CN113589286A - 基于D-LinkNet的无迹卡尔曼滤波相位解缠方法 - Google Patents

基于D-LinkNet的无迹卡尔曼滤波相位解缠方法 Download PDF

Info

Publication number
CN113589286A
CN113589286A CN202111139444.XA CN202111139444A CN113589286A CN 113589286 A CN113589286 A CN 113589286A CN 202111139444 A CN202111139444 A CN 202111139444A CN 113589286 A CN113589286 A CN 113589286A
Authority
CN
China
Prior art keywords
phase
unwrapping
linknet
gradient
noise
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
Application number
CN202111139444.XA
Other languages
English (en)
Other versions
CN113589286B (zh
Inventor
高延东
张书毕
李世金
张艳锁
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.)
China University of Mining and Technology CUMT
Original Assignee
China University of Mining and Technology CUMT
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 China University of Mining and Technology CUMT filed Critical China University of Mining and Technology CUMT
Priority to CN202111139444.XA priority Critical patent/CN113589286B/zh
Publication of CN113589286A publication Critical patent/CN113589286A/zh
Application granted granted Critical
Publication of CN113589286B publication Critical patent/CN113589286B/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
    • 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
    • G01S7/00Details of systems according to groups G01S13/00, G01S15/00, G01S17/00
    • G01S7/02Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06FELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10Complex mathematical operations
    • G06F17/11Complex mathematical operations for solving equations, e.g. nonlinear equations, general mathematical optimization problems

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Remote Sensing (AREA)
  • General Physics & Mathematics (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Mathematical Physics (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Computational Mathematics (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Pure & Applied Mathematics (AREA)
  • Algebra (AREA)
  • Operations Research (AREA)
  • Databases & Information Systems (AREA)
  • Software Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Electromagnetism (AREA)
  • Image Processing (AREA)

Abstract

本发明公开了一种基于D‑LinkNet的无迹卡尔曼滤波相位解缠方法,实现在解缠困难区域获取高精度解缠结果。具体包括:基于改进D‑LinkNet的高精度梯度模糊系数估计、距离/方位向梯度获取及结合最大堆解缠策略的无迹卡尔曼滤波相位解缠;通过改进D‑LinkNet对不同地形的模拟数据进行模型训练,从含有噪声的干涉相位中获取梯度模糊系数;通过距离/方位向梯度估计公式获取相应的梯度,并结合小窗口中值滤波器对梯度进行轻微滤波,提高梯度估计精度;最后采用无迹卡尔曼滤波及最大堆解缠策略对干涉相位进行逐像元解缠。本发明能够解决高噪声及大梯度变化区域解缠精度低的问题,有效提高相位解缠精度。

