CN116224327B - 一种基于学习网络的矿区大梯度形变区相位解缠方法 - Google Patents

一种基于学习网络的矿区大梯度形变区相位解缠方法 Download PDF

Info

Publication number
CN116224327B
CN116224327B CN202310137503.2A CN202310137503A CN116224327B CN 116224327 B CN116224327 B CN 116224327B CN 202310137503 A CN202310137503 A CN 202310137503A CN 116224327 B CN116224327 B CN 116224327B
Authority
CN
China
Prior art keywords
phase
network
unwrapping
training
phase unwrapping
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.)
Active
Application number
CN202310137503.2A
Other languages
English (en)
Other versions
CN116224327A (zh
Inventor
高延东
阎超
李世金
郑南山
张书毕
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
China University of Mining and Technology CUMT
Original Assignee
China University of Mining and Technology CUMT
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by China University of Mining and Technology CUMT filed Critical China University of Mining and Technology CUMT
Priority to CN202310137503.2A priority Critical patent/CN116224327B/zh
Publication of CN116224327A publication Critical patent/CN116224327A/zh
Application granted granted Critical
Publication of CN116224327B publication Critical patent/CN116224327B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
    • G01S13/00—Systems using the reflection or reradiation of radio waves, e.g. radar systems; Analogous systems using reflection or reradiation of waves whose nature or wavelength is irrelevant or unspecified
    • G01S13/88—Radar or analogous systems specially adapted for specific applications
    • G01S13/885—Radar or analogous systems specially adapted for specific applications for ground probing
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
    • G01C5/00—Measuring height; Measuring distances transverse to line of sight; Levelling between separated points; Surveyors' levels
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
    • G01S13/00—Systems using the reflection or reradiation of radio waves, e.g. radar systems; Analogous systems using reflection or reradiation of waves whose nature or wavelength is irrelevant or unspecified
    • G01S13/88—Radar or analogous systems specially adapted for specific applications
    • G01S13/89—Radar or analogous systems specially adapted for specific applications for mapping or imaging
    • G01S13/90—Radar or analogous systems specially adapted for specific applications for mapping or imaging using synthetic aperture techniques, e.g. synthetic aperture radar [SAR] techniques
    • G01S13/904—SAR modes
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
    • G01S13/00—Systems using the reflection or reradiation of radio waves, e.g. radar systems; Analogous systems using reflection or reradiation of waves whose nature or wavelength is irrelevant or unspecified
    • G01S13/88—Radar or analogous systems specially adapted for specific applications
    • G01S13/89—Radar or analogous systems specially adapted for specific applications for mapping or imaging
    • G01S13/90—Radar or analogous systems specially adapted for specific applications for mapping or imaging using synthetic aperture techniques, e.g. synthetic aperture radar [SAR] techniques
    • G01S13/9094—Theoretical aspects
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T90/00—Enabling technologies or technologies with a potential or indirect contribution to GHG emissions mitigation

Landscapes

  • Engineering & Computer Science (AREA)
  • Remote Sensing (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Physics & Mathematics (AREA)
  • Electromagnetism (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了一种基于学习网络的矿区大梯度形变区相位解缠方法，属于合成孔径雷达干涉数据处理领域，包括以下步骤：基于U‑Net网络和SegNet网络构建多模型融合相位解缠网络；基于矿区的开采沉陷形变特征，获得模拟缠绕干涉图，并对所述模拟缠绕干涉图进行处理，获得滤波后的模拟缠绕干涉相位和对应的相位模糊系数；基于所述滤波后的模拟缠绕干涉相位和对应的相位模糊系数训练所述多模型融合相位解缠网络；基于训练后的多模型融合相位解缠网络，获得沉陷形变区的解缠相位值。本发明能够解决开采沉陷大梯度变化区域解缠精度低的问题，有效提高相位解缠精度。

