一种基于神经网络的二维缠绕相位解缠方法技术

本发明专利技术涉及干涉信号处理技术领域，尤其涉及一种基于神经网络的二维缠绕相位解缠方法，包括步骤：将待解缠的二维缠绕相位输入训练好的解缠神经网络模型中；根据训练好的解缠神经网络模型预测输入的二维缠绕相位的残数；基于所述残数，分别对缠绕相位图在距离向和方位向上的缠绕差分进行修正；将缠绕相位、修正后的缠绕差分作为枝切法的输入，进行相位解缠，输出解缠结果。本发明专利技术提供的二维缠绕相位解缠方法，用以解决现有技术中相位解缠算法复杂度高、计算量大的缺陷，实现精确预测残数点的位置以及类别，利用高效的枝切法对修正后结果进行解缠，最终得到解缠结果，可以在极低的相干系数情况下工作，并取得好于SNAPHU的解缠结果。果。果。

【技术实现步骤摘要】
一种基于神经网络的二维缠绕相位解缠方法


[0001]本专利技术涉及干涉信号处理
，尤其涉及一种基于神经网络的二维缠绕相位解缠方法。

技术介绍

[0002]干涉测量系统记录的是周期缠绕后位于主值区间[
‑
π,π)的干涉相位，其与真实相位的差距为2(k为整数)，相位解缠的目的是恢复相位主值中被模糊掉的整周相位2。以合成孔径雷达为例，合成孔径雷达探测技术主要用于取得数字高程信息(DEM)，并进行地表沉降、植被分类等后续测算，取得数字高程最关键的步骤就是相位解缠，从而将真实相位从缠绕相位中还原出来，只有恢复出真实相位才可以进行后续的高程计算与形变估计等任务，并且解缠误差会对后续任务产生巨大影响，因此相位解缠是干涉信号处理领域的关键技术。
[0003]针对二维相位解缠问题，现有的相位解缠绕方法主要有以下三种：第一种方法是基于路径的方法，这种方法通过设置枝切线或利用质量图控制解缠路径，再利用泛洪积分算法恢复真实相位；第二种相位解缠方法是最小范数法，它将整个相位图像的解缠相位梯度与缠绕相位梯度之间差值的加权范数作为优化目标函数，根据优化目标的不同，采用对应的优化算法，求解真实相位；第三种方法是基于深度学习的方法，此类方法利用深度学习模型直接预测真实相位、缠绕数或缠绕数梯度，根据输出采用对应的后处理方法得到最终结果。
[0004]然而，上述的相位解缠算法主要存在如下不足：第一，大多数算法依赖连续性假设，因此在不满足采样定理或相干系数较低的区域效果较差；第二，基于最小范数和部分深度学习算法复杂度大、计算量高，导致难以符合实时性要求。

