本發(fā)明屬遙感，涉及一種insar圖像相位濾波方法，特別是涉及一種insar圖像相位濾波方法及裝置、存儲介質(zhì)與終端。

背景技術(shù)：

1、合成孔徑雷達干涉測量（insar）技術(shù)已發(fā)展成為一種常用的遙感方法，它擅長獲取包括地形測繪和形變監(jiān)測的多種重要的地球物理參數(shù)。干涉相位測量通常會受到相位噪聲的影響，這種噪聲的產(chǎn)生取決于觀測散射機制的性質(zhì)、大氣條件以及獲取幾何和傳感器參數(shù)。此外，兩次slc（單視復(fù)數(shù)圖像）獲取之間的時間和空間變化會引起去相關(guān)，這也會影響干涉相位。因此，干涉圖的相干性圖是一個關(guān)鍵指標，顯示了干涉相位的可靠性。相位濾波的目的在于去除干涉圖中的相位噪聲，提高相位解纏精度，改善地形和形變估計結(jié)果。insar相位濾波是確保insar技術(shù)正確應(yīng)用的重要步驟，而選擇合適的濾波方法對于獲取高精度的insar產(chǎn)品至關(guān)重要。

2、現(xiàn)有技術(shù)中，insar相位濾波常用的方法包括均值濾波、中值濾波、自適應(yīng)濾波、頻率域濾波、小波域濾波等及其改進版本。這些方法通常利用空間中像元的鄰近性關(guān)系、信噪比大小、相干性大小等構(gòu)造濾波權(quán)重，準確率有限。此外，深度學習方法也在insar相位濾波中展現(xiàn)出巨大潛力，通過結(jié)合卷積神經(jīng)網(wǎng)絡(luò)（cnn）與transformer網(wǎng)絡(luò)的優(yōu)勢，可以有效提升濾波效果并保持干涉條紋結(jié)構(gòu)的完整性，但深度學習方法存在以下問題：其一，濾波窗口可能會覆蓋多個物理特征，導(dǎo)致濾波后的相位圖在不同地形或地物邊界上出現(xiàn)不一致性，破壞相位一致性，影響相位的連續(xù)性和物理意義；其二，且濾波器的設(shè)計通常需要選擇合適的參數(shù)，如窗口大小、形狀等，在不同的地形和噪聲條件下，最優(yōu)參數(shù)可能不同，這使得參數(shù)選擇成為一個挑戰(zhàn)；其三，因為濾波器平滑了空間上的細節(jié)，使得小尺度的特征變得不明顯，故此可能會降低圖像的空間分辨率。

3、因此，深度學習模型在訓練數(shù)據(jù)上表現(xiàn)良好，但在未見過的數(shù)據(jù)上表現(xiàn)不佳，特別是在處理具有復(fù)雜地形或噪聲模式的insar數(shù)據(jù)時，因此魯棒性不佳，同時，深度學習模型通常被認為是“黑箱”，難以解釋其內(nèi)部工作機制和決策過程，這可能對科學分析和結(jié)果驗證造成困難。

技術(shù)實現(xiàn)思路

1、本發(fā)明的目的在于提供一種insar圖像相位濾波方法及裝置、存儲介質(zhì)與終端，用于解決現(xiàn)有技術(shù)中insar圖像相位濾波方法的魯棒性較低的技術(shù)問題。

2、第一方面，本發(fā)明提供一種insar圖像相位濾波方法，包括：

3、獲取待濾波insar圖像，獲取相位值集合，所述相位值集合中包括多個不同的預(yù)設(shè)相位值；

4、基于概率密度函數(shù)和所述待濾波insar圖像，獲取與每個所述預(yù)設(shè)相位值對應(yīng)的條紋線圖；

5、將所有所述條紋線圖輸入與條紋線圖對應(yīng)的條紋線去噪模型，以獲取對應(yīng)的去噪條紋線圖；

6、基于所有的去噪條紋線圖進行合成，獲取對應(yīng)的合成后圖像以作為所述待濾波insar圖像的濾波后圖像。

7、于本發(fā)明的一實施例中，所述條紋線去噪模型的獲取方式為使用條紋線圖數(shù)據(jù)集對預(yù)設(shè)神經(jīng)網(wǎng)絡(luò)模型進行訓練；所述條紋線圖數(shù)據(jù)集中包括多組條紋線圖數(shù)據(jù)，每組所述條紋線圖數(shù)據(jù)均以帶噪聲的條紋線圖作為預(yù)測因子、以不帶噪聲的條紋線圖作為預(yù)測結(jié)果。

8、于本發(fā)明的一實施例中，所述條紋線圖數(shù)據(jù)集的獲取方式包括：

9、獲取預(yù)設(shè)高程數(shù)據(jù)集，所述預(yù)設(shè)高程數(shù)據(jù)集中包括多條高程數(shù)據(jù)，對于每條高程數(shù)據(jù)均基于多個不同的高程模糊度生成與所述高程數(shù)據(jù)對應(yīng)的多個絕對相位圖；

