【技术实现步骤摘要】
本专利技术涉及雷达遥感，具体为lidar数据辅助的深度神经网络insar相位解缠方法。
技术介绍
1、insar（干涉合成孔径雷达）技术因其能够提供高分辨率的地表形变监测能力，广泛应用于地质灾害监测、城市基础设施管理和地表形变研究。然而，在实际应用中，相位解缠是一个关键且具有挑战性的步骤。相位解缠旨在将干涉图中的包裹相位恢复为连续相位，但这一过程常常受到各种条件的限制。
2、传统的基于算法模型的insar相位解缠方法，如路径跟踪法和最小范数法，受到iton条件（相位梯度不得超过π）的限制。这一条件在复杂地形或低相干区域中往往难以满足，尤其是在山区环境中，常常导致显著的解缠误差。此外，这些传统方法通常依赖于先验信息和严格的模型假设，如地表形变的连续性和平滑性，使得它们在处理高动态范围形变或不连续形变事件时效果不佳。这些限制性假设在面对实际应用中的多样性和复杂性时，显得力不从心。
3、近年来，深度神经网络在insar相位解缠方面取得了显著进展，成功克服了iton条件的限制。最初的一些策略通过使用神经网络学习传统相位解缠中涉及的关键中间体，如干涉相位的梯度图或分支切割分布图，来提高解缠的准确性和效率。例如，某些模型可以预测干涉相位中的间断点，或通过扩张卷积估计相位梯度，将其视为图像分割问题。这些方法在理论上具有严谨性，但在实际应用中，由于累积误差，常常在低相干性和大梯度形变区域出现错误。
4、另一种策略是将相位解缠视为图像分割任务，使用深度神经网络模型学习干涉相位与相位包裹数之间的关系。这些模型需要
5、还有一些方法直接通过神经网络从包裹相位预测未包裹相位，建立直接映射。尽管这些方法利用了图像到图像的转换，结合了u-net、注意力机制和位置编码等技术来提高解缠精度，但依然面临样本保真度不足和特征学习不完全的问题。
6、总结来说，现有的深度神经网络insar相位解缠模型主要存在两个缺点：一是依赖拟真性不足的模拟相位和缺乏真实参考的去相干噪声估计方法，导致在陡峭梯度和低相干性区域的过拟合和显著解缠误差；二是特征尺度的学习不完全、语义鸿沟和特征冗余，削弱了模型在实际应用中的泛化能力和准确性。
技术实现思路
1、针对现有技术的不足，本专利技术提供了lidar数据辅助的深度神经网络insar相位解缠方法，提高数据集的拟真性和模型的返还能力，以编码-解码结果为基础，构建嵌入aspp，残差注意力机制的网络结构，提高模型的多尺度特征学习能力，改善模型解缠的准确性。
2、为实现以上目的，本专利技术通过以下技术方案予以实现：lidar数据辅助的深度神经网络insar相位解缠方法，包括以下步骤：
3、获取干涉sar图像数据；
4、利用lidar数据生成地形高程模型，并结合地表覆盖数据；
5、基于顺序高斯模拟方法，结合干涉相位和去相关噪声，生成模拟干涉相位数据集；
6、构建以编码-解码结构为基础的深度神经网络模型；
7、利用模拟干涉相位数据集训练深度神经网络模型；
8、应用训练好的深度神经网络模型，对实际干涉sar图像进行相位解缠，得到解包裹相位图像。
9、优选的，所述模拟干涉相位数据集的生成包括以下步骤：
10、利用公式计算第次观测中地面点到卫星的斜距离；
11、其中，表示斜距离，为地面点的坐标，为卫星的坐标；
12、利用公式计算绝对相位；
13、其中，为第次观测的绝对相位，为雷达卫星信号波长，为测距中包含的波长数量；
14、利用公式推导出干涉相位；
15、其中，为干涉相位。
16、优选的，所述深度神经网络模型包括以下结构：
17、编码器和解码器结构，包含若干卷积层和池化层；
18、跳跃连接，用于在编码器和解码器之间传递特征；
19、aspp模块，用于在不同尺度上提取相位特征；
20、serb模块，包含se-block，用于增强特征重新校准能力。
21、优选的，所述aspp模块的特征提取过程包括：
22、对输入特征图进行3个不同扩张率（1、2和3）的3×3卷积操作；
23、进行全局平均池化，将特征图压缩为每个通道的单一平均值；
24、利用公式进行特征融合；
25、其中，表示输入特征图，表示通过aspp后的特征图，为1×1卷积操作，表示不同扩张率的3×3卷积操作，为全局平均池化操作。
26、优选的，所述serb模块的结构包括：
27、第一个卷积层，用于初始特征提取；
