CN111915570A - 基于反向传播神经网络的大气延迟估计方法 - Google Patents
基于反向传播神经网络的大气延迟估计方法 Download PDFInfo
- Publication number
- CN111915570A CN111915570A CN202010662937.0A CN202010662937A CN111915570A CN 111915570 A CN111915570 A CN 111915570A CN 202010662937 A CN202010662937 A CN 202010662937A CN 111915570 A CN111915570 A CN 111915570A
- Authority
- CN
- China
- Prior art keywords
- atmospheric delay
- pixel point
- delay value
- neural network
- value
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 57
- 238000000034 method Methods 0.000 title claims abstract description 55
- 238000012549 training Methods 0.000 claims abstract description 31
- 238000012937 correction Methods 0.000 claims description 15
- 238000004364 calculation method Methods 0.000 claims description 9
- 238000004590 computer program Methods 0.000 claims description 9
- 238000004422 calculation algorithm Methods 0.000 claims description 8
- 230000001174 ascending effect Effects 0.000 claims description 6
- 238000012163 sequencing technique Methods 0.000 claims description 6
- 238000013461 design Methods 0.000 claims description 3
- 238000011423 initialization method Methods 0.000 claims description 3
- 210000002569 neuron Anatomy 0.000 claims description 3
- 238000012545 processing Methods 0.000 abstract description 6
- 230000007547 defect Effects 0.000 abstract description 3
- 238000005259 measurement Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 241001420622 Meris Species 0.000 description 1
- 238000009825 accumulation Methods 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000005305 interferometry Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 239000005436 troposphere Substances 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S13/00—Systems using the reflection or reradiation of radio waves, e.g. radar systems; Analogous systems using reflection or reradiation of waves whose nature or wavelength is irrelevant or unspecified
- G01S13/88—Radar or analogous systems specially adapted for specific applications
- G01S13/89—Radar or analogous systems specially adapted for specific applications for mapping or imaging
- G01S13/90—Radar or analogous systems specially adapted for specific applications for mapping or imaging using synthetic aperture techniques, e.g. synthetic aperture radar [SAR] techniques
- G01S13/9021—SAR image post-processing techniques
