CN119068350A - 基于HRNet模型的采煤沉陷区提取方法、装置 - Google Patents

Abstract

本公开实施例中提供了一种基于HRNet模型的采煤沉陷区提取方法、装置，该方法包括利用SBAS‑InSAR技术，对目标区域的SAR影像进行处理以获取目标区域的形变信息；利用D‑InSAR技术，对包含矿井的区域进行形变监测以获得反映所述区域地表形变情况的相位解缠结果图；对所述相位解缠结果图进行目视解译以获得含有采煤沉陷区的图像块作为训练样本数据；利用所述训练样本数据训练HRNet网络模型以获得经训练的HRNet网络模型；以及将所述目标区域的形变信息输入所述经训练的HRNet网络模型以获得采煤沉陷区。通过本公开的处理方案，可保持高分辨率特征不受损失，将沉陷区域的细节信息更完整的保留利用，进而提升预测结果的精确度，减少沉陷区漏分类错分类的现。

Description

基于HRNet模型的采煤沉陷区提取方法、装置

技术领域

本发明涉及雷达遥感处理与应用技术领域，具体涉及基于HRNet模型的采煤沉陷区提取方法、装置。

背景技术

伴随着大量煤炭的开采，可能会导致地面沉陷、基础设施破坏等，这些都威胁着当地自然环境和财产安全，因此对采矿区域进行形变监测并提取矿区沉陷区范围有着重要意义。尽管水准测量和GPS测量等传统的测绘方法在矿区形变监测中具有较高的精度，但它们也存在明显的局限性和不足。具体来说，这些方法需要投入大量的人力物力，导致作业成本较高，测量周期较长，使得监测效率较低。此外，监测点容易遭受破坏的问题也不容忽视。更重要的是，这些传统测绘手段只能提供离散点的测量结果，无法全面、系统地揭示矿区的整体形变和开采沉陷规律，从而在一定程度上限制了其在矿区形变监测中的应用。

