CN116148853B - 一种矿区沉陷干涉相位滤波方法和装置 - Google Patents
一种矿区沉陷干涉相位滤波方法和装置 Download PDFInfo
- Publication number
- CN116148853B CN116148853B CN202310137542.2A CN202310137542A CN116148853B CN 116148853 B CN116148853 B CN 116148853B CN 202310137542 A CN202310137542 A CN 202310137542A CN 116148853 B CN116148853 B CN 116148853B
- Authority
- CN
- China
- Prior art keywords
- noise
- interference phase
- filtering
- subsidence
- training
- 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
Links
- 238000001914 filtration Methods 0.000 title claims abstract description 102
- 238000000034 method Methods 0.000 title claims abstract description 67
- 238000005065 mining Methods 0.000 title claims abstract description 54
- 238000012549 training Methods 0.000 claims abstract description 54
- 238000004088 simulation Methods 0.000 claims abstract description 24
- 238000004062 sedimentation Methods 0.000 claims abstract description 12
- 238000004804 winding Methods 0.000 claims description 36
- 230000008569 process Effects 0.000 claims description 14
- 238000012545 processing Methods 0.000 claims description 13
- 230000009467 reduction Effects 0.000 claims description 11
- 238000009826 distribution Methods 0.000 claims description 9
- 238000003384 imaging method Methods 0.000 claims description 8
- 238000013528 artificial neural network Methods 0.000 claims description 3
- 230000003044 adaptive effect Effects 0.000 claims description 2
- 230000000694 effects Effects 0.000 abstract description 19
- 230000006870 function Effects 0.000 description 21
- 238000010586 diagram Methods 0.000 description 10
- 238000013135 deep learning Methods 0.000 description 5
- 238000002474 experimental method Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 1
- 238000005520 cutting process Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000005305 interferometry Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
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
- G01S13/904—SAR modes
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
- G01C5/00—Measuring height; Measuring distances transverse to line of sight; Levelling between separated points; Surveyors' levels
