù)相應(yīng)重構(gòu)算法由測(cè)量值重構(gòu)原始信號(hào)[29]。2007年，Baraniuk等提出在層析成像中引入壓縮感知算法[30]。壓縮感知算法突破了傳統(tǒng)奈奎斯特采樣定理，使用較少的采樣數(shù)據(jù)，也有可能對(duì)原始信號(hào)產(chǎn)生較好的逼近。這種方法實(shí)現(xiàn)了高程向的超分辨率成像，沒(méi)有旁瓣效應(yīng)，而且成像效果更優(yōu)，彌補(bǔ)了傅里葉變換算法和譜估計(jì)算法的不足。自此，國(guó)內(nèi)外專家學(xué)者開(kāi)展了一系列的相關(guān)研究。

自2009年起，國(guó)外研究人員對(duì)層析SAR成像算法進(jìn)行了深入研究。Zhu Xiaoxiang利用CS算法進(jìn)行了一系列的層析成像的試驗(yàn)[8，31-34]。在文獻(xiàn)[8]中提出了基于L1范數(shù)的最小化和正則化(L1-norm minimization and regularization)CS算法，與非參數(shù)方法和參數(shù)法相比，該算法具有計(jì)算效率高、不需要選擇模型、在保持方位向-距離向分辨率的同時(shí)，能實(shí)現(xiàn)高程向超分辨率等優(yōu)點(diǎn)；文獻(xiàn)[32—33]提出了基于CS算法的SL1MMER(scale-down by L1 norm minimization，model selection and estimation reconstruction)算法，這是一種基于壓縮感知、模型選擇及最大似然參數(shù)的算法，并通過(guò)得到的結(jié)果與最小二乘法進(jìn)行對(duì)比，建立了超分辨率的絕對(duì)邊界，并為位置精度和超分辨率因素提供了易于使用的解析表達(dá)式；2014年，文獻(xiàn)[34]提出了周期圖法、SVD-Wiener和SL1MMER三種算法結(jié)合的層析成像算法，并結(jié)合永久散射點(diǎn)(persistent scatterer interferometry，PSI)方法對(duì)米級(jí)分辨率的城市區(qū)域影像進(jìn)行層析反演，該方法經(jīng)過(guò)城市數(shù)據(jù)集的測(cè)試，得到了可靠的結(jié)果，并確認(rèn)了使運(yùn)算速度超過(guò)50%的加速因子。2015年，Zhu xiaoxiang等在SL1MMER的基礎(chǔ)上，提出了一種運(yùn)用聯(lián)合稀疏的M-SL1MMER(multiple-snapshot SL1MMER)，并加入對(duì)建筑物的先驗(yàn)知識(shí)。試驗(yàn)采用雙基地TanEDM-X數(shù)據(jù)集，采用該方法，只需要6幅干涉圖就可以實(shí)現(xiàn)很好的層析重構(gòu)。與利用單一快照上稀疏的SL1MMER相比，M-SL1MMER利用多快照上稀疏，充分利用SAR影像的信息，獲得了更好的成像效果[35]。2011年，Budillon等也開(kāi)展了基于壓縮感知算法的層析成像研究，該算法基于L1范數(shù)最小化，允許超分辨率成像，克服了整體基線跨度的限制[36]。2010年Kim提出的壓縮多信號(hào)分類的CS-MUSIC(compressive MUSIC)算法[37]和2012年Aguilera等提出的多信號(hào)DCS(distributed compressed sensing)算法均大大地減少了航過(guò)數(shù)量[38-39]。2012年，Barilone等提出了CST(compressive sampling tomography)算法，大大減少了采樣數(shù)據(jù)并可以在高程向取得高分辨率[40]。

