CN116664419A - 多尺度特征融合降噪CNN网络的InSAR相位解缠方法 - Google Patents
多尺度特征融合降噪CNN网络的InSAR相位解缠方法 Download PDFInfo
- Publication number
- CN116664419A CN116664419A CN202310478694.9A CN202310478694A CN116664419A CN 116664419 A CN116664419 A CN 116664419A CN 202310478694 A CN202310478694 A CN 202310478694A CN 116664419 A CN116664419 A CN 116664419A
- Authority
- CN
- China
- Prior art keywords
- phase
- insar
- unwrapping
- interference
- noise
- 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
- 230000004927 fusion Effects 0.000 title claims abstract description 58
- 230000009467 reduction Effects 0.000 title claims abstract description 56
- 238000000034 method Methods 0.000 title claims abstract description 40
- 238000010587 phase diagram Methods 0.000 claims abstract description 93
- 238000000605 extraction Methods 0.000 claims abstract description 18
- 238000004804 winding Methods 0.000 claims description 21
- 238000010586 diagram Methods 0.000 claims description 20
- 238000001914 filtration Methods 0.000 claims description 18
- 239000011159 matrix material Substances 0.000 claims description 18
- 238000012549 training Methods 0.000 claims description 16
- 238000004088 simulation Methods 0.000 claims description 14
- 238000011084 recovery Methods 0.000 claims description 12
- 238000005070 sampling Methods 0.000 claims description 12
- 230000006870 function Effects 0.000 claims description 10
- 230000004913 activation Effects 0.000 claims description 9
- 238000004422 calculation algorithm Methods 0.000 claims description 8
- 238000010606 normalization Methods 0.000 claims description 7
- 238000012545 processing Methods 0.000 claims description 7
- 238000012876 topography Methods 0.000 claims description 6
- 239000011800 void material Substances 0.000 claims description 6
- 230000001788 irregular Effects 0.000 claims description 3
- 230000010339 dilation Effects 0.000 claims 3
- 230000000694 effects Effects 0.000 abstract description 4
- 238000013527 convolutional neural network Methods 0.000 description 28
- 238000013135 deep learning Methods 0.000 description 7
- 230000008569 process Effects 0.000 description 5
- 238000013528 artificial neural network Methods 0.000 description 4
