CN114910909A - 数据驱动下的合成孔径雷达干涉图相位恢复方法及系统 - Google Patents
数据驱动下的合成孔径雷达干涉图相位恢复方法及系统 Download PDFInfo
- Publication number
- CN114910909A CN114910909A CN202210689395.5A CN202210689395A CN114910909A CN 114910909 A CN114910909 A CN 114910909A CN 202210689395 A CN202210689395 A CN 202210689395A CN 114910909 A CN114910909 A CN 114910909A
- Authority
- CN
- China
- Prior art keywords
- phase
- convolution
- value
- dictionary
- interference phase
- 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 68
- 238000011084 recovery Methods 0.000 title claims abstract description 58
- 238000010587 phase diagram Methods 0.000 claims abstract description 50
- 238000004364 calculation method Methods 0.000 claims abstract description 18
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 16
- 238000010586 diagram Methods 0.000 claims description 25
- 238000005314 correlation function Methods 0.000 claims description 7
- 239000011159 matrix material Substances 0.000 claims description 7
- 238000006243 chemical reaction Methods 0.000 claims description 2
- 238000001914 filtration Methods 0.000 description 9
- 238000004590 computer program Methods 0.000 description 7
- 238000012545 processing Methods 0.000 description 7
- 230000008901 benefit Effects 0.000 description 5
- 230000006870 function Effects 0.000 description 4
- 230000000694 effects Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 230000014759 maintenance of location Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 241000233805 Phoenix Species 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000012876 topography Methods 0.000 description 1
- 238000012800 visualization Methods 0.000 description 1
Images
Classifications
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Remote Sensing (AREA)
- Radar, Positioning & Navigation (AREA)
- Physics & Mathematics (AREA)
- Electromagnetism (AREA)
- Computer Networks & Wireless Communication (AREA)
- General Physics & Mathematics (AREA)
- Radar Systems Or Details Thereof (AREA)
Abstract