发明内容

有鉴于此，本公开实施例提供一种基于HRNet模型的采煤沉陷区提取方法、装置，至少部分解决现有技术中存在的问题。

第一方面，本公开实施例提供了一种基于HRNet模型的采煤沉陷区提取方法，包括：

利用SBAS-InSAR技术，对目标区域的SAR影像进行处理以获取目标区域的形变信息；

利用D-InSAR技术，对包含矿井的区域进行形变监测以获得反映所述区域地表形变情况的相位解缠结果图；

对所述相位解缠结果图进行目视解译以获得含有采煤沉陷区的图像块作为训练样本数据；

利用所述训练样本数据训练HRNet网络模型以获得经训练的HRNet网络模型；以及

将所述目标区域的形变信息输入所述经训练的HRNet网络模型以获得采煤沉陷区。

在一个具体实施方式中，所述方法还包括对所述目标区域的形变信息进行人工解译，并对经过人工解译的形变信息与通过HRNet网络模型所获得的采煤沉陷区进行比较。

在一个具体实施方式中，选取于秋冬季节采集的干涉像对来对包含矿井的区域进行形变监测。

在一个具体实施方式中，所述利用D-InSAR技术，对包含矿井的区域进行形变监测以获得反映所述区域地表形变情况的相位解缠结果图的步骤包括：

从SAR影像中选取主影像；

将其他时时相的SAR影像与所述主影像进行影像配准；

基于外部DEM数据和配准后的SAR影像数据生成干涉图；

基于干涉图生成差分干涉图，并对所述差分干涉图进行滤波，并对滤波后的差分干涉图进行相位解缠以获得相位解缠结果图。

在一个具体实施方式中，对滤波后的差分干涉图进行相位解缠以获得相位解缠结果图的步骤包括：

识别滤波后的差分干涉图中由于地表形变引起的相位变化；

应用相位解缠算法估计相位变化中隐藏的相位；以及

将估计出的隐藏的相位加到原始相位上，以恢复相位的完整性。

在一个具体实施方式中，采用两轨法获取所述差分干涉图。

在一个具体实施方式中，对所述相位解缠结果图进行目视解译以获得含有采煤沉陷区的图像块作为训练样本数据，包括：

采用ArcGIS软件对所述相位解缠结果图进行目视解译；

在所述相位解缠结果图中手动圈画出采煤沉陷区；

按照512×512的规格对所述相位解缠结果图进行裁剪；

从裁剪出的图像块中挑选出含有采煤沉陷区的图像块作为训练样本数据。

在一个具体实施方式中，还通过准确率、精确率以及平均交并比对所获得的HRNet网络模型的分割性能进行评价。

在一个具体实施方式中，通过下式获取包含矿井的区域的形变：

式中，ΔR为形变量，λ为波长，为形变相位。

第二方面，本公开实施例提供了一种基于HRNet模型的采煤沉陷区提取装置，包括：

目标区域形变信息获取装置，利用SBAS-InSAR技术，对目标区域的SAR影像进行处理以获取目标区域的形变信息；

相位解缠结果图获取装置，利用D-InSAR技术，对包含矿井的区域进行形变监测以获得反映所述区域地表形变情况的相位解缠结果图；

训练样本数据获取装置，对所述相位解缠结果图进行目视解译以获得含有采煤沉陷区的图像块作为训练样本数据；

HRNet网络模型训练装置，利用所述训练样本数据训练HRNet网络模型以获得经训练的HRNet网络模型；以及

采煤沉陷区获取装置，将所述目标区域的形变信息输入所述经训练的HRNet网络模型以获得采煤沉陷区。

本公开实施例中的基于HRNet模型的采煤沉陷区提取方法包括利用SBAS-InSAR技术，对目标区域的SAR影像进行处理以获取目标区域的形变信息；利用D-InSAR技术，对包含矿井的区域进行形变监测以获得反映所述区域地表形变情况的相位解缠结果图；对所述相位解缠结果图进行目视解译以获得含有采煤沉陷区的图像块作为训练样本数据；利用所述训练样本数据训练HRNet网络模型以获得经训练的HRNet网络模型；以及将所述目标区域的形变信息输入所述经训练的HRNet网络模型以获得采煤沉陷区。通过本公开的处理方案，可保持高分辨率特征不受损失，将沉陷区域的细节信息更完整的保留利用，进而提升预测结果的精确度，减少沉陷区漏分类错分类的现。

附图说明

为了更清楚地说明本公开实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本公开的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其它的附图。

图1为本公开实施例提供的基于HRNet模型的采煤沉陷区提取方法的流程示意图；

图2为本公开实施例提供的实验区范围图；

图3为本公开实施例选取的影像数据集的图；

图4为本公开实施例的形变速率结果图；

图5为本公开实施例的D-InSAR技术原理；

图6为本公开实施例生成的解缠图；

图7为本公开实施例的生成的训练数据集的样本标签样的图。

具体实施方式

下面结合附图对本公开实施例进行详细描述。

以下通过特定的具体实例说明本公开的实施方式，本领域技术人员可由本说明书所揭露的内容轻易地了解本公开的其他优点与功效。显然，所描述的实施例仅仅是本公开一部分实施例，而不是全部的实施例。本公开还可以通过另外不同的具体实施方式加以实施或应用，本说明书中的各项细节也可以基于不同观点与应用，在没有背离本公开的精神下进行各种修饰或改变。需说明的是，在不冲突的情况下，以下实施例及实施例中的特征可以相互组合。基于本公开中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本公开保护的范围。

需要说明的是，下文描述在所附权利要求书的范围内的实施例的各种方面。应显而易见，本文中所描述的方面可体现于广泛多种形式中，且本文中所描述的任何特定结构及/或功能仅为说明性的。基于本公开，所属领域的技术人员应了解，本文中所描述的一个方面可与任何其它方面独立地实施，且可以各种方式组合这些方面中的两者或两者以上。举例来说，可使用本文中所阐述的任何数目个方面来实施设备及/或实践方法。另外，可使用除了本文中所阐述的方面中的一或多者之外的其它结构及/或功能性实施此设备及/或实践此方法。

还需要说明的是，以下实施例中所提供的图示仅以示意方式说明本公开的基本构想，图式中仅显示与本公开中有关的组件而非按照实际实施时的组件数目、形状及尺寸绘制，其实际实施时各组件的型态、数量及比例可为一种随意的改变，且其组件布局型态也可能更为复杂。

另外，在以下描述中，提供具体细节是为了便于透彻理解实例。然而，所属领域的技术人员将理解，可在没有这些特定细节的情况下实践所述方面。

对于采煤沉陷区范围的提取，合成孔径雷达干涉测量(InterferometricSynthetic Aperture Radar,InSAR)技术凭借其独特的全天时、全天候监测能力，为煤矿区域提供了高效且精确的形变监测解决方案，可以有效弥补传统测绘方式在应对大范围形变监测时的不足。

短基线集技术(Small Baseline Subset InSAR,SBAS-InSAR)是一种改进的InSAR技术，它结合了小基线集方法和差分干涉技术，通过对多幅合成孔径雷达SAR影像进行处理，该技术可以提供长时间跨度内高精度的地表形变监测和地质变化分析。SBAS-InSAR技术在提取采煤沉陷区时，通常依赖于人工目视对干涉结果影像进行分析与解译。然而，由于目视解译缺乏统一的标准，不同的解译者可能会得出不同的提取结果，这在一定程度上增加了提取采煤沉陷区结果的不确定性和可变性。