-
- 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
- G01S13/885—Radar or analogous systems specially adapted for specific applications for ground probing
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T90/00—Enabling technologies or technologies with a potential or indirect contribution to GHG emissions mitigation
Landscapes
- Engineering & Computer Science (AREA)
- Remote Sensing (AREA)
- Radar, Positioning & Navigation (AREA)
- Physics & Mathematics (AREA)
- Electromagnetism (AREA)
- General Physics & Mathematics (AREA)
- Computer Networks & Wireless Communication (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开一种矿区沉陷干涉相位滤波方法和装置,包括:获取矿区沉降形变的模拟数据;根据所述矿区沉降形变的模拟数据,训练改进型CBDNet模型;根据训练好的改进型CBDNet模型,对真实DInSAR矿区沉陷干涉相位进行相位滤波。采用本发明的技术方案,解决干涉条纹密集区域和高噪声区域滤波后噪声残留或相位损失问题,具有有效的提高相位滤波的效果。
Description
技术领域
本发明属于干涉相位滤波技术领域,尤其涉及一种矿区沉陷干涉相位滤波方法和装置。
背景技术
合成孔径雷达差分干涉测量(Differential Interferometric SyntheticAperture Radar,DInSAR)已经成为保障矿山安全生产的重要监测技术手段之一。干涉相位滤波是DInSAR数据处理的关键步骤之一,其结果精度将直接影响相位解缠的结果精度,进而影响最终形变产品的精度。由于干涉相位滤波的重要性,因此干涉相位滤波方法一直是研究的热点。干涉相位滤波的目的是保证空间分辨率的同时达到剔除噪声。干涉相位滤波方法大致可以分为两类,一类是以多视滤波,圆周期中/均值滤波、Lee滤波及非局部均值滤波等为代表的空间域滤波。该类方法直接对干涉相位进行处理达到剔除噪声的目的,这些方法具有计算简单及滤波效率高的优点。然而该类方法不仅会造成空间分辨率的下降,而且在矿区大梯度形变区域会产生明显的相位损失现象,严重影响了干涉相位的质量。另一类是以Goldstein滤波器和局部频率估计为代表的频率域滤波。该类方法通过对DInSAR形变信息进行分析,将形变信息转换到频率域,然后通过形变信号与噪声信号频率的不同,将噪声从信号中剔除掉。这些方法具有较高的滤波精度。然而该类方法需要设置繁琐的滤波参数且滤波效率比较低,针对该类方法的缺点,一些改进型干涉相位滤波方法被提出。这些改进方法针对参数设置及窗口选择做出了响应的优化,达到了很好的滤波效果。
上述两种滤波方法已经在现阶段的主流软件中得到了广泛的应用,然而在密集条纹及高噪声区域仍然无法获得理想的滤波结果,尤其是在矿区大梯度沉陷形变区域滤波结果会产生明显的噪声残留或相位损失现象。最近几年,随着深度学习在DInSAR领域的快速发展,一类基于深度学习的干涉相位滤波方法得到了广泛的关注,此类方法具有效率高精度高等优势,但在大梯度下沉形变区和高噪声区域仍存在明显的相位损失。因此,如何提高深度学习干涉相位滤波方法的精度就显得尤为重要,尤其是在干涉条纹密集和高噪声区域获得高精度的滤波相位结果就成为了一项重要的研究工作。
发明内容
本发明要解决的技术问题是,提供一种矿区沉陷干涉相位滤波方法和装置,能够解决干涉条纹密集区域和高噪声区域滤波后噪声残留或相位损失问题,具有有效的提高相位滤波的效果。
为实现上述目的,本发明采用如下的技术方案:
一种矿区沉陷干涉相位滤波方法,包括以下步骤:
步骤S1、获取矿区沉降形变的模拟数据;
步骤S2、根据所述矿区沉降形变的模拟数据,训练改进型CBDNet模型;
步骤S3、根据训练好的改进型CBDNet模型,对真实DInSAR矿区沉陷干涉相位进行相位滤波。
作为优选,步骤S2包括:
根据矿区沉降形变的模拟数据,得到缠绕干涉相位;
根据缠绕干涉相位,得到缠绕干涉相位的实部与虚部;
根据缠绕干涉相位的实部与虚部,得到训练数据集;
根据训练数据集训练改进型CBDNet模型。
作为优选,所述改进型CBDNet模型为基于非对称损失函数的CBDNet模型。
