CN114265062A - 一种基于相位梯度估计网络的InSAR相位解缠方法 - Google Patents
一种基于相位梯度估计网络的InSAR相位解缠方法 Download PDFInfo
- Publication number
- CN114265062A CN114265062A CN202111338161.8A CN202111338161A CN114265062A CN 114265062 A CN114265062 A CN 114265062A CN 202111338161 A CN202111338161 A CN 202111338161A CN 114265062 A CN114265062 A CN 114265062A
- Authority
- CN
- China
- Prior art keywords
- convolution kernel
- convolution
- phase
- layer
- block
- 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
- 238000000034 method Methods 0.000 title claims abstract description 65
- 238000004804 winding Methods 0.000 claims abstract description 16
- 238000005520 cutting process Methods 0.000 claims description 17
- 238000010587 phase diagram Methods 0.000 claims description 15
- 238000012549 training Methods 0.000 claims description 14
- 238000000605 extraction Methods 0.000 claims description 11
- 238000013527 convolutional neural network Methods 0.000 claims description 10
- 230000004927 fusion Effects 0.000 claims description 10
- 238000013528 artificial neural network Methods 0.000 claims description 9
- 238000004422 calculation algorithm Methods 0.000 claims description 9
- 238000005457 optimization Methods 0.000 claims description 8
- 238000012545 processing Methods 0.000 claims description 7
- 230000008569 process Effects 0.000 claims description 6
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 claims description 5
- 239000011159 matrix material Substances 0.000 claims description 3
- 238000012360 testing method Methods 0.000 claims description 3
- 230000017105 transposition Effects 0.000 claims description 3
- 238000010276 construction Methods 0.000 claims 2
- 239000000284 extract Substances 0.000 abstract description 2
- 239000010410 layer Substances 0.000 description 73
- 230000006870 function Effects 0.000 description 9
- 238000005304 joining Methods 0.000 description 7
- 238000013135 deep learning Methods 0.000 description 6
- 238000005516 engineering process Methods 0.000 description 6
- 238000003384 imaging method Methods 0.000 description 5
- 238000005259 measurement Methods 0.000 description 5
- 238000004364 calculation method Methods 0.000 description 3
- 230000004913 activation Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 230000000875 corresponding effect Effects 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000008034 disappearance Effects 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 238000012876 topography Methods 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 239000002131 composite material Substances 0.000 description 1
- 230000006835 compression Effects 0.000 description 1