- G01S13/9023—SAR image post-processing techniques combined with interferometric techniques
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S13/00—Systems using the reflection or reradiation of radio waves, e.g. radar systems; Analogous systems using reflection or reradiation of waves whose nature or wavelength is irrelevant or unspecified
- G01S13/88—Radar or analogous systems specially adapted for specific applications
- G01S13/89—Radar or analogous systems specially adapted for specific applications for mapping or imaging
- G01S13/90—Radar or analogous systems specially adapted for specific applications for mapping or imaging using synthetic aperture techniques, e.g. synthetic aperture radar [SAR] techniques
- G01S13/9094—Theoretical aspects
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S7/00—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00
- G01S7/02—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00
- G01S7/41—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00 using analysis of echo signal for target characterisation; Target signature; Target cross-section
- G01S7/417—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00 using analysis of echo signal for target characterisation; Target signature; Target cross-section involving the use of neural networks
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S7/00—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00
- G01S7/02—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00
- G01S7/41—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00 using analysis of echo signal for target characterisation; Target signature; Target cross-section
- G01S7/418—Theoretical aspects
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/044—Recurrent networks, e.g. Hopfield networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10032—Satellite or aerial image; Remote sensing
- G06T2207/10044—Radar image
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20084—Artificial neural networks [ANN]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30181—Earth observation
- G06T2207/30192—Weather; Meteorology
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Remote Sensing (AREA)
- Radar, Positioning & Navigation (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Data Mining & Analysis (AREA)
- Computing Systems (AREA)
