1 引 言
合成孔径雷达遥感差分干涉测量技术(differential interferometric synthetic aperture radar,D-InSAR)作为一种新兴的对地观测技术手段，可以在不需要地面控制点的情况下监测厘米级甚至毫米级精度的地表形变[1]，相较于传统的形变监测方法(如精密水准、GPS监测等)具有全天时、全天候、覆盖面广、省时省力的特点[2]。然而由于大气相位延迟，地表的时空去相干以及DEM误差等因素的影响，D-InSAR技术的应用和推广也受到一定的限制[3]。因此，一些学者相继提出了时序InSAR技术，如永久散射体技术[4](permanent scatterer technology,PS)、小基线集技术[5](small baseline subset technology,SBAS)，StaMPS技术[6](Stanford method of permanent scatterer technology)等，利用SAR影像上时序稳定相位的连续观测，通过不同相位解缠模型和参数估计算法获得时序上的形变序列。高质量时序稳定相位的选取克服了传统D-InSAR中时空失相干现象并减弱了大气延迟的影响。其中，SBAS技术相较于永久散射体技术而言，具有降低噪声水平、监测大范围形变的特点，已经被广泛应用于国内外地表形变监测[7, 8, 9, 10]。SBAS技术利用时空基线限制条件将干涉对分成若干个小基线集，再利用奇异值分解将各个小基线集联系以来，在选取的高质量点上解算出时序形变[5]，为了区别于传统的高相干点，本文将时序相位稳定的点称为高质量点。
高质量点的选取对于SBAS技术最终呈现的形变信息至关重要，而目前已有的SBAS高质量点选取算法仍然存在一定的缺陷。最初，文献[5]利用相干系数法来选取高相干点。该方法虽然计算简便，但是在相干系数计算的过程中，窗口太大时容易产生旁瓣效应[11]，窗口太小时，不满足零均值的条件，常常造成相干性的高估[12]，并且干涉图上存在的形变条纹也会造成相干性的低估，因此相干系数作为衡量像元相位时序稳定性的准则是有偏的[12]。文献[13]在利用条件函数最优解算局部形变时，同时也利用条件函数的值对通过相干系数法预选出的点进行了二次筛选，这种方法不仅保留了相干系数法的缺点，而且在条件函数的计算中没有考虑到非线性形变。文献[14]将小基线集的思想应用到StaMPS中，虽然利用多基线的干涉相位信息进行选点，但始终只是对未解缠的相位进行处理，并且对于轨道误差较大的影像容易造成误估。文献[11]利用多时相SAR影像对相干系数计算中的偏差进行了改正，得到了较好的效果，但是算法过于复杂。更重要的是，目前大部分相干系数法都是利用时序上相干系数的均值作为衡量像素相干性的标准[8, 9, 10]，没有考虑时序上的统计信息，因此对于在一些时段保持高相干而在其他时段相干性较低的点很容易产生误选。
鉴于此，本文探索一种反映相位质量的准则和算法来进行SBAS技术高质量点的选取。根据干涉相位各个组成成分的时空特征，分离得到噪声相位，最终利用时序噪声相位判断相位的质量。
2 顾及时空特性的SBAS高质量点选取算法SBAS技术应用于解缠后的干涉相位，而干涉相位的各个组成成分在时序和空间上表现出的特性有所不同，因此本文从干涉相位在时空上的特性出发，探索衡量相位时序稳定性的准则和空间相关相位成分估计算法。
2.1 时序稳定相位判断准则假设对于解缠后的差分干涉图上任一像元x有
式中，i为干涉对号；φdiff,i,x为解缠后的差分干涉相位；φdef,i,x为形变相位；φatm,i,x为大气相位；φorbit,i,x为轨道相位；φtop_res,i,x为高程残余相位；φnoi,i,x包含噪声相位以及数据处理误差。在这些相位成分中，形变相位、大气相位以及轨道相位在空间上存在较大相关性，可以利用空间上的低通滤波进行估计，用φdiff,i,x表示。另外，高程残余相位与垂直基线具有式(2)所示线性关系，可以利用最小二乘的方法估计出[6]
式中，B⊥,i为干涉对的垂直基线；λ为雷达波长；Ri为天线到地面的距离；θi为雷达波的入射角；Δzx为像元的高程残余。构造如式(3)所示的时间相干系数作为判断像元质量好坏的准则，M为干涉对数量；
为利用最小二乘准则估计的高程残余相位；γx取值范围在0到1之间，表示像元质量从低到高
空间上相关的相位可以通过在一定范围内进行空间上的低通滤波获得，该范围通常设定为大气在空间上的相关范围(800 m)[6]。如果空间相关相位成分估计不准确，将引起φnoi,i,x项包含更多的成分，继而导致时间相干系数γx作为判断像元质量好坏的准则有偏，因此空间相关相位成分的准确估计对高质量点的选取具有重要意义。
