干涉合成孔径雷达边缘检测解相位模糊的方法

给出了一种干涉合成孔径雷达相位解模糊方法 ,该方法利用边缘检测算子确定干涉图中干涉纹的位置。为了提高干涉纹的检测精度 ,将纹线检测和纹线跟踪相结合 ,并采用了中值滤波和相对平均灰度梯度法 ,该方法具有无积累误差且稳定性好的优点。利用三峡地区的L波段SIR C并行轨道数据 ,运用上述方法得到了解模糊的相位图和局部区域的相对地形图 ,获得了比较满意的结果。

分段非均匀条纹生成方法及其在双频解相位中的应用

提出了一种描述图像像素和相位关系的分段函数,可以生成分段非均匀条纹,解决光栅测量系统倾斜投影时参考平面上条纹周期不均匀的问题。在利用双频解相位方法进行相位展开时,提出了一种条纹移动法,即将一种频率的条纹向右或向左移动π的整数倍,消除了投影双频分段非均匀条纹时得到相位展开结果的不连续性。对比其他非均匀条纹生成方法,分段非均匀条纹生成方法简单易行;双频分段非均匀条纹经过条纹移动后能够适用于双频解相位。对拱桥投影均匀条纹和分段非均匀条纹进行对比实验证明,投影分段非均匀条纹时测量精度得到了明显提高。

一种新的干涉SAR解相位模糊方法

结合局部Ｒａｄｏｎ变换，提出了基于等相位路径搜索的干涉ＳＡＲ解相位模糊的方法，并且通过设立参考地形相位，对原相位进行修正。该方法具有良好的稳定性和较小的误差，且无误差传递，因而是一种切实可行的解相位模糊方法。利用三峡地区的Ｌ波段的ＳＩＲＣ的并行轨道数据，得到了局部区域的相对地形高度信息图。

基于边缘检测的干涉SAR解相位模糊方法

相位解模糊是干涉合成孔径雷达三维成像的关键技术。基于边缘检测算法确定干涉图中干涉纹的位置来实现干涉相位的解模糊。为了提高干涉纹的检测精度 ,将纹线检测和纹线跟踪相结合 ,并采用了中值滤波和相对平均灰度梯度法进一步减小噪声。该方法具有无积累误差且稳定性好的优点。利用三峡地区的L波段SIR C并行轨道数据 ,运用上述方法实现了相位解模糊 。

一种二维INSAR解相位模糊方法研究

解相位模糊问题是干涉ＳＡＲ成像处理中最关键的问题之一，它直接影响成像高度的精度。文中结合递推估计方法，给出了一种解相位模糊方法。其过程是根据给定的初始相位数据或邻近的已解模糊的相位值通过递推估计来获取相位估值，再经过可信度的检测来保证相位估值的可靠性。模拟实验后的实验结果表明该方法是有效的，并它成功地恢复了相位所丢失的２ｎ 分量，其相位值与模拟的真实值比较，相对误差也很小。

基于时差解相位干涉仪模糊的测向方法研究

基线长度越长,测向精度越高,当基线长度大于信号半波长时,会存在相位模糊,传统的解模糊方法常常需要用到多组基线。在分析了时差测向系统和干涉仪测向系统的基础上,提出了基于时差解相位干涉仪模糊实现测向的方法,并分析了正确解干涉仪模糊所需的时差测量精度以及时间差精度不足以正确解相位模糊时对方位测量精度的影响,认为在基线长度较长时,如果错误模糊数和正确模糊数差距不大,方位测量精度能够满足工程需求,结合高精度到达时间测量技术,可以得到满足工程需要的方位测量精度。该方法只需一条基线两个天线就能实现一维测向,所需设备量少,能够降低设备体积、重量、功耗等要求。

光栅投影三维测量解相位方法的对比研究

解相位是基于光栅投影三维面形测量技术的关键步骤,分析和对比了相移法、傅里叶变换法和小波变换法解相位,结果表明相移法的测量精度最高。针对信噪比较低的条纹图,噪声可能导致小波脊不是最大值点而是局部极大值点,提出了基于价值函数的二维小波变换小波脊提取算法。仿真和实验结果表明,相较于二维小波变换最大脊提取算法,所提算法抑噪能力更好,测量精度明显提高。

