CN117233764A - 一种基于R2AU-Net的InSAR相位解缠方法 - Google Patents
一种基于R2AU-Net的InSAR相位解缠方法 Download PDFInfo
- Publication number
- CN117233764A CN117233764A CN202311509816.2A CN202311509816A CN117233764A CN 117233764 A CN117233764 A CN 117233764A CN 202311509816 A CN202311509816 A CN 202311509816A CN 117233764 A CN117233764 A CN 117233764A
- Authority
- CN
- China
- Prior art keywords
- phase
- unwrapping
- model
- phase unwrapping
- net
- 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 95
- 125000004122 cyclic group Chemical group 0.000 claims abstract description 55
- 238000004804 winding Methods 0.000 claims abstract description 37
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 25
- 239000010432 diamond Substances 0.000 claims abstract description 14
- 229910003460 diamond Inorganic materials 0.000 claims abstract description 11
- 230000008569 process Effects 0.000 claims description 18
- 238000005070 sampling Methods 0.000 claims description 13
- 238000009826 distribution Methods 0.000 claims description 11
- 238000012549 training Methods 0.000 claims description 10
- 230000006870 function Effects 0.000 claims description 9
- 238000002474 experimental method Methods 0.000 claims description 8
- 230000007246 mechanism Effects 0.000 claims description 7
- 230000004044 response Effects 0.000 claims description 5
- 230000004913 activation Effects 0.000 claims description 4
- 239000000654 additive Substances 0.000 claims description 4
- 230000000996 additive effect Effects 0.000 claims description 4
- 238000004364 calculation method Methods 0.000 claims description 4
- 238000010606 normalization Methods 0.000 claims description 4
- 239000011159 matrix material Substances 0.000 claims description 3
- 238000012545 processing Methods 0.000 abstract description 4
- 238000004088 simulation Methods 0.000 description 19
- 238000010586 diagram Methods 0.000 description 18
- 238000013527 convolutional neural network Methods 0.000 description 12
- 238000012544 monitoring process Methods 0.000 description 7
- 238000005065 mining Methods 0.000 description 6
- 238000013528 artificial neural network Methods 0.000 description 5
- 230000000052 comparative effect Effects 0.000 description 5
- 238000013507 mapping Methods 0.000 description 4
- 238000012546 transfer Methods 0.000 description 4
- 230000015572 biosynthetic process Effects 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 238000004062 sedimentation Methods 0.000 description 3
