一种基于相位梯度估计网络的InSAR相位解缠方法技术

本发明专利技术提供了一种基于相位梯度估计网络的InSAR相位解缠方法，它是通过先将相位梯度估计转化为一个回归问题，设计基于编码器

【技术实现步骤摘要】
一种基于相位梯度估计网络的InSAR相位解缠方法


[0001]本专利技术属于雷达
，它特别涉及了合成孔径雷达(SAR)成像


技术介绍

[0002]作为一种工作在微波波段的有源雷达，合成孔径雷达(Synthetic Aperture Radar,SAR)具有全天时、全天候的成像能力，即无论是白天或黑夜、晴天还是雷雨风雪天气，都可以随时随地成像，克服了光学和红外系统不能在晚上和复杂天气条件进行成像的缺点。而且由于利用了脉冲压缩和孔径合成技术的技术，合成孔径雷达突破了传统雷达仅仅进行目标检测的限制，能够对散射点进行高精度的二维成像。合成孔径雷达干涉测量技术(InSAR)根源于传统SAR处理技术，通过利用位置不同的天线对成像区域进行观测，获得存在差异的回波信息，利用一定的技术手段获得与观测区域地形高度有关的干涉相位，再根据主副天线与测绘区域目标的几何关系，实现对目标区域地形高度的恢复。
[0003]InSAR在地表变形监测和地形测绘领域发挥着越来越重要的作用。该干涉合成孔径雷达系统采用两幅不同视角的复合图像共配准，获得二维干涉相位图像。由于发射和接收模型中的三角函数，得到的相位是缠绕相位。为了得到测量区域准确的高程模型，必须在被缠绕相位的每个像素上加上准确的缠绕数来得到解缠相位，这称为相位解缠。因此，在InSAR数据处理流程中，高程测量精度与相位解缠精度高度相关。
[0004]由于相位解缠是一个病态问题，通常在传统的相位解缠过程中需要考虑相位连续假设(PCA)：在此假设下，相位解缠方法可分为两类：路径跟踪和基于优化的方法。这两种方法都需要在解缠前通过PCA得到相位梯度的估值，但是由于噪声和地形突变的存在，使得PCA不满足，这可能会导致解缠过程中的局部误差在积分路径上产生全局误差，直接影响最终的解缠精度。近年来，基于深度学习的相位解缠方法开始萌芽。在SAR领域，由于地形特征造成缠绕相位复杂且相干系数较低，使得解缠问题变得更加困难。因此，将传统的相位解缠方法与深度学习相结合，是一个很有前景的发展趋势。由于最小二乘(LS)相位解缠方法在实际应用中应用广泛，且收敛速度快，因此本专利技术提出了一种基于相位梯度估计网络的鲁棒的最小二乘InSAR相位解缠方法(PGENet
‑
LS)。

