CN117368916B - 一种InSAR相位解缠方法、***、设备及介质 - Google Patents
一种InSAR相位解缠方法、***、设备及介质 Download PDFInfo
- Publication number
- CN117368916B CN117368916B CN202311318313.7A CN202311318313A CN117368916B CN 117368916 B CN117368916 B CN 117368916B CN 202311318313 A CN202311318313 A CN 202311318313A CN 117368916 B CN117368916 B CN 117368916B
- Authority
- CN
- China
- Prior art keywords
- phase
- unwrapping
- phase unwrapping
- result
- sliding window
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 119
- 238000012937 correction Methods 0.000 claims abstract description 68
- 238000012549 training Methods 0.000 claims abstract description 26
- 238000013135 deep learning Methods 0.000 claims abstract description 22
- 238000013528 artificial neural network Methods 0.000 claims abstract description 15
- 238000004804 winding Methods 0.000 claims description 40
- 239000011159 matrix material Substances 0.000 claims description 29
- 230000009467 reduction Effects 0.000 claims description 24
- 238000000354 decomposition reaction Methods 0.000 claims description 17
- 230000006870 function Effects 0.000 claims description 14
- 230000008569 process Effects 0.000 claims description 10
- 238000004590 computer program Methods 0.000 claims description 9
- 238000012545 processing Methods 0.000 claims description 9
- 238000010586 diagram Methods 0.000 claims description 8
- 238000005070 sampling Methods 0.000 claims description 8
- 208000037170 Delayed Emergence from Anesthesia Diseases 0.000 claims description 6
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 claims description 3
- 238000004422 calculation algorithm Methods 0.000 description 46
- 230000008859 change Effects 0.000 description 12
- 238000004088 simulation Methods 0.000 description 10
- 238000012795 verification Methods 0.000 description 7
- 230000000694 effects Effects 0.000 description 5
- 238000009826 distribution Methods 0.000 description 4
- 238000012544 monitoring process Methods 0.000 description 4
- 238000010587 phase diagram Methods 0.000 description 3
- 238000012805 post-processing Methods 0.000 description 3
- 238000013136 deep learning model Methods 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 238000005305 interferometry Methods 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000011176 pooling Methods 0.000 description 2
- 239000002689 soil Substances 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 239000000654 additive Substances 0.000 description 1
- 230000000996 additive effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 239000006185 dispersion Substances 0.000 description 1
- 238000004880 explosion Methods 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 230000035772 mutation Effects 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000012876 topography Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 238000010200 validation analysis Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
