【技术实现步骤摘要】
本专利技术涉及干涉合成孔径雷达(insar)相位滤波，具体涉及到一种加权mae训练的cnn神经网络insar相位滤波方法。
技术介绍
1、insar是一种利用卫星雷达成像相位差来获取地表形变信息的技术。而为了提高相位图的质量，需要采用有效的相位滤波技术来抑制信号噪声。一般相位滤波方法可以分为三类：空域滤波、变换域滤波和非局部滤波。空域方法包括pivoting中值滤波和lee滤波等算法。这些算法通过对相邻像素进行线性或非线性运算，以实现平滑和去噪处理。变换域方法利用傅里叶变换将相位图从空域转换到频域，其中goldstein filter是最经典的滤波方法之一。非局部方法包括nl-insar和insar-bm3d，它们可以通过自适应地调整滤波参数来获得更精确的滤波结果。虽然变换域方法在噪声抑制方面表现出较强的能力，但空域方法在保持相位细节和精度方面更为优秀。相反，非局部方法具有更强的适应性，但其计算花费的时间较长。总之，这些方法各自具有独特的特点，使得它们在不同的实际应用领域中发挥着重要的作用。
2、在近年来的研究中，许多学者尝试将深度学习应用于相位滤波，并将其视为回归问题。已经有许多研究表明常见的分割和分类网络如u-net和resnet，可以有效地用于解决这个问题。这些网络具有强大的特征提取和学习能力，它们可以学习缠绕相位的特征并准确地预测和恢复图像的相位信息。经实验，这些网络已被证明是解决相位滤波回归问题的强有力的工具。然而，对于相位滤波而言，保留相位条纹是至关重要的。以前的研究中并未提出一种适用的损失函数用于增加边
技术实现思路
1、本专利技术要解决的技术问题在于，针对现有方案存在的缺陷，例如：现有的研究对合成孔径雷达(insar)数据处理中的相位滤波没有提出一种损失函数来增加条纹区域的权重，而相位滤波中的主要任务是尽可能地保留条纹，这可能会导致网络没有足够的关注并且无法产生更好的滤波结果。所以提出了fs-net神经网络并使用加权损失函数对其训练，并通过大量数据测试验证其有效性。
2、基于上述目标，本专利技术提供的一种加权mae训练的cnn神经网络insar相位滤波方法，其特征在于，包括：
3、(1)提出fs-net网络模型，该模型的组成主要包括六个部分：输入层、空洞卷积层、残差块层、批量归一化层、修正线性单元层、输出层；
4、(2)在(1)所提出的模型中使用加权mae损失函数进行训练；
5、(3)对fs-net网络模型的输入和输出分别进行归一化和反归一化处理；
6、(4)输入模拟和真实缠绕相位图进行性能测试；
7、可选的，(1)中：
8、所述的fs-net网络模型各个部分组成描述如下：
9、输入层是利用卷积对图像进行特征提取，特征提取由一个3×3的卷积层完成。输入单通道的缠绕相位图，输出64个特征层。并使用relu激活函数引入非线性，对特征图进行非线性建模以提高网络的性能和精度。这些特征图包含了缠绕相位图中的各种特征，如边缘、纹理、形状等。
10、空洞卷积层对输入层得到的特征层进行多尺度特征提取。空洞卷积层包含三种卷积核，每个卷积核具有不同的空洞卷积率(1、2和3)，可以提取不同感受野尺寸的特征。空洞卷积层可以增加网络的感受野，从而提高网络对于图像中不同尺度特征的识别能力，帮助网络更好地捕捉缠绕相位图中的多尺度特征。
11、残差块层中，包含了跳跃连接，可以有效地缓解梯度消失问题，加速网络训练，每个残差块包含一个卷积层，卷积核大小为3×3，用于特征信息的恢复。残差块层可以通过跳跃连接，将输入信息直接传递到输出，从而避免了信息的丢失和扭曲，提高了网络的性能和精度。
12、在上述空洞卷积层和残差块层中，每个卷积层后都有一个批量归一化(bn)层用于纠正分布极端的数据，加速网络训练过程。在每个bn层之后都存在一个修正线性单元(relu)，其具有简单、快速、有效的特点，可以有效地提高神经网络的性能和精度。