Description

一种基于学习网络的矿区大梯度形变区相位解缠方法
技术领域
本发明属于合成孔径雷达干涉数据处理领域，特别是涉及一种基于学习网络的矿区大梯度形变区相位解缠方法。
背景技术
干涉合成孔径雷达(Interferometric Synthetic Aperture Radar,InSAR)已广泛应用于数字高程模型生成、城市地表形变监测和煤矿沉陷监测。煤矿开采沉陷监测对煤矿安全生产具有重要的意义。差分InSAR(Differential InSAR,DInSAR)是一种有效的煤矿沉陷监测方法。DInSAR利用雷达卫星获取同一监测区域在两个不同时间的相位，然后进行差分干涉得到形变信息。DInSAR能准确地获取采煤沉陷的微小形变，因此该技术在煤矿沉陷监测中得到了广泛应用。然而，由于采煤条件的复杂性，使得DInSAR在监测过程存在诸多瓶颈问题。大梯度形变区域的获取已成为DInSAR在沉陷监测中的关键问题之一，大梯度沉陷形变会导致干涉相位条纹将非常密集，甚至会出现干涉条纹混叠的现象，这会影响相位解缠精度，甚至导致相位解缠失败。众所周知，相位解缠是DInSAR数据处理的关键步骤之一，解缠结果的准确性将直接影响到形变量的获取精度。然而，在许多煤矿开采沉陷监测过程中，DInSAR只能获得沉陷区边缘的形变。采煤沉陷中心的形变难以得到。其主要原因是沉降中心的形变梯度变化较大，相位解缠在该区域难以取得理想的效果。从而影响了采煤沉陷中心的形变提取。
煤矿开采沉陷中大梯度形变的提取不仅是研究的重点，也是研究的难点。已有研究表明，相位解缠是影响开采沉陷中大梯度形变提取的关键因素。相位解缠可以分为两类。第一类是以枝切法、质量图法和最小不连续法为代表的径跟踪法，这一类方法属于局部优化相位解缠方法；另一种是以最小费用流、最小范数和统计费用网络流为代表的基于优化的相位解缠方法，这一类属于全局优化相位解缠方法；这些方法已经得到了广泛的应用。但由于相位连续性假设的限制，在煤矿沉陷大梯度形变区域难以获得准确的相位解缠结果。近年来，有深度学习在煤矿沉陷大梯度形变提取的相关研究，特别是相位解缠问题，然而，在大梯度沉降形变的情况下，仍不可能得到理想的结果。因此，亟需提出一种基于多模型融合相位解缠网络(MMPhu-Net)的矿区大梯度形变区相位解缠方法，在开采沉陷中心形变区域获取高精度的相位解缠结果。
发明内容
本发明的目的是提供一种基于学习网络的矿区大梯度形变区相位解缠方法，有效的提高相位解缠精度，以解决上述现有技术存在的问题。
为实现上述目的，本发明提供了一种基于学习网络的矿区大梯度形变区相位解缠方法，包括以下步骤：
基于U-Net网络和SegNet网络构建多模型融合相位解缠网络；
基于矿区的开采沉陷形变特征，获得模拟缠绕干涉图，并对所述模拟缠绕干涉图进行处理，获得滤波后的模拟缠绕干涉相位和对应的相位模糊系数；
基于所述滤波后的模拟缠绕干涉相位和对应的相位模糊系数训练所述多模型融合相位解缠网络；
基于训练后的多模型融合相位解缠网络，获得沉陷形变区的解缠相位值。
可选地，构建多模型融合相位解缠网络的过程包括：基于自适应提升算法将U-Net网络和SegNet网络进行模型融合，获得融合过程中每轮训练的错误率；基于所述错误率，获得充分匹配系数；基于所述充分匹配系数更新所述U-Net网络和SegNet网络的模型权重，继续下一轮训练，直至获得预设的模型权重，进而获得多模型融合相位解缠网络。
