CN105467390A - 一种基于地基InSAR的桥梁形变近距离监测方法 - Google Patents

Abstract

本发明公开了一种基于地基干涉合成孔径雷达对桥梁形变监测的方法，属于工程测量领域。本发明通过干涉合成孔径雷达，先获取桥梁形变前后的两对SAR成像，将他们各自进行相干处理，得到形变前后的两幅相位相干图；再将这两幅图像进行差分处理，最后得到的差分相位即为形变相位，通过形变相位即可得到桥梁形变量。由于干涉合成孔径雷达测量技术具有全天候、全天时、高分辨率和连续空间覆盖的特点，所以该方法克服了传统方法单点测量、分辨率低和极易受外界干扰等一系列缺点，可以对桥梁进行实时、长期的监控，为桥梁维护、管理决策提供依据和指导。

Description

一种基于地基InSAR的桥梁形变近距离监测方法

技术领域

本发明涉及监控***，具体涉及一种基于地基干涉合成孔径雷达的桥梁形变近距离监测方法。

背景技术

桥梁，作为我国重要的基础设施之一，对国民经济的发展有着至关重要的作用。一旦桥梁的安全性不能完全保证，就会给经济发展带来负面影响。而且随着社会进步和科技的发展，造桥技术不断进步，桥梁结构逐步向轻巧、纤细方面发展，与此同时桥梁的载重、跨径和桥面宽度不断增长，结构型式不断变化。传统的变形监测手段差不多都是基于“点”式数据采集方法，不能全面完整地体现桥梁的形变，在空间上也不能实现桥梁形变早期识别及动态监测的目的，于是，这就迫切需要一个更可靠的能对桥梁的健康参数进行长期的实时监测的方法。

上世纪九十年代，干涉合成孔径雷达逐渐发展起来，可以监测地表的微小形变，具有全天候、全天时、覆盖面广、高度自动化和高精度监测地表变形的优势，是水准测量和GPS测量的有效补充，在长期监测桥梁形变及其健康程度上具有明显优势。

经研究表明，由于桥梁形变监测是一个长期的过程，导致SAR的影像质量受到了很多因素的影响，尤其是季节和天气变换的影响。所以在数据处理的环节中，要加入季节和天气条件加以改正，要滤除对桥梁形变监测无用的数据，从而使测量更加精确。

发明内容

1.目的：本发明所要解决的问题是在现有的监测方法上，提供一种基于地基干涉合成孔径雷达的桥梁形变近距离监测方法。

2.技术方案；本发明是一种基于地基干涉合成孔径雷达的桥梁形变近距离监测方法，该方案的具体步骤如下：

步骤一：SAR影像的预处理

为了防止桥面上的散射系数相差较大而得到非平稳图像，需要对图像进行预滤波处理——方位向滤波和距离向滤波，即减少因回波方位向多普勒频率中心不同和基线引入所引起的失相关效应。

步骤二：SAR影像配准

由于基线的存在，两部天线对目标区域的角度和斜距都有区别，所以两幅SAR图像在距离向和方位向都存在一定的错位和旋转角度，导致相同的目标点在两幅图像中的位置不一。图像配准的目的就是使复图像中相同位置的点对应地面场景中的同一点，提高后续干涉处理的信噪比，使得干涉条纹更加清晰。

步骤三：去地平效应

平地效应不包含高程变化的信息，而且使干涉相位的条纹变密，影响相位解缠的效果，所以在此之前需要去掉平地效应条纹。

步骤四：干涉相位滤波

仪器工作和环境会产生加性噪声，且SAR中存在特有的乘性噪声。所以为了保证后续相位解缠的质量，必须要去噪滤波，使相位更加清晰。

步骤五：相位解缠

电子设备只能记录0到2π的相位，即缠绕相位，而真实的干涉相位需要在缠绕相位的基础上加上2nπ，所以必须通过相位解缠这一步骤，得到与地形高度相对应的真实相位。

3.优点及功效：

本发明一方面能克服“点”式数据采集方法的缺陷，对桥梁进行全方位的监测，具有全天时、全天候、不受大气传播和气候影响，而且其测量精度能达到毫米级别。另一方面通过干涉图能够观察桥梁形变的整个过程，可以及时发现桥梁是否受损，便于其维护。