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
- G01S13/89—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
- G01S13/9021—SAR image post-processing techniques
- G01S13/9023—SAR image post-processing techniques combined with interferometric techniques
Landscapes
- Engineering & Computer Science (AREA)
- Remote Sensing (AREA)
- Radar, Positioning & Navigation (AREA)
- Physics & Mathematics (AREA)
- Electromagnetism (AREA)
- Computer Networks & Wireless Communication (AREA)
- General Physics & Mathematics (AREA)
- Image Processing (AREA)
Abstract
本发明公开一种InSAR相位解缠方法、***、设备及介质，涉及InSAR技术领域，方法包括：根据两幅SAR影像得到复数干涉图；将复数干涉图输入相位解缠模型，得到相位包裹数；相位解缠模型为采用训练集训练好的深度学习神经网络；根据相位包裹数计算得到初步相位解缠结果；利用滑动窗口奇异值修正模型相位梯度校正解缠方法得到复数干涉图上设定区域的相位解缠结果；利用设定区域的相位解缠结果对初步相位解缠结果进行相位值修正，得到修正后的相位解缠结果；利用迭代最小二乘法对修正后的相位解缠结果的不连续区域进行修正，得到最终相位解缠结果。本发明提高了InSAR相位解缠的效率和准确性。
Description
技术领域
本发明涉及合成孔径干涉测量技术领域，特别是涉及一种InSAR相位解缠方法、***、设备及介质。
背景技术
随着SAR卫星数量的不断增加，合成孔径雷达干涉测量技术(InterferometricSyntheticAperture Radar，InSAR)在地表形变监测、地质灾害探测及冰川运动监测等领域，得到广泛的应用并发挥着重要的角色。相位解缠作为InSAR干涉数据处理的关键步骤之一，准确地从缠绕在(-π,π]之间的相位中恢复出真实相位，对于后续提取的高程参数或形变信息至关重要。针对复杂山地环境地区，由于存在高噪声及大梯度变化区域，难以获得准确高效的相位解缠结果，如何快速获取复杂山地环境地区高精度相位解缠结果成为目前InSAR领域亟需解决的难题之一。
发明内容
本发明的目的是提供一种InSAR相位解缠方法、***、设备及介质，提高了InSAR相位解缠的效率和准确性。
为实现上述目的，本发明提供了如下方案：
一种InSAR相位解缠方法，包括：
获取目标山区的两幅SAR影像，并根据两幅SAR影像得到复数干涉图；
将所述复数干涉图输入相位解缠模型，得到相位包裹数；所述相位解缠模型为采用训练集训练好的深度学习神经网络；
根据所述相位包裹数计算得到初步相位解缠结果；
利用滑动窗口奇异值修正模型相位梯度校正解缠方法得到所述复数干涉图上设定区域的相位解缠结果；
利用设定区域的相位解缠结果对所述初步相位解缠结果进行相位值修正，得到修正后的相位解缠结果；
利用迭代最小二乘法对修正后的相位解缠结果的不连续区域进行修正，得到最终相位解缠结果；
所述滑动窗口奇异值修正模型相位梯度校正解缠方法，具体包括：
利用滑动窗口的方式遍历目标复数干涉图，对遍历到的每个第一滑动窗口对应区域利用奇异值分解降噪，得到降噪后的目标复数干涉图；
从降噪后的目标复数干涉图中提取干涉相位，采用滑动窗口的方式遍历所述干涉相位，并对遍历到的每个第二滑动窗口内缠绕相位梯度进行校正，得到缠绕相位梯度校正后的目标复数干涉图；
利用迭代最小二乘法对缠绕相位梯度校正后的目标复数干涉图进行相位解缠，得到目标复数干涉图的相位解缠结果。
可选地，利用滑动窗口的方式遍历目标复数干涉图，对遍历到的每个第一滑动窗口对应区域利用奇异值分解降噪，得到降噪后的目标复数干涉图，具体包括：
采用第一滑动窗口遍历所述目标复数干涉图，将遍历到的每个第一滑动窗口均作为一个复数矩阵；
对每个所述复数矩阵进行奇异值分解，得到分解后的矩阵奇异值；
将分解后的矩阵奇异值中小于设定阈值的数值舍去，得到降噪后的复数矩阵；
当采用第一滑动窗口遍历所述目标复数干涉图结束后，由各降噪后的复数矩阵组成降噪后的目标复数干涉图。
可选地，从降噪后的目标复数干涉图中提取干涉相位，采用滑动窗口的方式遍历所述干涉相位，并对遍历到的每个第二滑动窗口内缠绕相位梯度进行校正，得到缠绕相位梯度校正后的目标复数干涉图，具体包括：
从所述降噪后的目标复数干涉图中提取干涉相位；
从所述干涉相位上选择一个点作为参考相位解缠点；
采用第二滑动窗口遍历所述干涉相位，并计算遍历到的每个第二滑动窗口内的相位梯度标准差和相位梯度平均值；
将遍历到的每个第二滑动窗口内大于相位梯度标准差的相位梯度数值替换后为相位梯度平均值，得到缠绕相位梯度校正后的目标复数干涉图。
可选地，所述深度学习神经网络为改进的U-Net网络，所述改进的U-Net网络的解码路径中，在U-Net网络的基础上，在每两个连续的卷积操作之间均***一个残差块，在编码路径上采样和解码路径下采样过程中，均加入了卷积块注意力模块，所述卷积块注意力模块包括通道注意力模块和空间注意力模块。
可选地，所述训练集中样本数据包括输入数据和标签数据，所述输入数据为初步相位解缠结果样本，所述标签数据为相位包裹数样本；所述输入数据为通过所述滑动窗口奇异值修正模型相位梯度校正解缠方法对复数干涉图样本数据处理得到的。
可选地，采用训练集训练深度学***均交叉熵损失函数作为损失函数，使用Adam优化器对深度学习神经网络的参数进行优化。
可选地，利用设定区域的相位解缠结果对所述初步相位解缠结果进行相位值修正，得到修正后的相位解缠结果，具体包括：
确定初步相位解缠结果上与所述设定区域对应位置上的相位解缠结果；
确定所述对应位置上的相位解缠结果与设定区域的相位解缠结果的相位值偏差；
利用所述相位值偏差对所述初步相位解缠进行相位值修正，得到修正后的相位解缠结果。
本发明还公开了一种InSAR相位解缠***，包括：