- 238000007906 compression Methods 0.000 description 1
- 238000005094 computer simulation Methods 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 238000004880 explosion Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 238000003709 image segmentation Methods 0.000 description 1
- 238000005305 interferometry Methods 0.000 description 1
- 239000011229 interlayer Substances 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000007500 overflow downdraw method Methods 0.000 description 1
- 230000001575 pathological effect Effects 0.000 description 1
- 238000003909 pattern recognition Methods 0.000 description 1
- 238000011084 recovery Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 238000004513 sizing Methods 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000001228 spectrum Methods 0.000 description 1
- 238000003786 synthesis reaction Methods 0.000 description 1
- 230000009897 systematic effect Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
- 230000016776 visual perception Effects 0.000 description 1
Images
Landscapes
- Image Analysis (AREA)
Abstract
本发明提供了一种基于相位梯度估计网络的InSAR相位解缠方法,它是通过先将相位梯度估计转化为一个回归问题,设计基于编码器‑解码器体系结构的InSAR相位梯度估计网络(PGENet);PGENet从大量带有地形特征和不同噪声水平的缠绕相位图像中,提取相位的全局深层特征并识别相邻像素之间的相位梯度,利用最小二乘方法得到相位解缠结果。PGENet估计的相位梯度代替传统LS解缠方法中的PGE‑PCA,和传统的LS方法相比较,本发明采用PGENet估计的相位梯度的精度明显高于PGE‑PCA估计的相位梯度,且具有更强的鲁棒性。
Description
技术领域
本发明属于雷达技术领域,它特别涉及了合成孔径雷达(SAR)成像技术领域。
背景技术
作为一种工作在微波波段的有源雷达,合成孔径雷达(Synthetic ApertureRadar,SAR)具有全天时、全天候的成像能力,即无论是白天或黑夜、晴天还是雷雨风雪天气,都可以随时随地成像,克服了光学和红外系统不能在晚上和复杂天气条件进行成像的缺点。而且由于利用了脉冲压缩和孔径合成技术的技术,合成孔径雷达突破了传统雷达仅仅进行目标检测的限制,能够对散射点进行高精度的二维成像。合成孔径雷达干涉测量技术(InSAR)根源于传统SAR处理技术,通过利用位置不同的天线对成像区域进行观测,获得存在差异的回波信息,利用一定的技术手段获得与观测区域地形高度有关的干涉相位,再根据主副天线与测绘区域目标的几何关系,实现对目标区域地形高度的恢复。
InSAR在地表变形监测和地形测绘领域发挥着越来越重要的作用。该干涉合成孔径雷达系统采用两幅不同视角的复合图像共配准,获得二维干涉相位图像。由于发射和接收模型中的三角函数,得到的相位是缠绕相位。为了得到测量区域准确的高程模型,必须在被缠绕相位的每个像素上加上准确的缠绕数来得到解缠相位,这称为相位解缠。因此,在InSAR数据处理流程中,高程测量精度与相位解缠精度高度相关。
由于相位解缠是一个病态问题,通常在传统的相位解缠过程中需要考虑相位连续假设(PCA):在此假设下,相位解缠方法可分为两类:路径跟踪和基于优化的方法。这两种方法都需要在解缠前通过PCA得到相位梯度的估值,但是由于噪声和地形突变的存在,使得PCA不满足,这可能会导致解缠过程中的局部误差在积分路径上产生全局误差,直接影响最终的解缠精度。近年来,基于深度学习的相位解缠方法开始萌芽。在SAR领域,由于地形特征造成缠绕相位复杂且相干系数较低,使得解缠问题变得更加困难。因此,将传统的相位解缠方法与深度学习相结合,是一个很有前景的发展趋势。由于最小二乘(LS)相位解缠方法在实际应用中应用广泛,且收敛速度快,因此本发明提出了一种基于相位梯度估计网络的鲁棒的最小二乘InSAR相位解缠方法(PGENet-LS)。
发明内容
为了提高InSAR相位解缠精度并提高运算效率,本发明提出基于相位梯度估计网络的最小二乘InSAR相位解缠方法提出的,在该方法中,先将相位梯度估计转化为一个回归问题,并设计了一种基于编码器-解码器体系结构的InSAR相位梯度估计网络(PGENet)。PGENet可以从大量带有地形特征和不同噪声水平的缠绕相位图像中提取相位的全局深层特征并识别相邻像素之间的相位梯度,因此PGENet比PGE-PCA得到的相位梯度更准确、更鲁棒。最后,利用最小二乘方法得到相位解缠结果。采用PGENet估计的相位梯度代替传统LS解缠方法中的PGE-PCA,由于PGENet估计的相位梯度的精度明显高于PGE-PCA估计的相位梯度,且具有更强的鲁棒性,因此该方法的精度高于传统的LS相位。因此本发明在保留LS方法优势的同时,再将LS相位解缠方法与深度学习相结合来提高相位解缠精度和计算效率。
