CN112614081A - 干涉图去噪的方法 - Google Patents
干涉图去噪的方法 Download PDFInfo
- Publication number
- CN112614081A CN112614081A CN202110146306.8A CN202110146306A CN112614081A CN 112614081 A CN112614081 A CN 112614081A CN 202110146306 A CN202110146306 A CN 202110146306A CN 112614081 A CN112614081 A CN 112614081A
- Authority
- CN
- China
- Prior art keywords
- interferogram
- filtered
- model
- phase
- samples
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 44
- 238000012549 training Methods 0.000 claims abstract description 37
- 238000001914 filtration Methods 0.000 claims abstract description 27
- 238000007781 pre-processing Methods 0.000 claims abstract description 12
- 238000012360 testing method Methods 0.000 claims abstract description 8
- 238000012795 verification Methods 0.000 claims abstract description 4
- 238000011176 pooling Methods 0.000 claims description 12
- 238000010606 normalization Methods 0.000 claims description 10
- 230000006870 function Effects 0.000 claims description 7
- 230000004913 activation Effects 0.000 claims description 4
- 238000012545 processing Methods 0.000 claims description 3
- 238000009966 trimming Methods 0.000 claims 1
- 238000005070 sampling Methods 0.000 description 6
- 238000007476 Maximum Likelihood Methods 0.000 description 5
- 238000013527 convolutional neural network Methods 0.000 description 3
- 238000010200 validation analysis Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000001131 transforming effect Effects 0.000 description 2
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 1
- 101001013832 Homo sapiens Mitochondrial peptide methionine sulfoxide reductase Proteins 0.000 description 1
- 102100031767 Mitochondrial peptide methionine sulfoxide reductase Human genes 0.000 description 1
- 230000006978 adaptation Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 238000006731 degradation reaction Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
- 238000013519 translation Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/70—Denoising; Smoothing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/20—Image enhancement or restoration using local operators