本发明涉及数据驱动下的合成孔径雷达干涉图相位恢复方法,包括以下步骤:S1、获取真实干涉相位图和多个模拟干涉相位图,对多个模拟干涉相位图进行复卷积字典学习,生成一组卷积滤波器,构成预设的卷积稀疏编码中的字典;S2、计算真实干涉相位图的相干性值,并将相干性值转换成空间掩码的值;S3、将调整后的空间掩码值、所述真实干涉相位图和所述字典相联合后,输入至卷积稀疏编码中,基于掩码解耦算法,卷积稀疏编码输出干涉相位恢复图。其将相干性值作为先验信息,对于空间地形相对复杂的区域和低相干性引起的相位噪声较大的区域能够有效提高相位重建精度;且本发明干涉图相位恢复方法简单,计算复杂度较小,计算速度更快。
Description
技术领域
本发明涉及干涉相位图处理技术领域,尤其是指一种数据驱动下的合成孔径雷达干涉图相位恢复方法及系统。
背景技术
在干涉合成孔径雷达干涉图像中,相位是大范围地表高程及形变信息提取的重要来源,但是在干涉相位生成的过程中,由于不可避免的一些去相关因素,如系统噪声、时间和空间去相关,相位生成伴随不同程度的噪声,使得干涉相位相干性降低。影响基于干涉相位的地理信息参数的提取,因此干涉图相位恢复一直是处理干涉相位图的一个核心步骤。
目前常见的干涉图相位恢复处理方法包括:
(1)在一个局部矩形窗口内对所有相位进行平均,如boxcar滤波,但是由于观测区域地形或形变复杂,干涉相位图往往非平稳的,boxcar滤波的强平滑性对于图像的细节恢复能力较差。
(2)利用Lee、Goldstein和Werner等人针对信号非平稳问题提出的相应滤波器进行干涉相位图处理。虽然Goldstein滤波相对于(1)中的滤波有所改进,但是恢复精度有待进一步提高。
(3)直接利用卷积稀疏编码进行信号重建,卷积稀疏编码为无监督的滤波器学习方法。在复数域,使用卷积稀疏编码算法恢复干涉相位的方法称为复卷积稀疏编码算法(ComCSC),利用稀疏系数映射的梯度正则化可以对ComCSC进行扩展。但是现有复卷积稀疏编码计算复杂度过大,并且在干涉图空间变化剧烈区域和低相干性区域相位恢复效果不佳。
发明内容
本发明要解决的技术问题是提供一种数据驱动下的合成孔径雷达干涉图相位恢复方法,其将真实干涉相位图的相干性值作为先验信息,对于空间地形相对复杂的区域和低相干性引起的相位噪声较大的区域能够有效提高相位重建精度;且本发明基于掩码解耦算法的卷积稀疏编码干涉图相位恢复方法简单,计算复杂度较小,计算速度更快。
为解决上述技术问题,本发明提供了一种数据驱动下的合成孔径雷达干涉图相位恢复方法,包括以下步骤S1、获取真实干涉相位图和多个模拟干涉相位图,对多个所述模拟干涉相位图进行复卷积字典学习,生成一组卷积滤波器;将所述卷积滤波器转换为矩阵形式,构成预设的卷积稀疏编码中的字典;S2、基于所述一组卷积滤波器,计算所述真实干涉相位图的相干性值,并将所述相干性值转换成空间掩码的值;S3、调整所述空间掩码的值;将调整后的所述空间掩码值、所述真实干涉相位图和所述字典相联合后,输入至所述预设的卷积稀疏编码中,基于掩码解耦算法,所述卷积稀疏编码输出干涉相位恢复图。
作为优选的,基于复相关函数计算所述真实干涉相位图的相干性值ρc,所述复相关函数为:
其中,u1和u2是一对单视复数图,(·)*为共轭算子,M和N表示用于相关计算的窗口大小。
作为优选的,将所述相干性值转换成空间掩码的值,具体为:设置转换公式:W=σ·ρc,其中,W为空间掩码的值,σ为相干性尺度因子。
作为优选的,所述字典的获取公式包括:
Dmxm=dm*xm,s≈∑mdm*xm;
其中,Dm为字典,dm为卷积滤波器,*为卷积算子,xm为对真实干涉相位图的稀疏表示,s为需进行相位恢复的干涉图。
作为优选的,所述S1中,生成一组所述卷积滤波器,具体方法为:将多个所述模拟干涉相位图作为复卷积字典学习的输入数据,预设复卷积字典学习的最大迭代次数、正则化参数、卷积滤波器的大小和卷积滤波器的个数,得到一组卷积滤波器。
作为优选的,所述S1中,基于单视复数图像获取多个所述模拟干涉相位图。
作为优选的,所述S3中,基于交替方向乘子法对卷积稀疏编码的稀疏系数进行更新。
一种数据驱动下的合成孔径雷达干涉图相位恢复系统,包括:字典生成模块,其用于获取真实干涉相位图和多个模拟干涉相位图,对多个所述模拟干涉相位图进行复卷积字典学习,生成一组卷积滤波器;将所述卷积滤波器转换为矩阵形式,构成预设的卷积稀疏编码的字典;空间掩码值计算模块,其基于所述一组卷积滤波器,计算所述真实干涉相位图的相干性值,并将所述相干性值转换成空间掩码的值;干涉相位恢复图获取模块,其调整所述空间掩码的值;将调整后的所述空间掩码值、所述真实干涉相位图和所述字典相联合后,输入至所述卷积稀疏编码中,基于掩码解耦算法,所述卷积稀疏编码输出干涉相位恢复图。
作为优选的,基于交替方向乘子法对所述卷积稀疏编码的稀疏系数进行更新。
一种计算机可读存储介质,其中存储有指令,所述指令被处理器执行时,执行所述的数据驱动下的合成孔径雷达干涉图相位恢复方法。
