多通道干涉图高程重建的方法、系统及装置

1.本发明涉及干涉图重建领域，尤其是涉及一种多通道干涉图高程重建的方法、系统及装置。


背景技术：

2.干涉合成孔径雷达(insar)独立于天气条件和日光，能够通过应用从两幅sar图像中获取的相位差与地形高度值之间的已知关系来获得地形表面的高程信息，并被广泛应用于各个领域，包括地形测绘、表面变形监测、，以及探测特殊目标。从两幅sar图像中获取的相位差通常也称为展开相位，由于复数insar信号的逆三角运算，通过模2π映射将其映射到主值区间(-π，π)。相位展开(pu)是干涉sar数据处理的关键技术之一，在insar技术的应用中起着非常重要的作用。在严格遵守相位连续性假设(即像素与其邻居之间的相位差的绝对值小于π)的情况下，以goldstein分支切割方法]、质量引导方法和网络流方法为代表的单基线pu方法通常工作良好。然而，由于不连续性和/或干涉噪声的存在，例如在陡峭的山脉、悬崖和城市地区，单个基线pu所需的相位连续性假设并不总是得到满足，那么在这种情况下，测量的包裹相位的pu就成了一个不适定的问题。多基线pu消除了单基线pu必须遵循的相位连续性假设的局限性，可以有效地解决坡度变化较大的地形的高程重建问题。
3.在过去的二十年里，相继提出了基于不同策略的多通道insar高程重建算法(即本研究中的多基线pu算法)，包括中国剩余定理(crt)方法[8]、最小二乘法(ls)、最大似然法(ml)、最大后验法(map)、聚类分析(ca)方法，子空间投影(spj)方法、两阶段规划方法(tspa)以及基于非线性滤波器的状态估计方法等。crt方法首先构造了与干涉基线长度相关的相位的同余方程，然后利用中国余数定理对方程进行求解，得到与观测地形高度值相对应的相位。crt方法通常可以准确地重建观测地形的高程，前提是其干涉基线长度严格满足该方法所需的相关条件，但其性能受到干涉图中存在的噪声的严重限制。为了提高crt方法的抗噪声性能，在中报道了改进的crt方法。多基线ls方法可以看作是传统单基线ls方法的扩展，通过在ls准则下对相应基线长度加权的相位进行平均来获得地形高程的全局解。多基线ls方法的抗噪声性能通常优于crt方法，然而，当从与干涉基线相对应的多个干涉图中提取高程梯度时，该方法获得的观测地形的高程重建精度将严重降低，与观测地形的真实高程梯度有很大偏差。ml方法将展开相位/或地形高度视为统计分布框架中的一个参数，并建立展开相位/和地形高度的概率密度函数，然后通过最大化根据ml准则构建的概率密度功能来实现参数的最优估计。ml方法需要大量的观测源才能获得可靠的结果，这可能会大大增加实现满足要求的多通道insar系统的成本。与ml方法类似，map方法是基于贝叶斯估计器的马尔可夫统计方法，其中使用马尔可夫随机场建立地形的相位/高度的先验模型。与ml方法相比，map方法在一定程度上减少了对所需干涉图数量的依赖，有时即使干涉图数量小于ml方法所需的数量，这些方法也可以获得观测场景的可靠高程估计，但要求更高的计算复杂度和更多的时间消耗。
[0004]
基于ca的方法根据多个基线长度不同的insar干涉图的像素组合信息，将干涉图
中的所有像素聚类为不同的组，然后利用每个聚类中心的信息逐组展开包裹的像素。这些方法通常是有效的，但它们通常对测量偏差和噪声有点敏感。应用几种bm3d噪声滤波策略来提高基于ca准则的多通道高程重建方法的鲁棒性和准确性。spj方法提出了一种基于spj的联合处理思想，用于同时执行多基线insar系统的图像配准、相位噪声抑制和pu。提出了一种将单基线pu框架移植到多基线pu上的方法，称为tspa，以提高多基线pu的抗噪性，为提高多通道insar系统的高程重建精度提供了完美的思路。将tspa方法与基于多基线lk范数包络稀疏性定理的平铺策略相结合，降低了pu对大规模干涉图的计算复杂度和内存需求，从而有效地处理了大规模干涉图中的pu问题。提出了一种改进的基于tspa的pu方法，该方法结合了无迹卡尔曼滤波器，以增强算法在观测地形高程重建中对噪声和测量偏差的鲁棒性。提出了另一种改进的tspa方法，以通过联合处理局部区域中的相位信息来准确估计模糊度数梯度来提高观测场景的干涉相位或高度估计的准确性。相继提出了基于扩展卡尔曼滤波器(ekf)、无迹卡尔曼滤波器(ukf)和粒子滤波器(pf)的状态估计算法。这些方法通常以干涉相位或地形高度作为待估计的状态变量，并通过建立表示地形的相位或高度的推导的状态空间方程和观测方程，将pu或地形高度的估计转化为状态变量的估计问题，然后通过有效地融合多基线insar数据来获得地形的相位估计或高度估计。这些方法通常可以从有噪声的干涉图中重建高程，具有很强的噪声鲁棒性，但它们的时间消耗通常很高。此外，将puma方法应用于单干涉图的pu，扩展到多通道insar高程重建，以减少干涉图中存在的噪声对insar系统地形高程重建精度的影响。
