一种基于深度学习的多通道InSAR高程反演方法技术

本发明专利技术公开了一种基于深度学习的多通道InSAR高程反演方法，包括创建连续地形和突变地形数据集；将创建的数据集放入多通道特征连接与融合网络中进行训练；将待反演的多通道干涉图放入已经训练好的多通道神经网络模型中得出反演的真实高程图像。该方法设计出一种多通道特征连接与融合网络，将其用于建立多幅干涉图和对应高程图的直接映射关系。网络中采用融合了注意力机制的残差单元，用密集连接的方式实现多通道特征复用，加强了特征图的传播，提高了网络对多幅干涉图信息的融合能力。经过不同地形的干涉图高程反演实验，其结果表明该方法可以同时反演出连续地形和突变地形的高程图，具备良好的鲁棒性和稳健性，具有重要的应用价值。应用价值。应用价值。

【技术实现步骤摘要】
一种基于深度学习的多通道InSAR高程反演方法


[0001]本专利技术属于图像高程反演领域，涉及干涉测量技术应用中图像高程反演，尤其涉及一种基于深度学习的多通道InSAR高程反演方法。

技术介绍

[0002]高程反演是许多干涉测量技术应用中不可或缺的步骤，在各种干涉测量技术应用中获得的单通道或多通道干涉图通常存在程度不一的干涉相位噪声以及相位不连续问题，这使得干涉图高程反演问题仍然是一个非常具有挑战性的难题。
[0003]现有的干涉合成孔径雷达(Interferometric Synthetic Aperture Radar，简称InSAR，)多通道高程反演算法大致分为中国余数定理(Chinese Remainder Theorem，简称CRT)算法、最大似然(Maximum Likelihood，简称ML)算法、最大后验(Maximum A Posteriori，简称MAP)算法和图割(Graph Cut，简称GC)算法等。在上述算法中，中国余数定理算法可在纯净环境即干涉相位无噪声的条件下精确恢复出目标高程信息，当干涉图存在较大噪声时，CRT高程反演几乎失效；最小范数法一般着眼于全局，寻找最优解，但易受Itoh相位连续性假设的限制；ML算法和MAP算法通过构造概率密度函数实现最优估计参数，进而重建高程，当干涉图信噪比较低时，高程估计精度往往不高；GC算法可以有效获取凸优化问题中的全局最优解，提升了高程反演的精度，但该算法需要消耗较大内存，不利于较大规模干涉图的处理。

