結(jié)合深度學(xué)習(xí)的多通道InSAR高程反演方法

耿佃強(qiáng),謝先明,曾慶寧,胡高洋,鄭展恒

(1.廣西科技大學(xué) 電子工程學(xué)院,廣西 柳州 545006;2.桂林電子科技大學(xué) 信息與通信學(xué)院,廣西 桂林 541004)

0 引言

干涉合成孔徑雷達(dá)(InSAR)[1-5]探測(cè)技術(shù)可以從空間中直接獲取廣泛精細(xì)的地表高程信息,同時(shí)具備全天時(shí)、全天候的對(duì)地觀測(cè)特點(diǎn),已經(jīng)成為極具發(fā)展?jié)摿Φ膶?duì)地觀測(cè)技術(shù)。不同于單通道InSAR技術(shù),多通道InSAR技術(shù)主要利用承載多路基線的衛(wèi)星系統(tǒng),獲取多幅干涉相位圖進(jìn)行聯(lián)合處理,可以有效解決懸崖、山谷、城市建筑群等不連續(xù)地形的高程反演問題。近20年,基于不同準(zhǔn)則與策略的多通道InSAR高程反演方法被相繼提出,包括中國(guó)余數(shù)定理(CRT)算法[6-7]、最小范數(shù)算法[8-9]、最大似然(ML)算法[10]、最大后驗(yàn)(MAP)算法[11]、聚類分析(CA)算法、圖割(GC)算法[12-13]等。CRT算法利用互質(zhì)基線長(zhǎng)度之間的線性關(guān)系來恢復(fù)地形的高程值,在干涉相位無噪聲的條件下可以精確反演出目標(biāo)高程信息,當(dāng)干涉圖存在較大噪聲時(shí),CRT高程反演幾乎失效。最小范數(shù)法利用多幅干涉圖的梯度信息進(jìn)行后續(xù)處理并求解高程,但易受Itoh相位連續(xù)性假設(shè)的限制,難以恢復(fù)復(fù)雜地形。ML算法和MAP算法通過構(gòu)造概率密度函數(shù)實(shí)現(xiàn)最佳參數(shù)估算,進(jìn)而重建高程,當(dāng)干涉圖信噪比較低時(shí),高程估計(jì)精度往往不高。Yuan等[14]提出基于閉式魯棒聚類分析(CFRCA)算法,通過求解同余方程組的方式得到聚類中心模糊向量的閉式解,增強(qiáng)了算法的魯棒性。GC算法直接計(jì)算多幅干涉圖的高程值,可以避開相位解纏過程,有效提升了高程估計(jì)精度,但該算法需要消耗較大內(nèi)存,不利于大規(guī)模干涉圖的處理。

深度學(xué)習(xí)(DL)是機(jī)器學(xué)習(xí)的一種,在自然語言處理、語音及圖像識(shí)別等方面已經(jīng)取得豐碩成果。隨著DL的不斷突破與發(fā)展,它逐漸應(yīng)用到SAR目標(biāo)檢測(cè)[15-16]、干涉圖去噪[17]、InSAR干涉圖相位解纏等領(lǐng)域。Zhang等[18]利用語義分割網(wǎng)絡(luò)DeeplabV3+求取纏繞相位的纏繞數(shù)并通過3×3窗口像素平均化進(jìn)行后處理,得到了較為準(zhǔn)確的解纏相位。鄭順心[19]利用Transformer-CNN網(wǎng)絡(luò)實(shí)現(xiàn)聯(lián)合干涉相位濾波與解纏,可以同時(shí)得到較純凈的干涉圖和精度較高的解纏相位圖。Zhou等[20]提出了一種基于深度學(xué)習(xí)的枝切線部署方法,使用BCNet得到枝切線結(jié)果并經(jīng)過后處理得到解纏結(jié)果,取得了有效進(jìn)展。上述研究為后續(xù)結(jié)合深度學(xué)習(xí)的多通道InSAR高程反演技術(shù)的發(fā)展提供了思路。