[0005]
深度学习(dl)是一种机器学习技术，已成功应用于语音、自动控制和图像处理领域，并显示出与传统技术相比的巨大优势。随着cpu、gpu等相关硬件的快速发展，dl已逐渐应用于sar目标检测、sar图像滤波、干涉图pu等。2019年，滕章将干涉图pu问题转化为干涉图语义分割问题，其中，像素的整数相位包裹计数器(pwc)值首先通过deeplabv3+获得，然后通过将pwc及其相应的包裹相位相加来获得像素的展开相位。2021年，pu构建了名为pgnet的dl网络，以提高干涉图相位梯度的估计精度，然后与传统的pu算法相结合，以获得高依赖性的展开相位。高提出了一种称为d-link网络的dl网络，以提高干涉图相位梯度估计的准确性，从而提高pu中无迹卡尔曼滤波pu算法对噪声严重、相位梯度大的干涉图的鲁棒性。提出了一种条件生成对抗性网络，即pu-gan网络来对干涉图执行pu运算(即，通过使用网络执行干涉图的包裹相位与其展开相位之间的映射关系来实现干涉图的pu)，并从噪声干涉图中获得了可接受的结果。2022年，周提出了一种称为canet的无监督深度卷积神经网络，将多通道insar系统的pu问题转化为无监督聚类分析问题，并获得了流行的解决方案。上述工作促进了dl技术在干涉图pu领域的发展，也为dl技术在多通道insar系统pu或高程重建领域的进一步应用提供了完美的思路。


技术实现要素：

[0006]
本发明的目的在于提供一种多通道干涉图高程重建的方法、系统及装置，旨在解决多通道干涉图高程重建。
[0007]
本发明提供基于双流网络的多通道干涉图高程重建方法，包括：
[0008]
s1、构建由高程重建流和边界检测流组成的双流网络；
[0009]
s2、构建具有不同地形特征的数据集，定义最优损失函数并训练双流网络；
[0010]
s3、将多通道干涉图输入训练好的双流网络，建立多通道干涉图和高程图以及边界图之间双映射关系，完成多通道干涉图高程重建。
[0011]
本发明提供一种基于双流网络的多通道干涉图高程重建的系统，包括：
[0012]
双流网络模块，用于构建由高程重建流和边界检测流组成的双流网络；
[0013]
训练模块，用于构建具有不同地形特征的数据集，定义最优损失函数并训练双流网络；
[0014]
重建模块，用于将多通道干涉图输入训练好的双流网络，建立多通道干涉图和高程图以及边界图之间双映射关系，完成多通道干涉图高程重建。
[0015]
本发明实施例还提供一种基于双流网络的多通道干涉图高程重建的系统，包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述计算机程序被所述处理器执行时实现上述方法的步骤。
[0016]
本发明实施例还提供一种计算机可读存储介质，所述计算机可读存储介质上存储有信息传递的实现程序，所述程序被处理器执行时实现上述方法的步骤。
[0017]
采用本发明实施例，可以实现基于双流网络的多通道干涉图高程重建。
[0018]
上述说明仅是本发明技术方案的概述，为了能够更清楚了解本发明的技术手段，依照说明书的内容予以实施，并且为了让本发明的上述和其它目的、特征和优点能够更明显易懂，以下特举本发明的具体实施方式。
附图说明
[0019]
为了更清楚地说明本发明具体实施方式或现有技术中的技术方案，下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施方式，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
[0020]
图1是本发明实施例的基于双流网络的多通道干涉图高程重建的方法流程图；
[0021]
图2是本发明实施例的基于双流网络的多通道干涉图高程重建的方法的培训预测示意图；
