基于神经网络的GB-InSAR相位滤波及永久散射体选取方法研究.pdf

摘要

地基干涉合成孔径雷达（GB-InSAR，Ground-basedInterferometricSynthetic

ApertureRadar）是近几十年来新兴的一种微波传感器，具备全天时、全天候的工作能

力，同时展现出高精度以及安放位置灵活等诸多优势。GB-InSAR通过干涉测量技术

来实现DEM（DigitalElevationModel,数字高程模型）的生成以及形变的测量。干涉

测量主要是通过对GB-InSAR生成的两幅雷达图像进行干涉处理得到干涉相位，进而

进行后续DEM和形变的解算。干涉测量技术的主要步骤通常包含干涉处理、相位滤

波、永久散射体选取（PermanentScatterer，PS）、相位解缠、大气相位补偿，DEM或

形变量解算等。随着GB-InSAR应用的推广，其测量的精度要求也越来越高，对于干

涉测量技术的要求也越来越高。常规干涉相位滤波方法需要凭借人为经验进行窗口以

及参数的设置，容易导致干涉相位图出现过、欠滤波现象，相位滤波精度不够，难以

满足后续处理的需要。另一方面，对于PS选取，主流方法在低相干场景下，存在选

取数量较少、质量不高的问题，影响后续形变分析。因此，为了提高干涉相位的精度

以及实现PS的精准选取，本文主要开展了基于神经网络的相位滤波和永久散射体选

取方法的研究，主要内容如下：

（1）提出了一种基于CNN-SwinTransformer（ConvolutionalNeuralNetworks，

卷积神经网络；ShiftedWindowsTransformer,移位窗口Transformer）的相位滤波方

法。

传统的干涉相位滤波方法在滤波精度和边缘细节的保持方面无法兼顾，滤波效果

不佳。本文提出了一种基于CNN-SwinTransformer的相位滤波方法。该方法通过相

位滤波网络对干涉相位实部和虚部中的噪声进行建模学习实现干涉相位滤波。该网络

主要包括三个部分，浅层特征提取，深层次特征提取，噪声重构。首先利用卷积层提

取干涉相位实部和虚部图的浅层特征，深度特征提取时首先采用多尺度大卷积核

CNN提取丰富的局部信息，再利用SwinTransformer对全局依赖特征进行深度提取，

并设计了局部和全局特征融合层分别对网络提取的局部和全局信息进行融合，最后由

CNN预测实部和虚部中的噪声实现相位噪声重构，最后实现滤波。对于在仿真数据

集上的测试，本文方法比基于深度学习的方法有更低损失，以及更高的PSNR（Peak

Signal-to-NoiseRatio，峰值信噪比）。另外，对重庆市万州区一处山体实测数据进行

了处理，本文方法相较于多种方法能够在保持较高边缘保持指数的条件下具有更少的

残差点，即本文方法能在保持干涉条纹边缘重要信息的前提下，更好地滤除噪声的影

响。

（2）提出了一种基于BiLSTM（Bi-directionalLongShort-TermMemory，双向长

短期记忆网络））-CNN的永久散射体选取方法。

由于噪声、时间去相关等多因素的影响，干涉相位图中通常包含有许多的低质量

的像素点，影响后续处理。考虑到地基SAR数据具有时间序列的特征和神经网络对

于序列数据建模学习的优势，提出了一种基于BiLSTM-CNN的永久散射体选取方法。

该方法首先利用幅度门限去掉一些噪点，然后利用合理的幅度离差和幅度阈值门限进

行正负样本集的划分，再利用正负样本集中像素点的干涉相位、幅度差分、相关系数

三个变量作为网络的输入特征，最后通过BiLSTM学习PS的全局时序特征，以及多

尺度CNN学习PS的局部时序特征，并对全局时序特征和局部时序特征进行加权融

合，将融合特征进行特征映射分类，实现PS的选取。利用重庆万州区九道拐的GB-

InSAR监测图像进行实验验证，结果表明本文提出的方法相较于其他的基础网络模型

在验证集上提高了准确度、F1分数、召回率、精确度等指标。在新的测试数据上，该

方法相比于其他方法，也能在保证相位质量的前提下，提高PS选取的数量。

关键词GB-InSAR相位滤波永久散射体神经网络