Description

基于D-LinkNet的无迹卡尔曼滤波相位解缠方法
技术领域
本发明涉及合成孔径雷达干涉数据处理领域,特别是涉及一种基于D-LinkNet的无迹卡尔曼滤波相位解缠方法。
背景技术
合成孔径雷达干涉(Interferometric Synthetic Aperture Radar,InSAR)测量技术已经在数字高程模型反演、大规模地表沉陷监测及山体滑坡等地质灾害中得到了广泛的应用。而相位解缠又作为InSAR数据处理中的技术难点,受到广大研究学者们的关注。目前,相位解缠可以分为两类,一类是以经典枝切法为代表的路径跟踪法,其中主要包括最小不连续法及质量图法等,该类方法属于局部最优方法,首先选取一个解缠起点,然后沿着一个解缠路径进行逐个像素点解缠,直至整个干涉相位内所有像素点都解缠结束,该类方法解缠效率高,但在经过高噪声区域的时候会产生明显的误差传递,甚至会导致解缠失败;另外一类是以最小费用流(minimum cost flow,MCF)为代表的最优估计方法,其中主要包括最小范数法及统计费用流方法(statistical cost flow,SNAPHU),该类方法属于全局最优方法,通过缠绕相位梯度以获取真实相位梯度的近似值,进而获取最终的解缠结果,该类方法稳定性较好,可以避免明显的误差传递,但在高噪声区域仍然无法获得准确的结果。
上述两种解缠方法已经在现阶段的主流软件中得到了广泛的应用,然而在高噪声区域仍然无法获得理想的解缠结果,尤其是上述解缠方法易受到相位连续性假设的限制,使其在相位不连续区域难以获得准确的结果,甚至会导致解缠失败,进而影响最终的产品精度;虽然多基线相位解缠方法可以摆脱相位连续性假设的限制,但因其噪声鲁棒性差及解缠效率低,仍然限制了其应用的范围,而且多基线干涉相位数据并不是经常有,与此同时,相位解缠精度受不同基线长度比例关系的影响比较明显,因此,在只有单景影像的情况如何获取高精度相位解缠结果就显得尤为重要,尤其是在高噪声及大梯度变化区域获取高精度解缠结果就成为了一项重要的研究工作。
发明内容
本发明的目的是提供一种基于D-LinkNet的无迹卡尔曼滤波相位解缠方法,能够解决高噪声及大梯度变化区域解缠精度低的问题,有效的提高相位解缠精度。
为实现上述目的,本发明提供一种基于D-LinkNet的无迹卡尔曼滤波相位解缠方法,包括以下步骤:
S1、构建D-LinkNet网络模型,并对所述D-LinkNet网络模型进行改进,得到改进的D-LinkNet网络模型;
S2、根据不同地形地貌的SRTM获取缠绕干涉相位和真实相位梯度模糊系数,并对所述缠绕干涉相位进行加噪;
S3、将加噪的缠绕干涉相位作为改进的D-LinkNet网络模型的输入数据样本,将所述真实相位梯度模糊系数作为改进的D-LinkNet网络模型的输出数据样本,以对所述改进的D-LinkNet网络模型进行训练;
S4、基于训练好的改进D-LinkNet网络模型,得到梯度模糊系数;并结合小窗口中值滤波得到距离/方位向相位梯度估计值;
S5、基于所述S4,建立无迹卡尔曼滤波相位解缠的状态方程及观测方程,并结合最大堆排序解缠策略对干涉相位图进行逐个相位展开,得到最终的解缠相位值。
优选的,所述改进的D-LinkNet网络模型是在所述D-LinkNet网络模型的编码器中去掉一层网络,同时在中间层中也去掉一层网络,解码器不变。
优选的,所述S2包括:
S2.1、根据不同地形地貌特征,获取不同地形的SRTM;
S2.2、对所述SRTM进行缠绕干涉相位模拟,得到缠绕干涉相位;
S2.3、对所述缠绕干涉相位进行加噪处理,得到加噪的缠绕干涉相位;
S2.4、对未加噪声的缠绕干涉相位进行距离或方向位做差,并通过相位连续性假设得到真实相位梯度模糊系数。
优选的,所述加噪处理的噪声为超几何分布噪声。
优选的,所述S3包括:
S3.1、对加噪的缠绕干涉相位进行特征提取,得到加噪的缠绕干涉相位特征图;然后将所述加噪的缠绕干涉相位特征图分割成大小为256×256的图片,并将分割后的缠绕干涉相位特征图作为改进D-LinkNet网络模型训练的输入数据集;
S3.2、将未加噪声的真实相位梯度模糊系数进行特征提取,得到未加噪声的真实相位梯度模糊系数特征图;然后将所述未加噪声的真实相位梯度模糊系数特征图割成大小为256×256的图片,并将分割后的真实相位梯度模糊系数特征图作为改进D-LinkNet网络模型训练的输出数据集。
优选的,所述S4包括:
基于所述训练好的改进D-LinkNet网络模型,获取梯度模糊系数,结合小窗口中值滤波得到距离/方位向相位梯度估计值,其表达式为:
Figure 593718DEST_PATH_IMAGE001
式中,
Figure 428819DEST_PATH_IMAGE002
Figure 172784DEST_PATH_IMAGE003
分别为
Figure 160463DEST_PATH_IMAGE004
像素点到
Figure 964471DEST_PATH_IMAGE005
像素点的距离/方位向的相位梯度估计值;
Figure 286867DEST_PATH_IMAGE006
Figure 834523DEST_PATH_IMAGE007
分别为
Figure 175244DEST_PATH_IMAGE004
像素点到
Figure 415732DEST_PATH_IMAGE005
像素点的距离/方位向的缠绕相位梯度值,
Figure 959846DEST_PATH_IMAGE008
Figure 311193DEST_PATH_IMAGE009
分别为由改进D-LinkNet估计的
Figure 7885DEST_PATH_IMAGE004
像素点到
Figure 419274DEST_PATH_IMAGE005
像素点的距离/方位向的相位梯度模糊系数值。
优选的,所述距离/方位向的相位梯度估计值采用窗口大小为5×5的中值滤波器进行滤波。
