一种基于变差函数空间注意力与多尺度分形对抗损失的SAR干涉图大气相位屏智能降噪系统及方法与流程

摘要: 本发明涉及遥感图像,具体涉及一种基于变差函数空间注意力与多尺度分形对抗损失的sar干涉图大气相位屏智能降噪系统及方法。背景技术:1、nsar技术广泛应用于地表形...
一种基于变差函数空间注意力与多尺度分形对抗损失的SAR干涉图大气相位屏智能降噪系统及方法与流程

本发明涉及遥感图像,具体涉及一种基于变差函数空间注意力与多尺度分形对抗损失的sar干涉图大气相位屏智能降噪系统及方法。

背景技术:

1、nsar技术广泛应用于地表形变监测、地形测绘及灾害预警等领域,但aps噪声是制约其精度的核心瓶颈。aps由大气中水汽、温度及气压的时空变异引起,其空间分布兼具自相关性、低频主导性及统计分形特征,与地表形变信号在谱域和空间域高度重叠,传统滤波和气象模型方法难以实现单图精确校正。

2、现有深度学习方法(如aru-net、u-net+kan等)存在以下主要不足:

3、(1)网络架构方面:现有方法通常采用对称编解码器,在下采样过程中不可逆地损失空间细节,而aps的局部纹理特征正是区分大气信号与形变信号的关键信息。

4、(2)损失函数方面:现有分形维度对齐损失中的λ切换阈值(0.01)为固定经验值,无法随不同sar场景自适应调整,导致重度污染样本的损失权重分配不合理。

5、(3)空间统计先验方面:现有方法未充分利用aps信号的半变差函数(semi-variogram)结构——即空间协方差随滞后距离的幂律衰减规律——作为注意力引导,从而忽略了aps空间相关性的统计约束。

6、(4)时序信息利用方面:多时相干涉对之间存在大气噪声的时序相干性,现有单图输入框架无法利用相邻干涉对的时序一致性约束来提升去噪稳定性。

7、(5)正则化策略方面:稀疏惩罚与分形约束被独立施加,二者在潜空间中对特征激活模式的调控方向存在潜在冲突,缺乏统一的联合正则化框架。

8、综上,现有的深度学习方法采样易产生损失、权重分配不合理,去噪稳定性难以得到提升且缺乏统一的联合正则化框架。

技术实现思路

1、本发明的目的是针对上述技术问题,提供一种基于变差函数空间注意力与多尺度分形对抗损失的sar干涉图大气相位屏智能降噪系统及方法。通过四项原理性创新(vsa、tcm、mfal、sfr),在保持模型轻量化的同时,显著提升aps抑制精度和跨场景泛化能力,使mse较原始fanet进一步降低。

2、为达到上述目的,本发明采用了下列技术方案:一种基于变差函数空间注意力与多尺度分形对抗损失的sar干涉图大气相位屏智能降噪系统,包括fanet-v.2架构,fanet-v.2架构包括hrnet-w32高分辨率主干网络、域适应网关、深度监督模块、四项创新模块以及融合输出模块fcnhead2,其中,四项创新模块包括:变差函数引导空间注意力模块(vsa)、时序相干约束模块(tcm)、多尺度分形对抗损失模块(mfal)以及稀疏-分形联合正则化算子模块(sfr)。

3、一种基于变差函数空间注意力与多尺度分形对抗损失的sar干涉图大气相位屏智能降噪方法,包括以下步骤:

4、s1、对输入sar差分干涉图进行预处理,经两层mlp变换为hrnet可接受的输入规格;

5、s2、通过hrnet-w32主干网络提取多分辨率并行特征表示,输出128×128×48的高分辨率特征图;

6、s3、经域适应网关进行特征域迁移;

7、s4、将vsa模块插入域适应网关后,基于半变差函数幂律指数β生成空间注意力掩码,对特征进行物理一致性加权;

8、s5、经深度监督三路分支提取几何、光谱及上下文特征;