[0022]
图3是本发明实施例的基于双流网络的多通道干涉图高程重建的方法的双流网络示意图；
[0023]
图4是本发明实施例的基于双流网络的多通道干涉图高程重建的方法的bneck模型示意图；
[0024]
图5是本发明实施例的基于双流网络的多通道干涉图高程重建的方法的sa模块示意图；
[0025]
图6是本发明实施例的基于双流网络的多通道干涉图高程重建的方法的残差块示意图；
[0026]
图7是本发明实施例的基于双流网络的多通道干涉图高程重建的系统的示意图，
[0027]
图8是本发明实施例的基于双流网络的多通道干涉图高程重建的装置示意图。
具体实施方式
[0028]
下面将结合实施例对本发明的技术方案进行清楚、完整地描述，显然，所描述的实
施例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。
[0029]
方法实施例
[0030]
根据本发明实施例，提供了一种基于双流网络的多通道干涉图高程重建的系统，图1是本发明实施例的基于双流网络的多通道干涉图高程重建的方法流程图，如图1所示，具体包括：
[0031]
本研究提出了一种基于dl的多通道insar高程重建方法，其中由高程重建流和边界检测流组成的双流网络称为ersbds，以重建观测地形的高程图(即使用所构建的网络实现从不同基线获取的多个干涉图与观测地形的标高之间的映射关系)。首先，分别使用高程重建流网络和边界检测流网络执行高程重建和地形边界检测任务。其次，高程重建流网络采用了改进的deeplabv3+，遵循了经典的编解码结构。为了降低模型的复杂性并提高高程重建精度，编码器中的xception网络被称为mobilenetv3的轻量级网络所取代，这有助于更准确地捕获相位信息，同时减少网络参数的数量。空间注意力(sa)模块被添加到编码和解码路径，以增强对特征图的空间信息的关注。第三，边界检测流网络主要由简单高效的残差模块组成，可以执行地形边界检测任务。最后，边界检测流网络将边界信息汇聚到高程重建流中，有利于增强网络的鲁棒性，有效提高观测场景的高程重建精度。训练后的网络可以直接处理从不同基线获取的多个干涉图，以实现高程重建，而无需任何后处理程序。
[0032]
2建议方法
[0033]
ersbds网络通过构建包括高程重建流和边界检测流的合适网络，构建具有不同地形特征的数据集，定义最优损失函数并选择合适的训练策略，在多通道干涉图和高程图以及边界图之间建立了双映射关系，图2是本发明实施例的基于双流网络的多通道干涉图高程重建的方法的培训预测示意图；
[0034]
如图2(a)所示，其中对应于三个不同基线长度的三个尺寸为256
×
256的干涉图被组合成尺寸为(256
×
256)
×
3的三通道特征图，作为ersbds网的输入。通过使用训练后的网络处理输入干涉图，可以获得观测地形的高程图[即尺寸为(256
×
256)
×
3的3通道输入特征图，对应于三个不同的基线长度]，如图2(b)所示为培训网络。其中高程重建流重建观测地形的高程图，同时边界检测流检测观测地形的边界，并使用后面描述的最优损失函数更新网络。
[0035]
图3是本发明实施例的基于双流网络的多通道干涉图高程重建的方法的双流网络示意图；
[0036]
deeplabv3+网络作为经典的语义分割体系结构之一，遵循编码器-解码器的结构，以其优异的性能在许多领域得到了应用。为此，本研究将改进的deeplabv3+作为高程重建流的骨架，如图3所示。其中改进的deep labv3+网络由编码器和解码器组成。
[0037]
(1)编码器主要由四个块组成：深度卷积神经网络(dcnn)、萎缩空间金字塔池(aspp)、sa模块和卷积层。dcnn使用称为mobilenetv3的光网络来取代deeplabv3+中应用的修改后的对齐xception网络，该网络可以提取具有更高语义信息的更精细的特征图。assp模块融合不同尺度的特征图，sa模块用于增强对assp模块输出的特征图的空间信息的关注，然后使用“1
×
1conv(卷积)+bn(批量归一化)+relu(整流线性单元)”操作来调整输出特
征图的通道数。编码器输出具有高语义信息的256个通道特征图，分辨率为16
×
16。
[0038]
