干涉图去噪的方法

技术领域

本发明涉及遥感影像数字摄影测量技术领域，尤其涉及一种干涉图去噪的方法。

背景技术

合成孔径雷达（SAR）是一种利用合成孔径原理，突破物理天线孔径限制来提高距离向和方位向分辨率的技术，在军事地面监视和对地观测中发挥着重要作用。

要实现高精度的InSAR干涉图滤波，需要分析SAR影像噪声来源，并利用一定方法对相位误差进行校正。不同程度的去相关源(例如时间去相关、空间去相关和多普勒中心频域失相关)、热噪声、大气效应以及由配准所带来的误差，导致了相位质量的降低。

通常的处理方法是对图像进行频率域或空间域滤波，从而满足应用需求。目前主要的频率域滤波方法为Goldstein滤波，但该方法去噪的同时损失了图像细节，增加了图像模糊度。

发明内容

本发明实施例提供一种干涉图去噪的方法，该方法能够从含噪声的干涉图中最大限度恢复出干涉图图像信息，较大程度的抑制噪声、恢复出图像细节并保持干涉条纹边缘连续性。

本发明第一方面，提供一种干涉图去噪的方法，包括：

选取并归类真实干涉图样本集，将所述真实干涉图样本集划分为训练集、测试集和验证集。

预处理所述训练集样本，切割所述预处理后的所述训练集样本为固定大小的干涉图块，随机选取所述干涉图块作为模型训练样本。

自编码器模型训练所述模型训练样本，拟合后的模型为自编码器滤波模型。

利用所述自编码器滤波模型对待滤波的干涉图进行滤波，输出滤波后的干涉图。

根据本发明的一个实施例，所述选取并归类真实干涉图样本集，包括：将已有的干涉合成孔径雷达SAR影像处理，生成真实干涉图，裁剪所述干涉图为不同地理位置的第一固定尺寸的影像，所述不同地理位置的固定尺寸的影像为所述干涉图样本。

根据本发明的一个实施例，所述预处理所述训练集样本，包括：将局部地形坡度相位从原始干涉图相位去除并对残余噪声相位进行归一化处理。

所述固定大小的干涉图块为第二固定尺寸的影像，所述第二固定尺寸小于所述第一固定尺寸。

所述自编码器模型训练所述模型训练样本为自编码器滤波模型，包括：采用卷积层和最大池化层进行图像编码。采用卷积层和与池化层层数相等的上采样层进行图像解码。线性整流单元作为非线性激活函数，使用批归一化在网络的任一层进行归一化。反复迭代，直至模型拟合。

根据本发明的一个实施例，利用所述自编码器滤波模型对所述待滤波的干涉图进行滤波，包括：预处理所述待滤波干涉图，包括采用第三固定尺寸估计局部地形坡度相位，去除所述待滤波干涉图相位中的局部地形坡度相位，对残余噪声相位采用最大最小标准化进行归一化处理。

利用所述自编码器滤波模型对所述待滤波的干涉图进行滤波，还包括：去噪处理预处理后的所述待滤波干涉图，所述预处理后的待滤波干涉图相位的实部和虚部作为输入/输出的两个通道。

所述输出滤波后的干涉图，包括：所述预处理后的待滤波的干涉图相位的实部和虚部的输出结果进行合并后为自编码器滤波模型的滤波后的干涉图相位，将所述预处理待滤波的干涉图步骤中的去除的局部地形坡度相位加回到所述自编码滤波模型滤波后的干涉图相位。

本发明第二方面提供一种智能设备，包括：发送器、接收器、存储器和处理器；所述存储器用于存储计算机指令；所述处理器用于运行所述存储器存储的所述计算机指令实现以上所述干涉图去噪的方法。