本文提出一種結(jié)合深度學(xué)習(xí)的多通道InSAR高程反演方法,通過構(gòu)建MCFCF Net來實(shí)現(xiàn)多通道干涉圖和高程圖的直接映射關(guān)系。MCFCF Net使用嵌入了壓縮-激勵(lì)(squeeze-excitation,SE)注意力機(jī)制[21]的殘差模塊[22],在有效防止網(wǎng)絡(luò)退化的同時(shí),提高了網(wǎng)絡(luò)對(duì)干涉圖細(xì)節(jié)的捕獲能力和重要通道的關(guān)注力。此外,密集連接[23]可以不斷連接前向通道和后向通道,在減少參數(shù)量的同時(shí)保證了訓(xùn)練的精度和效率。更重要的,MCFCF Net為一種簡(jiǎn)潔有效的對(duì)稱網(wǎng)絡(luò),在并行處理多通道干涉圖的同時(shí)可以緊密連接和融合不同干涉圖間的重要信息,從而較好地還原高程。完成訓(xùn)練后的網(wǎng)絡(luò)能夠有效完成各種復(fù)雜地形的高程反演。實(shí)驗(yàn)結(jié)果表明,本文方法具有較好的魯棒性和泛化能力。

1 結(jié)合深度學(xué)習(xí)的高程反演模型

多通道InSAR高程反演技術(shù)本質(zhì)是同時(shí)對(duì)多幅干涉圖(通常指目標(biāo)場(chǎng)景所對(duì)應(yīng)的、不同基線參數(shù)條件下的多幅干涉圖)進(jìn)行處理,精確獲得目標(biāo)場(chǎng)景高程的技術(shù)。本文提出的MCFCF Net通過構(gòu)建3通道神經(jīng)網(wǎng)絡(luò),對(duì)目標(biāo)場(chǎng)景的3幅不同基線參數(shù)條件的干涉圖進(jìn)行處理來獲取目標(biāo)高程信息,建立多通道干涉圖和高程圖的直接映射關(guān)系。通過制作不同地形的數(shù)據(jù)集,選擇網(wǎng)絡(luò)中合適的網(wǎng)絡(luò)層數(shù)與通道數(shù),定義合適的損失函數(shù)以及選擇恰當(dāng)?shù)挠?xùn)練策略,即可使神經(jīng)網(wǎng)絡(luò)精確描述這種非線性映射關(guān)系。訓(xùn)練過程如圖1所示,3幅干涉圖作為神經(jīng)網(wǎng)絡(luò)的輸入,網(wǎng)絡(luò)輸出為地形高程圖。3通道干涉圖聯(lián)合處理,相較于其他通道數(shù),兼顧了高精度與運(yùn)行時(shí)間的優(yōu)勢(shì),減少了內(nèi)存等資源的消耗,可以更有效地處理復(fù)雜地形并獲得更高精度的高程估計(jì)。

圖1 MCFCF Net訓(xùn)練過程

1.1 MCFCF Net架構(gòu)

MCFCF Net的主體結(jié)構(gòu)如圖2所示,多通道干涉圖依次通過Block1、Block2、Block3、Block4后輸出高程圖,從而建立多通道干涉圖和高程圖的映射關(guān)系。MCFCF Net核心在于3個(gè)擁有多分支的Block,即Block1、Block2、Block3作為多通道干涉圖特征連接與融合模塊,增強(qiáng)網(wǎng)絡(luò)建立多通道干涉圖與目標(biāo)真實(shí)高程信息之間的非線性映射關(guān)系的能力。Block1、Block2、Block3結(jié)構(gòu)相同(通道數(shù)除外),以Block1為例,3個(gè)并行的支路接收多通道干涉圖,每個(gè)支路由卷積層、融合了SE的殘差模塊(SE-Res)、卷積層組成,可以分別提取不同干涉圖的有用信息,最后合并3個(gè)支路的特征圖,傳入Block2的3個(gè)并行支路。Block2、Block3依次循環(huán)Block1中的操作。每個(gè)Block中設(shè)計(jì)3個(gè)分支可以更優(yōu)地處理多通道干涉圖,整體上提高網(wǎng)絡(luò)對(duì)多通道特征圖的處理能力。Block1、Block2、Block3之間以跳躍合并的方式形成密集連接,加強(qiáng)了特征圖的重用和不同干涉圖通道間的聯(lián)系。Block4中包含3個(gè)串聯(lián)的卷積層,將來自Block3的特征圖整合處理并不斷降維后輸出最終的高程圖。

圖2 MCFCF Net結(jié)構(gòu)