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20172—Image enhancement details
- G06T2207/20192—Edge enhancement; Edge preservation
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Image Processing (AREA)
Abstract
本发明提供一种干涉图去噪的方法，该方法首先选取一定数量的干涉图作为样本，并分成训练集、测试集、验证集，然后对训练集样本进行预处理，再将经过预处理的训练集干涉图切割成固定大小的小块并从中随机提取作为模型训练样本，利用上述步骤产生的干涉图小块进行自编码器滤波模型训练，经过一定次数的迭代后模型拟合，滤波处理首先对待滤波干涉图进行预处理，然后利用训练好的自编码器滤波模型对预处理后的干涉图进行滤波，最后将预处理去除的局部地形坡度相位加回到模型滤波后的干涉图上，即得到滤波后的干涉图。该方法能够从含噪声的干涉图中最大限度恢复出干涉图图像信息，较大程度的抑制噪声、恢复出图像细节并保持干涉条纹边缘连续性。
Description
技术领域
本发明涉及遥感影像数字摄影测量技术领域，尤其涉及一种干涉图去噪的方法。
背景技术
合成孔径雷达（SAR）是一种利用合成孔径原理，突破物理天线孔径限制来提高距离向和方位向分辨率的技术，在军事地面监视和对地观测中发挥着重要作用。
要实现高精度的InSAR干涉图滤波，需要分析SAR影像噪声来源，并利用一定方法对相位误差进行校正。不同程度的去相关源(例如时间去相关、空间去相关和多普勒中心频域失相关)、热噪声、大气效应以及由配准所带来的误差，导致了相位质量的降低。
通常的处理方法是对图像进行频率域或空间域滤波，从而满足应用需求。目前主要的频率域滤波方法为Goldstein滤波，但该方法去噪的同时损失了图像细节，增加了图像模糊度。
发明内容
本发明实施例提供一种干涉图去噪的方法，该方法能够从含噪声的干涉图中最大限度恢复出干涉图图像信息，较大程度的抑制噪声、恢复出图像细节并保持干涉条纹边缘连续性。
本发明第一方面，提供一种干涉图去噪的方法，包括：
选取并归类真实干涉图样本集，将所述真实干涉图样本集划分为训练集、测试集和验证集。
预处理所述训练集样本，切割所述预处理后的所述训练集样本为固定大小的干涉图块，随机选取所述干涉图块作为模型训练样本。
自编码器模型训练所述模型训练样本，拟合后的模型为自编码器滤波模型。
利用所述自编码器滤波模型对待滤波的干涉图进行滤波，输出滤波后的干涉图。
根据本发明的一个实施例，所述选取并归类真实干涉图样本集，包括：将已有的干涉合成孔径雷达SAR影像处理，生成真实干涉图，裁剪所述干涉图为不同地理位置的第一固定尺寸的影像，所述不同地理位置的固定尺寸的影像为所述干涉图样本。
根据本发明的一个实施例，所述预处理所述训练集样本，包括：将局部地形坡度相位从原始干涉图相位去除并对残余噪声相位进行归一化处理。
所述固定大小的干涉图块为第二固定尺寸的影像，所述第二固定尺寸小于所述第一固定尺寸。
所述自编码器模型训练所述模型训练样本为自编码器滤波模型，包括：采用卷积层和最大池化层进行图像编码。采用卷积层和与池化层层数相等的上采样层进行图像解码。线性整流单元作为非线性激活函数，使用批归一化在网络的任一层进行归一化。反复迭代，直至模型拟合。
根据本发明的一个实施例，利用所述自编码器滤波模型对所述待滤波的干涉图进行滤波，包括：预处理所述待滤波干涉图，包括采用第三固定尺寸估计局部地形坡度相位，去除所述待滤波干涉图相位中的局部地形坡度相位，对残余噪声相位采用最大最小标准化进行归一化处理。
利用所述自编码器滤波模型对所述待滤波的干涉图进行滤波，还包括：去噪处理预处理后的所述待滤波干涉图，所述预处理后的待滤波干涉图相位的实部和虚部作为输入/输出的两个通道。
所述输出滤波后的干涉图，包括：所述预处理后的待滤波的干涉图相位的实部和虚部的输出结果进行合并后为自编码器滤波模型的滤波后的干涉图相位，将所述预处理待滤波的干涉图步骤中的去除的局部地形坡度相位加回到所述自编码滤波模型滤波后的干涉图相位。
本发明第二方面提供一种智能设备，包括：发送器、接收器、存储器和处理器；所述存储器用于存储计算机指令；所述处理器用于运行所述存储器存储的所述计算机指令实现以上所述干涉图去噪的方法。
本发明第三方面提供了一种存储介质，包括：可读存储介质和计算机指令，所述计算机指令存储在所述可读存储介质中；所述计算机指令用于实现以上所述的干涉图去噪的方法。