國(guó)內(nèi)也對(duì)層析SAR展開(kāi)了廣泛研究。2012年，孫希龍完善了基于壓縮感知的層析成像理論，在無(wú)需限制等距性質(zhì)(restricted isometric property，RIP)約束條件的壓縮感知理論框架下，對(duì)基于壓縮感知的層析SAR成像理論進(jìn)行了深入分析[41]。2012年，閔銳等提出了將正則化匹配追蹤(Regularized Orthogonal matching Pursuit，ROMP)算法應(yīng)用于層析SAR成像中，仿真試驗(yàn)結(jié)果表明該算法能實(shí)現(xiàn)高分辨率成像[42]。同年，劉康等利用壓縮感知算法對(duì)層析SAR進(jìn)行頻譜估計(jì)，重建回波信號(hào)，并利用模擬數(shù)據(jù)及德國(guó)柏林地區(qū)TerraSAR-X高分辨率影像進(jìn)行試驗(yàn)，試驗(yàn)結(jié)果表明與傳統(tǒng)基于SVD算法的層析成像相比，壓縮感知算法更有優(yōu)勢(shì)[43]。2014年，李烈辰等提出基于CS算法的連續(xù)場(chǎng)景稀疏陣列三維成像算法，該算法在保證圖像分辨率的同時(shí)，能實(shí)現(xiàn)非等間隔空間稀疏采樣，減少了對(duì)高程向陣型的設(shè)計(jì)約束，使孔徑綜合處理后無(wú)法獲得滿陣條件下實(shí)現(xiàn)對(duì)地成像成為可能[44]。2014年，任健等提出了基于壓縮感知的自適應(yīng)子空間追蹤方法來(lái)提高高程向分辨能力，相比于正交匹配算法，它有效地提高了成像的質(zhì)量[45]。2016年，王愛(ài)春等提出了采用塊壓縮感知(block compressive sensing，BCS)算法，相比于基于CS的SAR層析成像方法，該方法更好地利用了目標(biāo)的稀疏特性和結(jié)構(gòu)特性，重構(gòu)精度更高、性能更優(yōu)[46]。2017年，趙克群和畢輝等提出了基于快速閾值迭代算法(fast iterative shrinkage-thresholding，F(xiàn)IST)的層析SAR成像算法，該算法在保持閾值迭代算法(iterative shrinkage-thresholding，IST)[47]高分辨率和計(jì)算準(zhǔn)確性的同時(shí)，使迭代速度更快[48]。

綜合來(lái)看，國(guó)內(nèi)外研究人員在層析SAR成像研究中引入壓縮感知算法，在眾多試驗(yàn)研究中都證實(shí)：相比于傳統(tǒng)層析SAR成像方法，基于壓縮感知的層析成像算法具有高分辨率、能大大減少采樣數(shù)據(jù)及重構(gòu)性能更優(yōu)等優(yōu)勢(shì)。

4 層析SAR成像的主要應(yīng)用

4.1 城市三維/四維信息提取

2000年，Reigber等成功提取了德國(guó)宇航局附近的建筑物垂直結(jié)構(gòu)信息[1]。2005年，F(xiàn)ornaro和Lombardini等利用ERS1/2衛(wèi)星從1992—2004年間獲取的63幅影像進(jìn)行層析成像試驗(yàn)，其中影像最大基線跨度為1700 m，平均基線間隔為28 m，試驗(yàn)得到高程向分辨率為5.5 m[2]。2010年，Zhu Xiaoxiang等首次利用25幅高分辨率TerraSAR-X Spotlight數(shù)據(jù)對(duì)美國(guó)Las Vegas市中心城區(qū)進(jìn)行了三維散射重建[14]。同年，她還利用該數(shù)據(jù)集首次提取了美國(guó)Las Vegas市中心城區(qū)建筑的形變信息[8]。2014年，Zhu xiaoxiang等利用美國(guó)Las Vegas和德國(guó)Berlin地區(qū)的數(shù)據(jù)集進(jìn)行了層析反演[34]。2017年，趙克祥和畢輝等利用TerraSAR-X Stripmap數(shù)據(jù)對(duì)北京盤(pán)古七星酒店北側(cè)的建筑物進(jìn)行了三維重構(gòu)[48]。2017年，王愛(ài)春等利用34幅Envisat衛(wèi)星ASAR時(shí)間序列影像對(duì)日本某地進(jìn)行了地表形變監(jiān)測(cè)，并用傳統(tǒng)測(cè)量獲取的數(shù)據(jù)作為參考進(jìn)行驗(yàn)證，試驗(yàn)結(jié)果表明采用KRS-BCS方法差分層析反演的結(jié)果與參考數(shù)據(jù)保持了良好的一致性且形變速率整體偏差較小，實(shí)現(xiàn)了高精度的城區(qū)地表形變估計(jì)[49-50]。