- 230000011218 segmentation Effects 0.000 description 3
- 230000009471 action Effects 0.000 description 2
- 238000003491 array Methods 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 230000015556 catabolic process Effects 0.000 description 2
- 238000006731 degradation reaction Methods 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000000611 regression analysis Methods 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 1
- 230000007850 degeneration Effects 0.000 description 1
- 230000008034 disappearance Effects 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000012805 post-processing Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/70—Denoising; Smoothing
-
- 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
- G06N3/0464—Convolutional networks [CNN, ConvNet]
-
- 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
- G06N3/048—Activation functions
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/20—Image enhancement or restoration using local operators
- G06T5/30—Erosion or dilatation, e.g. thinning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
- G06V10/7715—Feature extraction, e.g. by transforming the feature space, e.g. multi-dimensional scaling [MDS]; Mappings, e.g. subspace methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
- G06V10/80—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level
- G06V10/806—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level of extracted features
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20024—Filtering details
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20084—Artificial neural networks [ANN]
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Software Systems (AREA)
- Computing Systems (AREA)
- Artificial Intelligence (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Life Sciences & Earth Sciences (AREA)
- Medical Informatics (AREA)
- Multimedia (AREA)
- Databases & Information Systems (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Molecular Biology (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Image Processing (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种多尺度特征融合降噪CNN网络的InSAR相位解缠方法及***。将含噪的真实InSAR干涉相位图,输入训练好的多尺度特征融合降噪CNN网络的InSAR相位解缠模型中,本申请的相位解缠网络模型采用降噪网络DnCNN为框架,通过设置膨胀卷积和可变形卷积进行多尺度特征提取,对提取的多尺度特征信息进行融合,利用残差模块进行相位解缠,恢复特征信息;输出解缠相位图。解决传统相位解缠中由于InSAR存在的噪声干扰,导致无法取得较好的解缠效果的问题。