本发明提供的有益效果：该方法针对现有的滤波方法无法在密集条纹中保留特征、在低相干区域中精确进行相位估计的问题，基于机器学习中的卷积神经网络，采用自编码器结构对干涉图进行去噪。首先选取一定数量的干涉图作为样本，并分成训练集、测试集、验证集，然后对训练集样本进行预处理，再将经过预处理的训练集干涉图切割成固定大小的小块并从中随机提取作为模型训练样本，利用上述步骤产生的干涉图小块进行自编码器滤波模型训练，经过一定次数的迭代后模型拟合，滤波处理首先对待滤波干涉图进行预处理，然后利用训练好的自编码器滤波模型对预处理后的干涉图进行滤波，最后将预处理去除的局部地形坡度相位加回到模型滤波后的干涉图上，即得到滤波后的干涉图。该方法能够从含噪声的干涉图中最大限度恢复出干涉图图像信息，较大程度的抑制噪声、恢复出图像细节并保持干涉条纹边缘连续性。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本公开的实施例，并与说明书一起用于解释本公开的原理。
图1为本发明实施例公开的干涉图去噪的方法流程图；
图2为本发明实施例公开的干涉图去噪的模型结构示意图。
通过上述附图，已示出本公开明确的实施例，后文中将有更详细的描述。这些附图和文字描述并不是为了通过任何方式限制本公开构思的范围，而是通过参考特定实施例为本领域技术人员说明本公开的概念。
具体实施方式
这里将详细地对示例性实施例进行说明，其示例表示在附图中。下面的描述涉及附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本公开相一致的所有实施方式。相反，它们仅是与如所附权利要求书中所详述的、本公开的一些方面相一致的装置和方法的例子。
如图1所示，一种干涉图去噪的方法，该方法能够从含噪声的干涉图中最大限度恢复出干涉图图像信息，较大程度的抑制噪声、恢复出图像细节并保持干涉条纹边缘连续性。
包括：S101：选取并归类真实干涉图样本集，将所述真实干涉图样本集划分为训练集、测试集和验证集。本发明选取已有的干涉SAR影像，经过处理生成真实干涉图。经过裁剪生成大量的不同地理位置的1000
1000的影像，作为样本，采用留出法将样本集D划分为三个互斥的集合——训练集S、测试集T、验证集Q（在训练集S上训练出模型后，用测试集T来评估其测试误差，作为对泛化误差的估计，用验证集Q来评估准确性）。
S102：预处理所述训练集样本，切割所述预处理后的所述训练集样本为固定大小的干涉图块，随机选取所述干涉图块作为模型训练样本。所述预处理具体包括：将局部地形坡度相位从原始干涉图相位去除并对残余噪声相位进行归一化处理。
局部地形坡度相位估计过程如下：
干涉图的相位可以用一个二维正弦函数来表示，相位信号呈现如下形式：
其中
为像素
处距离向、方位向的局部二维频率。其中，
是干涉图像素位置（行列号，行方向对应距离向，列方向对应方位向）。
为了推导滤波窗口的局部条纹频率，采用了傅立叶变换的最大似然（ML）方法。在大小为（2P+1）（2Q+1）的滤波窗口中，像素
处局部频率的最大似然估计：
（2P+1）（2Q+1）为滤波窗口的宽度和高度，公式求取将影像变换到频率域之后，幅度最大的点所对应的频率，即局部地形坡度相位频率的最大似然估计。
简而言之，即将影像变换到频率域之后，幅度最大的点所对应的频率即局部地形坡度相位频率的最大似然估计。
局部地形坡度相位
被z在
处空间域的傅里叶转换所估计
在此式中，如果影像中没有噪音, 则
的值趋向于零,残余相位梯度和相位偏移量也会被从原始相位值中去除。
数据归一化：本发明使用最大最小标准化的方法对残余噪声相位输入数据进行归一化，
从经过预处理的训练集样本中随机提取一定数量的64
64大小的干涉图小块作为样本用于自编码器滤波模型训练。
S103：自编码器模型训练所述模型训练样本，拟合后的模型为自编码器滤波模型。包括：采用卷积层和最大池化层进行图像编码；采用卷积层和与池化层层数相等的上采样层进行图像解码；
使用线性整流单元作为非线性激活函数，使用批归一化在网络的任一层进行归一化；反复迭代，直至模型拟合。
如图2所示，采用干涉图的实部和虚部作为CNN的两个输入通道，每一个二维卷积层（Conv2d）就是一系列滤波器，最大池化（MaxPooling）层对它的输入特征映射进行子采样，而上采样（UpsamplingNearest）层则将它们恢复到原来的大小，最后的输出层和输入层一样，也是有两个特征通道，分别表示去噪后的干涉图的实部和虚部。
本发明所建立自编码器模型包括：第一层：卷积层conv1，卷积核大小为3
3，滑动步长为1，对输入干涉图小块进行卷积操作，输出32个64
64的特征图到卷积层conv2；
第二层：卷积层conv2，卷积核大小为3
3，滑动步长为1，对输入特征图进行卷积操作，输出32个64
64的特征图到池化层pooling1。
第三层：池化层pooling1，池化尺度为3
3，滑动步长为2，对输入特征图进行最大池化，输出32个32
32的特征图到卷积层conv3。
第四层：卷积层conv3，卷积核大小为3
3，滑动步长为1，对输入特征图进行卷积操作，输出32个32
32的特征图到池化层pooling2。
第五层：池化层pooling2，池化尺度为3
3，滑动步长为1，对输入特征图进行最大池化，输出32个16
16的特征图到卷积层conv4。
第六层：卷积层conv4，卷积核大小为3