城市地區(qū)是存在疊掩現(xiàn)象較嚴(yán)重的區(qū)域，層析SAR技術(shù)可以解決散射體疊掩問(wèn)題，實(shí)現(xiàn)高層建筑的三維成像。同時(shí)，隨著差分層析SAR技術(shù)的出現(xiàn)，城市四維信息即傳統(tǒng)三維+時(shí)間維的獲取也成為可能，因此可以實(shí)現(xiàn)城市建筑的形變監(jiān)測(cè)。當(dāng)前國(guó)內(nèi)城市化進(jìn)程加快，建筑物三維/四維信息的獲取對(duì)城市發(fā)展、城市管理、公共安全、減災(zāi)救災(zāi)、動(dòng)態(tài)監(jiān)測(cè)等方面都具有重要意義。

4.2 森林覆蓋研究

由于森林體散射機(jī)制對(duì)極化方式的強(qiáng)依賴性，因此在森林的層析SAR研究中一般是采用多極化數(shù)據(jù)[10]。2000年，Reigber等成功地提取了德國(guó)宇航局附近的植被垂直結(jié)構(gòu)信息[1]。2005年，Guillaso利用DLR的E-SAR L波段數(shù)據(jù)對(duì)德國(guó)Oberpfaffenhofen地區(qū)的森林進(jìn)行三維成像[22]。2008年，F(xiàn)rey等使用E-SAR機(jī)載傳感器數(shù)據(jù)提取了某林區(qū)的植被垂直結(jié)構(gòu)信息[51]。2012年，Aguilera等利用E-SAR獲取的全極化L波段數(shù)據(jù)進(jìn)行森林垂直結(jié)構(gòu)的獲取[52]。2015年，張冰塵等利用2007年E-SAR系統(tǒng)在瑞典Remingstorp區(qū)域獲取的影像進(jìn)行了森林高程重建的試驗(yàn)[53]。2016年，Schmitt和Zhu Xiaoxiang等提出了單航過(guò)多基線毫米波數(shù)據(jù)用于森林蓄積量的研究，并利用單航過(guò)多基線毫米波數(shù)據(jù)和高精度地面激光掃描數(shù)據(jù)，對(duì)某公園進(jìn)行了層析SAR成像。試驗(yàn)結(jié)果表明，可以重建樹(shù)冠高度甚至可以重建單棵樹(shù)，以此研究樹(shù)林蓄積量[54-55]。

SAR層析方法對(duì)提高森林類型分類精度、森林垂直結(jié)構(gòu)參數(shù)、森林生物量和蓄積量等的估測(cè)精度，具有很重要的潛在應(yīng)用價(jià)值。

4.3 冰川厚度研究

隨著氣候逐漸變暖，利用冰川厚度變化來(lái)監(jiān)測(cè)氣候變化具有重要的意義。2011年，Wu等先后利用2006年和2008年的高分辨率數(shù)據(jù)對(duì)冰川進(jìn)行層析成像，實(shí)現(xiàn)了5 m的表面層析精度和14 m的厚度精度[56]。2014年，F(xiàn)erro-Famil等利用2013年X波段和Ku波段的地基SAR(ground based SAR，GBSAR)數(shù)據(jù)對(duì)洛伊塔市的冰川進(jìn)行層析反演，得到了厘米級(jí)的分辨率[57]。

目前，層析SAR技術(shù)用在冰川方面的研究還在起步階段，具有很大的潛力，其中多極化層析SAR技術(shù)和地基層析SAR技術(shù)將會(huì)是研究的熱點(diǎn)[10]。