- 238000003786 synthesis reaction Methods 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- 238000012876 topography Methods 0.000 description 3
- 238000003491 array Methods 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- PCHJSUWPFVWCPO-UHFFFAOYSA-N gold Chemical compound [Au] PCHJSUWPFVWCPO-UHFFFAOYSA-N 0.000 description 2
- 239000010931 gold Substances 0.000 description 2
- 229910052737 gold Inorganic materials 0.000 description 2
- 238000009499 grossing Methods 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 238000003062 neural network model Methods 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 230000011218 segmentation Effects 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 238000009825 accumulation Methods 0.000 description 1
- 230000006978 adaptation Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000004069 differentiation Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 238000004880 explosion Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 229910052500 inorganic mineral Inorganic materials 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000005305 interferometry Methods 0.000 description 1
- 239000011707 mineral Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012805 post-processing Methods 0.000 description 1
- 238000011045 prefiltration Methods 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000007430 reference method Methods 0.000 description 1
- 230000007704 transition Effects 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Landscapes
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明涉及信号处理技术领域，具体涉及一种基于R2AU‑Net的InSAR相位解缠方法。利用菱形方形算法生成用于模拟InSAR相位的地形数据，将地形数据从笛卡尔坐标系转换至雷达坐标系，根据雷达卫星和地形数据在雷达坐标系中的相对位置反算解缠相位，并利用缠绕算法获取缠绕相位；结合循环残差卷积结构和空间注意力模块，构建基于U‑Net网络结构的相位解缠模型；将缠绕相位作为相位解缠模型的输入，解缠相位作为相位解缠模型的输出对相位解缠模型进行训练；根据训练好的相位解缠模型进行相位解缠。本发明构建的R2AU‑Net相位解缠模型能够更有效地保留地形高程或真实地表形变信息，提高了解缠结果的可靠性。
Description
技术领域
本发明涉及信号处理技术领域，具体涉及一种基于R2AU-Net的InSAR相位解缠方法。
背景技术
合成孔径雷达干涉测量技术（Interferometric Synthetic Aperture Radar,InSAR）可以实现高精度、大范围、全天候的地形或形变监测，广泛应用于地质灾害监测、水资源管理、建筑物变形监测、矿产资源勘探、地形三维重建等领域。近些年，我国在经济、军事、科技等领域得到了飞速的发展，与之相应的相关部门对形变监测或者地形重建的精度要求越来越高，在数据源固定的条件下，对InSAR反演精度的要求本质上就是对InSAR数据处理算法的要求，特别是相位解缠算法的性能和效率对InSAR地表形变监测精度或者地形三维重建精度具有关键的影响，因此，设计和实现高效高精度的相位解缠算法对于提高时序InSAR形变监测或地表三维重建精度具有重要意义。
相位解缠方法主要分为四大类，第一类是基于路径跟踪的相位解缠方法，主要包含Goldstein枝切法、质量图引导算法、掩膜枝切算法、Flynn最小不连续算法等，该类算法通过对干涉相位的像元进行逐个积分，最终获得整幅图像的解缠结果；基于路径跟踪的相位解缠方法虽然思路简单，避免了误差的积累，但是其在积分前需要探测留数点，解缠算法对相位噪声或者不连续点对非常敏感，在干涉相位质量不高时，非常容易在解缠后出现“解缠空洞”或“解缠孤岛”。