复数干涉图确定模块，获取目标山区的两幅SAR影像，并根据两幅SAR影像得到复数干涉图；
相位包裹数确定模块，用于将所述复数干涉图输入相位解缠模型，得到相位包裹数；所述相位解缠模型为采用训练集训练好的深度学习神经网络；
初步相位解缠结果确定模块，用于根据所述相位包裹数计算得到初步相位解缠结果；
设定区域的相位解缠结果确定模块，用于利用滑动窗口奇异值修正模型相位梯度校正解缠方法得到所述复数干涉图上设定区域的相位解缠结果；
相位值修正模块，用于利用设定区域的相位解缠结果对所述初步相位解缠结果进行相位值修正，得到修正后的相位解缠结果；
不连续区域修正模块，用于利用迭代最小二乘法对修正后的相位解缠结果的不连续区域进行修正，得到最终相位解缠结果；
所述滑动窗口奇异值修正模型相位梯度校正解缠方法，具体包括：
利用滑动窗口的方式遍历目标复数干涉图，对遍历到的每个第一滑动窗口对应区域利用奇异值分解降噪，得到降噪后的目标复数干涉图；
从降噪后的目标复数干涉图中提取干涉相位，采用滑动窗口的方式遍历所述干涉相位，并对遍历到的每个第二滑动窗口内缠绕相位梯度进行校正，得到缠绕相位梯度校正后的目标复数干涉图；
利用迭代最小二乘法对缠绕相位梯度校正后的目标复数干涉图进行相位解缠，得到目标复数干涉图的相位解缠结果。
本发明公开了一种电子设备，包括存储器及处理器，所述存储器用于存储计算机程序，所述处理器运行所述计算机程序以使所述电子设备执行根据所述的InSAR相位解缠方法。
本发明公开了一种计算机可读存储介质，其存储有计算机程序，所述计算机程序被处理器执行时实现所述的InSAR相位解缠方法。
根据本发明提供的具体实施例，本发明公开了以下技术效果：
本发明通过对复数干涉图进行奇异值分解，确定降噪后的目标复数干涉图，解决了复数干涉图存在高噪声的问题，采用滑动窗口遍历所述干涉相位，从降噪后的目标复数干涉图中提取干涉相位，采用滑动窗口遍历所述干涉相位，并对每个遍历到的滑动窗口内缠绕相位梯度进行校正，利用迭代最小二乘法对缠绕相位梯度校正后的目标复数干涉图进行相位解缠，得到第一相位解缠结果，并利用深度学习构建相位解缠模型，得到第二相位解缠结果，利用迭代最小二乘法对所述第二相位解缠结果进行修正，得到最终相位解缠结果，提高了InSAR相位解缠的效率和准确性。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1为本发明实施例提供的一种InSAR相位解缠方法流程示意图；
图2为本发明实施例提供的一种InSAR相位解缠方法的具体流程示意图；
图3为图2中深度学习神经网络的结构示意图；
图4为本发明实施例研究区位置示意图；
图5为本发明实施例A区域光学影像和实地调研照片及仿真干涉数据示意图；
图6为本发明实施例仿真数据下不同解缠方法验证结果示意图；
图7为本发明实施例A区域不同解缠方法结果及相似度曲线示意图；
图8为本发明实施例C区域、D区域及仿真数据干涉相位和相位包裹数示意图；
图9为本发明实施例C和D区域FPUNet相位解缠结果及相似度曲线示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
本发明的目的是提供一种InSAR相位解缠方法、***、设备及介质，提高了InSAR相位解缠的效率和准确性。
为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。
实施例1
如图1所示，本发明实施例提供的一种InSAR相位解缠方法，包括如下步骤。
步骤101：获取目标山区的两幅SAR影像，并根据两幅SAR影像得到复数干涉图。
步骤102：将所述复数干涉图输入相位解缠模型，得到相位包裹数；所述相位解缠模型为采用训练集训练好的深度学习神经网络。
步骤103：根据所述相位包裹数计算得到初步相位解缠结果。
步骤104：利用滑动窗口奇异值修正模型相位梯度校正解缠方法得到所述复数干涉图上设定区域的相位解缠结果。
步骤105：利用设定区域的相位解缠结果对所述初步相位解缠结果进行相位值修正，得到修正后的相位解缠结果。
步骤106：利用迭代最小二乘法对修正后的相位解缠结果的不连续区域进行修正，得到最终相位解缠结果。
其中，步骤101中，目标山区为复杂山区，获得复杂山区的两幅SAR影像，并对两幅SAR影像进行配准和干涉处理得到复数干涉图。
复数干涉图表示为：s(r)＝u(r)exp(jφ)，其中，s(r)表示复数干涉图，u(r)为s(r)的幅度，φ为s(r)的相位，j表示虚数，r表示空间坐标，s(r)具体为空间坐标r处的干涉信息。
其中，步骤104中，所述滑动窗口奇异值修正模型相位梯度校正解缠(SWES)方法，具体包括：
利用滑动窗口的方式遍历目标复数干涉图，对遍历到的每个第一滑动窗口对应区域利用奇异值分解降噪，得到降噪后的目标复数干涉图。其中，目标复数干涉图为SWES方法的处理对象(输入)。
从降噪后的目标复数干涉图中提取干涉相位，采用滑动窗口的方式遍历所述干涉相位，并对遍历到的每个第二滑动窗口内缠绕相位梯度进行校正，得到缠绕相位梯度校正后的目标复数干涉图。
利用迭代最小二乘法对缠绕相位梯度校正后的目标复数干涉图进行相位解缠，得到目标复数干涉图的相位解缠结果。
其中，利用滑动窗口的方式遍历目标复数干涉图，对遍历到的每个第一滑动窗口对应区域利用奇异值分解降噪，得到降噪后的目标复数干涉图，具体包括：
采用第一滑动窗口遍历所述目标复数干涉图，将遍历到的每个第一滑动窗口均作为一个复数矩阵。第一滑动窗口的尺寸为7×7。
对每个所述复数矩阵进行奇异值分解，得到分解后的矩阵奇异值。
将分解后的矩阵奇异值中小于设定阈值的数值舍去，得到降噪后的复数矩阵。
当采用第一滑动窗口遍历所述目标复数干涉图结束后，由各降噪后的复数矩阵组成降噪后的目标复数干涉图。
作为具体实施方式，设目标复数干涉图中像元大小为M×N，并以像元数为m对边界进行边界对称扩充，避免边界不能充分进行运算，把以m×m大小，(m1,m1)像元为中心的局部滑动窗口内所有复数干涉像元看作一个复数矩阵S(m1,m1)：
求中，Si,k、Si,k+1、……、Sm,m均为复数矩阵S(m1,m1)中复数干涉像元，其中i和k均为1。
对S(m1,m1)进行矩阵奇异值分解表示如下：
其中，ΩS为第一矩阵，ΩS中的σz(z＝1,2,…,m)为计算得到的奇异值(矩阵奇异值)，US和VS分别为S(m1,m1)的左奇异矩阵和右奇异矩阵。
对矩阵奇异值分解后，舍去较小奇异值(小于设定阈值的数值舍去)以达到去噪的效果，据此构造降噪之后的复干涉相位矩阵如下：
其中，[0](m-5)×(m-5)为零矩阵，σ*为奇异值的主要部分，为第二矩阵。
利用滑动窗口按照上述方法遍历整幅像元大小为M×N目标复数干涉图，得到去噪之后的整幅目标复数干涉图
