论文部分内容阅读
干涉合成孔径雷达（Interferometric Synthetic Aperture Radar,InSAR）可以全天时、全天候地进行大面积对地观测,并获得高精度的地球物理参数,如数字高程模型、地表形变量等,在地形测绘、灾害监测、国土资源探测、冰川运动监测等领域发挥着越来越重要的作用。InSAR数据处理流程中的相位滤波与解缠精度直接影响到获取地球物理参数的精度。传统的相位滤波和解缠算法很难同时兼顾精度和效率,且存在提升精度和效率的空间。鉴于深度学习在光学图像处理、SAR图像处理等领域都获得了超越传统算法的处理精度和计算效率,本文根据InSAR干涉相位滤波和解缠特性,开展基于深度学习的处理框架设计和网络结构设计研究,以提升相位滤波和解缠的精度和计算效率。本文主要研究内容和创新工作如下:（1）提出了基于多尺度递归网络的相位滤波方法通过对相位噪声特性的分析发现,在利用神经网络实现相位滤波时需要注意以下两个特点:为了避免因破坏相位跳变点而影响解缠精度,需要在不含跳变点的复数域进行滤波;同一干涉相位图中存在不同密度的相位条纹,条纹密集区域的滤波难度更大,可使用多尺度策略将条纹进行稀疏化,并通过对多尺度图像的滤波和融合提高滤波精度。根据这两个特点,本文设计了多尺度递归相位滤波网络（Phase Filtering Network,PFNet）并用于InSAR相位滤波。PFNet分别对复干涉相位的实部和虚部进行滤波,再根据滤波后的实虚部提取出滤波后的相位。PFNet使用循环神经网络（Recurrent Neural Network,RNN）单元以并联方式连接三个基于编解码结构的单尺度子网络,各子网络依靠编解码结构强大的特征提取能力实现了不同尺度图像的噪声抑制,且RNN单元实现了多尺度相位特征在子网络间的传递和融合,提高了滤波精度。仿真和实测数据实验表明,PFNet方法的滤波精度优于三种常用的传统滤波方法和一种性能先进的深度学习方法,并且其计算效率是传统滤波方法的数百倍。该方法解决了传统方法中滤波精度与计算效率的矛盾,具备高效高精度两个优点。（2）提出了基于非局部特征选择网络的相位滤波方法非局部相位滤波方法通过对非局部相似相位进行加权以实现滤波,往往可以取得优于局部处理方法的性能。为进一步提高滤波精度,本文将非局部处理思想与深度学习相结合,提出了一种基于非局部特征选择编解码网络（Nonlocal Phase Filtering Network,NL-PFNet）的相位滤波方法。NL-PFNet在编码器和解码器的中间嵌入非局部特征选择模块,以充分利用非局部相似相位信息和编解码结构的相位特征提取能力。编码器在提取相位特征图的过程中实现初步滤波,非局部特征选择模块利用相位特征图的非局部信息进行进一步滤波,最后使用解码器将编码器和局部特征选择模块的输出以非线性方式进行相位特征融合,以提高滤波精度。仿真和实测数据实验表明:NL-PFNet方法的滤波精度优于三种常用的传统滤波方法和PFNet方法;由于非局部处理的时间消耗,NL-PFNet方法的计算效率低于PFNet方法,但仍是传统滤波方法的数十倍。（3）提出了基于相位梯度估计网络的相位解缠方法受噪声和突变地形的影响,相位解缠方法中的相位连续性假设并不总是满足,因此利用相位连续性假设进行梯度估计（Phase Gradient Estimation Based on Phase Continuity Assumption,PGE-PCA）的结果并不可靠。针对该问题,本文提出了一种基于相位梯度估计网络（Phase Gradient Estimation Network,PGENet）的相位解缠方法,该方法使用PGENet得到准确的相位梯度,再使用收敛速度快的最小二乘方法求得解缠结果。PGENet使用编码器从具有地形特征和不同噪声水平的缠绕相位图像中提取丰富的相位特征图,再使用解码器从相位特征图中逐步恢复出相位细节和梯度关系。凭借强大的相位特征提取能力,PGENet能够预测出比PGE-PCA更为准确的相位梯度结果且具有更好的抗噪性能,因此,该方法最终获得的解缠结果更为准确。仿真和实测数据实验表明,基于PGENet的相位解缠方法的精度优于四种常用的传统解缠方法和一种性能先进的深度学习方法。（4）提出了基于深度学习的相位滤波与解缠联合处理方法由于干涉相位中的噪声增加了相位解缠难度并降低了解缠精度,通常需要在相位解缠之前进行滤波处理,但滤波过程中需要人工调整滤波参数以降低滤波误差对解缠精度的影响。为解决该问题,本文提出了一种基于深度学习的相位滤波与解缠联合处理方法,以避免滤波误差影响解缠精度,且无需对滤波参数进行人工干预。该方法通过损失函数设计将NL-PFNet和PGENet进行有机结合形成NLPF-PGENet,以同时完成相位滤波和相位梯度估计,再根据梯度估计结果使用最小二乘方法得到解缠结果。该方法使用相位滤波和梯度估计结果的MSE加权和作为损失函数,以实现梯度估计结果对滤波结果的反向调节,避免滤波误差影响梯度估计精度。仿真和实测数据实验表明,基于NLPF-PGENet的联合处理方法的解缠性能优于基于NL-PFNet和PGENet的级联处理方法。