4.4 偵查監(jiān)視

2012年，Nannini等利用E-SAR系統(tǒng)獲取的L波段機(jī)載數(shù)據(jù)，對(duì)掩藏在樹(shù)葉下的隱藏物進(jìn)行監(jiān)測(cè)，試驗(yàn)結(jié)果表明層析圖像上可以很清楚地分辨出卡車和油罐車[58]。

除上述應(yīng)用領(lǐng)域外，根據(jù)國(guó)內(nèi)外學(xué)者的研究與預(yù)測(cè)，層析SAR技術(shù)在地形測(cè)繪、考古學(xué)、沙層、軍用、民用等其他方面也將會(huì)有廣闊的應(yīng)用前景。

5 存在的問(wèn)題與趨勢(shì)分析

綜合國(guó)內(nèi)外研究發(fā)現(xiàn)，層析SAR技術(shù)在某些方面還存在著一些問(wèn)題。首先，由于星載SAR系統(tǒng)設(shè)計(jì)之初，并未考慮層析SAR技術(shù)的應(yīng)用，因此數(shù)據(jù)不能完全滿足層析SAR高分辨率成像的理論條件；其次，目前研究的算法并不能很好地解決問(wèn)題，實(shí)現(xiàn)理想的成像效果；然后，目前研究學(xué)者們沒(méi)有對(duì)現(xiàn)有的數(shù)據(jù)信息進(jìn)行充分的利用；最后，對(duì)于層析SAR技術(shù)的研究與應(yīng)用，需要更多研究學(xué)者的共同努力和更好的數(shù)據(jù)支持。在數(shù)據(jù)方面存在的問(wèn)題詳述如下：

5.1 航過(guò)數(shù)據(jù)數(shù)量少

多基線層析SAR成像的影像一般采用重復(fù)航過(guò)的方式獲得，價(jià)格昂貴。為保證高程向高分辨率和成像精度，需要更多航過(guò)數(shù)據(jù)量。而影像數(shù)量少是層析分辨率低的主要原因。如何利用較少影像獲取更高分辨率，將會(huì)是未來(lái)需要克服的一個(gè)難點(diǎn)。一些學(xué)者提出了航跡優(yōu)化方法[59-61]，以減少所需航過(guò)數(shù)量，降低成本。另外，基于壓縮感知算法不斷優(yōu)化成像算法，以期在航過(guò)數(shù)量少的情況下也能獲得超分辨率和高成像精度[37-40]。

5.2 基線分布不均勻

SAR系統(tǒng)設(shè)計(jì)之初未考慮層析SAR技術(shù)的應(yīng)用，因此獲取的基線分布不均勻，造成數(shù)據(jù)欠采樣或過(guò)采樣，會(huì)使高程向成像精度誤差變大?；谝延卸嗪竭^(guò)數(shù)據(jù)，利用插值重采樣的方法，得到基線分布均勻的數(shù)據(jù)；另外基于現(xiàn)有非均勻基線航過(guò)數(shù)據(jù)，研究出新算法以達(dá)到理想的層析分辨率，這都將是可研究的解決方法[15，25]。

5.3 大氣效應(yīng)的影響

獲取多幅影像需要?dú)v時(shí)幾個(gè)月甚至幾年，中間諸多因素如大氣變化、地物變化等會(huì)造成相位誤差，并且很難去除?，F(xiàn)有的相位補(bǔ)償方法難以保證去除相位值的準(zhǔn)確性，還需要進(jìn)一步優(yōu)化。有學(xué)者提出可以引入氣象數(shù)據(jù)去除大氣影響，也可以將三維層析SAR模型拓展為四維層析SAR模型，并采用永久散射體技術(shù)去除大氣影響，再進(jìn)行層析成像[62]。關(guān)于如何去除大氣效應(yīng)的影響仍是目前研究的難點(diǎn)，需要進(jìn)一步研究。

5.4 極化信息未充分利用

2005年，Guillaso[63]等將極化信息加入到層析SAR成像中，成像結(jié)果得到了更多地物信息?，F(xiàn)有層析SAR成像技術(shù)對(duì)極化信息并未充分利用。未來(lái)對(duì)極化信息的研究與利用將會(huì)是一個(gè)熱點(diǎn)方向，可以提取更多有用的地表信息。