本发明的上述技术方案相比现有技术具有以下优点:
1、本发明通过对真实干涉相位图的相干性值进行估计计算,并将相干性值转换成空间掩码的值,基于掩码解耦算法卷积稀疏编码得到干涉相位恢复图。相干性值能够作为先验信息,提高了在空间地形相对复杂的区域和低相干性引起的相位噪声较大的区域的相位重建精度。
2、本发明将调整后的空间掩码值、真实干涉相位图和字典相联合后,作为卷积稀疏编码的输入,基于掩码解耦算法的卷积稀疏编码输出干涉相位恢复图,易于实现且计算复杂度小,计算速度快。
附图说明
为了使本发明的内容更容易被清楚的理解,下面根据本发明的具体实施例并结合附图,对本发明作进一步详细的说明,其中:
图1为本发明干涉图相位恢复方法的流程示意图;
图2为本发明实施例中模拟干涉相位图的示意图;
图3为本发明实施例中多个卷积滤波器的实部分量示意图;
图4为本发明实施例中针对模拟干涉相位图,使用不同相位恢复方法得到的干涉相位恢复图;
图5为本发明实施例中使用不同相位恢复方法,获取的干涉相位恢复图与原始模拟干涉相位图的峰值信效比示意图。
图6为本发明实施例中针对真实干涉相位图,使用不同相位恢复方法,获取的干涉相位恢复图。
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地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。
实施例一
本发明公开了一种数据驱动下的合成孔径雷达干涉图相位恢复方法,参照图1所示,包括以下步骤:
步骤一、获取真实干涉相位图,基于单视复数图像获取多个模拟干涉相位图。其中,一对单视复数图像u1和u2能够生成一张模拟干涉相位图。
基于复卷积字典学习的方法,将多个模拟干涉相位图作为复卷积字典学习的输入数据,预设复卷积字典学习的最大迭代次数、正则化参数λ、卷积滤波器的大小和卷积滤波器的个数,可以得到一组通用的卷积滤波器。
将上述卷积滤波器转换成矩阵形式,构成预设的卷积稀疏编码中的字典Dm,字典Dm的获取公式包括:
Dmxm=dm*xm,s≈∑mdm*xm;
其中,Dm为字典,dm为卷积滤波器,*为卷积算子,xm为对真实干涉相位图的稀疏表示,s为需进行相位恢复的干涉图。
步骤二、基于上述的一组卷积滤波器,评估计算真实干涉相位图的相干性值,并将相干性值转换成空间掩码的值。上述相干性值能够作为先验信息,提高了在空间地形相对复杂的区域和低相干性引起的相位噪声较大的区域的相位重建精度。
其中,模拟干涉相位图的相干性是已知的,由于实际数据类型是复数,使用复相关函数计算相干性值ρc。
复相关函数为:
式中,u1和u2是一对单视复数图,(·)*为共轭算子,M和N表示用于相关计算的窗口大小,设置M、N值,在不同大小的窗口计算下能够得到不同的相干性图。
将上述相干性值转换成空间掩码的值,设置转换公式:W=σ·ρc,W为空间掩码的值,σ为相干性尺度因子,σ的大小可手动调节。调整因子σ,能够调整空间掩码W的值。
步骤三、调整空间掩码的值;将调整后的空间掩码值、真实干涉相位图和字典相联合后,作为述卷积稀疏编码的输入,基于掩码解耦算法,复卷积稀疏编码输出干涉相位恢复图。(在复数域,使用卷积稀疏编码算法恢复干涉相位的方法称为复卷积稀疏编码)。基于掩码解耦算法卷积稀疏编码输出干涉相位恢复图,易于实现且计算复杂度小,计算速度快。
使用交替方向乘子法对卷积稀疏编码的稀疏系数进行更新。
实施例二
为本发明实际应用中的一种较佳实施例,包括以下步骤:
步骤一、获取实验数据:(1)获取4张100*100的模拟干涉相位图,4张模拟干涉相位图对应不同的地面类型,相干性从左到右线性增长,最左边相干性值为0.3,最右边相干性值为0.9。(2)一张美国凤凰城附近山区的RADARSAT-2单极化干涉相位图,其尺寸为1000*1000。
使用单视复数图像生成80张大小为100*100的不同模式的模拟干涉相位图,将80张模拟干涉相位图作为复卷积字典学习的输入数据,优选设置最大迭代次数为200,正则化参数λ为0.2,卷积滤波器大小为20*20,卷积滤波器个数为96,可以得到一组通用的卷积滤波器。
在本实验中,采用复卷积字典学习方法,使用80张模拟干涉相位图学习96个20*20的卷积滤波器,并组成一个通用的字典。
参照图2所示,是从80张模拟干涉图选出的10张示例,80张干涉图模拟了各种真实地面类型,得到的卷积滤波器具有一般性,可用于接下来的复卷积稀疏编码工作。为了可视化,图3展示了复卷积字典学习方法学习的96个卷积滤波器的实部分量,可以看到卷积滤波器包含直线、曲线、光滑面、矩形等可靠特征。
步骤二、使用复相关函数计算真实干涉相位图的相干性值大小,设置在5*5的窗口内进行计算,干涉相位图中的每个相位对应一个相干性值,获得的相干性值构成一个矩阵,调整相干性比例因子σ大小为0.1,得到空间掩码的值。