为了方便描述本发明的内容,首先作以下术语定义:
定义1:数字高程模型
数字高程模型(Digital Elevation Model),简称DEM,是通过有限的地形高程数据实现对地面地形的数字化模拟(即地形表面形态的数字化表达),它是用一组有序数值阵列形式表示地面高程的一种实体地面模型。可以通过公开数据集或直接测量等手段得到DEM。详见网站“https://baike.baidu.com/item/%E6%95%B0%E5%AD%97%E9%AB%98%E7%A8%8B%E6%A8%A1%E5%9E%8B/2271061?fr=aladdin”。
定义2:高程模糊度
高程模糊度H表示一个相位周期对应的高度变化,可以用来表示干涉测量对高度变化的敏感度。详见文献“机载干涉合成孔径雷达数据处理技术,丁赤飚,李芳芳,胡东辉,科学出版社,2017”。
定义3:干涉相位图像加噪方法
根据高斯白噪声分布对不含噪声的干涉相位图像添加噪声。详见文献“Pu,Liming,Xiaoling Zhang,Zenan Zhou,Jun Shi,Shunjun Wei,and Yuanyuan Zhou.2020."A Phase Filtering Method with Scale Recurrent Networks for InSAR"RemoteSensing 12,no.20:3453.”。
定义4:传统图像切割法
若一个图像G的大小为M×N,选择尺寸大小为Mc×Nc的切割窗口C,设置步长为s,将图像G从其第一个像素点为起始点,以切割窗口C的大小切割图像G,并按照步长s对图像G进行逐行逐列切割,得到一系列的子图像。
定义5:传统卷积神经网络构成方法
卷积神经网络指一类包含卷积计算且具有深度结构的前馈神经网络。卷积神经网络仿造生物的视知觉机制构建,可以进行监督学习和非监督学习,其隐含层内的卷积核参数共享和层间连接的稀疏性使得卷积神经网络能够以较小的计算量进行特征提取。详见文献“张索非,冯烨,吴晓富.基于深度卷积神经网络的目标检测算法进展,传统卷积神经网络构成方法见南京邮电大学学报(自然科学版),2019(05):1-9.”。
定义6:卷积核
卷积核就是图像处理时,给定输入图像,输入图像中一个小区域中像素加权平均后成为输出图像中的每个对应像素,其中权值由一个函数定义,这个函数称为卷积核。卷积核的作用在于特征的抽取,越是大的卷积核尺寸就意味着更大的感受野,当然随之而来的是更多的参数。卷积核设置方法详见文献“Lecun Y,Bottou L,Bengio Y,et al.Gradient-based learning applied to document recognition[J].Proceedings of the IEEE,1998,86(11):2278-2324.”。
定义7:卷积核尺寸
卷积核尺寸就是指卷积核的长度,宽度和深度,记为L×W×D,其中L代表长度,W代表宽度,D代表深度。设置卷积核的尺寸就是指确定L,W和D的具体数值。在达到相同感受野的情况下,卷积核尺寸越小,所需要的参数和计算量越小。详见网站“https://www.sohu.com/a/241208957_787107”。
定义8:传统跳跃连接方法
跳跃连接可以解决网络层数较深的情况下梯度消失的问题,同时有助于梯度的反向传播,加快训练过程,为数据信号流动形成通路,从而有效解决梯度消失或爆炸问题。传统跳跃连接方法详见文献“Mao,X.;Shen,C.;Yang,Y.B.Image restoration using verydeep convolutional encoder-decoder networks with symmetric skipconnections.Advances in neural information processing systems,2016,pp.2802–2810.”。
定义9:反卷积神经网络
反卷积神经网络是逐渐增大特征图的大小,最终确保输入输出大小一致,也可以保证在计算能力有限情况下的处理效率,卷积神经网络保留了主要的图像内容,而反卷积层用来补偿细节信息,可以在达到良好去噪效果的同时较好地保留图像内容。详见文献“M.D.Zeiler,D.Krishnan,G.W.Taylor and R.Fergus,"Deconvolutional networks,"2010IEEE Computer Society Conference on Computer Vision and PatternRecognition,San Francisco,CA,USA,2010,pp.2528-2535.”。
定义10:经典的Adam算法
经典的Adam算法是一种基于训练数据迭代地更新神经网络权重的一阶优化算法。详见文献“Kingma,D.;Ba,J.Adam:A Method for Stochastic Optimization.arXiv 2014,arXiv:1412.6980.”。
定义11:最小二乘方法
最小二乘方法是一种数学优化技术,它通过最小化误差的平方和寻找数据的最佳函数匹配进行数学优化。最小二乘方法详见文献“阵列三维合成孔径雷达稀疏成像技术研究”韦顺军,2013.”。
定义12:浅层特征和深层特征
在深度学习中,浅层特征指网络前段卷积层提取的特征,具有较弱的语义含义;深层特征指网络后端卷积层提取的特征,具有较强的语义含义。浅层特征和深层特征设置方法详见网站“https://blog.csdn.net/TTdreamloong/article/details/79798817”。
定义13:特征融合
在深度学习中,特征融合指将浅层特征和深层特征向融合,也就是说将网络中的不同深度的层输出特征谱进行融合,可以实现较弱语义和较强语义的结合,能够提高船只检测精度。特征融合方法详见网站“https://blog.csdn.net/TTdreamloong/article/details/79798817”。
定义14:相位运算函数
angle(·)为相位运算函数,即取复数的相位。详见网站“https://ww2.mathworks.cn/help/ma tlab/ref/angle.html”。