作为优选,所述缠绕干涉相位的实部与虚部为:
其中,wrap(·)是相位缠绕算子,为变形干涉相位的实部,sin(ψdefo-sim)为变形干涉相位的虚部;
采用和sin(ψdefo-sim)作为改进型CBDNet模型的训练数据集。
本发明还提供一种矿区沉陷干涉相位滤波装置,包括:
获取模块,用于获取矿区沉降形变的模拟数据;
训练模块,用于根据所述矿区沉降形变的模拟数据,训练改进型CBDNet模型;
滤波模块,用于根据训练好的改进型CBDNet模型,对真实DInSAR矿区沉陷干涉相位进行相位滤波。
作为优选,训练模块包括:
第一处理单元,用于根据矿区沉降形变的模拟数据,得到缠绕干涉相位;
第二处理单元,用于根据缠绕干涉相位,得到缠绕干涉相位的实部与虚部;
第三处理单元,用于根据缠绕干涉相位的实部与虚部,得到训练数据集;
训练单元,用于根据训练数据集训练改进型CBDNet模型。
作为优选,所述改进型CBDNet模型为基于非对称损失函数的CBDNet模型。
作为优选,所述缠绕干涉相位的实部与虚部为:
其中,wrap(·)是相位缠绕算子,为变形干涉相位的实部,sin(ψdefo-sim)为变形干涉相位的虚部;
采用和sin(ψdefo-sim)作为改进型CBDNet模型的训练数据集。
与现有技术相比,本发明具有以下技术效果:
本发明与现有的深度学习滤波方法不同,本发明在滤波前不对实部和虚部加噪声,而是在学习网络训练过程中对实部和虚部加噪声。此外,添加的噪声是模拟成像过程中异方差高斯噪声+真实噪声的组合,使得最终的噪声估计更接近真实的噪声分布。CBDNet模型中结合了非对称损失函数,有效了提升不同尺度目标的降噪效果和干涉相位的纹理特征获取能力。本发明提出方法去除大量噪声的同时,能有效避免相位损失,特别是在沉降变形梯度大、条纹密集的区域,仍能获得理想的滤波效果。
附图说明
为了更清楚地说明本发明实施例或现有技术的技术方案,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说,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是本发明实施例的一种矿区沉陷干涉相位滤波方法流程图;
图2是本发明实施例的另一种矿区沉陷干涉相位滤波方法流程图;
图3为本发明实施例的部分用于模拟开采沉陷变形训练数据集;
图4为本发明实施例的改进CBDNet模型结构示意图;
图5为本发明实施例的真实实验数据图,其中,(a)为真实实验数据范围示意图,(b)为第一组真实实验数据示意图,(c)为(b)黑框内干涉图,(d)为第二组真实实验数据示意图,(e)为(d)黑框内干涉图;
图6为本发明实施例的不同方法的滤波结果图和通过变形中心的剖面图;其中,(a)为图5中的(c)的实验结果示意图,(b)为图5中的(e)的实验结果示意图,(c)为图6中的(a)不同滤波方法解缠结果AA’的截面图,(d)为图6中的(b)不同滤波方法解缠结果BB’的截面图。
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:
如图1所示,本发明实施例提供一种矿区沉陷干涉相位滤波方法,包括以下步骤:
步骤S1、获取矿区沉降形变的模拟数据;
步骤S2、根据所述矿区沉降形变的模拟数据,训练改进型CBDNet模型;
步骤S3、根据训练好的改进型CBDNet模型,对真实DInSAR矿区沉陷干涉相位进行相位滤波。
作为本发明实施例的一种实施方式,步骤S2包括:
根据矿区沉降形变的模拟数据,得到缠绕干涉相位;
根据缠绕干涉相位,得到缠绕干涉相位的实部与虚部;
根据缠绕干涉相位的实部与虚部,得到训练数据集;
根据训练数据集训练改进型CBDNet模型。
进一步,所述缠绕干涉相位的实部与虚部为:
其中,wrap(·)是相位缠绕算子,为变形干涉相位的实部,sin(ψdefo-sim)为变形干涉相位的虚部;
采用和sin(ψdefo-sim)作为改进型CBDNet模型的训练数据集。
进一步,训练改进型CBDNet模型过程中对实部和虚部添加噪声,并通过CBDNet模型的非对称损失函数提升不同尺度目标的降噪效果和干涉相位的纹理特征获取能力,具体包括:
将根据获取的矿区沉降形变数据的缠绕干涉相位实部与虚部,在不加噪声的情况下,直接作为改进型CBDNet模型的训练的输入数据集;
在对训练数据集进行自适应噪声估计的过程中,对实部与虚部进行加噪处理,加入的噪声由异方差高斯噪声+模拟成像过程中的真实噪声组合,使最终估计的噪声更接近真实噪声分布。
通过改进型CBDNet模型的非对称损失函数,来提升不同尺度目标下的降噪效果,提升纹理特征获取能力。
作为本发明实施例的一种实施方式,所述改进型CBDNet模型为基于非对称损失函数的CBDNet模型。
进一步,所述改进性型CBDNet模型融合了自适应噪声估计的全卷积神经网络结构和附有非盲滤波残差模块的U-Net网络结构,并结合了非对称损失函数。非对称损失函数公式如下:
L=Lrec+λasymmLasymm+λTVLTV
其中,L表示网络总损失函数,Lrec表示非盲降噪子网络损失函数,用于量化输出图像与输入图像像素级的均方误差;Lasymm表示非对称损失函数,用于量化噪声估计图和噪声真实结果的平方差;LTV是全变分正则器,它使用梯度变化来限制成像过程中噪声估计的平滑性;λasymm和λTV分别表示不对称损失和Tikhonov(TV)正则化的权衡参数,计算方法如下式:
其中,与X分别表示非盲子网络的输出与输入图像;/>与σ(yi)分别表示像素i处的噪声估计值与实际噪声值;为了对低估误差引入更多的惩罚,设置0<α<0.5;/>与分别表示噪声估计结果在水平与垂直方向上的梯度估计
实施例2:
如图2所示,本发明提出一种基于CBDNet的DInSAR矿区沉陷干涉相位滤波方法,具体包括以下步骤:
步骤S1,根据矿区沉降形变特征,获取矿区沉降形变的模拟数据,并获取缠绕干涉相位的实部与虚部,建立训练集;
根据矿区沉降形变特征,获取矿区沉降形变的模拟数据,并获取缠绕干涉相位;
根据缠绕干涉相位,获取缠绕干涉相位的实部与虚部,如下式所示,建立训练模型数据集。
式中,wrap(·)是相位缠绕算子,是变形干涉相位的实部,sin(ψdefo-sim)是变形干涉相位的虚部。使用/>和sin(ψdefo-sim)作为改进型CBDNet模型的训练数据集。如图3所示,为部分用于模拟开采沉陷变形的训练数据集。
步骤S2,构建CBDNet模型,结合非对称损失函数,得到改进型CBDNet模型,如图4所示;
传统的CBDNet模型分为两个部分,左侧为全卷积神经网络结构,用于自适应噪声估计,右侧为附有非盲滤波残差模块的U-Net网络结果,用于非盲影像降噪。本发明在此基础上结合非对称损失函数,提高干涉相位在不同尺度目标下的去噪效果。非对称损失函数公式如下:
L=Lrec+λasymmLasymm+λTVLTV
其中,L表示网络总损失函数,Lrec表示非盲降噪子网络损失函数,用于量化输出图像与输入图像像素级的均方误差;Lasymm表示非对称损失函数,用于量化噪声估计图和噪声真实结果的平方差;LTV是全变分正则器,它使用梯度变化来限制成像过程中噪声估计的平滑性;λasymm和λTV分别表示不对称损失和Tikhonov(TV)正则化的权衡参数,计算方法如下式:
其中,与X分别表示非盲子网络的输出与输入图像;/>与σ(yi)分别表示像素i处的噪声估计值与实际噪声值;为了对低估误差引入更多的惩罚,设置0<α<0.5;/>与分别表示噪声估计结果在水平与垂直方向上的梯度估计。
步骤S3,训练CBDNet模型,在样本训练过程中对实部和虚部添加噪声,并通过CBDNet模型的非对称损失函数提升不同尺度目标的降噪效果和干涉相位的纹理特征获取能力;
将根据获取的矿区沉降形变数据的缠绕干涉相位实部与虚部,在不加噪声的情况下,直接作为改进型CBDNet模型的训练的输入数据集;
在对训练数据集进行自适应噪声估计的过程中,对实部与虚部进行加噪处理,加入的噪声由异方差高斯噪声+模拟成像过程中的真实噪声组合,使最终估计的噪声更接近真实噪声分布。
通过改进型CBDNet模型的非对称损失函数,来提升不同尺度目标下的降噪效果,提升纹理特征获取能力。
S4、基于训练好的CBDNet模型,对真实DInSAR数据进行相位滤波。
基于训练好的改进型CBDNet模型,将真实数据作为输入数据输入到训练好的模型当中,得到真实数据的滤波结果。
为了验证本发明提出的CBDNet滤波方法的性能,使用时间序列ALOS-2数据集进行验证。实验数据如图5中的(a)所示,黑色方框为用于验证的ALOS-2数据的覆盖范围,白色方框为图5中的(b)和(d)的位置,图5中的(c)和(e)为(b)和(d)的黑色方框位置。实验比较了Goldstein滤波、TS-Filter滤波和本发明提出的CBDNet滤波方法。实验通过残差点数和相位标准偏差(PSD)来评估不同的滤波方法,还通过枝切法解缠结果来评估不同滤波方法的性能。PSD公式如下:
其中,是经过滤波的干涉相位,/>是移动窗口中的线性相位斜坡。
不同方法的滤波结果如图6所示。图6中的(a)为图5中的(c)滤波后的相位和相位解缠结果。可以看出,未滤波的干涉相位中含有大量的噪声,因此,干涉图中存在大量残差。从解缠结果可以看出,未滤波干涉相位存在严重的解缠误差。从Goldstein滤波的结果可以看出,虽然从滤波后的干涉相位中去除了许多的残差,但仍然存在大量的残差。从枝切线分布可以看出,仍然存在很多枝切线,导致解缠效果不理想。TS-Filter滤波可以获得较为理想的滤波结果。从残差分布也可以看出,TS-Filter滤波结果中的残差数明显减少。此外,枝切线的总长度也明显缩短,解缠效果也有明显改善。但由于残余噪声的影响,局部区域仍存在明显的解缠误差。从图中可以看出,本发明提出的CBDNet滤波方法比之前的方法能获得更好的滤波结果。从残差分布图可以看出,本发明提出的CBDNet滤波方法几乎消除了所有残差。