可以預(yù)見(jiàn)的是，一方面研究學(xué)者們會(huì)根據(jù)現(xiàn)有的數(shù)據(jù)量少、基線分布不均勻的情況，不斷研究與優(yōu)化超分辨率算法；另一方面，根據(jù)需要的條件設(shè)計(jì)研究單航過(guò)多基線系統(tǒng)，避免了大氣變化的影響，以用于小區(qū)域的研究和應(yīng)用。隨著層析SAR技術(shù)應(yīng)用范圍的不斷擴(kuò)大，將運(yùn)用更多波段的數(shù)據(jù)及波段組合，也會(huì)推廣到更多的應(yīng)用領(lǐng)域。

6 結(jié) 語(yǔ)

多基線層析SAR成像技術(shù)是近些年發(fā)展起來(lái)的一種新型合成孔徑雷達(dá)技術(shù)，其具有真正的三維成像能力，能分辨出高程向不同的散射體。目前其理論研究正在逐步走向成熟，但仍然存在著一些關(guān)于層析SAR研究的難點(diǎn)，如基線不均勻、大氣效應(yīng)等引起的誤差問(wèn)題，需要國(guó)內(nèi)外學(xué)者不斷改進(jìn)相關(guān)算法進(jìn)行實(shí)踐探索。隨著SAR影像分辨率的逐漸提高，其分辨率甚至高于普通光學(xué)影像的分辨率(如德國(guó)即將發(fā)行的0.25 m分辨率TerraSAR-X數(shù)據(jù))，使得城市建筑物等信息得到越來(lái)越詳盡的體現(xiàn)，同時(shí)SAR衛(wèi)星重訪周期也將大大縮減，獲得的重復(fù)軌道數(shù)據(jù)也將越來(lái)越豐富。在不久的將來(lái)，我國(guó)將發(fā)射包括光學(xué)和雷達(dá)成像衛(wèi)星在內(nèi)的7顆高分系列衛(wèi)星。由此可見(jiàn)，利用層析SAR技術(shù)進(jìn)行多維精密監(jiān)測(cè)的環(huán)境條件逐漸成熟。又因?yàn)閷游鯯AR技術(shù)不僅可以實(shí)現(xiàn)城市建筑物的三維重構(gòu)，也為形變監(jiān)測(cè)提供了一種新的方法，對(duì)于城市重大工程安全檢測(cè)、基礎(chǔ)設(shè)施大范圍動(dòng)態(tài)監(jiān)測(cè)，以及高層建筑變形監(jiān)測(cè)等都具有重大意義，所以，層析SAR技術(shù)必將在更多的領(lǐng)域中得到廣泛的應(yīng)用和發(fā)展。

[1] REIGBER A，MOREIRA A.First Demonstration of Airborne SAR Tomography Using Multibaseline L-band Data[J].IEEE Transactions on Geoscience & Remote Sensing，2000，38(5):2142-2152.

[2] FORNARO G，LOMBARDINI F，SERAFINO F.Three-dimensional Multipass SAR Focusing: Experiments with Long-term Spaceborne Data[J].IEEE Transactions on Geoscience & Remote Sensing，2005，43(4):702-714.

[3] ZHU Xiaoxiang，BAMLER R.Super-resolution Power and Robustness of Compressive Sensing for Spectral Estimation with Application to Spaceborne Tomographic SAR[J].IEEE Transactions on Geoscience and Remote Sensing，2012，50(1): 247-258.

[4] PAAR G，ROTTENSTEINER F，P?LZLEITNER W.Image Matching Strategies[M].New York：Springer-Verlag，2001:393-410.

[5] LIN Q，VESECKY J F，ZEBKER H A.Topography Estimation with Interferometric Synthetic Aperture Radar Using Fringe Detection[M].[S.l.]:NTRS，1991.

[6] GABRIEL A K，GOLDSTEIN R M.Crossed Orbit Interferometry:Theory and Experimental Results from SIR-B[J].International Journal of Remote Sensing，1988，9(5):857-872.