D-InSAR(Differential Interferometric Synthetic Aperture Radar)技术是一种差分干涉合成孔径雷达技术，它通过分析两幅或多幅SAR图像的相位差异来测量地表的微小形变。这种技术可以检测到毫米级的形变，因此被广泛应用于地震、火山活动、地面沉降、地壳运动、大型结构健康监测等领域。

D-InSAR技术的基本原理是利用两次或多次不同时间获取的SAR图像，通过干涉测量技术提取出地表在雷达视线方向(LOS)上的形变信息。具体步骤包括影像配准、干涉图生成、噪声滤波、基线估计、平地效应消除、相位解缠、地理编码等。

此外，深度学习技术近年来发展迅速，该技术通过训练能够自动学习样本图像的内在特性，并将这些特性编码为外部特征模型，可以高效地应用于同类型的样本图像，快速准确地实现特征提取、图像识别及分类。

采矿沉陷区域在形变结果影像中呈现碎小且分布零散等空间特征，同时形变结果影像包含的大气残余误差会对沉陷区域识别造成干扰。利用传统卷积神经网络进行矿区沉陷区域识别时存在信息丢失、边缘提取准确度不高、分类结果不理想等问题，易出现感兴趣区错分漏分的现象。由于采矿沉陷区具有明显的块状特征，其上下文语义特征明显，因此对其识别需要特别关注边界信息。

HRNet(High-ResolutionNetwork)网络模型是一种深度学习网络模型，它专为需要高分辨率表征的视觉任务设计，如人体姿态估计、语义分割、目标检测等。HRNet在整个网络的前向传播过程中始终保持高分辨率的特征图，其核心思想在于并行连接高分辨率子网络与低分辨率子网络，这与传统网络主要采用的从高到底的串联方式形成鲜明对比。这种设计使得HRNet网络能够持续保持高分辨率的特征表示，无需额外设计复杂的从低到高的上采样模块，同时也能保持分类任务的精确性。在处理不同尺度分辨率特征时，HRNet巧妙地实现了信息交换，使得网络模型能够充分利用空间位置信息。这一特性在保留分割区域边缘细节方面尤为关键，尤其对于分布零散、形状多变的采煤矿井，HRNet模型特征提取的能力显著提高，为精细的煤矿监测和矿区边界识别提供有力支持。因此，发明一套完善的使用HRNet模型自动对SBAS-InSAR监测结果进行采矿沉陷区边界提取的方法具有重要意义，不仅能解决矿区沉陷区域目视解译标准不统一的问题，更能提升精度的同时提高识别效率。

本发明针对上述采矿沉陷区域边界难以精确提取面临的问题，提出了使用HRNet模型，从SBAS-InSAR影像上提取矿区地表形变范围的方法。此外，申请人还将通过本申请的方法提取的结果与通过SBAS-InSAR技术监测结果地表形变结果作对比，证明方法的可行性。为采矿沉陷范围进行快速精确划定提供数据基础，对沉陷区域风险防范和后续治理提供参考。

本发明的思路是利用卫星数据进行差分干涉测量(DifferentialIntereferometric Synthetic Aperture Radar,D-InSAR)处理获取大量沉降区样本并选择HRNet网络模型进训练。

接下来，参考附图，具体描述本发明的基于HRNet模型的采煤沉陷区提取方法。首先，参考图1，描述本发明的方法，需要说明的是，在图1的左侧是利用SBAS-InSAR技术获取的采煤沉陷区的形变信息，并且图1的右侧是利用D-InSAR技术获取的影像数据训练HRNet模型的过程。在本发明中，利用SBAS-InSAR技术获取的采煤沉陷区的形变信息对HRNet模型输出的形变信息进行评估，这是因为SBAS-InSAR技术获取的采煤沉陷区的形变信息精度高，能够有效评判HRNet模型的精度。

本发明的基于HRNet模型的采煤沉陷区提取方法包括：

S100：获取采煤沉陷区的形变速率结果图(形变信息)。具体地，在本发明中，采用SBAS-InSAR技术，对SAR影像进行精细的干涉处理，从而得出该区域的形变速率结果图。这一结果图为理解地表形变特征的数据基础。

