一种基于学习网络的矿区大梯度形变区相位解缠方法技术

本发明专利技术公开了一种基于学习网络的矿区大梯度形变区相位解缠方法，属于合成孔径雷达干涉数据处理领域，包括以下步骤：基于U

【技术实现步骤摘要】
一种基于学习网络的矿区大梯度形变区相位解缠方法


[0001]本专利技术属于合成孔径雷达干涉数据处理领域，特别是涉及一种基于学习网络的矿区大梯度形变区相位解缠方法。

技术介绍

[0002]干涉合成孔径雷达(Interferometric Synthetic Aperture Radar,InSAR)已广泛应用于数字高程模型生成、城市地表形变监测和煤矿沉陷监测。煤矿开采沉陷监测对煤矿安全生产具有重要的意义。差分InSAR(Differential InSAR,DInSAR)是一种有效的煤矿沉陷监测方法。DInSAR利用雷达卫星获取同一监测区域在两个不同时间的相位，然后进行差分干涉得到形变信息。DInSAR能准确地获取采煤沉陷的微小形变，因此该技术在煤矿沉陷监测中得到了广泛应用。然而，由于采煤条件的复杂性，使得DInSAR在监测过程存在诸多瓶颈问题。大梯度形变区域的获取已成为DInSAR在沉陷监测中的关键问题之一，大梯度沉陷形变会导致干涉相位条纹将非常密集，甚至会出现干涉条纹混叠的现象，这会影响相位解缠精度，甚至导致相位解缠失败。众所周知，相位解缠是DInSAR数据处理的关键步骤之一，解缠结果的准确性将直接影响到形变量的获取精度。然而，在许多煤矿开采沉陷监测过程中，DInSAR只能获得沉陷区边缘的形变。采煤沉陷中心的形变难以得到。其主要原因是沉降中心的形变梯度变化较大，相位解缠在该区域难以取得理想的效果。从而影响了采煤沉陷中心的形变提取。
[0003]煤矿开采沉陷中大梯度形变的提取不仅是研究的重点，也是研究的难点。已有研究表明，相位解缠是影响开采沉陷中大梯度形变提取的关键因素。相位解缠可以分为两类。第一类是以枝切法、质量图法和最小不连续法为代表的径跟踪法，这一类方法属于局部优化相位解缠方法；另一种是以最小费用流、最小范数和统计费用网络流为代表的基于优化的相位解缠方法，这一类属于全局优化相位解缠方法；这些方法已经得到了广泛的应用。但由于相位连续性假设的限制，在煤矿沉陷大梯度形变区域难以获得准确的相位解缠结果。近年来，有深度学习在煤矿沉陷大梯度形变提取的相关研究，特别是相位解缠问题，然而，在大梯度沉降形变的情况下，仍不可能得到理想的结果。因此，亟需提出一种基于多模型融合相位解缠网络(MMPhu
‑
Net)的矿区大梯度形变区相位解缠方法，在开采沉陷中心形变区域获取高精度的相位解缠结果。

