[发明专利]一种结合深度学习的改进最小二乘相位解缠方法及系统

说明书

本发明公开一种结合深度学习的改进最小二乘相位解缠方法及系统，首先获取待处理的图像数据；按照改进最小二乘解模型求解待处理的图像数据的相位解缠结果，利用相位梯度预测网络结构得到预测的水平相位梯度预测结果和垂直相位梯度预测结果，最后将其代入到最小二乘法的快速求解准确地获取解缠相位。本发明提供的结合深度学习改进的最小二乘相位解缠方法，结合深度学习预测InSAR处理中带噪声缠绕相位对应的相位梯度，本方法利用卷积神经网络的相位梯度预测结果在高信噪比情况下依然发挥稳定，比传统最小二乘解缠算法所使用的缠绕相位梯度更加的准确。改进后的最小二乘相位解缠算法不易受相位质量和噪声等因素的影响，解缠结果稳定性得到大幅度提高。

技术领域

本发明涉及合成孔径雷达干涉测量技术领域，特别是一种结合深度学习改进的最小二乘相位解缠方法及系统。

背景技术

相位解缠技术是干涉合成孔径雷达技术中的重要一环，解缠算法的效率直接影响InSAR产品的生产时长，解缠算法的准确度则直接影响InSAR产品的质量。在众多的相位解缠算法中，传统的基于FFT变换的最小二乘解缠算法由于可以通过快速傅里叶变换求解，因此它的运算效率很高，在InSAR生成过程中被广泛应用。

传统最小二乘解缠算法的整体思路是使真实相位梯度和缠绕相位梯度之间的二范数最小。然后由于缠绕相位受干涉质量、相位噪声等因素的影响，缠绕相位梯度同真实相位梯度之间存在较大的偏差，这种偏差在该算法中被平均地分布到全局的解缠结果上面，从而容易导致解缠结果偏离真实值。

发明内容

有鉴于此，本发明的目的在于提供一种结合深度学习改进的最小二乘相位解缠方法，该方法结合深度学习预测InSAR处理中带噪声缠绕相位对应的相位梯度，并利用该预测结果求得绝对相位的最小二乘解。

本发明提供的结合深度学习的改进最小二乘相位解缠方法，包括以下步骤：

获取待处理的图像数据；

建立最小二乘解缠模型得到最小二乘算法公式中的缠绕相位梯度：

构建用于实现绝对相位梯度预测的卷积神经网络，并产生对应的样本集和标签集进行训练，得到相位梯度预测结果；

将相位梯度预测结果替代最小二乘算法公式中的缠绕相位梯度得到改进后的最小二乘解模型；

使用快速傅里叶变换及其逆变换求得绝对相位的最小二乘解，作为图像数据的相位解缠结果。

进一步，所述改进后的最小二乘解模型按照以下公式建立：

其中，表示待求解的绝对相位；M表示相位图的行数；N表示相位图的列数；px代表水平相位梯度预测结果，py代表垂直相位梯度预测结果，下标(i,j)代表像元坐标位置。

进一步，所述水平相位梯度预测结果和垂直相位梯度预测结果是按照以下步骤进行计算：

建立相位梯度预测网络结构，所述网络结构包括多尺度特征提取子网络和多通道特征权重子网络；所述多尺度特征提取子网络包括若干不同尺度的卷积核和残差网络结构，所述多尺度特征提取子网络通过不同尺度的卷积核和对应的残差网络结构提取不同尺度的特征；所述多通道特征权重子网络对不同尺度的特征设置不同的权重。

利用相位梯度预测网络结构得到水平相位梯度预测结果和垂直相位梯度预测结果。

进一步，所述改进后的最小二乘解模型是按照以下步骤构建的：

按照以下公式计算水平方向和垂直方向上的相位梯度：

其中，和分别代表水平方向和垂直方向上的相位梯度，ψ_(i,j)代表绝对相位，代表缠绕相位，下标(i,j)代表像元位置；