一种基于深度学习的干涉合成孔径雷达偏移量测量方法

1.本发明涉及一种基于深度学习的干涉合成孔径雷达偏移量测量方法，更具体地说，是一种基于深度学习的干涉合成孔径雷达(interferometric synthetic aperture radar，insar)主、辅单视复(single look complex，slc)图像之间的精密偏移量测量方法，属于图像处理技术领域。


背景技术：

2.干涉合成孔径雷达(interferometric synthetic aperture radar，insar)作为一种重要的测绘工具，其对于全球数字高程模型(digital elevation model，dem)生成、形变测量等应用有着重要的意义。目前，干涉处理流程中的许多步骤都依赖于偏移量测量，例如：干涉图像的配准、相位解缠绕、绝对相位测量等。一些研究采用外部数字高程模型模拟绝对相位，来辅助上述流程。然而，外部数字高程模型信息并不总是可用的，并且其分辨率、精度都会对处理结果产生影响。因此，从干涉合成孔径雷达图像对的内部提取高质量的偏移量是十分重要的。
3.目前的相干偏移量估计算法存在两个关键问题：第一个问题是分辨率与测量精度之间的取舍。根据偏移量和测量方差之间的关系，随着样本数量增加，估计精度提升，但偏移量图的分辨率会下降。第二个问题是相干偏移量测量算法需要先验信息对地形相位进行补偿。在没有外部数字高程模型的情况下，地形相位很难得到补偿，相干偏移量估计将不满足高斯圆分布假设，导致误差增加。因此低噪声、高分辨率、高性能的干涉合成孔径雷达偏移量测量方法有待进一步研究和发展。


