CN117572420B - 一种基于深度学习的InSAR相位解缠优化方法 - Google Patents

一种基于深度学习的InSAR相位解缠优化方法 Download PDF

Info

Publication number
CN117572420B
CN117572420B CN202311510301.4A CN202311510301A CN117572420B CN 117572420 B CN117572420 B CN 117572420B CN 202311510301 A CN202311510301 A CN 202311510301A CN 117572420 B CN117572420 B CN 117572420B
Authority
CN
China
Prior art keywords
channels
feature map
phase
size
effect
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
Application number
CN202311510301.4A
Other languages
English (en)
Other versions
CN117572420A (zh
Inventor
陈宇
王帅
索之辉
丁凯文
陈鑫垄
曹卫云
李倩
田小龙
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 CN202311510301.4A priority Critical patent/CN117572420B/zh
Publication of CN117572420A publication Critical patent/CN117572420A/zh
Application granted granted Critical
Publication of CN117572420B publication Critical patent/CN117572420B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G06N3/0455—Auto-encoder networks; Encoder-decoder networks
    • 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
    • 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
    • G01S13/9094—Theoretical aspects
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/0464—Convolutional networks [CNN, ConvNet]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T17/00—Three dimensional [3D] modelling, e.g. data description of 3D objects
    • G06T17/05—Geographic models
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T17/00—Three dimensional [3D] modelling, e.g. data description of 3D objects
    • G06T17/20—Finite element generation, e.g. wire-frame surface description, tesselation

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Remote Sensing (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Software Systems (AREA)
  • Computing Systems (AREA)
  • Biomedical Technology (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computational Linguistics (AREA)
  • General Engineering & Computer Science (AREA)
  • Biophysics (AREA)
  • Mathematical Physics (AREA)
  • Data Mining & Analysis (AREA)
  • Artificial Intelligence (AREA)
  • Geometry (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Computer Graphics (AREA)
  • Electromagnetism (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了一种基于深度学习的InSAR相位解缠优化方法，属于遥感技术领域。基于U‑Net++网络设计用以InSAR干涉相位解缠的扩张多路径相位解缠网络；采用DEM数据利用DEM反演算法生成模拟干涉相位训练集；综合考虑地形效应与DEM误差、大气湍流、植被效应、基线几何效应、多次散射效应以及噪声效应，构建干涉相位仿真算法，称为多效应干涉相位仿真，用以生成真实干涉相位训练数据集；将模拟干涉相位训练集和真实干涉相位训练数据集作为DMP‑PUNet网络模型输入进行模型训练；利用训练好的DMP‑PUNet模型对InSAR干涉相位进行解缠。其操作简单、解缠时间短、精度高，并且在低信噪比条件下也能取得良好的解缠效果，能明显提升传统的InSAR相位解缠的准确性，实现高效相位解缠。