优选的,所述S5包括:
S5.1、基于所述S4,建立无迹卡尔曼滤波相位解缠的状态方程及观测方程,得到像素点的解缠相位和观测系数的观测值;
S5.2、基于所述S5.1,对所述状态方程进行更新,得到采样点的预测值、解缠相位的第一步预测值和相应误差协方差阵;
S5.3、基于所述S5.1~S5.2,得到所述观测值及所述相应误差协方差阵的预测值;
S5.4、对像素点重新赋值,并重复所述S5.1~S5.3,得到最终的解缠相位值。
与现有技术相比,本发明具有以下技术效果:
本发明采用一种改进的D-LinkNet网络对梯度模糊系数进行估计,结合四种不同地形地貌的SRTM对D-LinkNet网络模型进行训练,获取距离/方位向梯度模糊系数,并结合小窗口中值滤波获得最终的距离/方位向相位梯度,然后采用结合最大堆解缠策略的无迹Kalman相位解缠方法获取最终的解缠相位。与已有的其它常规相位解缠方法相比,本发明可以从高噪声区域获取高精度的解缠结果,针对大梯度变化区域也可以获得较其它方法更大面积有效解缠结果,且该方法具有更好的解缠模型鲁棒性,有效的提高了最终InSAR产品的精度。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1是本发明实施例的方法流程图;
图2为本发明实施例的改进D-LinkNet网络结构示意图;
图3为本发明实施例的改进D-LinkNet网络中间层结构示意图;
图4为本发明实施例的四种不同地形数据示意图;
图5为本发明实施例的实验数据Google地图范围示意图;
图6为本发明实施例的所用的干涉相位数据示意图;
图7为本发明实施例的实验数据对应区域的DEM示意图;
图8为本发明实施例的实验数据区域对应的模拟解缠相位示意图;
图9为本发明实施例的MCF方法的相位解缠结果示意图;
图10为本发明实施例的SNAPHU方法的相位解缠结果示意图;
图11为本发明实施例的基于D-LinkNet的无迹Kalman滤波相位解缠方法的相位解缠结果示意图;
图12为本发明实施例的MCF方法的解缠结果误差示意图;
图13为本发明实施例的SNAPHU方法的解缠结果误差示意图;
图14为本发明实施例的基于D-LinkNet的无迹Kalman滤波相位解缠方法的解缠结果误差示意图。
具体实施方式
下面将结合本发明实施例中的附图,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。
为使本发明的上述目的、特征和优点能够更加明显易懂,下面结合附图和具体实施方式对本发明作进一步详细的说明。
实施例1
参照图1所示,本发明提出一种基于D-LinkNet的无迹卡尔曼滤波相位解缠方法,具体包括以下步骤:
S1、构建D-LinkNet网络模型,并对所述D-LinkNet网络模型进行改进,得到改进的D-LinkNet网络模型,参照图2所示;
传统的D-LinkNet网络模型分为三部分,分别为编码器、中间层及解码器;而本发明改进的D-LinkNet网络是在编码器中去掉一层网络,这样能够避免在训练过程中由于特征图过小导致D-LinkNet网络学习模型不准确;同时,在中间层的级联空洞卷积部分也去掉一层,参照图3所示,进一步提高了网络训练的准确性及效率。
S2、根据不同地形地貌分别收集高原、山地、丘陵及平原四种不同地形的航天飞机雷达地形测绘使命(Shuttle Radar Topography Mission,SRTM),参照图4所示;然后采用四种不同的地形的SRTM进行缠绕干涉相位模拟,并对获取的缠绕干涉相位进行加噪,为了使模拟数据接近真实数据,该过程加的噪声为超几何分布噪声,从而得到加噪的缠绕干涉相位图片;对未加噪的干涉相位进行距离/方位向做差,并根据相位连续性假设获取相位梯度模糊系数,如式(1)所示:
Figure 450684DEST_PATH_IMAGE010
式中,
Figure 340143DEST_PATH_IMAGE011
为像素
Figure 858718DEST_PATH_IMAGE004
到像素
Figure 237747DEST_PATH_IMAGE005
的相位梯度模糊系数,
Figure 959715DEST_PATH_IMAGE012
为像素点
Figure 449602DEST_PATH_IMAGE004
的缠绕相位。
S3、将加噪的缠绕干涉相位作为改进的D-LinkNet网络模型训练所需的输入数据样本;将所述真实相位梯度模糊系数作为改进的D-LinkNet网络模型训练所需的输出数据样本,以对改进的D-LinkNet网络模型进行训练。采用四种不同地形的SRTM进行数据样本获取,提高了深度学习网络模型训练的准确性。其具体为:
采用改进的D-LinkNet网络获取真实相位梯度模糊系数;中间层的级联空洞卷积特征图提取是重要的过程,该过程可以在避免降低图像分辨率的同时获取特征图的空间信息,令
Figure 855307DEST_PATH_IMAGE013
为输入的缠绕相位特征图,
Figure 936395DEST_PATH_IMAGE014
为第
Figure 817764DEST_PATH_IMAGE015
个特征图中第个
Figure 688505DEST_PATH_IMAGE004
点的输出中间卷积层可以表示为:
Figure 135667DEST_PATH_IMAGE016
式中,
Figure 794182DEST_PATH_IMAGE017
为膨胀系数(
Figure 490742DEST_PATH_IMAGE018
在该方法中取值为1、2、4),
Figure 401061DEST_PATH_IMAGE019
为卷积核大小,
Figure 171570DEST_PATH_IMAGE020
是第
Figure 125620DEST_PATH_IMAGE021
个卷积核的第
