基于深度卷积神经网络优化的InSAR相位解缠方法、装置及存储介质制造方法及图纸

本公开涉及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，方法包括构建训练数据集，包括随机生成的图像和随机生成的高斯图像；基于得到的训练数据集对ResNet网络训练；通过优化器和损失函数矫正ResNet网络预测出的结果；将InSAR实测数据干涉图输入到经测试的神经网络模型中得到解缠出的真实相位。通过本公开的各实施例，在相位解缠中具有更高的精度和鲁棒性、抗噪性能更好。抗噪性能更好。抗噪性能更好。

【技术实现步骤摘要】
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


[0001]本公开涉及合成孔径雷达干涉测量
，具体涉及一种基于深度卷积神经网络优化的InSAR相位解缠方法、基于深度卷积神经网络优化的InSAR相位解缠装置及计算机可读存储介质。

技术介绍

[0002]InSAR(干涉雷达)测量技术是一种利用合成孔径雷达(SAR)数据进行地表变形和高程测量的遥感技术，它通过比较两个或多个雷达图像的相位差异来获取地表目标的信息。从干涉图的“包裹相位”估计地面“真实相位”的问题被称为“相位解缠”。现有的相位解缠方法对相位连续性假设依赖性高、抗噪性能差、鲁棒性低。