2.2 空间相关相位成分估计常用的空间相关成分的估计方法为均值滤波，但是均值滤波得到的结果较模糊，对边缘的保持效果较差。文献[6]利用自适应的巴特沃斯滤波器进行频率域的低通滤波，考虑了截止频率处的光滑响应，以及不同频谱强度处的自适应定权。本文采用考虑同质点的Non-Local滤波来获得空间相关相位成分。先利用时序SAR影像的强度信息进行两个样本的KS检验，确定参考点一定范围内的同质点，再利用Non-Local算法对同质点定权，进行空间平均获得参考点上的空间相关相位。这样不仅排除了非同质点对参考点的影响，而且实现了低通滤波的自适应定权。文献[15]证明Non-Local算法能够更好地保存影像中各个成分的边缘信息。
2.2.1 两个样本的KS检验KS检验全称为柯尔莫哥洛夫-斯摩洛夫(Kolmogorov-Smirnov)检验，用来检验数据的分布是否符合某个已知的分布。两个样本的KS检验用来区分两个数据是否服从同一分布，易于实施，没有参数设置，并且当影像数量不少于8景时就能得到可靠的检验结果[16]。
在雷达遥感影像上，稳定的像元通常对应稳定的后向散射特性，而对于不稳定的像元其后向散射特性通常表现得更为随机。因此，利用表征雷达回波后向散射特性的强度值作为KS检验的观测值[16]。
假设有N张配准到同一影像空间的SAR影像，对其中任一像元x有如下从小到大排列的强度观测值
则有累积频率分布函数
对于影像上任意两点x1和x2，为了检验它们是否是同质点，可以建立如下检验统计量
不论观测值服从什么分布，检验统计量DN均近似为KS分布，其累积概率密度函数为[16, 17]
根据显著性水平α设定阈值c，当DN≤c时以置信水平α认为点x1与x2是同质点。
2.2.2 Non-Local算法在SBAS技术中，差分干涉相位包含多个空间相关的成分：形变相位、大气相位、轨道误差相位，但是它们的相关范围有所不同，尤其对于形变相位，其空间相关的范围可大可小。为了获得准确的空间相关相位，除了要考虑参与低通滤波的像元与参考像元是否同质外，还要考虑不同空间相关相位成分的相关范围，即对边缘的清晰反映。而Non-Local算法，根据相位空间分布的差异进行定权，可以很好地保留不同成分的空间分布[15]。
假设像元i为待计算像元，j为搜索范围I内的任一除参考像元外的其他像元，则对像元i可以得到经Non-Local算法计算得到的空间相关相位为[15, 18]
式中，φ(j)为像元j的原始相位值；w(i,j)为像元i与像元j之间的权重，根据像元之间空间上的相位差异得到 式中，δ为像元i和像元j各自的邻域；Ga是与邻域δ大小相同的高斯卷积核(邻域δ取7×7)。 3 空间相关相位成分提取方法比较
如第2.1节中介绍，准确提取空间相关相位成分对于噪声相位的分离和高质量点的选取至关重要，在本节中系统比较了不同滤波器对影像上空间相关成分的提取能力，分别选择反距离加权均值滤波、文献[6]中的自适应巴特沃斯滤波、Non-Local滤波以及考虑同质点的Non-Local滤波进行模拟试验和真实数据试验。
3.1 模拟试验图 1(a)模拟了多个不同范围的形变，以此来比较各个滤波器对不同空间相关范围成分的提取能力，形变漏斗的半径依次为10、15、20、25、30、40像素，数值范围为0~2 cm，并生成20景添加了高斯白噪声的影像，高斯白噪声的标准差为0.28 cm。根据科尔莫格罗夫湍流理论[19]，模拟0均值大气噪声，并从20景影像中分别随机选取5景加入随机的大气噪声和线性轨道项，从而使得模拟数据更加接近真实的干涉相位数据。试验过程中第15景影像同时加入了大气项和轨道项，其中大气项如图 1(b)所示，线性轨道项如图 1(c)所示，图 1(d)为加入大气项、轨道项和噪声项的模拟影像，分别利用反距离加权均值滤波、自适应的巴特沃斯滤波、Non-Local滤波以及考虑同质点的Non-Local滤波对该影像进行低通滤波，选取滤波窗口的半径为15，即认为空间相关的范围为15个像素，得到的结果如图 1(e)-(h)所示。
|
| 图 1 4种滤波方法模拟数据试验比较 Fig. 1 Comparison of the four filtering methods using the simulated data |