从解缠结果也可以看出,CBDNet滤波后的相位解缠结果几乎不受噪声影响,得到了较为理想的解缠结果。图6中的(b)为图5中的(e)滤波后的相位及解缠结果。显示沉降变形的条纹相对稀疏,但未滤波的解缠结果仍产生明显的解缠误差。虽然经过Goldstein滤波后的干涉图质量有了明显提高,但仍存在大量残点,严重影响了解缠结果的准确性。经TS-Filter滤波后的干涉图质量明显提高。残差数量显著减少,枝切线的长度也显著缩短。解缠结果的准确性得到了显著提高,但局部仍存在较大的解缠误差。相比之下,本发明提出的CBDNet滤波方法获得了更好的滤波效果。从残差分布图可以看出,CBDNet滤波方法的残差最小。CBDNet滤波方法解缠结果的准确性也是几种方法中最好的。
为了进一步验证不同滤波方法的性能,我们对不同滤波方法得到的沉降变形结果进行了分析。图6中的(c)、(d)为通过变形中心的剖面。从折线图也可以看出,CBDNet滤波后得到的沉降变形是最平滑的。进一步证明本发明提出的方法具有较好的滤波性能。为了进一步验证不同滤波方法的性能,本发明对滤波后的干涉图进行了定量分析。未经滤波,Sample1和Sample2的残差数分别为50823和52234。经Goldstein滤波器滤波的sample1和sample2残差数分别为16978和18501。滤波后的干涉相位中的残差数量显著减少,然而,仍然有许多残差。而且,从Goldstein滤波器的PSD分别为3.1302×105和2.5727×105,其滤波效果并不理想。TS-Filter残差数分别为10812和12073,消除了78.73%和76.89%的残差,滤波后干涉相位PSD分别为2.1812×105和1.8535×105。可以看出,TS-Filter滤波效果明显优于Goldstein滤波方法。经CBDNet滤波器过滤的Sample1和Sample2残差数分别仅为645和366,残差去除率分别为98.73%和99.30%。此外,PSD的CBDNet滤波器分别为1.2872×105和0.8596×105,也是几种滤波方法中最好的。这进一步验证了本发明方法的优越性。
综上所述,无论是高噪声区域还是在条纹密集区域,其相位滤波的关键问题就是解决如何更加准确的模拟图像噪声,使最终的噪声估计影像接近与真实噪声分布,由于深度学习可以通过海量数据训练获取噪声的特征,更好的映射逼近真实噪声,所以本发明基于这个思想,提出了一种基于CBDNet网模型的相位滤波方法。本发明提出的方法在滤波前不对实部和虚部加噪声,而是在学习网络训练过程中对实部和虚部加噪声。此外,添加的噪声是模拟成像过程中异方差高斯噪声+真实噪声的组合,使得最终的噪声估计更接近真实的噪声分布。CBDNet模型中结合了非对称损失函数,有效了提升不同尺度目标的降噪效果和干涉相位的纹理特征获取能力。本发明提出方法去除大量噪声的同时,能有效避免相位损失,特别是在沉降变形梯度大、条纹密集的区域,仍能获得理想的滤波效果。
实施例3:
本发明还提供一种矿区沉陷干涉相位滤波装置,包括:
获取模块,用于获取矿区沉降形变的模拟数据;
训练模块,用于根据所述矿区沉降形变的模拟数据,训练改进型CBDNet模型;
滤波模块,用于根据训练好的改进型CBDNet模型,对真实DInSAR矿区沉陷干涉相位进行相位滤波。
作为本发明实施例的一种实施方式,训练模块包括:
第一处理单元,用于根据矿区沉降形变的模拟数据,得到缠绕干涉相位;
第二处理单元,用于根据缠绕干涉相位,得到缠绕干涉相位的实部与虚部;
第三处理单元,用于根据缠绕干涉相位的实部与虚部,得到训练数据集;
训练单元,用于根据训练数据集训练改进型CBDNet模型。
作为本发明实施例的一种实施方式,所述改进型CBDNet模型为基于非对称损失函数的CBDNet模型。
作为本发明实施例的一种实施方式,所述缠绕干涉相位的实部与虚部为:
其中,wrap(·)是相位缠绕算子,为变形干涉相位的实部,sin(ψdefo-sim)为变形干涉相位的虚部;
采用和sin(ψdefo-sim)作为改进型CBDNet模型的训练数据集。
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 (3)
1.一种矿区沉陷干涉相位滤波方法,其特征在于,包括以下步骤:
步骤S1、获取矿区沉降形变的模拟数据;
步骤S2、根据所述矿区沉降形变的模拟数据,训练改进型CBDNet模型;
步骤S3、根据训练好的改进型CBDNet模型,对真实DInSAR矿区沉陷干涉相位进行相位滤波;
步骤S2包括:
根据矿区沉降形变的模拟数据,得到缠绕干涉相位;
根据缠绕干涉相位,得到缠绕干涉相位的实部与虚部;
根据缠绕干涉相位的实部与虚部,得到训练数据集;
根据训练数据集训练改进型CBDNet模型,所述改进型CBDNet模型为基于非对称损失函数的CBDNet模型;
所述缠绕干涉相位的实部与虚部为:
其中,wrap(·)是相位缠绕算子,为变形干涉相位的实部,sin(ψdefo-sim)为变形干涉相位的虚部;ψdefo-sim为模拟真实干涉相位;