可选地，获得滤波后的模拟缠绕干涉相位和对应的相位模糊系数的过程包括：将超几何噪声添加到所述模拟缠绕干涉图中，并基于滤波方法对加噪后的模拟缠绕干涉图进行滤波处理，获得滤波后的模拟缠绕干涉相位；基于未加噪的模拟缠绕干涉图，获得对应的相位模糊系数。
可选地，基于所述滤波后的模拟缠绕干涉相位和对应的相位模糊系数，训练所述多模型融合相位解缠网络的过程包括：将矿区不同形变区域滤波后的模拟缠绕干涉相位作为输入数据样本，对应的相位模糊系数作为输出数据标签，构成训练数据集；对所述训练数据集进行裁剪和数据增强的处理，基于处理后的训练数据集对所述多模型融合相位解缠网络进行训练，并对训练结果进行优化处理，进而获得训练后的多模型融合相位解缠网络。
可选地，对训练结果进行优化处理的过程包括：获取待检测图像，将所述待检测图像进行旋转和加噪的处理，获得若干个增强数据；将所述增强数据与原始的待检测图像输入到所述多模型融合相位解缠网络中进行处理，输出对应的特征概率图并进行反演，获得所述待检测图像的图像平面坐标；对所有的特征概率图进行求和平均，获得检测结果；将原始的待检测图像与检测结果输入到条件随机场中，基于能量函数对检测结果进行修正优化。
可选地，基于训练后的多模型融合相位解缠网络，获取沉陷形变区的解缠相位值的过程包括：将沉陷形变区的真实缠绕干涉图输入到所述训练后的多模型融合相位解缠网络中，获得对应的真实数据的相位模糊系数；基于所述真实数据的相位模糊系数，获得真实数据的解缠相位值。
可选地，获得真实数据的解缠相位后还包括：结合小窗口中值滤波对获得的真实数据的解缠相位值进行纠正处理，获得最终的解缠相位值。
本发明的技术效果为：
本发明通过构建多模型融合相位解缠网络，并结合不同开采沉陷形变干涉图对多模型融合相位解缠网络模型进行训练；通过训练好的多模型融合相位解缠网络模型得到形变区域的相位模糊系数，根据缠绕相位与解缠相位的关系得到解缠相位，并采用小窗口中值滤波对解缠相位进行误差纠正，得到最终解缠相位。与已有的其它常规解缠方法相比，本发明可以获得更准确的解缠结果，特别是在开采沉陷形变的中心区域，针对大面积形变区域及形变中心区域也能取得理想的解缠效果，有效的提高了最终形变产品的解缠结果精度。
附图说明
构成本申请的一部分的附图用来提供对本申请的进一步理解，本申请的示意性实施例及其说明用于解释本申请，并不构成对本申请的不当限定。在附图中：
图1为本发明实施例中的基于学习网络的矿区大梯度形变区相位解缠方法流程图；
图2为本发明实施例中的U-Net网络和SegNet网络结构示意图，其中，(a)为U-Net网络结构示意图，(b)为SegNet网络结构示意图；
图3为本发明实施例中的训练模型所用的部分模拟开采沉陷形变数据；
图4为本发明实施例中的方法整体示意图；
图5为本发明实施例中的模拟干涉相位数据示意图，其中，(a)为模拟DInSAR矿山开采沉陷形变数据示意图，(b)为无噪声的模拟干涉相位示意图，(c)加噪声的干涉相位示意图，(d)为滤波后的干涉相位示意图，(e)为用Branch-cut方法对图5(d)的解缠结果示意图，(f)为用MCF方法图5(d)的解缠结果示意图，(g)为用PUMA方法对图5(d)的解缠结果示意图，(h)为用MMPhU-Net对图5(d)的解缠结果示意图，(i)为图5(e)与图5(a)的误差分布示意图，(j)为图5(f)与图5(a)的误差分布示意图，(k)为图5(g)与图5(a)的误差分布示意图，(l)为图5(h)与图5(a)的误差分布示意图；
