【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 ...
【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:
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。