一种基于深度学习的永久散射体点选取方法

本发明属于永久散射体合成孔径雷达干涉测量，尤其涉及一种基于深度学习的永久散射体点选取方法。

背景技术：

1、永久散射体合成孔径雷达干涉测量(persistent scatterer interferometricsynthetic aperture radar,ps-insar)技术是差分合成孔径雷达干涉测量(differentialinterferometric synthetic aperture radar,d-insar)技术的改进。在进行形变反演时，该项技术仅关注在时间序列上散射特性稳定的像素点，即永久散射体(ps)点。因此，相较于d-insar技术，ps-insar技术受到时间和空间失相干的影响更小，可以适用于长期形变监测。目前，ps-insar技术已经被广泛应用于地面沉降监测领域。

2、ps点选取是ps-insar技术的关键步骤之一，选点的质量和数量会对形变反演精度产生明显的影响。目前的ps选点方法主要有基于振幅的选点方法，基于相位的选点方法以及将振幅与相位相结合的选点方法三种。基于振幅的方法利用振幅信息的统计特性表征时间序列图像中像素点的相位稳定性；基于相位的方法则直接利用相位噪声估计像素点的相位稳定性；振幅与相位相结合的方法则往往使用基于振幅的方法进行初选，再使用基于相位的方法进行精选。振幅离差法是目前最为常见的ps选点方法之一，其利用振幅离差近似相位标准差，通过对振幅离差设置门限筛选高相位稳定性的像素点。

3、然而，振幅离差对相位标准差的近似仅在高信噪比条件下成立，选点结果的质量和数量难以得到有效的平衡。并且，由于振幅离差的门限完全根据研究者经验进行选定，为处理过程引入主观因素影响。

技术实现思路

1、为解决上述问题，本发明提供一种基于深度学习的永久散射体点选取方法，通过时空特征提取网络提取时序sar图像的时序特征和空间特征并实现ps点选取，能够更好的平衡选点结果的质量和数量且不会受到研究者主观因素的影响。

2、一种基于深度学习的永久散射体点选取方法，采用训练好的3d u-net结构提取待测时序sar图像的空间特征，得到空间特征图；采用训练好的clstm结构提取空间特征图的时序特征，并根据时序特征确定待测时序sar图像上各像素点为永久散射体的概率，将概率大于设定阈值的像素点选取为永久散射体。

3、进一步地，3d u-net结构和clstm结构联合训练，且联合训练方法为：

4、步骤1、选取永久散射体点密度高于设定值的区域的时序sar图像作为样本图像；

5、步骤2、采用振幅离差法确定各样本图像中各像素点是否为永久散射体点，得到各样本图像对应的二值标签矩阵，其中，若二值标签矩阵中的任一元素为1，表示该元素对应的像素点为永久散射体点，若二值标签矩阵中的任一的元素为0，表示该元素对应的像素点不为永久散射体点；

6、步骤3、将各样本图像作为3d u-net结构的输入，得到各样本图像对应的样本空间特征图；

7、步骤4、将各样本空间特征图输入clstm结构，得到各样本图像对应的永久散射体的预测概率矩阵；

8、步骤5、根据各样本图像对应的二值标签矩阵与预测概率矩阵构建损失函数，判断损失函数是否小于设定值，若为否，根据损失函数反向传播来改变3d u-net结构和clstm结构的参数，并基于参数改变后的3d u-net结构和clstm结构重新执行步骤3-步骤5；若为是，结束联合训练，得到最终的3d u-net结构和clstm结构。

9、进一步地，将样本图像的实部和虚部分别存储为大小为(2，l，w，t)的四维矩阵，再以四维矩阵的形式输入3d u-net结构，其中，2对应实部和虚部两个维度，l和w分别对应时序sar图像中每一景图像的长度和宽度，t为时序sar图像的景数。

10、进一步地，所述3d u-net结构包括编码路、解码路、卷积路，且编码路和解码路均包括四层子结构；

11、采用重叠分块策略将时序sar图像中的各景sar图像分别划分为相互间隔40*40的大小为(2，100，100，t)的输入图像，t为时序sar图像的景序号，t＝1,2,…,t，t为时序sar图像的景数；

12、编码路第一层子结构将大小为(2，100，100，t)的输入图像连续进行两次3×3×3的三维卷积操作，使通道数由2变为32，得到大小为(32，100，100，t)的编码路第一特征图；

13、编码路第二层子结构将大小为(32，100，100，t)的编码路第一特征图进行一次2×2×2的三维最大池化操作，图像大小变为(32，50，50，t/2)；之后再连续进行两次3×3×3的三维卷积操作，使通道数由32变为64，得到大小为(64，50，50，t/2)的编码路第二特征图；

14、编码路第三层子结构将大小为(64，50，50，t/2)的编码路第二特征图进行一次2×2×2的三维最大池化操作，图像大小变为(64，25，25，t/4)；之后再连续进行两次3×3×3的三维卷积操作，使通道数由64变为128，得到大小为(128，25，25，t/4)的编码路第三特征图；

