一种分布式多角度雷达差分干涉数据广义特征自适应配准方法

本发明属于合成孔径雷达，尤其涉及一种分布式多角度差分干涉数据广义特征自适应配准方法。

背景技术：

1、分布式多角度d-insar(differential interferometric synthetic apertureradar)是一种利用不同观测角度的合成孔径雷达(sar)图像，通过差分干涉技术(d-insar)获取地表多维形变信息的方法。该方法可以有效克服传统单角度d-insar方法中存在的形变测量维度不足、大气扰动影响等问题，提高地表形变监测的质量和可靠性。该方法具有多维度、高精度、全天候、全覆盖等优点，能够有效地监测地震、火山、滑坡、地面沉降等引起的地表形变，为地质灾害预警和防治提供重要数据支持。

2、雷达信号处理发生在复数域中，这意味着处理的信号包括幅值和相位两个成分，这两者之间存在紧密的关联性，为获取关于目标的详细信息提供了重要基础。传统的处理方法往往仅关注幅值或相位的信息，然而，这种单一维度的处理无法充分挖掘sar图像中的信息。因此，为了更全面地理解目标特性，需要综合利用幅值和相位的信息。

3、分布式多角度雷达在不同观测角度下，合成孔径雷达(sar)图像在复数域上呈现出各种差异，包括散射特性、分辨率和几何畸变，这些差异源于目标在不同视角下的反射和散射行为，这些差异导致分布式多角度d-insar数据的广义特征自适应配准面临着较大的挑战。为实现高质量形变反演，在分布式多角度d-insar数据特征自适应配准时，其关键是在保护不同角度下具有信息增量的差异化多维复特征(散射特性、相位信息等)的同时提升视角观测不佳复图像质量(分辨率、几何畸变、信噪比)，使各角度观测在信息层面融合，在复图像质量方面综合提升。

技术实现思路

1、本发明的技术解决问题是：克服现有技术的不足，提出一种分布式多角度雷达差分干涉数据广义特征自适应配准方法。为实现分布式多角度d-insar特征自适应配准，本发明提出了一种基于自注意力机制和卷积神经网络的分布式多角度d-insar广义特征自适应配准。该方法结合了卷积神经网络(cnn)在局部特征提取方面的优势和自注意力机制在全局特征提取方面的优势，构建了一个端到端的深度学习模型，实现了对分布式多角度d-insar复数据的广义特征自适应配准。同时该发明可以自动地从多角度复数域d-insar数据中提取解缠后的相位信息，并消除噪声和异常值的影响。此外，考虑到空间分辨率、几何畸变和信噪比等特定质量特征具有整体性，属于高维特征，而散射、相位特征等是细节特征，属于低维特征。因此，基于这些不同维度的特征，引入一种特征域自适应迁移配准损失函数加以约束，实现自适应选择的特征配准，在高维特征(空间分辨率、目标几何畸变和信噪比等)迁移的同时保护低维特征(散射特性、相位信息等)，实现自适应图像迁移配准。该方法具有高效、准确和鲁棒的优点，为分布式多角度d-insar数据的广义特征自适应配准提供了一种新的思路。

2、本发明的技术解决方案是：

3、一种分布式多角度雷达差分干涉数据广义特征自适应配准方法，该方法的步骤包括：

4、步骤1，根据散射点的入射角获取散射点的后向散射系数；

5、步骤2，将每个散射点沿垂直视线方向投影到不同角度sar二维成像平面上，再根据步骤1的后向散射系数得到成像平面图像；

6、步骤3，将步骤2中生成的成像平面图像输入到复特征生成网络中输出复图像；

7、步骤4，计算步骤3中输出的复图像与目标图像的损失，将损失结果反向传播完成复特征生成网络的训练。

8、所述步骤2中，根据后向散射系数使用频域点拓展函数方法得到成像平面图像。

9、所述步骤3中，复特征生成网络包括残差卷积模块、自注意力模块、下采样模块、上采样模块；

10、成像平面图像输入到复特征生成网络的残差卷积模块中，残差卷积模块对接收到的成像平面图像进行初步特征提取，得到每个像素的局部特征，并将得到的所有像素的局部特征输出给自注意力模块；