3，滑动步长为1，对输入的特征图进行卷积操作，输出16个16
16的特征图到卷积层conv5。
第七层：卷积层conv5，卷积核大小为3
3，滑动步长为1，对输入的特征图进行卷积操作，输出16个卷积后16
16的特征图到采样层sample1。
第八层：采样层sample1，采样尺度为2
2，滑动步长为1，对输入特征图进行最邻近上采样，输出16个采样后32
32的特征图到卷积层conv6。
第九层：卷积层conv6，卷积核大小为3
3，滑动步长为1，对输入的特征图进行卷积操作，输出16个卷积后32
32的特征图到采样层sample2。
第十层：采样层sample2，采样尺度为2
2，滑动步长为1，对输入特征图进行最邻近上采样，输出16个采样后64
64的特征图到卷积层conv7。
第十一层：卷积层conv7，卷积核大小为3
3，滑动步长为1，对输入的特征图进行卷积操作，输出32个卷积后64
64的特征图到输出层。
在本发明中，每个卷积层都设置了批归一化（BatchNorm）
使用线性整流单元（ReLU）作为所有卷积层的非线性激活函数，
在第二个卷积层和第五个卷积层设置了Dropout。
每一次迭代都要进行前向传播和后向传播来更新权值和参数，使用MSRA初始化权值参数，将训练样本输入至自编码器模型，生成输出结果并利用均方损失函数（MSELoss）计算损失函数相对于权值参数的梯度值，根据选择的Adam优化算法作为梯度下降算法，使用梯度值更新每个权值参数。迭代次数达到一定次数时模型拟合，准确率达到最高。
S104：利用所述自编码器滤波模型对待滤波的干涉图进行滤波，输出滤波后的干涉图。
包括：预处理所述待滤波干涉图，包括采用第三固定尺寸估计局部地形坡度相位，去除所述待滤波干涉图相位中的局部地形坡度相位，对残余噪声相位采用最大最小标准化进行归一化处理。
滤波阶段首先对待滤波干涉图进行预处理，采用一定大小的估计窗口估计局部地形坡度相位，将局部地形坡度相位从干涉图相位中去除并对残余噪声相位采用最大最小标准化的方法进行归一化处理。
去噪处理预处理后的所述待滤波干涉图，所述预处理后的待滤波干涉图相位的实部和虚部作为输入/输出的两个通道。
所述预处理后的待滤波的干涉图相位的实部和虚部的输出结果进行合并后为自编码器滤波模型的滤波后的干涉图相位，将所述预处理待滤波的干涉图步骤中的去除的局部地形坡度相位加回到所述自编码滤波模型滤波后的干涉图相位。
利用训练好的自编码器滤波模型对经过预处理后的干涉图相位进行滤波处理，将预处理步骤中去除的局部地形坡度相位加回到模型滤波后的干涉图相位上，输出最终的滤波结果。
本发明所述基于CNN的干涉图滤波方法能够在进行多景干涉图滤波时，基于大量真实干涉图作为模型训练样本，通过构建如图像编码-解码结构的自编码器模型，调整模型超参数以及迭代次数来拟合自编码器模型，利用该训练好的模型可以对干涉图相位噪声进行很好的滤除，提供的方案可以较大程度的抑制噪声、恢复出图像细节并保持干涉条纹边缘连续性，具有较佳的技术效果。
显然，上述具体实施案例仅仅是为了说明本方法应用所作的举例，而非对实施方式的限定，对于该领域的一般技术人员来说，在上述说明的基础上还可以做出其他不同形式的变化和变动，用以研究其他相关问题。因此，本发明的保护范围都应以权利要求的保护范围。
本领域普通技术人员可以理解：实现上述方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成，前述的程序可以存储于一计算机可读取存储介质中，该程序在执行时，执行包括上述方法实施例的步骤；而前述的存储介质包括：ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。
以上所描述的电子设备等实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下，即可以理解并实施。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件。基于这样的理解，上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如ROM/RAM、磁碟、光盘等，包括若干指令用以使得一台计算机设备（可以是个人计算机，服务器，或者网络设备等）执行各个实施例或者实施例的某些部分所述的方法。
最后应说明的是：以上各实施例仅用以说明本发明的实施例的技术方案，而非对其限制；尽管参照前述各实施例对本发明的实施例进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明的实施例各实施例技术方案的范围。
本领域技术人员在考虑说明书及实践这里公开的发明后，将容易想到本公开的其它实施方案。本发明旨在涵盖本公开的任何变型、用途或者适应性变化，这些变型、用途或者适应性变化遵循本公开的一般性原理并包括本公开未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的，本公开的真正范围和精神由下面的权利要求书指出。