采用和sin(ψdefo-sim)作为改进型CBDNet模型的训练数据集,具体为:将根据获取的矿区沉降形变数据的缠绕干涉相位实部与虚部,在不加噪声的情况下,直接作为改进型CBDNet模型的训练的输入数据集;在对训练数据集进行自适应噪声估计的过程中,对实部与虚部进行加噪处理,加入的噪声由异方差高斯噪声模拟成像过程中的真实噪声组合,使最终估计的噪声接近真实噪声分布;
所述改进性型CBDNet模型融合自适应噪声估计的全卷积神经网络结构和附有非盲滤波残差模块的U-Net网络结构,并结合非对称损失函数;非对称损失函数公式如下:
L=Lrec+λasymmLasymm+λTVLTV
其中,L表示网络总损失函数,Lrec表示非盲降噪子网络损失函数,用于量化输出图像与输入图像像素级的均方误差;Lasymm表示非对称损失函数,用于量化噪声估计图和噪声真实结果的平方差;LTV是全变分正则器,它使用梯度变化来限制成像过程中噪声估计的平滑性;λasymm和λTV分别表示不对称损失和Tikhonov(TV)正则化的权衡参数,计算方法如下式:
其中,与X分别表示非盲子网络的输出与输入图像;/>为噪声估计值,/>与σ(yi)分别表示像素i处的噪声估计值与实际噪声值;为了对低估误差引入更多的惩罚,设置0<α<0.5;/>与/>分别表示噪声估计结果在水平与垂直方向上的梯度估计。
2.一种实现权利要求1所述的矿区沉陷干涉相位滤波方法的矿区沉陷干涉相位滤波装置,其特征在于,包括:
获取模块,用于获取矿区沉降形变的模拟数据;
训练模块,用于根据所述矿区沉降形变的模拟数据,训练改进型CBDNet模型;
滤波模块,用于根据训练好的改进型CBDNet模型,对真实DInSAR矿区沉陷干涉相位进行相位滤波。
3.如权利要求2所述的矿区沉陷干涉相位滤波装置,其特征在于,训练模块包括:
第一处理单元,用于根据矿区沉降形变的模拟数据,得到缠绕干涉相位;
第二处理单元,用于根据缠绕干涉相位,得到缠绕干涉相位的实部与虚部;
第三处理单元,用于根据缠绕干涉相位的实部与虚部,得到训练数据集;
训练单元,用于根据训练数据集训练改进型CBDNet模型。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310137542.2A CN116148853B (zh) | 2023-02-20 | 2023-02-20 | 一种矿区沉陷干涉相位滤波方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310137542.2A CN116148853B (zh) | 2023-02-20 | 2023-02-20 | 一种矿区沉陷干涉相位滤波方法和装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116148853A CN116148853A (zh) | 2023-05-23 |
CN116148853B true CN116148853B (zh) | 2024-02-20 |
Family
ID=86354030
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310137542.2A Active CN116148853B (zh) | 2023-02-20 | 2023-02-20 | 一种矿区沉陷干涉相位滤波方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116148853B (zh) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2001083243A (ja) * | 1999-09-13 | 2001-03-30 | Mitsubishi Electric Corp | 干渉型合成開口レーダによる地形の3次元情報抽出装置 |
CN110109105A (zh) * | 2019-04-23 | 2019-08-09 | 中国电力科学研究院有限公司 | 一种基于时序的InSAR技术监测地表形变的方法 |
CN112269176A (zh) * | 2020-10-14 | 2021-01-26 | 武汉工程大学 | 一种矿山地表沉陷早期识别监测方法 |
CN114563785A (zh) * | 2022-01-26 | 2022-05-31 | 北京大学 | 基于相位梯度的地表形变探测方法、装置、设备及介质 |
CN115331096A (zh) * | 2022-06-28 | 2022-11-11 | 中国自然资源航空物探遥感中心 | 一种采矿沉陷区域识别方法、系统、存储介质和电子设备 |
CN115436941A (zh) * | 2022-08-24 | 2022-12-06 | 中国矿业大学(北京) | 融合时空模拟相位和DInSAR相位获取地表沉陷序列的方法 |