在一个具体的实施例中，例如可以选取山西大同煤矿作为研究对象。本发明的实验区范围如图2所示，利用卫星(例如四维高景二号卫星)拍摄大同市煤矿开采区域的多景时序SAR影像数据进行地表形变监测研究，选取的影像数据集如图3所示。采用SBAS-InSAR技术得到了地表在雷达视线向(Line ofSight,LOS)上的形变速率结果图，形变速率结果图如图4所示。

具体地，利用SBAS-InSAR技术，对采煤沉陷区(目标区域)的SAR影像进行处理以获取采煤沉陷区的形变信息的步骤包括：

S101：获取煤矿开采区域的SAR影像。SAR影像，即合成孔径雷达(SyntheticAperture Radar)影像，是一种利用雷达系统发射和接收微波信号来获取地表图像的技术。SAR影像的获取通常涉及卫星或飞机搭载的SAR设备，通过雷达信号的发射和接收，记录回波信号的时间延迟和强度，然后通过信号处理生成SAR影像。在本发明中，可以通过多景四维高景二号卫星获取SAR影像。

S102：从所获得的SAR影像中选择参考影像，并进行配准和重采样。在SBAS-InSAR技术中，对SAR影像的选择、参考影像的确定、配准和重采样是关键步骤：首先，选择一系列具有小基线的SAR影像，以确保相邻影像间的形变差异较小，从而减少大气和轨道误差的影响；接着，确定一个或多个参考影像，这些影像在整个时间序列中具有较高的相干性，作为基准来减少其他影像与它们的相位差异；然后，进行影像配准，确保所有影像在空间上精确对齐，这通常通过查找参考影像与其他影像之间的匹配点来实现，以补偿可能的几何偏差；最后，对影像进行重采样，以统一所有影像的空间分辨率和像素尺寸，确保干涉测量的准确性。这些步骤共同为后续的干涉图生成、相位解缠和形变分析打下坚实基础。

S103：依据基线阈值组成干涉像对。在SBAS-InSAR技术中，依据基线阈值组成干涉像对的步骤是确保数据质量的关键环节。首先，计算每对SAR影像间的基线距离，这是通过确定两次成像时传感器相对于地表的位置变化来实现的；然后，设定一个基线长度的阈值，通常这个阈值是基于影像获取时间和空间基线的函数，以确保干涉像对之间的时间延迟和空间变化在可接受范围内；接着，根据基线长度和时间间隔，选择满足阈值条件的影像对进行干涉处理，这些影像对的基线较短，能够保证干涉测量的相干性和准确性；最后，通过这种方式形成的干涉像对能够减少大气和轨道误差的影响，提高形变监测的可靠性。这一过程是SBAS-InSAR技术中实现高精度地表形变监测的基础。

S104：生成干涉图。在SBAS-InSAR技术中，在依据基线阈值组成干涉像对之后，生成干涉图的步骤如下：首先，对选定的干涉像对进行影像配准，确保两幅影像在像素级别上精确对齐；然后，利用配准后的影像计算两幅SAR影像的相位差，得到初始干涉图，该干涉图包含了地形相位和可能的形变信息；接着，使用已知的DEM数据去除地形影响，这一步骤称为去平地处理，它通过从干涉图中减去模拟的地形相位来实现；之后，进行多视处理和滤波，以提高干涉图的信噪比和空间分辨率；最后，生成干涉图的相干性图，评估干涉数据的质量，确保后续分析的可靠性。

S104：基于干涉图和外部DEM数据生成相关系数图和差分干涉图。在SBAS-InSAR技术中，基于干涉图和外部DEM数据生成相关系数图和差分干涉图的步骤是：首先，使用外部DEM数据来校正干涉图中的地形相位，通过DEM数据模拟出地形引起的相位变化，并从原始干涉图中减去这部分模拟相位，以消除地形效应，得到主要反映地表形变和大气延迟效应的干涉图；接着，对校正后的干涉图进行相干性分析，计算每个像素点的相干系数，生成相干系数图，该图反映了像素点在两次成像间的信号一致性，高相干系数表明雷达信号稳定，适合进行形变分析；然后，利用相干系数图识别出高相干区域的像素点，对这些像素点进行差分处理，提取出地表形变信息，生成差分干涉图。

另外，还涉及对差分干涉图相位解缠。首先，识别差分干涉图中由于地表形变引起的相位变化，这些变化可能超出了相位的可观测范围(即2π的周期)，导致相位缠绕现象；然后，应用相位解缠算法，如最小费用流、遗传算法或多基线方法等，来估计相位变化中隐藏的整数倍的2π，这一过程需要考虑整个干涉图中的相位连续性和一致性；接着，将估计出的整数倍的2π加到原始相位上，以恢复相位的完整性，解决相位缠绕问题；之后，利用解缠后的相位计算地表形变的精确值，这通常涉及到将相位变化转换为实际的位移或形变速率；最后，生成相位解缠后的差分干涉图，为地表形变的进一步分析和解释提供准确的数据基础。