第二类解缠方法是基于最小范数的相位解缠方法，它将相位解缠视为最优化问题，在缠绕相位和解缠相位之间建立一个规则，使得解缠结果尽可能地符合这个规则，这类方法的缺点是存在误差传递。
第三类为基于网络流的相位解缠方法，如基于规则网格的相位解缠方法，在遇到低质量的干涉相位时，基于网络流的相位解缠方法可以寻求全局最优解，其基本思想是通过最小化解缠相位离散偏导数和解缠相位离散偏导数之差，来控制相位解缠在低质量相位区域的误差传递，从而获得相对完整的解缠相位。
第四类为基于深度神经网络的相位解缠模型，如PhaseNet、PGNet等，这类模型利用合成的干涉相位样本，构建缠绕相位到解缠相位的映射，或者构建缠绕相位到相位包裹数的映射，相对于传统相位解缠方法，该类模型在效率和鲁棒性上有了显著的提升，但仍然在低相干性数据相位解缠中准确性不足，如PhaseNet采用分割网络对相位包裹数进行还原，这种处理方法不仅需要后处理步骤消除异常分割结果，并且在低相干，条纹密集区域对相位包裹数恢复的准确度非常有限，同时，一般前馈序列神经网络模型在下采样操作中存在难以避免的特征损失，导致相位解缠结果出现分辨率下降，细节损失等问题。
综上所述，传统的相位解缠方法在大梯度，低相干性区域难以获得相对正确的解缠相位，基于深度神经网络的相位解缠方法对样本的类型和分布的合理性要求较高，在模拟样本更接近真实条件的时候才能获得性能良好的模型，否则会在相位解缠中出现虚假相位的问题，且现有的干涉相位样本模拟时多利用外部DEM进行相位合成，由于DEM数据的获取来源于InSAR监测，因此难免会出现DEM误差或空洞问题，这将使模拟样本出现不合理形状或空缺，干扰模型训练。
发明内容
为了解决现有技术中存在的问题，本发明提供一种基于R2AU-Net的InSAR相位解缠方法，该方案包括：首先利用数学分形法模拟与真实地形分布极其相似的模拟地形用于相位合成，构建相位解缠数据集；然后以U-Net模型作为基本结构，引入两种结构进行性能优化，即带有残差单元的循环卷积结构和注意力跳跃连接模块，构建R2AU-Net相位解缠模型，该模型结合注意力机制以提高模型的特征表示能力，增强对于相位细节信息的关注度，利用循环残差卷积结构缓解梯度消失问题，通过循环卷积操作，将底层特征与高层特征反复叠加，逐渐丰富底层特征的表达能力，帮助网络更好地传递并利用不同层次的信息，从而提高特征的表示能力；最后，利用模拟和真实数据验证R2AU-Net模型在相位解缠中的适用性和有效性，提高地形高程或地表形变的反演精度，本发明构建的R2AU-Net相位解缠模型能够更有效地保留地形高程或真实地表形变信息，提高了解缠结果的可靠性。
本发明采用如下技术方案，一种基于R2AU-Net的InSAR相位解缠方法，包括：
利用菱形方形算法生成用于模拟InSAR相位的地形数据，将所述地形数据从笛卡尔坐标系转换至雷达坐标系；
根据雷达卫星和所述地形数据在雷达坐标系中的相对位置反算解缠相位，并利用缠绕算法获取缠绕相位；
结合循环残差卷积结构和空间注意力模块，构建基于U-Net网络结构的相位解缠模型；
将所述缠绕相位作为所述相位解缠模型的输入，所述解缠相位作为所述相位解缠模型的输出，对所述相位解缠模型进行训练；
根据训练好的相位解缠模型对InSAR数据进行相位解缠。
进一步的，可选的，所述相位解缠模型包括：
编码过程：将所述缠绕相位输入相位解缠模型中进行四个下采样步骤，所述每个下采样步骤包含一个循环残差卷积结构；
解码过程：将所述循环残差卷积结构中的局部响应归一化层替换为BN层，依照所述每个下采样步骤依次对所述缠绕相位进行对应的上采样步骤；每个上采样步骤中循环残差卷积结构的BN层输出传递至所述空间注意力模块进行特征拼接。
进一步的，可选的，所述循环残差卷积结构具体为：
所述循环残差卷积结构中的循环卷积层按照离散时间步执行，设为循环残差卷积模块中的第/>层的输入特征，(i,j)为卷积层中第k个特征图上像素位置，此时在时间步为t时的输出/>，可以表示为：
、
其中，表示标准卷积层的输入特征，/>表示第/>个循环残差卷积层的输入特征，/>和/>表示标准卷积层的权重和循环卷积层第k个特征图的权重，/>为偏置，循环残差卷积层的输出由ReLU函数的f激活，表示为：
、
其中，代表了循环残差卷积模块第/>层的输出，分别应用在模型的编码和解码过程中，循环残差卷积模块的输出的计算方法可以表示为：
、
其中，是循环残差卷积模块的输入样本，/>是编码过程中下采样层的输出和解码过程中上采样层的输出。
进一步的，可选的，所述空间注意力模块利用加性注意力机制获取注意力系数，表示为：
、
其中，和/>分别表示为ReLU和Sigmoid激活函数，/>为权重，/>和/>为偏置，注意力系数的采样方法为三次线性插值。
进一步的，可选的，所述相位解缠模型采用MAE和SSIM的加权组合作为损失函数，表示为：
、
、
、
其中，θ表示模型中的可训练参数，，/>表示MAE和SSIM的权重；n为样本个数， />,/>分别为解缠后的图像和解缠相位标签数据，/>，/>分别为解缠标签图像和实验中解缠相位图像的标准差，/>为二者像素值协方差，/>，/>为二者像素值均值，L为解缠相位图像像素值的动态范围，/>和/>为常量。
进一步的，可选的，根据雷达卫星和所述地形数据的在雷达坐标系中的相对位置反算解缠相位之后，还包括：
对解缠相位添加多个强度的复原高斯分布的相位噪声，得到含噪缠绕相位。
进一步的，可选的，利用菱形方形算法生成用于模拟InSAR相位的地形数据，具体为：
