CN113989642A - 一种基于融合多尺度残差网络的InSAR相位解缠方法 - Google Patents
一种基于融合多尺度残差网络的InSAR相位解缠方法 Download PDFInfo
- Publication number
- CN113989642A CN113989642A CN202111249452.XA CN202111249452A CN113989642A CN 113989642 A CN113989642 A CN 113989642A CN 202111249452 A CN202111249452 A CN 202111249452A CN 113989642 A CN113989642 A CN 113989642A
- Authority
- CN
- China
- Prior art keywords
- phase
- network
- unwrapping
- method based
- input
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Software Systems (AREA)
- Molecular Biology (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种基于融合多尺度残差网络的InSAR相位解缠方法,步骤为:通过训练网络建立缠绕相位和原相位之间的非线性映射关系,得到训练好的权重;通过迭代反向传播,使网络输出的与真实相位相差最小;输入一个干涉图在网络中输出解缠后的图像。通过本发明的方法够有更加精准的得到相位解缠的结果,并相比于传统的解缠方法能够有效的得到解缠结果,能够避开传统的相位梯度导致的解缠误差。通过精准的解缠结果能够反演出正确的高程信息并能够正确的进行形变监测。
Description
技术领域
本发明属于目标检测的技术领域,尤其涉及一种基于融合多尺度残差网络的InSAR相位解缠方法。
背景技术
InSAR技术作为一种高精度、大范围监测的监测手段常被用于监测地质灾害滑坡等自然灾害。相位解缠作为InSAR技术中的重要一步,解缠结果的好坏决定着最后的监测结果和精度。相位解缠技术起源于20世纪60年代,现有的相位解缠技术主要包括两大类,第一是基于路径跟踪的解缠方法例如Goldstein法,质量图法和掩膜切割法,第二种是基于最优化的相位解缠方法例如最小二乘法,最小费用流法,并且逐步产生了以上两种方法的改进,在使用深度学习方法的解缠技术方面,现有的是基于寻找相位梯度的解缠方法主要是在识别相位梯度,找到没有噪声的相位梯度,再通过以上两种算法进行相位解缠。
基于路径跟踪的解缠方法(Goldstein法,质量图法,掩膜切割法),基于路径跟踪的方法是通过相位梯度信息识别和标记干涉图中的残差点,通过在残差点中建立枝切线,防止路径积分穿过枝切线。
其中Goldstein枝切法在建立枝切线时,由于在极性相反的残差点之前任意连接枝切线,所以会出现交叉,过长的现象,会使路径积分不能通过导致最后的解缠结果会出现解缠“孤岛”。
质量图指导法通过相位质量图首先选择像素质量高的点进行解缠,再对质量不好进行解缠,这样可以使解缠误差最小化,但是这种方法会使解缠后的相位发生跳变。
掩膜切割法是利用相位质量图优化枝切线的,通过设置掩膜将枝切线限制在低质量相位区域,放置在高质量相位中出现解缠错误。但是这种方法掩膜生成的不正确会出现解缠结果会在掩膜边界出现条纹。
基于最优化的相位解缠方法(其中包括最小二乘法,最小费用流法)通过根据全局信息估计绝对相位,使其与干涉相位的差值最小化,最终得到解缠结果。
最小二乘法是一种基于优化的方法,通过估计相位梯度,通过全局相位信息估计真实的相位,取其相位主值,使估计的相位主值和缠绕的相位梯度之间的最小二范数最小化,不断地优化得到解缠相位。但是这种方法会使解缠误差全局传递。
最小费用流法是一种图像局部信息和全局信息结合的一种方法,通过把残差点图变成网络节点图,构建网络模型,通过寻找总费用流最少的流实现相位解缠,寻找这种方法相比于前几种方法很好的提高的解缠精度。
由于传统的相位解缠都是基于相位梯度信息来进行相位解缠的,要保证相位的连续性下来进行相位解缠,但是当在实验地区噪声大或地形变化大时,相位梯度信息会被影响,导致最后出现解缠误差。
噪声越大,则生成的残差点越多,当产生的残差点多时会对传统的解缠方法产生影响,最终得到的解缠结果也不准确。这也成为相位解缠待解决的问题。
发明内容
基于以上现有技术的不足,本发明所解决的技术问题在于提供一种基于融合多尺度残差网络的InSAR相位解缠方法,通过多尺度特征融合和残差块提取图像特征并建立干涉图和缠绕图之间的映射关系。
为了解决上述技术问题,本发明通过以下技术方案来实现:
本发明提供一种基于融合多尺度残差网络的InSAR相位解缠方法,包括以下步骤:
步骤1:通过训练网络建立缠绕相位和原相位之间的非线性映射关系,得到训练好的权重;
步骤2:通过迭代反向传播,使网络输出的与真实相位相差最小;
步骤3:输入一个干涉图在网络中输出解缠后的图像。
进一步的,在步骤1中,应用残差网络块的搭建网络来进行训练,增加网络深度更好的保留图像特征并提升网络性能,并通过残差网络起到强化学习效率的作用。
可选的,在步骤2中,利用空洞卷积对包裹的相位图像进行滑动卷积,它通过沿输入方向上下移动滤波器计算权重和输入的点积,然后加上偏差项来对输入进行卷积。
由上,通过本发明的方法够有更加精准的得到相位解缠的结果,并相比于传统的解缠方法能够有效的得到解缠结果,能够避开传统的相位梯度导致的解缠误差。通过精准的解缠结果能够反演出正确的高程信息并能够正确的进行形变监测。
