掩膜枝切部署方法、相位解缠方法、设备及存储介质技术

本发明专利技术公开了一种掩膜枝切部署方法、相位解缠方法、设备及存储介质，其中部署方法包括：获取待解缠缠绕相位图的残差图像；将残差图像输入到训练好的基于深度学习的掩膜枝切预测模型中，得到掩膜枝切图像。本发明专利技术将深度学习中的语义分割技术与相位解缠相结合，将掩膜枝切部署问题转化为用深度学习中的语义分割实现的像素分类问题，利用训练好的掩膜枝切预测模型来预测掩膜枝切图像，可以在没有质量图指导的情况下自动高效、准确地部署掩膜枝切。通过深度学习的自适应性，所搭建的网络模型与传统掩膜枝切法相比可以更好地部署掩膜枝切，在噪声较大、地形较复杂的地区也能很好的部署掩膜枝切，获得更好的解缠结果，解缠精度高。解缠精度高。解缠精度高。

【技术实现步骤摘要】
掩膜枝切部署方法、相位解缠方法、设备及存储介质


[0001]本专利技术涉及监测
，尤其涉及一种掩膜枝切部署方法、相位解缠方法、设备及存储介质。

技术介绍

[0002]随着合成孔径雷达干涉测量(InSAR)的发展，InSAR技术的用途也越来越广泛，例如地表形变监测、滑坡监测、城市与矿区地面沉降和人工建筑物的稳定性等长期监测。相位解缠是合成孔径雷达干涉测量(InSAR)的关键处理步骤之一，在InSAR数据处理中发挥了重要作用。传统的掩膜枝切解缠方法在识别出残差点的基础上，利用质量图来指导掩膜枝切的部署，再利用传统的洪水淹没法进行相位积分，从而获得最终的相位解缠结果。该方法由于自身的局限性在噪声较大、地形较复杂的地区不能很好的部署掩膜枝切，因此解缠效果较差，解缠精度较低。