11、自注意力模块接收所有像素的局部特征，并提取接收到的所有像素的局部特征的全局特征，输出局部特征和全局特征的融合结果给下采样模块；

12、下采样模块将接收到的融合结果的尺寸进行缩小，并将缩小后的融合结果再作为下一残差卷积模块的输入，直至得到设定尺寸的融合结果作为特征向量输出给残差卷积模块；

13、残差卷积模块对接收到的特征向量进行初步特征提取，得到特征向量的局部特征，并将得到的特征向量的局部特征输出给自注意力模块；

14、自注意力模块接收特征向量的局部特征，并提取接收到的特征向量的局部特征的全局特征，输出局部特征和全局特征的融合结果给上采样模块；

15、上采样模块将接收到的融合结果的尺寸进行放大，并将放大后的融合结果再作为下一残差卷积模块的输入，直至得到设定尺寸的融合结果进行输出。

16、所述步骤4中，输出的复图像与目标图像的损失包括循环一致性对抗损失函数、特征自适应迁移配准损失函数、基于伪循环一致性的精度损失函数；

17、伪循环一致性对抗损失函数为：

18、

19、

20、其中，ga表示复特征生成网络，gb与ga相同，da表示鉴别器，db与da相同，x表示成像平面图像；

21、y与x的不同之处在于x与y的成像视角不同；

22、v为x的解缠图像，u为y的解缠图像；

23、表示解缠图像v中的v的期望；

24、表示解缠图像u中的u的期望；

25、da(v)表示将v输入到鉴别器da中的结果；

26、db(u)表示将u输入到鉴别器db中的结果；

27、表示成像平面图像x中x的期望；

28、表示成像平面图像y中y的期望；

29、da(ga(x))表示将x输入到复特征生成网络ga中的结果再输入到鉴别器da中得到的结果；

30、db(gb(y))表示将y输入到复特征生成网络gb中的结果再输入到鉴别器db中得到的结果；

31、特征自适应迁移配准损失函数为：

32、

33、其中，表示复特征生成网络ga的低维特征，表示复特征生成网络gb的低维特征；

34、表示成像平面图像x中x与x的解缠图像v中v的联合期望；

35、表示成像平面图像y中y与y的解缠图像u中u的联合期望；

36、表示成像平面图像x中x输入到复特征生成网络ga中得到的低维特征与x的解缠图像v中v输入到ga中得到的低维特征在1范数下意义下的距离；

37、表示成像平面图像y中y输入到复特征生成网络gb中得到的低维特征与y的解缠图像u中u输入到gb中得到的低维特征在1范数下意义下的距离；

38、基于伪循环一致性的精度损失函数lfcyc(g,f)为：

39、

40、其中，表示成像平面图像x中x与x的解缠图像v中v的联合期望；

41、表示成像平面图像y中y与y的解缠图像u中u的联合期望；

42、||gb(ga(x))-v||1表示成像平面图像x中x输入到复特征生成网络ga后的结果再输入到复特征生成网络gb得到的结果与x的解缠图像v中v在1范数意义下的距离；

43、||ga(gb(y))-u||1表示成像平面图像y中y输入到复特征生成网络gb后的结果再输入到复特征生成网络ga得到的结果与y的解缠图像u中u在1范数意义下的距离。

44、有益效果

45、(1)本发明的方法通过计算散射点的入射角并应用线性模型来预测后向散射系数，从而模拟不同视角下的散射特性差异。这一过程能够使生成的数据集更加真实地反映实际场景中角度变化对sar图像幅度的影响，提高了数据集的真实性和适用性。

46、(2)本发明的方法通过将散射点沿垂直视线方向投影到不同角度的sar二维成像平面上，有效模拟了图像中可能存在的畸变问题。这一步骤有助于在数据生成过程中考虑图像几何形状的变化，使得生成的数据集能够更全面地覆盖实际图像采集中可能出现的各种情况。

47、(3)本发明提出了一种基于自注意力机制的保相复特征生成网络。该网络结合了卷积提取的局部特征和自注意力捕获的全局特征，并通过引入特征域自适应迁移配准损失函数，实现了自适应的特征配准。这种结构特别适用于处理长距离依赖性问题，如远距离地物特征提取，提高了网络捕捉空间关联性的能力。

48、(4)本发明通过采用伪循环一致性损失函数，有效地控制了非一致域指定特征的保真损失。在确保特征迁移的同时，该方法还能够完成相位解缠的关键任务，显著简化了后续的数据处理流程，提高了整体处理效率。