[发明专利]一种融合1D-CNN与BiLSTM神经网络的时序InSAR高相干点提取方法

说明书

本发明公开了一种融合1D‑CNN与BiLSTM神经网络的时序InSAR高相干点提取方法，首先构建高相干点神经网络，然后用时序SAR复数数据形成的幅度序列和干涉相干系数图序列以及高相干点标记影像构成的2套训练样本集分别训练高相干点神经网络，之后将待检测的上述类型的测试时序数据分别输入训练好的各自对应数据类型的高相干点神经网络，输出各自的高相干点提取的中间结果，并对中间结果进行交集运算，进而实现高相干点的最终提取。

技术领域

本发明属于时序InSAR地面形变监测技术领域，特别涉及时序InSAR高相干点提取，尤其涉及一种融合1D-CNN与BiLSTM神经网络的时序InSAR高相干点提取方法。

背景技术

以永久散射体干涉(Permanent Scatterer Interferometry,PS-InSAR)技术和小基线集技术(Small Baseline Subset Interferometry,SBAS InSAR)为代表的时间序列InSAR技术因可以克服时空失相干等问题在近10多年得到迅速发展。而时间序列InSAR技术可以克服时空失相干等问题的关键在于时间序列InSAR处理的对象不再是整幅影像的所有像元，而是具有稳定散射特性的高相干点。所以，高相干点的准确提取是时间序列InSAR技术成功的关键。目前，对于高相干点提取的主要手段是阈值分割方法，通过对由时间序列SAR复数数据产生的平均相干系数、振幅离差指数或者平均幅度等设置适当的阈值完成高相干点的提取或者综合多种阈值进行高相干点的提取。

基于阈值分割的高相干点提取方法需要根据经验设置阈值，但是人工难以对阈值进行精准的把握，容易造成高相干点的漏选或错选，尤其是多阈值串行的高相干点提取方法需要对多种阈值进行反复调整才能满足数据处理的要求，处理过程相当耗时。

发明内容

(一)发明目的

为克服上述现有技术存在的缺陷，自动对阈值进行精准的把握，尽量避免高相干点的漏选或错选，节约数据处理的耗时，通过融合1D-CNN与BiLSTM神经网络，提取时序InSAR高相干点，从而可以自动确定时序InSAR高相干点，解决高相干点提取过程中最优阈值难以确定的问题，本申请公开了以下技术方案。

(二)技术方案

本发明公开了一种融合1D-CNN与BiLSTM神经网络的时序InSAR高相干点提取方法，包括：

通过融合1D-CNN神经网络与BiLSTM神经网络来构建高相干点神经网络；

用不同类型数据序列和高相干点标记影像构成的2套训练样本集分别训练所述高相干点神经网络；

将待检测的所述类型的测试时序数据分别输入训练好的各自对应数据类型的所述高相干点神经网络，输出各自高相干点提取的中间结果；

对所述中间结果进行交集运算，输出最终的高相干点提取结果。

在一种可能的实施方式中，所述通过融合1D-CNN神经网络与BiLSTM神经网络来构建高相干点神经网络，包括：

利用1D-CNN神经网络学习输入时序数据的抽象特征，得到抽象特征矢量；

利用BiLSTM神经网络对所述抽象特征矢量进行时序建模，得到长依赖关系；

利用2个全连接层综合学习所述长依赖关系，得到全连接层输出；

使用分类函数对所述全连接层输出进行高相干点和非相干点的逻辑分类。

在一种可能的实施方式中，所述BiLSTM神经网络包括一个正向时序LSTM神经网络和一个逆向时序LSTM神经网络，每个LSTM神经网络均由N个LSTM细胞单元组成，所述细胞单元的个数等于1D-CNN输出抽象特征的时间点数；