(2)在解码阶段，由dcnn输出的低级特征图(即，特征图由mobilenetv3中的第六个bneck单元输出)通过“1
×
1卷积+bn+relu”操作进行调整，以获得大小为64
×
64的128个通道特征图(表示为dcnn特征图)。同时，对编码器输出的具有高语义信息的特征图进行“4+1
×
1卷积上采样”运算(即4
×
4双线性插值上采样卷积运算)，然后获得大小为64
×
64的256个通道特征图，并与dcnn特征图级联，由sa单元和“1
×
1conv+bn+relu”单元进一步处理，以及“4+1
×
1卷积上采样”单元，以获得大小为256
×
256的256个通道特征图(表示为ers特征图)。然后，由边界检测流中的res块单元输出的包含相位细节和边缘信息的32个通道特征图与ers特征图级联，并由“3
×
3conv+bn+relu”单元进一步处理，以获得与从网络输入的包裹相位图像相对应的观测地形的高程图。
[0039]
a.移动网络v3网络
[0040]
作为一种轻量级网络，mobilenetv3结合了深度可分离卷积、逆残差结构以及压缩和激励(se)单元，大大减少了参数的数量，同时保持了网络从多通道干涉图中完全提取特征信息的能力。dcnn模块采用的mobilenetv3网络，其中“input”为输入特征图的维数，“exp-size”为bneck单元第一层“1
×
1卷积”运算输出的特征图的通道数，“out”为输出特征图的信道数，“se”表示是否使用se单元；“nl”表示使用哪种激活函数，“hs”表示h-swish激活函数，而“re”表示relu激活函数，以及“s”表示卷积的步长。
[0041]
图4是本发明实施例的基于双流网络的多通道干涉图高程重建的方法的bneck模型示意图；
[0042]
图4显示了mobilenetv3中的bneck模型。
[0043]
b.sa模块
[0044]
图5是本发明实施例的基于双流网络的多通道干涉图高程重建的方法的sa模块示意图；
[0045]
sa模块如图5所示。通过并行平均池化和最大池化来处理输入特征图(fin)，然后级联，通过“3
×
3conv”运算和sigmoid函数单元进行进一步处理，获得每个特征通道的权重。最后，将权重乘以输入特征图(fin)以获得输出特征图。sa模块可以使网络更加关注干涉图中的重要空间信息，并有助于生成更有效的特征图。
[0046]
图6是本发明实施例的基于双流网络的多通道干涉图高程重建的方法的残差块示意图；
[0047]
边界检测流如图3所示，其中包含三个残差块(res块，如图6所示)和四个“conv+bn+relu”单元。将第三res块输出的边界信息合并到高程重建流中，以增强高程重建流对复杂地形边界的敏感性，从而提高高程重建的精度。最后的卷积单元减少特征图的通道数量，并输出估计的边界图。边界检测流中res块和“conv+bn+relu”单元的结构参数，其中“input”表示输入特征图的大小，“channels”表示每个卷积层的输出通道的数量。
[0048]
ersbds网络建立了多通道干涉图与高程图和边界图之间的对偶映射关系，本质上是一个对偶输出网络。因此，考虑了两个合适的损失函数：高程重建流的均方误差(mse)和边界检测流的二进制交叉熵(bce)。mse和bce的计算如下：
[0049]
[0050][0051]
loss＝loss1+loss2ꢀꢀꢀꢀꢀꢀ
(3)
[0052]
其中，loss1是高程重建流的损失，loss2是边界检测流的损失。n是图像像素的数量，yi是真实高程图(即标签图像)的像素i处的高度值；是由ersbds net获得的估计高程图的像素i处的高度值；yi表示表示表示真实高程图的边界的二进制标签图像的像素i处的二进制值，取0或1；p(yi)是指ersbds net获得的标签yi的概率；损失是指ersbds净损失的总和。
[0053]
本发明高程重建流采用了一种改进的deeplabv3+架构，在编码器中用名为mobilenetv3的轻量级网络取代了xception网络，不仅减少了网络参数，而且保持了网络的性能，然后将空间注意力模块添加到编码和解码路径中，以增强网络对特征图的空间信息的关注。其次，边界检测流主要由残差块组成，残差块可以检测观测地形的边界信息，并将其合并到高程重建流中，以提高观测场景的高程估计精度。最后，构建合适的数据集，使经过训练的网络能够准确地重建观测场景的高程图。观测场景的多通道insar高程重建实验证明了该方法的有效性，并与一些最常用的方法相比，显示了该方法在高程重建的准确性和效率方面的优势。