从滤波的结果可以看出，图 1(e)反距离加权均值滤波的结果由于受到滤波窗口的影响，影像基本失真，在形变的范围与数值上均发生较大变化；图 1(f)结果中形变的范围依稀可见，对于范围大的形变基本保留了原有的形变信息，但是对于小范围的形变滤波后的结果受截止频率的限制变得模糊；图 1(g)中Non-Local滤波与反距离加权均值滤波的不同在于，Non-Local滤波利用数值差异定权，对于小范围的形变依然造成了很大程度上的失真，但是对大范围形变边缘的保存相较于反距离加权均值滤波更为清晰；图 1(h)中考虑同质点的Non-Local滤波不仅能够较好地保存范围大的形变，而且可以很好地保存小范围的形变，基本上不受滤波窗口大小的影响；图 1(i)-(l)显示了各个方法滤波结果与模拟数据真值的差值，考虑同质点的Non-Local滤波不仅对形变区域信息的保存表现出了明显的优势，而且对于大气项以及轨道项也能够很好地提取出来。因此对于差分干涉图上各个空间相关相位相关范围不一致的情况，利用考虑同质点的Non-Local滤波能够更加有效地提取出空间相关的相位成分。
3.2 真实数据试验选取1992-1998年覆盖上海市的24景JERS-1影像中的小部分区域作为研究对象(图 2(a))，根据文献[20-21]可知，在该区域内沉降比较严重。利用时序SAR影像的强度图判断各个点的同质性(图 2(b))，并选取1994年12月3日与1997年7月28日的两景影像生成的解缠差分干涉图进行滤波处理，提取空间相关的相位成分，根据大气在空间上的相关距离可以确定空间相关范围为800 m，结果如图 2(c)-(f)所示。
|
| 图 2 4种滤波方法真实数据试验比较 Fig. 2 Comparison of the four filtering methods using the real SAR data |
均值滤波与自适应的巴特沃斯滤波得到的结果均更为平滑，但是形变的形状发生了较大的改变；Non-Local滤波与考虑同质点的Non-Local滤波在形变的范围上较为接近，但是前者在形变边缘的细节保存上没有后者的效果好。考虑同质点的Non-Local滤波也会因为在搜索窗口内同质点的个数较少而不能准确地平滑掉噪声信息。
从上述模拟试验以及真实数据试验均可以看出，本文考虑同质点的Non-Local滤波相较于其他的低通滤波器而言能够更好地分离出影像上空间相关的成分，并且较好地保存了空间相关成分的边缘和细节信息。
4 试验分析由上述结论可知，考虑同质点的Non-Local滤波对空间相关相位成分的提取具有一定的优势，因此本文利用该方法以及最小二乘准则分别分离出干涉相位中的空间相关相位和高程残余相位，最终得到噪声相位计算时间相干系数作为选取高质量点的准则，具体技术路线如图 3所示。为了比较本文方法与传统的SBAS技术选点方法的差别，分别利用本文的方法以及SBAS技术中常用的相干系数法对试验区进行选点，并在所选点的基础上解算出平均形变速率。对两种方法的优缺点进行了对比分析，并对两种方法所选点的可靠性进行了进一步的检核与验证。
|
| 图 3 本文方法流程 Fig. 3 The flow chart of the proposed algorithm |
研究选取1992-1998年的JERS-1数据，数据主要覆盖上海市的主城区、浦东新区以及闵行区、南汇区和宝山区的部分地区，面积约为1440 km2，如图 4中红框所示。主城区、闵行区和宝山区的地物类型主要表现为密集的住宅区与高楼，并遍布相对密集的道路交通网。2000年以前，浦东新区、南汇区主要表现为村落与农田相交错的地表特征。选择地物类型相对复杂的该区域作为研究区域可以反映本文算法与传统算法在不同地物类型覆盖地区选点上的差别，并且在该区域发育有多个沉降漏斗可以更好地反映本文算法对于形变区域的选点能力。
|
| 图 4 研究区域(a)和干涉对组建(b) Fig. 4 The study area (a) and interferogram network in this study (b) |
JERS-1数据采用3:9多视(分辨率约为40 m×40 m)，设置时间基线阈值为3 a，空间基线阈值为2000 m，最终由24景SAR影像得到62个干涉对，组建情况如图 4(b)所示。JERS-1数据相干性较好，但是轨道误差较大，利用多项式拟合的方法加以去除[22]。研究采用90 m分辨率的SRTM数据去除地形相位，上海区域地形平坦，DEM的精度比较有限。上海市属于海滨城市，受对流层大气影响较大，本文采用掩膜的方法处理受大气影响严重的区域。
4.3 试验结果与分析图 5(a)用相干系数阈值法选出高相干点334 072个(相干系数阈值为0.7)，并得到平均形变速率图。图 5(b)中先利用相干系数阈值法剔除水域等完全失相干的地区(阈值为0.2)，然后利用本文的方法进行选点(时间相干系数阈值为0.7)，最终选取318 587个高相干点。
|