其中，从降噪后的目标复数干涉图中提取干涉相位，采用滑动窗口的方式遍历所述干涉相位，并对遍历到的每个第二滑动窗口内缠绕相位梯度进行校正，得到缠绕相位梯度校正后的目标复数干涉图，具体包括：
从所述降噪后的目标复数干涉图中提取干涉相位。具体为，利用从降噪后的目标复数干涉图中提取干涉相位φ′，angle()为求解相位角函数。
从所述干涉相位上选择一个点作为参考相位解缠点，具体为从所述干涉相位上选择具有相对稳定的相位值和较高信噪比的像素点作为参考相位解缠点。
采用第二滑动窗口遍历所述干涉相位，并计算遍历到的每个第二滑动窗口内的相位梯度标准差和相位梯度平均值。第二滑动窗口的尺寸为15×15。
相位梯度标准差包括水平方向上相位梯度标准差和垂直方向上的相位梯度标准差，相位梯度平均值包括水平方向上相位梯度平均值和垂直方向上的相位梯度平均值。
其中，为局部滑动窗口(第二滑动窗口)内水平方向上的相位梯度估计值，/>为局部滑动窗口(第二滑动窗口)内垂直方向上的相位梯度估计值，Tx为局部滑动窗口(第二滑动窗口)内水平方向上的相位梯度标准差，Ty为局部滑动窗口(第二滑动窗口)内垂直方向上的相位梯度标准差，Gx为局部滑动窗口(第二滑动窗口)内水平方向上的相位梯度平均值，Gy为局部滑动窗口(第二滑动窗口)内垂直方向上的相位梯度平均值。
将遍历到的每个第二滑动窗口内大于相位梯度标准差的相位梯度数值替换后为相位梯度平均值，得到校正后的缠绕相位梯度，通过校正后的缠绕相位梯度确定缠绕相位梯度校正后的目标复数干涉图。具体包括：将局部窗口内大于相位梯度标准差Tx/Ty的相位梯度数值替换为相位梯度的平均值Gx/Gy。利用滑动窗口按照上述方法遍历整幅像元大小为M×N干涉相位，完成缠绕相位梯度校正。
通过对缠绕相位梯度进行校正，避免全局误差的传递。
其中，利用迭代最小二乘法对缠绕相位梯度校正后的目标复数干涉图进行相位解缠，得到目标复数干涉图的相位解缠结果，具体包括：
设置迭代次数及迭代误差，利用迭代最小二乘法对缠绕相位梯度校正后的目标复数干涉图进行相位解缠，得到目标复数干涉图的相位解缠结果。与现有的相位解缠方法(枝切法、迭代最小二乘法、最小费流法)进行精度评估，验证了SWES方法的有效性。
迭代最小二乘法的基本思想是以相位质量信息作为权值，求解真实相位梯度和缠绕相位梯度之间偏差最小，对于图像大小为M×N的缠绕相位图，假设φi,j为缠绕相位，为解缠后的相位，那么代价函数J可表示为：
其中，和/>分别表示水平方向x和垂直方向y的干涉相位差，其中i＝0,1,2,…,M-1；j＝0,1,2,…,N-1；w{·}表示相位缠绕算子；Ri,j和Ci,j为权值参数，可由干涉图质量信息Zi,j求取：
当代价函数J最小时，引入缠绕相位梯度，则代价函数J需要满足：
其中，li,j为拉普拉斯函数，用于表示相位加权值。
当代价函数J最小时，即φi,j对偏导数等于0。通过求解J对已知解的偏导数，并令其等于0，来更新已知解的值。因此，当迭代收敛时，φi,j对/>偏导数等于0。
第i行第j列的解缠相位经过高斯-赛德尔迭(Gauss-Seidel)松弛法多次迭代后可表示为：
依据公式(11)通过不断迭代并求取当前解缠相位与上一次解缠相位的差值，当差值小于某个阈值时，完成相位解缠。
将校正后的缠绕相位梯度代入公式(11)迭代最小二乘方法进行相位解缠运算，最终得到SWES解缠方法下的相位解缠结果。
所述训练集中样本数据包括输入数据和标签数据，所述输入数据为初步相位解缠结果样本，所述标签数据为相位包裹数样本；所述输入数据为通过所述滑动窗口奇异值修正模型相位梯度校正解缠方法对复数干涉图样本数据处理得到的，即利用SWES方法构建训练集。
所述深度学习神经网络为改进的U-Net网络(FPUNet)，所述改进的U-Net网络的解码路径中，在U-Net网络的基础上，在每两个连续的卷积操作之间均***一个残差块，在编码路径上采样和解码路径下采样过程中，均加入了卷积块注意力模块，所述卷积块注意力模块包括通道注意力(Channel attention)模块和空间注意力(Spatial attention)模块。
在编码路径上采样(上采样)过程中：首先，通过上采样操作将特征图的尺寸增大，然后通过通道注意力模块对特征图的通道维度进行注意力加权，以便更好地调整不同通道之间的重要性；接着，通过空间注意力模块对特征图的空间维度进行注意力加权，以便更好地捕捉空间位置的相关性。最后，经过两个注意力模块的处理后，得到了经过增强的特征图。
在解码路径下采样(下采样)过程中：首先通过下采样操作将特征图的尺寸减小，然后通过通道注意力模块对特征图的通道维度进行注意力加权，以调整不同通道之间的重要性；接着，通过空间注意力模块对特征图的空间维度进行注意力加权，以捕捉空间位置的相关性。最后，经过两个注意力模块的处理后，得到了经过增强的特征图，用于后续的处理或下一次下采样操作。
利用原始干涉相位图作为输入数据和上述SWES方法相位解缠结果，通过公式(12)计算得到的相位包裹数作为输出数据来构建数据集，将干涉相位和其对应的相位包裹数分割为256×256像素大小，然后通过构建好的FPUNet深度学习网络来学习训练，得到初步相位解缠结果。
其中，(图2中/>)与φ(图2中φi,j)分别为解缠相位和缠绕相位，k(x)为相位包裹整数，x表示空间位置。
FPUNet网络是在U-Net基础上增加了残差网络和卷积块注意模块(CBAM)的网络模型，其网络模型结构如图3所示。它由编码路径、解码路径和桥接路径组成。编码路径包括五个子模块，逐步提取干涉图的语义特征。每个子模块由两个3×3卷积(Con)操作(后跟批量归一化(Batch Normalization，BN)BN和ReLU)和一个2×2最大池化操作组成。通过第一个卷积操作来增加每个子模块中特征通道的数量，第一个操作使用8个卷积核将一个通道的特征通道增加到8个通道，之后每个子模块通道数量都按照加倍的方式增加。桥接路径是通过从编码路径中移除最大池化操作获得的。解码路径中，每个步骤都由反卷积、跳跃连接(Skip Connection)、两个3×3卷积操作(跟随BN和ReLU)以及这两个卷积之间的一个残差块(Residual Block)构成。在解码路径的每个重复中，两个卷积操作会减少特征通道的数量(除了最后一个，从8个通道减少到一个通道)。残差块和跳过连接可以加速网络的收敛，并且提取更丰富的干涉相位特征，同时防止梯度弥散和梯度***。在编码路径上采样和解码路径下采样过程中，加入了卷积块注意力模块，包括通道注意力模块和空间注意力模块，通道注意力模块通过学***均交叉熵损失函数作为损失函数，并使用Adam优化器对网络参数进行优化，在训练过程中，FPUNet网络以不同噪声的原始复数干涉图作为输入，输出为复数干涉图对应的相位包裹数结果，并通过损失函数的最小化来更新FPUNet网络的训练参数。