从宽度和高度为的二维正方形数据开始，将数据的四个角点从30米分辨率的SRTM DEM中随机取值，交替执行菱形和方形步骤，直至生成设定尺寸大小的随机矩阵作为模拟地形数据。
本发明的有益效果是：本发明提出的菱形方形法可以模拟出与真实地形分布极为相似的地形数据，可以有效避免利用外部DEM进行相位模拟时自身携带的空洞或误差，且其算法简单易懂，可以在短时间内模拟出大量的随机模拟数据用于相位解缠模型的训练和测试；其次，本发明基于U-Net模型，添加循环残差卷积模块与注意力模块构建R2AU-Net相位解缠模型，通过模拟与真实数据实验，证明R2AU-Net相位解缠模型能够更有效地保留地形高程或真实地表形变信息，提高了解缠结果的可靠性，在性能表现上优于Goldstein枝切法、SNAPHU方法以及CNN和U-Net相位解缠模型。
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，下面将对实施例或现有技术描述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的前提下，还可以根据这些附图获得其他的附图。
图1为本发明实施例的一种基于R2AU-Net的InSAR相位解缠方法流程示意图；
图2为本发明实施例的一种菱形方形算法递归步骤示意图；
图3为本发明实施例的一种相位解缠数据示意图；
图4为本发明实施例的一种RA2U-Net网络结构示意图；
图5为本发明实施例的一种循环残差卷积模块结构示意图；其中，图5（a）为传统U-NET卷积模块，图5（b）为残差模块，图5（c）为循环卷积模块，图5（d）为循环残差卷积模块，图5（e）为循环卷积模块（T=2）；
图6为本发明实施例的一种注意力模块结构示意图；
图7为本发明实施例中模拟场景1的缠绕相位及解缠相位标签数据示意图；其中，图7（a）为无噪缠绕相位，图7（b）为含噪缠绕相位，图7（c）为解缠相位标签数据；
图8为本发明实施例中模拟场景1的相位解缠结果对比示意图；其中，图8（a）为Goldstein枝切法模型解缠结果，图8（b）为SNAPHU算法解缠结果，图8（c）为CNN模型解缠结果，图8（d）为U-Net模型解缠结果，图8（e）为R2AU-Net模型解缠结果；
图9为本发明实施例中模拟场景2的缠绕相位及解缠相位标签数据示意图；其中，图9（a）为无噪缠绕相位，图9（b）为含噪缠绕相位，图9（c）为解缠相位标签数据；
图10为本发明实施例中模拟场景2的相位解缠结果对比示意图；其中，图10（a）为Goldstein枝切法模型解缠结果，图10（b）为SNAPHU算法解缠结果，图10（c）为CNN模型解缠结果，图10（d）为U-Net模型解缠结果，图10（e）为R2AU-Net模型解缠结果；
图11为本发明实施例中模拟场景3的缠绕相位及解缠相位标签数据示意图；其中，图11（a）为无噪缠绕相位，图11（b）为含噪缠绕相位，图11（c）为解缠相位标签数据；
图12为本发明实施例中模拟场景3的相位解缠结果对比示意图；其中，图12（a）为Goldstein枝切法模型解缠结果，图12（b）为SNAPHU算法解缠结果，图12（c）为CNN模型解缠结果，图12（d）为U-Net模型解缠结果，图12（e）为R2AU-Net模型解缠结果；
图13为本发明实施例的一种真实InSAR干涉相位及光学影像；其中，图13（a）从左到右依次为真实数据1的地理位置、光学影像及干涉相位，图13（b）从左到右依次为真实数据2的地理位置、光学影像及干涉相位；
图14为本发明实施例的一种真实数据1解缠结果示意图；其中，图14（a）为Goldstein枝切法解缠结果，图14（b）为SNAPHU方法解缠结果，图14（c）为CNN模型解缠结果，图14（d）为U-Net模型解缠结果，图14（e）为R2AU-Net模型解缠结果；
图15为本发明实施例的一种真实数据2解缠结果示意图；其中，图15（a）为Goldstein枝切法解缠结果，图15（b）为SNAPHU方法解缠结果，图15（c）为CNN模型解缠结果，图15（d）为U-Net模型解缠结果，图15（e）为R2AU-Net模型解缠结果。
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。
本发明实施例的一种基于R2AU-Net的InSAR相位解缠方法流程示意图如图1所示，包括：
利用菱形方形算法生成用于模拟InSAR相位的地形数据，将所述地形数据从笛卡尔坐标系转换至雷达坐标系；
在一个具体实施例中，数学分形方法是生成模拟表面最常用和高效的方法，其中菱形方形方法在地形模拟中应用广泛，其模拟地形和真实地形具有较高的相似度，因此，本发明使用菱形方形算法来生成用于模拟InSAR相位的地形数据；如图2所示，菱形方形算法从一个宽度和高度为（本发明n从0开始）的二维正方形数组开始，数组的四个角点从中国范围内30米分辨率SRTM DEM随机取值。然后交替执行菱形和方形步骤，直到生成确定尺寸大小（本研究设置为256×256）的随机矩阵作为模拟地形数据。
根据雷达卫星和所述地形数据在雷达坐标系中的相对位置反算解缠相位，并利用缠绕算法获取缠绕相位；
缠绕相位的合成首先需要对模拟地形进行雷达编码，即使用雷达卫星干涉几何参数使地形数据从笛卡尔坐标系转换到雷达坐标系，然后在雷达坐标系内利用雷达卫星和地形的相对位置反算解缠相位并利用缠绕算法获得缠绕相位，最后添加不同强度的复原高斯分布的相位噪声模拟真实条件下的噪声干扰，最终获得含噪缠绕相位和解缠相位分别用于模型的输入和输出。
数据集：如图3所示，展示了相位解缠数据集的输入和输出方式，在相位解缠数据集构建中，只需要缠绕相位和绝对（解缠）相位进行归一化，本发明实施例中将训练集，测试集的比例设置为4:1，最后生成训练集8000对，测试集2000对。