本发明提供了一种基于相位梯度估计网络的InSAR相位解缠方法,它包括以下几个步骤:
步骤1、生成训练数据集
采用定义1中的数字高程模型DEM,记为h={hi,j},i=1,…,M1,j=1,…,N1,其中DEM尺寸大小为M1×N1,M1为DEM的行数,N1为DEM的列数;采用公式计算得到DEM的缠绕相位图,记为Pw,其中H为定义2中的方法计算得到的高程模糊度,angle(·)为定义14中的相位运算函数;
步骤2、搭建相位梯度特征提取编码器网络
采用定义5中定义的传统卷积神经网络构成方法构成相位梯度特征提取编码器网络的8个编码器块,分别记为En_B1、En_B2、En_B3、En_B4、En_B5、En_B6、En_B7、En_B8;
采用定义6中卷积核设置方法设置En_B1中的每层卷积层的卷积核尺寸为L×W×D,设置En_B2的两个卷积层的卷积核尺寸为L×W×2D,设置En_B3的两个卷积层的卷积核尺寸为L×W×4D,设置En_B4的两个卷积层的卷积核尺寸为L×W×8D,设置En_B5的两个卷积层的卷积核尺寸为L×W×8D,设置En_B6的两个卷积层的卷积核尺寸为L×W×8D,设置En_B7的两个卷积层的卷积核尺寸为L×W×8D,设置En_B8的两个卷积层的卷积核尺寸为L×W×8D;最终,得到相位梯度特征提取网络,其中L代表第一个编码块卷积层的卷积核长度,W代表第一个编码块卷积层的卷积核宽度,D代表第一个编码块卷积层的卷积核深度;
步骤3、搭建相位梯度特征融合解码器网络
采用定义5中的卷积神经网络和定义9中的反卷积神经网络构成解码器网络8个解码块,记为De_B1、De_B2、De_B3、De_B4、De_B5、De_B6、De_B7、De_B8;
根据定义6中卷积核设置方法设置De_B1中的卷积层的卷积核尺寸为L×W×8D,反卷积层的卷积核尺寸为L1×W1×D1,设置De_B2的卷积层的卷积核尺寸为L×W×8D,反卷积层的卷积核尺寸为L1×W1×D1,设置De_B3的卷积层的卷积核尺寸为L×W×8D,反卷积层的卷积核尺寸为L1×W1×D1,设置De_B4的卷积层的卷积核尺寸为L×W×8D,反卷积层的卷积核尺寸为L1×W1×D1,设置De_B5的卷积层的卷积核尺寸为L×W×4D,反卷积层的卷积核尺寸为L1×W1×D1/2,设置De_B6的卷积层的卷积核尺寸为L×W×2D,反卷积层的卷积核尺寸为L1×W1×D1/4,设置De_B7的卷积层的卷积核尺寸为L×W×D,反卷积层的卷积核尺寸为L1×W1×D1/8,设置De_B8的卷积层的卷积核尺寸为L×W×D/2,反卷积层的卷积核尺寸为L1×W1×D1/16,最后一个卷积层的卷积核尺寸为L×W×1,其中L1代表第一个解码块反卷积层的卷积核长度,W1代表第一个解码块反卷积层的卷积核宽度,D1代表第一个解码块反卷积层的卷积核深度,L代表步骤2中的第一个编码块卷积层的卷积核长度,W代表步骤2中的第一个编码块卷积层的卷积核宽度,D代表步骤2中的第一个编码块卷积层的卷积核深度;最终,得到相位梯度特征融合解码器网络;
步骤4、连接编码器、解码器网络
采用定义8中的传统跳跃连接方法,将步骤2中编码器块En_B1和步骤3中解码器块De_B7进行跳跃连接,将步骤2中编码器块En_B2和步骤3中解码器块De_B6进行跳跃连接,将步骤2中编码器块En_B3和步骤3中解码器块De_B5进行跳跃连接,将步骤2中编码器块En_B4和步骤3中解码器块De_B4进行跳跃连接,将步骤2中编码器块En_B5和步骤3中解码器块De_B3进行跳跃连接,将步骤2中编码器块En_B6和步骤3中解码器块De_B2进行跳跃连接,将步骤2中编码器块En_B7和步骤3中解码器块De_B1进行跳跃连接;
步骤5、建立相位梯度估计模型
采用步骤1得到的训练数据集Train,采用定义10中经典Adam算法对步骤2、3所建立的网络进行训练,得到相位梯度估计模型;
步骤6、测试相位梯度估计模型
采用步骤5中相位梯度模型对大小为M2×N2的InSAR缠绕相位图S'的相位梯度进行相位梯度估计,得到相位梯度估计结果,即水平梯度图像和垂直梯度图像i=1,…,M2,j=1,…,N2其中M2为S'的行数,N2为S'的列数,为图像第i行,第j列像素点的为水平梯度,为图像第i行,第j列像素点的垂直梯度;在实际InSAR数据解缠处理中,缠绕相位图由原始InSAR图像计算得到;
步骤7、获取解缠相位图像
采用定义11中最小二乘方法对步骤6中得到的相位梯度结果进行数学优化处理,获得解缠相位;
至此,基于编解码网络的相位解缠算法执行完毕。
本发明的创新点
在于使用基于编解码结构的PGENet,可以从大量带有地形特征和不同噪声水平的缠绕相位图像中提取相位的全局深层特征并学习相邻像素点之间的相位梯度,因此使得本发明中得到的相位梯度更准确、更鲁棒。同时,结合最小二乘方法得到最终的相位解缠结果。和传统的LS方法相比较,PGENet估计的相位梯度的精度明显高于PGE-PCA估计的相位梯度,且具有更强的鲁棒性。
本发明的优点
在于能够保留LS方法优势的同时,再将LS相位解缠方法与深度学习相结合来提高相位解缠精度和计算效率。
附图说明
图1为本发明流程图;
图2为本发明中相位梯度估计网络结构示意图
其中,黑色的矩形框代表卷积网络层与激活函数,白色的矩形框代表反卷积网络层与激活函数,粗箭头表示跳跃连接。
具体实施方式
下面结合附图对本发明的作进一步详细描述。具体实施步骤如下:
步骤1、生成训练数据集
采用定义1中的数字高程模型DEM,记为h={hi,j},i=1,…,M1,j=1,…,N1,其中DEM尺寸大小为M1×N1,M1=2048为DEM的行数,N1=2048为DEM的列数;采用公式计算得到DEM的缠绕相位图,记为Pw,其中H为定义2中的方法计算得到的高程模糊度,angle(·)为定义14中的相位运算函数;
采用定义4中的图像切割方法,设置切割窗口大小为Mc×Nc,步长为s=128,分别对图像集Pwn和进行切割,得到个子图像,即网络的训练数据集,记为Train,其中Mc=256为切割窗口的行数,Nc=256为切割窗口的列数;
步骤2、搭建相位梯度特征提取编码器网络
如图2所示,采用定义5中定义的卷积神经网络构成相位梯度特征提取编码器网络的8个编码器块,分别记为En_B1、En_B2、En_B3、En_B4、En_B5、En_B6、En_B7、En_B8;