应当理解的是，本公开并不局限于上面已经描述并在附图中示出的精确结构，并且可以在不脱离其范围进行各种修改和改变。本公开的范围仅由所附的权利要求书来限制。
Claims (10)
1.干涉图去噪的方法，其特征在于，所述方法包括：
选取并归类真实干涉图样本集，将所述真实干涉图样本集划分为训练集、测试集和验证集；
预处理所述训练集样本，切割所述预处理后的所述训练集样本为固定大小的干涉图块，随机选取所述干涉图块作为模型训练样本；
自编码器模型训练所述模型训练样本，拟合后的模型为自编码器滤波模型；
利用所述自编码器滤波模型对待滤波的干涉图进行滤波，输出滤波后的干涉图。
2.根据权利要求1所述的方法，其特征在于，所述选取并归类真实干涉图样本集，包括：将已有的干涉合成孔径雷达SAR影像处理，生成真实干涉图，裁剪所述干涉图为不同地理位置的第一固定尺寸的影像，所述不同地理位置的固定尺寸的影像为所述干涉图样本。
3.根据权利要求1所述的方法，其特征在于，所述预处理所述训练集样本，包括：将局部地形坡度相位从原始干涉图相位去除并对残余噪声相位进行归一化处理。
4.根据权利要求2所述的方法，其特征在于，所述固定大小的干涉图块为第二固定尺寸的影像，所述第二固定尺寸小于所述第一固定尺寸。
5.根据权利要求1所述的方法，其特征在于，所述自编码器模型训练所述模型训练样本为自编码器滤波模型，包括：
采用卷积层和最大池化层进行图像编码；
采用卷积层和与池化层层数相等的上采样层进行图像解码；
线性整流单元作为非线性激活函数，使用批归一化在网络的任一层进行归一化；
反复迭代，直至模型拟合。
6.根据权利要求1所述的方法，其特征在于，利用所述自编码器滤波模型对所述待滤波的干涉图进行滤波，包括：
预处理所述待滤波干涉图，包括采用第三固定尺寸估计局部地形坡度相位，去除所述待滤波干涉图相位中的局部地形坡度相位，对残余噪声相位采用最大最小标准化进行归一化处理。
7.根据权利要求6所述的方法，其特征在于，利用所述自编码器滤波模型对所述待滤波的干涉图进行滤波，还包括：
去噪处理预处理后的所述待滤波干涉图，所述预处理后的待滤波干涉图相位的实部和虚部作为输入/输出的两个通道。
8.根据权利要求7所述的方法，其特征在于，所述输出滤波后的干涉图，包括：所述预处理后的待滤波的干涉图相位的实部和虚部的输出结果进行合并后为自编码器滤波模型的滤波后的干涉图相位，将所述预处理待滤波的干涉图步骤中的去除的局部地形坡度相位加回到所述自编码滤波模型滤波后的干涉图相位。
9.一种智能设备，其特征在于，包括：发送器、接收器、存储器和处理器；
所述存储器用于存储计算机指令；所述处理器用于运行所述存储器存储的所述计算机指令实现权利要求1至8任一项所述干涉图去噪的方法。
10.一种存储介质，其特征在于，包括：可读存储介质和计算机指令，所述计算机指令存储在所述可读存储介质中；所述计算机指令用于实现权利要求1至8任一项所述的干涉图去噪的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110146306.8A CN112614081A (zh) | 2021-02-03 | 2021-02-03 | 干涉图去噪的方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110146306.8A CN112614081A (zh) | 2021-02-03 | 2021-02-03 | 干涉图去噪的方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN112614081A true CN112614081A (zh) | 2021-04-06 |
Family
ID=75254669
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110146306.8A Pending CN112614081A (zh) | 2021-02-03 | 2021-02-03 | 干涉图去噪的方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112614081A (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113327205A (zh) * | 2021-06-01 | 2021-08-31 | 电子科技大学 | 基于卷积神经网络的相位去噪网络及方法 |
| CN114970614A (zh) * | 2022-05-12 | 2022-08-30 | 中国科学院沈阳自动化研究所 | 一种基于自监督学习的低相干干涉信号去噪方法及系统 |