- Computational Linguistics (AREA)
- Biomedical Technology (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Electromagnetism (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Quality & Reliability (AREA)
- Radar Systems Or Details Thereof (AREA)
Abstract
本发明涉及信号处理技术领域,尤其涉及基于反向传播神经网络的大气延迟估计方法、装置、系统和存储介质,该方法包括:采用待观测区域的已知大气延迟值像素点的相关信息作为训练数据,应用误差后向传播原理建立神经网络,并用训练数据训练,将待观测区域的未知大气延迟值像素点相关信息输入训练好的网络,在更新已知信息的基础上不断求取新的未知大气延迟值像素点,直到求取了所有像素点的大气延迟值,该方法可以应用于计算机端软件,配以相应的硬件设备。本发明能够有效克服现有技术中提取大气延迟值模型的不具有代表性进而导致估计精度不高,克服了现有技术中数据自身其余误差对估计结果的影响,提高了大气延迟值估计精度。
Description
技术领域
本发明涉及信号处理技术领域,尤其涉及雷达信号处理技术领域中的基于反向传播神经网络的大气延迟矫正方法、装置、系统和存储介质。
背景技术
合成孔径雷达差分干涉测量技术(DInSAR)是一种极具潜力的微波遥感技术,其在形变检测方面可以获得厘米级甚至毫米级的地表形变,并取得了成功应用,但其测量精度仍受到许多因素的制约:如影像配准误差、地形复杂或有较多植被覆盖区域的去相干噪声、轨道误差、复杂地区的相位解缠误差、大气延迟误差、外部数字高程模型不准引入的地形相位残差等。在这些误差中,由于大气误差具有不确定性,成为限制DInSAR测量精度进一步提高的瓶颈之一。
现有的大气延迟矫正方法主要分为基于图像自身特性的矫正方法和基于外部数据的矫正方法。基于图像自身特性的矫正方法,主要有相位积累法、小基线集法和永久散射体法等。该方法对图像自身的数量和质量要求较高。若数据质量太差,则无法形成干涉,从而造成图像失相干。若数据数量太少,则无法对大气延迟的特性进行统计,则不能对图像中的大气延迟进行有效矫正,若数据数量太多,则会造成影像的浪费。基于外部数据的矫正方法,主要是利用外部独立数据进行大气误差矫正,目前可用的外部数据主要有地基气象站台,GNSS数据,无线探空数据,MERIS/MODIS数据等。该方法由于外部辅助数据的分辨率还无法与合成孔径雷达复数影像匹配,需要对外部数据进行空间插值。目前常用的插值算法有克里金插值,反向距离加权插值,曲面拟合插值等。不同的插值算法会影响大气延迟矫正的效果。
中国科学院遥感与数字地球研究所在其申请的专利文献“一种InSAR测量中的大气校正方法”(专利申请号:2016101554435.0,申请公布号:CN105842692A)中提出了一种InSAR测量中大气延迟的矫正方法。该方法首先对GFS气象数据应用WRF模型计算出大气延迟所需要的参数;然后计算干、湿大气延迟;将大气延迟转换为相位延迟,通过空间插值方法对相位延迟进行插值,再将处理好的相位延从原始干涉图中去除。该方法存在的不足之处是,在进行大气延迟插值过程中,仅考虑了大气延迟与高程信息的对应关系,而忽略了大气延迟与空间地理位置的对应关系,影响了大气延迟矫正的精度。
武汉大学在其申请的专利文献“一种集成对流层大气延迟改正的时间序列InSAR分析方法”(专利申请号:2019101051162.0,申请公布号:CN109782282A)中提出了一种InSAR测量中大气延迟的矫正方法。该方法利用同一地区不同时间段内获得的多幅SAR图像,在常规时序InSAR处理去除线性形变和高程误差引起的相位误差后,采用数值气象模型和迭代线性相位—高程回归模型联合估计垂直分层大气延迟。该方法存在的不足之处有两点,其一,该方法需要在同一地区不同时间段内获得多幅SAR图像,一般在20幅以上,对于数据量较小的数据无法进行大气延迟矫正。其二,该方法仅依靠图像自身信息进行大气延迟矫正,依靠大气延迟统计特性进行大气延迟估计,忽略了不同时段内大气误差的个别差异性,在统计过程中,其精度受到数据质量和其它误差的影响。
发明内容
针对上述存在的问题,本发明的目的是提出一种基于反向传播神经网络的大气延迟估计方法,以估计差分干涉合成孔径雷达信号处理中的大气延迟,以便将大气延迟从雷达影像中去除。为了解决上述已有技术的不足,本发明提供一种基于反向传播神经网络的大气延迟估计方法,包括以下步骤:
步骤S1:从一幅SAR图像中选择存在连续大气延迟干扰像素点作为待观测区域;
步骤S2:生成训练样本集;
步骤S3:设计并训练神经网络,包括以下步骤:
步骤S31:构建一个依次连接的输入层、隐藏层和输出层的三层的神经网络,每层的节点数分别为7、12、1;
步骤S32:采用随机小值初始化方法初始化网络权值;
步骤S33:将训练样本集输入到神经网络中;
步骤S34:利用反向传播BP算法,对神经网络进行训练,当迭代次数达到1000或训练样本的均方误差小于10-6时停止迭代,得到训练好的神经网络;
步骤S4:对待观测区域内所有像素点进行分类:将待观测区域中所有的已知大气延迟值像素点组成已知大气延迟值点集;将待观测区域中除了已知大气延迟值像素点之外的所有像素点作为未知大气延迟值像素点,组成未知大气延迟值点集;
步骤S5:获得一个新的已知大气延迟值像素点;
