InSAR-DLPU

github2023-12-23 更新2024-05-31 收录

干涉合成孔径雷达

深度学习

数据链接：

https://github.com/zhoulifan/InSAR-DLPU 数据链接链接失效反馈

官方服务：

资源简介：

我们提供了一个包含31,100对缠绕和绝对相位图像补丁的大型多样性基准数据集，以支持合成孔径雷达干涉测量（InSAR）信号处理中相位解缠（PU）技术的深度学习（DL）研究。该数据集简称为InSAR-DLPU。为了训练和验证，我们从覆盖全中国的SRTM DEM数据库生成的1,000张绝对相位图像（3,000 * 3,000像素）中裁剪出256 * 256像素区域，创建了30,000对模拟的缠绕和绝对相位图像补丁用于训练，以及1,000对用于测试。此外，还提供了100对真实的TanDEM-X干涉图及其绝对相位图像补丁，以检验基于DL的PU方法的泛化能力。基于此数据集，我们可以广泛验证和比较现有的深度卷积神经网络（DCNNs）。我们已经公开了InSAR-DLPU，为支持InSAR应用中基于DL的PU研究（如地形测绘和变形监测）提供了重要资源。

We present a large-scale diverse benchmark dataset containing 31,100 pairs of wrapped and absolute phase image patches to support deep learning (DL) research on phase unwrapping (PU) techniques in synthetic aperture radar interferometry (InSAR) signal processing. This dataset is abbreviated as InSAR-DLPU. For training and validation, we cropped 256×256 pixel patches from 1,000 absolute phase images (3,000×3,000 pixels each) generated from the SRTM DEM database covering the entire China, and created 30,000 pairs of simulated wrapped and absolute phase image patches for training, and 1,000 pairs for testing. In addition, 100 pairs of real TanDEM-X interferograms and their corresponding absolute phase image patches are provided to evaluate the generalization capability of DL-based PU methods. Based on this dataset, we can extensively validate and compare existing deep convolutional neural networks (DCNNs). We have made InSAR-DLPU publicly available, serving as a critical resource to support DL-based PU research in InSAR applications such as topographic mapping and deformation monitoring.

创建时间：

2023-12-23

原始信息汇总

数据集概述

数据集名称

InSAR-DLPU

数据集描述

InSAR-DLPU 是一个用于深度学习（DL）研究的基准数据集，专注于合成孔径雷达干涉测量（InSAR）中的相位解缠（PU）技术。该数据集包含31,100对包裹和绝对相位图像块，旨在支持深度学习方法的研究和验证。

数据集内容

训练数据：从1,000张3,000×3,000像素的绝对相位图像中裁剪出256×256像素的区域，生成30,000对模拟的包裹和绝对相位图像块。
测试数据：1,000对模拟的包裹和绝对相位图像块，用于测试。
真实数据：100对来自TanDEM-X的干涉图及其绝对相位图像块，用于评估深度学习方法的泛化能力。

数据集结构

训练数据：
- train_wrapped：包裹相位数据，文件名为000001.mat至030000.mat。
- train_absolute：绝对相位数据（真实值），文件名为000001.mat至030000.mat。
测试数据：
- test_wrapped：包裹相位数据，文件名为000001.mat至001000.mat。
- test_absolute：绝对相位数据（真实值），文件名为000001.mat至001000.mat。
真实测试数据：
- test_wrapped_real：包裹相位数据，文件名为000001.mat至000100.mat。
- test_absolute_real：绝对相位数据（真实值），文件名为000001.mat至000100.mat。

数据集格式

数据集以MATLAB兼容的.mat文件格式存储，同时提供彩色渲染的PNG图像以便快速查看。

数据集访问

数据集存储于百度网盘，访问链接为https://pan.baidu.com/s/1UHLmMfnm55gH5B4YeWgtJg，访问码为oej2。

搜集汇总

数据集介绍

构建方式

在合成孔径雷达干涉测量（InSAR）信号处理领域，InSAR-DLPU数据集通过从SRTM DEM数据库生成的1,000幅3,000 * 3,000像素的真实地形数据中裁剪出256 * 256像素的区域，构建了31,100对包裹相位和绝对相位的图像块。其中，30,000对用于训练，1,000对用于测试，另外还提供了100对真实的TanDEM-X干涉图及其绝对相位图像块，以评估深度学习（DL）相位解缠方法的泛化能力。