| 图 5 本文方法(b)与相干系数法(a)形变结果比较 Fig. 5 Comparison of the deformation results estimated by the proposed approach (b) and coherence approach (a) |
从图 5的结果可以看出，两种方法在主城区均能选出足够密度的点，但是在远离城区的郊区，相干系数法的块状聚集现象更为明显，而本文的方法选出的点相对独立，不受旁瓣效应的影响，分布较为均匀。图 6(a)、图 6(b)对应图 5中的a、b区域，表现出明显的沉降特征。利用相干系数法(左图)只能提取出零星的信息，本文方法(右图)在这些区域选出的点相对较多并且相对均匀，可以更详细地反映沉降的情况。图 6(c)对应了图 5中的c区域，由点的分布可以看出相干系数法(左图)选出了较大村庄处的高相干点，而对于范围小的村庄则受旁瓣效应的影响被淹没掉，而本文方法(右图)可以有效地减少周围地物对高质量点的影响，从而有效地提取出小村庄处的高质量点。图 6(d)对应了图 5中的d区域，具体表现为村落中间夹杂着农田。受附近房屋的影响，相干系数法(左图)在农田处误选出了高相干点，本文方法(右图)有效地避免了误选农田处的点。因此本文方法相较于相干系数法减弱了旁瓣效应的影响，提高了非城区范围选点的密度和可靠性。然而本文方法相较于相干系数法的缺陷主要在于利用Non-Local算法定权进行低通滤波时效率相对较低。
|
| 图 6 本文方法与相干系数法局部区域选点比较 Fig. 6 Comparison of the extracted points of the proposed approach and coherence approach in local areas |
为了评价本文选点算法的可靠性，分别对本文的方法进行定量以及定性的评估。根据SBAS技术解算得到的形变相位、高程残余相位、大气和轨道相位[5]，可以得到各个点上的噪声相位，进而利用式(3)再次计算各点的时间相干系数。相干系数法与本文的方法所选点上时间相干系数统计结果如图 7所示。
|
| 图 7 本文方法与相干系数法所选点的时间相干系数统计结果 Fig. 7 The statistical results of the temporal coherence of the points generated by the proposed approach and coherence approach |
从对时间相干系数的统计可以看出，相干系数法以及本文方法的结果均集中于0.7至0.9。通过计算可知，相干系数法选出的点中时间相干系数大于0.7的占总数的63.96%，本文方法选出的点中时间相干系数大于0.7的占总数的70.74%，由此可见，本文利用时间相干系数准则选出的点总体上优于相干系数法选出的点。
为了进一步说明本文算法的可靠性，从本文的研究区域中截取一小片区域(图 8(a))进行人工判读，该区域位于浦东新区，以交错的农田与村落为地物特征(2000年前)。值得注意的是，图 8(a)中底图为时间最近的Google Earth地图，因此与SAR影像时间段内的地物有所差别，而所选择进行人工判读的Google Earth影像时间为2000年11月22日，相较于本文的研究时段这片区域地物没有太大的变化。随机地从该区域两种方法已选点中抽取50个点进行人工判读，找出与所选50个点对应的地物类型，得到的判读结果统计如图 8(b)所示。
|
| 图 8 随机采样点分布图(a)及其人工判读结果(b) Fig. 8 Distribution of points selected randomly for manual interpretation (left) and the result of manual interpretation (right) |
根据SAR影像以及Google Earth影像分辨率情况，将地物类型主要分为房屋、道路、农田、水面、绿化带五大类，其中房屋、道路等人工地物视为稳定的散射体，可以被认为是时序高质量点，而农田、水面以及绿化带由于其失相干特性不能被认为是时序高质量点。两种方法中随机选出的50个点没有位于水面上的点。从图 8(b)中的统计结果中可以看出两种方法选点的可靠性均为84%，但是由图 5、图 6可以看出相干系数法选出的点呈现块状聚集分布，并主要分布在城镇以及范围大的村庄上，而本文方法除了在这些区域分布有足够密度的点，在农田中的小村庄上依然能够选出高质量点，证明了本文方法对于农田与村落交错分布地区高质量点的选取能力。
5 讨论与总结本文顾及时空特性的SBAS高质量点选取方法相较于已有相干系数法具有如下几点优势：