[7] 孫希龍，余安喜，杜海東,等.基于模擬干涉相位去斜的SAR層析處理方法[J].國(guó)防科技大學(xué)學(xué)報(bào)，2011，33(3):105-110.

[8] ZHU Xiaoxiang，BAMLER R.Tomographic SAR Inversion by L1-Norm Regularization——The Compressive Sensing Approach[J].IEEE Transactions on Geoscience & Remote Sensing，2010，48(10):3839-3846.

[9] 孫希龍.SAR層析與差分層析成像技術(shù)研究[D].長(zhǎng)沙：國(guó)防科學(xué)技術(shù)大學(xué)，2012.

[10] 林琿，馬培峰，陳旻,等.SAR層析成像的基本原理、關(guān)鍵技術(shù)和應(yīng)用領(lǐng)域[J].測(cè)繪地理信息，2015，40(3):1-5.

[11] OTHMAR F，F(xiàn)ELIX M，ERICH M.Tomographic Imaging of a Forested Area by Airborne Multi-baseline P-Band SAR[J].Sensors，2008，8(9):5884-5896.

[12] SHE Z，GRAY D A，BOGNER R E，et al.Three-dimensional Space-borne Synthetic Aperture Radar (SAR) Imaging with Multiple Pass Processing[J].International Journal of Remote Sensing，2002，23(20):4357-4382.

[13] FORNARO G，SERAFINO F，SOLDOVIERI F.Three-dimensional Focusing with Multipass SAR Data[J].IEEE Transactions on Geoscience & Remote Sensing，2003，41(3):507-517.

[14] ZHU Xiaoxiang，BAMLER R.Very High Resolution Spaceborne SAR Tomography in Urban Environment[J].IEEE Transactions on Geoscience & Remote Sensing，2010，48(12):4296-4308.

[15] 王瀟，金亞秋.基于SVD算法的三維層析SAR成像模擬與目標(biāo)重構(gòu)[C]∥第12屆全國(guó)電波傳播學(xué)術(shù)討論會(huì).青島：中國(guó)電子學(xué)會(huì)，2013.

[16] 魏戀歡，廖明生，BALZ,等.高分辨率SAR層析成像建筑物疊掩散射體提取[J].武漢大學(xué)學(xué)報(bào)(信息科學(xué)版)，2014，39(5):536-540.

[17] LI J，STOICA P，ZHENG D.An Efficient Algorithm for Two-dimensional Frequency Estimation[J].Multidimen-sional Systems and Signal Processing，1996，7(2):151-178.

[18] GINI F，LOMBARDINI F，MONTANARI M.Layover solution in multibaseline SAR interferometry[J].IEEE Transactions on Aerospace & Electronic Systems，2002，38(4):1344-1356.

[19] 任笑真，楊汝良.一種SAR層析成像的RELAX改進(jìn)算法[J].數(shù)據(jù)采集與處理，2010，25(3):302-306.

[20] 孫希龍，余安喜，董臻,等.一種高分辨SAR層析成像方法[J].國(guó)防科技大學(xué)學(xué)報(bào)，2012，34(3):125-130.

[21] SCHMIDT R O.Multiple Emitter Location and Signal Parameter Estimation[J].IEEE Transactions on Antennas & Propagation，1986，34(3):276-280.

[22] GUILLASO S，F(xiàn)ERRO-FAMIL L，REIGBER A，et al.Building Characterization Using L-band Polarimetric Interferometric SAR Data[J].IEEE Geoscience & Remote Sensing Letters，2005，2(3):347-351.

[23] LOMBARDINI F，REIGBER A.Adaptive Spectral Estimation for Multibaseline SAR Tomography with Airborne L-band Data[C]∥IEEE International Geoscience and Remote Sensing Symposium.[S.l.]：IEEE，2003:2014-2016.

[24] LI J，STOICA P.Efficient Mixed-spectrum Estimation with Applications to Target Feature Extraction[J].IEEE Transactions on Signal Processing，2008，44(2):281-295.

[25] 張福博，劉梅.基于頻域最小二乘APES的非均勻多基線SAR層析成像算法[J].電子與信息學(xué)報(bào)，2012，34(7):1568-1573.

