[發明專利]基于卷積神經網絡的相位去噪方法

有效

• 申請號: 202110610161.2
• 申請日: 2021-06-01
• 公開（公告）號: CN113327205B
• 公開（公告）日: 2023-04-18
• 發明（設計）人: 錢江;張自文;劉奕凡;王勇
• 申請（專利權）人: 電子科技大學;電子科技大學長三角研究院（湖州）
• 主分類號: G06T5/00
• 分類號: G06T5/00;G06N3/0464;G06N3/0455;G06N3/08
• 代理公司: 重慶航圖知識產權代理事務所(普通合伙) 50247
• 代理人: 孫方

本發明公開一種基于卷積神經網絡的相位去噪網絡及方法，包括依次連接的輸入端、編碼器、解碼器和輸出端；輸入端用于接收帶噪干涉相位圖像，編碼器采用卷積神經網絡提取帶噪干涉相位圖像中的相位特征，并根據相位特征預測出不含噪聲的干涉相位；解碼器采用與編碼器對應的反卷積神經網絡將不含噪聲的干涉相位進行處理得到不含噪聲的相位圖像；輸出端用于輸出不含噪聲的相位圖像。該網絡為相位去噪網絡PDNNet，對包含噪聲的干涉相位的圖進行訓練，由訓練得到的神經網絡去預測不含噪聲的干涉相位圖，達到去噪效果。基于神經網絡的相位去噪算法能較好地保留相位邊緣特征，能在較短時間內去除相位噪聲，同時保證精度較高。

技術領域

本發明涉及合成孔徑雷達技術領域，特別是一種基于卷積神經網絡的相位去噪網絡及方法。

背景技術

相位濾波是干涉式合成孔徑雷達的重要步驟，準確的相位展開需要高信噪比值，所以相位的質量好壞直接影響InSAR產品的質量。目前InSAR相位濾波方法主要分為空間域和變換域兩大類。空域濾波算法主要通過卷積操作對圖像進行處理，包括均值濾波和中值濾波、Lee濾波、NL-InSAR濾波等。變換域濾波算法主要是將圖像從空間域轉換到頻域或小波域，包括GoldStein濾波、WInPF濾波、InSAR-BM3D濾波等。

傳統相位濾波算法在去噪方面都有其效果，但這些算法都在一定程度上丟失了相位圖的細節信息。特別在相位躍變處，傳統濾波算法容易模糊其邊界，使得去噪結果不準確。同時，對于傳統相位濾波算法來說，結果精度越高耗時就越長，無法同時兼顧效率與濾波精度。

發明內容

有鑒于此，本發明的目的在于提供一種基于卷積神經網絡的相位去噪網絡及方法，該方法利用。

為達到上述目的，本發明提供如下技術方案：

本發明提供的基于卷積神經網絡的相位去噪網絡，包括依次連接的輸入端、編碼器、解碼器和輸出端；

所述輸入端用于接收帶噪干涉相位圖像，所述編碼器采用卷積神經網絡提取帶噪干涉相位圖像中的相位特征，并根據相位特征預測出不含噪聲的干涉相位；

所述解碼器采用與編碼器對應的反卷積神經網絡將不含噪聲的干涉相位進行處理得到不含噪聲的相位圖像；

所述輸出端用于輸出不含噪聲的相位圖像。

進一步，所述不含噪聲的干涉相位是通過神經網絡的多層卷積濾波器進行預測的。

進一步，所述編碼器包括依次連接的第一模塊、第二模塊、第三模塊和第四模塊；所述第一模塊、第二模塊、第三模塊均依次包括卷積層和歸一化層、最大池化層、合并層；所述第四模塊包括依次連接的卷積層和歸一化層、最大池化層；

進一步，所述編碼器前三次最大池化后的特征圖依次與前面平均池化后具有相同尺寸的特征圖合并；所述第四個模塊包括依次連接的歸一化層、卷積層和最大池化層。

進一步，所述解碼器包括依次連接的第a模塊、第b模塊、第c模塊、第d模塊；所述第a模塊、第b模塊、第c模塊、第d模塊均包括依次連接的反卷積層、合并層、卷積層和歸一化層；

進一步，所述解碼器中的各個模塊通過反卷積處理特征圖后，與編碼器對應相同尺寸的特征圖進行合并再進行卷積操作。

進一步，所述輸出端采用單層有效卷積輸出與訓練樣本相同尺寸的相位圖像。

本發明提供的基于卷積神經網絡的相位去噪方法，包括以下步驟：

構建相位去噪網絡，所述相位去噪網絡包括依次連接的輸入端、編碼器、解碼器和輸出端；

獲取帶噪干涉相位圖像并傳輸到輸入端；

通過編碼器提取帶噪干涉相位圖像中的相位特征，并根據相位特征預測出不含噪聲的干涉相位；