其中，步骤106具体包括：
确定初步相位解缠结果上与所述设定区域对应位置上的相位解缠结果。
确定所述对应位置上的相位解缠结果与设定区域的相位解缠结果的相位值偏差。
利用所述相位值偏差对所述初步相位解缠进行相位值修正，得到修正后的相位解缠结果。
更具体的，选择原始256×256像素大小(设定区域的尺寸)的干涉相位利用SWES解缠方法得到对应相位解缠结果来修正通过深度学习得到的相位值误差，利用迭代最小二乘修正，可以逐步减小深度学习模型无法准确预测的相位部分，从而改善相位解缠结果的质量。
本发明一种InSAR相位解缠方法，具体是一种面向复杂山区高噪声及大梯度变化区域的快速InSAR相位解缠方法，获取复杂山区两景原始SAR影像，并对其进行处理得到复数干涉图；在复数干涉图基础上，利用滑动窗口奇异值修正模型相位梯度校正解缠方法得到对应的相位解缠结果；在得到的干涉图和对应相位解缠基础上，计算相位包裹数，并利用深度学习构建相位解缠模型，得到初步相位解缠结果；在得到初步相位解缠结果基础上，对其进行相位值和迭代最小二乘修正进行解缠后处理，最终得到相位解缠结果。
本发明通过SWES相位解缠结果将其与深度学习方法相结合，可以在保持解缠精度的同时加快解缠速度，所提方法在复杂山区高噪声及大梯度变化区域具有较好的解缠效果，并且能够显著提高解缠速度。本发明能够有效解决了目前InSAR在复杂山地环境地区难以高效准确进行相位解缠的难题之一，为复杂山区高噪声及大梯度变化区域提供了一种方法***，在InSAR复杂山地环境区域进行地表形变监测和地质灾害监测应用中具有重要的价值和潜力。
实施例2
本实施例提供的一种InSAR相位解缠方法，包括如下步骤。
步骤1，获获取复杂山区两景原始SAR影像，并对其进行进行图像配准和干涉处理，得到处理后的复数干涉图；
复数干涉图可表示为s(r)＝u(r)exp(jφ)，s(r)表示复数干涉图，u(r)为s(r)的幅度，φ为s(r)的相位。
具体地，选取中国云南省昆明市东川区作为实施例，该区域以小江为界，形成“V”字型，最高峰海拔4344.1米，地形变化梯度大，独特的地形和地质构造致使局部区域暴雨多，土壤疏松，水土流失严重，为世界典型暴雨泥石流区被称为“泥石流的天然博物馆”，该区域获取的干涉数据噪声高及有众多大梯度变化区域。本实施例的数据收集了欧空局于2014年发射的C波段Sentinel-1SAR雷达影像数据，图像以IW模式获取，时间间隔为2023年2月12日至2023年2月24日的2景降轨数据。研究区如图4所示，其中A区为后续SWES解缠算法实际验证区；B区为后续FPUNet网络实测的训练集和C区和D区为验证集)。
选取A区来验证提出的SWES解缠算法，其像素大小为642×730。A区光学影像及实地照片如图5中(a)和(b)所示，包含两个典型的泥石流沟壑，其地势陡峭，地形起伏度大，在解缠过程中存在相位梯度变化大等特点，A区域干涉相位如图5中(c)，在原始干涉相位上添加高斯噪声标准差为0.06的高噪声干涉相位如图5中(d)所示该区域。考虑到实测数据无法获取真实的相位解缠结果，为此，通过仿真模拟数据以实现不同算法对高噪声区域的相位解缠有效性验证，仿真模拟数据利用Peaks函数生成，无噪模拟干涉相位和添加高斯噪声标准差为0.8的模拟干涉相位如图5中(e)和4中(f)。
步骤2，在复数干涉图基础上，利用滑动窗口奇异值修正模型相位梯度校正解缠方法得到对应的相位解缠结果。
具体地，利用SWES解缠算法来对获取A域的相位解缠结果，以评估SWES解缠算法中用奇异值分解来去噪的可行性及有效性。通过仿真模拟数据，利用平均绝对误差先验证不同解缠算法(枝切法(Branch cut，BC)、迭代最小二乘法(Iterative least squares，ILS)、最小费流法(MCF)、本发明方法(SWES))下对应的相位解缠精度，然后添加噪声，为保证公正，其中添加噪声为标准查为0.8的高斯噪声，以实现不同算法对高噪声区域的相位解缠有效性验证。
图6示了模拟仿真数据下不同解缠算法验证结果，图6中(d)一定程度上反映了模拟仿真数据具有大梯度变化这一特点，最高相位值为40rad。从图6中(e)可以看到无噪情况下，不同解缠算法且都能完好的对干涉相位进行解缠，其对应解缠误差评价指标如表1所示，可以看到枝切法(BC)解缠平均绝对误差和均方误差最大，分别为6.411和6.729rad。最小费流法(MCF)的解缠平均绝对误差和均方误差最小，为0.001和0.020rad。本文提出的SWES解缠算法其平均绝对误差和均方误差其精度远远优于枝切法(BC)和迭代最小二乘法(ILS)，但相比最小费流法(MCF)而言略微低，出现这种情况是由于在SWES解缠算法中引入奇异值分解进行降噪，对于无噪情况下的干涉相位，奇异值分解一定程度上剔除了干涉相位较低的特征，导致这个情况出现。然而，在实际应用中，InSAR处理得到的干涉相位不可能是无噪声的，所以分析探讨高噪声大梯度区域的解缠精度更有现实意义。从图6中(f)可以看出，在高噪声情况下，针对大梯度变化区域，SWES解缠算法得到的解缠图与真实相位更为接近，最小费流法(MCF)在平坦区域解缠结果较好，但是对于高起伏或者低洼区域其解缠效果较差，迭代最小二乘法(ILS)虽然可以进行解缠，但是其解缠结果完全不能反映真实相位，枝切法(BC)在高噪声大梯度区域显得无能为力，完全不能获取得到最终的解缠结果，其原因是在高噪声区域，枝切法容易出现虚假梯度，即错误的梯度方向，同时，在相位变化剧烈的地方，梯度方向会出现不连续性，导致在梯度变化处无法准确解缠，图6中(g)展示了不同解缠算法下对应的绝对误差分布图，SWES解缠算法的解缠平均绝对误差和均方根误差分别为1.417和1.782mm，其解缠精度远远优于其他3类解缠算法(BC、ILS和MCF)。图6中(h)展示了高噪声条件下，不同解缠算法的残差分布统计图，图6中(h)横坐标为残差(ResidualError)，纵坐标为分布统计值(Number of distributions)，BC解缠残差主要分布在5～13rad，ILS解缠残差主要分布在-1～7rad，MCF解缠残差主要分布在-6～4rad，SWES解缠残差主要分布在-2.81～3.04rad，SWES解缠算法得到的主要残差区间更小，精度更优。综上，利用模拟仿真数据证实了在高噪声及大梯度变化区域，SWES解缠算法相比于其他几类解缠算法更有效和准确。
表1模拟仿真数据下不同解缠算法平均绝对误差和均方根误差