步骤三、基于掩码解耦技术进行复卷积稀疏编码:将调整后的空间掩码值、真实干涉相位图和字典相联合后,输入至卷积稀疏编码中,基于掩码解耦算法,卷积稀疏编码输出干涉相位恢复图。
进一步地,为了使得实验结果更具有一般性,增加四张指定大小的模拟干涉相位图进行相位恢复,分别设置四张相位图的相干性为从左到右线性增加,用来模拟实际干涉相位图中出现的局部相干性大小不一的情况,将相干性构成一张图,调整相干性比例因子σ为0.68,得到相应的空间掩码的值,调整其他参数值,基于掩码解耦技术,卷积稀疏编码恢复相位。
实验结果:
图4是针对模拟干涉图,使用基于掩码解耦的复卷积稀疏编码方法ComCSC-MD和经典滤波方法(如boxcar滤波和Goldstein滤波)、传统复卷积稀疏编码方法ComCSC和梯度正则化方法ComCSC-GR得到的干涉相位恢复图的结果,可以看到使用复卷积稀疏编码的相位恢复能力明显强于boxcar滤波方法和Goldstein滤波方法,在边缘和细节方面传统复卷积稀疏编码方法ComCSC略差于梯度正则化方法ComCSC-GR、基于掩码解耦的复卷积稀疏编码方法ComCSC-MD。
图5是在2*100的滑动窗口,使用上述不同相位恢复方法,获取的干涉相位恢复图与原始模拟干涉相位图的峰值信效比PSNR示意图,定量分析相位重建能力,共四个子图,对应不同的模拟干涉图,可以发现,基于掩码解耦的复卷积稀疏编码ComCSC-MD均能取得很好的恢复效果,尤其是在低相干性区域,相位恢复优势更明显。
下表1是针对上述四张模拟干涉图,用不同相位恢复方法,获得的整体PSNR值的对比,可以发现,除了squares类型的相位图,另外三个类型的干涉图使用基于掩码解耦的相位恢复方法ComCSC-MD恢复相位的PSNR值是最高的。
表1针对模拟干涉图使用不同相位恢复方法的实验结果
进一步地,在本实验中,真实干涉相位图大小为1000*1000,使用同一组卷积滤波器,利用复相关函数评估真实干涉相位图的相干性,调整相干性因子σ为0.1,正则化参数λ为3,基于掩码解耦算法,复卷积稀疏编码得到干涉相位恢复图。
图6是针对真实干涉相位图,使用上述不同相位恢复方法的结果,可以发现梯度正则化方法ComCSC-GR和基于掩码解耦的复卷积稀疏编码方法ComCSC-MD的相位恢复较优,噪声被去除,在细节保留方面优势更加明显。
进一步地,本实施例用到的真实干涉相位图是一幅缠绕相位图,由于卷积稀疏编码方法的优势明显,表2比较ComCSC、ComCSC-GR和ComCSC-MD重建相位图的残点数量,ComCSC-MD方法对应的残点数最少,在残点评估准则下,这种方法的相位恢复能力最好。
表2针对真实干涉图使用不同相位恢复方法的残点数量实验结果
ComCSC-MD | ComCSC-GR | ComCSC | |
残点数[个] | 343 | 386 | 1660 |
综上可知:本发明所公开的基于掩码解耦的复卷积稀疏编码方法ComCSC-MD方法在相位细节保留、噪声去除方面有一定优势,可优选作为实际干涉相位恢复的一种替代方法;且本发明干涉图相位恢复方法简单,计算复杂度较小,计算速度更快。
实施例三
基于上述的干涉图相位恢复方法,本发明还提出了一种数据驱动下的合成孔径雷达干涉图相位恢复系统,其包括:
字典生成模块,其用于获取真实干涉相位图和多个模拟干涉相位图,对多个模拟干涉相位图进行复卷积字典学习,生成一组卷积滤波器;将卷积滤波器转换为矩阵形式,构成预设的卷积稀疏编码的字典。
空间掩码值计算模块,其基于一组卷积滤波器,计算真实干涉相位图的相干性值,并将相干性值转换成空间掩码的值。
干涉相位恢复图获取模块,其调整空间掩码的值;将调整后的空间掩码值、真实干涉相位图和字典相联合后,输入至卷积稀疏编码中,基于掩码解耦算法,卷积稀疏编码输出干涉相位恢复图。
基于交替方向乘子法对卷积稀疏编码的稀疏系数进行更新。
实施例四
本发明还提出了一种计算机可读存储介质,其中存储有指令,指令被处理器执行时,执行上述的数据驱动下的合成孔径雷达干涉图相位恢复方法。
本领域内的技术人员应明白,本申请的实施例可提供为方法、系统、或计算机程序产品。因此,本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
显然,上述实施例仅仅是为清楚地说明所作的举例,并非对实施方式的限定。对于所属领域的普通技术人员来说,在上述说明的基础上还可以做出其它不同形式变化或变动。这里无需也无法对所有的实施方式予以穷举。而由此所引伸出的显而易见的变化或变动仍处于本发明创造的保护范围之中。
Claims (10)
1.一种数据驱动下的合成孔径雷达干涉图相位恢复方法,其特征在于,包括以下步骤:
S1、获取真实干涉相位图和多个模拟干涉相位图,对多个所述模拟干涉相位图进行复卷积字典学习,生成一组卷积滤波器;将所述卷积滤波器转换为矩阵形式,构成预设的卷积稀疏编码中的字典;