相位解缠模型包括：编码过程：将所述缠绕相位输入相位解缠模型中进行四个下采样步骤，所述每个下采样步骤包含一个循环残差卷积结构；解码过程：将所述循环残差卷积结构中的局部响应归一化层替换为BN层，依照所述每个下采样步骤依次对所述缠绕相位进行对应的上采样步骤；每个上采样步骤中循环残差卷积结构的BN层输出传递至所述空间注意力模块进行特征拼接。
本发明采用U-Net作为基础架构，并结合循环残差卷积结构和空间注意力模块来实现含噪缠绕相位到无噪解缠相位的映射，其结构如图4所示，受益于U-Net良好的多尺度特性，模型在实现图像回归时可以更全面地兼顾图像的细节信息和全局信息；注意力机制提高模型的特征表示能力，对于相位细节信息的关注度增强，循环残差卷积结构可以缓解梯度消失问题，并且通过循环卷积操作，将底层特征与高层特征反复叠加，逐渐丰富底层特征的表达能力，帮助网络更好地传递并利用不同层次的信息，从而提高特征的表示能力。
RA2U-Net的编码过程包含四个下采样步骤，每一步都包含一个循环残差卷积结构，它由两个的卷积层（卷积核大小为3×3）组成，并在每个卷积层添加循环连接，以增强模型整合上下文信息的能力，在相位解缠过程中可以更有效地整合图像的细节和全局特征，此外，循环卷积中采用了残差结构使得模型在深度增加时可以避免梯度消失或梯度爆炸，模型深度对解缠性能的适应能力增强，在特征提取过程中，模型每经过一个循环残差卷积结构，特征图的数量就会翻倍，尺寸变成原来的一半，需要说明的是，本发明中RA2U-Net利用级联的方式对编码过程和解码过程中的特征映射进行拼接。
解码过程：解码过程的每一步都对前一层的循环残差卷积模块的输出执行上采样操作，随着每次上采样执行，特征图的数量将减少一半，尺寸将增加一倍，在解码过程的最后一层，特征图的大小被恢复到输入图像的原始大小；此外，将循环残差卷积模块中的局部响应归一化（Local Response Normalizationn, LNR）层替换为BN层，使各层的输入保持相同的分布，在训练过程中，神经网络各层的激活操作会导致训练速度降低，因此，使用BN来增强神经网络在每一步采样后的稳定性，它通过减去批均值并根据批标准差划分输入来提高神经网络的稳定性，BN加快了训练速度，提高了网络模型的性能。
BN层的输出传递到注意力门（Attention Gates, AGs），R2AU-Net使用AGs来重新调整编码器的输出特征，然后将编码器每个深度的特征与解码器中相应深度的特征进行拼接，这个模块生成了一个门信号用来表征特征不同空间位置的重要性，AGs逐渐抑制重要性较弱的特征，而不用在网络中进行空间裁剪。
考虑到相位解缠任务中对图像结构信息和像素值都有较高的要求，因此，本发明使用MAE和SSIM的加权组合设置为损失函数，表示为：
、
、
、
其中，θ表示模型中的可训练参数，，/>表示MAE和SSIM的权重；本发明根据多次实验尝试，将权重分别设置为0.6和0.4；n为样本个数，/>,/>分别为解缠后的图像和解缠相位标签数据，/>，/>分别为解缠标签图像和实验中解缠相位图像的标准差，为二者像素值协方差，/>，/>为二者像素值均值，L为解缠相位图像像素值的动态范围，/>和/>为常量，默认设置为/>=0.01，/>=0.03，其作用是避免分母过小而导致计算结果不稳定。
循环残差卷积结构具体为：
所述循环残差卷积结构中的循环卷积层按照离散时间步执行，设为循环残差卷积模块中的第/>层的输入特征，(i, j)为卷积层中第k个特征图上像素位置，此时在时间步为t时的输出/>，可以表示为：
、
其中，表示标准卷积层的输入特征，/>表示第/>个循环残差卷积层的输入特征，/>和/>表示标准卷积层的权重和循环卷积层第k个特征图的权重，/>为偏置，循环残差卷积层的输出由ReLU函数的f激活，表示为：
、
其中，代表了循环残差卷积模块第/>层的输出，分别应用在模型的编码和解码过程中，循环残差卷积模块的输出的计算方法可以表示为：
、
其中，是循环残差卷积模块的输入样本，/>是编码过程中下采样层的输出和解码过程中上采样层的输出。
如图5所示，图5（a）-（d）依次代表传统的U-Net卷积模块、残差卷积模块、循环卷积模块和循环残差卷积模块，将循环卷积层扩展为T个时间步长，得到深度为T+1的前馈子网络，本发明实施例将循环卷积层扩展为两个时间步长，也就是T=2,RCL包括一个卷积层和两个子序列循环卷积层，RCL扩展结构如图5（e）所示。
如图6所示，本发明实施例给出了一种注意力机制的结构示意图，每个像素的注意力值被分别计算，为了方便表示和区分，/>和/>分别记为/>和/>，门信号逐像素地确定模型关注的区域，为了获得更高的精度，使用加性注意力机制来获得注意力系数，加性公式可以表示为：
、
其中，和/>分别表示为ReLU和Sigmoid激活函数，/>为权重，/>和/>为偏置，注意力系数的采样方法为三次线性插值。此外，AGs参数的更新是根据反向传播来训练的，而不是使用基于采样的更新方法。
将所述缠绕相位作为所述相位解缠模型的输入，所述解缠相位作为所述相位解缠模型的输出，对所述相位解缠模型进行训练；
根据训练好的相位解缠模型对InSAR数据进行相位解缠。
实施例2
为了对比本发明构建的R2AU-Net相位解缠模型的效果，本发明实施例利用相位模拟方法获得三种不同条纹分布的模拟干涉图，并选择Goldstein枝切法、SNAPHU、以及CNN和U-Net两种深度神经网络模型作对比，其中，Goldstein枝切法和SNAPHU方法在解缠之前均使用性能比较优越的NL-InSAR滤波方法进行预滤波，在解缠结果评价时，选用MAE和SSIM以及相位解缠误差图来评价不同相位解缠方法的性能表现，使用每幅图像解缠所需要的时间消耗来评价解缠方法的效率表现。