技术实现思路

[0005]本专利技术提供一种基于神经网络的二维缠绕相位解缠方法，用以解决现有相位解缠算法的缺陷，实现精确预测残数点的位置以及类别，利用高效的枝切法对修正后结果进行解缠，最终得到解缠结果，可以在极低的相干系数情况下工作，并取得好于SNAPHU的解缠结果。
[0006]本专利技术提供的一种基于神经网络的二维缠绕相位解缠方法，包括：
[0007]将待解缠的二维缠绕相位输入训练好的解缠神经网络模型中；
[0008]根据训练好的解缠神经网络模型预测输入的二维缠绕相位的残数；
[0009]基于所述残数，分别对缠绕相位图在距离向和方位向上的缠绕差分进行修正；
[0010]将缠绕相位、修正后的缠绕差分作为枝切法的输入，进行相位解缠，输出解缠结果。
[0011]具体的，根据训练好的解缠神经网络模型预测输入的二维缠绕相位的残数，所述残数为：
[0012][0013][0014]其中，点(,j)为缠绕相位中的任一像素点；
[0015]K1(,j)与K2(,j)分别为距离向与方位向上点(,j)的残数；
[0016]φ(i,j)为点(,j)的真实相位，Δ1φ(i,j)与Δ2φ(i,j)分别表示真实相位在距离向与方位向的差分值；
[0017]ψ1(,j)与ψ2(,j)分别表示缠绕相位在距离向和方位向上对差分值取主值操作取得的值。
[0018]优选的，所述解缠神经网络模型包括三个输入通道，分别接收二维缠绕相位、距离向的缠绕差分以及方位向的缠绕差分；
[0019]所述解缠神经网络模型包括6个输出通道，其中3个输出通道输出距离向上的残数，3个通道输出方位向上的残数。
[0020]根据本专利技术提供的一种基于神经网络的二维缠绕相位解缠方法，对所述解缠神经网络模型进行训练的步骤包括：
[0021]对距离向和方位向的3个输出通道的输出结果分别乘以
‑
1、0、1，并将通道维相加，分别输出距离向和方位向上的残数k1(i，j)和k2(i，j)；
[0022]将两个残数均与2π相乘后分别与缠绕差分ψ1(i，j)和ψ2(i，j)相加，输出修正后的缠绕差分ψ
′1(i，j)和ψ
′2(i，j)；
[0023]将修正后的两个方向的缠绕差分沿相应方向累加作为训练阶段的预测相位φ1(i，j)和φ2(i，j)，根据求得的两个预测相位与真实相位计算损失项，进行反向传播。
[0024]可选的，所述损失项包括监督损失Loss1和非监督损失Loss2：
[0025]ψ
′
1，2
(i，j)＝2k
1，2
(i，j)π+ψ
1，2
(i，j)；
[0026][0027][0028]Loss1＝||φ1(i，j)
‑
Φ(i，j)||1+||φ2(i，j)
‑
Φ(i，j)||1；
[0029]Residues(i，j)＝ψ
′1(i，j)
‑
ψ
′1(i+1，j)+ψ
′2(i，j)
‑
ψ
′2(i，j+1)；
[0030]Loss2＝||Residues||1；
[0031]式中Φ为真实相位，||
·
||1为1
‑
范数；
[0032]k
1，2
(i，j)为神经网络预测的在距离向和方位向上的残数；
[0033]ψ
′
1，2
(i，j)为修正后的距离向与方位向上的差分；
[0034]φ1(i，j)与φ2(i，j)为对修正后距离向与方位向上差分的积分；
[0035]||
·
||1为计算1
‑
范数；
[0036]Residues(i，j)为利用修正后的距离向与方位向的差分计算的相位留数。
[0037]根据本专利技术提供的一种基于神经网络的二维缠绕相位解缠方法，所述利用枝切法进行后续相位解缠包括：
[0038]基于修正后的距离向与方位向上的差分计算留数，
[0039][0040]根据留数设置枝切线；
[0041]由任一点开始沿一条不穿过所述枝切线的路径进行积分操作，直至所有可积分点都进行过积分操作，输出解缠结果。
[0042]本专利技术还提供一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如上述任一种所述基于神经网络的二维缠绕相位解缠方法的步骤。
[0043]本专利技术还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现如上述任一种所述基于神经网络的二维缠绕相位解缠方法的步骤。
[0044]本专利技术提供的一种基于神经网络的二维缠绕相位解缠方法，至少具有如下的技术效果：
[0045](1)通过神经网络进行残数预测后进行相位解缠，其在网络训练时采用连续化松弛，将残数点预测这个分类问题转化为回归问题，使得神经网络具有更好的处理这个离散问题的能力；
[0046](2)在神经网络的训练过程中，利用连续化松弛技术使网络输出的标签具有实际物理意义，以便进行更加复杂的损失函数的构建；基于专用的损失函数，使得网本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于神经网络的二维缠绕相位解缠方法，其特征在于，包括：将待解缠的二维缠绕相位输入训练好的解缠神经网络模型中；根据训练好的解缠神经网络模型预测输入的二维缠绕相位的残数；基于所述残数，分别对缠绕相位图在距离向和方位向上的缠绕差分进行修正；将缠绕相位、修正后的缠绕差分作为枝切法的输入，进行相位解缠，输出解缠结果。2.根据权利要求1所述的一种基于神经网络的二维缠绕相位解缠方法，其特征在于，根据训练好的解缠神经网络模型预测输入的二维缠绕相位的残数，所述残数为：据训练好的解缠神经网络模型预测输入的二维缠绕相位的残数，所述残数为：其中，点(i,j)为缠绕相位中的任一像素点；K1(i,j)与K2(i,j)分别为距离向与方位向上点(i,j)的残数；φ(i,j)为点(i,j)的真实相位，Δ1φ(i,j)与Δ2φ(i,j)分别表示真实相位在距离向与方位向的差分值；ψ1(i,j)与ψ2(i,j)分别表示缠绕相位在距离向和方位向上对差分值取主值操作取得的值。3.根据权利要求1所述的一种基于神经网络的二维缠绕相位解缠方法，其特征在于，所述解缠神经网络模型包括三个输入通道，分别接收二维缠绕相位、距离向的缠绕差分以及方位向的缠绕差分；所述解缠神经网络模型包括6个输出通道，其中3个输出通道输出距离向上的残数，3个通道输出方位向上的残数。4.根据权利要求3所述的一种基于神经网络的二维缠绕相位解缠方法，其特征在于，对所述解缠神经网络模型进行训练，包括：对距离向和方位向的3个输出通道的输出结果分别乘以
‑
1、0、1，并将通道维相加，分别输出距离向和方位向上的残数k1(i,j)和k2(i,j)；将两个残数均与2π相乘后分别与缠绕差分ψ1(i,j)和ψ2(i,j)相加，输出修正后的缠绕差分ψ
′1(i,j)和ψ
′2(i,j)；将修正后的两个方向的缠绕差分沿相应方向累加作为训练阶段的预测相位φ1(i,j)和φ2(i,j)，根据求得的两个预测相位与真实相位计算损失项，进行反向传播。5.根据...

【专利技术属性】
技术研发人员：钟何平，李涵，张鹏，宁明强，张嘉峰，唐劲松，
申请(专利权)人：中国人民解放军海军工程大学，
类型：发明
国别省市：