图6为本发明实施例中的真实开采沉陷形变干涉相位数据示意图，其中，(a)为真实的GF-3SAR开采沉陷形变干涉图，(b)为滤波后的干涉相位示意图，(c)为用Branch-cut对图6(b)的解缠结果示意图，(d)为用MCF对图6(b)的解缠结果示意图，(e)为用PUMA对图6(b)的解缠结果示意图，(f)为用MMPhU-Net对图6(b)的解缠结果示意图，(g)为Branch-cut解缠结果形变中心区域放大显示图，(h)为MCF解缠结果形变中心区域放大显示图，(i)为PUMA解缠结果形变中心区域放大显示图，(j)为MMPhU-Net解缠结果形变中心区域放大显示图；
图7为本发明实施例中的对角线截距的折线示意图。
具体实施方式
需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本申请。
需要说明的是，在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机***中执行，并且，虽然在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤。
实施例一
如图1所示，本实施例中提供一种基于学习网络的矿区大梯度形变区相位解缠方法，具体包括以下步骤：
步骤S1，以U-Net和SegNet为基础模型构建多模型融合相位解缠网络(MMPhu-Net)；
本实施例以U-Net和SegNet网络作为基本模型，采用自适应提升算法(Adboosting)方法进行模型融合得到MMPhU-Net网络模型，如图2所示，使检测结果结合了多个基本模型的优点，提高整体精度，同时加快模型的收敛速度。构建MMPhu-Net模型方法为：
使用Adboosting算法实现U-Net模型和SegNet模型的融合，每轮训练的错误率Errm由下式计算，
其中N是基本模型的数量(N＝2)，wi在初始化时定义为1/N。Gm(xi)为第i个基础模型在第m轮的预测分类结果。P(yi≠Gm(xi))表示第i个基础模型在第m轮训练中预测分类错误的概率。
在此基础上计算充分匹配系数αm，实现对权重的合理估计，如下式所示。
更新基础模型权重，如下式所示，开始下一轮训练。通过模型融合，达到提高训练效率，结合多个基础网络模型优势的目的。
wi(update)＝wi·exp(-αm·P(yi≠Gm(xi)))
步骤S2，根据开采沉陷形变特征，获得开采沉陷形变的模拟数据，在模拟开采沉陷缠绕干涉相位中加入超几何分布噪声，对加噪后模拟缠绕干涉图进行滤波，得到滤波后的模拟缠绕干涉相位，并从模拟数据中获取相位模糊系数分布图；
根据开采沉陷形变特征，模拟出16张不同的开采沉陷形变干涉图，并对16张形变干涉图进行形变、拉伸和翻转等处理，增加训练数据种类，如图3所示，为本发明训练模型所用的模拟采掘沉陷形变数据的一部分，图3第一行为无噪声模拟采煤沉陷形变缠绕干涉图；相干系数为0.3的超几何噪声被添加到模拟的采矿沉陷形变数据中，图3的第二行是与第一行干涉图对应的加噪的模拟缠绕干涉图；采用滤波方法对加噪的模拟缠绕干涉图进行滤波，得到滤波后的模拟缠绕干涉相位，如图3的第三行；根据如下公式，从未加噪的模拟缠绕干涉图中获取相位模糊系数，如图3的第三行。
式中，ψdefo为绝对干涉相位，为缠绕干涉相位，round(·)表示整数运算符，k为相位模糊系数。
步骤S3，分别将滤波后的模拟缠绕干涉相位和相位模糊系数分布图作为MMPhu-Net模型的输入和输出数据样本，对MMPhu-Net模型进行学习训练，并结合测试时间增强法(TTA)和条件随机场(CRF)对训练结果进行优化后处理；