-
2023
- 2023-02-20 CN CN202310137542.2A patent/CN116148853B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2001083243A (ja) * | 1999-09-13 | 2001-03-30 | Mitsubishi Electric Corp | 干渉型合成開口レーダによる地形の3次元情報抽出装置 |
CN110109105A (zh) * | 2019-04-23 | 2019-08-09 | 中国电力科学研究院有限公司 | 一种基于时序的InSAR技术监测地表形变的方法 |
CN112269176A (zh) * | 2020-10-14 | 2021-01-26 | 武汉工程大学 | 一种矿山地表沉陷早期识别监测方法 |
CN114563785A (zh) * | 2022-01-26 | 2022-05-31 | 北京大学 | 基于相位梯度的地表形变探测方法、装置、设备及介质 |
CN115331096A (zh) * | 2022-06-28 | 2022-11-11 | 中国自然资源航空物探遥感中心 | 一种采矿沉陷区域识别方法、系统、存储介质和电子设备 |
CN115436941A (zh) * | 2022-08-24 | 2022-12-06 | 中国矿业大学(北京) | 融合时空模拟相位和DInSAR相位获取地表沉陷序列的方法 |
Also Published As
Publication number | Publication date |
---|---|
CN116148853A (zh) | 2023-05-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112327259B (zh) | 一种sar图像中干扰信号的消除方法和装置 | |
CN107085838B (zh) | 全息图噪声的去除方法及装置 | |
CN115272303B (zh) | 基于高斯模糊的纺织物缺陷程度评估方法、装置及系统 | |
CN115797335B (zh) | 用于桥梁振动测量的欧拉运动放大效果评估及优化方法 | |
CN104580937A (zh) | 一种红外成像系统条纹噪声去除方法 | |
CN114724000B (zh) | 一种屏拍图摩尔纹的处理方法、处理装置及处理设备 | |
CN112750090A (zh) | 一种改进小波阈值的水下图像降噪方法及系统 | |
CN115797473A (zh) | 一种土建工程用混凝土成型评估方法 | |
CN109724693B (zh) | 一种基于平稳小波的融合光谱去噪方法 | |
CN116148853B (zh) | 一种矿区沉陷干涉相位滤波方法和装置 | |
CN105976340A (zh) | 改进的基于小波分解的旋滤波算法 | |
CN110458783A (zh) | 一种两步去除具有图像细节保护能力的非局部双边滤波图像椒盐噪声的方法 | |
CN107610055B (zh) | 傅里叶变换光谱仪干涉图噪声检测及抑制方法 | |
CN117169886A (zh) | 基于无迹卡尔曼滤波的高效率相位解缠方法 | |
CN110227968B (zh) | 基于小波变换的磁流变去除函数寄生条纹消除方法及装置 | |
Davila et al. | Scale-space filter for smoothing electronic speckle pattern interferometry fringes | |
CN117095020A (zh) | 含噪声电子束图像的轮廓提取方法、装置、系统和介质 | |
CN109190310B (zh) | 基于matlab平台的干涉条纹波面重建方法 | |
Zhang et al. | Segmented noise reduction based on Brillouin-spectrum-partition in Brillouin optical time domain sensors | |
CN112797917B (zh) | 一种高精度的数字散斑干涉相位定量测量方法 | |
CN114565541A (zh) | 一种基于CZT频谱细化的InSAR滤波方法 | |
CN107390218B (zh) | 基于最小无穷范数的二维相位解缠绕方法 | |
CN112529080A (zh) | 一种基于频谱特征判别的图像生成方法 | |
CN115248549B (zh) | 一种打散消除杂散频谱噪声的数字全息三维重建方法 | |
CN115294286A (zh) | 一种消除杂散频谱的数字全息物像频谱自适应提取方法 |
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 |