技术实现思路

[0005]为了提高InSAR相位解缠精度并提高运算效率，本专利技术提出基于相位梯度估计网络的最小二乘InSAR相位解缠方法提出的，在该方法中，先将相位梯度估计转化为一个回归问题，并设计了一种基于编码器
‑
解码器体系结构的InSAR相位梯度估计网络(PGENet)。PGENet可以从大量带有地形特征和不同噪声水平的缠绕相位图像中提取相位的全局深层特征并识别相邻像素之间的相位梯度，因此PGENet比PGE
‑
PCA得到的相位梯度更准确、更鲁棒。最后，利用最小二乘方法得到相位解缠结果。采用PGENet估计的相位梯度代替传统LS解缠方法中的PGE
‑
PCA，由于PGENet估计的相位梯度的精度明显高于PGE
‑
PCA估计的相位梯度，且具有更强的鲁棒性，因此该方法的精度高于传统的LS相位。因此本专利技术在保留LS方法
优势的同时，再将LS相位解缠方法与深度学习相结合来提高相位解缠精度和计算效率。
[0006]为了方便描述本专利技术的内容，首先作以下术语定义：
[0007]定义1：数字高程模型
[0008]数字高程模型(Digital Elevation Model)，简称DEM，是通过有限的地形高程数据实现对地面地形的数字化模拟(即地形表面形态的数字化表达)，它是用一组有序数值阵列形式表示地面高程的一种实体地面模型。可以通过公开数据集或直接测量等手段得到DEM。详见网站“https://baike.baidu.com/item/％E6％95％B0％E5％AD％97％E9％AB％98％E7％A8％8B％E6％A8％A1％E5％9E％8B/2271061？fr＝aladdin”。
[0009]定义2：高程模糊度
[0010]高程模糊度H表示一个相位周期对应的高度变化，可以用来表示干涉测量对高度变化的敏感度。详见文献“机载干涉合成孔径雷达数据处理技术，丁赤飚，李芳芳，胡东辉，科学出版社，2017”。
[0011]定义3：干涉相位图像加噪方法
[0012]根据高斯白噪声分布对不含噪声的干涉相位图像添加噪声。详见文献“Pu,Liming,Xiaoling Zhang,Zenan Zhou,Jun Shi,Shunjun Wei,and Yuanyuan Zhou.2020."A Phase Filtering Method with Scale Recurrent Networks for InSAR"Remote Sensing 12,no.20:3453.”。
[0013]定义4：传统图像切割法
[0014]若一个图像G的大小为M
×
N，选择尺寸大小为M
c
×
N
c
的切割窗口C，设置步长为s，将图像G从其第一个像素点为起始点，以切割窗口C的大小切割图像G，并按照步长s对图像G进行逐行逐列切割，得到一系列的子图像。
[0015]定义5：传统卷积神经网络构成方法
[0016]卷积神经网络指一类包含卷积计算且具有深度结构的前馈神经网络。卷积神经网络仿造生物的视知觉机制构建，可以进行监督学习和非监督学习，其隐含层内的卷积核参数共享和层间连接的稀疏性使得卷积神经网络能够以较小的计算量进行特征提取。详见文献“张索非,冯烨,吴晓富.基于深度卷积神经网络的目标检测算法进展，传统卷积神经网络构成方法见南京邮电大学学报(自然科学版),2019(05):1
‑
9.”。
[0017]定义6：卷积核
[0018]卷积核就是图像处理时，给定输入图像，输入图像中一个小区域中像素加权平均后成为输出图像中的每个对应像素，其中权值由一个函数定义，这个函数称为卷积核。卷积核的作用在于特征的抽取，越是大的卷积核尺寸就意味着更大的感受野，当然随之而来的是更多的参数。卷积核设置方法详见文献“Lecun Y,Bottou L,Bengio Y,et al.Gradient
‑
based learning applied to document recognition[J].Proceedings of the IEEE,1998,86(11):2278
‑
2324.”。
[0019]定义7：卷积核尺寸
[0020]卷积核尺寸就是指卷积核的长度，宽度和深度，记为L
×
W
×
D，其中L代表长度，W代表宽度，D代表深度。设置卷积核的尺寸就是指确定L，W和D的具体数值。在达到相同感受野的情况下，卷积核尺寸越小，所需要的参数和计算量越小。详见网站“ht本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于相位梯度估计网络的InSAR相位解缠方法，其特征是它包括以下几个步骤：步骤1、生成训练数据集采用数字高程模型DEM，记为h＝{h
i,j
}，i＝1,
…
,M1,j＝1,
…
,N1，其中DEM尺寸大小为M1×
N1，M1为DEM的行数，N1为DEM的列数；采用公式计算得到DEM的缠绕相位图，记为P
w
，其中H为高程模糊度，angle(
·
)为相位运算函数；采用公式计算的到相位缠绕图P
w
的转置图像，记为其中(
·
)
T
为矩阵转置运算；采用干涉相位图像加噪方法给图像P
w
和分别添加N个强度的噪声，得到N个等级的含噪缠绕相位图，分别记为其中N为N个噪声等级；采用图像切割方法，设置切割窗口大小为M
c
×
N
c
，步长为s，分别对图像集P
wn
和进行切割，得到个子图像，即网络的训练数据集，记为Train，其中M
c
为切割窗口的行数，N
c
为切割窗口的列数；步骤2、搭建相位梯度特征提取编码器网络采用定传统卷积神经网络构成方法，构成相位梯度特征提取编码器网络的8个编码器块，分别记为En_B1、En_B2、En_B3、En_B4、En_B5、En_B6、En_B7、En_B8；采用卷积核设置方法设置En_B1中的每层卷积层的卷积核尺寸为L
×
W
×
D，设置En_B2的两个卷积层的卷积核尺寸为L
×
W
×
2D，设置En_B3的两个卷积层的卷积核尺寸为L
×
W
×
4D，设置En_B4的两个卷积层的卷积核尺寸为L
×
W
×
8D，设置En_B5的两个卷积层的卷积核尺寸为L
×
W
×
8D，设置En_B6的两个卷积层的卷积核尺寸为L
×
W
×
8D，设置En_B7的两个卷积层的卷积核尺寸为L
×
W
×
8D，设置En_B8的两个卷积层的卷积核尺寸为L
×
W
×
8D；最终，得到相位梯度特征提取网络，其中L代表第一个编码块卷积层的卷积核长度，W代表第一个编码块卷积层的卷积核宽度，D代表第一个编码块卷积层的卷积核深度；步骤3、搭建相位梯度特征融合解码器网络采用传统卷积神经网络构成方法和反卷积神经网络构成方法，构成解码器网络8个解码块，记为De_B1、De_B2、De_B3、De_B4、De_B5、De_B6、De_B7、De_B8；根据卷积核设置方法设置De_B1中的卷积层的卷积核尺寸为L
×
W
×
8D，反卷积层的卷积核尺寸为L1
×
W1
×
D1，设置De_B2的卷积层的卷积核尺寸为L
×
W
×
8D，反卷积层的卷积核尺寸为L1
×<...

【专利技术属性】
技术研发人员：张晓玲，王楠，蒲黎明，师君，韦顺军，
申请(专利权)人：电子科技大学，
类型：发明
国别省市：