技术实现要素：

4.在考虑现有技术存在上述问题的情况下，设计了本发明。本发明的目的在于对干涉合成孔径雷达应用中的偏移量精密测量，以生成高分辨率、低噪声的偏移量图，用于后续干涉合成孔径雷达图像的配准、相位解缠绕、绝对相位测量等应用。
5.为达到上述目的，本发明提供的技术方案为：一种基于深度学习的干涉合成孔径雷达偏移量测量方法，其步骤为：1、将辅单视复图像在偏移量测量区间内以固定间隔相对主单视复图像移动，并构建多尺度相干系数立方体；2、采用三维卷积神经网络和最大值池化对多尺度相干系数立方体进行特征融合，得到融合特征图；3、利用三维卷积神经网络对融合特征图进行编码；4、通过全连接网络对编码后的融合特征图进行逐像素解码，得到偏移量图。
6.进一步，步骤将辅单视复图像在偏移量测量区间内以固定间隔相对主单视复图像移动，并构建多尺度相干系数立方体的具体方法为：将辅单视复图像以固定间隔沿距离向相对主单视复图像进行移动，得到一系列不
同偏移量的辅单视复图像，随后利用这些经过移动的辅单视复图像与主单视复图像计算相干系数图，将这些不同偏移量对应的相干系数图按偏移量从小到大的顺序进行堆叠，得到三维的相干系数立方体，根据计算相干系数图采用的估计窗口大小不同，得到不同尺度的相干系数立方体。
7.进一步，步骤采用三维卷积神经网络和最大值池化方法对多尺度相干系数立方体进行特征融合，得到融合特征图的具体方法为：利用三维卷积神经网络，分别对不同尺度的相干系数立方体处理，得到不同尺度的三维特征图，随后采用最大值池化方法，以分辨率最低的三维特征图为基准，将不同尺度的三维特征图降采样为相同的分辨率，并将这些分辨率相同的特征图视为同一组特征进行合并，得到融合特征图。
8.进一步，步骤利用三维卷积神经网络对融合特征图进行编码的具体方法为：利用一系列三维卷积神经网络处理融合特征图，首先，三维卷积神经网络的输出特征图数量逐级增加，采用最大值池化方法对数据进行降采样，随后，三维卷积神经网络的输出特征图数量逐级减少，采用升采样方法对数据进行插值，最后三维卷积神经网络的输出特征图数量为1，实现融合特征图的编码。
9.进一步，步骤通过全连接网络对编码后的融合特征图进行逐像素解码，得到偏移量图的具体方法为：将编码后的融合特征图每个像素对应的不同偏移量下的编码数据，输入全连接网络，全连接网络由数个全连接层相互连接，输出结果为每个像素对应的偏移量。
10.有益效果：根据本发明的一种基于深度学习的干涉合成孔径雷达偏移量测量方法，相比于现有技术，本发明实现了高分辨率、低噪声的偏移量图生成，与已有的技术相比，具有如下显著效果：（1）本发明采用多尺度相干系数立方体估计和融合方案，能够从干涉合成孔径雷达图像对中提取更多的偏移量信息。
11.（2）本发明采用三维卷积神经网络和全连接神经网络对图像数据进行处理，能够快速输出高分辨率、低噪声的偏移量估计值，用于干涉图像的配准、相位解缠绕、绝对相位测量等应用。
附图说明
12.图１是本发明的方法流程图；图2是实验区域的偏移量图的参考真值；图3是传统相干互相关方法计算的偏移量图；图4是本发明的算法计算的偏移量图。
具体实施方式
13.为了更清楚地说明本发明实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本发明的某些实施例，因此不应被看作是对范围的限定，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
些附图获得其他相关的附图。
14.图1为本发明的一种基于深度学习的干涉合成孔径雷达偏移量测量方法流程示意图，如图1所示，该方法包括：步骤101：将辅单视复图像在偏移量测量区间内以固定间隔相对主单视复图像移动，并构建多尺度相干系数立方体。
15.具体的，将辅单视复图像以固定间隔沿辅单视复图像的距离向相对主单视复图像进行移动，共移动次，为正整数，得到一系列不同偏移量的辅单视复图像，其中表示图像距离向像素位置，表示图像方位向像素位置，表示移动的偏移量。
16.随后利用这些经过移动的辅单视复图像，与主单视复图像计算相干系数图。将这些不同偏移量对应的相干系数图按偏移量从小到大的顺序进行堆叠，得到三维的相干系数立方体。
17.，其中，表示对大小为的估计窗内的元素求均值，表示主单视复图像， 表示的共轭，表示由雷达成像几何计算的平地相位，，表示自然常数的次方，表示计算其中每个元素的模，表示相干系数图距离向像素位置，表示相干系数图方位向像素位置，表示移动的偏移量。
18.根据计算相干系数图采用的估计窗口大小的不同，可以得到不同尺度的相干系数立方体。
19.步骤102：采用三维卷积神经网络和最大值池化方法对多尺度相干系数立方体进行特征融合，得到融合特征图。
20.具体地，首先利用三维卷积神经网络，分别对步骤101中输出的不同尺度的相干系数立方体处理，得到不同尺度的三维特征图。
21.随后以分辨率最低的三维特征图为基准，采用最大值池化层（max-pooling），将不同尺度的三维特征图降采样为相同的分辨率。之后，将这些分辨率相同的特征图视为同一组特征进行合并，得到融合特征图。一组不同尺度相干系数立方体融合的网络参数如表1所示，表1展示了为4、8和16三种尺度的特征图融合的方法。其中3d-conv表示三维卷积层，m和n分别表示输入主、辅单视复图像的方位向和距离向的样本数量，输出尺寸的四个维度分别为方位向样本数量、距离向样本数量、移动次数、特征图数量。
22.表1 一组不同尺度相干系数立方体融合的网络参数
，步骤103：利用三维卷积神经网络对融合特征图进行编码。
23.具体地，利用一系列三维卷积神经网络处理融合的特征图。首先，三维卷积神经网络的输出特征图数量逐级增加，采用最大值池化方法对数据进行降采样，特征图分辨率逐级减少。随后，三维卷积神经网络的输出特征图数量逐级减少，采用升采样方法对数据进行插值，特征图分辨率逐级增加。最后一层三维卷积层直接输出，其特征图数量为1，完成融合特征图的编码。特征图编码神经网络参数如表2所示。
24.表2 特征图编码神经网络参数，步骤104：通过全连接网络对编码后的融合特征图进行逐像素解码，得到偏移量图。
25.具体为：将编码融合特征图中，每个像素对应的不同偏移量下的编码数据（维度为）输入全连接网络。全连接网络由数个全连接层相互连接。全连接偏移量解码网络参数如表3所示，其中fc表示全连接层。输出结果即为每个像素对应的偏移量。逐个像素处理后，最终获得一副高分辨率、低噪声的偏移量图。
26.表3 全连接偏移量解码网络参数，下面结合具体实施例对本发明的技术方案作进一步详细说明。
27.实施例1采用alos卫星合成孔径雷达传感器（palsar）山脉地区实测数据验证本发明的技术方案。图2是实验区域的偏移量图的参考真值。图3是传统相干互相关方法计算的偏移量
图。图4是本发明的算法计算的偏移量图。可以看出，互相关方法测得的偏移量图的噪声较大，且分辨率较低，本发明中提出的偏移量测量方法，图像噪声明显得到了改善，且分辨率更高。根据统计结果表明，测量平均绝对误差从0.0337像素降低到了0.0075像素，提升十分显著。
28.以上所述，仅为本发明的部分实施例而已，并非用于限定本发明的保护范围。