技术实现思路

[0004]本专利技术的目的是提供一种基于学习网络的矿区大梯度形变区相位解缠方法，有效的提高相位解缠精度，以解决上述现有技术存在的问题。
[0005]为实现上述目的，本专利技术提供了一种基于学习网络的矿区大梯度形变区相位解缠方法，包括以下步骤：
[0006]基于U
‑
Net网络和SegNet网络构建多模型融合相位解缠网络；
[0007]基于矿区的开采沉陷形变特征，获得模拟缠绕干涉图，并对所述模拟缠绕干涉图
进行处理，获得滤波后的模拟缠绕干涉相位和对应的相位模糊系数；
[0008]基于所述滤波后的模拟缠绕干涉相位和对应的相位模糊系数训练所述多模型融合相位解缠网络；
[0009]基于训练后的多模型融合相位解缠网络，获得沉陷形变区的解缠相位值。
[0010]可选地，构建多模型融合相位解缠网络的过程包括：基于自适应提升算法将U
‑
Net网络和SegNet网络进行模型融合，获得融合过程中每轮训练的错误率；基于所述错误率，获得充分匹配系数；基于所述充分匹配系数更新所述U
‑
Net网络和SegNet网络的模型权重，继续下一轮训练，直至获得预设的模型权重，进而获得多模型融合相位解缠网络。
[0011]可选地，获得滤波后的模拟缠绕干涉相位和对应的相位模糊系数的过程包括：将超几何噪声添加到所述模拟缠绕干涉图中，并基于滤波方法对加噪后的模拟缠绕干涉图进行滤波处理，获得滤波后的模拟缠绕干涉相位；基于未加噪的模拟缠绕干涉图，获得对应的相位模糊系数。
[0012]可选地，基于所述滤波后的模拟缠绕干涉相位和对应的相位模糊系数，训练所述多模型融合相位解缠网络的过程包括：将矿区不同形变区域滤波后的模拟缠绕干涉相位作为输入数据样本，对应的相位模糊系数作为输出数据标签，构成训练数据集；对所述训练数据集进行裁剪和数据增强的处理，基于处理后的训练数据集对所述多模型融合相位解缠网络进行训练，并对训练结果进行优化处理，进而获得训练后的多模型融合相位解缠网络。
[0013]可选地，对训练结果进行优化处理的过程包括：获取待检测图像，将所述待检测图像进行旋转和加噪的处理，获得若干个增强数据；将所述增强数据与原始的待检测图像输入到所述多模型融合相位解缠网络中进行处理，输出对应的特征概率图并进行反演，获得所述待检测图像的图像平面坐标；对所有的特征概率图进行求和平均，获得检测结果；将原始的待检测图像与检测结果输入到条件随机场中，基于能量函数对检测结果进行修正优化。
[0014]可选地，基于训练后的多模型融合相位解缠网络，获取沉陷形变区的解缠相位值的过程包括：将沉陷形变区的真实缠绕干涉图输入到所述训练后的多模型融合相位解缠网络中，获得对应的真实数据的相位模糊系数；基于所述真实数据的相位模糊系数，获得真实数据的解缠相位值。
[0015]可选地，获得真实数据的解缠相位后还包括：结合小窗口中值滤波对获得的真实数据的解缠相位值进行纠正处理，获得最终的解缠相位值。
[0016]本专利技术的技术效果为：
[0017]本专利技术通过构建多模型融合相位解缠网络，并结合不同开采沉陷形变干涉图对多模型融合相位解缠网络模型进行训练；通过训练好的多模型融合相位解缠网络模型得到形变区域的相位模糊系数，根据缠绕相位与解缠相位的关系得到解缠相位，并采用小窗口中值滤波对解缠相位进行误差纠正，得到最终解缠相位。与已有的其它常规解缠方法相比，本专利技术可以获得更准确的解缠结果，特别是在开采沉陷形变的中心区域，针对大面积形变区域及形变中心区域也能取得理想的解缠效果，有效的提高了最终形变产品的解缠结果精度。
附图说明
[0018]构成本申请的一部分的附图用来提供对本申请的进一步理解，本申请的示意性实施例及其说明用于解释本申请，并不构成对本申请的不当限定。在附图中：
[0019]图1为本专利技术实施例中的基于学习网络的矿区大梯度形变区相位解缠方法流程图；
[0020]图2为本专利技术实施例中的U
‑
Net网络和SegNet网络结构示意图，其中，(a)为U
‑
Net网络结构示意图，(b)为SegNet网络结构示意图；
[0021]图3为本专利技术实施例中的训练模型所用的部分模拟开采沉陷形变数据；
[0022]图4为本专利技术实施例中的方法整体示意图；
[0023]图5为本专利技术实施例中的模拟干涉相位数据示意图，其中，(a)为模拟DInSAR矿山开采沉陷形变数据示意图，(b)为无噪声的模拟干涉相位示意图，(c)加噪本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于学习网络的矿区大梯度形变区相位解缠方法，其特征在于，包括以下步骤：基于U
‑
Net网络和SegNet网络构建多模型融合相位解缠网络；基于矿区的开采沉陷形变特征，获得模拟缠绕干涉图，并对所述模拟缠绕干涉图进行处理，获得滤波后的模拟缠绕干涉相位和对应的相位模糊系数；基于所述滤波后的模拟缠绕干涉相位和对应的相位模糊系数训练所述多模型融合相位解缠网络；基于训练后的多模型融合相位解缠网络，获得沉陷形变区的解缠相位值。2.根据权利要求1所述的基于学习网络的矿区大梯度形变区相位解缠方法，其特征在于，构建多模型融合相位解缠网络的过程包括：基于自适应提升算法将U
‑
Net网络和SegNet网络进行模型融合，获得融合过程中每轮训练的错误率；基于所述错误率，获得充分匹配系数；基于所述充分匹配系数更新所述U
‑
Net网络和SegNet网络的模型权重，继续下一轮训练，直至获得预设的模型权重，进而获得多模型融合相位解缠网络。3.根据权利要求1所述的基于学习网络的矿区大梯度形变区相位解缠方法，其特征在于，获得滤波后的模拟缠绕干涉相位和对应的相位模糊系数的过程包括：将超几何噪声添加到所述模拟缠绕干涉图中，并基于滤波方法对加噪后的模拟缠绕干涉图进行滤波处理，获得滤波后的模拟缠绕干涉相位；基于未加噪的模拟缠绕干涉图，获得对应的相位模糊系数。4.根据权利要求3所述的基于学习网络的矿区大梯度形变区相位解缠方法，其特征在于，基于所述滤波后的模拟缠绕干涉相位和对应的相...

【专利技术属性】
技术研发人员：高延东，阎超，李世金，郑南山，张书毕，
申请(专利权)人：中国矿业大学，
类型：发明
国别省市：