图7展示了研究区A区域不同解缠算法结果及及相似度曲线，A区域干涉相位如图5中(c)所示，在原始干涉图上添加噪声后的高噪声干涉相位如图5中(d)所示。从图7中(a)可以看出，原始噪声下除了BC解缠算法得到的解缠相位结果不佳，其它解缠结果较为一致，相较于SWES算法而言，三种解缠算法的平均绝对误差和均方根误差如表2所示，原始噪声情况下MCF算法优于ILS和BC算法。图7中(b)为高噪声情况下A区域不同解缠算法得到的结果，结合表2可以看出，SWES算法的平均绝对误差和均方根误差均优于其余三种解缠算法，结合图7中(c)和6中(d)行方向和列方向上不同解缠算法相似度曲线图可以看出，在高噪声条件下BC和ILS算法部分曲线与真实曲线大致吻合，但出现了众多大幅度的跳跃偏差，SWES算法的相似曲线与真实曲线是最为接近并未出现大幅度的跳跃偏差，而MCF算法的相似度曲线远远偏离于真实曲线，导致这一情况是由于所有权重设定为默认值0.5导致的，也从一定程度反应了在高噪声及大梯度变化区域，MCF算法由于无偏的相干系数和其他权重因子难以确定，算法的精度难以保证。综上，该研究在区域A证实SWES解缠算法在高噪声、大梯度变化区域有效，对后续利用FPUNet网络实现快速、准确的InSAR相位解缠提供数据集支撑。图7中Ture表示真实曲线。
表2A区域不同解缠算法平均绝对误差和均方根误差
步骤3，干涉图和对应相位解缠基础上，计算相位包裹数，并利用深度学习构建相位解缠模型，得到初步相位解缠结果。
具体地，对于FPUNet的网络模型中的训练集(B区)和验证集(C区和D区)，在获取得到的实际干涉复数影像上，提取干涉相位，添加不同标准差的高斯噪声，利用SWES算法获取其对应的相位解缠结果，并根据公式(12)获取其对应的相位包裹数，将干涉相位和其对应的相位包裹数分割为256×256像素大小，其中训练集(B区)像元大小为3119×3959，按照50％重叠度划分为3808组。测试集(C区)像元大小为840×1454，按顺序划分为24组，测试集(D区)像元大小为1304×1273B区，按顺序划分为30组。C区实测数据干涉相位如图8中(a)和7中(c)所示，其对应的SWES解缠算法下得到的解缠相位如图8中(b)和7中(d)所示，图8中(e)和7中(f)为分割为256×256像素大小干涉相位和解缠相位。
考虑到在实际应用中，难以获得实测带噪干涉相位对应的理想解缠相位，因此需要引入仿真数据生成大量带噪干涉相位和对应的解缠相位，以满足网络训练的样本需求。仿真数据生成步骤如下：首先建议分辨率为2×2×8×8等不同大小的随机矩阵，随后使用双线性插值的方法将上述随机矩阵扩展到256×256像素大小的矩阵，再将其值放大到一定范围以得到无缠绕的真实相位，最后通过添加不同噪声，以获得其不同信噪比的噪声干涉相位图，通过公式(12)获得其对应相位包裹数，共产生3000组数据作为训练集。图8中(g)和7中(f)为通过仿真得到的256×256像素大小干涉相位和相位包裹数。
图8为验证集C和D区域FPUNet相位解缠结果，其中7中(b)和7中(g)为C和D区域FPUNet相位解缠得到的相位包裹数，7中(e)和7中(h)为C和D区域FPUNet依据公式12得到的解缠结果，可以看到通过FPUNet网络得到的解缠结果还有很多不连续的区域，需要进行后处理。
步骤4，在得到初步相位解缠结果基础上，对其进行相位值和迭代最小二乘修正进行解缠后处理，最终得到相位解缠结果。
具体地，择原始256×256像素大小的干涉相位利用SWES解缠算法得到对应相位解缠结果来修正通过深度学习得到的相位值误差，利用迭代最小二乘修正，可以逐步减小深度学习模型无法准确预测的相位部分，从而改善相位解缠结果的质量。
图9中(d)和8中(i)为C和D区域为依据原始256×256像素大小的干涉相位利用SWES解缠算法得到对应相位解缠结果来修正通过FPUNet得到的相位值误差，8中(e)和8中(j)为C和D区域利用迭代最小二乘修正后的FPUNet相位解缠结果，从直观上看8中(e)和8中(j)的结果与SWES获取得到的结果基本一致，结合图9中(k)和8中(l)列方向和行方向上SWES和FPUNet解缠算法相似度曲线图可以看出，对于C区域，SWES和FPUNet解缠算法得到的曲线基本吻合，且FPUNet解缠得到的相似度曲线无较大的突变。对于D区域，SWES和FPUNet解缠算法得到的曲线序列大致一致，但是不吻合，SWES解缠得到的相似度曲线有较大的突变，而依据FPUNet解缠算法得到的相似度曲线更加平滑，这可能是由于训练样本集中添加了大量的仿真数据，让最后得到的结果更加趋于真实解缠相位结果。
图9中，CSWES表示对于C区域，SWES方法得到的相位解缠结果；DSWES表示对于D区域，SWES方法得到的相位解缠结果；CFPUNet表示对于C区域，FPUNet方法得到的相位解缠结果，DFPUNet表示对于D区域，FPUNet方法得到的相位解缠结果。
实施例3
本实施例提供的一种InSAR相位解缠***，包括：
复数干涉图确定模块，获取目标山区的两幅SAR影像，并根据两幅SAR影像得到复数干涉图。
相位包裹数确定模块，用于将所述复数干涉图输入相位解缠模型，得到相位包裹数；所述相位解缠模型为采用训练集训练好的深度学习神经网络。
初步相位解缠结果确定模块，用于根据所述相位包裹数计算得到初步相位解缠结果。
设定区域的相位解缠结果确定模块，用于利用滑动窗口奇异值修正模型相位梯度校正解缠方法得到所述复数干涉图上设定区域的相位解缠结果。
相位值修正模块，用于利用设定区域的相位解缠结果对所述初步相位解缠结果进行相位值修正，得到修正后的相位解缠结果。
不连续区域修正模块，用于利用迭代最小二乘法对修正后的相位解缠结果的不连续区域进行修正，得到最终相位解缠结果。
所述滑动窗口奇异值修正模型相位梯度校正解缠方法，具体包括：
利用滑动窗口的方式遍历目标复数干涉图，对遍历到的每个第一滑动窗口对应区域利用奇异值分解降噪，得到降噪后的目标复数干涉图；
从降噪后的目标复数干涉图中提取干涉相位，采用滑动窗口的方式遍历所述干涉相位，并对遍历到的每个第二滑动窗口内缠绕相位梯度进行校正，得到缠绕相位梯度校正后的目标复数干涉图；
利用迭代最小二乘法对缠绕相位梯度校正后的目标复数干涉图进行相位解缠，得到目标复数干涉图的相位解缠结果。
实施例3
本实施例提供的一种电子设备，包括存储器及处理器，所述存储器用于存储计算机程序，所述处理器运行所述计算机程序以使所述电子设备执行根据实施例1所述的InSAR相位解缠方法。
本实施例还提供了一种计算机可读存储介质，其存储有计算机程序，所述计算机程序被处理器执行时实现实施例1所述的InSAR相位解缠方法。
本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的***而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。