技术特征：
1.一种基于深度学习的干涉合成孔径雷达偏移量测量方法，其特征在于，该方法包括以下步骤：将辅单视复图像在偏移量测量区间内以固定间隔相对主单视复图像移动，并构建多尺度相干系数立方体；采用三维卷积神经网络和最大值池化方法对多尺度相干系数立方体进行特征融合，得到融合特征图；利用三维卷积神经网络对融合特征图进行编码；通过全连接网络对编码后的融合特征图进行逐像素解码，得到偏移量图。2.根据权利要求1所述的方法，其特征在于，步骤将辅单视复图像在偏移量测量区间内以固定间隔相对主单视复图像移动，并构建多尺度相干系数立方体的具体方法为：将辅单视复图像以固定间隔沿距离向相对主单视复图像进行移动，得到一系列不同偏移量的辅单视复图像，随后利用这些经过移动的辅单视复图像与主单视复图像计算相干系数图，将这些不同偏移量对应的相干系数图按偏移量从小到大的顺序进行堆叠，得到三维的相干系数立方体，根据计算相干系数图采用的估计窗口大小不同，得到不同尺度的相干系数立方体。3.根据权利要求1所述的方法，其特征在于，步骤采用三维卷积神经网络和最大值池化方法对多尺度相干系数立方体进行特征融合，得到融合特征图的具体方法为：利用三维卷积神经网络，分别对不同尺度的相干系数立方体处理，得到不同尺度的三维特征图，随后采用最大值池化方法，以分辨率最低的三维特征图为基准，将不同尺度的三维特征图降采样为相同的分辨率，并将这些分辨率相同的特征图视为同一组特征进行合并，得到融合特征图。4.根据权利要求1所述的方法，其特征在于，步骤利用三维卷积神经网络对融合特征图进行编码的具体方法为：利用一系列三维卷积神经网络处理融合特征图，首先，三维卷积神经网络的输出特征图数量逐级增加，采用最大值池化方法对数据进行降采样，随后，三维卷积神经网络的输出特征图数量逐级减少，采用升采样方法对数据进行插值，最后三维卷积神经网络的输出特征图数量为1，实现融合特征图的编码。5.根据权利要求1所述的方法，其特征在于，步骤通过全连接网络对编码后的融合特征图进行逐像素解码，得到偏移量图的具体方法为：将编码后的融合特征图每个像素对应的不同偏移量下的编码数据，输入全连接网络，全连接网络由数个全连接层相互连接，输出结果为每个像素对应的偏移量。

技术总结
本发明涉及一种基于深度学习的干涉合成孔径雷达偏移量测量方法，包括：将辅单视复图像相对主单视复图像进行重采样移动，构建多尺度相干系数立方体；采用三维卷积神经网络和最大值池化方法对多尺度相干系数立方体进行特征融合；利用三维卷积神经网络对融合特征图进行编码；最后采用全连接网络对特征图进行逐像素解码，得到高分辨率、低噪声的偏移量图。本发明实现了干涉合成孔径雷达数据的偏移量测量，可用于干涉合成孔径雷达数据的精密配准、绝对相位估计等任务，解决了目前干涉合成孔径雷达数据偏移量测量方法分辨率低、噪声大的问题。噪声大的问题。噪声大的问题。


技术研发人员：吴羽纶 王吉利 张衡 赵凤军
受保护的技术使用者：中国科学院空天信息创新研究院
技术研发日：2023.07.14
技术公布日：2023/8/13