Figure 981581DEST_PATH_IMAGE022
个参数,
Figure 459704DEST_PATH_IMAGE023
是偏置项;因此中心层的膨胀级联膨胀卷积可以表示为:
Figure 147037DEST_PATH_IMAGE024
式中,
Figure 209671DEST_PATH_IMAGE025
为输出的相位梯度模糊系数,
Figure 287349DEST_PATH_IMAGE026
是特征图宽度,
Figure 805049DEST_PATH_IMAGE027
是特征图高度,
Figure 612468DEST_PATH_IMAGE028
是卷积核个数,
Figure 49266DEST_PATH_IMAGE029
表示膨胀系数迭代计算,即第二次卷积输入为前一次卷积结果。空洞卷积层的膨胀系数分别为1、2、4,对应每层的接收域分别为3、7、15,如果输入图像尺寸为256×256,通过编码部分后特征图大小变为16×16,在这种情况下,膨胀系数为1、2、4的空洞卷积,输出的每一个特征点将在输入特征图上看到15×15个特征点,这样可以覆盖输入干涉相位图的主要特征部分,从而捕获全局的干涉相位特征信息,进而提高了梯度模糊系数获取的精度。
因此,本发明将加噪的缠绕干涉相位特征图割成大小为256×256的图片,并将分割后的图片作为特征图输入到改进的D-LinkNet网络模型训练的输入数据集中,将输出未加噪声的真实相位梯度模糊系数特征图割成大小为256×256的图片,并将其作为改进D-LinkNet网络模型训练的输出数据集。
S4、根据训练好的改进D-LinkNet网络模型,得到梯度模糊系数;并结合小窗口中值滤波得到距离/方位向相位梯度估计值,具体公式如下:
Figure 410977DEST_PATH_IMAGE030
式中,
Figure 965324DEST_PATH_IMAGE031
Figure 299353DEST_PATH_IMAGE032
分别为
Figure 31686DEST_PATH_IMAGE033
像素点到
Figure 83955DEST_PATH_IMAGE034
像素点的距离/方位向的相位梯度估计值,为了提高估计梯度精度,该过程中采用窗口大小为5×5的中值滤波器对距离/方位向估计梯度进行轻微滤波,既可以剔除少量噪声又可以避免相位梯度损失;
Figure 677879DEST_PATH_IMAGE035
Figure 131994DEST_PATH_IMAGE036
分别为
Figure 35228DEST_PATH_IMAGE037
像素点到
Figure 574794DEST_PATH_IMAGE038
像素点的距离/方位向的缠绕相位梯度值,
Figure 470943DEST_PATH_IMAGE039
Figure 779565DEST_PATH_IMAGE040
分别为由改进D-LinkNet估计的
Figure 853700DEST_PATH_IMAGE041
像素点到
Figure 614983DEST_PATH_IMAGE042
像素点的距离/方位向的梯度模糊系数值。
S5、建立无迹Kalman滤波相位解缠的状态方程及观测方程,并结合最大堆排序解缠策略对干涉相位图进行逐个相位展开,获得最终的解缠相位值。
最大堆解缠策略是以相干系数图为质量图进行解缠路径引导,相干系数图可以反应干涉相位中每一个像素的质量,其取值在0~1之间,相干系数越大则像元的质量越高,相反若相干系数越小则像元的质量越低,最大解缠策略通过不断更新最大堆的节点来实现对不同像素点的排序,保证了相位解缠路径一直从高质量像素点向低质量像素点进行解缠,提高了相位解缠的精度及效率。
S5.1、无迹Kalman滤波相位解缠的状态方程及观测方程如下:
Figure 816288DEST_PATH_IMAGE043
式中,
Figure 979416DEST_PATH_IMAGE044
为像素点
Figure 224453DEST_PATH_IMAGE045
的解缠相位,
Figure 738611DEST_PATH_IMAGE046
为像素点
Figure 976563DEST_PATH_IMAGE047
的相位梯度估计值,
Figure 994197DEST_PATH_IMAGE048
为像素点
Figure 410135DEST_PATH_IMAGE049
的相位梯度估计误差,
Figure 146010DEST_PATH_IMAGE050
Figure 689118DEST_PATH_IMAGE051
分别为观测系数向量和观测值,
Figure 561259DEST_PATH_IMAGE052
Figure 413677DEST_PATH_IMAGE053
分别为观测误差向量。从公式(5)可以看出,无迹Kalman滤波相位解缠是以相位梯度估计方差作为状态方程方差,因此无迹Kalman滤波可以进一步提高相位梯度估计的精度。
S5.2、状态方程更新,更新方程如下:
Figure 636848DEST_PATH_IMAGE054
式中,
Figure 216603DEST_PATH_IMAGE055
为像素点
Figure 208830DEST_PATH_IMAGE056
的Sigma采样点,Sigma采样点的取值分别为
Figure 232149DEST_PATH_IMAGE057
Figure 677037DEST_PATH_IMAGE058
Figure 561948DEST_PATH_IMAGE059
Figure 674260DEST_PATH_IMAGE060
Figure 602902DEST_PATH_IMAGE061
分别为起始解缠像素点的状态估计值及其相应的状态估计方差;
Figure 800665DEST_PATH_IMAGE062
为Sigma采样点的预测值,