Description
技术领域
本发明涉及相位解缠技术领域,尤其涉及InSAR单基线相位解缠,尤其涉及一种多尺度特征融合降噪CNN网络的InSAR相位解缠方法。
背景技术
传统相位解缠方法通常被分类三类:(1)基于路径跟踪的相位解缠算法,通过选择合适的积分路径,对相邻像元相位梯度进行积分以实现相位解缠;(2)基于最小范数的相位解缠方法,通过最小化缠绕相位梯度和真实相位梯度之间的差异,实现相位解缠;(3)网络流法,将相位解缠问题转换成计算最小成本的网络流问题,通过最小化解缠相位和缠绕相位离散偏导数之差,来限制低质量区域相位误差的传递,从而求解全局最优解。三类传统算法在噪声干扰小,相位连续性较好的场景下均能取得很好的解缠效果,但当InSAR干涉相位图的质量较差时,以枝切法为代表的路径跟踪解缠方法容易出现“相位孤岛”,在低质量区出现解缠空缺,且计算时间较长。以最小二乘为代表的最小范数解缠方法局部低质量区的解缠错误会导致误差在全局范围内蔓延,解缠速度快但解缠质量不高。以最小网络费用流为代表的网络流法一定程度上平衡了解缠精度和解缠效率,但在低质量区域仍然会对相位边缘信息出现解缠出错,无法完全恢复相位信息。
深度学习的方法使用不同策略,通过对特定数据集的神经网络进行监督优化来实现相位解缠,主要可以分为两类:深度学习回归分析相位解缠方法和基于深度学习的缠绕数估计方法。深度学习回归分析相位解缠方法将解缠看作一个回归问题,神经网络直接学习缠绕相位和绝对相位之间的映射关系。基于深度学习的缠绕数估计方法首先将问题转换成语义分割的问题,输入缠绕相位,通过训练好的网络输出缠绕数,然后通过后处理得到最终的解缠结果。无论是基于回归问题的一步式解缠网络还是基于语义分割的两步式解缠网络,这些方法都在各自的应用场景中有很好的表现,但是在面对噪声分布复杂,包含大气效应等干扰因素的复杂InSAR相位图像,这些方法仍然不能完全满足需求。另一方面,网络结构往往决定了深度学习相位解缠方法的性能。很多解缠网络选择网络框架时都选择U-Net框架,但是频繁的下采样操作,都不可避免地容易造成干涉图条纹信息的缺失。基于语义分割的解缠网络主要通过网络对缠绕模糊数进行学习,在条纹清晰的情况下具有良好的解缠精度,但InSAR相位图中复杂的波动极易影像缠绕数的分类,导致网络需要在全局范围内重新进行分类,牺牲解缠效率的同时也无法避免误差的产生。
发明内容
因此,本发明的目的在于提供一种多尺度特征融合降噪CNN网络的InSAR相位解缠方法及***,解决传统相位解缠中由于InSAR存在的噪声干扰,导致无法取得较好的解缠效果的问题。
为了实现上述目的,本发明的一种多尺度特征融合降噪CNN网络的InSAR相位解缠方法,其特征在于,包括以下步骤:
S1、获取模拟的InSAR干涉相位图,构建InSAR模拟数据集;
S2、将InSAR模拟数据集输入多尺度特征融合降噪CNN网络的InSAR相位解缠模型中进行相位解缠训练;
所述多尺度特征融合降噪CNN网络的InSAR相位解缠模型采用降噪网络DnCNN为框架,通过设置膨胀卷积和可变形卷积进行多尺度特征提取,对提取的多尺度特征信息进行融合,利用残差模块进行相位解缠,恢复特征信息;
S3、将真实InSAR干涉相位图,输入训练好的多尺度特征融合降噪CNN网络的InSAR相位解缠模型中,输出解缠相位图。
进一步优选的,在S1中,所述获取模拟的InSAR干涉相位图,包括:
S101、调整二维高斯面的参数,生成不同大小和模式的高斯曲面;在所生成的高斯曲面中加入随机矩阵,使高斯曲面产生不同方向和大小的失真,形成模拟地形相位和形变相位的干涉相位图;
S102、将不同频率和振幅的Perlin噪声叠加在一起,得到分形的Perlin噪声,模拟局部大气相位;将所述干涉相位图与局部大气相位叠加;作为训练的真实相位图;
S103、将所述真实相位图做缠绕处理,形成无噪的缠绕后干涉相位图,作为模拟干涉相位图;
S104、利用高斯噪声模拟失相关噪声,将S101中的干涉相位图的实部和虚部生成具有相同噪声水平的复噪声矩阵,将所述复噪声矩阵与S103得到的模拟干涉图相乘,得到含有失相关噪声的模拟干涉相位图。
进一步优选的,还包括S105,对S104生成的含有失相关噪声的模拟干涉相位图使用Goldstein滤波算法进行滤波,将滤波后的干涉相位图,作为最终InSAR模拟数据集。
进一步优选的,所述对多尺度特征融合降噪CNN网络的InSAR相位解缠模型,进行相位解缠训练包括如下步骤:
S201、将InSAR模拟数据集的InSAR相位图,输入多尺度特征融合降噪CNN网络的InSAR相位解缠模型的输入层;
S202、利用64个大小为3×3的卷积核对输入的InSAR相位图进行特征提取,得到64个特征图;
S203、采用两个不同采样率的膨胀卷积和一个可变形卷积,对提取的初次特征图进行多级抽象,提取到192个不同尺度下的干涉图噪声与条纹信息;