采用定义6中卷积核设置方法设置En_B1中的每层卷积层的卷积核尺寸为L×W×D,设置En_B2的两个卷积层的卷积核尺寸为L×W×2D,设置En_B3的两个卷积层的卷积核尺寸为L×W×4D,设置En_B4的两个卷积层的卷积核尺寸为L×W×8D,设置En_B5的两个卷积层的卷积核尺寸为L×W×8D,设置En_B6的两个卷积层的卷积核尺寸为L×W×8D,设置En_B7的两个卷积层的卷积核尺寸为L×W×8D,设置En_B8的两个卷积层的卷积核尺寸为L×W×8D;最终,得到相位梯度特征提取网络,其中L=5代表第一个编码块卷积层的卷积核长度,W=5代表第一个编码块卷积层的卷积核宽度,D=64代表第一个编码块卷积层的卷积核深度;
步骤3、搭建相位梯度特征融合解码器网络
如图2所示,采用定义5中的卷积神经网络和定义9中的反卷积神经网络构成解码器网络8个解码块,记为De_B1、De_B2、De_B3、De_B4、De_B5、De_B6、De_B7、De_B8;
根据定义6中卷积核设置方法设置De_B1中的卷积层的卷积核尺寸为L×W×8D,反卷积层的卷积核尺寸为L1×W1×D1,设置De_B2的卷积层的卷积核尺寸为L×W×8D,反卷积层的卷积核尺寸为L1×W1×D1,设置De_B3的卷积层的卷积核尺寸为L×W×8D,反卷积层的卷积核尺寸为L1×W1×D1,设置De_B4的卷积层的卷积核尺寸为L×W×8D,反卷积层的卷积核尺寸为L1×W1×D1,设置De_B5的卷积层的卷积核尺寸为L×W×4D,反卷积层的卷积核尺寸为L1×W1×D1/2,设置De_B6的卷积层的卷积核尺寸为L×W×2D,反卷积层的卷积核尺寸为L1×W1×D1/4,设置De_B7的卷积层的卷积核尺寸为L×W×D,反卷积层的卷积核尺寸为L1×W1×D1/8,设置De_B8的卷积层的卷积核尺寸为L×W×D/2,反卷积层的卷积核尺寸为L1×W1×D1/16,最后一个卷积层的卷积核尺寸为L×W×1,其中L1=4代表第一个解码块反卷积层的卷积核长度,W1=4代表第一个解码块反卷积层的卷积核宽度,D1=512代表第一个解码块反卷积层的卷积核深度,L=5代表步骤2中的第一个编码块卷积层的卷积核长度,W=5代表步骤2中的第一个编码块卷积层的卷积核宽度,D=64代表步骤2中的第一个编码块卷积层的卷积核深度;最终,得到相位梯度特征融合解码器网络;
步骤4、连接编码器、解码器网络
如图2所示,采用定义8中的跳跃连接方法,将步骤2中编码器块En_B1和步骤3中解码器块De_B7进行跳跃连接,将步骤2中编码器块En_B2和步骤3中解码器块De_B6进行跳跃连接,将步骤2中编码器块En_B3和步骤3中解码器块De_B5进行跳跃连接,将步骤2中编码器块En_B4和步骤3中解码器块De_B4进行跳跃连接,将步骤2中编码器块En_B5和步骤3中解码器块De_B3进行跳跃连接,将步骤2中编码器块En_B6和步骤3中解码器块De_B2进行跳跃连接,将步骤2中编码器块En_B7和步骤3中解码器块De_B1进行跳跃连接;
步骤5、建立相位梯度估计模型
采用步骤1得到的训练数据集Train,利用定义10中Adam方式对步骤2、3所建立的网络进行训练,得到相位梯度估计模型;
步骤6、测试相位梯度估计模型
利用步骤5中相位梯度模型获得待处理的大小为M2×N2的InSAR缠绕相位图S'的相位梯度估计结果,即水平梯度图像和垂直梯度图像i=1,…,M2,j=1,…,N2其中M2=1024为S'的行数,N2=1024为S'的列数,为图像第i行,第j列像素点的为水平梯度,为图像第i行,第j列像素点的垂直梯度;在实际InSAR数据解缠处理中,缠绕相位图由原始InSAR图像计算得到;
步骤7、获取解缠相位图像
采用定义11中标准的最小二乘方法对步骤6中得到的相位梯度结果进行数学优化,获得解缠相位;
至此,基于编解码网络的相位解缠算法执行完毕。
经过计算机仿真及实测数据结果证明,本发明使用相位梯度估计网络得到相位梯度,并使用最小二乘方法得到最终的相位解缠结果。本发明利用相位梯度估计网络得到相位梯度和最小二乘方法,提高了相位解缠的精度。
Claims (1)
1.一种基于相位梯度估计网络的InSAR相位解缠方法,其特征是它包括以下几个步骤:
步骤1、生成训练数据集
采用数字高程模型DEM,记为h={hi,j},i=1,…,M1,j=1,…,N1,其中DEM尺寸大小为M1×N1,M1为DEM的行数,N1为DEM的列数;
步骤2、搭建相位梯度特征提取编码器网络
采用定传统卷积神经网络构成方法,构成相位梯度特征提取编码器网络的8个编码器块,分别记为En_B1、En_B2、En_B3、En_B4、En_B5、En_B6、En_B7、En_B8;
采用卷积核设置方法设置En_B1中的每层卷积层的卷积核尺寸为L×W×D,设置En_B2的两个卷积层的卷积核尺寸为L×W×2D,设置En_B3的两个卷积层的卷积核尺寸为L×W×4D,设置En_B4的两个卷积层的卷积核尺寸为L×W×8D,设置En_B5的两个卷积层的卷积核尺寸为L×W×8D,设置En_B6的两个卷积层的卷积核尺寸为L×W×8D,设置En_B7的两个卷积层的卷积核尺寸为L×W×8D,设置En_B8的两个卷积层的卷积核尺寸为L×W×8D;最终,得到相位梯度特征提取网络,其中L代表第一个编码块卷积层的卷积核长度,W代表第一个编码块卷积层的卷积核宽度,D代表第一个编码块卷积层的卷积核深度;
步骤3、搭建相位梯度特征融合解码器网络
采用传统卷积神经网络构成方法和反卷积神经网络构成方法,构成解码器网络8个解码块,记为De_B1、De_B2、De_B3、De_B4、De_B5、De_B6、De_B7、De_B8;
