CN113238227B - 一种结合深度学习的改进最小二乘相位解缠方法及系统 - Google Patents

一种结合深度学习的改进最小二乘相位解缠方法及系统 Download PDF

Info

Publication number
CN113238227B
CN113238227B CN202110506131.7A CN202110506131A CN113238227B CN 113238227 B CN113238227 B CN 113238227B CN 202110506131 A CN202110506131 A CN 202110506131A CN 113238227 B CN113238227 B CN 113238227B
Authority
CN
China
Prior art keywords
phase
phase gradient
square
unwrapping
prediction result
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.)
Active
Application number
CN202110506131.7A
Other languages
English (en)
Other versions
CN113238227A (zh
Inventor
钱江
张自文
叶鑫
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
University of Electronic Science and Technology of China
Original Assignee
University of Electronic Science and Technology of China
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by University of Electronic Science and Technology of China filed Critical University of Electronic Science and Technology of China
Priority to CN202110506131.7A priority Critical patent/CN113238227B/zh
Publication of CN113238227A publication Critical patent/CN113238227A/zh
Application granted granted Critical
Publication of CN113238227B publication Critical patent/CN113238227B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • GPHYSICS
    • G01MEASURING; TESTING
    • G01SRADIO 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
    • G01S13/00Systems 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
    • G01S13/88Radar or analogous systems specially adapted for specific applications
    • G01S13/89Radar or analogous systems specially adapted for specific applications for mapping or imaging
    • G01S13/90Radar or analogous systems specially adapted for specific applications for mapping or imaging using synthetic aperture techniques, e.g. synthetic aperture radar [SAR] techniques
    • G01S13/9021SAR image post-processing techniques
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06NCOMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00Computing arrangements based on biological models
    • G06N3/02Neural networks
    • G06N3/04Architecture, e.g. interconnection topology
    • G06N3/045Combinations of networks
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06NCOMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00Computing arrangements based on biological models
    • G06N3/02Neural networks
    • G06N3/08Learning methods
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06FELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/08Feature extraction

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Remote Sensing (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • Mathematical Physics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Biophysics (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Biomedical Technology (AREA)
  • Computational Linguistics (AREA)
  • Software Systems (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Electromagnetism (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开一种结合深度学习的改进最小二乘相位解缠方法及系统,首先获取待处理的图像数据;按照改进最小二乘解模型求解待处理的图像数据的相位解缠结果,利用相位梯度预测网络结构得到预测的水平相位梯度预测结果和垂直相位梯度预测结果,最后将其代入到最小二乘法的快速求解准确地获取解缠相位。本发明提供的结合深度学习改进的最小二乘相位解缠方法,结合深度学习预测InSAR处理中带噪声缠绕相位对应的相位梯度,本方法利用卷积神经网络的相位梯度预测结果在高信噪比情况下依然发挥稳定,比传统最小二乘解缠算法所使用的缠绕相位梯度更加的准确。改进后的最小二乘相位解缠算法不易受相位质量和噪声等因素的影响,解缠结果稳定性得到大幅度提高。