S2、基于所述一组卷积滤波器,计算所述真实干涉相位图的相干性值,并将所述相干性值转换成空间掩码的值;
S3、调整所述空间掩码的值;将调整后的所述空间掩码的值、所述真实干涉相位图和所述字典相联合后,输入至所述预设的卷积稀疏编码中,卷积稀疏编码输出干涉相位恢复图。
2.根据权利要求1所述的数据驱动下的合成孔径雷达干涉图相位恢复方法,其特征在于,基于解耦算法,卷积稀疏编码输出干涉相位恢复图。
4.根据权利要求3所述的数据驱动下的合成孔径雷达干涉图相位恢复方法,其特征在于,将所述相干性值转换成空间掩码的值,具体为:
设置转换公式:W=σ·ρc,其中,W为空间掩码的值,σ为相干性尺度因子。
5.根据权利要求1所述的数据驱动下的合成孔径雷达干涉图相位恢复方法,其特征在于,所述字典的获取公式包括:
Dmxm=dm*xm,s≈∑mdm*xm;
其中,Dm为字典,dm为卷积滤波器,*为卷积算子,xm为对真实干涉相位图的稀疏表示,s为需进行相位恢复的干涉图。
6.根据权利要求1所述的数据驱动下的合成孔径雷达干涉图相位恢复方法,其特征在于,所述S1中,生成一组所述卷积滤波器,具体方法为:
将多个所述模拟干涉相位图作为复卷积字典学习的输入数据,预设复卷积字典学习的最大迭代次数、正则化参数、卷积滤波器的大小和卷积滤波器的个数,得到一组卷积滤波器。
7.根据权利要求1所述的数据驱动下的合成孔径雷达干涉图相位恢复方法,其特征在于,所述S1中,基于单视复数图像获取多个所述模拟干涉相位图。
8.根据权利要求1所述的数据驱动下的合成孔径雷达干涉图相位恢复方法,其特征在于,所述S3中,基于交替方向乘子法对卷积稀疏编码的稀疏系数进行更新。
9.一种数据驱动下的合成孔径雷达干涉图相位恢复系统,其特征在于,包括:
字典生成模块,其用于获取真实干涉相位图和多个模拟干涉相位图,对多个所述模拟干涉相位图进行复卷积字典学习,生成一组卷积滤波器;将所述卷积滤波器转换为矩阵形式,构成预设的卷积稀疏编码的字典;
空间掩码值计算模块,其基于所述一组卷积滤波器,计算所述真实干涉相位图的相干性值,并将所述相干性值转换成空间掩码的值;
干涉相位恢复图获取模块,其调整所述空间掩码的值;将调整后的所述空间掩码值、所述真实干涉相位图和所述字典相联合后,输入至所述卷积稀疏编码中,基于掩码解耦算法,所述卷积稀疏编码输出干涉相位恢复图。
10.一种计算机可读存储介质,其中存储有指令,所述指令被处理器执行时,执行如权利要求1-7任一项所述的数据驱动下的合成孔径雷达干涉图相位恢复方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210689395.5A CN114910909B (zh) | 2022-06-17 | 数据驱动下的合成孔径雷达干涉图相位恢复方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210689395.5A CN114910909B (zh) | 2022-06-17 | 数据驱动下的合成孔径雷达干涉图相位恢复方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114910909A true CN114910909A (zh) | 2022-08-16 |
CN114910909B CN114910909B (zh) | 2024-06-21 |
Family
ID=
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2005098473A1 (fr) * | 2004-04-09 | 2005-10-20 | National University Of Defense Technology Of People's Liberation Army | Procede de correlation d'imagerie reelle permettant la generation d'un interferogramme sans tache de rso |
WO2012102887A2 (en) * | 2011-01-24 | 2012-08-02 | The Board Of Trustees Of The University Of Illinois | Computational adaptive optics for interferometric synthetic aperture microscopy and other interferometric imaging |