Description

一种基于深度学习的InSAR相位解缠优化方法
技术领域
本发明涉及到遥感算法开发领域，具体为一种基于深度学习的InSAR相位解缠优化方法。
技术背景
随着遥感技术的高速发展与更新，合成孔径雷达干涉测量(InterferometricSynthetic Aperture Radar,InSAR)等高新遥感技术蓬勃发展，InSAR技术凭借着全天候、全天时、大范围、低成本、高分辨率，探测地表形变精度可达厘米级甚至毫米级等优势，在地壳形变、地震研究、城市沉降、山体滑坡、火山活动以及煤火监测等领域已被广泛应用。在InSAR数据处理过程中，相位解缠是影响数据反演质量的关键步骤，加之在地质灾害预警等特种环境下所需的高时效性，探索高效精准的解缠方法对InSAR高精度监测地表形变显得至关重要。
传统的相位解缠技术主要分为两大类：1)通过受限路径积分(称为路径跟踪方法)来估计相位；2)通过最小化包裹相位与近似真实相位之间的函数(称为最小范数法)来估计相位。这些传统方法存在误差累积和计算时间长等关键问题，并且大梯度地形、高噪声环境或涉及复杂地理过程的条件下，往往表现出低效率、大误差甚至失效。因此，探索和开发一种新型的InSAR相位解缠方法，具有重要的实际意义。这将有可能突破现有技术的限制，提升在复杂环境下的解缠效率和精度，从而更好地服务于地壳形变、地震研究、城市沉降、山体滑坡、火山活动以及煤火监测等重要领域，实现高精度的地表形变监测。
另一方面，深度学习作为人工智能领域的重要分支，在许多问题的解决中展示出强大的性能，尤其是图像处理、序列预测等复杂任务中。然而，尽管深度学习在地球物理学的一些子领域(如地震信号处理、地质建模等)得到了一定的应用，但其在InSAR相位解缠问题上的应用并不普遍。原因在于，其一，深度学习所需数据集庞大，并且训练数据集的客观性和准确性是影响模型应用于实际任务的一大重要因素。其二，InSAR相位解缠涉及到噪声估计、复杂和非线性地形建模、空间连续性约束、大梯度变化等多个层面，这些都增加了深度学习模型的设计、搭建和训练的难度。
发明内容
针对上述技术问题，本发明提出一种基于深度学习的InSAR相位解缠优化方法，该算法包括一个多效应干涉相位仿真(Multi-effect Interferometric Phase Simulation,ME-IPS)和一个扩张多路径相位解缠网络(Dilated Multi-Path Phase UnwrappingNetwork,DMP-PUNet)。相较于传统的Peaks模拟算法及其他单一效应的模拟方法而言，ME-IPS提供了更为真实的模拟结果，ME-IPS旨在通过综合考虑地形效应与数字高程模型(Digital Elevation Model,DEM)误差、大气湍流、植被效应、基线几何效应、多次散射效应以及噪声效应的方式仿真干涉相位，一方面解决深度学习训练数据集匮乏问题，另一方面以得到更接近真实场景的结果，从而提高后续相位解缠算法的准确性和适用性。DMP-PUNet的模型架构启发于U-Net++网络，充分利用U-Net++强大的特征捕获能力，同时为了防止过拟合现象，并考虑网络模型的用途，对U-Net++进行了跳跃连接路径的优化以及扩张卷积感受野的增强，由此构建的DMP-PUNet可以克服传统解缠方法的限制，同时充分利用深度学习强大的数据驱动和非线性建模能力，能够显著提高InSAR测量的精度和鲁棒性，以满足日益增长的地貌和地壳运动监测需求。
为实现上述技术目的，本发明的一种基于深度学习的InSAR相位解缠优化方法；
综合考虑待测地表的地形效应与DEM误差、大气湍流、植被效应、基线几何效应、多次散射效应以及噪声效应，综合考虑了真实世界的主要影响因素，构建多效应干涉相位仿真ME-IPS，利用ME-IPS构建模拟干涉相位训练集，获取丰富的训练数据集；
基于SRTM 30米分辨高程模型DEM数据，采用DEM反演算法生成真实干涉相位训练数据集；
基于U-Net++网络，设计对地表地形InSAR干涉相位解缠的扩张多路径相位解缠网络DMP-PUNet；
将模拟干涉相位训练集和真实干涉相位训练数据集合并成一个数据集后输入DMP-PUNet网络模型完成训练；
利用训练好的DMP-PUNet模型对将待解缠的InSAR干涉相位进行解缠，有效降低解缠的耗时。
进一步，在考虑地形效应与DEM误差时，使用二维正弦函数来模拟地形效应，并加入随机噪声以模拟DEM误差，具体公式为：
Terrain(x,y)＝magnitude-1×sin(X)×sin(Y)+dem_error×RandomNoise(x,y)
其中，Terrain(x,y)为位置(x,y)的地形效应与DEM误差，magnitude_1为地形效应的强度，dem_error为DEM的误差；
所述的大气湍流效应，使用高斯随机数生成器，模拟大气中随机的扰动，具体公式为：
Turbulence(x,y)＝magnitude_2×RandomNoise(x,y)
其中：Turbulence(x,y)为位置(x,y)的大气湍流值，magnitude_2为湍流的强度，RandomNoise(x,y)为位置(x,y)的随机噪声值；
所述的植被效应，是使用随机数生成技术模拟特定密度的植被覆盖，具体公式为：
Vegetation(x,y)＝desity×Threshold(0.95,RandomValue(x,y))
其中，Vegetation(x,y)为位置(x,y)的植被效应值，density为植被的密度或覆盖度，RandomValue(x,y)为位置(x,y)的随机值，Threshold为一个阈值函数，仅当随机值大于0.95时才返回植被效应值；
所述的基线几何效应，利用正弦函数和网格生成技术，具体公式为：
BaselineGeometry(x,y)＝magnitude_3×sin(X)×sin(Y)
其中，BaselineGeometry(x,y)为位置(x,y)的基线几何效应值，magnitude_3为基线几何效应的强度，X,Y代表图像中的空间变量；
所述的多次散射效应，通过生成随机相位和随机振幅来模拟，其具体公式为：
MultipleScattering,y)＝angle(magnitude_4×ej×RandomPhase(x,y))
其中，MultieScattering(x,y)为位置(x,y)的多次散射效应值，magnitude_4为多次散射的强度，RandomPhase(x,y)为位置(x,y)的随机相位值；
所述的噪声，通过设定高斯随机噪声的最大标准偏差noise_max来模拟不同级别的噪声。
进一步，ME-IPS算法构建模拟干涉相位训练集的步骤如下：
生成随机矩阵：设置一个初始矩阵的最小尺寸size_min和最大尺寸size_max；在size_min和size_max这两个边界值之间随机选择一个整数，得到初始矩阵的大小size_xy；根据初始矩阵的大小size_xy创建一个随机矩阵initial_matrix，随机矩阵中的值介于0和1之间；
调整随机矩阵的值：设置固定的高度值height，将initial_matrix中的每个值乘以height，得到新的矩阵initial_matrix_height；
进行插值处理：为initial_matrix_height设置原始网格，原始网格大小与矩阵大小相同，并将原始网格规模化到0至128之间；使用双线性插值和立方插值方法，将initial_matrix_height插值到新的精细网格上，得到initial_matrix_interp；
设置参数并处理相位：定义最小高度值height_min和最大高度值height_max；从height_min和height_max高度范围中随机选择一个值作为最大绝对相位值h；
标准化initial_matrix_interp到0至h的范围，得到纯净的绝对相位
使用欧拉公式将纯净的绝对相位转换为复数形式，具体公式为：
其中，i为虚数单位；
从绝对相位的复数形式计算对应的纯净的缠绕相位wrapped_phase，使用公式：
其中，Im表示复数的虚部，Re表示复数的实部；
在得到的纯净的缠绕相位依次加入上述模拟的地形效应与DEM误差、大气湍流、植被效应、基线几何效应、多次散射效应以及噪声六种效应，得到多效应的缠绕相位mul_wrapped_phase；
重新调整尺寸：定义目标尺寸new_size，将绝对相位和多效应的缠绕相位mul_wrapped_phase按立方插值方法调整为目标尺寸new_size大小的纯净的绝对相位ap_resized和多效应的缠绕相位wp_resized；得到模拟干涉相位训练集的一个样本；
重复上述步骤即可得到更多的模拟干涉相位训练集的样本。