S105：基于高相干点和相位解缠来利用SVD分解求得线性形变。具体地，首先，从相干系数图中筛选出高相干点，这些点通常对应于地表稳定且雷达散射特性一致的区域，如建筑物角落或岩石表面；然后，对这些高相干点进行相位解缠，以获得连续且无包裹的形变时间序列；接着，收集这些点在多个干涉周期中的相位变化数据，并构建形变矩阵；之后，应用SVD分解技术对形变矩阵进行分解，以提取主要的形变模式和相应的奇异值，这些模式代表了地表形变的线性分量；然后，通过SVD分解结果，识别和分离出与线性形变相关的信号，排除非线性或随机的形变噪声；最后，利用这些线性形变分量来估计整个监测区域的形变趋势和速率，为地表形变分析提供科学依据。这一方法能够有效地从复杂的形变时间序列中提取出稳定的线性形变特征，提高形变监测的准确性和可靠性。

S106：去除形变模型，得到残差相位。在SBAS-InSAR技术中，利用奇异值分解(SVD)求得线性形变模型后，去除该模型并得到残差相位的步骤如下：首先，根据SVD分解得到的线性形变参数，构建一个描述整个监测区域线性形变趋势的数学模型；然后，将这个线性形变模型应用到解缠后的相位数据上，预测出每个像素点在监测时间段内的形变相位；接着，从实际观测到的相位数据中减去预测的线性形变相位，得到残差相位，这些残差相位代表了除去线性形变影响后的地表形变信息，可以是地壳运动、地表沉降或其他非线性形变过程的结果；最后，对残差相位进行进一步分析，以识别和研究区域中的局部形变特征或异常形变事件。

S107：进行时间与空间滤波以获得大气延迟相位和非线性形变。在SBAS-InSAR技术中，在去除形变模型得到残差相位之后，进行时间与空间滤波以获得大气延迟相位和非线性形变的步骤如下：首先，对残差相位数据进行时间序列分析，以识别和分离出与大气条件变化相关的相位延迟，这通常涉及到对时间序列中的周期性或非周期性信号进行建模和滤波；然后，应用空间滤波技术，如高斯滤波或中值滤波，以平滑空间上不连续的噪声和异常值，同时保留地表形变的有用信息；接着，通过时间与空间滤波的结合，提取大气延迟相位，这有助于进一步校正残差相位中的大气效应，提高形变测量的精度；之后，分析滤波后的残差相位，识别出非线性形变信号，这些信号可能与地表的局部地质活动、建筑物施工或其他非系统性因素有关；最后，利用这些经过滤波处理的残差相位数据，进行更深入的地表形变分析，为地质灾害评估、基础设施监测和环境变化研究提供准确的形变信息。

在获得了非线性形变之后，即可人工提取形变信息以用作后续HRNet提取得到的形变信息的比较基础。

以上，描述了通过SBAS-InSAR技术获取采煤沉陷区形变信息的过程。接下来，描述本发明的构建HRNet模型的步骤。

S200：在山西省及其周边包含采煤矿井的区域内，选取大量于秋冬季节采集的干涉像对，因为这一时段采集的数据受天气和植被影响较小，相干性较高。利用D-InSAR技术，对矿区进行形变监测。经过数据处理和分析，获取反映这些矿区地表形变情况的相位解缠结果图。

具体地，利用D-InSAR技术，对矿区进行形变监测以获得反映这些矿区地表形变情况的相位解缠结果图的步骤包括：

S201：选取主影像。在D-InSAR技术中，从SAR影像中选取主影像的步骤是：首先，收集一系列时间上连续的SAR影像数据，这些数据覆盖同一地区，但成像时间不同；然后，根据影像的质量和相干性，选择一个或多个具有高相干性的影像作为主影像，主影像的选择考虑到其在整个时间序列中与其他影像的相干性，以及其在时间序列中的位置，以确保能够捕捉到地表形变的关键时期；接着，对选定的主影像进行预处理，包括影像的聚焦、去噪和可能的几何校正，以确保其作为参考的准确性；此外，主影像的选取还应考虑到其在时间序列中的代表性，以便于与其它影像进行有效的干涉比较，捕捉地表形变的特征；最后，选定的主影像将作为基准，与其它影像配对生成多幅干涉图，为进一步的形变分析和监测提供基础数据。