Description

一种结合深度学习的改进最小二乘相位解缠方法及系统
技术领域
本发明涉及合成孔径雷达干涉测量技术领域,特别是一种结合深度学习改进的最小二乘相位解缠方法及系统。
背景技术
相位解缠技术是干涉合成孔径雷达技术中的重要一环,解缠算法的效率直接影响InSAR产品的生产时长,解缠算法的准确度则直接影响InSAR产品的质量。在众多的相位解缠算法中,传统的基于FFT变换的最小二乘解缠算法由于可以通过快速傅里叶变换求解,因此它的运算效率很高,在InSAR生成过程中被广泛应用。
传统最小二乘解缠算法的整体思路是使真实相位梯度和缠绕相位梯度之间的二范数最小。然后由于缠绕相位受干涉质量、相位噪声等因素的影响,缠绕相位梯度同真实相位梯度之间存在较大的偏差,这种偏差在该算法中被平均地分布到全局的解缠结果上面,从而容易导致解缠结果偏离真实值。
发明内容
有鉴于此,本发明的目的在于提供一种结合深度学习改进的最小二乘相位解缠方法,该方法结合深度学习预测InSAR处理中带噪声缠绕相位对应的相位梯度,并利用该预测结果求得绝对相位的最小二乘解。
本发明提供的结合深度学习的改进最小二乘相位解缠方法,包括以下步骤:
获取待处理的图像数据;
建立最小二乘解缠模型得到最小二乘算法公式中的缠绕相位梯度:
构建用于实现绝对相位梯度预测的卷积神经网络,并产生对应的样本集和标签集进行训练,得到相位梯度预测结果;
将相位梯度预测结果替代最小二乘算法公式中的缠绕相位梯度得到改进后的最小二乘解模型;
使用快速傅里叶变换及其逆变换求得绝对相位的最小二乘解,作为图像数据的相位解缠结果。
进一步,所述改进后的最小二乘解模型按照以下公式建立:
Figure BDA0003058454090000021
其中,
Figure BDA0003058454090000022
表示待求解的绝对相位;M表示相位图的行数;N表示相位图的列数;px代表水平相位梯度预测结果,py代表垂直相位梯度预测结果,下标(i,j)代表像元坐标位置。
进一步,所述水平相位梯度预测结果和垂直相位梯度预测结果是按照以下步骤进行计算:
建立相位梯度预测网络结构,所述网络结构包括多尺度特征提取子网络和多通道特征权重子网络;所述多尺度特征提取子网络包括若干不同尺度的卷积核和残差网络结构,所述多尺度特征提取子网络通过不同尺度的卷积核和对应的残差网络结构提取不同尺度的特征;所述多通道特征权重子网络对不同尺度的特征设置不同的权重。
利用相位梯度预测网络结构得到水平相位梯度预测结果和垂直相位梯度预测结果。
进一步,所述改进后的最小二乘解模型是按照以下步骤构建的:
按照以下公式计算水平方向和垂直方向上的相位梯度:
Figure BDA0003058454090000023
Figure BDA0003058454090000024
其中,
Figure BDA0003058454090000025
Figure BDA0003058454090000026
分别代表水平方向和垂直方向上的相位梯度,ψ(i,j)代表绝对相位,
Figure BDA0003058454090000027
代表缠绕相位,下标(i,j)代表像元位置;
按照以下公式计算最小二乘法的代价公式:
Figure BDA0003058454090000028
按照以下公式将绝对相位图做镜像对称变换:
Figure BDA0003058454090000029
按照以下公式计算代价公式的偏导等于0时的最小二范数的解:
Figure BDA0003058454090000031
