亚洲免费av电影一区二区三区,日韩爱爱视频,51精品视频一区二区三区,91视频爱爱,日韩欧美在线播放视频,中文字幕少妇AV,亚洲电影中文字幕,久久久久亚洲av成人网址,久久综合视频网站,国产在线不卡免费播放

        ?

        結(jié)合深度學(xué)習(xí)的多通道InSAR高程反演方法

        2024-01-05 11:10:30耿佃強(qiáng)謝先明曾慶寧胡高洋鄭展恒
        遙感信息 2023年5期

        耿佃強(qiáng),謝先明,曾慶寧,胡高洋,鄭展恒

        (1.廣西科技大學(xué) 電子工程學(xué)院,廣西 柳州 545006;2.桂林電子科技大學(xué) 信息與通信學(xué)院,廣西 桂林 541004)

        0 引言

        干涉合成孔徑雷達(dá)(InSAR)[1-5]探測技術(shù)可以從空間中直接獲取廣泛精細(xì)的地表高程信息,同時具備全天時、全天候的對地觀測特點,已經(jīng)成為極具發(fā)展?jié)摿Φ膶Φ赜^測技術(shù)。不同于單通道InSAR技術(shù),多通道InSAR技術(shù)主要利用承載多路基線的衛(wèi)星系統(tǒng),獲取多幅干涉相位圖進(jìn)行聯(lián)合處理,可以有效解決懸崖、山谷、城市建筑群等不連續(xù)地形的高程反演問題。近20年,基于不同準(zhǔn)則與策略的多通道InSAR高程反演方法被相繼提出,包括中國余數(shù)定理(CRT)算法[6-7]、最小范數(shù)算法[8-9]、最大似然(ML)算法[10]、最大后驗(MAP)算法[11]、聚類分析(CA)算法、圖割(GC)算法[12-13]等。CRT算法利用互質(zhì)基線長度之間的線性關(guān)系來恢復(fù)地形的高程值,在干涉相位無噪聲的條件下可以精確反演出目標(biāo)高程信息,當(dāng)干涉圖存在較大噪聲時,CRT高程反演幾乎失效。最小范數(shù)法利用多幅干涉圖的梯度信息進(jìn)行后續(xù)處理并求解高程,但易受Itoh相位連續(xù)性假設(shè)的限制,難以恢復(fù)復(fù)雜地形。ML算法和MAP算法通過構(gòu)造概率密度函數(shù)實現(xiàn)最佳參數(shù)估算,進(jìn)而重建高程,當(dāng)干涉圖信噪比較低時,高程估計精度往往不高。Yuan等[14]提出基于閉式魯棒聚類分析(CFRCA)算法,通過求解同余方程組的方式得到聚類中心模糊向量的閉式解,增強(qiáng)了算法的魯棒性。GC算法直接計算多幅干涉圖的高程值,可以避開相位解纏過程,有效提升了高程估計精度,但該算法需要消耗較大內(nèi)存,不利于大規(guī)模干涉圖的處理。

        深度學(xué)習(xí)(DL)是機(jī)器學(xué)習(xí)的一種,在自然語言處理、語音及圖像識別等方面已經(jīng)取得豐碩成果。隨著DL的不斷突破與發(fā)展,它逐漸應(yīng)用到SAR目標(biāo)檢測[15-16]、干涉圖去噪[17]、InSAR干涉圖相位解纏等領(lǐng)域。Zhang等[18]利用語義分割網(wǎng)絡(luò)DeeplabV3+求取纏繞相位的纏繞數(shù)并通過3×3窗口像素平均化進(jìn)行后處理,得到了較為準(zhǔn)確的解纏相位。鄭順心[19]利用Transformer-CNN網(wǎng)絡(luò)實現(xiàn)聯(lián)合干涉相位濾波與解纏,可以同時得到較純凈的干涉圖和精度較高的解纏相位圖。Zhou等[20]提出了一種基于深度學(xué)習(xí)的枝切線部署方法,使用BCNet得到枝切線結(jié)果并經(jīng)過后處理得到解纏結(jié)果,取得了有效進(jìn)展。上述研究為后續(xù)結(jié)合深度學(xué)習(xí)的多通道InSAR高程反演技術(shù)的發(fā)展提供了思路。

        本文提出一種結(jié)合深度學(xué)習(xí)的多通道InSAR高程反演方法,通過構(gòu)建MCFCF Net來實現(xiàn)多通道干涉圖和高程圖的直接映射關(guān)系。MCFCF Net使用嵌入了壓縮-激勵(squeeze-excitation,SE)注意力機(jī)制[21]的殘差模塊[22],在有效防止網(wǎng)絡(luò)退化的同時,提高了網(wǎng)絡(luò)對干涉圖細(xì)節(jié)的捕獲能力和重要通道的關(guān)注力。此外,密集連接[23]可以不斷連接前向通道和后向通道,在減少參數(shù)量的同時保證了訓(xùn)練的精度和效率。更重要的,MCFCF Net為一種簡潔有效的對稱網(wǎng)絡(luò),在并行處理多通道干涉圖的同時可以緊密連接和融合不同干涉圖間的重要信息,從而較好地還原高程。完成訓(xùn)練后的網(wǎng)絡(luò)能夠有效完成各種復(fù)雜地形的高程反演。實驗結(jié)果表明,本文方法具有較好的魯棒性和泛化能力。

        1 結(jié)合深度學(xué)習(xí)的高程反演模型

        多通道InSAR高程反演技術(shù)本質(zhì)是同時對多幅干涉圖(通常指目標(biāo)場景所對應(yīng)的、不同基線參數(shù)條件下的多幅干涉圖)進(jìn)行處理,精確獲得目標(biāo)場景高程的技術(shù)。本文提出的MCFCF Net通過構(gòu)建3通道神經(jīng)網(wǎng)絡(luò),對目標(biāo)場景的3幅不同基線參數(shù)條件的干涉圖進(jìn)行處理來獲取目標(biāo)高程信息,建立多通道干涉圖和高程圖的直接映射關(guān)系。通過制作不同地形的數(shù)據(jù)集,選擇網(wǎng)絡(luò)中合適的網(wǎng)絡(luò)層數(shù)與通道數(shù),定義合適的損失函數(shù)以及選擇恰當(dāng)?shù)挠?xùn)練策略,即可使神經(jīng)網(wǎng)絡(luò)精確描述這種非線性映射關(guān)系。訓(xùn)練過程如圖1所示,3幅干涉圖作為神經(jīng)網(wǎng)絡(luò)的輸入,網(wǎng)絡(luò)輸出為地形高程圖。3通道干涉圖聯(lián)合處理,相較于其他通道數(shù),兼顧了高精度與運(yùn)行時間的優(yōu)勢,減少了內(nèi)存等資源的消耗,可以更有效地處理復(fù)雜地形并獲得更高精度的高程估計。

        圖1 MCFCF Net訓(xùn)練過程

        1.1 MCFCF Net架構(gòu)

        MCFCF Net的主體結(jié)構(gòu)如圖2所示,多通道干涉圖依次通過Block1、Block2、Block3、Block4后輸出高程圖,從而建立多通道干涉圖和高程圖的映射關(guān)系。MCFCF Net核心在于3個擁有多分支的Block,即Block1、Block2、Block3作為多通道干涉圖特征連接與融合模塊,增強(qiáng)網(wǎng)絡(luò)建立多通道干涉圖與目標(biāo)真實高程信息之間的非線性映射關(guān)系的能力。Block1、Block2、Block3結(jié)構(gòu)相同(通道數(shù)除外),以Block1為例,3個并行的支路接收多通道干涉圖,每個支路由卷積層、融合了SE的殘差模塊(SE-Res)、卷積層組成,可以分別提取不同干涉圖的有用信息,最后合并3個支路的特征圖,傳入Block2的3個并行支路。Block2、Block3依次循環(huán)Block1中的操作。每個Block中設(shè)計3個分支可以更優(yōu)地處理多通道干涉圖,整體上提高網(wǎng)絡(luò)對多通道特征圖的處理能力。Block1、Block2、Block3之間以跳躍合并的方式形成密集連接,加強(qiáng)了特征圖的重用和不同干涉圖通道間的聯(lián)系。Block4中包含3個串聯(lián)的卷積層,將來自Block3的特征圖整合處理并不斷降維后輸出最終的高程圖。

        圖2 MCFCF Net結(jié)構(gòu)

        圖3展示了圖2中SE-Res結(jié)構(gòu)。其中,殘差網(wǎng)絡(luò)作為神經(jīng)網(wǎng)絡(luò)中經(jīng)久不衰的模型,其容易優(yōu)化、通過增加深度以提高準(zhǔn)確率的特點被應(yīng)用到許多復(fù)雜場景下。圖3中,Conv為普通卷積層,1×1和3×3為其卷積核大小,BN為批歸一化,ReLU為激活函數(shù)。

        圖3 SE-Res結(jié)構(gòu)

        SE如圖4所示,其本質(zhì)是一種通道注意力模塊,主要分為壓縮和激勵兩部分。壓縮部分利用一個全局池化層對輸入特征圖進(jìn)行空間壓縮,通過調(diào)整每個特征通道的實數(shù)權(quán)重以提高對重要通道的關(guān)注力。激勵部分利用了前一步聚合的通道信息,學(xué)習(xí)不同干涉圖通道之間的相關(guān)性,兩個全連接層可以限制模型復(fù)雜性并增強(qiáng)泛化能力。通道權(quán)重調(diào)整操作將通道權(quán)重作用于原始輸入特征圖,加強(qiáng)了重要特征圖的輸出。SE結(jié)構(gòu)可以使網(wǎng)絡(luò)聚焦于對高程反演更為關(guān)鍵的多通道特征圖信息,繼而提高高程反演的效率和準(zhǔn)確性。從整體來看,SE-Res模塊保持了瓶頸殘差單元的基本結(jié)構(gòu),SE模塊直接接入瓶頸殘差單元中,可以調(diào)整網(wǎng)絡(luò)對不同干涉圖通道的關(guān)注程度,增強(qiáng)了網(wǎng)絡(luò)的干涉圖特征提取能力。

        圖4 SE結(jié)構(gòu)

        密集連接的特點是通過特征圖的不斷級聯(lián)來實現(xiàn)特征重用,緊密聯(lián)系前向和后向通道,進(jìn)一步實現(xiàn)干涉條紋特征與高程細(xì)節(jié)信息的聚合機(jī)制。這些特點使得網(wǎng)絡(luò)在保持模型精度和穩(wěn)定性的同時大幅減少參數(shù)量,減緩了梯度消失的問題,加強(qiáng)了特征圖的傳遞。圖5展示了前向和后向通道間的密集連接方法。

        圖5 密集連接

        1.2 MCFCF Net具體參數(shù)

        表1網(wǎng)絡(luò)參數(shù)中,B1~B4分別代表圖2中的Block1~Block4??傮w來看,MCFCF Net的結(jié)構(gòu)簡潔有效,其主體由Block1、Block2、Block3組成,其中每一個Block的并行支路可以分別處理多通道特征圖,捕捉到更多的干涉圖細(xì)節(jié)信息,最后的Block4整合處理特征圖后還原真實高程。MCFCF Net總參數(shù)量為0.41 M左右。

        表1 MCFCF Net 結(jié)構(gòu)參數(shù)

        2 多通道InSAR數(shù)據(jù)集

        網(wǎng)絡(luò)訓(xùn)練過程中,把多通道干涉圖作為輸入,其對應(yīng)的高程圖作為標(biāo)簽,亦即多通道干涉圖與相應(yīng)的高程圖構(gòu)成一組數(shù)據(jù)。訓(xùn)練所用數(shù)據(jù)包含連續(xù)地形和不連續(xù)地形兩種,對應(yīng)有不同的生成方式。

        2.1 連續(xù)地形數(shù)據(jù)集

        連續(xù)地形數(shù)據(jù)按如下兩種方式生產(chǎn)。

        方式Ⅰ:按文獻(xiàn)[24]的方法構(gòu)建連續(xù)地形數(shù)據(jù),生成真實高程圖,隨后根據(jù)InSAR技術(shù)原理[25]和表2所示InSAR系統(tǒng)參數(shù)生成多通道干涉圖,并添加噪聲水平為0.5的高斯噪聲。圖像尺寸為256像素×256像素,標(biāo)簽高程范圍為0~200 m。按上述方式共生成6 000組數(shù)據(jù)。圖6(Ⅰ)為上述方法產(chǎn)生的部分?jǐn)?shù)據(jù),包括真實高程圖和添加噪聲的干涉圖。

        表2 多通道InSAR系統(tǒng)基本參數(shù)

        圖6 連續(xù)地形高程圖和多通道干涉圖

        方式Ⅱ:由中國四川省地區(qū)DEM數(shù)據(jù)經(jīng)過高度轉(zhuǎn)化后作為高程圖;隨后根據(jù)InSAR技術(shù)原理和表2所示InSAR系統(tǒng)參數(shù)生成多通道干涉圖,并添加噪聲水平為0.5的高斯噪聲。圖像尺寸為256像素×256像素,標(biāo)簽高程范圍為0~200 m。按上述方式共生成6 000組數(shù)據(jù)。圖6(Ⅱ)為上述方法產(chǎn)生的部分?jǐn)?shù)據(jù),包括真實高程圖和添加噪聲的干涉圖。

        2.2 不連續(xù)地形數(shù)據(jù)集

        首先通過連續(xù)地形高程圖局部區(qū)域置零或重新賦值的方式得到不連續(xù)地形高程圖,隨后根據(jù)InSAR技術(shù)原理和表2所示InSAR系統(tǒng)參數(shù)生成多通道干涉圖,并添加噪聲水平為0.5的高斯噪聲。圖像尺寸全部為256像素×256像素,標(biāo)簽高程范圍為0~200 m。按上述方式共生成12 000組數(shù)據(jù)。圖7(Ⅰ)、圖7 (Ⅱ)分別為上述方法產(chǎn)生的部分?jǐn)?shù)據(jù),包括真實高程圖和添加噪聲的干涉圖。

        圖7 不連續(xù)地形高程圖和多通道干涉圖

        綜上,連續(xù)地形數(shù)據(jù)集共生成12 000組,由連續(xù)地形生成的突變地形數(shù)據(jù)集共12 000組??倲?shù)據(jù)集為24 000組,充分打亂后分為訓(xùn)練數(shù)據(jù)集20 000組,驗證數(shù)據(jù)集4 000組,用于訓(xùn)練MCFCF Net。

        2.3 網(wǎng)絡(luò)訓(xùn)練策略以及計算機(jī)參數(shù)配置

        使用自適應(yīng)矩估計優(yōu)化器訓(xùn)練網(wǎng)絡(luò)參數(shù),損失函數(shù)選用均方誤差,初始學(xué)習(xí)率為0.001,訓(xùn)練輪數(shù)為98輪,最小訓(xùn)練批次為8,訓(xùn)練時間約16.8 h。MCFCF Net開發(fā)平臺為python3.7,Keras版本為2.3.0。用于數(shù)據(jù)生成及實驗測試的計算機(jī)主要參數(shù)如下:NVIDIA GeForce RTX 2080Ti GPU、Xeon-W2145CPU+64 GB RAM。

        3 實驗結(jié)果分析

        為了有效驗證MCFCF Net高程反演的性能,對不同天線系統(tǒng)參數(shù)下3種不同類型包括連續(xù)地形、城市不連續(xù)地形以及突變地形進(jìn)行高程反演實驗,利用已經(jīng)訓(xùn)練好的網(wǎng)絡(luò)對不同的干涉圖進(jìn)行高程反演并且與其他傳統(tǒng)多通道算法如ML、TV+MAP、GC相對比,采用歸一化均方根誤差(NRMSE)判斷本文方法的性能,其定義如式(1)所示。

        (1)

        3.1 高程反演實驗

        圖8(a)為模擬山峰Peaks二維高程圖,圖8(b)~圖8(d)為根據(jù)表3所列多基線InSAR系統(tǒng)參數(shù)生成的干涉圖,信噪比約為6.10 dB,圖像大小為256像素×256像素。圖9(a)為模擬城市建筑A二維高程圖,圖9(b)~圖9(d)為根據(jù)表3所列多基線InSAR系統(tǒng)參數(shù)生成的干涉圖,信噪比約為9 dB,圖像大小為256像素×256像素。圖10(a)為美國LONG’S山脈地形二維高程圖,其地形圖右側(cè)有一道最大高程差近130 m的斷崖式突變,圖10 (b)~圖10(d)分別為根據(jù)表3所列多基線InSAR系統(tǒng)參數(shù)生成的干涉圖,圖像大小為458像素×152像素,信噪比約為7.44 dB。依次用ML算法、TV+MAP算法、GC算法以及MCFCF Net算法對3組干涉圖進(jìn)行高程反演。

        表3 多通道InSAR系統(tǒng)基本參數(shù)

        圖8 Peaks高程圖和干涉圖

        圖9 城市建筑A高程圖和干涉圖

        圖10 LONG’S 山脈高程圖和干涉圖

        圖11(a)~圖11 (d)、圖12(a)~圖12 (d)、圖13(a)~圖13(d)分別為各算法高程反演圖,圖11(e)~圖11 (f)、圖13(e)~圖13 (f)分別為各算法高程反演誤差圖。對于連續(xù)地形,4種方法皆可以基本恢復(fù)出原始高程,其中,ML算法恢復(fù)的高程圖中密布雜亂的噪聲群,表明其抗噪性能差,高程反演誤差較大。TV+MAP算法反演的高程圖中仍存在雜亂的噪聲點,難以準(zhǔn)確還原高程。GC算法的恢復(fù)效果較為良好,但圖11(c)中仍有無法正確反演的區(qū)域,即如圖11(g)黃色框所示。MCFCF Net獲得的高程與原始高程圖最為接近,幾乎沒有明顯可見的噪聲點。對于城市不連續(xù)地形,3種傳統(tǒng)算法仍然存在魯棒性不強(qiáng)的缺點,在突變區(qū)域處誤差較大,相對地,MCFCF Net的高程反演較為貼近原始高程圖,誤差主要集中在突變區(qū)域邊界處,誤差范圍較小。針對突變地形,圖13(a)中全局出現(xiàn)了范圍較大的高程誤差,且有十分明顯的分散噪聲點,而圖13(b)中同樣存在雜亂的噪聲點,從整體來看ML算法、MAP+TV算法的魯棒性不強(qiáng),圖13(c)中左半?yún)^(qū)域有成片的重建錯誤區(qū)域,即如圖13(g)黃色框所示,造成高程反演誤差較大。

        圖11 Peaks地形高程反演實驗結(jié)果

        圖12 城市建筑A地形高程反演實驗結(jié)果

        圖13 LONG’S地形高程反演實驗結(jié)果

        MCFCF Net的反演效果圖如圖13(d)所示,誤差主要集中在右側(cè)突變區(qū)域處,左半?yún)^(qū)地形恢復(fù)程度良好。表4為4種方法對3組干涉圖高程重建30次的平均誤差結(jié)果和平均運(yùn)行時間對比??梢钥闯鯩CFCF Net在保持高精度的同時,時間消耗亦極小。

        表4 各算法性能對比

        4 結(jié)束語

        本文方法以MCFCF Net為框架,利用深度學(xué)習(xí)神經(jīng)網(wǎng)絡(luò)強(qiáng)大的函數(shù)擬合能力建立多通道干涉圖與高程圖的映射關(guān)系,實現(xiàn)了從多幅干涉圖到高程圖的直接映射關(guān)系,有效解決了復(fù)雜地形尤其是不連續(xù)地形的高程反演問題。在多類地形的高程反演實驗中,該方法都能獲得較為穩(wěn)定和精確的結(jié)果。同時,與ML、TV+MAP和GC算法相比,MCFCF Net能更充分利用多通道InSAR系統(tǒng)不同基線數(shù)據(jù)潛力,使其高程反演的精度和效率大幅提升,在不同場景與不同信噪比的地形高程反演中展現(xiàn)了良好的泛化能力與穩(wěn)定性。

        亚洲最新无码中文字幕久久| 国产小屁孩cao大人免费视频| 国产一区二区三区杨幂| 自拍偷区亚洲综合第一页| 美女张开腿黄网站免费| 中国丰满熟妇xxxx| 亚洲韩国在线| 亚洲女同高清精品一区二区99| 无码伊人66久久大杳蕉网站谷歌| 在线不卡av片免费观看| 久久久久国产一级毛片高清版A| 中文字幕人妻一区色偷久久| 人妻少妇不满足中文字幕| 精品少妇人妻av无码专区| āV第三区亚洲狠狠婷婷综合久久| 精品国产97av一区二区三区| 国产在线观看91一区二区三区| 国产成人av大片大片在线播放 | 伊人久久大香线蕉综合影院首页 | 又黄又硬又湿又刺激视频免费| 9999毛片免费看| 黄色三级一区二区三区| 在线精品国产亚洲av蜜桃| 精品久久欧美熟妇www| 久久无码高潮喷水免费看| 国产午夜精品综合久久久| 久久aaaa片一区二区| 日韩好片一区二区在线看| 亚洲男人在线无码视频| 五月激情在线视频观看| 国产精品久久久久9999赢消| 国产偷v国产偷v亚洲偷v| 亚洲精品女优中文字幕| 久久黄色视频| 精品久久亚洲中文无码| 久久久久久AV无码成人| 日韩免费精品在线观看| 人妻夜夜爽天天爽| 亚洲区日韩精品中文字幕| 青青草是针对华人绿色超碰| 无码人妻一区二区三区在线|