[0054]
系统实施例
[0055]
根据本发明实施例，提供了一种基于双流网络的多通道干涉图高程重建的系统，图7是本发明实施例的基于双流网络的多通道干涉图高程重建的系统的示意图，如图7所示，具体包括：
[0056]
双流网络模块，用于构建由高程重建流和边界检测流组成的双流网络；
[0057]
训练模块，用于构建具有不同地形特征的数据集，定义最优损失函数并训练双流网络；
[0058]
重建模块，用于将多通道干涉图输入训练好的双流网络，建立多通道干涉图和高程图以及边界图之间双映射关系，完成多通道干涉图高程重建。
[0059]
双流网络模块具体用于：构建由高程重建流和边界检测流组成的双流网络，所述双流网络包括编码器和解码器。
[0060]
编码器具体包括：编码器由四个块组成：依次连接的深度卷积神经网络、萎缩空间金字塔池、sa模块和卷积层，深度卷积神经网络用于提取多通道干涉图中的高级语义信息的不同尺度特征图；萎缩空间金字塔池用于融合不同尺度的特征图，sa模块用于增强对萎缩空间金字塔池输出的融合特征图的空间信息的关注，使用1
×
1卷积+批量归一化+整流线性单元的卷积层来调整输出特征图的通道数，编码器输出具有高语义信息的256个通道特征图，分辨率为16
×
16。
[0061]
解码器具体包括：
[0062]
在解码阶段，深度卷积神经网络输出低级特征图，将低级特征图通过1
×
1卷积+bn+relu操作进行调整，调整后获得大小为64
×
64的128个通道特征图；对编码器输出的具有高语义信息的特征图进行4+1
×
1卷积上采样运算后获得大小为64
×
64的256个通道特征图，通道特征图与输出特征图级联后由sa单元和1
×
1conv+bn+relu单元进一步处理，处理
后通过4+1
×
1卷积上采样单元获得大小为256
×
256的256个通道特征图；然后，由边界检测流中的残差块单元输出的包含相位细节和边缘信息的32个通道特征图与残差块特征图级联，并由3
×
3conv+bn+relu单元进一步处理，以获得与从网络输入的包裹相位图像相对应的观测地形的高程图，完成重建。
[0063]
本发明实施例是与上述方法实施例对应的系统实施例，各个模块的具体操作可以参照方法实施例的描述进行理解，在此不再赘述。
[0064]
装置实施例一
[0065]
本发明实施例提供一种本发明实施例的基于双流网络的多通道干涉图高程重建的装置的示意图，如图8所示，包括：存储器80、处理器82及存储在存储器80上并可在处理器82上运行的计算机程序，计算机程序被处理器执行时实现上述方法实施例中的步骤。
[0066]
装置实施例二
[0067]
本发明实施例提供一种计算机可读存储介质，计算机可读存储介质上存储有信息传输的实现程序，程序被处理器82执行时实现上述方法实施例中的步骤。
[0068]
最后应说明的是：以上各实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述各实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换本发明各实施例技术方案，并不使相应技术方案的本质脱离本方案的范围。

技术特征：
1.一种基于双流网络的多通道干涉图高程重建的方法，其特征在于，包括：s1、构建由高程重建流和边界检测流组成的双流网络；s2、构建具有不同地形特征的数据集，定义最优损失函数并训练双流网络；s3、将多通道干涉图输入训练好的双流网络，建立多通道干涉图和高程图以及边界图之间双映射关系，完成多通道干涉图高程重建。2.根据权利要求1所述的方法，其特征在于，所述s1具体包括：构建由高程重建流和边界检测流组成的双流网络，所述双流网络包括编码器和解码器。3.根据权利要求2所述的方法，其特征在于，所述编码器具体包括：编码器由四个块组成：依次连接的深度卷积神经网络、萎缩空间金字塔池、sa模块和卷积层，深度卷积神经网络用于提取多通道干涉图中的高级语义信息的不同尺度特征图；萎缩空间金字塔池用于融合不同尺度的特征图，sa模块用于增强对萎缩空间金字塔池输出的融合特征图的空间信息的关注，使用1