按照以下公式通过快速傅里叶变换和快速傅里叶逆变换,获得最优解:
Figure BDA0003058454090000032
将水平相位梯度预测结果和垂直相位梯度预测结果代入到最小二乘法的快速求解公式当中,得到最小二乘法的解缠相位。
本发明提供的结合深度学习改进的最小二乘相位解缠系统,包括存储器、处理器及存储在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程序时实现以下步骤:
获取待处理的图像数据;
按照以下公式建立改进后的最小二乘解模型:
Figure BDA0003058454090000033
其中,
Figure BDA0003058454090000034
表示待求解的绝对相位;M表示相位图的行数;N表示相位图的列数;px代表水平相位梯度预测结果,py代表垂直相位梯度预测结果,下标(i,j)代表像元坐标位置;
根据建立的改进最小二乘解模型求解待处理的图像数据的相位解缠结果。
进一步,所述改进后的最小二乘解模型按照以下公式建立:
Figure BDA0003058454090000035
其中,
Figure BDA0003058454090000036
表示待求解的绝对相位;M表示相位图的行数;N表示相位图的列数;px代表水平相位梯度预测结果,py代表垂直相位梯度预测结果,下标(i,j)代表像元坐标位置。
进一步,所述水平相位梯度预测结果和垂直相位梯度预测结果是按照以下公式进行计算:
建立相位梯度预测网络结构,所述网络结构包括多尺度特征提取子网络和多通道特征权重子网络;所述多尺度特征提取子网络包括若干不同尺度的卷积核和残差网络结构,所述多尺度特征提取子网络通过不同尺度的卷积核和对应的残差网络结构提取不同尺度的特征;所述多通道特征权重子网络对不同尺度的特征设置不同的权重。
利用相位梯度预测网络结构得到水平相位梯度预测结果和垂直相位梯度预测结果。
进一步,所述改进后的最小二乘解模型是按照以下步骤构建的:
按照以下公式计算水平方向和垂直方向上的相位梯度:
Figure BDA0003058454090000041
Figure BDA0003058454090000042
其中,
Figure BDA0003058454090000043
Figure BDA0003058454090000044
分别代表水平方向和垂直方向上的相位梯度,ψ(i,j)代表绝对相位,
Figure BDA0003058454090000045
代表缠绕相位,下标(i,j)代表像元位置;
按照以下公式计算最小二乘法的代价公式:
Figure BDA0003058454090000046
按照以下公式将绝对相位图做镜像对称变换:
Figure BDA0003058454090000047
按照以下公式计算代价公式的偏导等于0时的最小二范数的解:
Figure BDA0003058454090000048
按照以下公式通过快速傅里叶变换和快速傅里叶逆变换,获得最优解:
Figure BDA0003058454090000049
将水平相位梯度预测结果和垂直相位梯度预测结果代入到最小二乘法的快速求解公式当中,得到最小二乘法的解缠相位。
本发明提供的结合深度学习的改进最小二乘相位解缠方法,结合深度学习预测InSAR处理中带噪声缠绕相位对应的相位梯度,并利用该预测结果求得绝对相位的最小二乘解,使用快速傅里叶变换及其逆变换求得绝对相位的最小二乘解;能够实现绝对相位梯度预测的卷积神经网络,并产生对应的样本集和标签集进行训练。使用相位梯度预测结果替代传统最小二乘算法公式中的缠绕相位梯度。