将不同形变区域滤波后的模拟缠绕干涉相位图作为输入数据样本，对应的相位模糊系数分布图作为输出数据标签，构建深度学习网络初始训练集，将初始训练集数据统一裁剪为64×64大小的图像块，并通过数据增强功能将数量增加到10000个，形成训练数据集；
通过建立的训练数据集对MMPhu-Net模型进行训练，该过程中80％的数据用来模型训练，20％的数据用来进行训练模型精度评定；
采用TTA和CRF两种方法对相位模糊系数图检测结果进行优化处理，提高获取结果的精度，处理过程为：对待检测图像进行旋转、加噪等处理，得到8个增强数据，与原始图像依次输入检测模型；对模型输出的特征概率图进行反演，恢复出待检测图像的图像平面坐标；对九个特征概率图进行求和平均，输出最终的检测结果；使用原始图像和最终检测结果作为CRF的输入，根据能量函数对分类结果进行修正。
步骤S4，基于训练好的MMPhu-Net网络模型，获取真实数据的相位模糊系数，得到真实数据的绝对相位；
基于训练好的MMPhu-Net模型，将矿区沉陷数据的缠绕干涉图作为输入数据，通过MMPhu-Net模型获取矿区沉陷数据的相位梯度模糊系数分布图，根据矿区沉陷数据的相位模糊系数获得沉陷形变区域的绝对相位，其表达式为：
步骤S5，结合小窗口中值滤波，采用窗口大小为5×5的中值滤波器对获取的解缠相位进行纠正处理，得到最终的解缠相位值。
本实施例所提出方法的整体示意图如图4所示。
为了验证本实施例的技术效果，分别采用Branch-cut、MCF和PUMA方法以及本实施例的相位解缠方法对相同的干涉图进行解缠处理实验，实验所用数据为模拟DInSAR矿山开采沉陷形变数据集，如图5(a)所示，图5(b)为无噪声的模拟干涉相位，图5(c)为加噪声的干涉相位，为了使模拟数据与真实数据更加一致，这里使用的噪声为超几何分布噪声，图5(d)为滤波后的干涉相位。从图5(b)可以看出，模拟的DInSAR矿沉陷形变数据集并不复杂，条纹也比较规则，然而，由于噪声的影响，滤波后的干涉相位产生了明显的条纹破坏，这在实际数据处理过程中经常发生，这种现象会严重影响解缠的精度。图5(e)是用Branch-cut方法的解缠结果，从图中可以看出，虽然Branch-cut方法获得了比较理想的解缠结果，但是在形变区左上方仍然存在明显的误差传递现象，导致解缠误差明显。图5(f)为MCF方法的解缠结果，从图中可以看出，解缠结果在沉降形变中心区域产生了明显的解缠误差。图5(g)是用PUMA方法对图5(d)进行解缠处理的结果，PUMA方法的解缠结果在沉降形变中心区域也产生了明显的解缠误差。图5(h)为本实施例方法的解缠结果，从图中可以看出，本实施例方法可以获得比其他方法更好的解缠结果。特别是本实施例方法可以更准确地获取下沉形变边缘和中心区域的形状变量，这对矿区中心形状变量的提取具有重要意义。图5(i-l)为图5(e-h)与图5(a)作差后的误差分布。从图中可以看出，Branch-cut方法可以得到比较理想的结果，但是在局部仍然会产生明显的解缠误差；MCF方法和PUMA方法的解缠结果相似，但两种方法在沉降中心区域都会产生严重的解缠误差；本发明方法实现了最佳的解缠结果精度。为了进一步评价不同方法得到的解缠结果的准确性，定量描述相位解缠的质量，本实施例计算各种相位解缠方法获得误差图的均方根误差。其中，由于在沉降形变边缘区域存在误差传输，Branch-cut法解缠结果的均方根误差为0.9768rad；由于沉降形变中心存在解缠误差，MCF方法和PUMA方法的解缠结果的均方根误差分别为1.0091rad和1.1561rad；本实施例的一种基于MMPhu-Net的基于学习网络的矿区大梯度形变区相位解缠方法解缠结果精度最好，其解缠结果均方根误差仅为0.3637rad，证明了本实施例方法的可靠性。