RU2612322C1 (ru) * | 2016-04-07 | 2017-03-07 | Федеральное государственное бюджетное образовательное учреждение высшего образования "Рязанский государственный радиотехнический университет" (ФГБОУ ВО "РГРТУ") | Способ развертывания фазы при интерферометрической обработке информации от космических систем радиолокационного наблюдения земли |
US20190228790A1 (en) * | 2018-01-25 | 2019-07-25 | Sogang University Research Foundation | Sound source localization method and sound source localization apparatus based coherence-to-diffuseness ratio mask |
AU2020100460A4 (en) * | 2020-03-26 | 2020-04-30 | Huang, Shuying DR | Single image deraining algorithm based on multi-scale dictionary |
CN112036415A (zh) * | 2020-08-13 | 2020-12-04 | 常州机电职业技术学院 | 一种用于单帧随机相移干涉图的深度学习相位提取方法 |
CN112381172A (zh) * | 2020-11-28 | 2021-02-19 | 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 |
CN113129294A (zh) * | 2021-04-28 | 2021-07-16 | 桂林电子科技大学 | 多尺度连接深度学习一步相位展开方法 |
CN114487988A (zh) * | 2021-12-30 | 2022-05-13 | 复旦大学 | 基于深度学习的到达角估计系统 |
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2005098473A1 (fr) * | 2004-04-09 | 2005-10-20 | National University Of Defense Technology Of People's Liberation Army | Procede de correlation d'imagerie reelle permettant la generation d'un interferogramme sans tache de rso |
WO2012102887A2 (en) * | 2011-01-24 | 2012-08-02 | The Board Of Trustees Of The University Of Illinois | Computational adaptive optics for interferometric synthetic aperture microscopy and other interferometric imaging |
RU2612322C1 (ru) * | 2016-04-07 | 2017-03-07 | Федеральное государственное бюджетное образовательное учреждение высшего образования "Рязанский государственный радиотехнический университет" (ФГБОУ ВО "РГРТУ") | Способ развертывания фазы при интерферометрической обработке информации от космических систем радиолокационного наблюдения земли |
US20190228790A1 (en) * | 2018-01-25 | 2019-07-25 | Sogang University Research Foundation | Sound source localization method and sound source localization apparatus based coherence-to-diffuseness ratio mask |
AU2020100460A4 (en) * | 2020-03-26 | 2020-04-30 | Huang, Shuying DR | Single image deraining algorithm based on multi-scale dictionary |
CN112036415A (zh) * | 2020-08-13 | 2020-12-04 | 常州机电职业技术学院 | 一种用于单帧随机相移干涉图的深度学习相位提取方法 |
CN112381172A (zh) * | 2020-11-28 | 2021-02-19 | 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 |
CN113129294A (zh) * | 2021-04-28 | 2021-07-16 | 桂林电子科技大学 | 多尺度连接深度学习一步相位展开方法 |
CN114487988A (zh) * | 2021-12-30 | 2022-05-13 | 复旦大学 | 基于深度学习的到达角估计系统 |
Non-Patent Citations (3)
Title |
---|
孙倩;李志伟;胡俊;蒋弥;胡波;: "InSAR干涉相位图噪声模拟的研究", 测绘信息与工程, no. 03, 5 June 2009 (2009-06-05) * |
罗晓梅;索志勇;刘且根;: "采用自适应字典学习的InSAR降噪方法", 西安电子科技大学学报, vol. 43, no. 01, 29 February 2016 (2016-02-29) * |
黄建军;张雄伟;张亚非;邹霞;: "时频字典学习的单通道语音增强算法", 声学学报, vol. 37, no. 05, 15 September 2012 (2012-09-15) * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110827213A (zh) | 一种基于生成式对抗网络的超分辨率图像修复方法 | |
CN106127688B (zh) | 一种超分辨率图像重建方法及其系统 | |
CN103810755B (zh) | 基于结构聚类稀疏表示的压缩感知光谱图像重建方法 | |
CN111242864B (zh) | 一种基于Gabor纹理约束的手指静脉图像修复方法 | |
CN109360157B (zh) | 基于tv和小波正则化的空间变化模糊图像复原方法 | |
CN109887050B (zh) | 一种基于自适应字典学习的编码孔径光谱成像方法 | |
CN108765540B (zh) | 一种基于图像与集成学习的重光照方法 | |
CN107917676A (zh) | 一种基于条纹图像频谱分析的干涉测量方法 | |
CN112686816A (zh) | 一种基于内容注意力机制和掩码先验的图像补全方法 | |
CN109447897B (zh) | 一种真实场景图像合成方法及系统 | |
CN111521112B (zh) | 一种傅里叶及窗口傅里叶变换的联合相位重构算法 | |
CN108492270A (zh) | 一种基于模糊核估计和变分重构的超分辨率方法 | |
CN112801914A (zh) | 一种基于纹理结构感知的二段式图像修复方法 | |
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 | |
CN111768349A (zh) | 一种基于深度学习的espi图像降噪方法及系统 | |
Wang et al. | Transform domain based medical image super-resolution via deep multi-scale network | |
CN109581849B (zh) | 一种同轴全息重建方法及系统 | |
CN112686817B (zh) | 一种基于不确定性估计的图像补全方法 | |
CN114910909A (zh) | 数据驱动下的合成孔径雷达干涉图相位恢复方法及系统 | |
CN114910909B (zh) | 数据驱动下的合成孔径雷达干涉图相位恢复方法及系统 | |
Genser et al. | Spectral constrained frequency selective extrapolation for rapid image error concealment | |
CN109472834B (zh) | 一种基于小波变换的卡尔曼滤波相位展开方法 | |
CN111951181A (zh) | 基于非局部相似性及加权截断核范数的高光谱图像去噪方法 | |
CN113160180B (zh) | 一种基于深度学习的磁共振图像相位复原方法 | |
CN112348947B (zh) | 一种基于参考信息辅助的深度学习的三维重构方法 |
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 |