本方法利用卷积神经网络的相位梯度预测结果在高信噪比情况下依然发挥稳定,比传统最小二乘解缠算法所使用的缠绕相位梯度更加的准确。改进后的最小二乘相位解缠算法不易受相位质量和噪声等因素的影响,解缠结果稳定性得到大幅度提高。
本发明的其他优点、目标和特征在某种程度上将在随后的说明书中进行阐述,并且在某种程度上,基于对下文的考察研究对本领域技术人员而言将是显而易见的,或者可以从本发明的实践中得到教导。本发明的目标和其他优点可以通过下面的说明书来实现和获得。
附图说明
为了使本发明的目的、技术方案和有益效果更加清楚,本发明提供如下附图进行说明:
图1为改进后的最小二乘方法流程图。
图2为相位梯度预测网络结构。
图3为不同信噪比情况下的网络预测结构及其解缠结果对比分析。
图4为不同信噪比情况下的缠绕相位梯度。
具体实施方式
下面结合附图和具体实施例对本发明作进一步说明,以使本领域的技术人员可以更好的理解本发明并能予以实施,但所举实施例不作为对本发明的限定。
本实施例提供的结合深度学习改进的最小二乘相位解缠方法,首先介绍传统的最小二乘解缠算法基础,传统的最小二乘法的解缠思路是:待求解真实相位的相位梯度和缠绕相位的相位梯度之间的二范数最小。根据相位连续性假设,在理想情况下(干涉质量很高且无噪声等因素影响的情况)行和列上的相位梯度可以分别表示为:
Figure BDA0003058454090000051
同理,可得
Figure BDA0003058454090000052
其中,
Figure BDA0003058454090000053
Figure BDA0003058454090000054
分别代表水平方向和垂直方向上的相位梯度,ψ(i,j)代表绝对相位,
Figure BDA0003058454090000061
代表缠绕相位,下标(i,j)代表像元位置。
那么,最小二乘法的代价公式可以表示为:
Figure BDA0003058454090000062
其中,
Figure BDA0003058454090000063
表示最小二乘法的代价公式取得最小值;M表示相位图的行数;N表示相位图的列数。
由于上述公式的偏导等于0时就是满足最小二范数的解,因此通过计算上式的偏导可以得到下式:
Figure BDA0003058454090000064
为了便于对上式进一步求解,将绝对相位图按照公式(4)做镜像对称变换。经过变换后,整张图像的大小从M×N扩展为(2M-1)×(2N-1)。
Figure BDA0003058454090000065
其中,
Figure BDA0003058454090000066
表示镜像对称后的绝对相位;ψ(i,j)表示镜像对称前的绝对相位。
尽管相位图经过了镜像对称变换,但是变换后的相位图仍然满足公式(3)中的相位偏导关系。整理后,新的关系公式可以表示为:
Figure BDA0003058454090000067
通过快速傅里叶变换和快速傅里叶逆变换,可以直接获得满足上述公式的最优解,同时它也是最小二乘解。
求解公式见式(6)。
Figure BDA0003058454090000068
以下是改进的最小二乘解缠算法:
如图1所示,具体过程如下:设计相位梯度预测的卷积神经网络,然后进行网络的训练,训练是将仿真产生的待噪声缠绕相位和仿真产生对应的水平/垂直相位梯度输入到卷积神经网络中进行训练,传送训练好的模型,将待求解的缠绕相位输入到已经训练的卷积神经网络进行预测,输出水平/垂直相位梯度预测结果,使用预测结果改进快速最小二乘求解公式,得到改进后的最小二乘解。