28、非线性变换，通过激活函数进行特征转换；
29、第二个卷积层，用于调整输出通道数或空间分辨率；
30、残差连接，用于确保输入和输出之间的维度一致性。
31、优选的，所述se-block结构包括：
32、squeeze步骤，通过全局平均池化压缩输入特征图的每个通道的空间信息；
33、excitation步骤，通过两个全连接层的小型网络转换全局表示，利用sigmoid函数得到通道的重要性权重；
34、scale步骤，将excitation步骤中的权重应用于原始特征图，通过逐元素相乘实现动态重新校准，公式表示为：
35、
36、其中，为输入特征图中通道和位置的值，和为全连接层的权重矩阵，和为偏置项，为relu激活函数，为sigmoid函数，为通道的重要性权重。
37、优选的，所述训练深度神经网络模型时使用的高保真优化损失包括总变差损失和细节损失的加权和：
38、总变差损失，用于维持图像的平滑性，公式为：
39、
40、其中，为图像中像素的相位值；
41、细节损失，用于保留图像的细节信息，公式为：
42、
43、其中，为标准的末包裏相位，为模型的未包重相位；
44、综合损失函数，公式为：
45、
46、其中，和为权重系数。
47、本专利技术还提供lidar数据辅助的深度神经网络insar相位解缠装置，包括：
48、数据获取模块，用于获取干涉sar图像数据、lidar地形数据和地表覆盖数据；
49、数据处理模块，用于基于所述lidar地形数据和地表覆盖数据，利用顺序高斯模拟方法生成模拟干涉相位数据集，该模拟干涉相位数据集包括干涉相位和去相关噪声；
50、深度神经网络模块，用于构建编码-解码结构的深度神经网络模型，所述深度神经网络模型包括aspp模块和serb模块；
51、训练模块本文档来自技高网...
【技术保护点】
1.LiDAR数据辅助的深度神经网络InSAR相位解缠方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的LiDAR数据辅助的深度神经网络InSAR相位解缠方法，其特征在于，所述模拟干涉相位数据集的生成包括以下步骤：
3.根据权利要求1所述的LiDAR数据辅助的深度神经网络InSAR相位解缠方法，其特征在于，所述深度神经网络模型包括以下结构：
4.根据权利要求3所述的LiDAR数据辅助的深度神经网络InSAR相位解缠方法，其特征在于，所述ASPP模块的特征提取过程包括：
5.根据权利要求3所述的LiDAR数据辅助的深度神经网络InSAR相位解缠方法，其特征在于，所述SERB模块的结构包括：
6.根据权利要求3所述的LiDAR数据辅助的深度神经网络InSAR相位解缠方法，其特征在于，所述SE-block结构包括：
7.根据权利要求1所述的LiDAR数据辅助的深度神经网络InSAR相位解缠方法，其特征在于，所述训练深度神经网络模型时使用的高保真优化损失包括总变差损失和细节损失的加权和：
8.Li
9.一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时，实现如权利要求1-7任一项所述的方法。
10.一种存储介质，其上存储有计算机程序，其特征在于，该计算机程序被处理器执行时实现如权利要求1-7任一项所述的方法。
...【技术特征摘要】
1.lidar数据辅助的深度神经网络insar相位解缠方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的lidar数据辅助的深度神经网络insar相位解缠方法，其特征在于，所述模拟干涉相位数据集的生成包括以下步骤：
3.根据权利要求1所述的lidar数据辅助的深度神经网络insar相位解缠方法，其特征在于，所述深度神经网络模型包括以下结构：
4.根据权利要求3所述的lidar数据辅助的深度神经网络insar相位解缠方法，其特征在于，所述aspp模块的特征提取过程包括：
5.根据权利要求3所述的lidar数据辅助的深度神经网络insar相位解缠方法，其特征在于，所述serb模块的结构包括：
6.根据权利要求3所述的lidar数据辅助的深度神经网络insar相位解...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。