根据卷积核设置方法设置De_B1中的卷积层的卷积核尺寸为L×W×8D,反卷积层的卷积核尺寸为L1×W1×D1,设置De_B2的卷积层的卷积核尺寸为L×W×8D,反卷积层的卷积核尺寸为L1×W1×D1,设置De_B3的卷积层的卷积核尺寸为L×W×8D,反卷积层的卷积核尺寸为L1×W1×D1,设置De_B4的卷积层的卷积核尺寸为L×W×8D,反卷积层的卷积核尺寸为L1×W1×D1,设置De_B5的卷积层的卷积核尺寸为L×W×4D,反卷积层的卷积核尺寸为L1×W1×D1/2,设置De_B6的卷积层的卷积核尺寸为L×W×2D,反卷积层的卷积核尺寸为L1×W1×D1/4,设置De_B7的卷积层的卷积核尺寸为L×W×D,反卷积层的卷积核尺寸为L1×W1×D1/8,设置De_B8的卷积层的卷积核尺寸为L×W×D/2,反卷积层的卷积核尺寸为L1×W1×D1/16,最后一个卷积层的卷积核尺寸为L×W×1,其中L1代表第一个解码块反卷积层的卷积核长度,W1代表第一个解码块反卷积层的卷积核宽度,D1代表第一个解码块反卷积层的卷积核深度,L代表步骤2中的第一个编码块卷积层的卷积核长度,W代表步骤2中的第一个编码块卷积层的卷积核宽度,D代表步骤2中的第一个编码块卷积层的卷积核深度;最终,得到相位梯度特征融合解码器网络;
步骤4、连接编码器、解码器网络
采用传统跳跃连接方法,将步骤2中编码器块En_B1和步骤3中解码器块De_B7进行跳跃连接,将步骤2中编码器块En_B2和步骤3中解码器块De_B6进行跳跃连接,将步骤2中编码器块En_B3和步骤3中解码器块De_B5进行跳跃连接,将步骤2中编码器块En_B4和步骤3中解码器块De_B4进行跳跃连接,将步骤2中编码器块En_B5和步骤3中解码器块De_B3进行跳跃连接,将步骤2中编码器块En_B6和步骤3中解码器块De_B2进行跳跃连接,将步骤2中编码器块En_B7和步骤3中解码器块De_B1进行跳跃连接;
步骤5、建立相位梯度估计模型
采用步骤1得到的训练数据集Train,采用经典Adam算法对步骤2、3所建立的网络进行训练,得到相位梯度估计模型;
步骤6、测试相位梯度估计模型
采用步骤5中相位梯度模型对大小为M2×N2的InSAR缠绕相位图S'的相位梯度进行相位梯度估计,得到相位梯度估计结果,即水平梯度图像和垂直梯度图像i=1,…,M2,j=1,…,N2其中M2为S'的行数,N2为S'的列数,为图像第i行,第j列像素点的为水平梯度,为图像第i行,第j列像素点的垂直梯度;在实际InSAR数据解缠处理中,缠绕相位图由原始InSAR图像计算得到;
步骤7、获取解缠相位图像
采用最小二乘方法对步骤6中得到的相位梯度结果进行数学优化处理,获得解缠相位;
至此,基于编解码网络的相位解缠算法执行完毕。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111338161.8A CN114265062B (zh) | 2021-11-11 | 2021-11-11 | 一种基于相位梯度估计网络的InSAR相位解缠方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111338161.8A CN114265062B (zh) | 2021-11-11 | 2021-11-11 | 一种基于相位梯度估计网络的InSAR相位解缠方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114265062A true CN114265062A (zh) | 2022-04-01 |
CN114265062B CN114265062B (zh) | 2023-11-10 |
Family
ID=80824958
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111338161.8A Active CN114265062B (zh) | 2021-11-11 | 2021-11-11 | 一种基于相位梯度估计网络的InSAR相位解缠方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114265062B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN117523344A (zh) * | 2024-01-08 | 2024-02-06 | 南京信息工程大学 | 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 |
Citations (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CA2353720A1 (en) * | 2001-07-25 | 2003-01-25 | Brendan J. Frey | Method for unwrapping 2-dimensional phase signals |
CN104698457A (zh) * | 2014-09-02 | 2015-06-10 | 电子科技大学 | 一种迭代曲面预测InSAR成像及高度估计方法 |
CN104730519A (zh) * | 2015-01-15 | 2015-06-24 | 电子科技大学 | 一种采用误差迭代补偿的高精度相位解缠方法 |
CN104808203A (zh) * | 2015-03-03 | 2015-07-29 | 电子科技大学 | 一种迭代最大似然估计多基线InSAR相位解缠方法 |
CN105929399A (zh) * | 2016-04-25 | 2016-09-07 | 电子科技大学 | 一种干涉sar数据成像及高程估计方法 |
US20160320479A1 (en) * | 2015-04-29 | 2016-11-03 | Tianjin Institute Of Surveying And Mapping | Method for extracting ground attribute permanent scatter in interferometry synthetic aperture radar data |
CN107942327A (zh) * | 2017-10-20 | 2018-04-20 | 西安电子科技大学 | 基于脉冲相位编码的单通道hrws‑sar成像方法 |
CN108008383A (zh) * | 2017-11-09 | 2018-05-08 | 电子科技大学 | 一种迭代多基线高精度四次fft相位解缠方法 |