S204、对提取的不同尺度下干涉图噪声与条纹信息进行批归一化处理,利用ReLU激活函数进行自适应学习,将处理后的特征图进行融合;对融合后的特征图,利用残差卷积进行特征信息恢复;多次重复S203-S204,直到特征图完成特征信息恢复;
S205、将恢复特征信息的特征图通过输出卷积层,进行单通道输出,得到符合期望的解缠相位图。
进一步优选的,在S203中,所述采用两个不同采样率的膨胀卷积和一个可变形卷积,对提取的初次特征图进行多级抽象,包括:
采用采样率为5*5的第一膨胀卷积、采样率为7*7的第二膨胀卷积以及可变形卷积层对提取的初次特征图进行并行多级抽象;
其中,第一膨胀卷积和第二膨胀卷积设置不同的空洞率,在不改变图像输出特征图的分辨率的同时增大感受野;
所述可变形卷积在感受野中引入可学习的偏移量,使得感受野不再是规则的方形,而是与目标对象特征贴合的不规则形状;
利用第一膨胀卷积、第二膨胀卷积和可变形卷积分别得到3组不同尺度的特征信息,每组64个;最终提取到192个不同尺度下的干涉图的噪声与条纹信息。
进一步优选的,在S204中,所述对融合后的特征图,利用残差卷积进行特征信息恢复,包括如下过程:
将提取到192个不同尺度下的干涉图噪声与条纹信息,采用192个3*3的卷积核进行拼接融合,利用一个3*3的残差网络卷积核完成特征信息的恢复,同时将通道数恢复为64个。
将恢复的64个特征图经过最后一个3×3的卷积,变成单通道输出。
本发明还提供一种多尺度特征融合降噪CNN网络的InSAR相位解缠***,包括:数据获取单元和多尺度特征融合降噪CNN网络的InSAR相位解缠模型;
所述数据获取单元用于获取InSAR干涉相位图;
所述多尺度特征融合降噪CNN网络的InSAR相位解缠模型用于将输入的InSAR干涉相位图,进行相位解缠,输出解缠相位图;
所述多尺度特征融合降噪CNN网络的InSAR相位解缠模型采用降噪网络DnCNN为框架,通过设置具有膨胀卷积和可变形卷积的多尺度特征融合模块进行多尺度特征提取,对提取的多尺度特征信息进行融合,利用残差模块进行相位解缠,恢复特征信息。
进一步优选的,所述多尺度特征融合降噪CNN网络的InSAR相位解缠模型采用InSAR模拟数据集进行训练,所述InSAR模拟数据集通过以下过程获得:
干涉相位图生成模块,用于调整二维高斯面的参数,生成不同大小和模式的高斯曲面;在所生成的高斯曲面中加入随机矩阵,使高斯曲面产生不同方向和大小的失真,形成模拟地形相位和形变相位的干涉相位图;
真实相位图生成模块,用于将不同频率和振幅的Perlin噪声叠加在一起,得到分形的Perlin噪声,模拟局部大气相位;将所述干涉相位图与局部大气相位叠加;作为训练的真实相位图;
模拟干涉相位图生成模块,用于将所述真实相位图做缠绕处理,形成无噪的缠绕后干涉相位图,作为模拟干涉相位图;
含有失相关噪声的模拟干涉相位图生成模块,利用高斯噪声模拟失相关噪声,将干涉相位图的实部和虚部生成具有相同噪声水平的复噪声矩阵,将所述复噪声矩阵与得到的模拟干涉图相乘,得到含有失相关噪声的模拟干涉相位图。
进一步优选的,还包括滤波模块,用于生成的含有失相关噪声的模拟干涉相位图使用Goldstein滤波算法进行滤波,将滤波后的干涉相位图,作为最终InSAR模拟数据集。
进一步优选的,所述膨胀卷积设有两个,第一膨胀卷积的采样率为5*5、第二膨胀卷积的采样率为7*7。
本申请公开的多尺度特征融合降噪CNN网络的InSAR相位解缠方法及***,以降噪CNN网络为框架,在多尺度特征融合的InSAR降噪CNN相位解缠模型进行数据训练时,模拟数据中根据真实InSAR数据进行地形相位、形变相位、大气相位以及失相关噪声相位等多种拟合形成最终的干涉相位图;在相位解缠模型设置了两个不同采样率的膨胀卷积和形变卷积,将输入的InSAR数据的多尺度提取;解决了传统InSAR数据进行相位解缠时,由于失相关噪声被滤除,导致最后的相位解缠结果,不准确的问题。
本申请以DnCNN网络为基本框架,为了使网络更符合InSAR相位解缠应用,通过对SAR干涉相位中的各分量进行模拟,构建符合InSAR相位特点的数据集。
为了保证网络对含噪干涉图噪声抑制的同时尽可能提高解缠精度,网络中通过设置不同空洞率的膨胀卷积以及可形变卷积并行搭建多尺度特征提取模块,以实现对特征图多尺度信息的提取和融合。此外残差模块的加入提高了网络速度,避免网络退化问题,保证网络稳健性。
附图说明
图1为本发明的多尺度特征融合降噪CNN网络的InSAR相位解缠方法的流程图;
图2为本发明实例中创建模拟SAR干涉相位数据的流程图;
图3(a)为模拟出的原始相位图;
图3(b)为对原始相位图的缠绕处理后的相位图;
图3(c)为含有噪声的缠绕干涉相位图;
图3(d)为根据相位图计算所得的相干系数图;
图4为本发明的相位解缠网络的架构图;
图5为本发明多尺度特征提取模块的架构图。
具体实施方式
以下通过附图和具体实施方式对本发明作进一步的详细说明。
如图1所示,本发明一方面实施例提供的多尺度特征融合降噪CNN网络的InSAR相位解缠方法,包括以下步骤:
S1、获取模拟的InSAR干涉相位图,构建InSAR模拟数据集;
S2、将InSAR模拟数据集输入多尺度特征融合降噪CNN网络的InSAR相位解缠模型中进行相位解缠训练;
