一种基于U型多维多尺度融合神经网络的InSAR相位滤波方法

本发明涉及遥感图像处理，尤其涉及一种基于u型多维多尺度融合神经网络的insar相位滤波方法。

背景技术：

1、合成孔径雷达干涉测量(interferometric synthetic aperture radar,insar)技术是当前大范围地形测量与形变监测的重要技术手段之一，但是干涉测量结果质量的好坏主要取决于干涉图的质量。然而，在insar干涉测量过程中，由于系统热噪声、传感器成像几何特征(产生叠掩、阴影等)、空间和时间基线去相干以及大气环境干扰等诸多因素的存在，使得干涉所得的条纹图像存在不规则且严重的噪声。而为了提高相位图的质量，需要采用有效的相位滤波技术来抑制信号噪声。

2、一般insar相位滤波方法可以分为三类：空域滤波、变换域滤波和非局部滤波。空域方法包括pivoting中值滤波和lee滤波等算法。这些算法通过对相邻像素进行线性或非线性运算，以实现平滑和去噪处理。变换域方法利用傅里叶变换将相位图从空域转换到频域，其中goldstein filter是最经典的滤波方法之一。非局部方法包括nl-insar和insar-bm3d，它们可以通过自适应地调整滤波参数来获得更精确的滤波结果。虽然变换域方法在噪声抑制方面表现出较强的能力，但空域方法在保持相位细节和精度方面更为优秀。相反，非局部方法具有更强的适应性，但其计算花费的时间较长。这些传统的insar干涉相位滤波方法应用在干涉条纹中效果较差，很难同时处理细节保留问题和噪声抑制问题。同时这些方法中使用固定的滑动窗口进一步降低了图像分辨率，并且由于窗口大小不灵活，难以适应不同区域的图像特性，对邻近像素有过高的依赖性，导致无法有效保留干涉图的条纹细节，从而影响了了地表形变信息的精确恢复。

技术实现思路

1、本发明要解决的技术问题在于，针对现有方案存在的缺陷，例如：现有insar相位滤波主要包括空间域滤波和频率域滤波，这些方法在处理干涉条纹时效果不佳，难以同时优化细节保留和噪声抑制。同时这些方法中使用的固定滑动窗口进一步降低了图像分辨率，并且由于窗口大小不灵活，难以适应不同区域的图像特性，对临近像素有过高的依赖性，导致无法有效保留干涉图的条纹细节，从而影响了地表形变信息的精确恢复。本发明提供一种基于u型多维多尺度融合的神经网络架构dp-net(dilated phase network)。该模型从回归任务的角度出发，建模噪声相位和干净相位之间的关系，能够有效地学习如何对输入数据进行滤波从而提高滤波的准确性和整体性能。

2、基于上述目标，本发明提供的一种基于u型多维多尺度融合神经网络的insar相位滤波方法，其特征在于，包括：

3、(1)生成网络训练所用的数据集；

4、(2)提出dp-net网络模型，该模型主要包括5个部分：输入层、空洞卷积模块、下采样层、上采样层、输出层；

5、(3)将(1)中生成的数据集放入(2)中所构建模型进行训练，模型通过对原始相位和加噪后的相位对比验证得到损失率并更新模型各部分权重，最终保存模型权重完成训练。

6、(4)输入模拟和真实干涉图进行性能测试

7、可选的(1)中：

8、所述的数据集生成过程为：

9、使用数字高程模型(dem)作为干涉仿真的数据来源。首先对dem进行数据读取并计算由地形变化引起的损失相位。然后随机选取大小为128x128像素的区域，并对选择的区域进行归一化处理。随后向选定的区域模拟添加大气湍流并进行相位缠绕，得到模拟的干净缠绕相位。接着对干净相位进行多视处理并分别添加从0.1到0.9相干度的高斯噪声，生成含有不同相干度噪声的噪声相位，最后将生成的干净相位作为标签，其对应的、具有不同相干度噪声的噪声相位作为输入，最后制作成数据集。

10、可选的，(2)中：

11、所述的dp-net网络模型各个部分组成描述如下：

12、输入层使用一个3×3的卷积核，将输入的单通道图像转化为64个特征图然后输入空洞卷积模块，这一过程不仅增强了模型对图像细节的捕捉能力，还使用了relu激活函数，引入了非线性，能够更加有效地表达干涉图中的复杂特征。

13、空洞卷积模块对输入的数据进行多尺度特征提取。空洞卷积模块包含三种卷积核，每个卷积核具有不同的空洞卷积率(1、2和3)，经过特征提取后结合在一起形成最终的输出，使之可以同时捕捉多尺度和不同类型的特征，提高模型对于多尺度信息的感知能力，帮助网络更好地捕捉缠绕相位图中的多尺度特征。

14、下采样层负责逐渐增加特征图的深度，同时减少其空间维度，以此来加强网络对图像特征的抽象能力。下采样层首先通过最大池化操作减半特征图的尺寸，随后通过空洞卷积模块进一步提取特征。通过降维和特征增强相结合的方式，能够提升网络在处理复杂insar干涉图像时的效果。

15、上采样层采用了转置卷积和特征融合的方法，通过将深层特征与浅层特征结合，既保留了图像的详细信息，又加入了高层的语义信息，有效提高了模型的重建性能和泛化能力，使网络在恢复特征图的空间维度同时，融合多层次的特征信息以优化图像的重建质量。

16、输出层由一个3x3卷积和sigmoid激活函数组成。sigmoid激活函数确保输出值位于0到1之间，可以保证网络输出范围与归一化的缠绕相位相同。

17、可选的，(3)中：将所述数据集放入所述dp-net网络模型进行训练的过程为：

18、初始化模型参数并开始模型训练，判断目前的迭代轮次是否达到了设定的epoch值，并且在每个epoch结束时记录下损失率，若当前的迭代轮次还没有满足既定的epoch值，则继续进入下一轮的迭代训练，此过程一直持续，直至完成所有预定的训练轮次，在训练的每一epoch中，利用反向传播方法来计算梯度，更新网络的权重，直至顺利完成dp-net神经网络的训练。

19、具体地，所述步骤(3)中，训练次数epoch为100，batch size为10，优化器采用adam算法，学习率设置为1×10-5，根据平均绝对误差损失函数(mae，mean absolute error)进行计算，损失函数表达式为：

20、

21、其中，n表示样本总数，是缠绕相位的标签，yi表示dp-net网络产生的输出。mae损失函数适用于回归任务，它衡量模型预测值与实际值之间的平均绝对误差。在训练过程中，利用反向传播计算损失函数关于模型权重的梯度，不断计算网络输出与标签的损失，并更新dp-net神经网络的权重。这一过程不断迭代，直到完成设定的训练周期，最后得到dp-net模型的权重。

22、可选的，(4)中：

23、进行了相关的实验，使用了具有不同相干系数的模拟数据以及意大利埃特纳(etna)火山的真实数据验证了dp-net神经网络处理insar相位滤波任务的性能。实验结果表明了基于u型多维多尺度融合神经网络的insar相位滤波方法展现出了卓越的性能和鲁棒性，特别是相干系数在0.4-0.6的情况下，其滤波效果相较于传统滤波方法效果显著。