进一步，DEM反演算法生成真实干涉相位训练数据集的步骤如下：
获取DEM 30米分辨率的数据：从网站https://earthexplorer.usgs.gov/上随机获取中国范围内的N幅DEM数据。
DEM数据提取：在N幅DEM数据中随机裁切出n幅目标尺寸new_size×new_size大小的dem；
设置参数并处理相位：定义最小高度值h_min和最大高度值h_max；从h_min和h_max高度范围中随机选择一个值作为最大真实相位hreal；
标准化dem到0至hreal的范围，得到真实的绝对相位
使用欧拉公式将真实的绝对相位转换为复数形式，具体公式为：
其中，i为虚数单位；
使用下列公式从绝对相位的复数形式计算对应的真实缠绕相位wrapped_phase_real：
其中，Im表示复数的虚部，Re表示复数的实部；
最终获得真实干涉相位训练数据集的一个样本；
重复上述即可得到真实干涉相位训练数据集中更多的样本。
进一步，所述的DMP-PUNet网络模型包括依次设置的下采样和上采样，下采样和上采样之间通过跳跃连接；
所述的下采样包括顺序连接的输入卷积、第一层下采样、第二层下采样和第三层下采样；其中三层下采样结构相同，均包括顺序设置的最大池化、扩张卷积、批量归一化、LeakyReLU激活函数、扩张卷积、批量归一化、ReLU激活函数、输出；
所述的上采样包括顺序连接的第一层下采样、第二层下采样、第三层下采样和输出卷积；其中三层下采样结构相同，均包括顺序设置的转置卷积、串联、扩张卷积、批量归一化、LeakyReLU激活函数、扩张卷积、批量归一化，ReLU激活函数、输出。
进一步，下采样具体为：
输入卷积块：输入尺寸为a×a的缠绕相位，首先通过一个卷积核大小为M×M的扩张卷积，其扩张率为dilation_rate，输入通道为n_channels，输出通道为m_channels的特征图；接着，经过批量归一化、LeakyReLU激活函数处理，保持m_channels通道；之后，数据再次经过一个M×M的扩张卷积，扩张率为dilation_rate，输入和输出通道数均为m_channels；再进行一次批量归一化、ReLU激活函数处理，输出大小a×a，通道数m_channels特征图1；
第一层下采样：输入特征图1首先经过P×P的最大池化，尺寸减少一半a/2×a/2；接着，通过M×M的扩张卷积，扩张率为dilation_rate，输入通道为m_channels，输出通道为2×m_channels；进行批量归一化、LeakyReLU激活函数处理；数据再次经过M×M的扩张卷积，扩张率为dilation_rate，输入和输出通道数均为2×m_channels；再次进行批量归一化、ReLU激活函数处理，输出大小a/2×a/2，通道数2×m_channels的特征图2；
第二层下采样：特征图2首先经过PP×PP的最大池化操作，使得特征图的尺寸减少到原来的一半，为a/4×a/4；接着，通过M×M的扩张卷积，这次卷积的扩张率为dilation_rate，输入通道数为2×m_channels，输出通道数为4×m_channels；特征图经过批量归一化处理、LeakyReLU激活函数，通道数保持为4×m_channels；再次通过一个M×M的扩张卷积，其扩张率为dilation_rate，输入通道和输出通道都是4×m_channels；经过第二次批量归一化、ReLU激活函数处理，输出大小a/4×a/4，通道数4×m_channels的特征图3；
第三层下采样：特征图3首先进入P×P的最大池化操作，尺寸再次减半，为a/8×a/8；接下来，特征图经过M×M的扩张卷积，扩张率为dilation_rate，输入通道为4×m_channels，输出通道为8×m_channels；通过批量归一化、LeakyReLU激活函数处理，通道数保持为8×m_channels；再次通过M×M的扩张卷积，扩张率为dilation_rate，输入和输出通道均为8×m_channels；最后，经过批量归一化、ReLU激活函数处理，输出大小a/8×a/8，通道数8×m_channels的特征图4；
进一步，上采样和跳跃连接具体为：
第一层上采样：上采样开始于特征图4，使用卷积核大小Q×Q转置卷积(也称为反卷积)进行上采样，使得特征图尺寸增大到原来的两倍，为a/4×a/4；此时的输出的特征图通道数为4×m_channels；然后，该特征图与先前下采样过程中4×m_channels通道的特征图3进行串联，形成一个有8×m_channels(即4×m_channels+4×m_channels)通道的特征图；特征图经过m×M的扩张卷积，扩张率为dilation_rate，输入通道为4×m_channels，输出通道为4×m_channels；批量归一化被应用于特征图，此时通道数仍然为4×m_channels；特征图通过LeakyReLU激活函数，通道数继续保持为4×m_channels；再次，特征图通过M×M的扩张卷积，扩张率为dilation_rate4，输入和输出通道均为4×m_channels；紧接着是另一个批量归一化步骤，通道数仍为4×m_channels；最后，特征图经过ReLU激活函数处理，输出大小a/4×a/4，通道数4×m_channels的特征图5；
第二层上采样：首先，特征图5经过两轮Q×Q转置卷积，上采样得到尺寸为a/2×a/2，通道数为2×m_channels的特征图up2_1和特征图up2_2；由于后续对特征图up2_1和特征图up2_2的操作相同，这里仅以特征图up2_1为例进行详细说明；紧接着，特征图up2_1与先前下采样中的特征图2进行串联，分别形成4×m_channels(即2×channels+2×channels)通道的特征图；经过M×M的扩张卷积，扩张率为dilation_rate，输入通道为4×m_channels，输出通道为2×m_channels；批量归一化被应用于特征图，此时通道数仍然为2×m_channels；特征图通过LeakyReLU激活函数，通道数继续保持为2×m_channels；再次，特征图通过M×M的扩张卷积，扩张率为dilation_rate，输入和输出通道均为2×m_channels；紧接着是另一个批量归一化步骤，通道数仍为2×m_channels；最后，特征图经过ReLU激活函数处理，输出大小a/2×a/2，通道数2×m_channels的特征图6；同理，特征图up2_2经过上述操作最终得到大小a/2×a/2，通道数2×m_channels的特征图7；
第三层上采样：首先，特征图6经过两轮Q×Q转置卷积，上采样得到尺寸为a×a，通道数为m_channels的特征图up1_1和特征图up1_2，特征图7经过Q×Q转置卷积得到尺寸为a×a，通道数为m_channels的特征图up1_3；后续对up1_1、up1_2以及up1_3的操作相同，故以up1_3为例具体介绍；紧接着，特征图up1_3与先前下采样中的特征图1进行串联，分别形成2×m_channels(即channels+channels)通道的特征图；特征图经过M×M的扩张卷积，扩张率为dilation_rate，输入通道为2×m_channels，输出通道为m_channels；批量归一化被应用于特征图，此时通道数仍然为m_channels；特征图通过LeakyReLU激活函数，通道数继续保持为m_channels；再次，特征图通过M×M的扩张卷积，扩张率为dilation_rate，输入和输出通道均为m_channels；紧接着是另一个批量归一化步骤，通道数仍为m_channels；最后，特征图经过ReLU激活函数处理，输出大小a×a，通道数m_channels的特征图8；同理，特征图up1_2经过上述操作最终得到大小a×a，通道数m_channels的特征图9；特征图up1_3经过上述操作最终得到大小a×a，通道数m_channels的特征图10；
跳跃连接起到了在网络中保持信息流通的作用，使得深层特征可以直接与浅层特征相结合，增强了特征的表达能力；在上述的上采样过程中，可以观察到先前下采样得到的特征图被与上采样后的特征图进行串联；这些连接的过程，就是实现了跳跃连接；
输出卷积：在完成所有的上采样步骤之后，模型的输出部分包含了从三个m_channels通道的特征图up1_1、up1_2和up1_3进行串联的操作，产生了一个具有192通道的特征图11；此特征图11进入一个输出卷积层；在这里，一个1×1的卷积核被应用于减少通道数，从192通道减少到目标通道n_classes，最终输出得到大小a×a，通道数为n_classes的特征图12；
进一步，利用构建好的DMP-PUNet模型对训练数据进行训练；
