干涉测量合成孔径雷达(InSAR)是一种广泛应用于大地测量的先进雷达遥感技术，主要用于地形重建和地表形变估计。该技术在过去三十年里发展迅速，其中发展最快的一个研究方向便是相位解缠(PU)，它是一种从缠绕的观测相位中恢复出能够直接反映目标物理特性的绝对相位(即消除2π模糊度)的技术，是干涉合成孔径雷达信号处理中最关键的步骤之一，决定了地形重建和地表形变产品的最终质量。而人工智能则是计算机学科的一个分支，二十世纪七十年代以来一直被称为世界三大尖端技术之一，近三十年来也获得了迅速的发展，在很多学科领域都得到了广泛的应用，并取得了很多丰硕的成果。因而，如何将人工智能技术引入到相位解缠算法中便成为近年来干涉合成孔径雷达领域的一个热点研究方向。

　　传统的单基线相位解缠(SBPU，也称为传统二维PU)是一个不适定的逆问题。这意味着无论PU算法设计者多么熟练，都不可能设计出能够正确处理每一种情况的PU算法，即对于任何给定的SBPU方法，我们总能在多项式时间内生成其不可解的输入缠绕干涉相位。因此，我们只是从统计学的意义上来说能够设计出最好的SBPU算法，而无法做到使设计出的SBPU算法对每一幅干涉图来说都是最佳的。在这种情况下，从不同的研究案例中积累SBPU处理经验对算法设计具有重要意义。而人工智能技术(尤其是深度学习技术)为我们积累数据处理经验提供了一个潜在的框架，大量来自不同InSAR传感器的有价值数据使得基于深度学习技术的相位解缠方法能够超越传统的基于模型的相位解缠方法。

　　基于人工智能的SBPU方法大致可以分为以下两类：使用AI的路径跟踪PU和使用AI的全局PU，它们具有完全不同的PU机制和策略。基于AI的路径跟踪PU技术将SBPU视为一个局部积分问题，在许多工作中显示出非常具有应用前景的结果。基于路径跟踪PU中的两个成熟概念(残差点和枝切线)，使用AI的路径跟踪PU方法又可以分为两类：基于AI的残差点估计和基于AI的枝切线放置。第一次尝试利用AI进行残差估计是Schwartzkopf等人在2000年初提出的一种用于检测相位梯度信息的神经网络中。然而，从那时起，近20年来再没有任何关于使用神经网络进行相位梯度估计的研究。一直到2020年，终于又有研究者提出了一种用于相位梯度估计的深度卷积神经网络(DCNNs)—相位梯度神经网络(PGNet)[1]，如图1所示，该网络将相位梯度的估计问题转化为根

　　图1 PGNet架构

       其中，输入为缠绕干涉相位数据，输出为垂直相位梯度和水平相位梯度数据，Conv为卷积层， BN为批量归一化层，ReLu为线性修正单元。

　　据残差点的极性(即0、+1和-1)对干涉图进行分类的图像分割问题，使用两个DCNNs预测垂直方向和水平方向的相位梯度。还有研究人员提出一种类似的相位梯度识别方法，同时将相干系数图也输入到神经网络中，从而为神经网络提供了关于是否存在残差点的局部指示信号。基于AI的枝切线放置则分两个步骤进行处理：第一个步骤叫预处理，在该阶段，系统首先根据残差点的分布情况提取干涉图的聚类特征，然后通过平铺策略获得聚类后的各子干涉图，最后便可以将它们彼此独立地进行处理;在第二个步骤中，早期人们使用传统的人工智能技术来解决枝切线的放置问题，例如遗传算法、模拟退火算法和蚁群算法等。其中一些方法是鲁棒的，但是它们有沉重的计算负担。最近有研究者提出一种基于深度学习的枝切线放置方法，该方法将残差点平衡问题转化为语义分割问题，即枝切网络(BCNet)问题。这些使用AI的路径跟踪PU方法都存在一个局限，那就是它们只是应用人工智能技术来辅助相位解缠过程链中的某个主要步骤，例如PGNet仅用于相位梯度估计，而BCNet仅用于枝切线放置。有鉴于此，人们又提出了第二种智能SBPU方法：基于AI的全局PU法。该方法的发展也经历了两个阶段，第一阶段的方法基于全局优化，通过使用类似于传统最小范数PU法的AI技术来最小化能量函数，从而使解缠相位图像与缠绕相位图像相拟合。在第二阶段，人们直接利用深度学习框架将输入的缠绕干涉相位图转换为解缠相位。从处理步骤数来看，使用深度学习技术的全局PU方法大致可以分为两组：基于AI的一步PU法和两步PU法。基于AI的一步PU法的基本思想是设计一个离散余弦神经网络，该网络可以通过回归直接从缠绕的干涉图中导出解缠相位，但该方法的缺点是有可能会对输入的相位条纹进行破坏性地过度滤波。两步PU法则将相位解缠问题转化为第一个步骤的语义分割问题和第二个步骤的相位跳变像素的校正问题。与基于AI的一步PU方法相比，该方法的主要优点是通过后处理可以准确保证条纹一致性。但该方法也存在缺点，那就是不能利用传统PU方法中的质量图，且不适合直接处理大尺寸干涉图。

　　多基线相位解缠(MBPU)则是一种利用同一场景的多幅干涉图恢复出唯一的绝对相位的先进技术，从而将传统的SBPU问题从不适定问题细化为了适定问题。然而，由于MBPU方法的数学理论基础为中国剩余定理，且没有充分利用像素的邻域信息，因而噪声鲁棒性不强，在实际应用的过程中往往很难得到理想的PU结果。而人工智能技术和机器学习算法则可以同时获得数百万幅带噪声和不带噪声的干涉图像，能够通过自主学习了解什么是噪声以及如何最好地消除噪声，从而很好地解决MBPU中遇到的噪声鲁棒性不强的问题。在这种情况下，一些研究人员开始利用人工智能技术和机器学习方法来提高MBPU的噪声鲁棒性。

　　早期使用机器学习技术的MBPU方法大致可以分为三类：最大似然法(ML)、最大后验法(MAP)和聚类分析法(CA)。后来基于AI的无监督策略被应用于MBPU模型，该模型既不需要任何训练图像，也不需要预先给出相应的地面真实数据。在这种情况下，基于人工智能的MBPU可以有效地省去建立复杂的训练数据集和产生接近实时的预测结果的麻烦工作，而无需任何离线训练过程。然而，一般来说，没有训练数据集帮助的干涉图中基于AI的机器学习策略的学习精度和可信度要低于有训练数据帮助的基于AI的机器学习策略的学习精度和可信度。此外，基于AI的MBPU方法的性能与干涉合成孔径雷达系统中标准基线长度的选择直接相关，这类似于传统的基于模型的SBPU方法。因此，为了保持最佳解缠结果，在基于AI的MBPU方法中，仍然需要考虑最佳基线的设计问题。

　　综上所述，目前人工智能相位解缠的研究成果令人鼓舞，前景广阔，然而基于AI的PU的一些研究领域相对不成熟，有望在未来几年实现快速发展。

　　[1] Zhou L , Yu H , Lan Y . Deep Convolutional Neural Network-Based Robust Phase Gradient Estimation for Two-Dimensional Phase Unwrapping Using SAR Interferograms[J]. IEEE Transactions on Geoscience and Remote Sensing, 2020, 58(7): 4653–4665.