上述说明仅是本发明技术方案的概述,为了能够更清楚了解本发明的技术手段,而可依照说明书的内容予以实施,并且为了让本发明的上述和其他目的、特征和优点能够更明显易懂,以下结合优选实施例,并配合附图,详细说明如下。
附图说明
为了更清楚地说明本发明实施例的技术方案,下面将对实施例的附图作简单地介绍。
图1为本发明的基于融合多尺度残差网络的InSAR相位解缠方法的流程图。
具体实施方式
下面结合附图详细说明本发明的具体实施方式,其作为本说明书的一部分,通过实施例来说明本发明的原理,本发明的其他方面、特征及其优点通过该详细说明将会变得一目了然。在所参照的附图中,不同的图中相同或相似的部件使用相同的附图标号来表示。
本发明采用一种基于深度卷积残差神经网络的相位解缠方法进行相位解缠,对于InSAR相位解缠来说,它和图像的恢复和重构很相似,这是因为:1、干涉图可以看成是被噪声污染的真实相位的观测值,因此它的真实相位的主要值和它们的观测值之间有一定的相似关系;2、由于产生相位图的过程是连续的,所以在图像领域,真实相位被认为是连续的。所以把相位解缠问题转化为回归问题,通过搭建训练卷积神经网络学习缠绕相位和原图相位之间的映射关系。
如图1所示,本发明的基于融合多尺度残差网络的InSAR相位解缠方法通过训练网络建立缠绕相位和原相位之间的非线性映射关系,得到训练好的权重,通过迭代反向传播,使网络输出的与真实相位相差最小,最后实现的效果为输入一个干涉图在网络中输出解缠后的图像。
当网络的宽度和深度增加,能够使网络的性能提高,但是网络简单的进行增加会导致梯度消失或梯度***,模型过拟合等问题,为了解决这个问题使用正则化初始化和中间的正则化层,这样可以使网络训练几十层,但是通过上述方法训练又会出现退化问题,导致训练集上的准确率下降,使网络不能很好的被优化,并随着网络的增加,前向传播的特征图谱包含的图像信息会逐层减少,为了解决退化问题,残差网络使用直接映射来连接网络不同层直接的思想,保证下一层的图像信息一定比上一层的图像信息包含的多。在残差网络作为指导思想的基础下,本发明的网络结构应用残差网络块的搭建网络来进行训练,增加网络深度更好的保留图像特征并提升网络性能并通过残差网络起到了强化学习效率的作用。
利用空洞卷积对包裹的相位图像进行滑动卷积,它通过沿输入方向上下移动滤波器计算权重和输入的点积,然后加上偏差项来对输入进行卷积,膨胀卷积的主要思想是在卷积核的像素之间***“空洞”,在不丢失分辨率的情况下***地聚合多尺度上下文信息。传统的卷积层通过逐次池化和子采样层来整合多尺度的背景信息,降低了分辨率。因此,由于传统网络使用下采样和上采样会对图像信息造成缺失并对相位连续性破坏,造成最后的解缠结构受到影响,因此使用多尺度膨胀卷积代替池化。本发明采用3个不同扩张率的空洞卷积层进行多层次特征提取,在进行特征融合,使图像尺寸不变。卷积核为3x3,扩张率分别为1,2,3。
通过使用批处理归一化(BN)提高了网络训练性能BN层通过一个小批对每个输入特征映射进行归一化,解决在训练过程中,中间层数据分布发生改变的问题,以防止梯度消失或***、加快了网络的训练速度,降低了对网络初始化的敏感性,提升网络的泛化能力。在卷积层统一使用了ReLU激活函数,ReLU对输入BN层的每个元素执行一个阈值操作,其中任何小于0的值都被设为0,其克服了梯度消失的问题,加快了网络训练的速度。ReLU层对输入BN层的每个元素执行一个阈值操作,其中任何小于0的值都被设为0,其优势在于相比于其他的激活函数计算更快,耗时更短,并对过拟合现象起到了良好的抑制作用。
表1训练参数表
训练参数 | 具体定义 |
训练集输入 | 带噪声的缠绕干涉相位图 |
训练集标签 | 无噪声的真实相位图 |
batch_size | 2 |
Epoch | 500 |
Loss | MSELoss |
梯度优化方法 | Adam |
学习速率 | 0.0001 |
表1为网络训练所使用的参数情况,样本输入的图像为带噪声的缠绕相位图,样本标签是光滑未缠绕的原图,在网络训练中,损失函数采用均方损失函数进行记录,MSELoss常用于回归问题,能够使图像与标签之间越来越接近。
以上所述是本发明的优选实施方式而已,当然不能以此来限定本发明之权利范围,应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下,还可以做出若干改进和变动,这些改进和变动也视为本发明的保护范围。
Claims (3)
1.一种基于融合多尺度残差网络的InSAR相位解缠方法,其特征在于,包括以下步骤:
步骤1:通过训练网络建立缠绕相位和原相位之间的非线性映射关系,得到训练好的权重;
步骤2:通过迭代反向传播,使网络输出的与真实相位相差最小;
步骤3:输入一个干涉图在网络中输出解缠后的图像。
2.如权利要求1所述的基于融合多尺度残差网络的InSAR相位解缠方法,其特征在于,在步骤1中,应用残差网络块的搭建网络来进行训练,增加网络深度更好的保留图像特征并提升网络性能,并通过残差网络起到强化学习效率的作用。
