[发明专利]基于多级深度学习网络的单航过InSAR系统端对端分类方法

说明书

本发明公开了一种基于多级深度学习网络的单航过InSAR系统端对端分类方法，本发明包括输入SAR图像、InSAR相位图和相干系数图；通过多尺度空间特征提取网络MSF从输入的SAR图像中获取多尺度空间统计特征；通过多层选择性注意力网络MLSAN对多尺度空间统计特征提取中层和高层特征；通过改进策略网络IS对中层和高层特征进行拼接加权得到最终的分类结果，实现对阴影、水体和叠掩区域的自动分类。本发明能够针对单航过InSAR系统自动检测InSAR图像中的阴影、水体和叠掩区域，进而提高相位解缠精度。

技术领域

本发明涉及合成孔径雷达(Synthetic Aperture Radar，SAR)中的干涉合成孔径雷达(Interferometric Synthetic Aperture Radar，InSAR)，具体涉及一种基于多级深度学习网络的单航过InSAR系统端对端分类方法。

背景技术

合成孔径雷达(Synthetic Aperture Radar,SAR)是一种应用广泛的地球观测系统，具有全天时全天候观测的优点，SAR具有穿透云层的能力。干涉合成孔径雷达(Interferometric Synthetic Aperture Radar，InSAR)采用干涉测量技术，是传统SAR遥感技术与射电天文干涉技术的结合，可以分为单航过干涉和重复轨道干涉。在单航过InSAR系统中，两个(或多个)天线安装在单一平台上进行干涉测量，通常有机载和星载系统，例如航天飞机雷达地形信息系统(Shuttle Radar Topography Mission，SRTM)可以生成大范围高分辨率高精度的数字高程模型(digital elevation models，DEMs)。在重复轨道InSAR系统中，在几乎相同的重复飞行轨道上的机载或星载平台上使用单天线进行重复轨道干涉成像。在后一种情况中,如果地面的散射特性保持不变，系统记录的对应两个通道的两组信号具有紧密的相关性。InSAR能够在大范围内以米级分辨率测量厘米到亚厘米精度的地表变形。

因此，InSAR系统在地形测绘、形变检测、环境监测、作物产量估算和军事领域中具有独特的优势和广泛的应用前景。随着单航过InSAR系统的快速发展，我们可以获得很多高精度高分辨率的DEM产品。然而，在相位解缠的过程中由于噪声区域的存在，例如阴影、水体和叠掩，会造成很大的误差。

对于单航过InSAR系统，水体和阴影区域在灰度图像中记录为较小的数值，视觉效果为黑暗的区域。这些区域的相干性很低，在相位解缠时会引入很多噪声。此外，在相位解缠中叠掩区域也会导致误差。图1展示了侧视成像系统中的SAR的成像几何示意图。在雷达系统中，侧视成像是常用的成像方式，在SAR图像中会引入侧视几何。这会导致一些问题，例如斜距尺度畸变、几何畸变和叠掩。斜距畸变是指在不同的距离位置上，同一长度目标在地面上的成像尺度不同。例如AC和HI。虽然它们有相同的长度，但是AˊCˊ和HˊIˊ大小不一样。几何畸变通常由地形起伏造成，表现为透视收缩和叠掩。透视收缩是指雷达图像中山体的坡长小于实际长度的现象，这也称为“正向收缩”，例如AB和DE的坡。当雷达波束垂直于斜面时，会出现最大的收缩，例如坡AB。当雷达波束到达斜坡顶部(G)，在到达底部(H)之前，会产生叠掩。G的回波信号将会在H之前收到。因此与地面的真实位置相比，SAR系统中G点会有轻微的位移。叠掩与地形的坡度(β)和入射角(θ)有关。阴影在SAR图像中通常表现为黑暗的区域，这是因为雷达波束无法到达坡后的三角形区域(图1所示三角形ΔGIJ)。阴影区域包含很少的地物信息，但是它是一个很好的斜坡方向的指示器。

SAR图像分类是指对大范围的SAR图像中的不同目标进行分类，对目标检测和定位有很大的帮助。但目前还没有一个效果很好精度很高的方法来对SAR图像自动地进行端对端分类。因此，本文引入深度学习来进行阴影、水体和叠掩区域的自动分类。深度学习由Hinton于2006年提出，起源于人工神经网络，通过从低级特征中得到抽象的高级特征来识别不同目标的类型。2012年，Krizhevsky使用卷积神经网络在ImageNet比赛中实现了10％的精度提升。这是深度学习第一次效果超过使用浅层模型的人工特征。从此深度学习在各个领域开始蓬勃发展，例如目标检测和语义分割。