圖3展示了圖2中SE-Res結(jié)構(gòu)。其中,殘差網(wǎng)絡(luò)作為神經(jīng)網(wǎng)絡(luò)中經(jīng)久不衰的模型,其容易優(yōu)化、通過增加深度以提高準(zhǔn)確率的特點(diǎn)被應(yīng)用到許多復(fù)雜場(chǎng)景下。圖3中,Conv為普通卷積層,1×1和3×3為其卷積核大小,BN為批歸一化,ReLU為激活函數(shù)。

圖3 SE-Res結(jié)構(gòu)

SE如圖4所示,其本質(zhì)是一種通道注意力模塊,主要分為壓縮和激勵(lì)兩部分。壓縮部分利用一個(gè)全局池化層對(duì)輸入特征圖進(jìn)行空間壓縮,通過調(diào)整每個(gè)特征通道的實(shí)數(shù)權(quán)重以提高對(duì)重要通道的關(guān)注力。激勵(lì)部分利用了前一步聚合的通道信息,學(xué)習(xí)不同干涉圖通道之間的相關(guān)性,兩個(gè)全連接層可以限制模型復(fù)雜性并增強(qiáng)泛化能力。通道權(quán)重調(diào)整操作將通道權(quán)重作用于原始輸入特征圖,加強(qiáng)了重要特征圖的輸出。SE結(jié)構(gòu)可以使網(wǎng)絡(luò)聚焦于對(duì)高程反演更為關(guān)鍵的多通道特征圖信息,繼而提高高程反演的效率和準(zhǔn)確性。從整體來看,SE-Res模塊保持了瓶頸殘差單元的基本結(jié)構(gòu),SE模塊直接接入瓶頸殘差單元中,可以調(diào)整網(wǎng)絡(luò)對(duì)不同干涉圖通道的關(guān)注程度,增強(qiáng)了網(wǎng)絡(luò)的干涉圖特征提取能力。

圖4 SE結(jié)構(gòu)

密集連接的特點(diǎn)是通過特征圖的不斷級(jí)聯(lián)來實(shí)現(xiàn)特征重用,緊密聯(lián)系前向和后向通道,進(jìn)一步實(shí)現(xiàn)干涉條紋特征與高程細(xì)節(jié)信息的聚合機(jī)制。這些特點(diǎn)使得網(wǎng)絡(luò)在保持模型精度和穩(wěn)定性的同時(shí)大幅減少參數(shù)量,減緩了梯度消失的問題,加強(qiáng)了特征圖的傳遞。圖5展示了前向和后向通道間的密集連接方法。

圖5 密集連接

1.2 MCFCF Net具體參數(shù)

表1網(wǎng)絡(luò)參數(shù)中,B1～B4分別代表圖2中的Block1～Block4?？傮w來看,MCFCF Net的結(jié)構(gòu)簡(jiǎn)潔有效,其主體由Block1、Block2、Block3組成,其中每一個(gè)Block的并行支路可以分別處理多通道特征圖,捕捉到更多的干涉圖細(xì)節(jié)信息,最后的Block4整合處理特征圖后還原真實(shí)高程。MCFCF Net總參數(shù)量為0.41 M左右。

表1 MCFCF Net 結(jié)構(gòu)參數(shù)

2 多通道InSAR數(shù)據(jù)集

網(wǎng)絡(luò)訓(xùn)練過程中,把多通道干涉圖作為輸入,其對(duì)應(yīng)的高程圖作為標(biāo)簽,亦即多通道干涉圖與相應(yīng)的高程圖構(gòu)成一組數(shù)據(jù)。訓(xùn)練所用數(shù)據(jù)包含連續(xù)地形和不連續(xù)地形兩種,對(duì)應(yīng)有不同的生成方式。

2.1 連續(xù)地形數(shù)據(jù)集

連續(xù)地形數(shù)據(jù)按如下兩種方式生產(chǎn)。

方式Ⅰ:按文獻(xiàn)[24]的方法構(gòu)建連續(xù)地形數(shù)據(jù),生成真實(shí)高程圖,隨后根據(jù)InSAR技術(shù)原理[25]和表2所示InSAR系統(tǒng)參數(shù)生成多通道干涉圖,并添加噪聲水平為0.5的高斯噪聲。圖像尺寸為256像素×256像素,標(biāo)簽高程范圍為0～200 m。按上述方式共生成6 000組數(shù)據(jù)。圖6(Ⅰ)為上述方法產(chǎn)生的部分?jǐn)?shù)據(jù),包括真實(shí)高程圖和添加噪聲的干涉圖。