为进一步验证本实施例方法的有效性，采用GF-3SAR的真实矿井沉陷形变数据集，如图6所示。图6(a)为真实的GF-3SAR开采沉陷形变干涉图，从图中可以看出，由于噪声的影响，干涉条纹已经被完全覆盖，这将严重影响相位解缠结果的准确性。图6(b)为滤波后的干涉相位，从图中可以看出，滤波后的干涉条纹非常清晰，这对相位解缠有积极的影响。图6(c-f)分别为Branch-cut、MCF、PUMA和MMPhU-Net的解缠结果。从图中可以看出，在开采沉陷形变的中心区域，Branch-cut和MCF存在明显的解缠误差。滤波后的干涉相位可以降低解缠的测量难度。然而，由于受较大梯度变化或噪声的影响，在开采沉陷形变中心仍难以获得理想的解缠结果。因此，Branch-cut和MCF会在开采沉陷形变中心产生明显的解缠误差。与前两种方法相比，PUMA可以获得更好的解缠结果，但也会产生明显的解缠误差。这是因为PUMA利用不同像素的相干性来设置权重，并根据能量函数得到最终的解缠结果。因此，PUMA可以获得较为理想的解缠结果。从实验结果可以看出，本实施例提出的MMPhU-Net方法可以获得开采沉陷中心的形变，证明MMPhU-Net是几种方法中最好的方法。图6(g-j)为不同解缠结果的形变中心区域放大显示。结果表明，所提出的MMPhU-Net的解缠结果优于其他方法。采集图6(g-j)解缠结果对角线上的像素，如图7所示，从图中可以看出，由于受到解缠误差的影响，Branch-cut和MCF方法的解缠结果对角线截距产生了剧烈的波动，特别是Branch-cut的解缠结果产生了明显的解缠空洞；PUMA方法的解缠结果优于前两种方法，其对角截距线基本保持了正确的波形，但局部仍有明显的波动；本实施例提出的MMPhU-Net解缠结果的对角截距线可以保证良好的波形，另外，沉降形变边缘区域的对角截距线与其他解缠方法的对角截距线重合。因此，可以证明本实施例的一种基于MMPhu-Net的矿区大梯度形变区相位解缠方法不仅可以解决容易区域的解缠问题，而且在大梯度形变和高噪声区域也能获得理想的解缠结果。
综上所述，相位解缠是影响开采沉陷大梯度形变中心获取的关键因素之一，相位解缠问题解决的关键就是如何精确获取相位梯度，由于深度学***，能够提取目标区域的多尺度特征，并保持较高的相位梯度边缘检测精度，根据开采沉陷形变的特点，对矿区开采沉陷形变进行了模拟，得到了16张不同的沉降形变干涉图，并进一步增强数据类型，提高了训练集的多样性，结合测试时间增强(TTA)和条件随机场(CRF)对训练结果进行优化，进一步提高预测结果的准确性，并结合小窗口中值滤波对解缠结果进行纠正处理，提高解缠精度。
以上所述，仅为本申请较佳的具体实施方式，但本申请的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本申请揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本申请的保护范围之内。因此，本申请的保护范围应该以权利要求的保护范围为准。