步骤S6:获得待观测区域内所有选择存在连续大气延迟干扰像素点的大气延迟值。
优选的,步骤S2中所述生成训练样本集包括以下步骤:
步骤S21:提取待观测区域内每个已知大气延迟值像素点的数字高程;
步骤S22:从待观测区域内选取一个未选过的已知大气延迟值像素点;
步骤S23:利用平面距离计算公式,计算所选已知大气延迟像素点与其余每个已知大气延迟值像素点之间的平面距离,将平面距离按照升序排序,得到平面距离序列;
步骤S24:利用距离加权公式,计算所选已知大气延迟值像素点与平面距离序列前四4个像素点中每个像素点之间的参考大气延迟值,将4个参考大气延迟值构成所选已知大气延迟值像素点的参考信息;
步骤S25:判断是否选完待观测区域内所有的已知大气延迟值像素点,若是,执行步骤S26,否则,执行步骤S22;
步骤S26:利用所有已知大气延迟值像素点的数字高程和参考信息生成训练样本集。
优选的,步骤S21中所述数字高程包括像素点在SAR图像的方位向坐标值、在SAR图像的距离向坐标值、高程值。
优选的,所述步骤S5中所述获得一个新的已知大气延迟值像素点包括以下步骤:
步骤S51:从未知大气延迟值点集内选取一个未知大气延迟值像素点,利用平面距离计算公式,计算所选像素点与已知大气延迟值像素点集中每个像素点的平面距离,对平面距离按照升序排序,得到平面距离序列;
步骤S52:判断平面距离序列中第4个已知大气延迟值像素点的平面距离值是否大于1km,若是,则将该像素点放回未知大气延迟值点集中执行步骤S51,否则,执行步骤S53;
步骤S53:利用与步骤S24相同的距离加权公式,计算所选像素点与平面距离序列前四4个像素点中每个像素点之间的参考大气延迟值,将4个参考大气延迟值构成所选像素点的参考信息;
步骤S54:将所选像素点的数字高程与参考信息构成向量,将该向量输入训练好的神经网络,输出所选像素点大气延迟值,将所选像素点加入已知大气延迟值像素点集,将所选像素点从未知大气延迟值像素点集中删除;
步骤S55:判断未知大气延迟值点集是否为空集,若是,则执行下一步,否则,执行步骤S51。
优选的,步骤S23、步骤S51中所述平面距离计算公式如下:
其中,dj表示所选像素点与平面距离序列中第j个像素点之间的平面距离,表示取平方根操作,x表示所选像素点在SAR图像的方位向坐标值,xj表示平面距离序列中第j个像素点在SAR图像的方位向坐标值,ρa表示SAR图像的方位向分辨率,y表示所选像素点在SAR图像的距离向坐标值,yj表示平面距离序列中第j个像素点在SAR图像的距离向坐标值,ρr表示SAR图像的距离向分辨率。
优选的,步骤S24中所述距离加权公式如下:
其中,kj表示所选已知大气延迟值像素点与平面距离序列中第j个像素点之间的参考大气延迟值,j=1,2,3,4,dj表示所选已知大气延迟值像素点与平面距离序列中第j个像素点之间的平面距离,max表示取最大值操作,mj表示平面距离序列中第j个像素点的大气延迟值。
优选的,步骤S31中所述的设计的神经网络每层神经元之间是全连接。
为达上述目的,本发明还提供一种基于反向传播神经网络的大气延迟估计装置,包括
数据获取模块,用于从SAR图像中获取存在连续大气延迟干扰像素点;
训练样本集的生成模块,利用所有已知大气延迟值像素点的数字高程和参考信息生成训练样本集;
神经网络的设计及训练模块,利用反向传播BP算法,对神经网络进行训练,得到训练好的神经网络;
像素点分类模块,将待观测区域中所有像素点分为已知大气延迟值点集和未知大气延迟值点集;
新已知大气延迟值像素点的获取模块,用于获取新的已知大气延迟值像素点;
大气延迟值的获取模块,用于获得待观测区域内所有选择存在连续大气延迟干扰像素点的大气延迟值。
为达上述目的,本发明还提供一种基于反向传播神经网络的大气延迟估计系统,包括存储器,处理器以及存储于存储器上并可在处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现上述方法的步骤。
为达上述目的,本发明还提供一种计算机可读存储介质,其上存储有计算机程序,所述程序被处理器执行时实现上述方法的步骤
本发明与现有技术相比具有以下优点:
(1)本发明利用已知大气延迟值像素点的高程、位置和与其他已知大气延迟值像素点之间的参考信息进行大气延迟值的估计,克服了现有技术中仅仅依靠已知大气延迟值像素点的位置信息进行大气延迟值的估计中仅考虑大气延迟空间变化或区域性相关的问题,本发明考虑多个因素共同作用提高了大气延迟值估计结果的代表性。
(2)本发明采用神经网络进行大气延迟值模型的建立,克服了现有技术中提取大气延迟值模型的不具有代表性进而导致的估计精度不高的问题,提高了大气延迟值估计精度。
(3)本发明选用外部大气数据进行校正,不依靠合成孔径雷达影像数据自身信息,克服了现有技术中数据自身其余误差对估计结果的影响,得到的大气延迟值更具可靠性。
(4)本发明仅需要目标区域若干控制点信息和在干涉处理中经常用到的数字高程模型,克服了现有技术中需要大量合成孔径雷达影像数据,大大降低了数据的质量和数量,不造成数据的浪费,提高的方法的可行性和适用性。
附图说明
图1为本发明具体实施例1基于反向传播神经网络的大气延迟估计方法的整体流程图。
图2为本发明具体实施例2基于反向传播神经网络的大气延迟估计装置的结构框图。
具体实施方式
下面将结合本发明的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分的实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