×
1卷积+批量归一化+整流线性单元的卷积层来调整输出特征图的通道数，编码器输出具有高语义信息的256个通道特征图，分辨率为16
×
16。4.根据权利要求3所述的方法，其特征在于，所述解码器具体包括：在解码阶段，深度卷积神经网络输出低级特征图，将低级特征图通过1
×
1卷积+bn+relu操作进行调整，调整后获得大小为64
×
64的128个通道特征图；对编码器输出的具有高语义信息的特征图进行4+1
×
1卷积上采样运算后获得大小为64
×
64的256个通道特征图，通道特征图与输出特征图级联后由sa单元和1
×
1conv+bn+relu单元进一步处理，处理后通过4+1
×
1卷积上采样单元获得大小为256
×
256的256个通道特征图；然后，由边界检测流中的残差块单元输出的包含相位细节和边缘信息的32个通道特征图与残差块特征图级联，并由3
×
3conv+bn+relu单元进一步处理，以获得与从网络输入的包裹相位图像相对应的观测地形的高程图，完成重建。5.一种基于双流网络的多通道干涉图高程重建的系统，其特征在于，包括：双流网络模块，用于构建由高程重建流和边界检测流组成的双流网络；训练模块，用于构建具有不同地形特征的数据集，定义最优损失函数并训练双流网络；重建模块，用于将多通道干涉图输入训练好的双流网络，建立多通道干涉图和高程图以及边界图之间双映射关系，完成多通道干涉图高程重建。6.根据权利要求5所述的系统，其特征在于，所述双流网络模块具体用于：构建由高程重建流和边界检测流组成的双流网络，所述双流网络包括编码器和解码器。7.根据权利要求6所述的系统，其特征在于，所述编码器具体包括：编码器由四个块组成：依次连接的深度卷积神经网络、萎缩空间金字塔池、sa模块和卷积层，深度卷积神经网络用于提取多通道干涉图中的高级语义信息的不同尺度特征图；萎缩空间金字塔池用于融合不同尺度的特征图，sa模块用于增强对萎缩空间金字塔池输出的融合特征图的空间信息的关注，使用1
×
1卷积+批量归一化+整流线性单元的卷积层来调整输出特征图的通道数，编码器输出具有高语义信息的256个通道特征图，分辨率为16
×
16。8.根据权利要求7所述的系统，其特征在于，所述解码器具体包括：在解码阶段，深度卷积神经网络输出低级特征图，将低级特征图通过1
×
1卷积+bn+relu操作进行调整，调整后获得大小为64
×
64的128个通道特征图；对编码器输出的具有高语义信息的特征图进行4+1
×
1卷积上采样运算后获得大小为64
×
64的256个通道特征图，
通道特征图与输出特征图级联后由sa单元和1
×
1conv+bn+relu单元进一步处理，处理后通过4+1
×
1卷积上采样单元获得大小为256
×
256的256个通道特征图；然后，由边界检测流中的残差块单元输出的包含相位细节和边缘信息的32个通道特征图与残差块特征图级联，并由3
×
3conv+bn+relu单元进一步处理，以获得与从网络输入的包裹相位图像相对应的观测地形的高程图，完成重建。9.一种基于双流网络的多通道干涉图高程重建的装置，其特征在于，包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述计算机程序被所述处理器执行时实现如权利要求1至4中任一项所述的基于双流网络的多通道干涉图高程重建的方法的步骤。10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储有信息传递的实现程序，所述程序被处理器执行时实现如权利要求1至4中任一项所述的基于双流网络的多通道干涉图高程重建的方法的步骤。

技术总结
本发明公开了一种基于双流网络的多通道干涉图高程重建的方法，包括：S1、构建由高程重建流和边界检测流组成的双流网络；S2、构建具有不同地形特征的数据集，定义最优损失函数并训练双流网络；S3、将多通道干涉图输入训练好的双流网络，建立多通道干涉图和高程图以及边界图之间双映射关系，完成多通道干涉图高程重建。本发明可以实现基于双流网络的多通道干涉图高程重建。图高程重建。图高程重建。


技术研发人员：蔡长青 高梦恬 徐昊雯 梁增贤 吴佳臻 余晓雯 李丹虹 梁懋林 卢思雅
受保护的技术使用者：广州大学
技术研发日：2023.07.11
技术公布日：2023/10/15