13、输出层由一个sigmoid函数组成，可以保证网络输出范围与归一化的缠绕相位相同。缠绕相位信息在-π到π范围内取值，通过归一化，将缠绕相位值域映射到0到1之间的范围内。通过反归一化，能够将网络的输出转换为最终的滤波结果。
14、可选的，(2)中：
15、所述的加权mae损失函数由两个部分组成：mae和wp，表达式为：
16、
17、其中，mae是平均绝对误差权重，是一种计算预测误差平均幅度的统计方法，用于衡量预测值与真实值之间的平均绝对误差，常用于回归任务。它的表达式为：
18、
19、其中，n表示样本总数，是缠绕相位的标签，yi表示fs-net网络产生的输出。
20、干涉条纹产生的地方是-π到π或者π到-π，通过观察发现，在一张缠绕相位图中，如果像素点的值越靠近-π或π，这个像素点就往往越靠近干涉条纹边缘，所以根据像素的数值来一定程度上估计这个像素是否位于干涉条纹附近。加权mae损失函数增加了条纹边缘像素点对总损失的贡献，使得网络重点关注条纹区域像素。
21、wp表达式为：
22、
23、其中，wp是基于无噪缠绕相位计算的，用于估计像素点的权重值。为无噪的缠绕相位，n为衰减因子。随着距条纹距离的增加，n值越高，同样的像素值，像素权重越小，在训练中设置n等于2。
24、可选的，(2)中：
25、fs-net网络输入为不同噪声程度的缠绕相位图，标签为无噪缠绕相位图，数据集基于n.goodman信号模型制作，损失函数为上述加权mae，优化器使用自适应矩估计。设置训练总轮数为20，学习率为1×10-4，对模型进行训练。通过不断计算网络输出与标签的损失，反向传播求梯度，更新权重，完成fs-net神经网络的训练。
26、可选的，(3)中，因为使用sigmoid层用作输出层来限制输出范围，网络的输出值落在0和1之间，但训练数据集的值域范围为-π到π。为了解决这个问题，使用线性变换来归一化数据集，确保数据集值域范围与网络的输出范围一致。归一化与反归一化规则如下：
27、
28、φ＝2π(φn-0.5) (5)
29、上式中，φn是归一化相位，其值域范围在0到1。φ是值域在-π到π之间的缠绕相位。
30、可选的，(4)中，
31、测试了不同相干系数的模拟数据和意大利etna火山的真实数据来评估fs-net神经网络在insar相位滤波的有效性。结果表明，一种加权mae训练的cnn神经网络insar相位滤波方本文档来自技高网...
【技术保护点】
1.一种加权MAE训练的CNN神经网络InSAR相位滤波方法，其特征在于，包括如下步骤：
2.根据权利要求1所述的加权MAE训练的CNN神经网络InSAR相位滤波方法，其特征在于，步骤(1)中：
3.根据权利要求1所述的加权MAE训练的CNN神经网络InSAR相位滤波方法，其特征在于，步骤(2)中，所述加权MAE损失函数由MAE和Wp组成，表达式为：
4.根据权利要求1所述的加权MAE训练的CNN神经网络InSAR相位滤波方法，其特征在于，步骤(2)中，所述训练：
5.根据权利要求1所述的加权MAE训练的CNN神经网络InSAR相位滤波方法，其特征在于，步骤(3)中：
【技术特征摘要】
1.一种加权mae训练的cnn神经网络insar相位滤波方法，其特征在于，包括如下步骤：
2.根据权利要求1所述的加权mae训练的cnn神经网络insar相位滤波方法，其特征在于，步骤(1)中：
3.根据权利要求1所述的加权mae训练的cnn神经网络insar相位滤波方法，其特征在于，步...
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。