在传统的最小二乘解缠算法中,由于
Figure BDA0003058454090000071
均是由缠绕相位直接获得(即
Figure BDA0003058454090000072
),而缠绕相位受噪声等因素的影响,缠绕相位梯度同绝对相位梯度之间存在较大偏差,而这些误差会被平均地分布到全局解缠结果上面,从而导致解缠结果严重偏离真实值的情况。
为了获取更加准确的相位梯度值,采用深度学习的方法,根据缠绕相位预测相位梯度,并用预测结果替代上述的
Figure BDA0003058454090000073
Figure BDA0003058454090000074
如图2所示,图2为相位梯度预测网络结构,网络结构主要包括两部分,第一部分被称作多尺度特征提取子网络,第二部分被称作多通道特征权重子网络。在多尺度特征提取网络中,四个特定方向的卷积核被用来提取不同感受野的特征,在缠绕相位质量较低的情况下,需要较大视野范围的卷积核才能较好地对相位梯度进行估计,此时图2中“1×5×1”的卷积核更有利于发挥作用;同理,在缠绕相位质量较高的情况下,相邻两像元就可以完成相位梯度的估计,相应的“1×2×1”的卷积核更有利于提取相位梯度特征。ResBlock是一种典型的残差网络结构,通过残差网络和多尺度卷积核的结合可以高效提取多尺度特征。在多通道特征权重子网络中,对不同尺度的特征赋予不同的权重,从而使得网络的预测效果更加健壮。
如图3所示,图3为不同信噪比情况下的网络预测结构及其解缠结果对比分析,第一行对应无噪声情况,第二行对应1dB噪声情况,第三行对应-2dB噪声情况;(a)缠绕相位图;(b)水平相位梯度预测结果;(c)垂直相位梯度预测结果;(d)传统最小二乘法解缠结果;(e)改进的最小二乘相位解缠结果。
根据图3所示,随着噪声的加入以及噪声水平的不同,缠绕相位的质量发生了较大的变化。而对比(b)列和(c)列中的相位梯度预测结果可以发现,网络的相位梯度预测结果仍然能够保持稳定水平,噪声对网络的预测结果影响较小。
综上所述,该深度学习网络能够稳定地预测相位梯度。
改进后的最小二乘解:为了使得最小二乘法能够更为准确地获取解缠相位,将上述网络预测的相位梯度结果代入到最小二乘法的快速求解公式当中。改进后的最小二乘解可以表示为公式(7),其中px代表水平相位梯度预测结果,py代表垂直相位梯度预测结果,下标代表坐标位置。
Figure BDA0003058454090000081
图3中的第(d)列对应传统最小二乘法的相位解缠结果,图3中的第(e)列对应改进后的最小二乘法相位解缠结果。
通过对比,可以明显发现,随着噪声影响的增大,传统最小二乘法的相位解缠结果同无噪声理想情况下的相位解缠结果之间的偏差越来越大,解缠结果受到噪声的严重破坏。然而,改进后的最小二乘解缠算法受噪声的影响较小,解缠结果发挥稳定水平。
如图4所示,图4为不同信噪比情况下的缠绕相位梯度(a)无噪声情况、(b)2dB、(c)1dB、(d)0dB、(e)-1dB、(f)-2dB。第一行对应缠绕相位,第二行对应缠绕相位的水平相位梯度,第三行对应缠绕相位的垂直相位梯度。
通过图4可以直观发现,传统最小二乘解缠算法所使用的缠绕相位梯度受缠绕相位质量影响较大,在缠绕相位噪声水平较高的情况下,缠绕相位梯度受到噪声水平的严重破坏。
以上所述实施例仅是为充分说明本发明而所举的较佳的实施例,本发明的保护范围不限于此。本技术领域的技术人员在本发明基础上所作的等同替代或变换,均在本发明的保护范围之内。本发明的保护范围以权利要求书为准。