本发明第三方面提供了一种存储介质，包括：可读存储介质和计算机指令，所述计算机指令存储在所述可读存储介质中；所述计算机指令用于实现以上所述的干涉图去噪的方法。

本发明提供的有益效果：该方法针对现有的滤波方法无法在密集条纹中保留特征、在低相干区域中精确进行相位估计的问题，基于机器学习中的卷积神经网络，采用自编码器结构对干涉图进行去噪。首先选取一定数量的干涉图作为样本，并分成训练集、测试集、验证集，然后对训练集样本进行预处理，再将经过预处理的训练集干涉图切割成固定大小的小块并从中随机提取作为模型训练样本，利用上述步骤产生的干涉图小块进行自编码器滤波模型训练，经过一定次数的迭代后模型拟合，滤波处理首先对待滤波干涉图进行预处理，然后利用训练好的自编码器滤波模型对预处理后的干涉图进行滤波，最后将预处理去除的局部地形坡度相位加回到模型滤波后的干涉图上，即得到滤波后的干涉图。该方法能够从含噪声的干涉图中最大限度恢复出干涉图图像信息，较大程度的抑制噪声、恢复出图像细节并保持干涉条纹边缘连续性。

附图说明

此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本公开的实施例，并与说明书一起用于解释本公开的原理。

图1为本发明实施例公开的干涉图去噪的方法流程图；

图2为本发明实施例公开的干涉图去噪的模型结构示意图。

通过上述附图，已示出本公开明确的实施例，后文中将有更详细的描述。这些附图和文字描述并不是为了通过任何方式限制本公开构思的范围，而是通过参考特定实施例为本领域技术人员说明本公开的概念。

具体实施方式

这里将详细地对示例性实施例进行说明，其示例表示在附图中。下面的描述涉及附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本公开相一致的所有实施方式。相反，它们仅是与如所附权利要求书中所详述的、本公开的一些方面相一致的装置和方法的例子。

如图1所示，一种干涉图去噪的方法，该方法能够从含噪声的干涉图中最大限度恢复出干涉图图像信息，较大程度的抑制噪声、恢复出图像细节并保持干涉条纹边缘连续性。

包括：S101：选取并归类真实干涉图样本集，将所述真实干涉图样本集划分为训练集、测试集和验证集。本发明选取已有的干涉SAR影像，经过处理生成真实干涉图。经过裁剪生成大量的不同地理位置的1000

S102：预处理所述训练集样本，切割所述预处理后的所述训练集样本为固定大小的干涉图块，随机选取所述干涉图块作为模型训练样本。所述预处理具体包括：将局部地形坡度相位从原始干涉图相位去除并对残余噪声相位进行归一化处理。

局部地形坡度相位估计过程如下：

干涉图的相位可以用一个二维正弦函数来表示，相位信号呈现如下形式：

其中

为了推导滤波窗口的局部条纹频率，采用了傅立叶变换的最大似然（ML）方法。在大小为（2P+1）（2Q+1）的滤波窗口中，像素

（2P+1）（2Q+1）为滤波窗口的宽度和高度，公式求取将影像变换到频率域之后，幅度最大的点所对应的频率，即局部地形坡度相位频率的最大似然估计。

简而言之，即将影像变换到频率域之后，幅度最大的点所对应的频率即局部地形坡度相位频率的最大似然估计。

局部地形坡度相位

在此式中，如果影像中没有噪音, 则

数据归一化：本发明使用最大最小标准化的方法对残余噪声相位输入数据进行归一化，

从经过预处理的训练集样本中随机提取一定数量的64

S103：自编码器模型训练所述模型训练样本，拟合后的模型为自编码器滤波模型。包括：采用卷积层和最大池化层进行图像编码；采用卷积层和与池化层层数相等的上采样层进行图像解码；

使用线性整流单元作为非线性激活函数，使用批归一化在网络的任一层进行归一化；反复迭代，直至模型拟合。

如图2所示，采用干涉图的实部和虚部作为CNN的两个输入通道，每一个二维卷积层（Conv2d）就是一系列滤波器，最大池化（MaxPooling）层对它的输入特征映射进行子采样，而上采样（UpsamplingNearest）层则将它们恢复到原来的大小，最后的输出层和输入层一样，也是有两个特征通道，分别表示去噪后的干涉图的实部和虚部。