将ME-IPS算法得到的多效应缠绕相位mul_wrapped_phase和DEM反演算法得到的真实缠绕相位wrapped_phase_real作为DMP-PUNet模型的输入数据，将ME-IPS算法得到对应的纯净绝对相位和DEM反演算法得到对应的真实绝对相位/>作为DMP-PUNet模型对的输出数据，即标签数据，进行训练网络；其中模型训练采用的是L1损失函数，其计算公式如下：
其中，是损失项，n为参与模型训练的样本总数，/>为第i个训练样本的预测值，/>为第i个样本的真实值。
有益效果
本发明提供了一种基于深度学习的InSAR相位解缠优化方法，该方法实现方便，效果显著，主要体现在以下三点：
第一，通过ME-IPS以及DEM反演的干涉相位，能够更为全面和准确地模拟真实环境中的干涉相位效应。相较于简单的基于随机矩阵法、peaks函数法等，ME-IPS能够更加准确地模拟真实环境中复杂的干涉相位效应，包括地形、大气和其他随机效应。这种模拟技术以及DEM反演技术确保了在深度学习阶段为模型提供了高质量的训练数据。
第二，DMP-PUNet与传统的相位解缠技术相比较，具有结构上的显著优势。DMP-PUNet利用特定的空洞卷积技术来捕捉更广泛的上下文信息，并利用LeakyReLU激活函数来增强网络的非线性建模能力，DMP-PUNet不仅具备高效的处理速度，还能实现更高的解缠准确性。此外，与U-Net++相比，DMP-PUNet的解码机制更加专业化，其特有的解码结构为模型提供了更丰富的特征融合和上采样策略，能够实现更为精细化的相位解缠效果。
第三，当ME-IPS、DEM反演技术与DMP-PUNet三者结合，形成一个高效、精确且鲁棒的相位解缠框架。在数据生成层面，ME-IPS与DEM反演为模型训练提供了丰富且精确的数据源；在模型层面，DMP-PUNet确保了相位的准确解缠。与传统的相位解缠方法(如：路径跟踪法、最小范数法)对比，此框架不仅能提供更高的解缠准确度，而且在处理各种复杂场景时展现出卓越的鲁棒性。
附图说明
图1为本发明一种基于深度学习的InSAR相位解缠优化方法的流程示意图；
图2为本发明实施例提出的DMP-PUNet网络架构图；
图3为本发明实施例中ME-IPS算法构建多效应缠绕相位流程示意图；
图4为本发明实施例中ME-IPS算法生成的干涉相位数据集示意图；第一行表示的是多效应的缠绕相位；第二行表示的是纯净的缠绕相位；第三行表示的是纯净的绝对相位；
图5为使用SRTM 30米DEM数据反演的干涉相位数据集示意图；第一行表示的是128×128三维地形图；第二行是对应的真实缠绕相位；第三行是对应的绝对相位；
图6为使用构建好的DMP-PUNet网络对训练数据进行网络训练示意图；
图7是利用训练好的DMP-PUNet模型对模拟缠绕相位数据进行解缠的效果图；其中，图7(a)表示的是模拟数据的原始缠绕相位、预测结果、真实结果及解缠残差分布直方图，其中MAE为0.041，平均相干系数为0.5；图7(b)表示的是模拟数据的原始缠绕相位、预测结果、真实结果及解缠残差分布直方图，其中MAE为0.032，平均相干系数为0.7；
图8是利用训练好的DMP-PUNet模型对真实缠绕相位数据进行解缠的效果图；其中，图8(a)表示的是真实数据的原始图像、预测结果、真实结果及解缠残差直方图，其中MAE为0.323，平均相干系数为0.6；图8(b)表示的是真实数据的原始图像、预测结果、真实结果及解缠残差直方图，其中MAE为0.239，平均相干系数为0.6。
具体实施方式
为了使本发明所解决的技术问题、技术方案及有益效果更加清楚明白，以下结合附图及实施案例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释发明，并不用于限定发明。
下面结合附图与具体实施案例对本发明做进一步的说明。
如附图1所示，一种基于深度学习的InSAR相位解缠优化方法。包括步骤如下：
模拟地形效应与DEM误差、大气湍流、植被效应、基线几何效应、多次散射效应以及噪声效应，并构建ME-IPS算法生成模拟干涉相位训练数据集；
利用DEM反演算法生成真实干涉相位训练数据集，将模拟干涉相位训练数据集和真实干涉相位训练数据集合并成一个大的训练数据集(简称训练数据集)；
设计干涉相位解缠模型DMP-PUNet网络模型对训练数据集进行训练；
将待解缠的InSAR干涉相位图输入到训练好的DMP-PUNet模型，完成InSAR相位解缠优化。
进一步，所述的地形效应与DEM误差，使用二维正弦函数来模拟地形效应，并加入随机噪声以模拟DEM误差，具体公式为：
Terrain(x,y)＝magnitude-1×sin(X)×sin(Y)+dem_error×RandomNoise(x,y)
其中，Terrain(x,y)为位置(x,y)的地形效应与DEM误差，magnitude_1为地形效应的强度，dem_error为DEM的误差。
进一步，所述的大气湍流效应，使用高斯随机数生成器，模拟大气中随机的扰动，具体公式为：
Turbulence(x,y)＝magnitude_2×RandomNoise(x,y)
其中：Turbulence(x,y))为位置(x,y)的大气湍流值，magnitude_2为湍流的强度，RandomNoise(x,y)为位置(x,y)的随机噪声值。
进一步，所述的植被效应，是使用随机数生成技术模拟特定密度的植被覆盖，具体公式为：
Vegetaion(x,y)＝desity×Threshold(0.95,RandomValue(x,y))
其中，Vegetation(x,y)为位置(x,y)的植被效应值，density为植被的密度或覆盖度，RandomValue(x,y)为位置(x,y)的随机值，Threshold为一个阈值函数，仅当随机值大于0.95时才返回植被效应值。
进一步，所述的基线几何效应，利用正弦函数和网格生成技术，具体公式为：
BaselinGeometry(x,y)＝magnitude_3×sin(X)×sin(Y)
其中，BaselinGeometry(x,y)为位置(x,y)的基线几何效应值，magnitude_3为基线几何效应的强度，X,Y代表图像中的空间变量。
进一步，所述的多次散射效应，通过生成随机相位和随机振幅来模拟，其具体公式为：
MultipleScattering,y)＝angle(magnitude_4×ej×RandomPhase(x,y))
其中，MultieScattering(x,y)为位置(x,y)的多次散射效应值，magnitude_4为多次散射的强度，RandomPhase(x,y)为位置(x,y)的随机相位值。
进一步，所述的噪声，通过设定高斯随机噪声的最大标准偏差noise_max来模拟不同级别的噪声。
进一步，如附图3所示，ME-IPS算法构建模拟干涉相位训练集的步骤如下：
生成随机矩阵：设置一个初始矩阵的最小尺寸size_min和最大尺寸size_max。在size_min和size_max这两个边界值之间随机选择一个整数，得到矩阵的大小size_xy。根据size_xy的大小创建一个随机矩阵initial_matrix，随机矩阵中的值介于0和1之间。
调整矩阵的值：设置一个固定的高度值height，将initial_matrix中的每个值乘以height，得到新的矩阵initial_matrix_height；
进行插值处理：为initial_matrix_height设置一个原始的网格，网格大小与矩阵大小相同，并将其规模化到0至128之间。使用双线性插值和立方插值方法，将initial_matrix_height插值到新的精细网格上，得到initial_matrix_interp。
设置参数并处理相位：定义参数，包括最小高度值height_min和最大高度值height_max；从height_min和height_max高度范围中随机选择一个值作为h。
标准化initial_matrix_interp到0至h的范围，得到纯净的绝对相位
使用欧拉公式将绝对相位转换为复数形式，具体公式为：
其中，i为虚数单位；
从绝对相位的复数形式计算对应的纯净的缠绕相位wrapped_phase，使用公式：
其中，Im表示复数的虚部，Re表示复数的实部；
在得到的纯净的缠绕相位依次加入上述模拟的地形效应与DEM误差、大气湍流、植被效应、基线几何效应、多次散射效应以及噪声六种效应，得到多效应的缠绕相位mul_wrapped_phase；
重新调整尺寸：定义目标尺寸new_size，将和mul_wrapped_phase调整为new_size大小的纯净的绝对相位ap_resized和多效应的缠绕相位wp_resized。