(1) 相干系数法与本文的方法所选点可以被归类为3种情况：①同时被两种方法选出的点有268 724个；②被相干系数法选出，本文方法未选出的点有65 348个；③被本文方法选出，相干系数法未选出的点有49 863个。图 9中的1号点即为第2种情况，2号点为第3种情况。相干系数法根据各个干涉对相干系数的均值来选点，对于在部分干涉对上低于阈值部分干涉对上高于阈值但是均值高于阈值的点则会被选出，1号点即为这种情况，相干系数均值为0.702 6，高于阈值0.7，但是1号点位于靠近岸边的水面上，不适合作为高质量点。本文的方法在时序上计算时间相干系数作为衡量像元在各个干涉对上综合质量的标准，计算得到1号点的时间相干系数为0.417，有效地将1号点从选取的高质量点集中排除。
|
| 图 9 两种方法选点情况比较 Fig. 9 Comparison of the points selected by two methods |
(2) 从点的分布上来看，相干系数法受到相干系数估计窗口的影响旁瓣效应明显，选出的高相干点呈现块状分布的趋势。图 9中的1号点则是由于受到估计窗口内岸上像元的影响，造成相干性的高估，从而被误选为高相干点。在农田与村落交错的郊区，受周围农田的影响，面积较小的村庄常常会被淹没(如图 9中2号点相干系数为0.615，低于阈值)。本文方法能够很好地缓解这种缺点，可以有效地选出位于小面积村庄上的高质量点(时间相干系数为0.744 9，高于阈值)。
(3) 对于沉降区域，形变引起的条纹会造成相干性的低估，因此当形变条纹对相干系数的影响达到使其低于阈值时，相干系数法在这些区域则不能有效选取出高相干点。本文方法在准确地分离出形变相位、大气相位等空间相关相位的基础上，能够有效地利用噪声相位提取出高质量点，从而增加了形变区域的信息量(如图 6中的a、b区域)。
SBAS技术相较于传统的形变监测技术而言具有省时、省力、大面积监测等优点，已经成为当下地面沉降监测的重要手段。如何得到可靠的地表形变数据是形变监测中永恒的话题，而高质量点的选取则是SBAS技术中研究这一问题的重要一环。本文利用两个样本的KS检验方法找出空间上的同质点，然后利用Non-Local算法进行定权，从而从解缠相位中去除空间相关相位，不仅顾及了参与估计空间相关相位像元的同质性，而且考虑到了各个空间相关相位边缘的保持。继而从剩余的相位中提取出高程残余相位，最终剩下噪声相位以及可能存在的数据处理误差相位，并以该相位作为衡量解缠相位质量的基础。文章采用覆盖上海地区的1992-1998年的JERS-1数据进行试验，并与相干系数法的结果比较，最终显示本文的方法不仅在城区能够选取较多的点，而且在远离城区的郊区依然能够更大程度上的提取出高质量点，人工判读的结果表明该方法选取出的高质量点具有很高的可靠性。
致谢：感谢JAXA项目(P1390002；P1229002)提供JERS-1数据。
| [1] | GABRIEL A K, GOLDSTEIN R M, ZEBKER H A. Mapping Small Elevation Changes over Large Areas:Differential Radar Interferometry[J]. Journal of Geophysical Research:Solid Earth(1978-2012), 1989, 94(B7):9183-9191. |
| [2] | LIAO Mingsheng, LIN Hui. Synthetic Aperture Radar Interferometry:Principle and Signal Processing[M]. Beijing:Surveying and Mapping Press, 2003:1-26.(廖明生，林珲. 雷达干涉测量学:原理与信号处理基础[M]. 北京:测绘出版社, 2003:1-26.) |
| [3] | LIU Guoxiang, CHEN Qiang, LUO Xiaojun, et al. Principle and Method of Permanent Scatterer Synthetic Aperture Radar Interferometry[M]. Beijing:Science Press, 2012:10-12.(刘国祥，陈强，罗小军，等. 永久散射体雷达干涉理论与方法[M]. 北京:科学出版社, 2012:10-12.) |