Figure 722223DEST_PATH_IMAGE063
Figure 689042DEST_PATH_IMAGE064
分别为权重值,权重值取值分别为
Figure 788585DEST_PATH_IMAGE065
,
Figure 473644DEST_PATH_IMAGE066
,
Figure 700357DEST_PATH_IMAGE067
Figure 521682DEST_PATH_IMAGE068
为调节Sigma采样点的参数,此处
Figure 57706DEST_PATH_IMAGE069
,其中
Figure 964482DEST_PATH_IMAGE070
Figure 650678DEST_PATH_IMAGE071
Figure 169253DEST_PATH_IMAGE072
Figure 282703DEST_PATH_IMAGE073
Figure 801409DEST_PATH_IMAGE074
分别为解缠相位的第一步预测值及其相应的误差协方差阵;
Figure 494558DEST_PATH_IMAGE075
为像素点
Figure 165842DEST_PATH_IMAGE076
的相位估计误差协方差阵。
步骤S5.3,根据公式(5)和(6)可以获得观测的极其相应误差协方差阵的预测值,公式如下:
Figure 919035DEST_PATH_IMAGE077
式中,
Figure 925037DEST_PATH_IMAGE078
Figure 156298DEST_PATH_IMAGE079
像素点的Sigma采样点预测值;
Figure 180623DEST_PATH_IMAGE080
Figure 104717DEST_PATH_IMAGE081
分别为
Figure 598015DEST_PATH_IMAGE082
像素点的观测值预测值极其相应的误差协方差阵;
Figure 632967DEST_PATH_IMAGE083
Figure 13264DEST_PATH_IMAGE084
像素点的观测方程方差;
S5.3、令
Figure 108259DEST_PATH_IMAGE085
Figure 88854DEST_PATH_IMAGE086
像素点最终的解缠相位值,
Figure 661917DEST_PATH_IMAGE087
为其相应的误差协方差阵,因此可得:
Figure 887535DEST_PATH_IMAGE088
式中,
Figure 278065DEST_PATH_IMAGE089
Figure 355743DEST_PATH_IMAGE090
像素点的预测值协方差阵;
Figure 873443DEST_PATH_IMAGE091
Figure 352966DEST_PATH_IMAGE092
分别为真实测量值与其预测值;
Figure 179976DEST_PATH_IMAGE093
Figure 56534DEST_PATH_IMAGE094
像素点的增益;根据公式(6)-(8)重复S5.1-S5.3,便可以获得最终的解缠相位值
Figure 830455DEST_PATH_IMAGE095
为了验证本发明的技术效果,分别采用MCF、SNAPHU以及本发明的相位解缠方法对相同的干涉图进行解缠处理实验。实验所用数据的Google地图范围如图5所示,从图中可看出该区域是明显的山地地形;实验所用的干涉相位数据如图6所示;实验数据对应区域的DEM如图7所示,该区域对应的模拟解缠相位如图8所示,MCF方法的解缠结果如图9所示,SNAPHU方法的解缠结果如图10所示,本发明的解缠结果如图11所示,根据解缠结果与图8的模拟解缠相位作差获得不同方法解缠结果的差分图,如图12所示为MCF方法的解缠误差图,如图13所示为SNAPHU方法的解缠误差图,如图14所示为本发明方法的解缠误差图;为了定量描述相位解缠的质量,我们计算各种相位解缠方法获得误差图的均方根误差,其中,MCF方法的解缠结果均方根误差为14.5887rad;SNAPHU方法的解缠结果的均方根误差为15.6025rad,本发明的一种基于D-LinkNet的无迹Kalman滤波相位解缠方法的解缠结果的均方根误差为3.4857rad。结果表明,本发明的相位解缠方法能够获得更高精度的相位解缠结果。
综上所述,无论是在高噪声区域还是在大梯度变化区域,其相位解缠问题解决的关键就是如何精确获取相位梯度,由于深度学习梯度估计方法可以从高噪声的干涉相位中精确获取相位梯度模糊系数,所以本发明基于这个思想,对传统D-LinkNet网络进行分析,提出了一种改进的D-LinkNet网络,该网络保留了传统D-LinkNet网络效率快及细节信息提取精度高的特点,并通过选取四种不同地形地貌的SRTM进行训练数据模拟,增加了训练所有数据集的多样化,提高了改进D-LinkNet网络模型训练的准确性,并结合小窗口中值滤波对估计的距离/方位向梯度进行轻微滤波,该过程可以少量剔除噪声的同时避免相位梯度的损失,进一步提高了梯度估计的精度;此外,本发明将结合最大堆解缠策略的无迹Kalman技术应用到相位解缠问题中,无迹Kalman滤波算法以梯度估计方差作为状态方程方差,可以对改进D-LinkNet网络估计获取的梯度进行进一步纠正,在解缠的同时提高了相位解缠的结果,最大堆解缠策略可以保证解缠过程中永远都是从质量高的像素点向质量低像素点进行,在大梯度变化区域可以采用“爬坡绕行”的策略进行解缠,因此可以解决部分大梯度变化区域的解缠问题,通过结合改进D-LinkNet网络、无迹Kalman滤波及最大堆解缠策略实现困难区域解缠精度提高。
以上所述的实施例仅是对本发明的优选方式进行描述,并非对本发明的范围进行限定,在不脱离本发明设计精神的前提下,本领域普通技术人员对本发明的技术方案做出的各种变形和改进,均应落入本发明权利要求书确定的保护范围内。