Claims (6)

1.一种结合深度学习的改进最小二乘相位解缠方法,其特征在于:包括以下步骤:
获取待处理的图像数据;
建立最小二乘解缠模型得到最小二乘算法公式中的缠绕相位梯度:
构建用于实现绝对相位梯度预测的卷积神经网络,并产生对应的样本集和标签集进行训练,得到相位梯度预测结果;
将相位梯度预测结果替代最小二乘算法公式中的缠绕相位梯度得到改进后的最小二乘解模型;
使用快速傅里叶变换及其逆变换求得绝对相位的最小二乘解,作为图像数据的相位解缠结果;
所述改进后的最小二乘解模型按照以下公式建立:
Figure FDA0003806900790000011
其中,
Figure FDA0003806900790000012
表示待求解的绝对相位;M表示相位图的行数;N表示相位图的列数;px代表水平相位梯度预测结果,py代表垂直相位梯度预测结果,下标(i,j)代表像元坐标位置。
2.如权利要求1所述的结合深度学习的改进最小二乘相位解缠方法,其特征在于:所述水平相位梯度预测结果和垂直相位梯度预测结果是按照以下步骤进行计算:
建立相位梯度预测网络结构,所述网络结构包括多尺度特征提取子网络和多通道特征权重子网络;所述多尺度特征提取子网络包括若干不同尺度的卷积核和残差网络结构,所述多尺度特征提取子网络通过不同尺度的卷积核和对应的残差网络结构提取不同尺度的特征;所述多通道特征权重子网络对不同尺度的特征设置不同的权重;
利用相位梯度预测网络结构得到水平相位梯度预测结果和垂直相位梯度预测结果。
3.如权利要求2所述的结合深度学习的改进最小二乘相位解缠方法,其特征在于:所述改进后的最小二乘解模型是按照以下步骤构建的:
按照以下公式计算水平方向和垂直方向上的相位梯度:
Figure FDA0003806900790000013
Figure FDA0003806900790000021
其中,
Figure FDA0003806900790000022
Figure FDA0003806900790000023
分别代表水平方向和垂直方向上的相位梯度,ψ(i,j)代表绝对相位,
Figure FDA0003806900790000024
代表缠绕相位,下标(i,j)代表像元位置;
按照以下公式计算最小二乘法的代价公式:
Figure FDA0003806900790000025
按照以下公式将绝对相位图做镜像对称变换:
Figure FDA0003806900790000026
按照以下公式计算代价公式的偏导等于0时的最小二范数的解:
Figure FDA0003806900790000027
按照以下公式通过快速傅里叶变换和快速傅里叶逆变换,获得最优解:
Figure FDA0003806900790000028
将水平相位梯度预测结果和垂直相位梯度预测结果代入到最小二乘法的快速求解公式当中,得到最小二乘法的解缠相位。
4.一种结合深度学习改进的最小二乘相位解缠系统,包括存储器、处理器及存储在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程序时实现以下步骤:
获取待处理的图像数据;
按照以下公式建立改进后的最小二乘解模型:
Figure FDA0003806900790000029
其中,
Figure FDA00038069007900000210
表示待求解的绝对相位;M表示相位图的行数;N表示相位图的列数;px代表水平相位梯度预测结果,py代表垂直相位梯度预测结果,下标(i,j)代表像元坐标位置;
根据建立的改进最小二乘解模型求解待处理的图像数据的相位解缠结果。
5.如权利要求4所述的结合深度学习改进的最小二乘相位解缠系统,其特征在于:所述水平相位梯度预测结果和垂直相位梯度预测结果是按照以下公式进行计算:
建立相位梯度预测网络结构,所述网络结构包括多尺度特征提取子网络和多通道特征权重子网络;所述多尺度特征提取子网络包括若干不同尺度的卷积核和残差网络结构,所述多尺度特征提取子网络通过不同尺度的卷积核和对应的残差网络结构提取不同尺度的特征;所述多通道特征权重子网络对不同尺度的特征设置不同的权重;
利用相位梯度预测网络结构得到水平相位梯度预测结果和垂直相位梯度预测结果。
6.如权利要求5所述的结合深度学习改进的最小二乘相位解缠系统,其特征在于:所述改进后的最小二乘解模型是按照以下步骤构建的:
按照以下公式计算水平方向和垂直方向上的相位梯度:
Figure FDA0003806900790000031
Figure FDA0003806900790000032
其中,
Figure FDA0003806900790000033
Figure FDA0003806900790000034
分别代表水平方向和垂直方向上的相位梯度,ψ(i,j)代表绝对相位,
Figure FDA0003806900790000035
代表缠绕相位,下标(i,j)代表像元位置;
按照以下公式计算最小二乘法的代价公式:
Figure FDA0003806900790000036
按照以下公式将绝对相位图做镜像对称变换:
Figure FDA0003806900790000037
按照以下公式计算代价公式的偏导等于0时的最小二范数的解:
Figure FDA0003806900790000041
按照以下公式通过快速傅里叶变换和快速傅里叶逆变换,获得最优解:
Figure FDA0003806900790000042
将水平相位梯度预测结果和垂直相位梯度预测结果代入到最小二乘法的快速求解公式当中,得到最小二乘法的解缠相位。
CN202110506131.7A 2021-05-10 2021-05-10 一种结合深度学习的改进最小二乘相位解缠方法及系统 Active CN113238227B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110506131.7A CN113238227B (zh) 2021-05-10 2021-05-10 一种结合深度学习的改进最小二乘相位解缠方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110506131.7A CN113238227B (zh) 2021-05-10 2021-05-10 一种结合深度学习的改进最小二乘相位解缠方法及系统