所述多尺度特征融合降噪CNN网络的InSAR相位解缠模型采用降噪网络DnCNN为框架,通过设置膨胀卷积和可变形卷积进行多尺度特征提取,对提取的多尺度特征信息进行融合,利用残差模块进行相位解缠,恢复特征信息;
S3、将真实InSAR干涉相位图,输入训练好的多尺度特征融合降噪CNN网络的InSAR相位解缠模型中,输出解缠相位图。
其中,在如图2所示的实施例中,获取模拟的InSAR干涉相位图,构建构建InSAR模拟数据集,包括如下过程:
S101:调整二维高斯面的参数,生成不同大小和模式的高斯曲面。在高斯曲面中加入随机矩阵控制曲面中点的分布,使高斯曲面产生不同方向和大小的失真,形成模拟地形相位和形变相位的干涉相位图;
S102:将不同频率和振幅的Perlin噪声叠加在一起,得到分形的Perlin噪声,模拟局部大气相位。将S1-1生成的干涉相位图与大气相位叠加作为后续训练的真实相位图。
S103:对S102生成的真实相位做缠绕处理,形成无噪的缠绕后干涉相位图,实例中的相位图大小为186pix×186pix。
S104:利用高斯噪声模拟失相关噪声,随着S101中模拟所得的形变相位梯度设置噪声水平,将S101中的干涉相位图的实部和虚部生成具有相同噪声水平的复噪声矩阵,将所述复噪声矩阵与S103得到的模拟干涉图相乘,得到含有失相关噪声的模拟干涉相位图。
S105:对S104生成的干涉相位使用Goldstein滤波算法,滤波窗口设置为32×32,滤波系数设置为0.5,将滤波后的干涉相位图,形成最终InSAR模拟数据集;滤波后的干涉相位图作为网络训练的输入值。
图2展示了InSAR模拟数据模拟过程,图3为对应生成的186pix×185pix大小相位图,图3(a)为含有地表特征和大气相位的原始相位,这将作为网络训练的真实值,图3(b)为原始相位对应的缠绕相位,图3(c)为加入随形变梯度变化的噪声后的缠绕图;图3(d)为模拟干涉图的相干系数图。
模拟InSAR数据集生成在Matlab R2020a中完成并以此构成数据集,其中训练数据集中包含14000对大小为186pix×186pix的浮点数组,验证数据集包含3000对同样大小的浮点数组。
进一步地,S2包含以下步骤:
S201:将186pix×186pix大小的单通道InSAR缠绕相位图输入解缠模型的第一层;
S202,卷积层使用64个大小为3×3的卷积核提取64个特征图,同时使用ReLU激活函数对数据非线性进行建模。
S203:多尺度特征融合模块采用了两个不同采样率(5×5、7×7)的膨胀卷积和一个可变形卷积层并行提取不同尺度下的干涉图的噪声与条纹信息(每组64个,共3*64个),实现特征的多级抽象,如图5所示。
S204:通过批归一化处理(BN)和ReLU激活函数的级联,使用192个大小为3×3的卷积核对提取的多尺度信息进行拼接融合并在一个3×3的卷积核作用下完成特征信息恢复,此时通道数变为64。
重复203和204操作,直到特征图在最后的残差模块完成特征信息恢复。
S205:恢复的特征信息最后经过一个3×3的卷积核将特征图变成单通道输出,得到符合期望的解缠相位图。
图4为本发明的解缠网络整体结构图,由图可知网络以DnCNN网络为基本框架,包含输入层、批归一化处理(BN)、ReLU激活函数、多尺度特征提取模块、残差模块、输出层。主要组成部分功能介绍如下:
批归一化处理:通过对***参数搜索空间进行运输来增加***鲁棒性,达到加快网络收敛速度,保证梯度,缓解过拟合的目的。
ReLU激活函数:作为激活函数,ReLU实现简单,计算速度快,具有较强的非线性拟合能力,能很好地避免梯度消失问题。
膨胀卷积:通过设置不同的空洞率,膨胀卷积不改变图像输出特征图的分辨率的同时增大感受野,同时在特征提取时一定程度上避免了下采样导致的信息损失。
可变形卷积:可变形卷积在感受野中引入可学习的偏移量,使得感受野不再是规则的方形,而是与目标对象特征贴合的不规则形状,因此卷积区域始终能够覆盖在目标周围,无论目标条纹如何形变,学习到的偏移量都可以适应。可变形卷积的加入让网络可以提取到更复杂的边缘信息。
残差网络:在深层神经网络中加入残差网络结构,使得深层神经网络退化成浅层网络,解决了网络深度增加容易出现的退化问题,提高了网络性能。
进一步地,S2所述的多尺度特征融合降噪CNN网络的InSAR相位解缠以DnCNN网络为主框架,结合空洞卷积、可变形卷积、批归一化处理、ReLU激活函数、残差网络的特点,构建多尺度特征提取模块和残差模块。在多尺度特征提取模块部分,对前一层提取的64个特征图分别在膨胀卷积和可变形卷积的作用下捕获相位图信息,在不影响分辨率的情况下,通过设定不同空洞率,空洞卷积实现了感受野的规则性扩大。可变形卷积相较于常规卷积额外学习了偏移量,使得感受野更贴合干涉相位的复杂形状,以此在全局范围内获取更多细节信息。获取的三组包含不同尺度的特征信息,通过批归一化处理(BN)和ReLU激活函数的级联,使用192个大小为3×3的卷积核对提取的多尺度信息进行融合。多尺度信息经过残差模块完成特征恢复,保证网络深度增加的同时避免网络退化问题。
进一步地,S3包含以下步骤:
单通道的INSAR缠绕相位图输入训练好的解缠网络中,经过第一层的卷积输出64通道的特征图,经过中间层的多尺度特征提取模块,输出融合了不同尺度的特征信息图,经过残差模块实现特征图恢复,其中如图4所示的多尺度特征提取模块有8个,残差模块有10个,最后将融合的64通道的特征图在一个3×3的卷积核的作用下转换成单通道输出,得到最终的符合预期的解缠相位图。