实施例1
图1为本发明基于反向传播神经网络的大气延迟估计方法提供具体实施例1整体流程图。如图1所示,一种基于反向传播神经网络的大气延迟估计方法,包括以下步骤:
步骤S1:从一幅SAR图像中选择存在连续大气延迟干扰像素点作为待观测区域。
步骤S2:生成训练样本集。在本步骤中,包括以下步骤:
步骤S21:提取待观测区域内每个已知大气延迟值像素点的数字高程,包括像素点在SAR图像的方位向坐标值、在SAR图像的距离向坐标值、高程值;
步骤S22:从待观测区域内选取一个未选过的已知大气延迟值像素点;
步骤S23:利用平面距离计算公式,计算所选已知大气延迟像素点与其余每个已知大气延迟值像素点之间的平面距离,将平面距离按照升序排序,得到平面距离序列;
步骤S24:利用距离加权公式,计算所选已知大气延迟值像素点与平面距离序列前四4个像素点中每个像素点之间的参考大气延迟值,将4个参考大气延迟值构成所选已知大气延迟值像素点的参考信息,该距离加权公式如下:
其中,kj表示所选已知大气延迟值像素点与平面距离序列中第j个像素点之间的参考大气延迟值,j=1,2,3,4,dj表示所选已知大气延迟值像素点与平面距离序列中第j个像素点之间的平面距离,max表示取最大值操作,mj表示平面距离序列中第j个像素点的大气延迟值;
步骤S25:判断是否选完待观测区域内所有的已知大气延迟值像素点,若是,执行步骤S26,否则,执行步骤S22;
步骤S26:利用所有已知大气延迟值像素点的数字高程和参考信息生成训练样本集。
步骤S3:设计并训练神经网络。在本步骤中,包括以下步骤:
步骤S31:构建一个依次连接的输入层、隐藏层和输出层的三层的神经网络,每层的节点数分别为7、12、1,该设计的神经网络每层神经元之间是全连接;
步骤S32:采用随机小值初始化方法初始化网络权值;
步骤S33:将训练样本集输入到神经网络中;
步骤S34:利用反向传播BP算法,对神经网络进行训练,当迭代次数达到1000或训练样本的均方误差小于10-6时停止迭代,得到训练好的神经网络;
步骤S4:对待观测区域内所有像素点进行分类,将待观测区域中所有的已知大气延迟值像素点组成已知大气延迟值点集;然后将待观测区域中除了已知大气延迟值像素点之外的所有像素点作为未知大气延迟值像素点,组成未知大气延迟值点集;
步骤S5:获得一个新的已知大气延迟值像素点。在本步骤中,包括以下步骤:
步骤S51:从未知大气延迟值点集内选取一个未知大气延迟值像素点,利用平面距离计算公式,计算所选像素点与已知大气延迟值像素点集中每个像素点的平面距离,对平面距离按照升序排序,得到平面距离序列;
步骤S52:判断平面距离序列中第4个已知大气延迟值像素点的平面距离值是否大于1km,若是,则将该像素点放回未知大气延迟值点集中执行步骤S51,否则,执行步骤S53;
步骤S53:利用与步骤S24相同的方法,计算所选像素点的参考信息;
步骤S54:将所选像素点的数字高程与参考信息构成向量,将该向量输入训练好的神经网络,输出所选像素点大气延迟值,将所选像素点加入已知大气延迟值像素点集,将所选像素点从未知大气延迟值像素点集中删除;
步骤S55:判断未知大气延迟值点集是否为空集,若是,则执行步骤S6,否则,执行步骤S51;
步骤S6:获得待观测区域内所有选择存在连续大气延迟干扰像素点的大气延迟值。
其中,步骤S23、步骤S51中所述平面距离计算公式如下:
其中,dj表示所选像素点与平面距离序列中第j个像素点之间的平面距离,表示取平方根操作,x表示所选像素点在SAR图像的方位向坐标值,xj表示平面距离序列中第j个像素点在SAR图像的方位向坐标值,ρa表示SAR图像的方位向分辨率,y表示所选像素点在SAR图像的距离向坐标值,yj表示平面距离序列中第j个像素点在SAR图像的距离向坐标值,ρr表示SAR图像的距离向分辨率。
实施例2
图2为本发明基于反向传播神经网络的大气延迟估计装置提供具体实施例2的结构框图。如图2所示,本实施例提供基于反向传播神经网络的大气延迟估计装置,包括
数据获取模块,用于从SAR图像中获取存在连续大气延迟干扰像素点;
训练样本集的生成模块,利用所有已知大气延迟值像素点的数字高程和参考信息生成训练样本集;
神经网络的设计及训练模块,利用反向传播BP算法,对神经网络进行训练,得到训练好的神经网络;
像素点分类模块,将待观测区域中所有像素点分为已知大气延迟值点集和未知大气延迟值点集;
新已知大气延迟值像素点的获取模块,用于获取新的已知大气延迟值像素点;
大气延迟值的获取模块,用于获得待观测区域内所有选择存在连续大气延迟干扰像素点的大气延迟值。
实施例3
本实施例提供一种基于反向传播神经网络的大气延迟估计系统,包括存储器,处理器以及存储于存储器上并可在处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现上述方法的步骤。
实施例4
本实施例提供一种计算机可读存储介质,其上存储有计算机程序,所述程序被处理器执行时实现上述方法的步骤。
综上,本发明上述各实施例公开的基于反向传播神经网络的大气延迟估计方法、装置、系统和存储介质,可以应用于计算机端软件,配以相应的硬件设备,本发明能够有效克服现有技术中提取大气延迟值模型的不具有代表性进而导致估计精度不高,克服了现有技术中数据自身其余误差对估计结果的影响,使得本发明提高了大气延迟值估计精度。
