一种基于深度学习的永久散射体点选取方法技术

本发明专利技术提供一种基于深度学习的永久散射体点选取方法，基于永久散射体在时序上表现为长时间的散射特性稳定，在空间上则往往与周围的像素点表现出不同的散射特性的特点，本发明专利技术利用3D U‑net结构提取时序SAR图像的空间特征，利用CLSTM结构提取时序SAR图像的时序特征，对永久散射体特征的考虑更为全面；同时，本发明专利技术使用端到端的神经网络进行永久散射体的选取，处理过程中特征的提取和网络参数的选择均由网络自行完成，整个过程不需要人为操作，不会引入研究者主观因素的影响，不仅提高了选点的准确度，还更为有效的平衡了选点结果的质量和数量。

【技术实现步骤摘要】

本专利技术属于永久散射体合成孔径雷达干涉测量，尤其涉及一种基于深度学习的永久散射体点选取方法。

技术介绍

1、永久散射体合成孔径雷达干涉测量(persistent scatterer interferometricsynthetic aperture radar,ps-insar)技术是差分合成孔径雷达干涉测量(differentialinterferometric synthetic aperture radar,d-insar)技术的改进。在进行形变反演时，该项技术仅关注在时间序列上散射特性稳定的像素点，即永久散射体(ps)点。因此，相较于d-insar技术，ps-insar技术受到时间和空间失相干的影响更小，可以适用于长期形变监测。目前，ps-insar技术已经被广泛应用于地面沉降监测领域。

2、ps点选取是ps-insar技术的关键步骤之一，选点的质量和数量会对形变反演精度产生明显的影响。目前的ps选点方法主要有基于振幅的选点方法，基于相位的选点方法以及将振幅与相位相结合的选点方法三种。基于振幅的方法利用振幅信息的统计特性表征时间序列图本文档来自技高网...

【技术保护点】

1.一种基于深度学习的永久散射体点选取方法，其特征在于，采用训练好的3D U-net结构提取待测时序SAR图像的空间特征，得到空间特征图；采用训练好的CLSTM结构提取空间特征图的时序特征，并根据时序特征确定待测时序SAR图像上各像素点为永久散射体的概率，将概率大于设定阈值的像素点选取为永久散射体。

2.如权利要求1所述的一种基于深度学习的永久散射体点选取方法，其特征在于，3DU-net结构和CLSTM结构联合训练，且联合训练方法为：

3.如权利要求2所述的一种基于深度学习的永久散射体点选取方法，其特征在于，将样本图像的实部和虚部分别存储为大小为(2，L，W，T)...

【技术特征摘要】

1.一种基于深度学习的永久散射体点选取方法，其特征在于，采用训练好的3d u-net结构提取待测时序sar图像的空间特征，得到空间特征图；采用训练好的clstm结构提取空间特征图的时序特征，并根据时序特征确定待测时序sar图像上各像素点为永久散射体的概率，将概率大于设定阈值的像素点选取为永久散射体。

2.如权利要求1所述的一种基于深度学习的永久散射体点选取方法，其特征在于，3du-net结构和clstm结构联合训练，且联合训练方法为：

3.如权利要求2所述的一种基于深度学习的永久散射体点选取方法，其特征在于，将样本图像的实部和虚部分别存储为大小为(2，l，w，t)的四维矩阵，再以四维矩阵的形式输入3d u-net结构，其中，2对应实部和虚部两个维度，l和w分别对应时序sar图像中每一景图像的长度和宽度，t为时序sar图像的景数。

4.如权利要求1所述的一种基于深度学习的永久散射体点选取方法，其特征在于，所述3d u-net结构包括编码路、解码路、卷积路，...

【专利技术属性】
技术研发人员：丁泽刚，李根，胡子浛，王一帆，董泽华，
申请(专利权)人：北京理工大学，
类型：发明
国别省市：