附图说明

图1为本发明中干涉合成孔径雷达对桥梁监测的结构示意图；

图2为本发明中InSAR测高原理示意图。

图3为本发明处理过程的流程图。

具体实施方式

本发明涉及到的一些运算方法

1、测高原理

利用具有一定视角差的两幅天线获取同一区域的相干SAR图像，然后根据其干涉相位来计算高程值，如图2所示。

2、桥梁形变量和干涉图相位差的关系

天线A₁和天线A₂分别代表两副天线的位置，天线间的距离用基线距离B表示，基线与水平方向的夹角为α。h代表天线与桥梁底面的高度，P为目标点，R为P到天线A₁的距离，R+ΔR为P到天线A₂的距离，θ是第一副天线的参考视角，P点形变量用z表示。

天线A₁和天线A₂接收到的信号的相位差为：

由于在实际的电子***中，只能记录0到2π的相位，而实际的相位为：

$\begin{array}{cc}\mathrm{\φ}=\frac{2\mathrm{\π}\mathrm{\Δ}R}{\mathrm{\λ}}+2N\mathrm{\π}& N=0,\±1,\±2,...\end{array}---\left(2\right)$

由图2可以求得

$sin(\mathrm{\α}-\mathrm{\θ})=\frac{{(R+\mathrm{\Δ}R)}^2-R^2-B^2}{2RB}---\left(3\right)$

z＝h-Rcosθ(4)

忽略ΔR²项，由上式可得

$\mathrm{\Δ}R\≈B\sin (\mathrm{\α}-\mathrm{\θ})+\frac{B^2}{2R}---\left(5\right)$

综上所述 $\frac{d\mathrm{\φ}}{dz}=\frac{4\mathrm{\π}}{\mathrm{\λ}}\frac{B_{\⊥}}{R\sin \mathrm{\θ}}---\left(6\right)$

上式反映了干涉相位随形变量变化的规律

本发明是通过先获取桥梁形变前后的两对SAR成像，将他们各自进行相干处理，得到形变前后的两幅相位相干图；再将这两幅图像进行差分处理，最后得到的差分相位,通过相位差可以得到桥梁形变量。其具体过程如图3所示

第一步:分别将前后两幅图进行图像配准。

运用最大频谱方法，干涉相位图的距离向频谱在某个频点上出现峰值，具***置由峰值信噪比HLR确定

$HLR=\frac{MAX\left|{\mathrm{RF}}_{12}(m,n)\right|}{{\Σ}_{m=0}^{M,m\≠m_0}{\Σ}_{n=0}^{N,m\≠m_0}\left|{\mathrm{RF}}_{12}(m,n)\right|}---\left(7\right)$

式中RF₁₂为干涉相位图的频谱

HLR最大的位置就对应着最佳的配准。

第二步：主从影像滤波。

第三步：去平地效应。

设第N点干涉相位的功率谱峰值出现在l点处，则对应的条纹频率为

$f_{fringe}=\frac{l}{N}\·RSR---\left(8\right)$

其中RSR为距离采样率：

$RSR=\frac{1}{{\mathrm{\Δt}}_r}=\frac{c}{2R_r}---\left(9\right)$

其中Δt_r为采样时间间隔；R_r为天线到目标的斜距向距离。在频域将功率谱峰值循环移位到零点，则对应的时域相位修正φ_correct(n)

${\mathrm{\φ}}_{correct}\left(n\right)=\frac{2\mathrm{\π}}{N}nl=\frac{2\mathrm{\π}}{N}n\frac{N\·f_{fringe}}{RSR}=\frac{2{\mathrm{\πf}}_{fringe}}{RSR}n---\left(10\right)$

因为对于任何等高参考面，条纹频率f_fringe与斜距条纹频率f_fringe.r的关系为：

$f_{fringe}=f_{fringe.r}\frac{c}{2}---\left(11\right)$

所以， ${\mathrm{\φ}}_{correct}\left(n\right)=2{\mathrm{\πf}}_{fringe}\frac{2}{c}{\mathrm{nR}}_r=2{\mathrm{\πf}}_{fringe.r}{\mathrm{nR}}_r---\left(12\right)$ 频移法实质上是通过频率谱的循环移位，在时域引入等于相对平地相位的修正因子，从而达到去除平地效应的目的。

第四步：空间滤波降噪

利用细胞神经网络并行处理特性快速获取干涉条纹图的条纹中心线，根据条纹中心线求取滤波窗口，利用此滤波窗口对干涉条纹图进行滤波。考虑到InSAR干涉相位条纹图有2π跳变线，采用正余弦滤波法实现InSAR干涉图的滤波。