CN110109100A (zh) * | 2019-04-04 | 2019-08-09 | 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 |
CN110412574A (zh) * | 2019-09-05 | 2019-11-05 | 河海大学 | 一种时空相干性增强的分布式目标InSAR时序处理方法和装置 |
US10852421B1 (en) * | 2019-01-24 | 2020-12-01 | Descartes Labs, Inc. | Sparse phase unwrapping |
CN112083422A (zh) * | 2020-08-26 | 2020-12-15 | 长沙理工大学 | 基于多级深度学习网络的单航过InSAR系统端对端分类方法 |
CN113238227A (zh) * | 2021-05-10 | 2021-08-10 | 电子科技大学 | 一种结合深度学习的改进最小二乘相位解缠方法及系统 |
CN113408540A (zh) * | 2021-05-17 | 2021-09-17 | 中国电子科技集团公司电子科学研究院 | 一种合成孔径雷达图像叠掩区提取方法及存储介质 |
EP3896482A1 (en) * | 2020-04-15 | 2021-10-20 | Deutsches Zentrum für Luft- und Raumfahrt e.V. | Method for the computer-implemented generation of a synthetic data set for training a convolutional neural network for an interferometric sar |
CN113552565A (zh) * | 2021-07-21 | 2021-10-26 | 中国矿业大学 | 针对sar数据高噪声及大梯度变化区域的相位解缠方法 |
-
2021
- 2021-11-11 CN CN202111338161.8A patent/CN114265062B/zh active Active
Patent Citations (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CA2353720A1 (en) * | 2001-07-25 | 2003-01-25 | Brendan J. Frey | Method for unwrapping 2-dimensional phase signals |
CN104698457A (zh) * | 2014-09-02 | 2015-06-10 | 电子科技大学 | 一种迭代曲面预测InSAR成像及高度估计方法 |
CN104730519A (zh) * | 2015-01-15 | 2015-06-24 | 电子科技大学 | 一种采用误差迭代补偿的高精度相位解缠方法 |
CN104808203A (zh) * | 2015-03-03 | 2015-07-29 | 电子科技大学 | 一种迭代最大似然估计多基线InSAR相位解缠方法 |
US20160320479A1 (en) * | 2015-04-29 | 2016-11-03 | Tianjin Institute Of Surveying And Mapping | Method for extracting ground attribute permanent scatter in interferometry synthetic aperture radar data |
CN105929399A (zh) * | 2016-04-25 | 2016-09-07 | 电子科技大学 | 一种干涉sar数据成像及高程估计方法 |
CN107942327A (zh) * | 2017-10-20 | 2018-04-20 | 西安电子科技大学 | 基于脉冲相位编码的单通道hrws‑sar成像方法 |
CN108008383A (zh) * | 2017-11-09 | 2018-05-08 | 电子科技大学 | 一种迭代多基线高精度四次fft相位解缠方法 |
US10852421B1 (en) * | 2019-01-24 | 2020-12-01 | Descartes Labs, Inc. | Sparse phase unwrapping |
CN110109100A (zh) * | 2019-04-04 | 2019-08-09 | 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 |
CN110412574A (zh) * | 2019-09-05 | 2019-11-05 | 河海大学 | 一种时空相干性增强的分布式目标InSAR时序处理方法和装置 |
EP3896482A1 (en) * | 2020-04-15 | 2021-10-20 | Deutsches Zentrum für Luft- und Raumfahrt e.V. | Method for the computer-implemented generation of a synthetic data set for training a convolutional neural network for an interferometric sar |
CN112083422A (zh) * | 2020-08-26 | 2020-12-15 | 长沙理工大学 | 基于多级深度学习网络的单航过InSAR系统端对端分类方法 |
CN113238227A (zh) * | 2021-05-10 | 2021-08-10 | 电子科技大学 | 一种结合深度学习的改进最小二乘相位解缠方法及系统 |
CN113408540A (zh) * | 2021-05-17 | 2021-09-17 | 中国电子科技集团公司电子科学研究院 | 一种合成孔径雷达图像叠掩区提取方法及存储介质 |
CN113552565A (zh) * | 2021-07-21 | 2021-10-26 | 中国矿业大学 | 针对sar数据高噪声及大梯度变化区域的相位解缠方法 |