实例中网络基于Python3.8的深度学习框架Tensorflow2.9.0版本进行开发,网络训练和实验测试的计算机主要参数如下:Tesla T4 GPU+8vCPU Intel Xeon Processor(Skylake,IBRS)CPU+64G RAM。
本发明还提供一种多尺度特征融合降噪CNN网络的InSAR相位解缠***,用于实施上述相位解缠方法,包括:数据获取单元和多尺度特征融合降噪CNN网络的InSAR相位解缠模型;
所述数据获取单元用于获取InSAR干涉相位图;
所述多尺度特征融合降噪CNN网络的InSAR相位解缠模型用于将输入的InSAR干涉相位图,进行相位解缠,输出解缠相位图;
所述多尺度特征融合降噪CNN网络的InSAR相位解缠模型采用降噪网络DnCNN为框架,通过设置具有膨胀卷积和可变形卷积的多尺度特征融合模块进行多尺度特征提取,对提取的多尺度特征信息进行融合,利用残差模块进行相位解缠,恢复特征信息。
所述多尺度特征融合降噪CNN网络的InSAR相位解缠模型采用InSAR模拟数据集进行训练,所述InSAR模拟数据集通过以下过程获得:
干涉相位图生成模块,用于调整二维高斯面的参数,生成不同大小和模式的高斯曲面;在所生成的高斯曲面中加入随机矩阵,使高斯曲面产生不同方向和大小的失真,形成模拟地形相位和形变相位的干涉相位图;
真实相位图生成模块,用于将不同频率和振幅的Perlin噪声叠加在一起,得到分形的Perlin噪声,模拟局部大气相位;将所述干涉相位图与局部大气相位叠加;作为训练的真实相位图;
模拟干涉相位图生成模块,用于将所述真实相位图做缠绕处理,形成无噪的缠绕后干涉相位图,作为模拟干涉相位图;
含有失相关噪声的模拟干涉相位图生成模块,利用高斯噪声模拟失相关噪声,将干涉相位图的实部和虚部生成具有相同噪声水平的复噪声矩阵,将所述复噪声矩阵与得到的模拟干涉图相乘,得到含有失相关噪声的模拟干涉相位图。
还包括滤波模块,用于生成的含有失相关噪声的模拟干涉相位图使用Goldstein滤波算法进行滤波,将滤波后的干涉相位图,作为最终InSAR模拟数据集。
显然,上述实施例仅是为清楚地说明所作的举例,而并非对实施方式的限定。对于所属领域的普通技术人员来说,在上述说明的基础上还可以做出其它不同形式的变化或变动。这里无需也无法对所有的实施方式予以穷举。而由此所引伸出的显而易见的变化或变动仍处于本发明创造的保护范围之中。
Claims (10)
1.一种多尺度特征融合降噪CNN网络的InSAR相位解缠方法,其特征在于,包括以下步骤:
S1、获取模拟的InSAR干涉相位图,构建InSAR模拟数据集;
S2、将InSAR模拟数据集输入多尺度特征融合降噪CNN网络的InSAR相位解缠模型中进行相位解缠训练;
所述多尺度特征融合降噪CNN网络的InSAR相位解缠模型采用降噪网络DnCNN为框架,通过设置膨胀卷积和可变形卷积进行多尺度特征提取,对提取的多尺度特征信息进行融合,利用残差模块进行相位解缠,恢复特征信息;
S3、将含噪的真实InSAR干涉相位图,输入训练好的多尺度特征融合降噪CNN网络的InSAR相位解缠模型中,输出解缠相位图。
2.根据权利要求1所述的多尺度特征融合降噪CNN网络的InSAR相位解缠方法,其特征在于,在S1中,所述获取模拟的InSAR干涉相位图,包括:
S101、调整二维高斯面的参数,生成不同大小和模式的高斯曲面;在所生成的高斯曲面中加入随机矩阵,使高斯曲面产生不同方向和大小的失真,形成模拟地形相位和形变相位的干涉相位图;
S102、将不同频率和振幅的Perlin噪声叠加在一起,得到分形的Perlin噪声,模拟局部大气相位;将所述干涉相位图与局部大气相位叠加;作为训练的真实相位图;
S103、将所述真实相位图做缠绕处理,形成无噪的缠绕后干涉相位图,作为模拟干涉相位图;
S104、利用高斯噪声模拟失相关噪声,将S101中的干涉相位图的实部和虚部生成具有相同噪声水平的复噪声矩阵,将所述复噪声矩阵与S103得到的模拟干涉图相乘,得到含有失相关噪声的模拟干涉相位图。
3.根据权利要去2所述的多尺度特征融合降噪CNN网络的InSAR相位解缠方法,其特征在于,还包括S105,对S104生成的含有失相关噪声的模拟干涉相位图使用Goldstein滤波算法进行滤波,将滤波后的干涉相位图,作为最终InSAR模拟数据集。
4.根据权利要去1所述的多尺度特征融合降噪CNN网络的InSAR相位解缠方法,其特征在于,所述对多尺度特征融合降噪CNN网络的InSAR相位解缠模型,进行相位解缠训练包括如下步骤:
S201、将InSAR模拟数据集的InSAR相位图,输入多尺度特征融合降噪CNN网络的InSAR相位解缠模型的输入层;
S202、利用64个大小为3×3的卷积核对输入的InSAR相位图进行特征提取,得到64个特征图;
S203、采用两个不同采样率的膨胀卷积和一个可变形卷积,对提取的初次特征图进行多级抽象,提取到192个不同尺度下的干涉图噪声与条纹信息;