Claims (8)

1.一种基于D-LinkNet的无迹卡尔曼滤波相位解缠方法,其特征在于,包括以下步骤:
S1、构建D-LinkNet网络模型,并对所述D-LinkNet网络模型进行改进,得到改进的D-LinkNet网络模型;
S2、根据不同地形地貌的SRTM获取缠绕干涉相位和真实相位梯度模糊系数,并对所述缠绕干涉相位进行加噪;
S3、将加噪的缠绕干涉相位作为改进的D-LinkNet网络模型的输入数据样本,将所述真实相位梯度模糊系数作为改进的D-LinkNet网络模型的输出数据样本,以对所述改进的D-LinkNet网络模型进行训练;
S4、基于训练好的改进D-LinkNet网络模型,得到梯度模糊系数;并结合小窗口中值滤波得到距离/方位向相位梯度估计值;
S5、基于所述S4,建立无迹卡尔曼滤波相位解缠的状态方程及观测方程,并结合最大堆排序解缠策略对干涉相位图进行逐个相位展开,得到最终的解缠相位值。
2.根据权利要求1所述的基于D-LinkNet的无迹卡尔曼滤波相位解缠方法,其特征在于,所述改进的D-LinkNet网络模型是在所述D-LinkNet网络模型的编码器中去掉一层网络,同时在中间层中也去掉一层网络,解码器不变。
3.根据权利要求1所述的基于D-LinkNet的无迹卡尔曼滤波相位解缠方法,其特征在于,所述S2包括:
S2.1、根据不同地形地貌特征,获取不同地形的SRTM;
S2.2、对所述SRTM进行缠绕干涉相位模拟,得到缠绕干涉相位;
S2.3、对所述缠绕干涉相位进行加噪处理,得到加噪的缠绕干涉相位;
S2.4、对未加噪声的缠绕干涉相位进行距离或方向位做差,并通过相位连续性假设得到真实相位梯度模糊系数。
4.根据权利要求3所述的基于D-LinkNet的无迹卡尔曼滤波相位解缠方法,其特征在于,所述加噪处理的噪声为超几何分布噪声。
5.根据权利要求3所述的基于D-LinkNet的无迹卡尔曼滤波相位解缠方法,其特征在于,所述S3包括:
S3.1、对加噪的缠绕干涉相位进行特征提取,得到加噪的缠绕干涉相位特征图;然后将所述加噪的缠绕干涉相位特征图分割成大小为256×256的图片,并将分割后的缠绕干涉相位特征图作为改进D-LinkNet网络模型训练的输入数据集;
S3.2、将未加噪声的真实相位梯度模糊系数进行特征提取,得到未加噪声的真实相位梯度模糊系数特征图;然后将所述未加噪声的真实相位梯度模糊系数特征图割成大小为256×256的图片,并将分割后的真实相位梯度模糊系数特征图作为改进D-LinkNet网络模型训练的输出数据集。
6.根据权利要求3所述的基于D-LinkNet的无迹卡尔曼滤波相位解缠方法,其特征在于,所述S4包括:
基于训练好的改进D-LinkNet网络模型,获取梯度模糊系数,结合小窗口中值滤波得到距离/方位向相位梯度估计值,其表达式为:
Figure 268444DEST_PATH_IMAGE001
式中,
Figure 654426DEST_PATH_IMAGE002
Figure 27639DEST_PATH_IMAGE003
分别为
Figure 891690DEST_PATH_IMAGE004
像素点到
Figure 548805DEST_PATH_IMAGE005
像素点的距离/方位向的相位梯度估计值;
Figure 105688DEST_PATH_IMAGE006
Figure 966197DEST_PATH_IMAGE007
分别为
Figure 633938DEST_PATH_IMAGE008
像素点到
Figure 647025DEST_PATH_IMAGE009
像素点的距离/方位向的缠绕相位梯度值,
Figure 109230DEST_PATH_IMAGE010
Figure 457035DEST_PATH_IMAGE011
分别为由改进D-LinkNet估计的
Figure 662888DEST_PATH_IMAGE008
像素点到
Figure 232279DEST_PATH_IMAGE012
像素点的距离/方位向的相位梯度模糊系数值。
7.根据权利要求6所述的基于D-LinkNet的无迹卡尔曼滤波相位解缠方法,其特征在于,所述距离/方位向相位梯度估计值采用窗口大小为5×5的中值滤波器进行滤波。
8.根据权利要求5所述的基于D-LinkNet的无迹卡尔曼滤波相位解缠方法,其特征在于,所述S5包括:
S5.1、基于所述S4,建立无迹卡尔曼滤波相位解缠的状态方程及观测方程,得到像素点的解缠相位和观测系数的观测值;
S5.2、基于所述S5.1,对所述状态方程进行更新,得到采样点的预测值、解缠相位的第一步预测值和相应误差协方差阵;
S5.3、基于所述S5.1~S5.2,得到所述观测值及所述相应误差协方差阵的预测值;
S5.4、对像素点重新赋值,并重复所述S5.1~S5.3,得到最终的解缠相位值。
CN202111139444.XA 2021-09-28 2021-09-28 基于D-LinkNet的无迹卡尔曼滤波相位解缠方法 Active CN113589286B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111139444.XA CN113589286B (zh) 2021-09-28 2021-09-28 基于D-LinkNet的无迹卡尔曼滤波相位解缠方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111139444.XA CN113589286B (zh) 2021-09-28 2021-09-28 基于D-LinkNet的无迹卡尔曼滤波相位解缠方法