本发明所建立自编码器模型包括：第一层：卷积层conv1，卷积核大小为3

第二层：卷积层conv2，卷积核大小为3

第三层：池化层pooling1，池化尺度为3

第四层：卷积层conv3，卷积核大小为3

第五层：池化层pooling2，池化尺度为3

第六层：卷积层conv4，卷积核大小为3

第七层：卷积层conv5，卷积核大小为3

第八层：采样层sample1，采样尺度为2

第九层：卷积层conv6，卷积核大小为3

第十层：采样层sample2，采样尺度为2

第十一层：卷积层conv7，卷积核大小为3

在本发明中，每个卷积层都设置了批归一化（BatchNorm）

使用线性整流单元（ReLU）作为所有卷积层的非线性激活函数，

在第二个卷积层和第五个卷积层设置了Dropout。

每一次迭代都要进行前向传播和后向传播来更新权值和参数，使用MSRA初始化权值参数，将训练样本输入至自编码器模型，生成输出结果并利用均方损失函数（MSELoss）计算损失函数相对于权值参数的梯度值，根据选择的Adam优化算法作为梯度下降算法，使用梯度值更新每个权值参数。迭代次数达到一定次数时模型拟合，准确率达到最高。

S104：利用所述自编码器滤波模型对待滤波的干涉图进行滤波，输出滤波后的干涉图。

包括：预处理所述待滤波干涉图，包括采用第三固定尺寸估计局部地形坡度相位，去除所述待滤波干涉图相位中的局部地形坡度相位，对残余噪声相位采用最大最小标准化进行归一化处理。

滤波阶段首先对待滤波干涉图进行预处理，采用一定大小的估计窗口估计局部地形坡度相位，将局部地形坡度相位从干涉图相位中去除并对残余噪声相位采用最大最小标准化的方法进行归一化处理。

去噪处理预处理后的所述待滤波干涉图，所述预处理后的待滤波干涉图相位的实部和虚部作为输入/输出的两个通道。

所述预处理后的待滤波的干涉图相位的实部和虚部的输出结果进行合并后为自编码器滤波模型的滤波后的干涉图相位，将所述预处理待滤波的干涉图步骤中的去除的局部地形坡度相位加回到所述自编码滤波模型滤波后的干涉图相位。

利用训练好的自编码器滤波模型对经过预处理后的干涉图相位进行滤波处理，将预处理步骤中去除的局部地形坡度相位加回到模型滤波后的干涉图相位上，输出最终的滤波结果。

本发明所述基于CNN的干涉图滤波方法能够在进行多景干涉图滤波时，基于大量真实干涉图作为模型训练样本，通过构建如图像编码-解码结构的自编码器模型，调整模型超参数以及迭代次数来拟合自编码器模型，利用该训练好的模型可以对干涉图相位噪声进行很好的滤除，提供的方案可以较大程度的抑制噪声、恢复出图像细节并保持干涉条纹边缘连续性，具有较佳的技术效果。

显然，上述具体实施案例仅仅是为了说明本方法应用所作的举例，而非对实施方式的限定，对于该领域的一般技术人员来说，在上述说明的基础上还可以做出其他不同形式的变化和变动，用以研究其他相关问题。因此，本发明的保护范围都应以权利要求的保护范围。

本领域普通技术人员可以理解：实现上述方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成，前述的程序可以存储于一计算机可读取存储介质中，该程序在执行时，执行包括上述方法实施例的步骤；而前述的存储介质包括：ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。

以上所描述的电子设备等实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下，即可以理解并实施。

通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件。基于这样的理解，上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如ROM/RAM、磁碟、光盘等，包括若干指令用以使得一台计算机设备（可以是个人计算机，服务器，或者网络设备等）执行各个实施例或者实施例的某些部分所述的方法。

最后应说明的是：以上各实施例仅用以说明本发明的实施例的技术方案，而非对其限制；尽管参照前述各实施例对本发明的实施例进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明的实施例各实施例技术方案的范围。

本领域技术人员在考虑说明书及实践这里公开的发明后，将容易想到本公开的其它实施方案。本发明旨在涵盖本公开的任何变型、用途或者适应性变化，这些变型、用途或者适应性变化遵循本公开的一般性原理并包括本公开未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的，本公开的真正范围和精神由下面的权利要求书指出。

应当理解的是，本公开并不局限于上面已经描述并在附图中示出的精确结构，并且可以在不脱离其范围进行各种修改和改变。本公开的范围仅由所附的权利要求书来限制。