技术实现思路

[0004]为了解决上述问题，本专利技术提供一种高程反演精度较高、鲁棒性较强的基于深度学习的多通道InSAR高程反演方法。
[0005]实现本专利技术目的的技术方案是：
[0006]一种基于深度学习的多通道InSAR高程反演方法，包括以下步骤：
[0007]S1，创建单通道连续地形和突变地形的高程图，由两种地形的高程图形成多通道干涉图，从而得到包含多通道干涉图和单通道高程图的数据集；
[0008]S2，将S1得到的数据集放入多通道特征连接与融合网络模型中进行训练，得到训练完成的权值；
[0009]S3，将待反演的包含连续地形和突变地形的多通道干涉图放入已训练好的多通道特征连接与融合网络模型中，得出反演的高程图像。
[0010]进一步地，所述S1包括如下步骤：
[0011]S1
‑
1，通过随机函数，构建3
×
3～18
×
18随机初始矩阵，用双三插值法对初始矩阵扩展进行插值放大到256像素
×
256像素，得到模拟连续地形高程图Ⅰ；
[0012]S1
‑
2，从地理空间数据云获取精度为30m的ASTER GDEMV2高程影像数据，从中选取地形较为连续平滑的中国四川省地区真实高程图，并截取大小为256像素
×
256像素的高程矩阵，即得到真实连续地形高程图Ⅱ；
[0013]S1
‑
3，通过对S1
‑
1和S1
‑
2的两种连续地形高程图选取多个局部区域，总大小不超过图像本身大小，之后通过局部区域置零的方式得到突变地形高程图III，大小为256像素
×
256像素；
[0014]S1
‑
4，通过对S1
‑
1和S1
‑
2的两种连续地形高程图选取多个局部区域，总大小不超过图像本身大小，之后通过局部区域重新赋定值的方式得到突变地形高程图IV，大小为256像素
×
256像素；
[0015]S1
‑
5，通过对S1
‑
1和S1
‑
2的两种连续地形高程图选取多个局部区域，总大小不超过图像本身大小，之后通过局部区域置零和重新赋定值的方式得到突变地形高程图
Ⅴ
，大小为256像素
×
256像素；
[0016]S1
‑
6，由S1
‑
1—S1
‑
5得到的模拟连续地形高程图Ⅰ、真实连续地形高程图Ⅱ、突变地形高程图III、突变地形高程图IV和突变地形高程图
Ⅴ
作为全部高程图，生成三幅真实相位图，进而重缠绕三幅真实相位图并添加噪声，得到三幅带噪缠绕相位图即多通道干涉图；
[0017]S1
‑
7，由S1
‑
1—S1
‑
5生成的模拟连续地形高程图Ⅰ、真实连续地形高程图Ⅱ、突变地形高程图III、突变地形高程图IV、突变地形高程图
Ⅴ
和S1
‑
6生成的多通道干涉图组成包含多通道干涉图和单通道高程图的数据集。
[0018]进一步地，S2所述的多通道特征连接与融合网络模型，其主体结构分为三个横向通道和四个纵向网络块，
[0019]三个横向通道为对称结构，接收三幅干涉图并形成各自的干涉图处理通道；横向来看，三个通道是并行的网络层，网络结构相同，可以分别提取三通道干涉图的有用信息；
[0020]四个纵向网络块联通不同干涉图通道并加以整合，最终输出高程图；纵向来看，四个网络块中前三个网络块作为主要的三通道干涉图处理模块，一个网络块中以卷积层、嵌入注意力机制的残差网络层和卷积层为一个通道的处理单元，三个通道都以此单元处理不同的干涉图信息，由通道合并形成多通道特征融合，三个网络块之间通过串行和跳跃连接的方式实现了多通道级联以及密集连接，加强了特征图的重用和不同干涉图通道间的联系；第四个网络块是三个连续的卷积层，将特征图整合处理，输出为单通道的高程图像。
[0021]所述S2包括如下步骤：
[0022]S2
‑
1，S1得到的多通道干涉图从多通道特征连接与融合网络模型中的输入层进入，经过多通道卷积层将图像通道数调整后通过嵌入注意力机制的残差网络层，再通过卷积层输出，得到多通道特征图；
[0023]S2
‑
2，由S2
‑
1得到的多通道特征图进行通道合并，其输出作为下一多通道卷积层的输入并跳跃连接到下一个通道合并层形成密集连接；
[0024]S2
‑
3，将S2
‑
1和S2
‑
2串行作为一个网络块，重复此网络块，形成三个主要的多通道干涉图处理网络块，多通道特征图依次通过这些网络块并输出；
[0025]S2
‑
4，将S2
‑
3得到的特征图经过三个普通卷积层，将通道数降为1，得到网络输出的单通道高程图，通过损失函数均方误差(Mean Squared Error，简称MSE)计算与真实高程的误差，反向传播后更新网络参数；
[0026]S2
‑
5，训练整个数据集，经过18
‑
20个小时的训练后，得到训练本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于深度学习的多通道InSAR高程反演方法，其特征在于，包括以下步骤：S1，创建单通道连续地形和突变地形的高程图，由两种地形的高程图形成多通道干涉图，从而得到包含多通道干涉图和单通道高程图的数据集；S2，将S1得到的数据集放入多通道特征连接与融合网络模型中进行训练，得到训练完成的权值；S3，将待反演的包含连续地形和突变地形的多通道干涉图放入已训练好的多通道特征连接与融合网络模型中，得出反演的高程图像。2.根据权利要求1所述的基于深度学习的多通道InSAR高程反演方法，其特征在于，S1包括以下步骤：S1
‑
1，通过随机函数，构建3
×
3～18
×
18随机初始矩阵，用双三插值法对初始矩阵扩展进行插值放大到256像素
×
256像素，得到模拟连续地形高程图Ⅰ；S1
‑
2，从地理空间数据云获取精度为30m的ASTER GDEMV2高程影像数据，从中选取地形较为连续平滑的中国四川省地区真实高程图，并截取大小为256像素
×
256像素的高程矩阵，即得到真实连续地形高程图Ⅱ；S1
‑
3，通过对S1
‑
1和S1
‑
2的两种连续地形高程图选取多个局部区域，总大小不超过图像本身大小，之后通过局部区域置零的方式得到突变地形高程图Ⅲ，大小为256像素
×
256像素；S1
‑
4，通过对S1
‑
1和S1
‑
2的两种连续地形高程图选取多个局部区域，总大小不超过图像本身大小，之后通过局部区域重新赋定值的方式得到突变地形高程图Ⅳ，大小为256像素
×
256像素；S1
‑
5，通过对S1
‑
1和S1
‑
2的两种连续地形高程图选取多个局部区域，总大小不超过图像本身大小，之后通过局部区域置零和重新赋定值的方式得到突变地形高程图
Ⅴ
，大小为256像素
×
256像素；S1
‑
6，由S1
‑
1—S1
‑
5得到的模拟连续地形高程图Ⅰ、真实连续地形高程图Ⅱ、突变地形高程图Ⅲ、突变地形高程图Ⅳ和突变地形高程图
Ⅴ
作为全部高程图，生成三幅真实相位图，进而重缠绕三幅真实相位图并添加噪声，得到三幅带噪缠绕相位图即多通道干涉图；S1
‑
7，由S1
‑
1—S1
‑
5生成的模拟连续地形高程图Ⅰ、真实连续地形高程图Ⅱ、突变地形高程图Ⅲ、突变地形高程图Ⅳ、突变地形高程图
...

【专利技术属性】
技术研发人员：耿佃强，谢先明，
申请(专利权)人：广西科技大学，
类型：发明
国别省市：