基于快速傅立叶变换的最小二乘法解相位模糊

本文叙述了基于严密最小二乘法理论求解相位模糊的方法，采用快速傅立叶变换（FFT）方法求解误差方程，大大简化了误差方程的解答。

改进的菱形解相位法在相位展开中的应用

为解决菱形解相位法在展开复杂相位场时容易出现拉线或孤岛的问题,提出了菱形解相位法的改进算法。该算法首先结合Goldstein枝切法找出包裹相位分布中的残差点,并将包裹相位图分为残差点区域和非残差点区域,然后对非残差点区域采用传统菱形解相位法进行展开,最后依据相位的连续性原则,利用最小二乘法拟合残差点区域的相位,获取实际相位的最佳逼近值,从而获得真实且可靠的相位展开结果。仿真结果表明:改进后的菱形解相位法可以有效展开复杂相位场,使拉线与孤岛现象减少了约70%。

MCJ-UNet:一种双/多通道联合InSAR相位解缠网络

干涉合成孔径雷达(InSAR)可实现地表高程的高效获取,在地形测绘中应用广泛。双/多通道InSAR技术可借助不同通道(基线、频点)的高程模糊度差异,解决相位欠采样问题,完成高程陡变区域的干涉相位解缠,实现InSAR技术在测绘困难区域的有效应用。该文即面向高效高精度相位解缠需求,利用深度学习这一有力工具,结合不同通道的相位特征及相互约束关系,提出了一种双/多通道联合干涉相位解缠网络:Multi-Channel-Joint-UNet(MCJ-UNet)。该网络的构建以双通道(双频、双基线)InSAR为基本观测构型,并可实现向多通道构型的扩展,其构建的核心思路主要包括3点:首先,将干涉相位解缠中的模糊数估计问题转化为语义分割问题,并采用UNet网络完成分割处理;其次,引入挤压激励模块(SE)动态调整信息权重,以增强网络不同通道对其所需信息的感知能力;最后,利用多通道联合约束下的相位残差优化损失函数,实现网络调谐。此外,为避免语义分割结果的边缘细节误差对解缠效果的影响,该文还提出了一种基于多通道联合约束的解缠误差自修正方法,以保证解缠质量。模拟地形仿真数据、真实地形仿真数据以及TerraSAR-X实测数据验证了所提方法的有效性。

基于改进U-Net网络的相位解包裹技术研究

提出了一种结合深度学习的空间相位解包裹方法,采用基于改进U-Net网络的编码器-解码器架构,同时加入包含双向长短期记忆网络(BILSTM)的CBiLSTM模块,并且结合注意力机制,避免了典型卷积神经网络学习全局空间依赖关系的固有缺陷的同时增强了深度学习模型对相位解包裹任务中的关键信息的关注能力。通过大量的模拟数据,验证了文中方法在严重噪声(SNR=0)、不连续条件和混叠条件下的鲁棒性,在以上三种情况下,同其他深度学习网络模型进行对比,文中所提出的网络模型的归一化均方根误差(NRMSE)分别为0.75%、1.81%和1.68%;结构相似性指数(SSIM)分别为0.98、0.92和0.94;峰值信噪比(PSNR)分别为40.87、32.56、37.38;同时计算时间显著减少,适合应用到需要快速准确的空间相位解包裹任务中去。通过实际测量数据,验证了文中提出网络模型的可行性。该研究将双向长短期记忆网络(BILSTM)和注意力机制同时引入光学相位解包裹问题中,为解决复杂相位场的解包裹提供了新的思路和方案。

基于相位质量融合估计与信息滤波的相位解缠方法

L波段差分干涉SAR卫星(陆探一号,LT-1)是我国首个L频段全极化民用SAR卫星星座,该组卫星将长期服务于自然资源监测监管,DEM生产是其主要任务之一。众所周知,相位解缠是影响DEM反演精度的关键因素之一,然而,高噪声及大梯度变化区域解缠结果精度低一直是相位解缠的瓶颈难题。对此,本文提出了一种相位质量融合估计策略引导的迭代信息滤波与解缠方法。首先,对干涉图像素的相干性、相位梯度、噪声分量和干涉条纹边缘进行估计与拟合,进而指导解缠路径布设,提高相位解缠结果的准确性;然后,采用中心差分信息滤波器实现解缠相位的准实时状态估计,进而提高解缠方法的稳健性;最后,通过TerraSAR-X/TanDEM-X双星及LT-1A/B双星SAR数据进行试验验证。结果表明,本文方法精度较统计费用流算法提高了约65.3%;较无迹信息滤波解缠算法提高了约13.6%。此外,试验结果不仅验证了本文方法的有效性,而且证明LT-1双星系统可达到高精度地形重建的预期效果,能为我国后续多云多雨区的DEM产品生产提供高精度的数据源。