进一步，DEM反演算法生成真实干涉相位训练数据集的步骤如下：
获取DEM 30米分辨率的数据：从网站https://earthexplorer.usgs.gov/上随机获取中国范围内的N幅DEM数据。
DEM数据提取：在N幅DEM数据中随机裁切出n幅目标尺寸new_size×new_size大小的dem；
设置参数并处理相位：定义参数，包括最小高度值h_min和最大高度值h_max；从h_min和h_max高度范围中随机选择一个值作为hreal。
标准化dem到0至hreal的范围，得到真实的绝对相位
使用欧拉公式将真实的绝对相位转换为复数形式，具体公式为：
其中，i为虚数单位；
使用下列公式从绝对相位的复数形式计算对应的真实缠绕相位wrapped_phase_real：
其中，Im表示复数的虚部，Re表示复数的实部。
进一步，如附图2所示，所述的DMP-PUNet网络模型包括依次设置的下采样、上采样和跳跃连接部分；
所述的下采样具体步骤如下：
输入卷积块：输入尺寸为a×a的缠绕相位，首先通过一个卷积核大小为M×M的扩张卷积，其扩张率为dilation_rate，输入通道为n_channels，输出通道为m_channels的特征图。接着，经过批量归一化、LeakyReLU激活函数处理，保持m_channels通道。之后，数据再次经过一个M×M的扩张卷积，扩张率为dilation_rate，输入和输出通道数均为m_channels。再进行一次批量归一化、ReLU激活函数处理，输出大小a×a，通道数m_channels特征图1。
第一层下采样：输入特征图1首先经过P×P的最大池化，尺寸减少一半a/2×a/2。接着，通过M×M的扩张卷积，扩张率为dilation_rate，输入通道为m_channels，输出通道为2×m_channels。进行批量归一化、LeakyReLU激活函数处理。数据再次经过M×M的扩张卷积，扩张率为dilation_rate，输入和输出通道数均为2×m_channels。再次进行批量归一化、ReLU激活函数处理，输出大小a/2×a/2，通道数2×m_channels的特征图2。
第二层下采样：特征图2首先经过P×P的最大池化操作，使得特征图的尺寸减少到原来的一半，为a/4×a/4。接着，通过M×M的扩张卷积，这次卷积的扩张率为dilation_rate，输入通道数为2×m_channels，输出通道数为4×m_channels。特征图经过批量归一化处理、LeakyReLU激活函数，通道数保持为4×m_channels。再次通过一个M×M的扩张卷积，其扩张率为dilation_rate，输入通道和输出通道都是4×m_channels。经过第二次批量归一化、ReLU激活函数处理，输出大小a/4×a/4，通道数4×m_channels的特征图3。
第三层下采样：特征图3首先进入P×P的最大池化操作，尺寸再次减半，为a/8×a/8。接下来，特征图经过M×M的扩张卷积，扩张率为dilation_rate，输入通道为4×m_channels，输出通道为8×m_channels。通过批量归一化、LeakyReLU激活函数处理，通道数保持为8×m_channels。再次通过M×M的扩张卷积，扩张率为dilation_rate，输入和输出通道均为8×m_channels。最后，经过批量归一化、ReLU激活函数处理，输出大小a/8×a/8，通道数8×m_channels的特征图4。
所述的上采样和跳跃连接的具体步骤为：
第一层上采样：上采样开始于特征图4，使用卷积核大小Q×Q转置卷积(也称为反卷积)进行上采样，使得特征图尺寸增大到原来的两倍，为a/4×a/4。此时的输出的特征图通道数为4×m_channels。然后，该特征图与先前下采样过程中4×m_channels通道的特征图3进行串联，形成一个有8×m_channels(即4×m_channels+4×m_channels)通道的特征图。特征图经过M×M的扩张卷积，扩张率为dilation_rate，输入通道为4×m_channels，输出通道为4×m_channels。批量归一化被应用于特征图，此时通道数仍然为4×m_channels。特征图通过LeakyReLU激活函数，通道数继续保持为4×m_channels。再次，特征图通过M×M的扩张卷积，扩张率为dilation_rate4，输入和输出通道均为4×m_channels。紧接着是另一个批量归一化步骤，通道数仍为4×m_channels。最后，特征图经过ReLU激活函数处理，输出大小a/4×a/4，通道数4×m_channels的特征图5。
第二层上采样：首先，特征图5经过两轮Q×Q转置卷积，上采样得到尺寸为a/2×a/2，通道数为2×m_channels的特征图up2_1和特征图up2_2。由于后续对特征图up2_1和特征图up2_2的操作相同，这里仅以特征图up2_1为例进行详细说明。紧接着，特征图up2_1与先前下采样中的特征图2进行串联，分别形成4×m_channels(即2×channels+2×channels)通道的特征图。经过M×M的扩张卷积，扩张率为dilation_rate，输入通道为4×m_channels，输出通道为2×m_channels。批量归一化被应用于特征图，此时通道数仍然为2×m_channels。特征图通过LeakyReLU激活函数，通道数继续保持为2×m_channels。再次，特征图通过M×M的扩张卷积，扩张率为dilation_rate，输入和输出通道均为2×m_channels。紧接着是另一个批量归一化步骤，通道数仍为2×m_channels。最后，特征图经过ReLU激活函数处理，输出大小a/2×a/2，通道数2×m_channels的特征图6。同理，特征图up2_2经过上述操作最终得到大小a/2×a/2，通道数2×m_channels的特征图7。
第三层上采样：首先，特征图6经过两轮Q×Q转置卷积，上采样得到尺寸为a×a，通道数为m_channel的特征图up1_1和特征图up1_2，特征图7经过Q×Q转置卷积得到尺寸为a×a，通道数为m_channels的特征图up1_3。后续对up1_1、up1_2以及up1_3的操作相同，故以up1_3为例具体介绍。紧接着，特征图up1_3与先前下采样中的特征图1进行串联，分别形成2×m_channels(即channels+channels)通道的特征图。特征图经过M×M的扩张卷积，扩张率为dilation_rate，输入通道为2×m_channels，输出通道为m_channels。批量归一化被应用于特征图，此时通道数仍然为m_channels。特征图通过LeakyReLU激活函数，通道数继续保持为m_channels。再次，特征图通过M×M的扩张卷积，扩张率为dilation_rate，输入和输出通道均为m_channels。紧接着是另一个批量归一化步骤，通道数仍为m_channels。最后，特征图经过ReLU激活函数处理，输出大小a×a，通道数m_channels的特征图8。同理，特征图up1_2经过上述操作最终得到大小a×a，通道数m_channels的特征图9。特征图up1_3经过上述操作最终得到大小a×a，通道数m_channels的特征图10。
需要说明的是，跳跃连接起到了在网络中保持信息流通的作用，使得深层特征可以直接与浅层特征相结合，增强了特征的表达能力。在上述的上采样过程中，可以观察到先前下采样得到的特征图被与上采样后的特征图进行串联。这些连接的过程，就是实现了跳跃连接。
输出卷积部分：在完成所有的上采样步骤之后，模型的输出部分包含了从三个m_channels通道的特征图up1_1、up1_2和up1_3进行串联的操作，产生了一个具有192通道的特征图11。此特征图11进入一个输出卷积层。在这里，一个1×1的卷积核被应用于减少通道数，从192通道减少到目标通道n_classes，最终输出得到大小a×a，通道数为n_classes的特征图12。
进一步，利用构建好的DMP-PUNet模型对训练数据进行训练；
将ME-IPS算法得到的多效应缠绕相位mul_wrapped_phase和DEM反演算法得到的真实缠绕相位wrapped_phase_real作为DMP-PUNet模型的输入数据，将ME-IPS算法得到对应的纯净绝对相位和DEM反演算法得到对应的真实缠绕相位wrapped_phase_real作为DMP-PUNet模型对的输出数据(即标签数据)，进行训练网络。
进一步，利用训练好的DMP-PUNet网络模型进行InSAR干涉相位解缠；
将待解缠的InSAR缠绕相位输入到训练好的DMP-PUNet模型中，根据训练好的DMP-PUNet模型预测得到对应输入缠绕相位的解缠结果，即完成了InSAR相位解缠优化。