技术实现思路

[0003]本公开意图提供一种基于深度卷积神经网络优化的InSAR相位解缠方法、基于深度卷积神经网络优化的InSAR相位解缠装置及计算机可读存储介质，在相位解缠中具有更高的精度和鲁棒性、抗噪性能更好。
[0004]根据本公开的方案之一，提供一种基于深度卷积神经网络优化的InSAR相位解缠方法，包括：
[0005]构建训练数据集，包括随机生成的图像和随机生成的高斯图像；
[0006]基于得到的训练数据集对ResNet网络训练；
[0007]通过优化器和损失函数矫正ResNet网络预测出的结果；
[0008]将InSAR实测数据干涉图输入到经测试的神经网络模型中得到解缠出的真实相位。
[0009]在一些实施例中，其中，构建训练数据集，包括：
[0010]通过随机生成矩阵，经缩放和强度变换得到不同大小和强度的像素块；或者通过生成一定数量的随机高斯分布，随机选取通道位置后组合成一幅图像；
[0011]生成由这些图像组成的数据集。
[0012]在一些实施例中，其中，随机生成图像，包括：
[0013]生成一个大小为基础尺寸的随机二维数组；
[0014]将其缩放为大小为最终尺寸的数组；
[0015]乘以一个随机的系数，将其最小值归零；
[0016]随机生成高斯图像，包括：
[0017]生成二维全零数组；
[0018]创建预设范围和预设步长为的一维数组；
[0019]生成网格矩阵用于表示图像的横纵坐标，使用坐标网格计算高斯分布的数值并将其累加到二维全零数组上；
[0020]循环适当次数，每次生成一个高斯分布，然后在这个数组上加上多个高斯分布，每个高斯分布由随机的方差、随机的平移量、随机的幅值组成，直至将数组的最小值归零；
[0021]生成由这些图像组成的数据集，包括：
[0022]通过循环交叉生成随机的基于数组的图像和由多个高斯分布组成的图像，以构建训练数据集。
[0023]在一些实施例中，其中，基于得到的训练数据集对ResNet网络训练，包括：
[0024]将输入特征通过一系列卷积层、批归一化层和激活函数得到残差函数；
[0025]将残差函数输入特征按元素相加得到期望输出。
[0026]在一些实施例中，其中，优化器的配置方式，包括：
[0027]在Adam优化器的基础上引入动量修正项；
[0028]通过动量修正后更新方程得到优化器。
[0029]在一些实施例中，其中，测试神经网络模型，包括：
[0030]将生成的测试集输入到已训练好的神经网络模型中得到解缠出的真实相位；
[0031]设定缠绕相位图像的范围线性映射的范围；
[0032]分别取不同水平的高斯噪声、盐胡椒噪声和乘性噪声加到缠绕的相位图像上，线性映射回与输入相同的范围；
[0033]使用ResNet网络和引入了动量修正项的自适应矩估计的模型对带噪声的相位图像进行解缠。
[0034]在一些实施例中，其中，将InSAR实测数据干涉图输入到经测试的神经网络模型中得到解缠出的真实相位，包括：
[0035]采用ResNet网络和引入了动量修正项的自适应矩估计的模型对InSAR实测数据干涉图进行解缠处理，获得干涉图的解缠结果。
[0036]在一些实施例中，其中，所述ResNet网络至少配置为ResNET
‑
18网络，并且基于不同的通道数和模块里的残差块数得到相应的ResNet模型。
[0037]根据本公开的方案之一，提供一种基于深度卷积神经网络优化的InSAR相位解缠装置，包括：
[0038]构建模块，其配置为构建训练数据集；
[0039]训练模块，其配置为基于得到的训练数据集对ResNet网络训练；
[0040]矫正模块，其配置为通过优化器和损失函数矫正ResNet网络预测出的结果；
[0041]相位解缠模块，其配置为将InSAR实测数据干涉图输入到经测试的神经网络模型中得到解缠出的真实相位。
[0042]根据本公开的方案之一，提供计算机可读存储介质，其上存储有计算机可执行指令，所述计算机可执行指令由处理器执行时，实现：
[0043]根据上述的基于深度卷积神经网络优化的InSAR相位解缠方法。
[0044]本公开的各种实施例的基于深度卷积神经网络优化的InSAR相位解缠方法、基于深度卷积神经网络优化的InSAR相位解缠装置及计算机可读存储介质，至少构建训练数据集，包括随机生成的图像和随机生成的高斯图像；基于得到的训练数据集对ResNet网络训练；通过优化器和损失函数矫正ResNet网络预测出的结果；将InSAR实测数据干涉图输入到经测试的神经网络模型中得到解缠出的真实相位，旨在获得高效、精确的解缠结果，恢复出
正确的相位，从而获得精确的地表形变反演结果，提出了一种基于深度卷积神经网络优化的InSAR相位解缠方法，代替传统相位解缠方法，实现精确预测输入数据的真实相位，再利用改进后的自适应矩估计算法和损失函数对神经网络计算结果进行校正，最终得到准确的真实相位数据。本公开各实施例所提出的方法比传统算法具有更高的精度和鲁棒性、抗噪性能更好。
[0045]应当理解，前面的大体描述以及后续的详细描述只是示例性的和说明性的，并非对所要求保护的本公开的限制。
附图说明
[0046]在未必按照比例绘制的附图中，不同视图中相似的附图标记可以表示相似的构件。具有字母后缀的相似附图标记或具有不同字母后缀的相似附图标记可以表示相似构件的不同实例。附图通常作为示例而非限制地图示各种实施例，并且与说明书和权利要求书一起用于解释所公开的实施例。
[0047]图1示出了本公开实施例的基于深度卷积神经网络优化的InSAR相位解缠方法的一种流程图；
[0048]图2示出了本公开实施例的基于深度卷积神经网络优化的InSAR相位解缠方法的一种实施步骤示意图；
[0049]图3示出了本公开实施例的ResNet网络中的两种残差块的示意图；
[0050]图4示出了本公开实施例的ResNET
‑
18网络结构的示意图；
[0051]图5示出了理想状本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于深度卷积神经网络优化的InSAR相位解缠方法，包括：构建训练数据集，包括随机生成的图像和随机生成的高斯图像；基于得到的训练数据集对ResNet网络训练；通过优化器和损失函数矫正ResNet网络预测出的结果；将InSAR实测数据干涉图输入到经测试的神经网络模型中得到解缠出的真实相位。2.根据权利要求1所述的方法，其中，构建训练数据集，包括：通过随机生成矩阵，经缩放和强度变换得到不同大小和强度的像素块；或者通过生成一定数量的随机高斯分布，随机选取通道位置后组合成一幅图像；生成由这些图像组成的数据集。3.根据权利要求2所述的方法，其中，随机生成图像，包括：生成一个大小为基础尺寸的随机二维数组；将其缩放为大小为最终尺寸的数组；乘以一个随机的系数，将其最小值归零；随机生成高斯图像，包括：生成二维全零数组；创建预设范围和预设步长为的一维数组；生成网格矩阵用于表示图像的横纵坐标，使用坐标网格计算高斯分布的数值并将其累加到二维全零数组上；循环适当次数，每次生成一个高斯分布，然后在这个数组上加上多个高斯分布，每个高斯分布由随机的方差、随机的平移量、随机的幅值组成，直至将数组的最小值归零；生成由这些图像组成的数据集，包括：通过循环交叉生成随机的基于数组的图像和由多个高斯分布组成的图像，以构建训练数据集。4.根据权利要求3所述的方法，其中，基于得到的训练数据集对ResNet网络训练，包括：将输入特征通过一系列卷积层、批归一化层和激活函数得到残差函数；将残差函数输入特征按元素相加得到期望输出。5.根据权利要求4所述的方法，其中，优化器的配置方式，包括：在Adam优化...

【专利技术属性】
技术研发人员：陈月娟，丁聪，黄平平，乞耀龙，谭维贤，徐伟，杜思艾，
申请(专利权)人：内蒙古工业大学，
类型：发明
国别省市：