以上所述,仅为本发明的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉该技术的人在本发明所揭露的技术范围内,可理解想到的变换或更替,都应涵盖在本发明的包含范围之内,因此,本发明的保护范围应该以权力要求书的保护范围为准。
Claims (10)
1.一种基于反向传播神经网络的大气延迟估计方法,其特征在于:
步骤S1:从一幅SAR图像中选择存在连续大气延迟干扰像素点作为待观测区域;
步骤S2:生成训练样本集;
步骤S3:设计并训练神经网络,包括以下步骤:
步骤S31:构建一个依次连接的输入层、隐藏层和输出层的三层的神经网络,每层的节点数分别为7、12、1;
步骤S32:采用随机小值初始化方法初始化网络权值;
步骤S33:将训练样本集输入到神经网络中;
步骤S34:利用反向传播BP算法,对神经网络进行训练,当迭代次数达到1000或训练样本的均方误差小于10-6时停止迭代,得到训练好的神经网络;
步骤S4:对待观测区域内所有像素点进行分类:将待观测区域中所有的已知大气延迟值像素点组成已知大气延迟值点集;将待观测区域中除了已知大气延迟值像素点之外的所有像素点作为未知大气延迟值像素点,组成未知大气延迟值点集;
步骤S5:获得一个新的已知大气延迟值像素点;
步骤S6:获得待观测区域内所有选择存在连续大气延迟干扰像素点的大气延迟值。
2.根据权利要求1所述的基于反向传播神经网络的大气延迟估计方法,其特征在于:步骤S2中所述生成训练样本集包括以下步骤:
步骤S21:提取待观测区域内每个已知大气延迟值像素点的数字高程;
步骤S22:从待观测区域内选取一个未选过的已知大气延迟值像素点;
步骤S23:利用平面距离计算公式,计算所选已知大气延迟像素点与其余每个已知大气延迟值像素点之间的平面距离,将平面距离按照升序排序,得到平面距离序列;
步骤S24:利用距离加权公式,计算所选已知大气延迟值像素点与平面距离序列前四4个像素点中每个像素点之间的参考大气延迟值,将4个参考大气延迟值构成所选已知大气延迟值像素点的参考信息;
步骤S25:判断是否选完待观测区域内所有的已知大气延迟值像素点,若是,执行步骤S26,否则,执行步骤S22;
步骤S26:利用所有已知大气延迟值像素点的数字高程和参考信息生成训练样本集。
3.根据权利要求2所述的基于反向传播神经网络的大气延迟估计方法,其特征在于:步骤S21中所述数字高程包括像素点在SAR图像的方位向坐标值、在SAR图像的距离向坐标值、高程值。
4.根据权利要求2或3所述的基于反向传播神经网络的大气延迟估计方法,其特征在于:所述步骤S5中所述获得一个新的已知大气延迟值像素点包括以下步骤:
步骤S51:从未知大气延迟值点集内选取一个未知大气延迟值像素点,利用平面距离计算公式,计算所选像素点与已知大气延迟值像素点集中每个像素点的平面距离,对平面距离按照升序排序,得到平面距离序列;
步骤S52:判断平面距离序列中第4个已知大气延迟值像素点的平面距离值是否大于1km,若是,则将该像素点放回未知大气延迟值点集中执行步骤S51,否则,执行步骤S53;
步骤S53:利用与步骤S24中相同的距离加权公式,计算所选像素点与平面距离序列前四4个像素点中每个像素点之间的参考大气延迟值,将4个参考大气延迟值构成所选像素点的参考信息;
步骤S54:将所选像素点的数字高程与参考信息构成向量,将该向量输入训练好的神经网络,输出所选像素点大气延迟值,将所选像素点加入已知大气延迟值像素点集,将所选像素点从未知大气延迟值像素点集中删除;
步骤S55:判断未知大气延迟值点集是否为空集,若是,则执行下一步,否则,执行步骤S51。
7.根据权利要求1所述的所述的基于反向传播神经网络的大气延迟估计方法,其特征在于:步骤S31中所述的设计的神经网络每层神经元之间是全连接。
8.一种基于反向传播神经网络的大气延迟估计装置,其特征在于:包括
数据获取模块,用于从SAR图像中获取存在连续大气延迟干扰像素点;
训练样本集的生成模块,利用所有已知大气延迟值像素点的数字高程和参考信息生成训练样本集;
神经网络的设计及训练模块,利用反向传播BP算法,对神经网络进行训练,得到训练好的神经网络;
像素点分类模块,将待观测区域中所有像素点分为已知大气延迟值点集和未知大气延迟值点集;
新已知大气延迟值像素点的获取模块,用于获取新的已知大气延迟值像素点;
大气延迟值的获取模块,用于获得待观测区域内所有选择存在连续大气延迟干扰像素点的大气延迟值。
9.一种基于反向传播神经网络的大气延迟估计系统,包括存储器,处理器以及存储于存储器上并可在处理器上运行的计算机程序,其特征在于:所述处理器执行所述计算机程序时实现上述权利要求1至7中任一所述方法的步骤。
10.一种计算机可读存储介质,其上存储有计算机程序,其特征在于:所述程序被处理器执行时实现上述权利要求1至7中任一所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010662937.0A CN111915570B (zh) | 2020-07-10 | 2020-07-10 | 基于反向传播神经网络的大气延迟估计方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010662937.0A CN111915570B (zh) | 2020-07-10 | 2020-07-10 | 基于反向传播神经网络的大气延迟估计方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111915570A true CN111915570A (zh) | 2020-11-10 |