10、對每個所述絕對相位圖進行纏繞操作，以獲取對應(yīng)的不帶噪聲的干涉圖；

11、在所述不帶噪聲的干涉圖中加入高斯噪聲，以獲取對應(yīng)的帶噪聲的干涉圖；

12、基于多個相位值獲取每一個所述不帶噪聲的干涉圖對應(yīng)的多個不帶噪聲條紋線圖，基于多個相位值獲取每一個所述帶噪聲的干涉圖對應(yīng)的多個帶噪聲條紋線圖；

13、以對應(yīng)相同相位值的不帶噪聲條紋線圖和帶噪聲條紋線圖作為一條訓練數(shù)據(jù)，以獲取條紋線圖數(shù)據(jù)集。

14、于本發(fā)明的一實施例中，所述預(yù)設(shè)神經(jīng)網(wǎng)絡(luò)模型為res-unet。

15、于本發(fā)明的一實施例中，基于概率密度函數(shù)，獲取與所述預(yù)設(shè)相位值對應(yīng)的條紋線圖包括：

16、將所述預(yù)設(shè)相位值代入預(yù)設(shè)概率密度函數(shù)公式中，以獲取對應(yīng)的條紋線圖；

17、所述預(yù)設(shè)概率密度函數(shù)公式為：

18、

19、其中，表示復(fù)相干系數(shù)的幅度，表示待濾波insar圖像的相位值，表示預(yù)設(shè)相位值。

20、于本發(fā)明的一實施例中，基于所有的去噪條紋線圖進行合成，獲取對應(yīng)的合成后圖像以作為所述待濾波insar圖像的濾波后圖像包括：

21、獲取所有所述條紋去噪結(jié)果中每個像素點的最大似然估計值，以作為所述像素點對應(yīng)的濾波結(jié)果；

22、集合所有像素點的濾波結(jié)果，以獲取對應(yīng)的合成后圖像以作為所述待濾波insar圖像的濾波后圖像。

23、于本發(fā)明的一實施例中，所述相位值集合中的所有相位值構(gòu)成等差數(shù)列。

24、第二方面，本發(fā)明還提供一種insar圖像相位濾波裝置，其特征在于，包括：

25、數(shù)據(jù)獲取模塊，用于獲取待濾波insar圖像，獲取相位值集合，所述相位值集合中包括多個不同的預(yù)設(shè)相位值；

26、相位拆解模塊，用于基于概率密度函數(shù)和所述待濾波insar圖像，獲取與每個所述預(yù)設(shè)相位值對應(yīng)的條紋線圖；

27、條紋去噪模塊，用于將所有所述條紋線圖輸入與條紋線圖對應(yīng)的條紋線去噪模型，以獲取對應(yīng)的去噪條紋線圖；

28、濾波合成模塊，用于基于所有的去噪條紋線圖獲取對應(yīng)的圖像作為所述待濾波insar圖像的濾波后圖像。

29、第三方面，本發(fā)明還提供一種存儲介質(zhì)，其上存儲有計算機程序，該程序被處理器執(zhí)行時實現(xiàn)如上所述的insar圖像相位濾波方法。

30、第四方面，本發(fā)明還提供一種終端，包括處理器以及存儲器，所述存儲器與所述處理器之間通信連接；

31、所述存儲器用于存儲計算機程序，所述處理器用于執(zhí)行所述存儲器存儲的計算機程序，以使所述終端執(zhí)行如上所述的insar圖像相位濾波方法。

32、如上所述，本發(fā)明所述的insar圖像相位濾波方法及裝置、存儲介質(zhì)與終端，具有以下有益效果：

33、1、本技術(shù)將學習過程從輸入待濾波insar圖像輸出濾波后圖像的常規(guī)學習策略，轉(zhuǎn)向了輸入條紋線圖（對應(yīng)概率密度函數(shù)）輸出去噪后條紋線圖，從計算機視覺和圖像處理角度來看，條紋線特征更為明顯，基于深度學習的圖像識別方法更善于處理和提取這類數(shù)據(jù)，提高了精度。

34、2、本技術(shù)以不同預(yù)設(shè)相位值的條紋線圖作為去噪的對象，而insar圖像最大的特征是條紋特征，因此從insar圖像的實質(zhì)上構(gòu)建去噪模型，增強了模型可解釋性。

35、3、本技術(shù)通過條紋線去噪模型，可以個性化的、有針對性的去除對應(yīng)的條紋線圖中存在的噪聲，每個條紋線去噪模型的都服務(wù)于一個條紋線圖的去噪過程，保證了輸出條紋線圖的精細度，有效提高了insar圖像相位濾波的魯棒性。