表2 多通道InSAR系統(tǒng)基本參數(shù)

圖6 連續(xù)地形高程圖和多通道干涉圖

方式Ⅱ:由中國(guó)四川省地區(qū)DEM數(shù)據(jù)經(jīng)過高度轉(zhuǎn)化后作為高程圖;隨后根據(jù)InSAR技術(shù)原理和表2所示InSAR系統(tǒng)參數(shù)生成多通道干涉圖,并添加噪聲水平為0.5的高斯噪聲。圖像尺寸為256像素×256像素,標(biāo)簽高程范圍為0～200 m。按上述方式共生成6 000組數(shù)據(jù)。圖6(Ⅱ)為上述方法產(chǎn)生的部分?jǐn)?shù)據(jù),包括真實(shí)高程圖和添加噪聲的干涉圖。

2.2 不連續(xù)地形數(shù)據(jù)集

首先通過連續(xù)地形高程圖局部區(qū)域置零或重新賦值的方式得到不連續(xù)地形高程圖,隨后根據(jù)InSAR技術(shù)原理和表2所示InSAR系統(tǒng)參數(shù)生成多通道干涉圖,并添加噪聲水平為0.5的高斯噪聲。圖像尺寸全部為256像素×256像素,標(biāo)簽高程范圍為0～200 m。按上述方式共生成12 000組數(shù)據(jù)。圖7(Ⅰ)、圖7 (Ⅱ)分別為上述方法產(chǎn)生的部分?jǐn)?shù)據(jù),包括真實(shí)高程圖和添加噪聲的干涉圖。

圖7 不連續(xù)地形高程圖和多通道干涉圖

綜上,連續(xù)地形數(shù)據(jù)集共生成12 000組,由連續(xù)地形生成的突變地形數(shù)據(jù)集共12 000組?？倲?shù)據(jù)集為24 000組,充分打亂后分為訓(xùn)練數(shù)據(jù)集20 000組,驗(yàn)證數(shù)據(jù)集4 000組,用于訓(xùn)練MCFCF Net。

2.3 網(wǎng)絡(luò)訓(xùn)練策略以及計(jì)算機(jī)參數(shù)配置

使用自適應(yīng)矩估計(jì)優(yōu)化器訓(xùn)練網(wǎng)絡(luò)參數(shù),損失函數(shù)選用均方誤差,初始學(xué)習(xí)率為0.001,訓(xùn)練輪數(shù)為98輪,最小訓(xùn)練批次為8,訓(xùn)練時(shí)間約16.8 h。MCFCF Net開發(fā)平臺(tái)為python3.7,Keras版本為2.3.0。用于數(shù)據(jù)生成及實(shí)驗(yàn)測(cè)試的計(jì)算機(jī)主要參數(shù)如下:NVIDIA GeForce RTX 2080Ti GPU、Xeon-W2145CPU+64 GB RAM。

3 實(shí)驗(yàn)結(jié)果分析

為了有效驗(yàn)證MCFCF Net高程反演的性能,對(duì)不同天線系統(tǒng)參數(shù)下3種不同類型包括連續(xù)地形、城市不連續(xù)地形以及突變地形進(jìn)行高程反演實(shí)驗(yàn),利用已經(jīng)訓(xùn)練好的網(wǎng)絡(luò)對(duì)不同的干涉圖進(jìn)行高程反演并且與其他傳統(tǒng)多通道算法如ML、TV+MAP、GC相對(duì)比,采用歸一化均方根誤差(NRMSE)判斷本文方法的性能,其定義如式(1)所示。

(1)

3.1 高程反演實(shí)驗(yàn)