实施例一、
1、如图4所示，ME-IPS算法构建模拟干涉相位训练集的步骤如下：
首先创建17000个2×2至10×10的随机初始矩阵，再使用双线性插值和立方插值将其扩展到128×128大小的光滑曲面，为了便于后续DMP-PUNet模型的高效训练，将光滑曲面上的像素值标准化到0至30的范围，得到纯净的绝对相位。
使用欧拉公式将绝对相位转换为复数形式，具体公式为：
其中，i为虚数单位；
从绝对相位的复数形式计算对应的纯净的缠绕相位wrapped_phase，使用公式：
其中，Im表示复数的虚部，Re表示复数的实部；
如图2所示，在得到的纯净的缠绕相位依次加入模拟的地形效应与DEM误差、大气湍流、植被效应、基线几何效应、多次散射效应以及噪声六种效应，得到多效应的缠绕相位，然后将得到的多效应缠绕相位调整尺寸为128×128大小，完成模拟干涉相位训练集的构建，可视化结果如图4所示。
2、如附图5所示，利用DEM反演算法生成真实干涉相位训练数据集
获取DEM 30米分辨率的数据：从网站https://earthexplorer.usgs.gov/上随机获取中国范围内的100幅DEM数据。
DEM数据提取：在100幅DEM数据中随机裁切出3000幅目标尺寸为128×128大小的dem；
标准化dem到0至30的范围，得到真实的绝对相位
使用欧拉公式将真实的绝对相位转换为复数形式，具体公式为：
其中，i为虚数单位；
使用下列公式从绝对相位的复数形式计算对应的真实缠绕相位wrapped_phase_real：
其中，Im表示复数的虚部，Re表示复数的实部。
由此可生成得到3000组真实干涉相位训练数据集。将上述生成的真实缠绕相位、真实绝对相位可视化之后，所得结果如图5所示。
3、如附图6所示，构建干涉相位解缠模型DMP-PUNet网络模型
如图3所示，所述的DMP-PUNet网络模型包括依次设置的下采样、上采样和跳跃连接部分：
所述的下采样主要包括三层，具体步骤如下：
输入由ME-IPS算法和DEM反演算法生成的大小为128×128的缠绕相位，首先通过一个卷积核大小为3×3的扩张卷积，其扩张率为4，输入通道为3，输出通道为64。紧接着，特征图经过批量归一化和LeakyReLU激活函数处理，保持64通道。之后，数据再次经过一个3×3的扩张卷积，扩张率为4，再进行一次批量归一化。最后，使用ReLU激活函数，输出大小128×128，通道数64的特征图1。
第一层下采样：输入特征图1首先经过2×2的最大池化，尺寸减少为64×64。接着，通过3×3的扩张卷积，扩张率为4，输入通道为64，输出通道为128。进行批量归一化和LeakyReLU激活函数处理。数据再次经过3×3的扩张卷积，扩张率为4，输入和输出通道数均为128。再次进行批量归一化，然后使用ReLU激活函数，输出大小64×64，通道数128的特征图2。
第二层下采样和第三层下采样同第一层下采样类似，经过一次2×2的最大池化，然后进行一次3×3的扩张卷积、批量归一化以及LeakyReLU激活函数处理，最后经过3×3的扩张卷积、批量归一化以及ReLU激活函数处理。第二层下采样得到输出大小32×32，通道数256的特征图3，第三层下采样得到输出大小16×16，通道数512的特征图4。
接下来是进行上采样和跳跃连接，所述的上采样和跳跃连接的具体步骤为：
第一层上采样：上采样开始于特征图4，使用卷积核大小为2×2转置卷积(也称为反卷积)进行上采样，特征图尺寸增大到32×32，通道数减少到为256。然后，该特征图与第二层下采样过程中的特征图3进行串联，形成尺寸为32×32，通道数为512的特征图，经过3×3的扩张卷积，扩张率为4，输入通道为512，输出通道为256。经过批量归一化、LeakyReLU激活函数，通道数继续保持为256。再次，特征图通过3×3的扩张卷积，扩张率为4，输入和输出通道均为256。再次进行批量归一化，然后使用ReLU激活函数，输出大小32×32，通道数256的特征图5。
第二层上采样：首先，特征图5经过两轮2×2转置卷积，上采样得到尺寸为64×64，通道数为128的特征图up2_1和特征图up2_2。由于后续对特征图up2_1和特征图up2_2的操作相同，这里仅以特征图up2_1为例进行详细说明。紧接着，特征图up2_1与先前第一层下采样中的特征图2进行串联，分别形成256通道的特征图。特征图经过3×3的扩张卷积，扩张率为4，输入通道为256，输出通道为128，经过批量归一化、LeakyReLU激活函数，通道数继续保持为128。再次，特征图通过3×3的扩张卷积，扩张率为4，输入和输出通道均为128。再次进行批量归一化，然后使用ReLU激活函数，输出大小64×64，通道数128的特征图6。同理，特征图up2_2经过上述操作最终得到大小64×64，通道数128的特征图7。
第三层上采样：首先，特征图6经过两轮2×2的转置卷积，上采样得到尺寸为128×128，通道数为64的特征图up1_1和特征图up1_2，特征图7经过2×2的转置卷积得到尺寸为128×128，通道数为64的特征图up1_3。后续对up1_1、up1_2以及up1_3的操作相同，故以up1_1为例具体介绍。紧接着，特征图up1_3与先前下采样中的特征图1进行串联，分别形成128通道的特征图。经过3×3的扩张卷积，扩张率为4，输入通道为128，输出通道为64。经过批量归一化、LeakyReLU激活函数，通道数继续保持为64。再次，特征图通过3×3的扩张卷积，扩张率为4，输入和输出通道均为64。再次进行批量归一化，然后使用ReLU激活函数，输出大小128×128，通道数64的特征图8。同理，特征图up1_2经过上述操作最终得到大小128×128，通道数64的特征图9。特征图up1_3经过上述操作最终得到大小128×128，通道数64的特征图10。
输出卷积部分：在完成所有的上采样步骤之后，模型的输出部分包含了从三个64通道的特征图8、9和10进行串联的操作，产生了一个具有192通道的特征图11。此特征图11进入一个输出卷积层。在这里，一个1×1的卷积核被应用于减少通道数，从192通道减少到目标通道数，最终输出得到大小128×128的特征图12。
4、对训练数据集进行训练
利用主流深度学习框架pytorch 1.12.1来训练上述DMP-PUNet网络，计算机软硬件吗配置见表1。如附图6所示，使用Adam优化器进行网络训练，选择L1损失函数，初始学习率为0.001，训练轮数Epoch为100。ME-IPS生成的多效应缠绕相位、DEM反演算法生成的真实缠绕相位作为输入缠绕相位数据进行前向传播，经过EMP-PUNet模型预测结果，配合L1损失函数，计算损失项，计算梯度，之后反向传播，经过Adam优化器进行网络训练，之后进行下一轮训练；将ME-IPS算法得到的多效应缠绕相位mul_wrapped_phase和DEM反演算法得到的真实缠绕相位wrapped_phase_real作为DMP-PUNet模型的输入数据，将ME-IPS算法得到对应的纯净绝对相位和DEM反演算法得到对应的真实绝对相位/>作为DMP-PUNet模型对的输出数据，即标签数据，进行训练网络；其中模型训练采用的是L1损失函数，其计算公式如下：
其中，是损失项，n为参与模型训练的样本总数，/>为第i个训练样本的预测值，/>为第i个样本的真实值；在本发明中，每个样本的真实值就是由ME-IPS算法得到对应的纯净绝对相位/>或DEM反演算法得到对应的真实绝对相位/>
表1计算机软硬件配置
5、将待解缠的InSAR干涉相位图输入到训练好的DMP-PUNet模型，完成InSAR相位解缠优化
本次实验主要采用的两组类型数据，一种是模拟的缠绕相位数据(如附图7所示)，平均相干性分别为：0.5和0.7；另外一种是真实的缠绕相位数据(如附图8所示)，平均相干性均为0.6。将其分别作为DMP-PUNet模型的输入，即可得到对应的解缠结果，完成InSAR相位解缠优化。其中图7(a)的残差平均绝对误差MAE＝0.041，图7(b)中MAE＝0.032，图8(a)中MAE＝0.323，图8(b)中MAE＝0.239。该精度可以满足绝大多数科研与现实应用需求。
本发明实施案例采用先进的DMP-PUNet模型对数据进行预测，模型具备多路径的上采样和下采样功能，确保了预测结果的高精度。经过多次验证和对比，模型预测的数据与实际数据高度一致，这大大证明了本发明的优越性和稳健性。此外，高精度的解缠结果对于各种实际应用，如地壳形变、地震研究、城市沉降、山体滑坡、火山活动以及煤火监测等重要领域实现高效的高精度地表形变监测，都有着极其重要的价值，帮助相关领域的研究和应用实现更加准确的数据分析和处理。