| [4] | FERRRTTI A, PRATI C, ROCCA F. Permanent Scatterers in SAR Interferometry[J]. IEEE Transactions on Geoscience and Remote Sensing, 2001, 39(1):8-20. |
| [5] | BERARDINO P, FORNARO G, LANARI R, et al. A New Algorithm for Surface Deformation Monitoring Based on Small Baseline Differential SAR Interferograms[J]. IEEE Transactions on Geoscience and Remote Sensing, 2002, 40(11):2375-2383. |
| [6] | HOOPER A J. Persistent Scatter Radar Interferometry for Crustal Deformation Studies and Modeling of Volcanic Deformation[D]. California:Stanford University, 2006:46-54. |
| [7] | ZHANG Yonghong, WU Hong'an, SUN Guangtong. Deformation Model of Time Series Interferometric SAR Technique[J]. Acta Geodaetica et Cartographica Sinica, 2012, 41(6):864-869.(张永红，吴宏安，孙广通. 时间序列InSAR技术中的形变模型研究[J]. 测绘学报, 2012, 41(6):864-869). |
| [8] | LI Shanshan, LI Zhiwei, Hu Jun, et al. Investigation of the Seasonal Oscillation of the Permafrost over Qinghai-Tibet Plateau with SBAS-InSAR Algorithm[J]. Chinese Journal of Geophysics, 2013, 56(5):1476-1486.(李珊珊，李志伟，胡俊，等. SBAS-InSAR技术监测青藏高原季节性冻土形变[J]. 地球物理学报, 2013, 56(5):1476-1486). |
| [9] | YIN Hongjie, ZHU Jianjun, LI Zhiwei, et al. Ground Subsidence Monitoring in Mining Area Using DInSAR SBAS Algorithm[J]. Acta Geodaetica et Cartographica Sinica, 2011, 40(1):52-58.(尹宏杰，朱建军，李志伟，等. 基于SBAS的矿区形变监测研究[J]. 测绘学报, 2011, 40(1):52-58). |
| [10] | TIZZANI P, BERARDINO P, CASU F, et al. Surface Deformation of Long Valley Caldera and Mono Basin, California, Investigated with the SBAS-InSAR Approach[J]. Remote Sensing of Environment, 2007, 108(3):277-289. |
| [11] | JIANG Mi, DING Xiaoli, LI Zhiwei. Hybrid Approach for Unbiased Coherence Estimation for Multi-temporal InSAR[J]. IEEE Transactions on Geoscience and Remote Sensing, 2014, 52(5):2459-2473. |
| [12] | ZEBKER H A, CHEN K. Accurate Estimation of Correlation in InSAR Observations[J]. IEEE Geoscience and Remote Sensing Letters, 2005, 2(2):124-127. |
