科研之友
微信
新浪微博
Facebook
分享链接
摘要
InSAR相位解缠的质量直接影响地形高程或地表形变的反演精度。传统的基于非机器学习模型的相位解缠方法（如基于路径跟踪或最小范数）在低相干性或相位梯度较大（干涉条纹密集）的区域难以获得正确解缠结果。深度神经网络算法在非线性表示和特征表达能力方面具有独特优势，广泛应用于数字图像处理研究中，InSAR相位解缠可视为图像回归。本文提出基于R2AU-Net深度神经网络的InSAR相位解缠方法。首先基于数学分形法模拟成对的缠绕和解缠相位，避免了外部DEM合成相位时引入的固有误差和残缺问题，保持了地貌特征的多样性及复杂性，得到模型训练所需的数据集。然后，基于传统的U-Net模型构建R2AU-Net相位解缠模型，该模型结合注意力机制增强了模型对于卷积特征筛选能力，提高了在低相干或条纹密集区域的解缠性能；使用循环残差卷积结构，避免了梯度消失问题，增强了模型特征表示能力。最后，利用模拟和真实数据进行实验分析，结果表明本文提出的R2AU-Net相位解缠模型能够更有效地保留地形高程或真实地表形变信息，提高了解缠结果的可靠性，在性能表现上优于Goldstein枝切法、SNAPHU方法以及CNN和U-Net相位解缠模型。
- 单位