本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处。综上所述，本说明书内容不应理解为对本发明的限制。
Claims (10)
1.一种InSAR相位解缠方法，其特征在于，包括：
获取目标山区的两幅SAR影像，并根据两幅SAR影像得到复数干涉图；
将所述复数干涉图输入相位解缠模型，得到相位包裹数；所述相位解缠模型为采用训练集训练好的深度学习神经网络；
根据所述相位包裹数计算得到初步相位解缠结果；
利用滑动窗口奇异值修正模型相位梯度校正解缠方法得到所述复数干涉图上设定区域的相位解缠结果；
利用设定区域的相位解缠结果对所述初步相位解缠结果进行相位值修正，得到修正后的相位解缠结果；
利用迭代最小二乘法对修正后的相位解缠结果的不连续区域进行修正，得到最终相位解缠结果；
所述滑动窗口奇异值修正模型相位梯度校正解缠方法，具体包括：
利用滑动窗口的方式遍历目标复数干涉图，对遍历到的每个第一滑动窗口对应区域利用奇异值分解降噪，得到降噪后的目标复数干涉图；
从降噪后的目标复数干涉图中提取干涉相位，采用滑动窗口的方式遍历所述干涉相位，并对遍历到的每个第二滑动窗口内缠绕相位梯度进行校正，得到缠绕相位梯度校正后的目标复数干涉图；
利用迭代最小二乘法对缠绕相位梯度校正后的目标复数干涉图进行相位解缠，得到目标复数干涉图的相位解缠结果。
2.根据权利要求1所述的InSAR相位解缠方法，其特征在于，利用滑动窗口的方式遍历目标复数干涉图，对遍历到的每个第一滑动窗口对应区域利用奇异值分解降噪，得到降噪后的目标复数干涉图，具体包括：
采用第一滑动窗口遍历所述目标复数干涉图，将遍历到的每个第一滑动窗口均作为一个复数矩阵；
对每个所述复数矩阵进行奇异值分解，得到分解后的矩阵奇异值；
将分解后的矩阵奇异值中小于设定阈值的数值舍去，得到降噪后的复数矩阵；
当采用第一滑动窗口遍历所述目标复数干涉图结束后，由各降噪后的复数矩阵组成降噪后的目标复数干涉图。
3.根据权利要求1所述的InSAR相位解缠方法，其特征在于，从降噪后的目标复数干涉图中提取干涉相位，采用滑动窗口的方式遍历所述干涉相位，并对遍历到的每个第二滑动窗口内缠绕相位梯度进行校正，得到缠绕相位梯度校正后的目标复数干涉图，具体包括：
从所述降噪后的目标复数干涉图中提取干涉相位；
从所述干涉相位上选择一个点作为参考相位解缠点；
采用第二滑动窗口遍历所述干涉相位，并计算遍历到的每个第二滑动窗口内的相位梯度标准差和相位梯度平均值；
将遍历到的每个第二滑动窗口内大于相位梯度标准差的相位梯度数值替换后为相位梯度平均值，得到缠绕相位梯度校正后的目标复数干涉图。
4.根据权利要求1所述的InSAR相位解缠方法，其特征在于，所述深度学习神经网络为改进的U-Net网络，所述改进的U-Net网络的解码路径中，在U-Net网络的基础上，在每两个连续的卷积操作之间均***一个残差块，在编码路径上采样和解码路径下采样过程中，均加入了卷积块注意力模块，所述卷积块注意力模块包括通道注意力模块和空间注意力模块。
5.根据权利要求1所述的InSAR相位解缠方法，其特征在于，所述训练集中样本数据包括输入数据和标签数据，所述输入数据为初步相位解缠结果样本，所述标签数据为相位包裹数样本；所述输入数据为通过所述滑动窗口奇异值修正模型相位梯度校正解缠方法对复数干涉图样本数据处理得到的。
6.根据权利要求1所述的InSAR相位解缠方法，其特征在于，采用训练集训练深度学***均交叉熵损失函数作为损失函数，使用Adam优化器对深度学习神经网络的参数进行优化。
7.根据权利要求1所述的InSAR相位解缠方法，其特征在于，利用设定区域的相位解缠结果对所述初步相位解缠结果进行相位值修正，得到修正后的相位解缠结果，具体包括：
确定初步相位解缠结果上与所述设定区域对应位置上的相位解缠结果；
确定所述对应位置上的相位解缠结果与设定区域的相位解缠结果的相位值偏差；
利用所述相位值偏差对所述初步相位解缠进行相位值修正，得到修正后的相位解缠结果。
8.一种InSAR相位解缠***，其特征在于，包括：
复数干涉图确定模块，获取目标山区的两幅SAR影像，并根据两幅SAR影像得到复数干涉图；
相位包裹数确定模块，用于将所述复数干涉图输入相位解缠模型，得到相位包裹数；所述相位解缠模型为采用训练集训练好的深度学习神经网络；
初步相位解缠结果确定模块，用于根据所述相位包裹数计算得到初步相位解缠结果；
设定区域的相位解缠结果确定模块，用于利用滑动窗口奇异值修正模型相位梯度校正解缠方法得到所述复数干涉图上设定区域的相位解缠结果；
相位值修正模块，用于利用设定区域的相位解缠结果对所述初步相位解缠结果进行相位值修正，得到修正后的相位解缠结果；
不连续区域修正模块，用于利用迭代最小二乘法对修正后的相位解缠结果的不连续区域进行修正，得到最终相位解缠结果；
所述滑动窗口奇异值修正模型相位梯度校正解缠方法，具体包括：
利用滑动窗口的方式遍历目标复数干涉图，对遍历到的每个第一滑动窗口对应区域利用奇异值分解降噪，得到降噪后的目标复数干涉图；
从降噪后的目标复数干涉图中提取干涉相位，采用滑动窗口的方式遍历所述干涉相位，并对遍历到的每个第二滑动窗口内缠绕相位梯度进行校正，得到缠绕相位梯度校正后的目标复数干涉图；
利用迭代最小二乘法对缠绕相位梯度校正后的目标复数干涉图进行相位解缠，得到目标复数干涉图的相位解缠结果。
9.一种电子设备，其特征在于，包括存储器及处理器，所述存储器用于存储计算机程序，所述处理器运行所述计算机程序以使所述电子设备执行根据权利要求1至8中任一项所述的InSAR相位解缠方法。
10.一种计算机可读存储介质，其特征在于，其存储有计算机程序，所述计算机程序被处理器执行时实现如权利要求1至8中任一项所述的InSAR相位解缠方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311318313.7A CN117368916B (zh) | 2023-10-12 | 2023-10-12 | 一种InSAR相位解缠方法、***、设备及介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311318313.7A CN117368916B (zh) | 2023-10-12 | 2023-10-12 | 一种InSAR相位解缠方法、***、设备及介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117368916A CN117368916A (zh) | 2024-01-09 |