Publications (2)

Publication Number Publication Date
CN113589286A true CN113589286A (zh) 2021-11-02
CN113589286B CN113589286B (zh) 2021-12-14

Family

ID=78242406

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111139444.XA Active CN113589286B (zh) 2021-09-28 2021-09-28 基于D-LinkNet的无迹卡尔曼滤波相位解缠方法

Country Status (1)

Country Link
CN (1) CN113589286B (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116224327A (zh) * 2023-02-20 2023-06-06 中国矿业大学 一种基于学习网络的矿区大梯度形变区相位解缠方法
CN117269960A (zh) * 2023-09-12 2023-12-22 中国矿业大学 一种基于梯度优化的快速范数相位解缠方法
CN117724102A (zh) * 2024-02-18 2024-03-19 中国特种设备检测研究院 一种结合ekfpu的mcf相位解缠方法及系统

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101770027A (zh) * 2010-02-05 2010-07-07 河海大学 基于InSAR与GPS数据融合的地表三维形变监测方法
US20100207808A1 (en) * 2007-07-04 2010-08-19 Deutsches Zentrum für Luft- und Raumfahrt e.V. Method for processing TOPS (Terrain Observation by Progressive Scan)-SAR (Synthetic Aperture Radar)-Raw Data
US20130069819A1 (en) * 2010-02-22 2013-03-21 Elbit Systems Ltd. Three dimensional radar system
CN105467390A (zh) * 2016-01-12 2016-04-06 重庆大学 一种基于地基InSAR的桥梁形变近距离监测方法
CN107193005A (zh) * 2017-06-16 2017-09-22 桂林电子科技大学 一种无损卡尔曼滤波与粒子滤波相结合的相位展开算法
CN110109106A (zh) * 2019-04-23 2019-08-09 中国电力科学研究院有限公司 一种InSAR地形复杂区域干涉相位解缠方法
CN111856459A (zh) * 2020-06-18 2020-10-30 同济大学 一种改进的DEM最大似然约束多基线InSAR相位解缠方法