9、s6、三路特征融合后经fcnhead2输出去大气噪声的干涉图;

10、s7、以mfal计算多尺度分形维度对齐的对抗损失,以sfr施加稀疏-分形联合正则化,以tcm约束时序相干一致性;

11、s8、以步骤s5中所定义的完整损失函数监督训练,输出高精度地表形变干涉图。

12、在步骤s1中,预处理原始采样数据采用sentinel-1 sar slc影像,空间分辨率30米,vv极化,经标准insar流程处理后,裁切为512×512像素瓦,其中,输入的训练集包含3647幅纯大气样本瓦片与2636幅纯地表形变瓦片,通过随机叠加构建5000组输入/标签对,并加入2000幅纯形变负样本,进行模型训练;tcm在训练阶段以成对相邻时相干涉对(时间间隔12天)为输入,计算时序一致性损失;两组预测结果通过时序相干约束模块约束并在训练中同步更新,推理阶段tcm自动屏蔽,保持单图输入接口。

13、时序相干约束模块(tcm)在训练阶段引入成对时序样本(t时刻与t+12天)的一致性约束,时序一致性损失计算公式为:

14、l_tcm = ||f(i_t) − f(i_{t+δt})||_1 · w_coh;

15、其中,f(·)为模型的aps估计输出;

16、w_coh为由相干系数图计算得到的逐像素权重。

17、步骤s4具体包括以下步骤:

18、s41、以8×8、16×16、32×32三种窗口大小在特征图的每个空间位置上计算半变差函数γ(h)的幂律指数β,生成480×h×w的β掩码图,

19、s42、对β掩码图做sigmoid归一化后与特征图逐元素相乘,形成几何感知的注意力响应。

20、在步骤s41中,将变差函数γ(h)嵌入注意力权重生成路径,其计算公式为:

21、γ(h) = (1/2n(h)) · σ[z(x+h) − z(x)]²;

22、其中,z(x)为特征图在位置x处的激活值,

23、h为滞后向量,n(h)为对应数量。

24、在步骤s7中,mfal将原fanet中的固定λ切换阈值改为端到端可学习标量参数λ̂,并在512×512、256×256、128×128三个空间尺度独立计算分形维度差异,按α=[0.6,0.3,0.1]加权求和。

25、步骤s7具体包括:

26、s71、自适应λ学习:将λ改为端到端可学习的标量参数,通过梯度回传在训练中自动收敛至场景最优值,消除超参数敏感性;

27、s72、多尺度分形维度对齐:在三个空间尺度(512×512、256×256、128×128)分别计算分形维度差异并加权聚合,多尺度损失计算公式为:

28、mfal = σ_s α_s · huber(g_s(pred), g_s(gt)) + λ̂·e[logd(gt)+log(1−d(pred))]

29、其中,α_s为第s个尺度的权重,

30、g_s(·)为第s尺度的分形维度估计,

31、λ̂为可学习参数。

32、在步骤s7中,sfr将稀疏惩罚kl(ρ||ρ̂_j)与分形梯度光滑惩罚μ·||∇g(f_j)||²统一为单一正则化项,以μ=0.15联合施加于潜空间激活。

33、通过稀疏-分形联合正则化算子(sfr),将二者统一至同一优化目标,计算公式为:

34、;

35、其中,f_j为第j个隐层神经元的激活输出,

36、g(·)为分形维度估计算子,

37、μ为平衡系数(实验取0.15)。

38、10.根据权利要求8方法,在步骤s8中,的完整损失函数为:

39、。

40、与现有技术相比,本发明的优点在于:通过四项原理性创新(vsa、tcm、mfal、sfr),在保持模型轻量化的同时,显著提升aps抑制精度和跨场景泛化能力,使mse较原始fanet进一步降低;并且ssim得到有效提升,实现了对aps空间相关结构的物理一致性建模,提升了跨场景泛化稳定性,消除了潜空间调控冲突。