| CN117368916B true CN117368916B (zh) | 2024-06-14 |
Family
ID=89390393
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311318313.7A Active CN117368916B (zh) | 2023-10-12 | 2023-10-12 | 一种InSAR相位解缠方法、***、设备及介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117368916B (zh) |
Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CA2353720A1 (en) * | 2001-07-25 | 2003-01-25 | Brendan J. Frey | Method for unwrapping 2-dimensional phase signals |
Family Cites Families (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113552565B (zh) * | 2021-07-21 | 2023-07-18 | 中国矿业大学 | 针对sar数据高噪声及大梯度变化区域的相位解缠方法 |
| 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 |
| CN115272683A (zh) * | 2022-07-25 | 2022-11-01 | 广西科技大学 | 一种基于深度学习的中心差分信息滤波相位解缠方法 |
| CN115963498A (zh) * | 2022-12-31 | 2023-04-14 | 中南大学 | 一种冰川区InSAR大梯度相位解缠方法 |
-
2023
- 2023-10-12 CN CN202311318313.7A patent/CN117368916B/zh active Active
Patent Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CA2353720A1 (en) * | 2001-07-25 | 2003-01-25 | Brendan J. Frey | Method for unwrapping 2-dimensional phase signals |
Non-Patent Citations (1)
| Title |
|---|
| InSAR相位解缠算法的研究;肖枫;《中国优秀硕士学位论文全文数据库 基础科学辑》;20080715;全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117368916A (zh) | 2024-01-09 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Ravishankar et al. | Efficient blind compressed sensing using sparsifying transforms with convergence guarantees and application to magnetic resonance imaging | |
| 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 | |
| CN112419242A (zh) | 基于自注意力机制gan网络的无参考图像质量评价方法 | |
| CN103473755B (zh) | 基于变化检测的sar图像稀疏去噪方法 | |
| CN109887050B (zh) | 一种基于自适应字典学习的编码孔径光谱成像方法 | |
| CN106169174B (zh) | 一种图像放大方法 | |
| CN105488759B (zh) | 一种基于局部回归模型的图像超分辨率重建方法 | |
| CN115082308A (zh) | 基于多尺度局部自注意力的视频超分辨率重建方法及*** | |
| CN116819615B (zh) | 一种地震数据重建方法 | |
| CN116664419A (zh) | 多尺度特征融合降噪CNN网络的InSAR相位解缠方法 | |
| Cox | Template matching and measures of match in image processing | |
| CN113379647B (zh) | 一种优化psf估计的多特征图像复原方法 | |
| CN114926883A (zh) | 一种满足多种降质模型的人脸图像处理方法 | |
| CN117368916B (zh) | 一种InSAR相位解缠方法、***、设备及介质 | |
| Perera et al. | Sar despeckling using overcomplete convolutional networks | |
| CN112200752A (zh) | 一种基于er网络多帧图像去模糊***及其方法 | |
| 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 | |
| CN113066023B (zh) | 一种基于自校准卷积神经网络的sar图像去斑方法 | |
| CN111932473B (zh) | 一种多分辨率稀疏编码的相位信息降噪算法及存储介质 | |
| CN111986114B (zh) | 一种基于自监督约束的双尺度图像盲去噪方法及*** | |
| CN113077379B (zh) | 特征潜码的提取方法及装置、设备及存储介质 | |
| Fan et al. | Single image super resolution method based on edge preservation | |
| CN114998142A (zh) | 一种基于密集特征多监督约束的运动去模糊方法 | |
| Mohammed et al. | Master GAN: Multiple attention is all you need: A multiple attention guided super resolution network for DEMs |
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 |