[26] DONOHO D L.Compressed Sensing[J].IEEE Transactions on Information Theory，2012,52(4):1289-1306.

[29] 李卓凡，閆敬文.壓縮感知及應(yīng)用[M].北京：國(guó)防工業(yè)出版社，2010.

[30] BARANIUK R，STEEGHS P.Compressive Radar Imaging[J].Naonal Radar Onfrn-Rodng，2007，303(6815):128-133.

[31] ZHU Xiaoxiang，BAMLER R.Very High Resolution SAR Tomography via Compressive Sensing[C]∥Fringe.[S.l.]：DLR，2009.

[32] ZHU Xiaoxiang，BAMLER R.Super-resolution Power and Robustness of Compressive Sensing for Spectral Estimation with Application to Spaceborne Tomographic SAR[J].IEEE Transactions on Geoscience & Remote Sensing，2012，50(1):247-258.

[33] ZHU Xiaoxiang，BAMLER R.Demonstration of Super-resolution for Tomographic SAR Imaging in Urban Environment[J].IEEE Transactions on Geoscience & Remote Sensing，2012，50(8):3150-3157.

[34] WANG Y，ZHU Xiaoxiang，BAMLER R.An Efficient Tomographic Inversion Approach for Urban Mapping Using Meter Resolution SAR Image Stacks[J].IEEE Geoscience & Remote Sensing Letters，2014，11(7):1250-1254.

[35] ZHU Xiaoxiang，GE N，SHAHZAD M.Joint Sparsity in SAR Tomography for Urban Mapping[J].IEEE Journal of Selected Topics in Signal Processing，2015，9(8):1498-1509.

[36] BUDILLON A，EVANGELISTA A，SCHIRINZI G.Three-dimensional SAR Focusing from Multipass Signals Using Compressive Sampling[J].IEEE Transactions on Geoscience & Remote Sensing，2011，49(1):488-499.

[37] KIM J M，LEE O K，YE J C.Compressive MUSIC: Revisiting the Link Between Compressive Sensing and Array Signal Processing[J].IEEE Transactions on Information Theory，2010，58(1):278-301.

[38] AGUILERA E，NANNINI M，REIGBER A.Multisignal Compressed Sensing for Polarimetric SAR Tomography[J].IEEE Geoscience and Remote Sensing Letters，2012，9(5):871-875.

[39] AGUILERA E，NANNINI M，REIGBER A.A Data-adaptive Compressed Sensing Approach to Polarimetric SAR Tomography of Forested Areas[J].IEEE Geoscience & Remote Sensing Letters，2012，10(3):543-547.

[40] BARILONE D，BUDILLON A，SCHIRINZI G.Compressive Sampling in SAR Tomography: Results on COSMO-skymed Data[C]∥IEEE International Geoscience and Remote Sensing Symposium.Munich：IEEE，2012:475-478.

[41] SUN X，YU A，ZHEN D，et al.Three-dimensional SAR Focusing via Compressive Sensing: The Case Study of Angel Stadium[J].IEEE Geoscience & Remote Sensing Letters，2012，9(4):759-763.

[42] 閔銳，楊倩倩，皮亦鳴,等.基于正則化正交匹配追蹤的SAR層析成像[J].電子測(cè)量與儀器學(xué)報(bào)，2012，26(12):1069-1073.

[43] 劉康，廖明生，BALZ T.利用壓縮感知方法的高分辨率三維層析SAR研究[J].武漢大學(xué)學(xué)報(bào)(信息科學(xué)版)，2012，37(12):1456-1459.

[44] 李烈辰，李道京.基于壓縮感知的連續(xù)場(chǎng)景稀疏陣列SAR三維成像[J].電子與信息學(xué)報(bào)，2014，36(9):2166-2172.

[45] 任健，劉梅.基于自適應(yīng)子空間追蹤的層析SAR成像算法[J].現(xiàn)代電子技術(shù)，2014，37(24):72-75.

[46] 王愛(ài)春，向茂生.基于塊壓縮感知的SAR層析成像方法[J].雷達(dá)學(xué)報(bào)，2016，5(1): 57-64.DOI: 10.12000/JR16006.