| CN118822880A (zh) * | 2024-06-03 | 2024-10-22 | 北京大学 | 干涉图去噪方法、去噪模型训练方法及存储介质 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103823219A (zh) * | 2014-03-14 | 2014-05-28 | 中国科学院电子学研究所 | 自适应迭代的非局部干涉合成孔径雷达干涉相位滤波方法 |
| CN103871030A (zh) * | 2014-02-17 | 2014-06-18 | 中国科学院电子学研究所 | 一种干涉图像的滤波方法及设备 |
| CN105469368A (zh) * | 2015-11-30 | 2016-04-06 | 中国人民解放军国防科学技术大学 | 一种干涉相位滤波方法 |
| CN109633648A (zh) * | 2019-01-22 | 2019-04-16 | 北京航空航天大学 | 一种基于似然估计的多基线相位估计装置及方法 |
-
2021
- 2021-02-03 CN CN202110146306.8A patent/CN112614081A/zh active Pending
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103871030A (zh) * | 2014-02-17 | 2014-06-18 | 中国科学院电子学研究所 | 一种干涉图像的滤波方法及设备 |
| CN103823219A (zh) * | 2014-03-14 | 2014-05-28 | 中国科学院电子学研究所 | 自适应迭代的非局部干涉合成孔径雷达干涉相位滤波方法 |
| CN105469368A (zh) * | 2015-11-30 | 2016-04-06 | 中国人民解放军国防科学技术大学 | 一种干涉相位滤波方法 |
| CN109633648A (zh) * | 2019-01-22 | 2019-04-16 | 北京航空航天大学 | 一种基于似然估计的多基线相位估计装置及方法 |
Non-Patent Citations (3)
| Title |
|---|
| ALEJANDRO MESTRE-QUEREDA ET AL: "An Improved Phase Filter for Differential SAR Interferometry Based on an Iterative Method", 《IEEE TRANSACTIONS ON GEOSCIENCE AND REMOTE SENSING》, pages 1 - 15 * |
| LIMING PU ET AL: "A Phase Filtering Method with Scale Recurrent Networks for InSAR", 《REMOTE SENSING》, pages 1 - 25 * |
| 薛海伟和冯大政: "一种新的干涉相位图局部自适应滤波方法", 《电子与信息学报》, vol. 38, no. 12, pages 3085 - 3092 * |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113327205A (zh) * | 2021-06-01 | 2021-08-31 | 电子科技大学 | 基于卷积神经网络的相位去噪网络及方法 |
| CN113327205B (zh) * | 2021-06-01 | 2023-04-18 | 电子科技大学 | 基于卷积神经网络的相位去噪方法 |
| CN114970614A (zh) * | 2022-05-12 | 2022-08-30 | 中国科学院沈阳自动化研究所 | 一种基于自监督学习的低相干干涉信号去噪方法及系统 |
| CN114970614B (zh) * | 2022-05-12 | 2024-07-09 | 中国科学院沈阳自动化研究所 | 一种基于自监督学习的低相干干涉信号去噪方法及系统 |
| CN118822880A (zh) * | 2024-06-03 | 2024-10-22 | 北京大学 | 干涉图去噪方法、去噪模型训练方法及存储介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Mandelli et al. | Seismic data interpolation through convolutional autoencoder | |
| CN112614081A (zh) | 干涉图去噪的方法 | |
| CN104459633B (zh) | 结合局部频率估计的小波域InSAR干涉相位滤波方法 | |
| US20210133936A1 (en) | Recovering occluded image data using machine learning | |
| US9262808B2 (en) | Denoising of images with nonstationary noise | |