Publications (2)

Publication Number Publication Date
CN113238227A CN113238227A (zh) 2021-08-10
CN113238227B true CN113238227B (zh) 2022-09-30

Family

ID=77132965

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110506131.7A Active CN113238227B (zh) 2021-05-10 2021-05-10 一种结合深度学习的改进最小二乘相位解缠方法及系统

Country Status (1)

Country Link
CN (1) CN113238227B (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114265062B (zh) * 2021-11-11 2023-11-10 电子科技大学 一种基于相位梯度估计网络的InSAR相位解缠方法
CN116068511B (zh) * 2023-03-09 2023-06-13 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
CN117475172B (zh) * 2023-12-28 2024-03-26 湖北工业大学 一种基于深度学习的高噪声环境相位图解包裹方法和系统

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102621549A (zh) * 2011-10-14 2012-08-01 中国人民解放军国防科学技术大学 多基线/多频段干涉相位解缠频域快速算法
CN105093226A (zh) * 2015-08-31 2015-11-25 西安电子科技大学 基于全局最小均方算法的雷达相位解缠方法
CN109253708A (zh) * 2018-09-29 2019-01-22 南京理工大学 一种基于深度学习的条纹投影时间相位展开方法

Family Cites Families (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109541593B (zh) * 2018-10-30 2022-04-12 北京航空航天大学 一种改进的最小费用流InSAR相位解缠方法
CN109712109A (zh) * 2018-11-06 2019-05-03 杭州电子科技大学 一种基于残差卷积神经网络的光学图像相位解缠绕方法
US11125846B2 (en) * 2019-03-21 2021-09-21 The Board Of Trustees Of The Leland Stanford Junior University Method for correction of phase-contrast magnetic resonance imaging data using a neural network
CN110109100B (zh) * 2019-04-04 2022-05-03 电子科技大学 一种基于质量图加权的多基线最小二乘相位解缠方法
CN112748089B (zh) * 2019-10-31 2022-02-01 北京理工大学 多普勒光学相干层析成像中的相位解缠绕方法及装置
CN111025294B (zh) * 2019-12-12 2023-05-30 南昌大学 基于均方容积卡尔曼滤波器的InSAR相位解缠绕方法
CN111797678B (zh) * 2020-05-15 2023-07-07 华南师范大学 基于复合神经网络的相位解包裹方法和装置
CN111523618A (zh) * 2020-06-18 2020-08-11 南京理工大学智能计算成像研究院有限公司 一种基于深度学习的相位展开方法
CN112381172B (zh) * 2020-11-28 2022-09-16 桂林电子科技大学 一种基于U-net的InSAR干涉图像相位解缠方法
CN112637094A (zh) * 2020-12-17 2021-04-09 南京爱而赢科技有限公司 一种基于模型驱动深度学习的多用户mimo接收方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102621549A (zh) * 2011-10-14 2012-08-01 中国人民解放军国防科学技术大学 多基线/多频段干涉相位解缠频域快速算法
CN105093226A (zh) * 2015-08-31 2015-11-25 西安电子科技大学 基于全局最小均方算法的雷达相位解缠方法
CN109253708A (zh) * 2018-09-29 2019-01-22 南京理工大学 一种基于深度学习的条纹投影时间相位展开方法

Also Published As

Publication number Publication date
CN113238227A (zh) 2021-08-10

Similar Documents

Publication Publication Date Title
CN113238227B (zh) 一种结合深度学习的改进最小二乘相位解缠方法及系统
US11327137B2 (en) One-dimensional partial Fourier parallel magnetic resonance imaging method based on deep convolutional network
CN109343060B (zh) 基于深度学习时频分析的isar成像方法及系统
CN110969105B (zh) 一种人体姿态估计方法
CN105761228B (zh) 通过微修正rpc参数实现卫星遥感影像高精度几何纠正方法
CN104200441B (zh) 基于高阶奇异值分解的磁共振图像去噪方法
CN110728706B (zh) 基于深度学习的sar图像精细配准方法
CN113848550A (zh) 地基雷达自适应阈值永久散射体识别方法、装置及存储介质
CN110018438B (zh) 一种波达方向估计方法和装置
CN112598069B (zh) 基于特征提取和权重系数参数更新的高光谱目标跟踪方法
CN107392863A (zh) 基于亲和矩阵融合谱聚类方法的sar图像变化检测方法
CN113223055A (zh) 图像目标跟踪模型建立方法及图像目标跟踪方法
CN110675318B (zh) 一种基于主结构分离的稀疏表示图像超分辨率重建方法
CN108846430B (zh) 一种基于多原子字典的图像信号的稀疏表示方法
CN109902589A (zh) 一种基于雷达一维距离像的目标识别方法及系统
CN117640302A (zh) 一种压缩感知和深度学习辅助的mimo波束空间信道估计方法
CN116659684A (zh) 星载综合孔径微波辐射计海陆污染误差校正方法
CN114066749B (zh) 相位相关抗噪位移估计方法、设备及存储介质
CN105846826A (zh) 基于近似平滑l0范数的压缩感知信号重构方法
CN115760908A (zh) 基于胶囊网络感知特征的绝缘子跟踪方法和装置
CN106570911A (zh) 一种基于daisy描述子的脸部卡通画合成方法
CN109298384B (zh) 一种基于变分贝叶斯推断的非均匀直线阵波达方向角估计方法
Mohaoui et al. Bi‐dictionary learning model for medical image reconstruction from undersampled data
Cao et al. Sparse representation denoising framework for 3-D building reconstruction from airborne LiDAR data
CN117062002B (zh) 一种基于轻量级transformer的5g nr室内定位方法及系统

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