CN111915570B CN111915570B (zh) | 2024-03-08 |
Family
ID=73226344
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010662937.0A Active CN111915570B (zh) | 2020-07-10 | 2020-07-10 | 基于反向传播神经网络的大气延迟估计方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111915570B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115240082A (zh) * | 2022-09-26 | 2022-10-25 | 四川省冶金地质勘查局水文工程大队 | 一种基于形变监测和深度学习的地质灾害监测预警方法 |
CN116068511A (zh) * | 2023-03-09 | 2023-05-05 | 成都理工大学 | 一种基于深度学习的InSAR大尺度系统误差改正方法 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102682335A (zh) * | 2012-04-13 | 2012-09-19 | 东南大学 | 精确确定区域对流层延迟的神经网络方法 |
CN104678392A (zh) * | 2015-01-19 | 2015-06-03 | 河海大学 | 一种基于稳定像元加权的地基sar大气延迟改正方法 |
CN107367716A (zh) * | 2017-07-04 | 2017-11-21 | 武汉大学 | 一种高精度星载sar几何定标方法 |
CN108447055A (zh) * | 2018-03-26 | 2018-08-24 | 西安电子科技大学 | 基于spl和ccn的sar图像变化检测方法 |
CN109782282A (zh) * | 2019-03-13 | 2019-05-21 | 武汉大学 | 一种集成对流层大气延迟改正的时间序列InSAR分析方法 |
CN110334771A (zh) * | 2019-07-09 | 2019-10-15 | 东北大学 | 一种基于四阈值ps点的露天矿gb-sar监测数据误差修正方法 |
US10613232B1 (en) * | 2019-03-27 | 2020-04-07 | Beihang University | Ground-based augmentation system capable of predicting tropospheric refractive index with high precision |
CN111340081A (zh) * | 2020-02-19 | 2020-06-26 | 中国科学院光电技术研究所 | 一种基于光流估计的神经网络像差预测方法 |
-
2020
- 2020-07-10 CN CN202010662937.0A patent/CN111915570B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102682335A (zh) * | 2012-04-13 | 2012-09-19 | 东南大学 | 精确确定区域对流层延迟的神经网络方法 |
CN104678392A (zh) * | 2015-01-19 | 2015-06-03 | 河海大学 | 一种基于稳定像元加权的地基sar大气延迟改正方法 |
CN107367716A (zh) * | 2017-07-04 | 2017-11-21 | 武汉大学 | 一种高精度星载sar几何定标方法 |
CN108447055A (zh) * | 2018-03-26 | 2018-08-24 | 西安电子科技大学 | 基于spl和ccn的sar图像变化检测方法 |
CN109782282A (zh) * | 2019-03-13 | 2019-05-21 | 武汉大学 | 一种集成对流层大气延迟改正的时间序列InSAR分析方法 |
US10613232B1 (en) * | 2019-03-27 | 2020-04-07 | Beihang University | Ground-based augmentation system capable of predicting tropospheric refractive index with high precision |
CN110334771A (zh) * | 2019-07-09 | 2019-10-15 | 东北大学 | 一种基于四阈值ps点的露天矿gb-sar监测数据误差修正方法 |
CN111340081A (zh) * | 2020-02-19 | 2020-06-26 | 中国科学院光电技术研究所 | 一种基于光流估计的神经网络像差预测方法 |
Non-Patent Citations (4)
Title |
---|
N. ANANTRASIRICHAI等: "The Application of Convolutional Neural Networks to Detect Slow, Sustained Deformation in InSAR Time Series", 《GEOPHYSICAL RESEARCH LETTERS》, vol. 11, pages 850 - 858 * |