S204、对提取的不同尺度下干涉图噪声与条纹信息进行批归一化处理,利用ReLU激活函数进行自适应学习,将处理后的特征图进行融合;对融合后的特征图,利用残差卷积进行特征信息恢复;多次重复S203-S204,直到特征图完成特征信息恢复;
S205、将恢复特征信息的特征图通过输出卷积层,进行单通道输出,得到符合期望的解缠相位图。
5.根据权利要去4所述的多尺度特征融合降噪CNN网络的InSAR相位解缠方法,其特征在于,在S203中,所述采用两个不同采样率的膨胀卷积和一个可变形卷积,对提取的初次特征图进行多级抽象,包括:
采用采样率为5*5的第一膨胀卷积、采样率为7*7的第二膨胀卷积以及可变形卷积层对提取的初次特征图进行并行多级抽象;
其中,第一膨胀卷积和第二膨胀卷积设置不同的空洞率,在不改变图像输出特征图的分辨率的同时增大感受野;
所述可变形卷积在感受野中引入可学习的偏移量,使得感受野不再是规则的方形,而是与目标对象特征贴合的不规则形状;
利用第一膨胀卷积、第二膨胀卷积和可变形卷积分别得到3组不同尺度的特征信息,每组64个;最终提取到192个不同尺度下的干涉图的噪声与条纹信息。
6.根据权利要去4所述的多尺度特征融合降噪CNN网络的InSAR相位解缠方法,其特征在于,在S204中,所述对融合后的特征图,利用残差卷积进行特征信息恢复,包括如下过程:
将提取到192个不同尺度下的干涉图噪声与条纹信息,采用192个3*3的卷积核进行拼接融合,利用一个3*3的残差网络卷积核完成特征信息的恢复,同时将通道数恢复为64个。
将恢复的64个特征图经过最后一个3×3的卷积,变成单通道输出。
7.一种多尺度特征融合降噪CNN网络的InSAR相位解缠***,其特征在于,包括:数据获取单元和多尺度特征融合降噪CNN网络的InSAR相位解缠模型;
所述数据获取单元用于获取InSAR干涉相位图;
所述多尺度特征融合降噪CNN网络的InSAR相位解缠模型用于将输入的InSAR干涉相位图,进行相位解缠,输出解缠相位图;
所述多尺度特征融合降噪CNN网络的InSAR相位解缠模型采用降噪网络DnCNN为框架,通过设置具有膨胀卷积和可变形卷积的多尺度特征融合模块进行多尺度特征提取,对提取的多尺度特征信息进行融合,利用残差模块进行相位解缠,恢复特征信息。
8.根据权利要去7所述的多尺度特征融合降噪CNN网络的InSAR相位解缠***,其特征在于,所述多尺度特征融合降噪CNN网络的InSAR相位解缠模型采用InSAR模拟数据集进行训练,所述InSAR模拟数据集通过以下过程获得:
干涉相位图生成模块,用于调整二维高斯面的参数,生成不同大小和模式的高斯曲面;在所生成的高斯曲面中加入随机矩阵,使高斯曲面产生不同方向和大小的失真,形成模拟地形相位和形变相位的干涉相位图;
真实相位图生成模块,用于将不同频率和振幅的Perlin噪声叠加在一起,得到分形的Perlin噪声,模拟局部大气相位;将所述干涉相位图与局部大气相位叠加;作为训练的真实相位图;
模拟干涉相位图生成模块,用于将所述真实相位图做缠绕处理,形成无噪的缠绕后干涉相位图,作为模拟干涉相位图;
含有失相关噪声的模拟干涉相位图生成模块,利用高斯噪声模拟失相关噪声,将干涉相位图的实部和虚部生成具有相同噪声水平的复噪声矩阵,将所述复噪声矩阵与得到的模拟干涉图相乘,得到含有失相关噪声的模拟干涉相位图。
9.根据权利要去8所述的多尺度特征融合降噪CNN网络的InSAR相位解缠***,其特征在于,还包括滤波模块,用于生成的含有失相关噪声的模拟干涉相位图使用Goldstein滤波算法进行滤波,将滤波后的干涉相位图,作为最终InSAR模拟数据集。
10.根据权利要去7所述的多尺度特征融合降噪CNN网络的InSAR相位解缠***,其特征在于,所述膨胀卷积设有两个,第一膨胀卷积的采样率为5*5、第二膨胀卷积的采样率为7*7。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310478694.9A CN116664419A (zh) | 2023-04-28 | 2023-04-28 | 多尺度特征融合降噪CNN网络的InSAR相位解缠方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310478694.9A CN116664419A (zh) | 2023-04-28 | 2023-04-28 | 多尺度特征融合降噪CNN网络的InSAR相位解缠方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116664419A true CN116664419A (zh) | 2023-08-29 |
Family
ID=87726983
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310478694.9A Pending CN116664419A (zh) | 2023-04-28 | 2023-04-28 | 多尺度特征融合降噪CNN网络的InSAR相位解缠方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116664419A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117572420A (zh) * | 2023-11-14 | 2024-02-20 | 中国矿业大学 | 一种基于深度学习的InSAR相位解缠优化方法 |