Claims (8)

1.一种基于深度学习的InSAR相位解缠优化方法，其特征在于；
综合考虑待测地表的地形效应与DEM误差、大气湍流、植被效应、基线几何效应、多次散射效应以及噪声效应，综合考虑了真实世界的主要影响因素，构建多效应干涉相位仿真ME-IPS，利用ME-IPS构建模拟干涉相位训练集，获取丰富的训练数据集；
基于SRTM 30米分辨高程模型DEM数据，采用DEM反演算法生成真实干涉相位训练数据集；
基于U-Net++网络，设计对地表地形InSAR干涉相位解缠的扩张多路径相位解缠网络DMP-PUNet；
将模拟干涉相位训练集和真实干涉相位训练数据集合并成一个数据集后输入DMP-PUNet网络模型完成训练；
利用训练好的DMP-PUNet模型对将待解缠的InSAR干涉相位进行解缠，有效降低解缠的耗时。
2.根据权利要求1所述的基于深度学习的InSAR相位解缠优化方法，其特征在于，在考虑地形效应与DEM误差时，使用二维正弦函数来模拟地形效应，并加入随机噪声以模拟DEM误差，具体公式为：
Terrain(x,y)＝magnitude-1×sin(X)×sin(Y)+dem_error×RandomNoise(x,y)
其中，Terrain(x,y)为位置(x,y)的地形效应与DEM误差，magnitude_1为地形效应的强度，dem_error为DEM的误差；
所述的大气湍流效应，使用高斯随机数生成器，模拟大气中随机的扰动，具体公式为：
Turbulence(x,y)＝magnitude_2×RandomNoise(x,y)
其中：Turbulence(x,y)为位置(x,y)的大气湍流值，magnitude_2为湍流的强度，RandomNoise(x,y)为位置(x,y)的随机噪声值；
所述的植被效应，是使用随机数生成技术模拟特定密度的植被覆盖，具体公式为：
Vegetation(x,y)＝desity×Threshold(0.95,RandomValue(x,y))
其中，Vegetation(x,y)为位置(x,y)的植被效应值，density为植被的密度或覆盖度，RandomValue(x,y)为位置(x,y)的随机值，Threshold为一个阈值函数，仅当随机值大于0.95时才返回植被效应值；
所述的基线几何效应，利用正弦函数和网格生成技术，具体公式为：
BaselineGeometry(x,y)＝magnitude_3×sin(X)×sin(Y)
其中，BaselineGeometry(x,y)为位置(x,y)的基线几何效应值，magnitude_3为基线几何效应的强度，X,Y代表图像中的空间变量；
所述的多次散射效应，通过生成随机相位和随机振幅来模拟，其具体公式为：
MultipleScattering(x,y)＝angle(magnitude_4×ej×RandomPhase(x,y))
其中，MultieScattering(x,y)为位置(x,y)的多次散射效应值，magnitude_4为多次散射的强度，RandomPhase(x,y)为位置(x,y)的随机相位值；
所述的噪声，通过设定高斯随机噪声的最大标准偏差noise_max来模拟不同级别的噪声。
3.根据权利要求2所述的基于深度学习的InSAR相位解缠优化方法，其特征在于，ME-IPS算法构建模拟干涉相位训练集的步骤如下：
生成随机矩阵：设置一个初始矩阵的最小尺寸size_min和最大尺寸size_max；在size_min和size_max这两个边界值之间随机选择一个整数，得到初始矩阵的大小size_xy；根据初始矩阵的大小size_xy创建一个随机矩阵initial_matrix，随机矩阵中的值介于0和1之间；
调整随机矩阵的值：设置固定的高度值height，将initial_matrix中的每个值乘以height，得到新的矩阵initial_matrix_height；
进行插值处理：为initial_maxtrix_height设置原始网格，原始网格大小与矩阵大小相同，并将原始网格规模化到0至128之间；使用双线性插值和立方插值方法，将initial_matrix_height插值到新的精细网格上，得到initial_matrix_interp；
设置参数并处理相位：定义最小高度值height_mn和最大高度值height_max；从height_min和height_max高度范围中随机选择一个值作为最大绝对相位值h；
标准化initial_matrix_interp到0至h的范围，得到纯净的绝对相位
使用欧拉公式将纯净的绝对相位转换为复数形式，具体公式为：
其中，i为虚数单位；
从绝对相位的复数形式计算对应的纯净的缠绕相位wrapped_phase，使用公式：
其中，Im表示复数的虚部，Re表示复数的实部；
在得到的纯净的缠绕相位依次加入上述模拟的地形效应与DEM误差、大气湍流、植被效应、基线几何效应、多次散射效应以及噪声六种效应，得到多效应的缠绕相位mul_wrapped_phase；
重新调整尺寸：定义目标尺寸new_size，将绝对相位和多效应的缠绕相位mul_wrapped_phase按立方插值方法调整为目标尺寸new_size大小的纯净的绝对相位ap_resized和多效应的缠绕相位wp_resized；得到模拟干涉相位训练集的一个样本；
重复上述步骤即可得到更多的模拟干涉相位训练集的样本。
4.根据权利要求1所述的基于深度学习的InSAR相位解缠优化方法，其特征在于，DEM反演算法生成真实干涉相位训练数据集的步骤如下：
获取DEM 30米分辨率的数据：随机获取中国范围内的N幅DEM数据；
DEM数据提取：在N幅DEM数据中随机裁切出n幅目标尺寸new_size×new_szie大小的dem；
设置参数并处理相位：定义最小高度值h_min和最大高度值h_max；从h_min和h_max高度范围中随机选择一个值作为最大真实相位hreal；
标准化dem到0至hreal的范围，得到真实的绝对相位
使用欧拉公式将真实的绝对相位转换为复数形式，具体公式为：
其中，i为虚数单位；
使用下列公式从绝对相位的复数形式计算对应的真实缠绕相位wrapped_phase_real：
其中，Im表示复数的虚部，Re表示复数的实部；
最终获得真实干涉相位训练数据集的一个样本；
重复上述即可得到真实干涉相位训练数据集中更多的样本。
5.根据权利要求1所述的基于深度学习的InSAR相位解缠优化方法，其特征在于，所述的DMP-PUNet网络模型包括依次设置的下采样和上采样，下采样和上采样之间通过跳跃连接；
所述的下采样包括顺序连接的输入卷积、第一层下采样、第二层下采样和第三层下采样；其中三层下采样结构相同，均包括顺序设置的最大池化、扩张卷积、批量归一化、LeakyReLU激活函数、扩张卷积、批量归一化、ReLU激活函数、输出；
所述的上采样包括顺序连接的第一层下采样、第二层下采样、第三层下采样和输出卷积；其中三层下采样结构相同，均包括顺序设置的转置卷积、串联、扩张卷积、批量归一化、LeakyReLU激活函数、扩张卷积、批量归一化，ReLU激活函数、输出。
6.根据权利要求5所述的基于深度学习的InSAR相位解缠优化方法，其特征在于，下采样具体为：
输入卷积块：输入尺寸为a×a的缠绕相位，首先通过一个卷积核大小为M×M的扩张卷积，其扩张率为dilation_rate，输入通道为n_channels，输出通道为m_channels的特征图；接着，经过批量归一化、LeakyReLU激活函数处理，保持m_channels通道；之后，数据再次经过一个M×M的扩张卷积，扩张率为dilation_rate，输入和输出通道数均为m_channels；再进行一次批量归一化、ReLU激活函数处理，输出大小a×a，通道数m_channels特征图1；
第一层下采样：输入特征图1首先经过P×P的最大池化，尺寸减少一半a/2×a/2；接着，通过M×M的扩张卷积，扩张率为dilation_rate，输入通道为m_channels，输出通道为2×m_channels；进行批量归一化、LeakyReLU激活函数处理；数据再次经过M×M的扩张卷积，扩张率为dilation_rate，输入和输出通道数均为2×m_channels；再次进行批量归一化、ReLU激活函数处理，输出大小a/2×a/2，通道数2×m_channels的特征图2；
第二层下采样：特征图2首先经过P×P的最大池化操作，使得特征图的尺寸减少到原来的一半，为a/4×a/4；接着，通过M×M的扩张卷积，这次卷积的扩张率为dilation_rate，输入通道数为2×m_channels，输出通道数为4×m_channels；特征图经过批量归一化处理、LeakyReLU激活函数，通道数保持为4×m_channels；再次通过一个M×M的扩张卷积，其扩张率为dilation_rate，输入通道和输出通道都是4×m_channels；经过第二次批量归一化、ReLU激活函数处理，输出大小a/4×a/4，通道数4×m_channels的特征图3；
第三层下采样：特征图3首先进入P×P的最大池化操作，尺寸再次减半，为a/8×a/8；接下来，特征图经过M×M的扩张卷积，扩张率为dilation_rate，输入通道为4×m_channels，输出通道为8×m_channels；通过批量归一化、LeakyReLU激活函数处理，通道数保持为8×m_channels；再次通过M×M的扩张卷积，扩张率为dilation_rate，输入和输出通道均为8×m_channels；最后，经过批量归一化、ReLU激活函数处理，输出大小a/8×a/8，通道数8×m_channels的特征图4。
7.根据权利要求5所述的基于深度学习的InSAR相位解缠优化方法，其特征在于，上采样和跳跃连接具体为：
第一层上采样：上采样开始于特征图4，使用卷积核大小Q×Q转置卷积进行上采样，使得特征图尺寸增大到原来的两倍，为a/4×a/4；此时的输出的特征图通道数为4×m_channels；然后，该特征图与先前下采样过程中4×m_channels通道的特征图3进行串联，形成一个有8×m_channels(即4×m_channels+4×m_channels)通道的特征图；特征图经过M×M的扩张卷积，扩张率为dilation_rate，输入通道为4×m_channels，输出通道为4×m_channels；批量归一化被应用于特征图，此时通道数仍然为4×m_channels；特征图通过LeakyReLU激活函数，通道数继续保持为4×m_channels；再次，特征图通过M×M的扩张卷积，扩张率为dilation_rate4，输入和输出通道均为4×m_channels；紧接着是另一个批量归一化步骤，通道数仍为4×m_channels；最后，特征图经过ReLU激活函数处理，输出大小a/4×a/4，通道数4×m_channels的特征图5；
第二层上采样：首先，特征图5经过两轮Q×Q转置卷积，上采样得到尺寸为a/2×a/2，通道数为2×m_channels的特征图up2_1和特征图up2_2；由于后续对特征图up2_1和特征图up2_2的操作相同，这里仅以特征图up2_1为例进行详细说明；紧接着，特征图up2_1与先前下采样中的特征图2进行串联，分别形成4×m_channels通道的特征图；经过M×M的扩张卷积，扩张率为dilation_rate，输入通道为4×m_channels，输出通道为2×m_channels；批量归一化被应用于特征图，此时通道数仍然为2×m_channels；特征图通过LeakyReLU激活函数，通道数继续保持为2×m_channels；再次，特征图通过M×M的扩张卷积，扩张率为dilation_rate，输入和输出通道均为2×m_channels；紧接着是另一个批量归一化步骤，通道数仍为2×m_channels；最后，特征图经过ReLU激活函数处理，输出大小a/2×a/2，通道数2×m_channels的特征图6；同理，特征图up2_2经过上述操作最终得到大小a/2×a/2，通道数2×m_channels的特征图7；
第三层上采样：首先，特征图6经过两轮Q×Q转置卷积，上采样得到尺寸为a×a，通道数为m_channels的特征图up1_1和特征图up1_2，特征图7经过Q×Q转置卷积得到尺寸为a×a，通道数为m_channels的特征图up1_3；后续对up1_1、up1_2以及up1_3的操作相同，故以up1_3为例具体介绍；紧接着，特征图up1_3与先前下采样中的特征图1进行串联，分别形成2×m_channels通道的特征图；特征图经过M×M的扩张卷积，扩张率为dilation_rate，输入通道为2×m_channels，输出通道为m_channels；批量归一化被应用于特征图，此时通道数仍然为m_channels；特征图通过LeakyReLU激活函数，通道数继续保持为m_channels；再次，特征图通过M×M的扩张卷积，扩张率为dilation_rate，输入和输出通道均为m_channels；紧接着是另一个批量归一化步骤，通道数仍为m_channels；最后，特征图经过ReLU激活函数处理，输出大小a×a，通道数m_channels的特征图8；同理，特征图up1_2经过上述操作最终得到大小a×a，通道数m_channels的特征图9；特征图up1_3经过上述操作最终得到大小a×a，通道数m_channels的特征图10；
跳跃连接起到了在网络中保持信息流通的作用，使得深层特征可以直接与浅层特征相结合，增强了特征的表达能力；在上述的上采样过程中，可以观察到先前下采样得到的特征图被与上采样后的特征图进行串联；这些连接的过程，就是实现了跳跃连接；
输出卷积：在完成所有的上采样步骤之后，模型的输出部分包含了从三个m_channels通道的特征图up1_1、up1_2和up1_3进行串联的操作，产生了一个具有192通道的特征图11；此特征图11进入一个输出卷积层；在这里，一个1×1的卷积核被应用于减少通道数，从192通道减少到目标通道n_classes，最终输出得到大小a×a，通道数为n_classes的特征图12。
8.根据权利要求1所述的基于深度学习的InSAR相位解缠优化方法，其特征在于，利用构建好的DMP-PUNet模型对训练数据进行训练；
将ME-IPS算法得到的多效应缠绕相位nul_wrapped_phase和DEM反演算法得到的真实缠绕相位wrapped_phase_real作为DMP-PUNet模型的输入数据，将ME-IPS算法得到对应的纯净绝对相位和DEM反演算法得到对应的真实绝对相位/>作为DMP-PUNet模型对的输出数据，即标签数据，进行训练网络；其中模型训练采用的是L1损失函数，其计算公式如下：
其中，是损失项，n为参与模型训练的样本总数，/>为第i个训练样本的预测值，/>为第i个样本的真实值。
CN202311510301.4A 2023-11-14 2023-11-14 一种基于深度学习的InSAR相位解缠优化方法 Active CN117572420B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202311510301.4A CN117572420B (zh) 2023-11-14 2023-11-14 一种基于深度学习的InSAR相位解缠优化方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202311510301.4A CN117572420B (zh) 2023-11-14 2023-11-14 一种基于深度学习的InSAR相位解缠优化方法