特点

InSAR-DLPU数据集具有大规模和多样性的特点，涵盖了中国全境的地形数据，且包含模拟和真实数据，能够有效支持深度学习在相位解缠技术中的应用。数据集以MATLAB兼容的.mat文件格式存储，并提供了彩色渲染的PNG图像，便于快速查看。此外，数据集的结构清晰，分为训练和测试两部分，且包含模拟和真实数据，便于研究人员进行不同层次的实验和验证。

使用方法

InSAR-DLPU数据集可用于训练和验证深度卷积神经网络（DCNNs）在相位解缠中的应用。用户可以通过访问百度网盘下载数据集，并根据提供的文件结构进行数据加载和处理。训练数据包括包裹相位和绝对相位，分别存储在train_wrapped和train_absolute文件夹中，测试数据则分别存储在test_wrapped和test_absolute文件夹中。此外，test_wrapped_real和test_absolute_real文件夹中提供了真实的TanDEM-X数据，用于评估模型的泛化能力。

背景与挑战

背景概述

InSAR-DLPU数据集是由一支专注于合成孔径雷达干涉测量（InSAR）信号处理的研究团队创建的，旨在支持基于深度学习的相位解缠（PU）技术研究。该数据集包含了31,100对包裹相位和绝对相位的图像块，这些图像块是从覆盖中国全境的1,000张绝对相位图像中裁剪出来的，每张图像大小为3,000 * 3,000像素，源自SRTM DEM数据库。此外，数据集还包含了100对来自TanDEM-X的真实干涉图及其绝对相位图像块，以测试深度学习方法的泛化能力。InSAR-DLPU数据集的发布为地形测绘和形变监测等InSAR应用领域的研究提供了重要的资源，推动了深度卷积神经网络（DCNNs）在相位解缠技术中的广泛验证与比较。

当前挑战

InSAR-DLPU数据集在构建过程中面临了多个挑战。首先，如何从大规模的真实世界地形数据中高效地生成高质量的训练和测试样本是一个关键问题。其次，确保数据集的多样性和代表性，以覆盖不同地形和环境条件，是提高深度学习模型泛化能力的重要挑战。此外，处理和存储大量高分辨率图像数据，以及确保数据集在不同计算环境下的兼容性和易用性，也是构建过程中需要克服的技术难题。在应用层面，如何利用该数据集有效提升相位解缠算法的精度和效率，以及如何将这些算法成功应用于实际的InSAR任务中，仍然是研究人员需要解决的实际问题。

常用场景

经典使用场景

InSAR-DLPU数据集在合成孔径雷达干涉测量（InSAR）信号处理领域中，主要用于深度学习（DL）技术在相位解缠（PU）中的应用研究。该数据集包含了31,100对包裹相位和绝对相位的图像块，这些图像块是从覆盖中国全境的真实地形数据中裁剪出来的，特别适用于训练和验证基于深度卷积神经网络（DCNNs）的相位解缠算法。通过使用这些数据，研究者可以有效地评估和比较现有的深度学习模型在相位解缠任务中的性能。

衍生相关工作

InSAR-DLPU数据集的发布，催生了一系列基于深度学习的相位解缠研究工作。许多研究者利用该数据集训练和验证了不同的深度卷积神经网络模型，提出了多种改进的相位解缠算法，显著提升了相位解缠的精度和效率。此外，该数据集还激发了在InSAR信号处理中应用其他深度学习技术的研究，如图像去噪、特征提取等，推动了InSAR技术与深度学习的深度融合，为遥感领域的技术创新提供了新的思路和方法。

数据集最近研究