✅博主简介：擅长数据搜集与处理、建模仿真、程序设计、仿真代码、论文写作与指导，毕业论文、期刊论文经验交流。
✅成品或者定制，扫描文章底部微信二维码。
(1) 多通道干涉合成孔径雷达原理与数据预处理方法
干涉合成孔径雷达技术通过分析两幅从不同空间位置获取的雷达图像之间的相位差信息来反演地面高程。单通道干涉测量模式下，两幅图像分别来自主天线和辅天线的观测，两天线之间的空间距离称为基线长度。当雷达信号照射到地面目标并返回时，由于主辅天线与目标之间的几何路径差异，两幅图像中对应像素点的复数值会存在相位差，这一相位差与目标点的高程信息密切相关。通过建立相位差与高程之间的几何关系模型，可以从干涉相位中解算出地面高程。
然而实际获取的干涉相位被限制在负π到正π的主值区间内，当真实高程变化导致的相位超过这一范围时会发生相位缠绕现象，形成周期性的条纹图案。相位解缠是从缠绕相位中恢复真实连续相位的过程，是干涉数据处理中的关键环节。地形起伏剧烈、植被覆盖茂密或存在人工建筑的区域往往具有复杂的相位分布特征，使得相位解缠面临较大挑战。传统的路径积分类和最小范数类解缠算法在处理复杂地形时容易受到噪声干扰和相位不连续的影响，导致解缠结果出现误差传播。
多通道干涉测量技术通过配置多个不同基线长度的天线组合，获取多幅具有不同相位灵敏度的干涉图，为相位解缠提供了更丰富的观测信息。短基线干涉对具有较低的相位灵敏度但不易发生相位缠绕，适合于粗略估计高程范围。长基线干涉对具有较高的相位灵敏度能够获取精细的高程细节，但容易出现密集的相位条纹。通过联合处理多通道干涉数据，可以综合利用各通道的互补优势，提高高程重建的精度和可靠性。在数据预处理阶段，需要对各通道干涉图进行配准处理，确保不同通道图像之间的像素对应关系准确。同时进行相位滤波处理以抑制相干斑噪声的影响，常用的滤波方法包括均值滤波、中值滤波和自适应滤波等，需要在噪声抑制和细节保持之间取得平衡。
(2) 基于多通道特征融合网络的高程重建方法
传统的多通道干涉处理方法通常采用最大似然估计或整数最小二乘等优化算法，通过建立各通道相位观测与高程参数之间的数学模型来求解最优高程估计。这类方法需要精确的系统参数和准确的噪声模型假设，当实际条件与理论假设存在偏差时性能会明显下降。深度学习方法能够从数据中自动学习复杂的非线性映射关系，无需显式建模即可实现端到端的高程重建，为多通道干涉处理提供了新的解决思路。
设计的多通道特征融合网络采用对称的编码器-解码器结构，以多通道干涉图作为输入，直接输出重建的高程图。编码器部分负责从输入干涉图中提取层次化的特征表示，随着网络深度增加，特征图的空间分辨率逐步降低而通道数量逐步增加，实现从局部细节到全局语义的特征抽象过程。解码器部分通过上采样操作逐步恢复特征图的空间分辨率，并与编码器对应层级的特征进行融合，保留高程变化的精细空间信息。
针对多通道干涉图之间存在内在关联性的特点，在网络中设计了专门的多通道特征连接与融合模块。该模块首先对各通道的特征进行独立提取，保持各通道的特有信息不被混淆。然后通过跨通道注意力机制学习不同通道特征之间的相关性权重，对具有强相关性的通道特征赋予更高的融合权重。最后将加权后的多通道特征沿通道维度进行拼接，形成包含丰富多通道信息的综合特征表示。这种特征融合策略能够充分挖掘多通道观测之间的互补信息，提高网络对高程的估计精度。
在损失函数设计方面，综合考虑高程重建的多个评价指标。均方误差损失用于约束预测高程与真实高程在数值上的接近程度，是最基本的回归损失形式。结构相似性损失用于保持预测高程图与真实高程图在结构和纹理上的一致性，对于保留地形细节特征具有重要作用。边缘损失通过对预测和真实高程图进行梯度运算提取边缘信息，约束两者在高程变化剧烈区域的一致性。将上述损失进行加权组合作为总损失函数，通过调整各损失分量的权重可以平衡高程精度和结构保持之间的关系。
(3) 融合边界检测与相位滤波的双流高程重建网络
不同地形类型之间的过渡区域往往存在明显的高程突变，这些边界位置的准确重建对于获取高质量数字高程模型至关重要。然而高程突变会导致干涉相位的剧烈变化，使得边界区域的相位解缠更加困难。为提高边界区域的高程重建精度，提出了基于双流网络的多通道高程重建方法，在主干的高程重建流之外增设专门的边界检测流。
边界检测流的任务是从多通道干涉图中识别出不同地形区域之间的边界位置。该网络分支采用与高程重建流相似的编码器-解码器结构，但输出为边界概率图而非高程值。边界区域在干涉图中通常表现为相位条纹密度突然变化的区域，边界检测流通过学习这种相位分布模式的变化来定位边界位置。训练时使用真实高程图的梯度信息生成边界标注，高程梯度大于设定阈值的位置被标记为边界点。边界检测流的输出通过特征注入的方式传递给高程重建流，使高程重建过程能够获知边界位置信息，对边界区域进行针对性处理。
相干斑噪声是影响干涉图质量的主要因素，会对相位解缠和高程重建的精度产生不利影响。传统的相位滤波方法作为独立的预处理步骤，难以与后续的高程重建过程进行联合优化。为实现滤波与重建的一体化处理，在双流网络框架中增设相位滤波流，将相位噪声抑制纳入到端到端的学习框架中。相位滤波流以含噪干涉图作为输入，输出滤波后的干涉图，同时需要保持干涉条纹的结构完整性，避免过度平滑导致的细节损失。
滤波流的设计借鉴了条纹检测的思想，首先检测干涉图中的条纹走向和密度分布，然后沿条纹方向进行自适应滤波处理。条纹方向信息通过计算干涉相位的局部梯度方向获得，滤波核的形状和尺寸根据条纹密度进行动态调整。密集条纹区域使用较小的滤波核以保持细节，稀疏条纹区域使用较大的滤波核以增强去噪效果。
import torch import torch.nn as nn import torch.nn.functional as F import numpy as np class ConvBlock(nn.Module): def __init__(self, in_ch, out_ch): super(ConvBlock, self).__init__() self.conv = nn.Sequential( nn.Conv2d(in_ch, out_ch, 3, padding=1), nn.BatchNorm2d(out_ch), nn.ReLU(inplace=True), nn.Conv2d(out_ch, out_ch, 3, padding=1), nn.BatchNorm2d(out_ch), nn.ReLU(inplace=True) ) def forward(self, x): return self.conv(x) class CrossChannelAttention(nn.Module): def __init__(self, channels, num_inputs): super(CrossChannelAttention, self).