[发明专利]基于卷积神经网络的相位去噪方法

说明书

本发明公开一种基于卷积神经网络的相位去噪网络及方法，包括依次连接的输入端、编码器、解码器和输出端；输入端用于接收带噪干涉相位图像，编码器采用卷积神经网络提取带噪干涉相位图像中的相位特征，并根据相位特征预测出不含噪声的干涉相位；解码器采用与编码器对应的反卷积神经网络将不含噪声的干涉相位进行处理得到不含噪声的相位图像；输出端用于输出不含噪声的相位图像。该网络为相位去噪网络PDNNet，对包含噪声的干涉相位的图进行训练，由训练得到的神经网络去预测不含噪声的干涉相位图，达到去噪效果。基于神经网络的相位去噪算法能较好地保留相位边缘特征，能在较短时间内去除相位噪声，同时保证精度较高。

技术领域

本发明涉及合成孔径雷达技术领域，特别是一种基于卷积神经网络的相位去噪网络及方法。

背景技术

相位滤波是干涉式合成孔径雷达的重要步骤，准确的相位展开需要高信噪比值，所以相位的质量好坏直接影响InSAR产品的质量。目前InSAR相位滤波方法主要分为空间域和变换域两大类。空域滤波算法主要通过卷积操作对图像进行处理，包括均值滤波和中值滤波、Lee滤波、NL-InSAR滤波等。变换域滤波算法主要是将图像从空间域转换到频域或小波域，包括GoldStein滤波、WInPF滤波、InSAR-BM3D滤波等。

传统相位滤波算法在去噪方面都有其效果，但这些算法都在一定程度上丢失了相位图的细节信息。特别在相位跃变处，传统滤波算法容易模糊其边界，使得去噪结果不准确。同时，对于传统相位滤波算法来说，结果精度越高耗时就越长，无法同时兼顾效率与滤波精度。

发明内容

有鉴于此，本发明的目的在于提供一种基于卷积神经网络的相位去噪网络及方法，该方法利用。

为达到上述目的，本发明提供如下技术方案：

本发明提供的基于卷积神经网络的相位去噪网络，包括依次连接的输入端、编码器、解码器和输出端；

所述输入端用于接收带噪干涉相位图像，所述编码器采用卷积神经网络提取带噪干涉相位图像中的相位特征，并根据相位特征预测出不含噪声的干涉相位；

所述解码器采用与编码器对应的反卷积神经网络将不含噪声的干涉相位进行处理得到不含噪声的相位图像；

所述输出端用于输出不含噪声的相位图像。

进一步，所述不含噪声的干涉相位是通过神经网络的多层卷积滤波器进行预测的。

进一步，所述编码器包括依次连接的第一模块、第二模块、第三模块和第四模块；所述第一模块、第二模块、第三模块均依次包括卷积层和归一化层、最大池化层、合并层；所述第四模块包括依次连接的卷积层和归一化层、最大池化层；

进一步，所述编码器前三次最大池化后的特征图依次与前面平均池化后具有相同尺寸的特征图合并；所述第四个模块包括依次连接的归一化层、卷积层和最大池化层。

进一步，所述解码器包括依次连接的第a模块、第b模块、第c模块、第d模块；所述第a模块、第b模块、第c模块、第d模块均包括依次连接的反卷积层、合并层、卷积层和归一化层；

进一步，所述解码器中的各个模块通过反卷积处理特征图后，与编码器对应相同尺寸的特征图进行合并再进行卷积操作。

进一步，所述输出端采用单层有效卷积输出与训练样本相同尺寸的相位图像。

本发明提供的基于卷积神经网络的相位去噪方法，包括以下步骤：

构建相位去噪网络，所述相位去噪网络包括依次连接的输入端、编码器、解码器和输出端；

获取带噪干涉相位图像并传输到输入端；

通过编码器提取带噪干涉相位图像中的相位特征，并根据相位特征预测出不含噪声的干涉相位；