圖8(a)為模擬山峰Peaks二維高程圖,圖8(b)～圖8(d)為根據(jù)表3所列多基線InSAR系統(tǒng)參數(shù)生成的干涉圖,信噪比約為6.10 dB,圖像大小為256像素×256像素。圖9(a)為模擬城市建筑A二維高程圖,圖9(b)～圖9(d)為根據(jù)表3所列多基線InSAR系統(tǒng)參數(shù)生成的干涉圖,信噪比約為9 dB,圖像大小為256像素×256像素。圖10(a)為美國(guó)LONG’S山脈地形二維高程圖,其地形圖右側(cè)有一道最大高程差近130 m的斷崖式突變,圖10 (b)～圖10(d)分別為根據(jù)表3所列多基線InSAR系統(tǒng)參數(shù)生成的干涉圖,圖像大小為458像素×152像素,信噪比約為7.44 dB。依次用ML算法、TV+MAP算法、GC算法以及MCFCF Net算法對(duì)3組干涉圖進(jìn)行高程反演。

表3 多通道InSAR系統(tǒng)基本參數(shù)

圖8 Peaks高程圖和干涉圖

圖9 城市建筑A高程圖和干涉圖

圖10 LONG’S 山脈高程圖和干涉圖

圖11(a)～圖11 (d)、圖12(a)～圖12 (d)、圖13(a)～圖13(d)分別為各算法高程反演圖,圖11(e)～圖11 (f)、圖13(e)～圖13 (f)分別為各算法高程反演誤差圖。對(duì)于連續(xù)地形,4種方法皆可以基本恢復(fù)出原始高程,其中,ML算法恢復(fù)的高程圖中密布雜亂的噪聲群,表明其抗噪性能差,高程反演誤差較大。TV+MAP算法反演的高程圖中仍存在雜亂的噪聲點(diǎn),難以準(zhǔn)確還原高程。GC算法的恢復(fù)效果較為良好,但圖11(c)中仍有無法正確反演的區(qū)域,即如圖11(g)黃色框所示。MCFCF Net獲得的高程與原始高程圖最為接近,幾乎沒有明顯可見的噪聲點(diǎn)。對(duì)于城市不連續(xù)地形,3種傳統(tǒng)算法仍然存在魯棒性不強(qiáng)的缺點(diǎn),在突變區(qū)域處誤差較大,相對(duì)地,MCFCF Net的高程反演較為貼近原始高程圖,誤差主要集中在突變區(qū)域邊界處,誤差范圍較小。針對(duì)突變地形,圖13(a)中全局出現(xiàn)了范圍較大的高程誤差,且有十分明顯的分散噪聲點(diǎn),而圖13(b)中同樣存在雜亂的噪聲點(diǎn),從整體來看ML算法、MAP+TV算法的魯棒性不強(qiáng),圖13(c)中左半?yún)^(qū)域有成片的重建錯(cuò)誤區(qū)域,即如圖13(g)黃色框所示,造成高程反演誤差較大。

圖11 Peaks地形高程反演實(shí)驗(yàn)結(jié)果

圖12 城市建筑A地形高程反演實(shí)驗(yàn)結(jié)果

圖13 LONG’S地形高程反演實(shí)驗(yàn)結(jié)果

MCFCF Net的反演效果圖如圖13(d)所示,誤差主要集中在右側(cè)突變區(qū)域處,左半?yún)^(qū)地形恢復(fù)程度良好。表4為4種方法對(duì)3組干涉圖高程重建30次的平均誤差結(jié)果和平均運(yùn)行時(shí)間對(duì)比?？梢钥闯鯩CFCF Net在保持高精度的同時(shí),時(shí)間消耗亦極小。

表4 各算法性能對(duì)比

4 結(jié)束語

本文方法以MCFCF Net為框架,利用深度學(xué)習(xí)神經(jīng)網(wǎng)絡(luò)強(qiáng)大的函數(shù)擬合能力建立多通道干涉圖與高程圖的映射關(guān)系,實(shí)現(xiàn)了從多幅干涉圖到高程圖的直接映射關(guān)系,有效解決了復(fù)雜地形尤其是不連續(xù)地形的高程反演問題。在多類地形的高程反演實(shí)驗(yàn)中,該方法都能獲得較為穩(wěn)定和精確的結(jié)果。同時(shí),與ML、TV+MAP和GC算法相比,MCFCF Net能更充分利用多通道InSAR系統(tǒng)不同基線數(shù)據(jù)潛力,使其高程反演的精度和效率大幅提升,在不同場(chǎng)景與不同信噪比的地形高程反演中展現(xiàn)了良好的泛化能力與穩(wěn)定性。