.png){kind=icon}
返回
Complex convolutional sparse coding InSAR phase filtering Incorporating directional gradients and second-order difference regularization
.png){kind=icon}
PRE
AI
DOI：10.1016/j.isprsjprs.2025.12.016.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
干涉合成孔径雷达（Interferometric Synthetic Aperture Radar, InSAR）是一种能够有效获取地面信息、开展大规模地形测绘以及监测地表形变的技术。然而，InSAR数据受到由雷达回波信号衰减、地面背景杂波和去相干效应引起的斑点噪声的干扰，这影响了InSAR干涉相位质量，从而降低了InSAR结果的精度。现有的复卷积稀疏编码梯度正则化（Complex Convolutional Sparse Coding Gradient Regularization, ComCSC-GR）方法通过考虑稀疏系数矩阵在行（方位）和列（距离）方向上的梯度来引入梯度正则化。它是一种先进且有效的干涉图相位滤波方法，能够提高干涉图质量。然而，该方法未考虑对角梯度及二阶差分信息（由边缘突变引起）的变化特性，导致在高噪声和低相干区域，干涉图仍存在阶梯状伪影、干涉图不均匀（由大量残余点引起）以及相位边缘结构不清晰等问题。本文引入多方向梯度和二阶微分拉普拉斯算子信息，构建了两个模型：“基于方向梯度L2-范数正则化与拉普拉斯算子的复卷积稀疏编码模型（ComCSC-RCDL）”和“耦合L1-范数全变分正则化的复卷积稀疏编码模型（ComCSC-RCDL-TV）”。这些方法增强了相位纹理和边缘结构的保真度，并改善了低相干场景下InSAR干涉图滤波相位的质量。采用模拟数据、Sentinel-1和LuTan-1（LT-1）的真实数据以及包括ComCSC-GR和InSAR-BM3D在内的先进方法进行了对比实验（真实数据实验包括去除干涉图轨道误差前后的对比实验）。结果表明，所提出的模型方法优于对比模型，验证了所提模型的有效性。
期刊
IF:
12.2
论文数:
4.4K
被引数:
3.2W
机构
引用论文
.png){kind=icon}
查看更多内容