技术实现思路

[0003]鉴于上述现有技术中的不足，本专利技术的目的在于提供一种掩膜枝切部署方法、相位解缠方法、设备及存储介质，改进掩膜枝切部署方法，提高相位解缠精度。
[0004]第一方面，提供了一种掩膜枝切部署方法，包括：
[0005]获取待解缠缠绕相位图的残差图像；
[0006]将残差图像输入到训练好的基于深度学习的掩膜枝切预测模型中，得到掩膜枝切图像。
[0007]根据第一方面，在一种可能的实现方式中，所述获取待解缠相位图的残差图像，包括：
[0008]获取待解缠缠绕相位图；
[0009]利用残差定义获取待解缠缠绕相位图的残差图像。
[0010]根据第一方面，在一种可能的实现方式中，所述掩膜枝切预测模型通过如下方法得到：
[0011]获取若干组数据对构建样本数据集，每个数据对包括缠绕相位图的残差图像和对应的掩膜枝切图像；
[0012]以残差图像为输入，以掩膜枝切图像为输出，基于样本数据集对神经网络模型进行训练，得到掩膜枝切预测模型。
[0013]根据第一方面，在一种可能的实现方式中，所述若干组数据对的获取方法包括：
[0014]获取若干真实缠绕相位图；
[0015]利用掩膜枝切法得到各真实缠绕相位图对应的残差图像和掩膜枝切图像。
[0016]根据第一方面，在一种可能的实现方式中，所述若干组数据对的获取方法还包括：
[0017]利用仿真技术生成若干仿真缠绕相位图；
[0018]利用掩膜枝切法得到各仿真缠绕相位图对应的残差图像和掩膜枝切图像。
[0019]根据第一方面，在一种可能的实现方式中，训练得到掩膜枝切预测模型过程中，使用像素加权交叉熵损失函数作为目标函数来训练神经网络模型，目标函数表示如下：
[0020][0021]其中，表示像素点s属于第i类的概率，i＝1，2，分别表示掩膜枝切像素和非掩膜枝切像素；t1(s)表示掩膜枝切像素的二进制真值标签指示，ω1(s)和ω2(s)均表示权重系数。
[0022]根据第一方面，在一种可能的实现方式中，所述神经网络模型基于卷积神经网络模型构建，其包括依次连接的特征提取网络和分类网络。
[0023]第二方面，提供了一种相位解缠方法，包括：
[0024]获取待解缠缠绕相位图；
[0025]采用如上所述的掩膜枝切部署方法得到待解缠缠绕相位图的掩膜枝切图像；
[0026]选择积分路径时避开掩膜枝切像素，利用洪水淹没法围绕掩膜技切的积分路径对每个像素逐次进行积分解缠，得到最终的相位解缠结果。
[0027]第三方面，提供了一种电子设备，包括：
[0028]存储器，其存储有计算机程序；
[0029]处理器，用于加载并执行所述计算机程序时实现如上所述掩膜枝切部署方法或相位解缠方法的步骤。
[0030]第四方面，提供了一种计算机可读存储介质，其存储有计算机程序，所述计算机程序被处理器执行时实现如上所述掩膜枝切部署方法或相位解缠方法的步骤。
[0031]本专利技术提出了一种掩膜枝切部署方法、相位解缠方法、设备及存储介质，将深度学习中的语义分割技术与相位解缠相结合，掩膜枝切图像中的像素分为掩膜枝切像素和非掩膜枝切像素两类，本专利技术将掩膜枝切部署问题转化为用深度学习中的语义分割实现的像素分类问题，利用训练好的掩膜枝切预测模型来预测掩膜枝切图像，可以在没有质量图指导的情况下自动高效、准确地部署掩膜枝切。通过深度学习的自适应性，所搭建的网络模型与传统掩膜枝切法相比可以更好地部署掩膜枝切，在噪声较大、地形较复杂的地区也能很好的部署掩膜枝切，获得更好的解缠结果，解缠精度高。
附图说明
[0032]为了更清楚地说明本专利技术实施例或现有技术中的技术方案，下面将对实施例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，下面描述中的附图仅仅是本专利技术的一些实施例，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。
[0033]图1是本专利技术实施例提供的掩膜枝切部署方法流程图；
[0034]图2是本专利技术实施例提供的相位解缠方法流程图；
[0035]图3是本专利技术实施例提供的掩膜枝切预测模型架构示意图；
[0036]图4是本专利技术提供的实验一的解缠效果对比图，其中，(a)、(b)分别为信噪比SNR＝0dB时的缠绕相位和参考绝对相位，(c)、(d)分别为MCNet法、MC法获得的解缠相位，(e)、(f)分别为MCNet法、MC法得到的解缠相位与参考绝对相位的误差；
[0037]图5是本专利技术提供的实验二的解缠效果对比图，其中，(a)为TanDEM
‑
X干涉图，(b)TanDEM
‑
X干涉图对应的参考绝对相位，(c)、(d)分别为MCNet法、MC法获得的解缠相位，(e)、(f)分别为MCNet法、MC法得到的解缠相位与参考绝对相位的误差。
具体实施方式
[0038]为使本专利技术的目的、技术方案和优点更加清楚，下面将对本专利技术的技术方案进行详细的描述。显然，所描述的实施例仅仅是本专利技术一部分实施例，而不是全部的实施例。基于本专利技术中的实施例，本领域普通技术人员在没有做出创造性劳动的前提下所得到的所有其它实施方式，都属于本专利技术所保护的范围。
[0039]针对现有的相位解缠方法在噪声较大、地形较复杂的地区不能很好的部署掩膜枝切的问题，本专利技术提出将深度学习中的语义分割技术与相位解缠相结合，将掩膜枝切部署问题转化为用深度学习中的语义分割实现的像素分类问题，利用训练好的掩膜枝切预测模型来预测掩膜枝切图像，可以在没有质量图指导的情况下自动高效、准确地部署掩膜枝切；所搭建的网络模型与传统掩膜枝切法相比可以更好地部署掩膜枝切，在噪声较大、地形较复杂的地区也能很好的部署掩膜枝切，获得更好的解缠结果，解缠精度高。下面结合具体实施例来对本专利技术的技术方案做具体说明。
[0040]在进行掩膜枝切部署或相位解缠之前，需预先构建基于深度学习的掩膜枝切预测模型，具体构建方法包括：
[0041]A1：构建神经网络模型框架，本实施例中，神经网络模本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种掩膜枝切部署方法，其特征在于，包括：获取待解缠缠绕相位图的残差图像；将残差图像输入到训练好的基于深度学习的掩膜枝切预测模型中，得到掩膜枝切图像。2.根据权利要求1所述的掩膜枝切部署方法，其特征在于，所述获取待解缠相位图的残差图像，包括：获取待解缠缠绕相位图；利用残差定义获取待解缠缠绕相位图的残差图像。3.根据权利要求1或2所述的掩膜枝切部署方法，其特征在于，所述掩膜枝切预测模型通过如下方法得到：获取若干组数据对构建样本数据集，每个数据对包括缠绕相位图的残差图像和对应的掩膜枝切图像；以残差图像为输入，以掩膜枝切图像为输出，基于样本数据集对神经网络模型进行训练，得到掩膜枝切预测模型。4.根据权利要求3所述的掩膜枝切部署方法，其特征在于，所述若干组数据对的获取方法包括：获取若干真实缠绕相位图；利用掩膜枝切法得到各真实缠绕相位图对应的残差图像和掩膜枝切图像。5.根据权利要求4所述的掩膜枝切部署方法，其特征在于，所述若干组数据对的获取方法还包括：利用仿真技术生成若干仿真缠绕相位图；利用掩膜枝切法得到各仿真缠绕相位图对应的残差图像和掩膜枝切图像。6.根据权利要求3所述的掩膜枝切部署方法，...

【专利技术属性】
技术研发人员：袁志辉，杨凯，邢学敏，陈立福，
申请(专利权)人：长沙理工大学，
类型：发明
国别省市：