如图7所示，模拟场景1包含约两个周期的干涉条纹，条纹结构相对简单；图8中第一列为不同解缠方法的解缠结果；第二列为解缠误差绝对值占比图，统计了误差值绝对值的分布，如表1所示，本发明实施例进一步给出了不同相位解缠方法在模拟场景1中的实验对比数据。
表1 不同相位解缠方法在模拟场景1的实验对比示意表
、
从解缠后的解缠相位可以看出，除CNN模型的解缠结果出现了过度平滑之外，其余四种方法在视觉上并没有表现出明显的差距，通过误差绝对值占比图可以看到R2AU-Net模型的解缠误差的绝对值在[0,1.5]之间占比达到51.6%，并且MAE为0.31，为五种方法的最小值，SSIM为0.97，为五种方法的最大值，同时，每幅干涉图的解缠时间消耗仅为0.21秒，说明在该场景中本发明提出的R2AU-Net模型仍在性能和效率上表现较优。
实施例3 如图9所示，在模拟场景2中，地形坡度变化较明显且干涉条纹密度分布不均匀，在该场景内，条纹从密集到稀疏的过渡对相位解缠方法的性能要求较高；图10中标记区域内，Goldstein枝切法，SNAPHU以及基于CNN的相位解缠方法都出现了明显的解缠错误即“解缠间断”或“解缠孤岛”现象，这对于后续的形变或地形反演的影响是致命的；相反，U-Net模型和R2AU-Net模型均获得了比较理想的解缠结果，这也说明多尺度模型对于相位解缠应用具有较好的适用性，如表2所示，本发明实施例进一步给出了不同相位解缠方法在模拟场景2中的实验对比数据。
表2 不同相位解缠方法在模拟场景2的实验对比示意表
、
从解缠误差图可以看出，除U-Net和R2AU-Net模型之外，其他方法条纹密度变化较大的区域（图中标记区域）均出现了明显的解缠错误，这对于后续的地形或者形变反演具有显著的影响。此外，从解缠相位误差绝对值占比图中可以看出，相较于U-Net模型，R2AU-Net模型的解缠误差绝对值在[0,2]之间占比达到48.8%，高于U-Net模型的45.5%，解缠误差更集中于0，说明循环卷积结构和注意力机制对于模型具有增益效果，同时，MAE和SSIM分别为0.34和0.95，均为五种方法中的最优值。从该场景实验结果可以发现，本发明提出的R2AU-Net模型可以更有效地避免“解缠间断”或“解缠孤岛”问题。
实施例4
如图11所示，在模拟场景3中，干涉相位条纹十分密集且条纹方向发生快速变化，该场景对于相位解缠实验是一个极具挑战性的场景；在图12中，无论是传统方法还是深度学习方法均不能得到良好的解缠相位，相较而言，R2AU-Net模型的解缠结果中“解缠间断”和“解缠孤岛”的面积和数量更少，解缠误差图中，仅在红色矩形标记区域内出现了小面积的解缠误差；如表3所示，本发明实施例进一步给出了不同相位解缠方法在模拟场景2中的实验对比数据。
表3 不同相位解缠方法在模拟场景3的实验对比示意表
、
通过相位误差占比图可以看出，R2AU-Net模型的相位误差在[0,3]的占比达43.5%，在五种方法中占比最高；同时在[15,30]占比达到24.7%，在五种方法中为最小值，从表3可以看出，在该场景中，R2AU-Net模型的MAE达到0.73，SSIM达到0.87，且均为五种方法的最优值。通过这一模拟场景实验说明，R2AU-Net模型在相干性较低，相位梯度大，条纹密度大的条件下仍然可以表现出相对较优的结果。
实施例5
本发明实施例进一步使用真实数据用于验证本发明构建模型的适用性，真实数据来自于不同地形和空间分布的Sentinel-1A数据，详细参数如表4所示。
表4 Sentinel-1A数据相关参数
、
经过SAR影像配准和干涉处理获得包含噪声的InSAR干涉相位，本发明实施例选择并裁剪了两种具有代表性的干涉相位进行实验，如图13所示，第一个场景选择了中国阿尔金山脉部分区域，该区域相位梯度较大，干涉条纹密度变化较大，对于相位解缠具有一定的挑战性，在实验中对于不同相位解缠方法的性能具有一定的区分度；第二个场景选择了金川矿区的采空沉降区，该区域在缠绕相位中表现为环状干涉条纹，恢复沉降漏斗形状和沉降边界是该区域相位解缠的关键。
图13（a）中，真实数据1地形坡度由缓到急，条纹密度逐渐发生变化，平均相干性0.51。图14展示了R2AU-Net及参考方法的相位解缠结果，在该区域，Goldstein枝切法表现良好，没有出现大范围的“解缠孤岛”，表现出良好的地形相关性；SNAPHU与CNN解缠方法依然存在大范围的解缠错误（黑色圆圈内），并且CNN存在明显的过度平滑现象，这对相位解缠结果产生了严重影响；相比其它解缠方法，U-Net和R2AU-Net模型得到了较为合理的解缠结果，且R2AU-Net不仅“解缠孤岛”面积最小，而且没有明显的过度平滑现象，这表明本发明提出的R2AU-Net模型在解缠结果的准确性和细节保留方面有极大的优势。
图15展示了不同解缠方法对真实数据2（甘肃省金川矿区）进行相位解缠的结果。由于相干性的限制，各种解缠方法难以完整且准确地恢复金川矿区的沉降漏斗形状。R2AU-Net在解缠过程中展现出相对更优的相位解缠结果，更有效地保留了沉降区域的细节特征，更完整地恢复了漏斗状的沉降区域，CNN和U-Net模型均在矿坑处出现了明显的解缠错误，此外，R2AU-Net模型的解缠结果还展现出更合理的纹理细节和形变区域，能够更准确地捕捉到矿区的细微形变特征。可以看出，R2AU-Net模型在金川矿区的相位解缠任务中表现出优异的性能，能够更准确地恢复真实的沉降形状，并更好地保留了纹理细节，为矿区形变分析提供了可靠而精确的解缠结果。
以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