Claims (6)

1.一种基于学习网络的矿区大梯度形变区相位解缠方法，其特征在于，包括以下步骤：
基于U-Net网络和SegNet网络构建多模型融合相位解缠网络；
基于矿区的开采沉陷形变特征，获得模拟缠绕干涉图，并对所述模拟缠绕干涉图进行处理，获得滤波后的模拟缠绕干涉相位和对应的相位模糊系数；
基于所述滤波后的模拟缠绕干涉相位和对应的相位模糊系数训练所述多模型融合相位解缠网络；
基于训练后的多模型融合相位解缠网络，获得沉陷形变区的解缠相位值；
构建多模型融合相位解缠网络的过程包括：基于自适应提升算法将U-Net网络和SegNet网络进行模型融合，获得融合过程中每轮训练的错误率；基于所述错误率，获得充分匹配系数；基于所述充分匹配系数更新所述U-Net网络和SegNet网络的模型权重，继续下一轮训练，直至获得预设的模型权重，进而获得多模型融合相位解缠网络。
2.根据权利要求1所述的基于学习网络的矿区大梯度形变区相位解缠方法，其特征在于，
获得滤波后的模拟缠绕干涉相位和对应的相位模糊系数的过程包括：将超几何噪声添加到所述模拟缠绕干涉图中，并基于滤波方法对加噪后的模拟缠绕干涉图进行滤波处理，获得滤波后的模拟缠绕干涉相位；基于未加噪的模拟缠绕干涉图，获得对应的相位模糊系数。
3.根据权利要求2所述的基于学习网络的矿区大梯度形变区相位解缠方法，其特征在于，
基于所述滤波后的模拟缠绕干涉相位和对应的相位模糊系数，训练所述多模型融合相位解缠网络的过程包括：将矿区不同形变区域滤波后的模拟缠绕干涉相位作为输入数据样本，对应的相位模糊系数作为输出数据标签，构成训练数据集；对所述训练数据集进行裁剪和数据增强的处理，基于处理后的训练数据集对所述多模型融合相位解缠网络进行训练，并对训练结果进行优化处理，进而获得训练后的多模型融合相位解缠网络。
4.根据权利要求3所述的基于学习网络的矿区大梯度形变区相位解缠方法，其特征在于，
对训练结果进行优化处理的过程包括：获取待检测图像，将所述待检测图像进行旋转和加噪的处理，获得若干个增强数据；将所述增强数据与原始的待检测图像输入到所述多模型融合相位解缠网络中进行处理，输出对应的特征概率图并进行反演，获得所述待检测图像的图像平面坐标；对所有的特征概率图进行求和平均，获得检测结果；将原始的待检测图像与检测结果输入到条件随机场中，基于能量函数对检测结果进行修正优化。
5.根据权利要求2所述的基于学习网络的矿区大梯度形变区相位解缠方法，其特征在于，
基于训练后的多模型融合相位解缠网络，获取沉陷形变区的解缠相位值的过程包括：将沉陷形变区的真实缠绕干涉图输入到所述训练后的多模型融合相位解缠网络中，获得对应的真实数据的相位模糊系数；基于所述真实数据的相位模糊系数，获得真实数据的解缠相位值。
6.根据权利要求5所述的基于学习网络的矿区大梯度形变区相位解缠方法，其特征在于，
获得真实数据的解缠相位后还包括：结合小窗口中值滤波对获得的真实数据的解缠相位值进行纠正处理，获得最终的解缠相位值。
CN202310137503.2A 2023-02-20 2023-02-20 一种基于学习网络的矿区大梯度形变区相位解缠方法 Active CN116224327B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310137503.2A CN116224327B (zh) 2023-02-20 2023-02-20 一种基于学习网络的矿区大梯度形变区相位解缠方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310137503.2A CN116224327B (zh) 2023-02-20 2023-02-20 一种基于学习网络的矿区大梯度形变区相位解缠方法