Publications (2)

Publication Number Publication Date
CN117572420A CN117572420A (zh) 2024-02-20
CN117572420B true CN117572420B (zh) 2024-04-26

Family

ID=89887311

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202311510301.4A Active CN117572420B (zh) 2023-11-14 2023-11-14 一种基于深度学习的InSAR相位解缠优化方法

Country Status (1)

Country Link
CN (1) CN117572420B (zh)

Citations (5)

* Cited by examiner, † Cited by third party
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
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
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
CN116664419A (zh) * 2023-04-28 2023-08-29 天津大学 多尺度特征融合降噪CNN网络的InSAR相位解缠方法
CN116911356A (zh) * 2023-07-04 2023-10-20 内蒙古工业大学 基于深度卷积神经网络优化的InSAR相位解缠方法、装置及存储介质

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104765026A (zh) * 2015-04-29 2015-07-08 天津市测绘院 合成孔径雷达干涉测量数据中地面属性数据的提取方法
US11580646B2 (en) * 2021-03-26 2023-02-14 Nanjing University Of Posts And Telecommunications Medical image segmentation method based on U-Net

Patent Citations (5)

* Cited by examiner, † Cited by third party
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
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
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
CN116664419A (zh) * 2023-04-28 2023-08-29 天津大学 多尺度特征融合降噪CNN网络的InSAR相位解缠方法
CN116911356A (zh) * 2023-07-04 2023-10-20 内蒙古工业大学 基于深度卷积神经网络优化的InSAR相位解缠方法、装置及存储介质

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
"InSAR相位解缠最大流/最小割权值改进算法";高延东等;《测绘学报》;20231122;全文 *

Also Published As

Publication number Publication date
CN117572420A (zh) 2024-02-20

Similar Documents

Publication Publication Date Title
US10339707B2 (en) Automated generation of digital elevation models
CN114724012B (zh) 基于时空跨尺度注意力融合热带不稳定波预警方法及装置
Wang et al. Seismic velocity inversion transformer
CN110084181B (zh) 一种基于稀疏MobileNetV2网络的遥感图像舰船目标检测方法
CN114138919B (zh) 一种基于非局部注意力卷积神经网络的地震数据重建方法
CN114707376A (zh) 一种模拟海底多金属结核赋存分布方法
CN111680667B (zh) 一种基于深度神经网络的遥感图像地物分类方法
Karimpouli et al. Multistep Super Resolution Double-U-net (SRDUN) for enhancing the resolution of Berea sandstone images
CN110058298B (zh) 一种三维地质体空间插值方法及系统
Liu et al. Physics-driven self-supervised learning system for seismic velocity inversion
CN117689579A (zh) 一种渐进式双解耦的sar辅助遥感影像厚云去除方法
CN116776734A (zh) 基于物理约束神经网络的地震速度反演方法
CN116883679A (zh) 基于深度学习的地物目标提取方法和装置
Wei et al. Seismic data interpolation based on denoising diffusion implicit models with resampling
CN117572420B (zh) 一种基于深度学习的InSAR相位解缠优化方法
CN115797181A (zh) 一种面向矿井模糊环境的图像超分辨率重建方法
CN114998137A (zh) 一种基于生成对抗网络的探地雷达图像杂波抑制方法
Li et al. Seismic full-waveform inversion based on superresolution for high-precision prediction of reservoir parameters
Liu et al. Enhanced Wind Field Spatial Downscaling Method Using UNET Architecture and Dual Cross-Attention Mechanism
CN117994421B (zh) 一种基于多视光学卫星影像的地表稠密三维重建方法
Zhang et al. Stochastic reconstruction of porous media based on attention mechanisms and multi-stage generative adversarial network
CN116956227B (zh) 方位历程图显示方法、装置、计算机设备和存储介质
CN115077514B (zh) 一种基于动态窗口的无线电地图构建方法
CN117233764B (zh) 一种基于R2AU-Net的InSAR相位解缠方法
CN118300729B (zh) 一种基于深度双边稀疏采样的声场快速预报方法

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