CN117975297A (zh) * | 2024-04-01 | 2024-05-03 | 哈尔滨工业大学(深圳)(哈尔滨工业大学深圳科技创新研究院) | 联合多源数据辅助的城区地表形变危险性精细识别方法 |
-
2023
- 2023-04-28 CN CN202310478694.9A patent/CN116664419A/zh active Pending
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117572420A (zh) * | 2023-11-14 | 2024-02-20 | 中国矿业大学 | 一种基于深度学习的InSAR相位解缠优化方法 |
CN117572420B (zh) * | 2023-11-14 | 2024-04-26 | 中国矿业大学 | 一种基于深度学习的InSAR相位解缠优化方法 |
CN117975297A (zh) * | 2024-04-01 | 2024-05-03 | 哈尔滨工业大学(深圳)(哈尔滨工业大学深圳科技创新研究院) | 联合多源数据辅助的城区地表形变危险性精细识别方法 |
CN117975297B (zh) * | 2024-04-01 | 2024-06-11 | 哈尔滨工业大学(深圳)(哈尔滨工业大学深圳科技创新研究院) | 联合多源数据辅助的城区地表形变危险性精细识别方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110188685B (zh) | 一种基于双注意力多尺度级联网络的目标计数方法及*** | |
CN108710830B (zh) | 一种结合密集连接注意力金字塔残差网络和等距限制的人体3d姿势估计方法 | |
CN110599409B (zh) | 基于多尺度卷积组与并行的卷积神经网络图像去噪方法 | |
CN116664419A (zh) | 多尺度特征融合降噪CNN网络的InSAR相位解缠方法 | |
CN113674403B (zh) | 一种三维点云上采样方法、***、设备及介质 | |
CN109035142B (zh) | 一种对抗网络结合航拍图像先验的卫星图像超分辨方法 | |
CN112861729B (zh) | 一种基于伪深度图引导的实时深度补全方法 | |
CN105981050B (zh) | 用于从人脸图像的数据提取人脸特征的方法和*** | |
Pistilli et al. | Learning robust graph-convolutional representations for point cloud denoising | |
CN109447897B (zh) | 一种真实场景图像合成方法及*** | |
CN113902622B (zh) | 基于深度先验联合注意力的光谱超分辨率方法 | |
Chen et al. | Blind de-convolution of images degraded by atmospheric turbulence | |
CN108765540B (zh) | 一种基于图像与集成学习的重光照方法 | |
CN115272683A (zh) | 一种基于深度学习的中心差分信息滤波相位解缠方法 | |
CN113256508A (zh) | 一种改进的小波变换与卷积神经网络图像去噪声的方法 | |
Yu et al. | PDNet: A lightweight deep convolutional neural network for InSAR phase denoising | |
CN114882524A (zh) | 一种基于全卷积神经网络的单目三维手势估计方法 | |
CN115760603A (zh) | 一种基于大数据技术的干涉阵列宽带成像方法 | |
Piriyatharawet et al. | Image denoising with deep convolutional and multi-directional LSTM networks under Poisson noise environments | |
CN115859048A (zh) | 一种局放信号的噪声处理方法及装置 | |
CN115294182A (zh) | 一种基于双交叉注意力机制的高精度立体匹配方法 | |
CN109856673B (zh) | 一种基于优势频率迭代加权的高分辨Radon变换数据分离技术 | |
CN113034475A (zh) | 基于轻量级三维卷积神经网络的手指oct体数据去噪方法 | |
CN112488238A (zh) | 一种基于对抗自编码器的混合异常检测方法 | |
CN112330550A (zh) | 一种基于图像盲解卷积技术的图像复原方法及*** |
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 |