| CN110956653B (zh) | 相关滤波器与运动估计融合的卫星视频动态目标追踪方法 | |
| Ko et al. | SAR image despeckling using continuous attention module | |
| Baier et al. | A nonlocal InSAR filter for high-resolution DEM generation from TanDEM-X interferograms | |
| CN113269691A (zh) | 一种基于卷积稀疏进行噪声仿射拟合的sar图像去噪方法 | |
| Li et al. | Hierarchical and adaptive phase correlation for precise disparity estimation of UAV images | |
| CN103020898A (zh) | 序列虹膜图像超分辨率重建方法 | |
| CN103824287A (zh) | 一种基于稳健平面拟合的相位相关亚像素匹配方法 | |
| CN117522738A (zh) | 基于光学遥感影像和sar影像的图像去云方法及系统 | |
| Stanković et al. | RANSAC-based signal denoising using compressive sensing | |
| Luo et al. | Correcting optical aberration via depth-aware point spread functions | |
| CN117970332B (zh) | 一种联合光学影像的InSAR城区地表形变危险性精细识别方法 | |
| Lasaponara et al. | Pan-sharpening techniques to enhance archaeological marks: an overview | |
| CN117975297A (zh) | 联合多源数据辅助的城区地表形变危险性精细识别方法 | |
| Abdallah et al. | An enhanced weighted median filter for noise reduction in SAR interferograms | |
| Bopche et al. | Use of noise reduction filters on stereo images for improving the accuracy and quality of the digital elevation model | |
| CN116148855A (zh) | 时序InSAR大气相位去除和形变解算的方法及系统 | |
| Sun et al. | Overview of SAR image denoising based on transform domain | |
| CN106228514A (zh) | 一种消除压缩视频噪声的方法 | |
| Reid et al. | MRI denoising and artefact removal using self-organizing maps for fast global block-matching | |
| CN110796684B (zh) | 目标跟踪方法以及相关装置 |
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 | ||
| CB03 | Change of inventor or designer information | ||
| CB03 | Change of inventor or designer information |
Inventor after: Yang Shucheng Inventor after: Huang Guoman Inventor after: Tao Liqing Inventor after: Cheng Chunquan Inventor after: Zhao Zheng Inventor after: Lu Lijun Inventor before: Yang Shucheng Inventor before: Huang Guoman Inventor before: Tao Liqing Inventor before: Cheng Chunquan Inventor before: Zhao Zheng Inventor before: Lu Lijun |
|
| RJ01 | Rejection of invention patent application after publication | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20210406 |