刘严萍等: "基于多要素大气延迟改正的InSAR地面沉降监测研究", 《灾害学》, vol. 28, no. 03, pages 38 - 41 * |
张庆云: "InSAR同震形变提取关键技术研究及其应用", 《中国博士学位论文全文数据库 基础科学辑》, no. 2020, pages 008 - 44 * |
黄其欢等: "基于稳定点加权的GBSAR气扰动校正方法", 《西南交通大学学报》, vol. 52, no. 1, pages 202 - 208 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115240082A (zh) * | 2022-09-26 | 2022-10-25 | 四川省冶金地质勘查局水文工程大队 | 一种基于形变监测和深度学习的地质灾害监测预警方法 |
CN116068511A (zh) * | 2023-03-09 | 2023-05-05 | 成都理工大学 | 一种基于深度学习的InSAR大尺度系统误差改正方法 |
Also Published As
Publication number | Publication date |
---|---|
CN111915570B (zh) | 2024-03-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Chen et al. | A new downscaling-integration framework for high-resolution monthly precipitation estimates: Combining rain gauge observations, satellite-derived precipitation data and geographical ancillary data | |
CN110738252B (zh) | 空间自相关的机器学习卫星降水数据降尺度方法、系统 | |
JP6635038B2 (ja) | シミュレーション装置、シミュレーション方法、および、記憶媒体 | |
Schumann et al. | The utility of spaceborne radar to render flood inundation maps based on multialgorithm ensembles | |
CN102144174B (zh) | Sar图像序列中的永久散射体的识别和分析 | |
CN114966685B (zh) | 基于InSAR和深度学习的大坝形变监测及预测方法 | |
CN107103584B (zh) | 一种基于时空加权的生产高时空分辨率ndvi的方法 | |
CN112965146B (zh) | 一种结合气象雷达与雨量桶观测数据的定量降水估算方法 | |
CN111273293B (zh) | 一种顾及地形起伏的InSAR残余运动误差估计方法及装置 | |
CN110232471B (zh) | 一种降水传感网节点布局优化方法及装置 | |
JP7088288B2 (ja) | 画像処理装置、画像処理方法、及び画像処理プログラム | |
CN109298420B (zh) | 一种合成孔径雷达的运动目标迭代最小熵成像方法及装置 | |
KR102319145B1 (ko) | 고해상도 해양 데이터를 생성하기 위한 방법 및 이를 이용한 장치 | |
CN111915570B (zh) | 基于反向传播神经网络的大气延迟估计方法 | |
CN108230375A (zh) | 基于结构相似性快速鲁棒的可见光图像与sar图像配准方法 | |
CN113281749A (zh) | 一种顾及同质性的时序InSAR高相干点选取方法 | |
Fan et al. | A comparative study of four merging approaches for regional precipitation estimation | |
CN114265062B (zh) | 一种基于相位梯度估计网络的InSAR相位解缠方法 | |
CN111707373A (zh) | 温度与发射率分离方法及装置 | |
Feng et al. | A hierarchical network densification approach for reconstruction of historical ice velocity fields in East Antarctica | |
Anh et al. | River discharge estimation based on satellite water extent and topography: An application over the Amazon | |
CN108919264B (zh) | 一种InSAR干涉相位真值确定及差分干涉测量方法 | |
CN110456347B (zh) | 地形测量方法、装置、计算机设备和存储介质 | |
CN110866942B (zh) | 一种多源目标融合的在轨辐射响应跟踪方法及系统 | |
CN116821694B (zh) | 基于多分支神经网络与分段式模型的土壤湿度反演方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |