(8)
式中，y1 和y2 分别代表Y1*和Y2*的伪逆矩阵。conj(·)表示取复共轭运算；Arg[·]代表取复数相角；g(m1,n1)|(m2,n2)表示像元(m1,n1)与(m2,n2)之间的梯度信息；ϕy－和ϕx－分别为局部窗口内行方向和列方向的单位相位梯度估计值，即式(1)局部多项式系数矢量C中的梯度c1和c2。
2 相位解缠的CKF局部多项式系数递推估计法
2.1 CKF递推估计多项式系数矢量
为了有效评估干涉图局部多项式系数矢量C，特别当干涉图信噪比较低时，LAEKF与LALKF通常需通过增大当前待估计像元局部窗口尺寸来提高算法的噪声抗差性，不仅增加了算法运行时间，而且扩大窗口容易破坏干涉相位梯度局部稳定的假设，导致相位解缠精度严重下降。本文把AMPM算法与CKF算法结合起来，提出相位解缠的CKF局部多项式系数递推估计法，先用AMPM算法获取干涉图初始相位梯度，加快窗口内多项式系数收敛速度，从而可以选取较小窗口，提高相位解缠效率；再使用CKF算法对多项式系数矢量C进行状态估计，获得更精确的相位解缠效果。
设(m,n)像元为当前估计像元，利用当前估计像元干涉相位与其对应一阶导数近似来表示相邻像元干涉相位ϕL(ml, nl)[23-24]，则C的观测值可表示为
(9)
式中，(ml, nl)像元为以干涉图(m,n)像元为中心的局部窗口内的像元；j(ml, nl)为状态变量的观测值；v1,l和v2,l分别为附加在复干涉信号虚部和实部的噪声。本文算法中系数矢量C中的相位梯度已经通过AMPM算法进行估计获得初始值，使C更快且精确收敛，据此本文算法采用的局部窗口尺寸L=3，提高算法运行效率的同时，又能维持相位梯度的局部稳定性，准确恢复干涉相位。
窗口内中心像元的系数矢量和估计误差方差初始化如下
(10)
式中，E[·]表示求取期望。在局部窗口内对系数矢量递推估计L2次，根据l(l依次取1, 2, …,L2)循环使用CKF算法估计系数矢量C，主要步骤为：首先通过状态转换矩阵F估计当前系数矢量，然后生成容积点Ci,l|l－1*以及预测值ci,l|l－1并计算对应的误差方差矩阵Pl|l－1
(11)
式中，F为3×3的单位矩阵；