Non-Patent Citations (2)
Title |
---|
JIAN LIANG 等: ""Deep Convolutional Neural Network Phase Unwarpping for Fringe Projection 3D Imaging"", 《SENSORS》, vol. 20, no. 13, pages 1 - 11 * |
张晓玲 等: ""采用误差迭代补偿的高精度相位解缠方法"", 《成都信息工程学院学报》, vol. 30, no. 1, pages 7 - 12 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN117523344A (zh) * | 2024-01-08 | 2024-02-06 | 南京信息工程大学 | 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 |
CN117523344B (zh) * | 2024-01-08 | 2024-03-19 | 南京信息工程大学 | 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 |
Also Published As
Publication number | Publication date |
---|---|
CN114265062B (zh) | 2023-11-10 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110097101B (zh) | 一种基于改进可靠性因子的遥感图像融合与海岸带分类方法 | |
CN114265062A (zh) | 一种基于相位梯度估计网络的InSAR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 | |
Li et al. | Few-Shot Learning with Generative Adversarial Networks Based on WOA13 Data. | |
CN102855609B (zh) | 集成高光谱数据和稀疏声纳数据的浅水水下地形构建方法 | |
Shanjiang et al. | Classification of sea and land waveforms based on deep learning for airborne laser bathymetry | |
CN104698462A (zh) | 基于变分的合成孔径雷达海面风场融合方法 | |
CN116363526B (zh) | MROCNet模型构建与多源遥感影像变化检测方法及系统 | |
Cheng et al. | Integration of hyperspectral imagery and sparse sonar data for shallow water bathymetry mapping | |
CN117788296B (zh) | 基于异构组合深度网络的红外遥感图像超分辨率重建方法 | |
Li et al. | Unet combined with attention mechanism method for extracting flood submerged range | |
Zhu et al. | A change type determination method based on knowledge of spectral changes in land cover types | |
CN112784777B (zh) | 基于对抗学习的无监督高光谱图像变化检测方法 | |
Li et al. | LF-CNN: Deep Learning-Guided Small Sample Target Detection for Remote Sensing Classification. | |
Liu et al. | High-resolution remote sensing image information extraction and target recognition based on multiple information fusion | |
CN101908211B (zh) | 一种基于变分方法的高光谱图像融合方法 | |
He et al. | Reconstruction of sand wave bathymetry using both satellite imagery and multi-beam bathymetric data: a case study of the Taiwan Banks | |
Lv et al. | Novel Distribution Distance based on Inconsistent Adaptive Region for Change Detection Using Hyperspectral Remote Sensing Images | |
CN115015929B (zh) | 一种基于稀疏模型驱动的高效高精度InSAR相位滤波网络 | |
CN108875798B (zh) | 一种基于空间金字塔池化的超像素级特征提取方法 | |
CN108280419B (zh) | 一种空间特征检测方法及系统 | |
CN102800108B (zh) | 基于局部约束最小二乘估计的视觉目标跟踪方法 | |
CN114821095A (zh) | 基于Offset-Tracking技术的滑坡形变分析方法 | |
CN106504259A (zh) | 一种多尺度的图像分割方法 | |
Zhang et al. | Study on the classification of Gaofen-3 polarimetric SAR images using deep neural network |
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 |