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20100207808A1 (en) * 2007-07-04 2010-08-19 Deutsches Zentrum für Luft- und Raumfahrt e.V. Method for processing TOPS (Terrain Observation by Progressive Scan)-SAR (Synthetic Aperture Radar)-Raw Data
CN101770027A (zh) * 2010-02-05 2010-07-07 河海大学 基于InSAR与GPS数据融合的地表三维形变监测方法
US20130069819A1 (en) * 2010-02-22 2013-03-21 Elbit Systems Ltd. Three dimensional radar system
CN105467390A (zh) * 2016-01-12 2016-04-06 重庆大学 一种基于地基InSAR的桥梁形变近距离监测方法
CN107193005A (zh) * 2017-06-16 2017-09-22 桂林电子科技大学 一种无损卡尔曼滤波与粒子滤波相结合的相位展开算法
CN110109106A (zh) * 2019-04-23 2019-08-09 中国电力科学研究院有限公司 一种InSAR地形复杂区域干涉相位解缠方法
CN111856459A (zh) * 2020-06-18 2020-10-30 同济大学 一种改进的DEM最大似然约束多基线InSAR相位解缠方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
王凯,方昊然: "基于零空间矩阵相位解缠的复杂山区高速公路沿线形变InSAR监测", 《地理与地理信息科学》 *

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116224327A (zh) * 2023-02-20 2023-06-06 中国矿业大学 一种基于学习网络的矿区大梯度形变区相位解缠方法
CN117269960A (zh) * 2023-09-12 2023-12-22 中国矿业大学 一种基于梯度优化的快速范数相位解缠方法
CN117269960B (zh) * 2023-09-12 2024-04-26 中国矿业大学 一种基于梯度优化的快速范数相位解缠方法
CN117724102A (zh) * 2024-02-18 2024-03-19 中国特种设备检测研究院 一种结合ekfpu的mcf相位解缠方法及系统

Also Published As

Publication number Publication date
CN113589286B (zh) 2021-12-14

Similar Documents

Publication Publication Date Title
CN113589286B (zh) 基于D-LinkNet的无迹卡尔曼滤波相位解缠方法
CN109685831B (zh) 基于残差分层注意力和相关性滤波器的目标跟踪方法及系统
CN109633648B (zh) 一种基于似然估计的多基线相位估计装置及方法
CN106093939B (zh) 一种基于相位差统计模型的InSAR图像相位解缠方法
CN113065467B (zh) 一种基于深度学习的卫星图像低相干区域识别方法及装置
BRPI0808283A2 (pt) "método implementado em computador para registrar imagens de radar de abertura sintética (sar) e sistema computadorizado para registrar imagens de radar de abertura sintética (sar)"
CN110109106A (zh) 一种InSAR地形复杂区域干涉相位解缠方法
CN110706253B (zh) 基于表观特征和深度特征的目标跟踪方法、系统、装置
CN112269192B (zh) 一种快速自适应的动态北斗监测实时解算去噪方法
CN110018476A (zh) 时间差分基线集时序干涉sar处理方法
CN113281749A (zh) 一种顾及同质性的时序InSAR高相干点选取方法
CN106932773B (zh) 基于修正嵌入式容积卡尔曼滤波的相位展开算法
Zhou et al. Nonlocal means filtering based speckle removal utilizing the maximum a posteriori estimation and the total variation image prior
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
Jiang et al. Super-resolution for terrain modeling using deep learning in high mountain Asia
CN117523344B (zh) 一种基于相位质量加权卷积神经网络的干涉相位解缠方法
Gao et al. Two-dimensional phase unwrapping method using a refined D-LinkNet-based unscented Kalman filter
CN113920255A (zh) 基于点云数据的高效测绘系统
Li et al. An Unsupervised CNN-Based Multichannel Interferometric Phase Denoising Method Applied to TomoSAR Imaging
CN106707283B (zh) 基于无味信息滤波的相位展开算法
CN117169886A (zh) 基于无迹卡尔曼滤波的高效率相位解缠方法
CN109948571B (zh) 一种光学遥感图像船舶检测方法
CN116148855B (zh) 时序InSAR大气相位去除和形变解算的方法及系统
CN110440935B (zh) 一种基于扩展信息滤波的相位展开方法
CN112835041A (zh) 结合UKF和AMPM的多基线InSAR高程重建方法

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