A Wrap-Count-Based Phase Unwrapping Method for Large-Scale, Low-Coherence Interferograms Using Deep Learning

doi:10.1109/TGRS.2026.3660028

A Wrap-Count-Based Phase Unwrapping Method for Large-Scale, Low-Coherence Interferograms Using Deep Learning

2026-02-02

0

PRE

AI

DOI：10.1109/TGRS.2026.3660028

原文链接

原文求助

摘要

En 中文

解缠具有广泛低相干区域的合成孔径雷达干涉图仍然具有挑战性，即使变形信号具有低梯度，例如由于震间位移造成的变形。这里，我们提出了一种新颖的算法，利用语义分割神经网络更高效、可靠地解缠低梯度干涉图。我们首先将大规模干涉图划分为重叠的图块，并采用经过训练的Segformer网络，充分利用空间特征，识别去相干像素的同时预测相干像素的缠绕计数。在进一步步骤中，我们基于可靠性指标校正缠绕计数或重新解缠某些图块。最后，通过利用重叠区域，将图块拼接以重建完全解缠的干涉图。Segformer模型在超过20,000个具有不同去相干噪声的模拟样本和来自COMET-LiCSAR门户网站的超过10,000个真实样本上进行训练。合成实验表明，与经典的最低成本流（MCF）方法相比，我们的方法显著降低了平均绝对误差（MAE）。对来自阿尔金断裂带（ATF）和海原断裂带（HF）西段的数千幅干涉图的进一步验证确认了其在由去相干噪声分隔的孤立区域中的优越性能及其抑制解缠误差广泛传播的能力，对于真实干涉图，解缠误差的比例降低了28%–83%。这些结果突显了我们的方法在阿尔卑斯-喜马拉雅带等应变区域的大规模自动化处理中的应用潜力。

Keyword:

Deep learning

interferometric synthetic aperture radar (InSAR)

large-scale interseismic deformation

phase unwrapping

wrap count

A Wrap-Count-Based Phase Unwrapping Method for Large-Scale, Low-Coherence Interferograms Using Deep Learning

摘要

期刊

机构

引用论文