S202：进行影像配准。在D-InSAR技术中，选取主影像之后进行影像配准的步骤如下：首先，对选定的主影像进行精确的地理编码，确保其具有准确的地理参考；然后，将其他时相的SAR影像与主影像进行配准，这一过程通常涉及图像间的几何和辐射校正，以消除由于地形、传感器视角或雷达波束特性引起的差异；接着，利用图像处理算法，如互相关或特征匹配方法，精确计算并补偿两个影像之间的空间偏差，确保每个像素点在不同影像中对应同一地表位置；此外，可能还需要调整影像的像素大小和方向，以实现最佳的配准效果；最后，配准后的影像将用于生成干涉对，通过计算主影像与其他影像之间的相位差异来提取地表形变信息。

S203：生成干涉图。在D-InSAR技术中，在进行影像配准之后生成干涉图的步骤如下：首先，使用配准后的SAR影像数据，通过精确的干涉处理算法计算主影像与其他时相影像之间的相位差异，这些相位差异包含了地表形变和地形信息；然后，利用外部DEM数据来模拟并去除干涉图中的地形影响，这一步骤称为地形校正，它通过从相位差异中减去DEM数据模拟的地形相位来实现；接着，对校正后的干涉图进行多视处理和滤波，以提高相位的稳定性和干涉图的质量；然后，生成干涉图的相干性图，评估干涉数据的质量和相干性水平，确保选取高相干区域进行分析；最后，通过这些步骤得到的干涉图反映了地表在雷达视线方向(LOS)上的形变信息，为进一步的形变监测和分析提供了基础数据。

S104：生成差分干涉图。生成差分干涉图的步骤与以上步骤S104中生成差分干涉图的方法类似，再次不再赘述。

S105：差分干涉图滤波。在D-InSAR技术中，对差分干涉图进行滤波的步骤如下：首先，识别并分析差分干涉图中的噪声特征，包括相位噪声和可能的斑点状噪声；然后，选择合适的滤波算法，如高斯滤波、中值滤波或自适应滤波等，以平滑噪声并保留有价值的形变信号；接着，应用所选的滤波算法对差分干涉图进行处理，调整滤波参数以平衡噪声抑制和信号保真度，避免过度滤波导致形变信息丢失；之后，评估滤波效果，确保滤波后的干涉图在去除噪声的同时，能够准确反映地表形变特征；最后，利用滤波后的差分干涉图进行后续的相位解缠和形变分析，为获取更加清晰和可靠的地表形变信息提供支持。这一滤波步骤对于提高D-InSAR技术中形变监测的精度和可靠性至关重要。

S106：相位解缠。在D-InSAR技术中，对经过滤波的差分干涉图进行相位解缠的步骤如下：首先，识别滤波后的差分干涉图中由于地表形变引起的相位变化，这些变化可能超出了相位的可观测范围(即2π的周期)，导致相位缠绕现象；然后，应用相位解缠算法，如最小二乘法、区域增长法或遗传算法等，估计相位变化中隐藏的整数倍的2π，这一过程需要考虑整个干涉图中的相位连续性和一致性；接着，将估计出的整数倍的2π加到原始相位上，以恢复相位的完整性，解决相位缠绕问题；之后，验证解缠结果的准确性，通常通过检查解缠后的相位图是否平滑且物理上合理来实现；最后，利用解缠后的相位计算地表形变的精确值，这通常涉及到将相位变化转换为实际的位移或形变速率。这一步骤对于从D-InSAR数据中准确提取地表形变信息至关重要。

术语“相位解缠”是指是信号处理和图像处理中的一个概念，特别是在合成孔径雷达(SAR)成像和干涉SAR(InSAR)中非常关键。在SAR成像中，由于雷达信号的相位信息被量化为离散的比特数，当相位变化超过某个阈值(称为相位包裹或相位跳变)时，会发生相位包裹现象。相位解缠的目标是恢复原始连续的相位信息。

具体地，本发明聚焦于山西省及其周边矿区，选取了大量于秋冬季采集且时空基线较短的干涉像对数据，这些数据受大气和植被影响相对较少，时空基线较短，相干性较高，为获取更精确的地表形变信息提供了有利条件。采用D-InSAR技术对干涉像对数据集经过配准、差分干涉、滤波、相位解缠等处理生成解缠图，生成的解缠图如图6所示。