InSAR相位解缠最大流/最小割权值改进算法

InSAR已经在高精度DEM反演中得到了广泛应用,相位解缠技术是影响DEM获取精度的关键步骤之一,然而大梯度变化区域一直是影响解缠结果精度的核心问题。针对该问题,本文提出一种基于势函数改进权值的最大流/最小割相位解缠算法。首先,针对PUMA模型权值设置不合理的问题进行研究,利用外部已有DEM获取相位梯度变化的先验信息,将窗口最大绝对相位梯度值代入相应的势函数公式中获取权值;然后,通过对势函数权值的设置进行阈值调节,解决由于势函数权值设置不合理导致PUMA势函数无法发挥作用引起的解缠错误问题,进而提高大梯度变化区域相位解缠精度;最后,通过仿真数据和真实TanDEM-X InSAR数据对本文算法进行验证,并与已有方法进行对比。结果表明,仿真数据中本文算法可以提高至少44.93%的解缠精度,真实数据中在大梯度变化区域,本文算法较已有算法可以获得更大范围的有效解缠结果。

基于质量引导的枝切法相位解包裹算法

相位解包裹是相位测量轮廓术中数据处理的关键。文中在传统Goldstein枝切法的基础上提出了一种质量引导的枝切法相位解包裹算法,旨在获得更加精确的相位解包裹结果。采用包裹相位的二阶微分作为残差检测原理的补充参数,将包裹相位二阶微分中的突变点视为无极性残差点,并利用调制度作为残差点有效性的判断依据,将低调制度的残差点视为具有更高的有效性进行局部优化以降低残差点的密度。优化后的等效残差点连接成枝切线以阻挡误差传播。采用调制度计算像素点的质量以引导相位解包裹的顺序,在解包裹路径绕开枝切线的同时优先展开高质量区域的像素点。实验结果表明,文中算法的相位解包裹结果具有更高的准确性和竞争力。

基于swin-UNet-denoise和最小二乘法的两步相位解包裹

相位解包裹在众多领域应用中都占有重要地位,但总会受到噪声的影响,尤其是散斑噪声。为了去除散斑噪声对包裹相位图的影响,并从中恢复出实际的相位值,采用两步法进行了理论分析和实验论证,从不同程度散斑噪声包裹的相位中恢复出绝对相位。以swin-UNet-denoise网络为基础,将swin block中的归一化层后置,并用余弦相似度计算注意力值,然后将相对位移偏移替换为对数位置偏移,并在上采样模块融合反卷积层以此提升网络的去噪能力;将去噪结果通过最小二乘法解包裹,再通过中值滤波获得绝对相位。结果表明,结构相似度为99.77%,峰值信噪比为39.98,均方根误差为0.4864,平均绝对误差为0.4302。所有网络只在300组仿真数据集上进行训练验证,证明即使在小样本的条件下,该研究也能为更快速、更高效、更准确地实现带有散斑噪声的相位解包裹提供参考。

离散优化框架下的多基线InSAR相位解缠方法

多基线相位解缠技术通过扩展InSAR干涉相位的模糊度区间,突破了单基线解缠的相位连续性限制。然而,相位噪声始终困扰着多基线解缠,聚类分析算法能够在一定程度上抑制噪声,但聚类簇边界的相位连续性难以保障。针对该问题,本文提出了一种离散优化多基线InSAR抗噪相位解缠方法,该方法将经典的多基线解缠模型转化为离散优化问题,构建了多基线解缠解析框架。本文方法以双向遍历的形式求解相位模糊度,针对相位噪声引起的模糊度个数突变问题,采用分块聚类的策略予以校正,提高了算法的抗噪稳健性,解决了聚类簇边界跳变问题。本文基于模拟数据集及实测数据集验证了本文方法的有效性。结果表明,本文方法相对于传统聚类方法,均方根误差减少了约20%。