Claims (7)
1.一种基于R2AU-Net的InSAR相位解缠方法，其特征在于，包括：
利用菱形方形算法生成用于模拟InSAR相位的地形数据，将所述地形数据从笛卡尔坐标系转换至雷达坐标系；
根据雷达卫星和所述地形数据在雷达坐标系中的相对位置反算解缠相位，并利用缠绕算法获取缠绕相位；
结合循环残差卷积结构和空间注意力模块，构建基于U-Net网络结构的相位解缠模型；
将所述缠绕相位作为所述相位解缠模型的输入，所述解缠相位作为所述相位解缠模型的输出，对所述相位解缠模型进行训练；
根据训练好的相位解缠模型对InSAR数据进行相位解缠。
2.根据权利要求1所述的一种基于R2AU-Net的InSAR相位解缠方法，其特征在于：所述相位解缠模型包括：
编码过程：将所述缠绕相位输入相位解缠模型中进行四个下采样步骤，所述每个下采样步骤包含一个循环残差卷积结构；
解码过程：将所述循环残差卷积结构中的局部响应归一化层替换为BN层，依照所述每个下采样步骤依次对所述缠绕相位进行对应的上采样步骤；每个上采样步骤中循环残差卷积结构的BN层输出传递至所述空间注意力模块进行特征拼接。
3.根据权利要求1所述的一种基于R2AU-Net的InSAR相位解缠方法，其特征在于：所述循环残差卷积结构具体为：
所述循环残差卷积结构中的循环卷积层按照离散时间步执行，设为循环残差卷积模块中的第/>层的输入特征，(i,j)为卷积层中第k个特征图上像素位置，此时在时间步为t时的输出/>，可以表示为：
其中，表示标准卷积层的输入特征，/>表示第/>个循环残差卷积层的输入特征，/>和/>表示标准卷积层的权重和循环卷积层第k个特征图的权重，/>为偏置，循环残差卷积层的输出由ReLU函数的f激活，表示为：
其中，代表了循环残差卷积模块第/>层的输出，分别应用在模型的编码和解码过程中，循环残差卷积模块的输出的计算方法可以表示为：
其中，是循环残差卷积模块的输入样本，/>是编码过程中下采样层的输出和解码过程中上采样层的输出。
4.根据权利要求1所述的一种基于R2AU-Net的InSAR相位解缠方法，其特征在于：所述空间注意力模块利用加性注意力机制获取注意力系数，表示为：
其中，和/>分别表示为ReLU和Sigmoid激活函数，/>为权重，/>和/>为偏置，注意力系数的采样方法为三次线性插值。
5.根据权利要求1所述的一种基于R2AU-Net的InSAR相位解缠方法，其特征在于：所述相位解缠模型采用MAE和SSIM的加权组合作为损失函数，表示为：
其中，θ表示模型中的可训练参数，，/>表示MAE和SSIM的权重；n为样本个数，,/>分别为解缠后的图像和解缠相位标签数据，/>，/>分别为解缠标签图像和实验中解缠相位图像的标准差，/>为二者像素值协方差，/>，/>为二者像素值均值，L为解缠相位图像像素值的动态范围，/>和/>为常量。
6.根据权利要求1所述的一种基于R2AU-Net的InSAR相位解缠方法，其特征在于：根据雷达卫星和所述地形数据的在雷达坐标系中的相对位置反算解缠相位之后，还包括：
对解缠相位添加多个强度的复原高斯分布的相位噪声，得到含噪缠绕相位。
7.根据权利要求1所述的一种基于R2AU-Net的InSAR相位解缠方法，其特征在于：利用菱形方形算法生成用于模拟InSAR相位的地形数据，具体为：
从宽度和高度为的二维正方形数据开始，将数据的四个角点从30米分辨率的SRTMDEM中随机取值，交替执行菱形和方形步骤，直至生成设定尺寸大小的随机矩阵作为模拟地形数据。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311509816.2A CN117233764B (zh) | 2023-11-14 | 2023-11-14 | 一种基于R2AU-Net的InSAR相位解缠方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311509816.2A CN117233764B (zh) | 2023-11-14 | 2023-11-14 | 一种基于R2AU-Net的InSAR相位解缠方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117233764A true CN117233764A (zh) | 2023-12-15 |
| CN117233764B CN117233764B (zh) | 2024-01-30 |
Family
ID=89097017
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311509816.2A Active CN117233764B (zh) | 2023-11-14 | 2023-11-14 | 一种基于R2AU-Net的InSAR相位解缠方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117233764B (zh) |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| 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 |
| CN113435484A (zh) * | 2021-06-15 | 2021-09-24 | 兰州交通大学 | 结合自注意力机制的U-Net神经网络冰湖提取方法 |
| WO2021227423A1 (zh) * | 2020-05-13 | 2021-11-18 | 深圳大学 | 基于动态基线的InSAR数字高程模型构建方法及系统 |