在本发明中，在构建数据集时使用解缠结果图作为原始数据，这样的选择基于一个关键考量：形变区在解缠后的影像上呈现出显著的颜色信息，这些颜色信息与周围背景形成了鲜明的对比，便于深度学习模型的识别。此外，直接利用解缠后的影像进行采煤沉陷区的提取，可以省去部分InSAR数据处理流程，节省计算与时间成本，使得整个分析过程更加高效。本发明采用的差分干涉信号提取方法是两轨法，这种方法主要依赖形变发生前后获取的两幅SAR影像以及该地区的外部DEM数据。通过差分干涉处理能够准确地获取地面在视线方向LOS上的形变信息。

D-InSAR技术原理如图5所示，图中S1和S2分别表示拍摄主辅影像的卫星传感器，假设卫星两次过境时，地面在LOS向上发生了形变，则地表形变量表示为：

式中，ΔR为地表形变量，λ为波长，为形变相位。

S300：对步骤S200获取的相位解缠结果图逐一进行详细的目视解译工作，旨在精确确定各采煤矿区的具体沉陷区域并进行标记。将已经划定包含沉陷边界的影像块作为数据集，制作用于深度学习的训练样本，用于训练模型以提高对矿区沉陷的识别能力。

在本发明中，可以采用ArcGIS软件对步骤S200得到的解缠结果图进行目视解译，在解缠图中手动圈画出采煤沉陷区域，为了提高模型对样本特征的快速获取，选择512×512规格的单元作为深度学习的训练样本大小并按此规格对解缠图进行裁剪，从裁剪出的图像块中挑选出含有采煤沉陷区的图像块，生成的训练数据集的样本标签样例如图7所示。

S400：在数据集准备就绪后，利用HRNet网络模型进行训练。通过不断调整模型的参数和结构，可以使模型逐渐学习到数据集中的规律和特征，从而能够准确地识别矿区形变区域的边界。完成模型训练后，还需要对制作的样本进行精度评价。使用一部分独立的测试集来评估模型的预测精度，并计算各种评价指标。

在训练HRNet模型时，需要将制作好的数据集划分为训练集、验证集和测试集。训练集用于模型的学习和优化，验证集用于调整超参数和防止过拟合，测试集则用于评估模型的泛化能力。通过多次迭代训练，模型会逐渐学习到数据中的规律和特征，从而能够在新的样本上做出准确的预测。具体而言，采用HRNet模型提取矿区沉陷范围时，利用沉陷区域的样本，建立样本集并训练HRNet网络，得到最优的模型权重，接着利用HRNet模型对影像进行特征提取和分割。HRNet通过多尺度的特征融合和并行卷积网络的设计，能够捕捉到不同尺度的形变信息，从而实现对沉陷区域的精确分割。采用以下的指标对网络模型的分割性能进行评价，分别是准确率、精确率以及平均交并比。

式中，TP(True Positive)为真阳性，指的是在标签中被标记为形变区域，同时分类器的检测结果也正确地识别为形变区域的像元数量。TN(True Negative)为真阴性，指的是在标签中被标记为非形变区域，分类器同样正确地将其识别为非形变区域的像元数量。FP(False Positive)为假阳性，指的是实际上在标签中为非形变区域，但分类器错误地将其识别为形变区域的像元数量。FN(False Negative)为假阴性，指的是标签中明确标记为形变区域，但分类器未能正确识别出来，错误地将其判断为非形变区域的像元数量。

S500：对使用步骤S100中通过SBAS-InSAR技术生成的形变速率图进行人工目视解译提取采煤沉陷区的结果。接着将通过HRNet模型提取的采煤沉陷区的具体边界信息叠加到人工解译的形变速率图上，并将结果与目视解译的地表形变结果作对比，证明本发明方法的可行性以及更全面地分析和理解采煤沉陷区的分布情况。

此外，本发明还提供了一种基于HRNet模型的采煤沉陷区提取装置，该装置包括：

目标区域形变信息获取装置，利用SBAS-InSAR技术，对目标区域的SAR影像进行处理以获取目标区域的形变信息；

相位解缠结果图获取装置，利用D-InSAR技术，对包含矿井的区域进行形变监测以获得反映所述区域地表形变情况的相位解缠结果图；

训练样本数据获取装置，对所述相位解缠结果图进行目视解译以获得含有采煤沉陷区的图像块作为训练样本数据；

HRNet网络模型训练装置，利用所述训练样本数据训练HRNet网络模型以获得经训练的HRNet网络模型；以及

采煤沉陷区获取装置，将所述目标区域的形变信息输入所述经训练的HRNet网络模型以获得采煤沉陷区。

本发明的基于HRNet模型的采煤沉陷区提取装置的各个零部件及其功能在以上已经参考附图进行了描述，在此不再赘述。

本发明使用HRNet模型的深度学习方法自动提取利用SBAS-InSAR技术获取形变速率结果影像上采煤沉陷区的方法，可以有效解决采矿沉陷区域目视解译标准不统一的问题。