基于LSTM联合卷积网络的低信噪比干涉相位解缠方法

针对合成孔径雷达(Synthetic Aperture Radar,SAR)干涉测量处理技术中的缠绕相位解缠的问题,提出了一种基于LSTM联合卷积网络的低信噪比干涉相位解缠方法。该方法采用复合损失函数对网络进行训练,并利用空间四向长短时记忆(Spatial Quadrature-Difference Long Short-Term Memory,SQD-LSTM)网络模块将相位解缠分解为一个回归问题,以避免典型卷积神经网络(Convolutional Neural Networks,CNN)难以学习局部空间特征参数的困难。实验结果表明,所提方法在低信噪比的情况下性能指标优于现有相位解缠方法,同时计算速度快,不需大规模训练数据集,相位解缠精度高,在SNR=0 dB时,归一化均方根误差达到了1.3%,提升了干涉测量的精准性。

DC-UMnet网络解全息欠采样包裹相位的方法

为了解决数字全息数值重构时,欠采样包裹相位的解包裹问题,提出了一种DC-UMnet网络解欠采样包裹相位的空间相位解包裹方法。DC-UMnet网络以U-net网络的解码器-编码器为框架,在编码部分融入Mobilenetv1的轻量级深度学习网络,以降低模型复杂程度、参数数量和运算成本;在解码部分提出了一种复杂的卷积模块-双通道模块(Dual-Channel Block)代替原来U-net网络中的3×3卷积,其在解码过程中更好地融合了特征,从而更好地解调欠采样包裹相位。同时使用SmoothL1Loss损失函数计算损失值,激活函数使用ReLU6,最后对欠采样模拟数据集进行了训练,并对实验获取的欠采样包裹相位图进行了实验验证。仿真结果表明,通过大量的模拟测试,验证了相比于DCT方法和U-net网络,DC-UMnet网络的结构性相似指数值分别提高了约4.38倍和0.77倍,在添加噪声后测试结果表明,DC-UMnet网络的结构性相似指数值分别提高了约4.68倍和0.86倍,适合应用到需要准确地进行欠采样相位解包裹中去;以欠采样微孔为对象的实验结果表明,文中方法获得微孔纵向尺寸的准确率为91.2%,验证了文中提出网络模型的可行性。该研究满足了欠采样包裹相位高质量解包裹的要求,为解决欠采样条件下的相位解包裹问题提供了新的思路方法。

基于R2AU-Net的InSAR相位解缠方法

InSAR相位解缠的质量直接影响地形高程或地表形变的反演精度。传统的基于非机器学习模型的相位解缠方法(如基于路径跟踪或最小范数)在低相干性或相位梯度较大(干涉条纹密集)的区域难以获得正确解缠结果。深度神经网络算法在非线性表示和特征表达能力方面具有独特优势,被广泛应用于数字图像处理研究中,InSAR相位解缠可视为图像回归。本文提出基于R2AU-Net深度神经网络的InSAR相位解缠方法。首先,基于数学分形法模拟成对的缠绕和解缠相位,避免了外部DEM合成相位时引入的固有误差和残缺问题,保持了地貌特征的多样性及复杂性,得到模型训练所需的数据集。然后,基于传统的U-Net模型构建R2AU-Net相位解缠模型,该模型结合注意力机制增强了模型对于卷积特征筛选能力,提高了在低相干或条纹密集区域的解缠性能;使用循环残差卷积结构,避免了梯度消失问题,增强了模型特征表示能力。最后,利用模拟和真实数据进行试验分析,结果表明本文提出的R2AU-Net相位解缠模型能够更有效地保留地形高程或真实地表形变信息,提高了解缠结果的可靠性,在性能表现上优于Goldstein枝切法、SNAPHU方法及CNN和U-Net相位解缠模型。

基于MAPNet的深度学习相位解缠方法

文章提出一种基于深度学习神经网络的相位解缠方法。首先,以多路径神经网络为骨架,采用并行多路径架构对干涉图进行不同尺度信息处理,以获取不同分辨率特征图,并利用通道注意力机制模块与空间池化模块融合不同分辨率的特征图,达到兼顾全局语义信息与局部相位细节信息的目的,有利于提升网络相位解缠性能。其次,利用噪声量级评估系统制作不同噪声量级数据集对网络模型进行训练,使训练完成的网络具有解缠不同噪声量级干涉图的能力。最后,利用构建的网络模型对不同噪声量级干涉图进行相位解缠,获得其解缠相位。实验结果表明,该网络模型可对不同条纹特征干涉图进行相位解缠且效果良好。