3.如权利要求1所述的基于融合多尺度残差网络的InSAR相位解缠方法,其特征在于,在步骤2中,利用空洞卷积对包裹的相位图像进行滑动卷积,它通过沿输入方向上下移动滤波器计算权重和输入的点积,然后加上偏差项来对输入进行卷积。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111249452.XA CN113989642A (zh) | 2021-10-26 | 2021-10-26 | 一种基于融合多尺度残差网络的InSAR相位解缠方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111249452.XA CN113989642A (zh) | 2021-10-26 | 2021-10-26 | 一种基于融合多尺度残差网络的InSAR相位解缠方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113989642A true CN113989642A (zh) | 2022-01-28 |
Family
ID=79741825
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111249452.XA Pending CN113989642A (zh) | 2021-10-26 | 2021-10-26 | 一种基于融合多尺度残差网络的InSAR相位解缠方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113989642A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116224327A (zh) * | 2023-02-20 | 2023-06-06 | 中国矿业大学 | 一种基于学习网络的矿区大梯度形变区相位解缠方法 |
-
2021
- 2021-10-26 CN CN202111249452.XA patent/CN113989642A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116224327A (zh) * | 2023-02-20 | 2023-06-06 | 中国矿业大学 | 一种基于学习网络的矿区大梯度形变区相位解缠方法 |
CN116224327B (zh) * | 2023-02-20 | 2023-08-01 | 中国矿业大学 | 一种基于学习网络的矿区大梯度形变区相位解缠方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111047551B (zh) | 一种基于U-net改进算法的遥感影像变化检测方法及*** | |
CN109299274B (zh) | 一种基于全卷积神经网络的自然场景文本检测方法 | |
Henry et al. | Road segmentation in SAR satellite images with deep fully convolutional neural networks | |
CN107609525B (zh) | 基于剪枝策略构建卷积神经网络的遥感图像目标检测方法 | |
CN111640159B (zh) | 一种基于孪生卷积神经网络的遥感影像变化检测方法 | |
KR102144706B1 (ko) | 합성곱 신경망 기반의 도로 검출 장치 및 방법 | |
CN111461212A (zh) | 一种用于点云目标检测模型的压缩方法 | |
CN111582093A (zh) | 一种基于计算机视觉和深度学习的高分辨率图像中小目标自动检测方法 | |
CN111581568B (zh) | 一种网页端人物换背景的方法 | |
Zhong et al. | NT-Net: A semantic segmentation network for extracting lake water bodies from optical remote sensing images based on transformer | |
CN112489023A (zh) | 一种基于多尺度和多层次的路面裂缝检测方法 | |
CN115830471A (zh) | 一种多尺度特征融合和对齐的域自适应云检测方法 | |
CN114897738A (zh) | 一种基于语义不一致性检测的图像盲修复方法 | |
CN113989642A (zh) | 一种基于融合多尺度残差网络的InSAR相位解缠方法 | |
CN114913599A (zh) | 基于自动编码器的视频异常行为检测方法及*** | |
CN112529065A (zh) | 一种基于特征对齐和关键点辅助激励的目标检测方法 | |
CN115984747A (zh) | 一种基于动态滤波器的视频显著性目标检测方法 | |
CN111968155A (zh) | 一种基于分割目标掩模更新模板的目标跟踪方法 | |
CN116030396A (zh) | 一种用于视频结构化提取的精确分割方法 | |
CN114037948B (zh) | 基于迁移主动学习的车载道路点云要素矢量化方法与装置 | |
CN112597996B (zh) | 基于任务驱动的自然场景中交通标志显著性检测方法 | |
CN111181574A (zh) | 一种基于多层特征融合的端点检测方法、装置以及设备 | |
CN116385915A (zh) | 一种基于时空信息融合的水面漂浮物目标检测与跟踪方法 | |
Wang et al. | Tunnel lining crack recognition based on improved multiscale retinex and sobel edge detection | |
CN114512052A (zh) | 融合遥感影像和轨迹数据的分歧合流路口生成方法及装置 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination |