CN115963498B 一种冰川区InSAR大梯度相位解缠方法（中南大学）

(19)国家知识产权局(12)发明专利(10)授权公告号CN115963498B(65)同一申请的已公布的文献号(73)专利权人中南大学地址410083湖南省长沙市麓山南路932号(72)发明人李佳钟文杰郭磊冯娟娟李志强吴俊辉(74)专利代理机构长沙欧诺专利代理事务所(普通合伙)43234专利代理师欧颖梁捷审查员纪艳华(54)发明名称一种冰川区InSAR大梯度相位解缠方法本发明提供一种冰川区InSAR大梯度相位解缠方法，包括以下步骤：基于冰川区DEM差分值的干涉图模拟技术生成训练样本，通过构建的一个卷积层和Transformer混合的对称相位解缠网络模型对训练样本进行训练后，将预测的相位不连续信息作为概率质量图输入到最大流\最小割算发明利用深度学习强大的学习总结能力和数据2所述步骤1中，通过选取冰川覆盖山区的SRTM(ShuttleRadarTopographyMission)所述步骤1的具体过程包括：统一两期DEM高程基准，配准两期DEMDEM差分图模拟地形差分相位图，随后添加模拟的大气湍流噪声，高斯噪声，随机形状的大振幅噪声，大振幅噪声用于模拟水体和山体阴影引起的严重去相关，估计添加噪声后模拟干涉相位的相干性，最后将模拟的绝对相位进行缠绕得到模拟缠绕相位图；步骤2、通过构建的一个卷积层和Transformer混合的对称相位解缠网络模型对训练样本进行训练；所述步骤2中，构建了一个CNN和Transformer混合的对称相位解缠架构GTPU-Net,包括编码器、解码器和添加注意力机制的跳跃连接skipconnection;模型编码器的基本单元为根据模拟的缠绕相位图基于“相位连续性假设”计算得到残差图，根据模拟的缠绕相位图位置裁剪得到冰川边界，最后将残差图、冰川边界和干涉图作为深度学习模型三个通道输入的特征；根据模拟的绝对相位图计算相位不连续点，将相位不连续点图作为深度学习模型的输出；步骤3、将预测的相位不连续信息作为概率质量图输入到最大流\最小割算法中，进行所述步骤3具体包括：在马尔可夫随机场中定义能量函数，将相位不连续性信息作为缠绕计数估计中使用的相位变化先验知识，构建马尔可夫有向图，根据能量函数计算有向图各边的权重，基于最大流\最小割算法求解使能量函数最小化的缠绕计数k,完成相位解缠。3技术领域[0001]本发明属于星载合成孔径雷达干涉测量技术领域，具体涉及到一种冰川区InSAR大梯度相位解缠方法。背景技术[0002]在全球气候变暖大背景下，冰川处于物质快速流失并逐渐失稳的状态。由于冰川物质体积和质量巨大，冰川大规模突然分离(也称冰川崩塌)可引发严重山地灾害。近期多项研究发现冰川在发生大规模突然分离前往往有明显的跃动迹象。另外冰川跃动本身也能导致一些山地灾害，例如跃动冰体快速消融产生的融水引发泥石流，跃动冰体阻塞峡谷导致堰塞湖洪水，跃动体破坏冰川湖引发冰湖溃决洪水。因此监测冰川跃动对于冰川灾害感知具有重要指导意义。由于冰川跃动会使冰川表面高程产生显著变化，冰面高程变化监测是研究冰川跃动的重要手段之一。星载合成孔径雷达干涉测量技术(InSAR)具备全天候观年德国TanDEM-X单发双收影像数据推出后，InSAR技术在冰川表面高程变化监测领域得到较广泛的应用。[0003]相位解缠是InSAR技术获取地表高程的核心步骤。由于一般SAR影像生成的山区原始干涉相位条纹十分密集，直接解缠的成功率极低，需要将原始相位与外部DEM模拟的地形相位作差，再对差分相位进行解缠。将展开的差分相位转换成高程差，加上外部DEM后可得到新的DEM。传统的相位解缠方法几乎都基于相位连续性假设，即相邻像元之间的相位差的不超过π。但在冰川发生跃动或崩塌时，表面高程变化可能导致InSAR差分相位图上相邻像元之间的相位差超过π。采用传统方法解缠会使展开相位存在明显的跳变，最终导致生成的InSARDEM在关键目标区存在粗差，无法用于估计冰川表面高程变化。[0004]传统的InSAR相位解缠方法几乎都基于相位连续性假设，即相邻像元之间的相位差不超过。当相位连续性假设条件被冰川区域显著高程变化导致的剧烈相位变化或噪声破坏时，传统相位解缠方法无法获取准确的展开相位。此外，即便相位连续性假设条件能够满于优化的方法易将相位梯度较大区域的解缠错误传播到整个解缠区域；基于统计的方法处理干涉数据的效率较低，对计算机硬件设备要求高。[0005]现有深度学习相位解缠方法还存在如下问题：(1)现有方法大多直接在模拟数据上进行实验，这使得模型对真实InSAR干涉相位空间分布特征考虑不足，在复杂地形下容易出现相位分类不平衡问题；(2)现有方法设计的网络相对较浅，难以拟合残差较多的相位数据，且采用的深度学习模型几乎都以卷积层作为基本单元，模型性能受到卷积层对特征的全局位置不敏感、难以跟踪图像中远距离依赖关系等问题的限制；(3)由于相位缠绕计数估计以范数最小为准则，易将错误预测的相位梯度信息传播到整个区域。[0006]因此，本领域需要一种冰川区InSAR大梯度相位解缠方法。4发明内容[0007]本发明的目的是提供一种冰川区InSAR大梯度相位解缠方法，以解决背景技术中提出的传统的InSAR相位解缠方法几乎都基于相位连续性假设，皆存在不同的缺点的问题。[0008]本发明的技术方案是，一种冰川区InSAR大梯度相位解缠方法，包括以下步骤：[0010]步骤2、通过构建的一个卷积层和Transformer混合的对称相位解缠网络模型对训练样本进行训练，[0011]步骤3、将预测的相位不连续信息作为概率质量图输入到最大流\最小割算法中，进行相位缠绕计数估计，完成相位解缠。[0012]在一种具体的实施方式中，所述步骤1中，通过选取冰川覆盖山区的SRTM(ShuttleRadarTopographyMission)DEM数据和COP[0013]在一种具体的实施方式中，所述步骤1的具体准两期DEM,差分两期DEM,基于DEM差分图模拟地形差分相位图，随后添加模拟的大气湍流噪声，高斯噪声，随机形状的大振幅噪声，大振幅噪声用于模拟水体和山体阴影引起的严重去相关，估计添加噪声后模拟干涉相位的相干性，最后将模拟的绝对相位进行缠绕得到模拟缠绕相位。[0014]在一种具体的实施方式中，所述步骤2中，根据模拟的缠绕相位图基于“相位连续性假设”计算残差图，根据模拟相位图位置裁剪冰川标签图，最后将以上两种因子和模拟的缠绕相位图作为深度学习模型三个通道输入的特征；根据模拟的绝对相位图计算相位不连续点，将相位不连续点图作为深度模型的输出。[0015]在一种具体的实施方式中，所述步骤2中，构建了一个CNN和Transformer混合的对称相位解缠架构GTPU-Net,包括编码器、解码器和添加注意力机制的跳跃连接(skipconnection);模型编码器的基本单元为VisionTransformer。[0016]在一种具体的实施方式中，所述步骤3具体包括：在马尔可夫随机场中定义能量函数，将相位不连续性信息作为缠绕计数估计中使用的相位变化先验知识，构建马尔可夫有向图，根据能量函数计算有向图各边的权重，基于最大流\最小割算法求解使能量函数最小化的缠绕计数k,完成相位解缠。[0017]本发明的有益效果包括：[0018]1、本发明利用深度学习强大的学习总结能力和数据挖掘能力，摆脱了相位解缠对相位连续性假设的依赖。[0019]2、本发明利用冰川区DEM差分值来模拟双站InSAR差分相位，并根据冰川区相位特征添加多种噪声，获取InSAR相位训练样本更加符合冰川表面高程变化监测场景特征。[0020]3、本发明构建一个卷积层和Transformer混合的对称相位解缠网络模型，通过跳跃连接来融合卷积模块提取的局部信息和Transformer提取的全局信息，实现干涉图像高精度分割，解决了卷积层对图像特征的全局位置不敏感和难以跟踪图像中远距离依赖关系[0021]4、本发明基于马尔可夫随机能量场和最大流/最小割算法进行缠绕计数估计，解决基于深度学习进行回归预测的展开相位再缠绕后与原始干涉相位的不一致的问题，同时抑制低相干区域错误预测的相位梯度信息的传播，使冰川区InSAR大梯度相位解缠结果更5附图说明[0025]图2为新路海某一冰川的干涉图、基于GAMMA软件最小费用流方法生成的展开相[0026]图3为新路海另一冰川的干涉图、基于GAMMA软件最小费用流方法生成的展开相入柏林噪声用于模拟大气湍流对干涉相位的影响，以20%的概率加入二维高斯函数模拟的[0034]在初始的模拟相位图中添加随机复高斯噪声，根据添加的噪声估计干涉图相干影等因素可能会引起严重去相关，以10%的概率将随机形状的大振幅噪声加入模拟的相位方法基于缠绕计数将图像分成多类的做法，本发明定义相位不6输出数据。同时为了解决卷积层对特征的全局位置不敏感和难以跟踪图像中的远距离依赖[0037]本发明基于最大流/最小割理论和和相位不连续信息来估计相位缠绕计数，获取h;和v;分别表示水平和垂直不连续性。[0045]本方法的目标是求解使能量函数最小化的缠绕计数k。将GTPU-Net模型预测的水平和垂直方向上的相位连续性概率代替h和v,,作为缠绕计数估计中使用的相位变化先被映射到二值图像上，并可以通过计算图像上的最大流/最小割得到目标函数的二元最小方法。[0047]本发明设计了计一个卷积层和7[0048]本发明不采用L¹范数最小为准则进行缠绕计数估计，而是基于干涉图构建马尔可夫有向图，将深度学习模型预测的相位不连续性信息作为相位变化的先验信息输入到最大流\最小割模型中，此方法能有效抑制深度学习模型错误预测的相位梯度信息在相位缠绕计数估计中的传播，相较于基于L¹范数的缠绕计数估计法，本方法更具有鲁棒性。[0049]本发明顾及冰川表面高程变化特征的InSAR相位训练样本模拟技术。现有的干涉图模拟方法大多采用简单的数值模拟或DEM反算，对真实InSAR差分干涉相位空间分布特征考虑不足。本发明提出一种基于冰川区DEM差分值的干涉图模拟方法，以多期DEM差分值模拟冰川区显著高程变化导致的大梯度相位，再融合多源噪声，充分还原真实冰川跃动场景中InSAR差分干涉相位空间分布特征，提高了训练样本的质量，保证了模型训练的有效性。[0050]本发明考虑InSAR干涉图全局特征的网络模型构建技术。现有深度学习相位解缠方法采用的网络模型的性能受到卷积层对特征全局位置不敏感、难以跟踪图像中远距离依赖关系等问题的限制。本发明构建一个卷积层和Transformer混合的对称相位解缠网络模型，通过跳跃连接来融合卷积模块提取的局部信息和Transformer提取的全局信息，实现干涉图像高精度分割。[0051]本发明基于马尔可夫随机能量场和最大流/最小割算法的InSAR相位缠绕数估计技术。现有相位缠绕数估计方法易将错误预测的缠绕数梯度信息传播到整个目标区。本发明基于马尔可夫随机场设计一个顾及相位不连续性先验分布信息的能量函数，将干涉图转化为一个包含源点和汇点的有向图，利用能量函数为有向图边赋权重，通过最大流/最小割算法来优化缠绕数估计，有效抑制错误预测的相位梯度信息的传播。[0052]图1展示了本发明提出的顾及冰川表面高程变化特征的InSAR相位训练样本模拟方法生成的模拟数据，其中干涉图、冰川边界和残差图是深度学习模型的输入数据，以相位不连续点预测图作为输出数据，随后将不连续点预测图作为InSAR质量图输入到最大流/最小割算法中进行缠绕计数估计，最后完成相位解缠。[0053]图2、图3展示了新路海冰川监测的案例，冰舌区是冰川作用最活跃的地段，也是冰是利用本发明解缠方法，结合新路海冰川真实冰川的形态可知冰川部分已得到正确解缠。[0054]以上内容是结合具体的优选实施方式对本发明作的进一步详细说明，不能认定本发明的具体实施只局限于这些说明。对于本发明所属技术领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干简单推演和替换，都应当视为属于本发明的保护范围。7[0048]本发明不采用L¹范数最小为准则进行缠绕计数估计，而是基于干涉图构建马尔可夫有向图，将深度学习模型预测的相位不连续性信息作为相位变化的先验信息输入到最大流\最小割模型中，此方法能有效抑制深度学习模型错误预测的相位梯度信息在相位缠绕计数估计中的传播，相较于基于L¹范数的缠绕计数估计法，本方法更具有鲁棒性。[0049]本发明顾及冰川表面高程变化特征的InSAR相位训练样本模拟技术。现有的干涉图模拟方法大多采用简单的数值模拟或DEM反算，对真实InSAR差分干涉相位空间分布特征考虑不足。本发明提出一种基于冰川区DEM差分值的干涉图模拟方法，以多拟冰川区显著高程变化导致的大梯度相位，再融合多源噪声，充分还原真实冰川跃动场景中InSAR差分干涉相位空间分布特征，提高了训练样本的质量，保证了模型训练的有效性。[0050]本发明考虑InSAR干涉图全局特征的网络模型构建技术。现有深度学习相位解缠方法采用的网络模型的性能受到卷积层对特征全局位置不敏感、难以跟踪图像中远距离依赖关系等问题的限制。本发明构建一个卷积层和Transformer混合