第五步：相位解缠。

设相位解缠后的相位数据为φ_i,j，则最小二乘相位解缠方法的思想是最小化下式：

$\underset{i=0}{\overset{M-1}{\Σ}}\underset{j=0}{\overset{N}{\Σ}}{({\mathrm{\φ}}_{i+1,j}-{\mathrm{\φ}}_{i,j}-{\mathrm{\Δ}}_{i,j}^x)}^2\underset{i=0}{\overset{M}{\Σ}}\underset{j=0}{\overset{N-1}{\Σ}}{({\mathrm{\φ}}_{i,j+1}-{\mathrm{\φ}}_{i,j}-{\mathrm{\Δ}}_{i,j}^y)}^2---\left(13\right)$

设置权值之后，上式变为加权方程：

$\underset{i=0}{\overset{M-1}{\Σ}}\underset{j=0}{\overset{N}{\Σ}}U(i,j){({\mathrm{\φ}}_{i+1,j}-{\mathrm{\φ}}_{i,j}-{\mathrm{\Δ}}_{i,j}^x)}^2\underset{i=0}{\overset{M}{\Σ}}\underset{j=0}{\overset{N-1}{\Σ}}V(i,j){({\mathrm{\φ}}_{i,j+1}-{\mathrm{\φ}}_{i,j}-{\mathrm{\Δ}}_{i,j}^y)}^2---\left(14\right)$

其中

$\begin{array}{c}U(i,j)=\min (w_{i+1,j}^2,w_{i,j}^2)\\ V(i,j)=\min (w_{i,j+1}^2,w_{i,j}^2)\end{array}---\left(15\right)$

由于加权最小二乘无法用DCT、FFT等快速算法求解，只能采用迭代算法进行求解。可以表示为：

$\mathrm{\φ}(i,j)=\frac{U(i,j){\mathrm{\φ}}_{i+1,j}+U(i-1,j){\mathrm{\φ}}_{i-1,j}+V(i,j){\mathrm{\φ}}_{i,j+1}+V(i,j-1){\mathrm{\φ}}_{i,j-1}-c_{i,j}}{U(i,j)+U(i-1,j)+V(i,j)+V(i,j-1)}$

$\left(16\right)$

其中c_i,j为加权的Laplacian算子，其表达式为：

$c_{i,j}=U(i,j){\mathrm{\Δ}}_{i,j}^x-U_x(i-1,j){\mathrm{\Δ}}_{i-1,j}^x+V(i,j){\mathrm{\Δ}}_{i,j}^y-V(i,j-1){\mathrm{\Δ}}_{i,j-1}^y---\left(17\right)$

第六步：差分干涉

将前后获得的两幅干涉图进行差分，得到前后的差分干涉图，然后将相位差反映到桥梁形变量中。

Claims (5)

1.一种运用干涉合成孔径雷达对桥梁形变监测的方法，其特征在于：

A、将干涉合成孔径雷达安装在桥墩上，对航道无阻碍作用

B、利用两部具有一定视角差的SAR进行成像

C、运用最大谱配准法对两幅SAR图像进行配准

D、运用干涉图频谱偏移对生成的干涉图进行去平地效应

E、运用干涉条纹中心线滤波方法对干涉图滤波

F、运用加权最小二乘法对相位进行解缠。

2.根据权利要求1所述的方法，其特征在于，步骤C具体包括：

C1、根据复数图像对数据获得干涉图频谱；

C2、计算干涉图频谱的最大模值与其他频率成份模值之和的比值，该比值称为评价函数。

3.根据权利要求1所述的方法，其特征在于，步骤D具体包括：

D1、根据干涉复位图逐行进行的离散傅里叶变换求得最大峰值频率即为干涉条纹距离向的主要频率；

D2、根据主要频率中心,通过频域谱的循环移位,在时域引入等于相对平地相位的修正因子。

4.根据权利要求1所述的方法，其特征在于，步骤E具体包括：

E1、根据细胞神经网络并行处理提取条纹中心线；

E2、根据由中心线确定的滤波窗口对图像进行滤波。

5.根据权利要求1所述的方法，其特征在于，步骤F具体包括：

F1、根据最小二乘法利用缠绕相位计算水平方向或垂直方向的相位梯度；

F2、根据水平方向和垂直方向的相位梯度进行积分。