[发明专利]全尺度连接的深度学习相位展开方法

说明书

本发明公开了一种全尺度连接的深度学习相位展开方法，包括创建InSAR模拟数据集；将S1创建好的两种数据放入全尺度连接的深度学习中进行训练；将待解缠相位图像放入已训练好的全尺度连接的深度学习中得出解缠出的真实相位图像。本发明以U‑Net3+为骨架，实现从缠绕相位到真实相位的直接映射。在编码模块与解码模块之间利用全尺度跳跃连接把编码模块中不同尺度的特征图与解码模块中携带高级语义信息的特征图有机的结合在一起；在编码层和解码层添加残差网络，防止因网络层数过深带来的梯度弥散和网络退化问题；完成训练后的网络能有效解缠不同类型干涉图，不需要进行任何后处理。实验结果表明本文网络具有很好的泛化能力以及较高的解缠效率。

技术领域

本发明属于图像相位解缠领域，涉及干涉测量技术应用中图像相位解缠，尤其涉及全尺度连接的深度学习相位展开方法。

背景技术

相位解缠是许多干涉测量技术应用中不可或缺的步骤，在各种干涉测量技术应用中获得的干涉图通常存在程度不一的干涉相位噪声以及相位不连续问题，这使得干涉图相位解缠问题迄今为止仍是一个非常具有挑战性的问题。现有的干涉图相位解缠算法大致分为路径跟踪法、最小范数法、网络规划法以及具有噪声鲁棒性的卡尔曼滤波算法等。其中路径跟踪算法主要包括质量引导算法、枝切法、掩膜切割法、最小不连续算法等算法，这类算法通过设置合适的积分路径，将误差限制在一定区域内，尽可能减缓或降低解缠相位误差的累积传递效应。最小范数类算法包括FFT最小二乘法、加权最小二乘法等算法，这类方法将相位解缠问题转化为最小范数框架下的全局优化问题，通常在具有良好的解缠效率同时，亦易导致干涉图解缠相位出现过平滑问题，可能带来较为严重的相位解缠误差。网格规划法是将干涉图相位解缠问题转化为求解网络费用流的优化问题，主要有最小费用流和统计费用流等算法，但这类方法解缠精度与解缠效率通常易受干涉图相位噪声的影响，难以有效解决干涉相位噪声较为严重的干涉图的相位解缠问题。卡尔曼滤波类算法能在相位解缠的同时进行干涉相位噪声抑制，既不受相位残差点影响，这类方法降低了前置滤波对相位解缠的限制，但时间耗费代价太大，难以实现实时处理。

发明内容

为了解决上述问题，本发明提供一种解缠精度相对较高、抗噪性能相对较强的高效的全尺度连接的深度学习相位展开方法。

实现本发明目的的技术方案是：

全尺度连接的深度学习相位展开方法，包括以下步骤：

S1，创建干涉图数据集，得到真实相位图与缠绕相位图；

S2，将S1创建好的两种数据放入全尺度连接的深度学习模型中进行训练，得到训练后的权值；

S3，将待解缠相位图像放入已训练好的全尺度连接的深度学习模型中得出解缠出的真实相位图像。

进一步地，所述S1包括如下步骤：

S1-1，通过随机函数，得到构建2×2～20×20随机初始矩阵；

S1-2，用双三次插值法对初始矩阵扩展进行插值放大到256像素×256像素，得到真实相位干涉图；

S1-3，使用Zernike前20个系数多项式得到大小为400像素×400像素初始矩阵；

S1-4，利用Zernike矩阵，截取大小为256像素×256像素的真实相位矩阵，得到真实相位图；

S1-5，从晋城真实相位中截取大小为256像素×256像素的真实相位矩阵，得到真实相位图；

S1-6，将生成的真实相位图重缠绕相位并加入不同信噪比的噪声,得到缠绕相位图。

进一步地，所述S2包括如下步骤：

S2-1，单通道的缠绕相位图从改进的全尺度连接的深度学习模型的编码模块的输入层进入，经卷积层将图像通道数调整后通过残差网络层，最后在通过卷积层输出，得到特征图；