__init__() self.query = nn.Conv2d(channels, channels // 8, 1) self.key = nn.Conv2d(channels, channels // 8, 1) self.value = nn.Conv2d(channels, channels, 1) self.gamma = nn.Parameter(torch.zeros(1)) def forward(self, features_list): combined = torch.stack(features_list, dim=2) b, c, n, h, w = combined.shape combined = combined.view(b, c, n, h * w) q = self.query(features_list[0]).view(b, -1, h * w) attention_weights = [] for i in range(n): k = self.key(features_list[i]).view(b, -1, h * w) attn = torch.bmm(q.permute(0, 2, 1), k) attn = F.softmax(attn, dim=-1) attention_weights.append(attn) out_features = [] for i, feat in enumerate(features_list): v = self.value(feat).view(b, -1, h * w) out = torch.bmm(v, attention_weights[i].permute(0, 2, 1)) out = out.view(b, c, h, w) out_features.append(out) return sum(out_features) * self.gamma + features_list[0] class MultiChannelFusionModule(nn.Module): def __init__(self, in_channels, out_channels, num_channels=3): super(MultiChannelFusionModule, self).__init__() self.channel_convs = nn.ModuleList([ ConvBlock(in_channels, out_channels) for _ in range(num_channels) ]) self.attention = CrossChannelAttention(out_channels, num_channels) self.fusion_conv = nn.Conv2d(out_channels * num_channels, out_channels, 1) def forward(self, x_list): features = [conv(x) for conv, x in zip(self.channel_convs, x_list)] attended = self.attention(features) concat = torch.cat(features, dim=1) return self.fusion_conv(concat) + attended class Encoder(nn.Module): def __init__(self, in_ch, base_ch=64): super(Encoder, self).__init__() self.enc1 = ConvBlock(in_ch, base_ch) self.enc2 = ConvBlock(base_ch, base_ch * 2) self.enc3 = ConvBlock(base_ch * 2, base_ch * 4) self.enc4 = ConvBlock(base_ch * 4, base_ch * 8) self.pool = nn.MaxPool2d(2, 2) def forward(self, x): e1 = self.enc1(x) e2 = self.enc2(self.pool(e1)) e3 = self.enc3(self.pool(e2)) e4 = self.enc4(self.pool(e3)) return e4, [e1, e2, e3, e4] class Decoder(nn.Module): def __init__(self, base_ch=64): super(Decoder, self).__init__() self.up4 = nn.ConvTranspose2d(base_ch * 8, base_ch * 4, 2, stride=2) self.dec4 = ConvBlock(base_ch * 8, base_ch * 4) self.up3 = nn.ConvTranspose2d(base_ch * 4, base_ch * 2, 2, stride=2) self.dec3 = ConvBlock(base_ch * 4, base_ch * 2) self.up2 = nn.ConvTranspose2d(base_ch * 2, base_ch, 2, stride=2) self.dec2 = ConvBlock(base_ch * 2, base_ch) def forward(self, x, skips): d4 = self.dec4(torch.cat([self.up4(x), skips[2]], dim=1)) d3 = self.dec3(torch.cat([self.up3(d4), skips[1]], dim=1)) d2 = self.dec2(torch.cat([self.up2(d3), skips[0]], dim=1)) return d2 class HeightReconstructionStream(nn.Module): def __init__(self, num_channels=3, base_ch=64): super(HeightReconstructionStream, self).