| CN115963498A (zh) * | 2022-12-31 | 2023-04-14 | 中南大学 | 一种冰川区InSAR大梯度相位解缠方法 |
-
2023
- 2023-11-14 CN CN202311509816.2A patent/CN117233764B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2021227423A1 (zh) * | 2020-05-13 | 2021-11-18 | 深圳大学 | 基于动态基线的InSAR数字高程模型构建方法及系统 |
| 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 |
| CN113435484A (zh) * | 2021-06-15 | 2021-09-24 | 兰州交通大学 | 结合自注意力机制的U-Net神经网络冰湖提取方法 |
| CN115963498A (zh) * | 2022-12-31 | 2023-04-14 | 中南大学 | 一种冰川区InSAR大梯度相位解缠方法 |
Non-Patent Citations (1)
| Title |
|---|
| 魏志强;金亚秋;: "基于蚁群算法的InSAR相位解缠算法", 电子与信息学报, no. 03 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117233764B (zh) | 2024-01-30 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Li et al. | Survey of single image super‐resolution reconstruction | |
| Li et al. | Stacking ensemble of deep learning methods for landslide susceptibility mapping in the Three Gorges Reservoir area, China | |
| CN111260576A (zh) | 一种基于去噪三维卷积自编码网络的高光谱解混算法 | |
| CN113589286B (zh) | 基于D-LinkNet的无迹卡尔曼滤波相位解缠方法 | |
| 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 | |
| CN113838109A (zh) | 一种低重合度点云配准方法 | |
| 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 | |
| CN113281749A (zh) | 一种顾及同质性的时序InSAR高相干点选取方法 | |
| CN114882524A (zh) | 一种基于全卷积神经网络的单目三维手势估计方法 | |
| Huang et al. | Atrous pyramid transformer with spectral convolution for image inpainting | |
| CN117233764B (zh) | 一种基于R2AU-Net的InSAR相位解缠方法 | |
| Zhao et al. | Squnet: An high-performance network for crater detection with dem data | |
| Zhao et al. | SSIR: Spatial shuffle multi-head self-attention for single image super-resolution | |
| Hu et al. | A noising-denoising framework for point cloud upsampling via normalizing flows | |
| CN117593199A (zh) | 一种基于高斯先验分布自注意力的双流遥感图像融合方法 | |
| CN112862684A (zh) | 一种深度图超分辨率重建和去噪神经网络的数据处理方法 | |
| CN114821074B (zh) | 机载liDAR点云语义分割方法、电子设备及存储介质 | |
| CN113763539B (zh) | 一种基于图像和三维输入的隐式函数三维重建方法 | |
| CN111967292B (zh) | 一种轻量级的sar图像船只检测方法 | |
| CN112330814B (zh) | 一种基于机器学习的结构光三维重建方法 | |
| CN114764880A (zh) | 多成分gan重建的遥感图像场景分类方法 | |
| Chen et al. | An efficient phase unwrapping method based on unscented Kalman filter | |
| Wang et al. | An InSAR Interferogram Filtering Method Based on Multi-Level Feature Fusion CNN | |
| Li et al. | Deep learning-based phase unwrapping method | |
| CN106056551A (zh) | 基于局部相似样例学习的稀疏去噪方法 |
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 |