15、编码路第四层子结构将大小为(128，25，25，t/4)的编码路第三特征图进行一次2×2×2的三维最大池化操作，图像大小变为(128，12，12，t/8)；之后再连续进行两次3×3×3的三维卷积操作，使通道数由128变为256，得到大小为(256，12，12，t/8)的编码路第四特征图；

16、解码路第四层子结构将大小为(256，12，12，t/8)的编码路第四特征图进行一次2×2×2的三维上采样操作，得到大小为(256，25，25，t/4)的解码路第四特征图；

17、解码路第三层子结构将大小为(256，25，25，t/4)的解码路第四特征图与之前获取的编码路第三特征图在通道维进行拼接，使图像大小变为(384，25，25，t/4)；之后再连续进行两次3×3×3的三维卷积操作，使通道数由384变为128，图像大小变为(128，25，25，t/4)；最后进行一次2×2×2的三维上采样操作，得到大小为(128，50，50，t/2)的解码路第三特征图；

18、解码路第二层子结构将大小为(128，50，50，t/2)的解码路第三特征图与之前获取的编码路第二特征图在通道维进行拼接，使图像大小变为(192，50，50，t/2)；之后再连续进行两次3×3×3的三维卷积操作，使通道数由192变为64，图像大小变为(64，50，50，t/2)；最后进行一次2×2×2的三维上采样操作，得到大小为(64，100，100，t)的解码路第二特征图；

19、解码路第一层子结构将大小为(64，100，100，t)的解码路第二特征图与之前获取的编码路第一特征图在通道维进行拼接，使图像大小变为(96，100，100，t)；之后再连续进行两次3×3×3的三维卷积操作，使通道数由96变为32，得到大小为(32，100，100，t)的解码路第一特征图；

20、在编码路与解码路之后，卷积路对解码路第一特征图进行一次1×1×1的三维卷积操作，使通道数由32变为16，从而整理出大小为(16，100，100，t)的空间特征图。

21、进一步地，在进行编码路和解码路中的三维卷积操作前，先对待进行三维卷积操作的数据进行组归一化，再将进行组归一化后的数据进行三维卷积操作，然后将三维卷积操作后的数据通过线性整流函数relu进行激活，最后将激活后的数据进行后续步骤的处理。

22、进一步地，所述clstm结构由t个clstm单元依次连接组成，且与每景sar图像对应的空间特征图依采集时间顺序分别输入各个clstm单元中，其中，任意一个clstm单元对输入的空间特征图的处理方法为：

23、当前clstm单元接收上一个clstm单元的传递过来的大小均为(1，100，100，1)的单元状态ct-1、隐藏层状态ht-1以及与当前clstm单元对应的第t景sar图像对应的空间特征图xt，且xt大小为(16，100，100，1)；

24、将xt与ht-1在通道维进行拼接，使图像大小变为(17，100，100，1)；之后再进行一次3×3的二维卷积操作，使通道数由17变为4，从而得到4个大小均为(1，100，100，1)的特征图fc、ic、gc和oc；

25、分别对特征图fc、ic、gc和oc进行如下操作：

26、ft＝σ(fc)

27、it＝σ(ic)

28、ot＝σ(oc)

29、ct＝ft⊙ct-1+it⊙tanh(gc)

30、ht＝ot⊙tanh(ct)

31、其中，ft为遗忘门，it为输入门，ot为输出门，σ(·)代表sigmoid激活函数，⊙代表hadamard积运算；

32、当前clstm单元输出大小均为(1，100，100，1)的单元状态ct和隐藏层状态ht作为下一个clstm单元的输入。

33、进一步地，将最后一个clstm单元输出的隐藏层状态ht再经过一次不改变通道数的1×1的二维卷积操作以及sigmoid激活函数，得到的大小为(100，100)的预测概率矩阵则为各像素点为永久散射体的概率。

34、有益效果：

35、1、本发明提供一种基于深度学习的永久散射体点选取方法，基于永久散射体在时序上表现为长时间的散射特性稳定，在空间上则往往与周围的像素点表现出不同的散射特性的特点，本发明利用3d u-net结构提取时序sar图像的空间特征，利用clstm结构提取时序sar图像的时序特征，对永久散射体特征的考虑更为全面；同时，本发明使用端到端的神经网络进行永久散射体的选取，处理过程中特征的提取和网络参数的选择均由网络自行完成，整个过程不需要人为操作，不会引入研究者主观因素的影响，不仅提高了选点的准确度，还更为有效的平衡了选点结果的质量和数量。

36、2、本发明提供一种基于深度学习的永久散射体点选取方法，利用网络参数直接构建sar图像的实部和虚部取值与ps点选取的联系，不受像素点信噪比高低等其他因素的制约，故相较于利用仅在高信噪比条件下成立的近似关系的振幅离差法，本发明可以对图像中更高比率的像素点做出正确的判别，从而更为有效的平衡选点结果的质量和数量。