__init__() self.fusion = MultiChannelFusionModule(2, base_ch, num_channels) self.encoder = Encoder(base_ch, base_ch) self.decoder = Decoder(base_ch) self.out_conv = nn.Conv2d(base_ch, 1, 1) def forward(self, interferograms, boundary_feat=None): fused = self.fusion(interferograms) if boundary_feat is not None: fused = fused + boundary_feat enc_out, skips = self.encoder(fused) dec_out = self.decoder(enc_out, skips) return self.out_conv(dec_out) class BoundaryDetectionStream(nn.Module): def __init__(self, num_channels=3, base_ch=32): super(BoundaryDetectionStream, self).__init__() self.encoder = Encoder(num_channels * 2, base_ch) self.decoder = Decoder(base_ch) self.out_conv = nn.Conv2d(base_ch, 1, 1) def forward(self, interferograms): x = torch.cat(interferograms, dim=1) enc_out, skips = self.encoder(x) dec_out = self.decoder(enc_out, skips) return torch.sigmoid(self.out_conv(dec_out)), dec_out class DualStreamInSARNet(nn.Module): def __init__(self, num_channels=3): super(DualStreamInSARNet, self).__init__() self.boundary_stream = BoundaryDetectionStream(num_channels) self.height_stream = HeightReconstructionStream(num_channels) def forward(self, interferograms): boundary_map, boundary_feat = self.boundary_stream(interferograms) height_map = self.height_stream(interferograms, boundary_feat) return height_map, boundary_map class InSARLoss(nn.Module): def __init__(self, alpha=0.8, beta=0.1, gamma=0.1): super(InSARLoss, self).__init__() self.alpha = alpha self.beta = beta self.gamma = gamma self.mse = nn.MSELoss() self.bce = nn.BCELoss() def ssim_loss(self, pred, target): c1, c2 = 0.01 ** 2, 0.03 ** 2 mu_x, mu_y = pred.mean(), target.mean() sigma_x, sigma_y = pred.var(), target.var() sigma_xy = ((pred - mu_x) * (target - mu_y)).mean() ssim = ((2 * mu_x * mu_y + c1) * (2 * sigma_xy + c2)) / \ ((mu_x ** 2 + mu_y ** 2 + c1) * (sigma_x + sigma_y + c2)) return 1 - ssim def edge_loss(self, pred, target): sobel_x = torch.tensor([[-1, 0, 1], [-2, 0, 2], [-1, 0, 1]], dtype=torch.float32).view(1, 1, 3, 3).to(pred.device) sobel_y = sobel_x.transpose(2, 3) pred_edge = torch.abs(F.conv2d(pred, sobel_x, padding=1)) + torch.abs(F.conv2d(pred, sobel_y, padding=1)) target_edge = torch.abs(F.conv2d(target, sobel_x, padding=1)) + torch.abs(F.conv2d(target, sobel_y, padding=1)) return self.mse(pred_edge, target_edge) def forward(self, pred_height, target_height, pred_boundary, target_boundary): height_loss = self.alpha * self.mse(pred_height, target_height) + \ self.beta * self.ssim_loss(pred_height, target_height) + \ self.gamma * self.edge_loss(pred_height, target_height) boundary_loss = self.bce(pred_boundary, target_boundary) return height_loss + 0.5 * boundary_loss if __name__ == "__main__": model = DualStreamInSARNet(num_channels=3) interferograms = [torch.randn(1, 2, 256, 256) for _ in range(3)] height, boundary = model(interferograms) print(f"Height shape: {height.shape}, Boundary shape: {boundary.shape}")如有问题，可以直接沟通
👇👇👇👇👇👇👇👇👇👇👇👇👇👇👇👇👇👇👇👇👇👇