本发明使用HRNet模型在训练过程中可保持高分辨率特征不受损失，将沉陷区域的细节信息更完整的保留利用，进而提升预测结果的精确度，减少沉陷区漏分类错分类的现象。

本发明使用HRNet模型可以高效地对采煤沉陷区进行识别与分类，节约时间与人力成本。

以上所述，仅为本公开的具体实施方式，但本公开的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本公开揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本公开的保护范围之内。因此，本公开的保护范围应以权利要求的保护范围为准。

Claims (10)

1.一种基于HRNet模型的采煤沉陷区提取方法，其特征在于，包括：

利用SBAS-InSAR技术，对目标区域的SAR影像进行处理以获取目标区域的形变信息；

利用D-InSAR技术，对包含矿井的区域进行形变监测以获得反映所述区域地表形变情况的相位解缠结果图；

对所述相位解缠结果图进行目视解译以获得含有采煤沉陷区的图像块作为训练样本数据；

利用所述训练样本数据训练HRNet网络模型以获得经训练的HRNet网络模型；以及

将所述目标区域的形变信息输入所述经训练的HRNet网络模型以获得采煤沉陷区。

2.根据权利要求1所述的基于HRNet模型的采煤沉陷区提取方法，其特征在于，所述方法还包括对所述目标区域的形变信息进行人工解译，并对经过人工解译的形变信息与通过HRNet网络模型所获得的采煤沉陷区进行比较。

3.根据权利要求1所述的基于HRNet模型的采煤沉陷区提取方法，其特征在于，选取于秋冬季节采集的干涉像对来对包含矿井的区域进行形变监测。

4.根据权利要求1所述的基于HRNet模型的采煤沉陷区提取方法，其特征在于，所述利用D-InSAR技术，对包含矿井的区域进行形变监测以获得反映所述区域地表形变情况的相位解缠结果图的步骤包括：

从SAR影像中选取主影像；

将其他时时相的SAR影像与所述主影像进行影像配准；

基于外部DEM数据和配准后的SAR影像数据生成干涉图；

基于干涉图生成差分干涉图，并对所述差分干涉图进行滤波，并对滤波后的差分干涉图进行相位解缠以获得相位解缠结果图。

5.根据权利要求4所述的基于HRNet模型的采煤沉陷区提取方法，其特征在于，对滤波后的差分干涉图进行相位解缠以获得相位解缠结果图的步骤包括：

识别滤波后的差分干涉图中由于地表形变引起的相位变化；

应用相位解缠算法估计相位变化中隐藏的相位；以及

将估计出的隐藏的相位加到原始相位上，以恢复相位的完整性。

6.根据权利要求4所述的基于HRNet模型的采煤沉陷区提取方法，其特征在于，采用两轨法获取所述差分干涉图。

7.根据权利要求1所述的基于HRNet模型的采煤沉陷区提取方法，其特征在于，对所述相位解缠结果图进行目视解译以获得含有采煤沉陷区的图像块作为训练样本数据，包括：

采用ArcGIS软件对所述相位解缠结果图进行目视解译；

在所述相位解缠结果图中手动圈画出采煤沉陷区；

按照512×512的规格对所述相位解缠结果图进行裁剪；

从裁剪出的图像块中挑选出含有采煤沉陷区的图像块作为训练样本数据。

8.根据权利要求7所述的基于HRNet模型的采煤沉陷区提取方法，其特征在于，还通过准确率、精确率以及平均交并比对所获得的HRNet网络模型的分割性能进行评价。

9.根据权利要求1所述的基于HRNet模型的采煤沉陷区提取方法，其特征在于，通过下式获取包含矿井的区域的形变：

式中，ΔR为形变量，λ为波长，为形变相位。

10.一种基于HRNet模型的采煤沉陷区提取装置，其特征在于，包括：

目标区域形变信息获取装置，利用SBAS-InSAR技术，对目标区域的SAR影像进行处理以获取目标区域的形变信息；

相位解缠结果图获取装置，利用D-InSAR技术，对包含矿井的区域进行形变监测以获得反映所述区域地表形变情况的相位解缠结果图；

训练样本数据获取装置，对所述相位解缠结果图进行目视解译以获得含有采煤沉陷区的图像块作为训练样本数据；

HRNet网络模型训练装置，利用所述训练样本数据训练HRNet网络模型以获得经训练的HRNet网络模型；以及

采煤沉陷区获取装置，将所述目标区域的形变信息输入所述经训练的HRNet网络模型以获得采煤沉陷区。