| [13] | MORA O, LANARI R, MALLORQUI J J, et al. A New Algorithm for Monitoring Localized Deformation Phenomena Based on Small Baseline Differential SAR Interferograms[C]//Proceedings of the 2002 IEEE International Geoscience and Remote Sensing Symposium, 2002:IGARSS'02. Toronto:IEEE, 2002:1237-1239. |
| [14] | HOOPER A. A Multi-temporal InSAR Method Incorporating both Persistent Scatterer and Small Baseline Approaches[J]. Geophysical Research Letters, 2008, 35(16):L16302. |
| [15] | BUADES A, COLL B, MOREL J M. A Non-Local Algorithm for Image Denoising[C]//Proceedings of IEEE Computer Society Conference on Computer Vision and Pattern Recognition:CVPR 2005. San Diego:IEEE, 2005, 2:60-65. |
| [16] | FERRETTI A, FUMAGALLI A, NOVALI F, et al. A New Algorithm for Processing Interferometric Data-stacks:SqueeSAR[J]. IEEE Transactions on Geoscience and Remote Sensing, 2011, 49(9):3460-3470. |
| [17] | HOU Shumin, LI Yourong, LIU Guanglin. A New Method of Detecting Nonlinear for Time Series Based on KS Test[J]. Journal of Electronics & Information Technology, 2007, 29(4):808-810.(侯澍旻，李友荣，刘光临. 一种基于KS检验的时间序列非线性检验方法[J]. 电子与信息学报, 2007, 29(4):808-810). |
| [18] | BUADES A, COLL B, MOREL J M. Non-Local Image and Movie Denoising[J]. International Journal of Computer Vision, 2008, 76(2):123-139. |
| [19] | HANSSEN R F. Radar Interferometry:Data Interpretation and Error Analysis[M]. Berlin:Springer, 2001:197-244. |
| [20] | DAMOAH-AFARI P. Detecting Ground Settlement of Megacities Using InSAR Techniques[D]. Hong Kong:Hong Kong Polytechnic University, 2009:91-173. |
| [21] | LU Lijun. Method for Land Deformation Detection Based on Time Series SAR Images and Its Application[D]. Wuhan:Wuhan University, 2008:99-115.(卢丽君. 基于时序 SAR 影像的地表形变检测方法及其应用[D]. 武汉:武汉大学, 2008:99-115.) |
| [22] | ZHOU Hui, FENG Guangcai, LI Zhiwei, et al. The Fault Slip Distribution of the Myanmar Mw 6.8 Earthquake Inferred from InSAR Measurements[J]. Chinese Journal of Geophysics, 2013, 56(9):3011-3021.(周辉，冯光财，李志伟，等. 利用InSAR资料反演缅甸Mw 6.8地震断层滑动分布[J]. 地球物理学报, 2013, 56(9):3011-3021). |