Publications (2)

Publication Number Publication Date
CN116224327A CN116224327A (zh) 2023-06-06
CN116224327B true CN116224327B (zh) 2023-08-01

Family

ID=86586849

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310137503.2A Active CN116224327B (zh) 2023-02-20 2023-02-20 一种基于学习网络的矿区大梯度形变区相位解缠方法

Country Status (1)

Country Link
CN (1) CN116224327B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117475172B (zh) * 2023-12-28 2024-03-26 湖北工业大学 一种基于深度学习的高噪声环境相位图解包裹方法和***

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113989642A (zh) * 2021-10-26 2022-01-28 辽宁工程技术大学 一种基于融合多尺度残差网络的InSAR相位解缠方法

Family Cites Families (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112381172B (zh) * 2020-11-28 2022-09-16 桂林电子科技大学 一种基于U-net的InSAR干涉图像相位解缠方法
CN113624122B (zh) * 2021-08-10 2022-09-20 中咨数据有限公司 融合GNSS数据与InSAR技术的桥梁变形监测方法
CN113589286B (zh) * 2021-09-28 2021-12-14 中国矿业大学 基于D-LinkNet的无迹卡尔曼滤波相位解缠方法
CN114814839B (zh) * 2022-03-22 2024-05-03 武汉大学 基于InSAR相位梯度堆叠的广域地表形变探测方法及***
CN115113202A (zh) * 2022-07-18 2022-09-27 中南大学 一种基于二维高斯模型的干涉相位迭代解缠方法
CN115240082B (zh) * 2022-09-26 2022-12-13 四川省冶金地质勘查局水文工程大队 一种基于形变监测和深度学习的地质灾害监测预警方法

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113989642A (zh) * 2021-10-26 2022-01-28 辽宁工程技术大学 一种基于融合多尺度残差网络的InSAR相位解缠方法

Also Published As

Publication number Publication date
CN116224327A (zh) 2023-06-06

Similar Documents

Publication Publication Date Title
CN104123464B (zh) 一种高分辨率InSAR时序分析反演地物高程与地面沉降量的方法
Shirzaei A wavelet-based multitemporal DInSAR algorithm for monitoring ground surface motion
CN116224327B (zh) 一种基于学习网络的矿区大梯度形变区相位解缠方法
CN105549080B (zh) 一种基于辅助坐标系的起伏地表波形反演方法
CN110018476B (zh) 时间差分基线集时序干涉sar处理方法
Yu et al. PDNet: A lightweight deep convolutional neural network for InSAR phase denoising
CN113589286B (zh) 基于D-LinkNet的无迹卡尔曼滤波相位解缠方法
CN113552565B (zh) 针对sar数据高噪声及大梯度变化区域的相位解缠方法
CN108761458B (zh) 基于形态学细化的干涉sar水体数字高程模型修正方法
CN116520419B (zh) 一种热流体裂缝通道识别方法
CN112269192B (zh) 一种快速自适应的动态北斗监测实时解算去噪方法
CN112487604A (zh) 海洋重力仪输出数据长时间非线性漂移补偿方法
CN116664419A (zh) 多尺度特征融合降噪CNN网络的InSAR相位解缠方法
CN111521112A (zh) 一种傅里叶及窗口傅里叶变换的联合相位重构算法
CN113091600B (zh) 一种利用时序InSAR技术监测软土地基形变的监测方法
CN110658521B (zh) 一种基于缠绕相位的GBInSAR大气校正方法及***
CN117169886A (zh) 基于无迹卡尔曼滤波的高效率相位解缠方法
CN112859077A (zh) 一种多级合成孔径雷达干涉相位解缠方法
CN115127683B (zh) 一种动态干涉仪干涉图参数失配的相位提取的方法
CN114280608B (zh) 一种DInSAR高程相关大气效应去除方法及***
CN113011107B (zh) 基于深度卷积神经网络的一维光纤传感信号相位恢复方法
CN115113202A (zh) 一种基于二维高斯模型的干涉相位迭代解缠方法
CN111337973A (zh) 地震数据重建方法、***
CN113341460B (zh) 一种基于连续算子***的循环式极小化地震数据重建方法
CN117368916B (zh) 一种InSAR相位解缠方法、***、设备及介质

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
GR01 Patent grant
GR01 Patent grant