[47] BREDIES K，LORENZ D A.Linear Convergence of Iterative Soft-thresholding[J].Journal of Fourier Analysis and Applications，2008，14(5):813-837.

[48] 趙克祥，畢輝，張冰塵.基于快速閾值迭代的 SAR 層析成像處理方法[J].系統(tǒng)工程與電子技術(shù),2017,39(5)：1019-1023.

[49] 王愛(ài)春，向茂生,汪丙南.城區(qū)地表形變差分TomoSAR監(jiān)測(cè)方法[J].測(cè)繪學(xué)報(bào)，2016,45(12):1413-1422.DOI:10.11947/j.AGCS.2016.20160113.

[50] 王愛(ài)春，向茂生，汪丙南.一種聯(lián)合Khatri-Rao子空間與塊稀疏壓縮感知的差分SAR層析成像方法[J].電子與信息學(xué)報(bào)，2017,39(1):95-102.

[51] OTHMAR F，F(xiàn)ELIX M，ERICH M.Tomographic Imaging of a Forested Area by Airborne Multi-baseline P-band SAR[J].Sensors，2008，8(9):5884-5896.

[52] AGUILERA E，NANNINI M，REIGBER A.A Data Adaptive Compressed Sensing Approach to Polarimetric SAR Tomography[C]∥IEEE International Geoscience and Remote Sensing Symposium.[S.l.]：IEEE，2012:7472-7475.

[53] 張冰塵，王萬(wàn)影，畢輝,等.基于壓縮多信號(hào)分類算法的森林區(qū)域極化SAR層析成像[J].電子與信息學(xué)報(bào)，2015，37(3):625-630.

[54] SCHMITT M，ZHU Xiaoxiang.Forest Analysis by Single-pass Millimeterwave SAR Tomography[C]∥Proceedings of European Conference on Synthetic Aperture Radar.[S.l.]：VDE，2016.

[55] SCHMITT M，ZHU Xiaoxiang.Demonstration of Single-pass Millimeterwave SAR Tomography for Forest Volumes[J].IEEE Geoscience & Remote Sensing Letters，2016，13(2):202-206.

[56] WU X，JEZEK K C，RODRIGUEZ E，et al.Ice Sheet Bed Mapping With Airborne SAR Tomography[J].IEEE Transactions on Geoscience & Remote Sensing，2011，49(10):3791-3802.

[57] FERRO-FAMIL L，TEBALDINI S，DAVY M，et al.3D SAR Imaging of the Snowpack at X- and Ku-Band: Results from the AlpSAR Campaign[C]∥Proceedings of European Conference on Synthetic Aperture Radar.[S.l.]：VDE，2014:1-4.

[58] NANNINI M，SCHEIBER R，HORN R，et al.First 3D Reconstructions of Targets Hidden Beneath Foliage by Means of Polarimetric SAR Tomography[J].IEEE Geoscience & Remote Sensing Letters，2012，9(1):60-64.

[59] 畢輝，蔣成龍，王萬(wàn)影,等.層析合成孔徑雷達(dá)成像航跡分布優(yōu)化方法[J].系統(tǒng)工程與電子技術(shù)，2015，37(8):1787-1792.

[60] 畢輝，張冰塵，洪文.基于RIPless理論的層析SAR成像航跡分布優(yōu)化方法[J].航空學(xué)報(bào)，2016，37(2):680-687.

[61] 盧紅喜，劉宏偉，羅濤,等.層析SAR系統(tǒng)基線優(yōu)化設(shè)計(jì)[J].電子與信息學(xué)報(bào)，2015，37(4):919-925.

[62] 廖明生，魏戀歡，BALZ T,等.TomoSAR技術(shù)在城市形變監(jiān)測(cè)中的應(yīng)用[J].上海國(guó)土資源，2013，34(4):7-11.

[63] GUILLASO S，REIGBER A.Polarimetric SAR Tomography[C]∥Proceedings of the 2nd International Workshop.[S.l.]：POLINSAR，2005：586.