1.一种基于D‑LinkNet的无迹卡尔曼滤波相位解缠方法，其特征在于，包括以下步骤：S1、构建D‑LinkNet网络模型，并对所述D‑LinkNet网络模型进行改进，得到改进的D‑LinkNet网络模型；

S2、根据不同地形地貌的SRTM获取缠绕干涉相位和真实相位梯度模糊系数，并对所述缠绕干涉相位进行加噪；

S3、将加噪的缠绕干涉相位作为改进的D‑LinkNet网络模型的输入数据样本，将所述真实相位梯度模糊系数作为改进的D‑LinkNet网络模型的输出数据样本，以对所述改进的D‑LinkNet网络模型进行训练；

S4、基于训练好的改进D‑LinkNet网络模型，得到梯度模糊系数；并结合小窗口中值滤波得到距离/方位向相位梯度估计值；

S5、基于所述S4，建立无迹卡尔曼滤波相位解缠的状态方程及观测方程，并结合最大堆排序解缠策略对干涉相位图进行逐个相位展开，得到最终的解缠相位值。

2.根据权利要求1所述的基于D‑LinkNet的无迹卡尔曼滤波相位解缠方法，其特征在于，所述改进的D‑LinkNet网络模型是在所述D‑LinkNet网络模型的编码器中去掉一层网络，同时在中间层中也去掉一层网络，解码器不变。

3.根据权利要求1所述的基于D‑LinkNet的无迹卡尔曼滤波相位解缠方法，其特征在于，所述S2包括：

S2.1、根据不同地形地貌特征，获取不同地形的SRTM；

S2.2、对所述SRTM进行缠绕干涉相位模拟，得到缠绕干涉相位；

S2.3、对所述缠绕干涉相位进行加噪处理，得到加噪的缠绕干涉相位；

S2.4、对未加噪声的缠绕干涉相位进行距离或方向位做差，并通过相位连续性假设得到真实相位梯度模糊系数。

4.根据权利要求3所述的基于D‑LinkNet的无迹卡尔曼滤波相位解缠方法，其特征在于，所述加噪处理的噪声为超几何分布噪声。

5.根据权利要求3所述的基于D‑LinkNet的无迹卡尔曼滤波相位解缠方法，其特征在于，所述S3包括：

S3.1、对加噪的缠绕干涉相位进行特征提取，得到加噪的缠绕干涉相位特征图；然后将所述加噪的缠绕干涉相位特征图分割成大小为256×256的图片，并将分割后的缠绕干涉相位特征图作为改进D‑LinkNet网络模型训练的输入数据集；

S3.2、将未加噪声的真实相位梯度模糊系数进行特征提取，得到未加噪声的真实相位梯度模糊系数特征图；然后将所述未加噪声的真实相位梯度模糊系数特征图割成大小为

256×256的图片，并将分割后的真实相位梯度模糊系数特征图作为改进D‑LinkNet网络模型训练的输出数据集。

6.根据权利要求3所述的基于D‑LinkNet的无迹卡尔曼滤波相位解缠方法，其特征在于，所述S4包括：

基于训练好的改进D‑LinkNet网络模型，获取梯度模糊系数，结合小窗口中值滤波得到距离/方位向相位梯度估计值，其表达式为：式中， 和 分别为 像素点到 像素点的距离/方位向的相位梯度估计值； 和 分别为 像素点到 像素点的距离/方位向的缠绕相位梯度值， 和 分别为由改进D‑LinkNet估计的 像素点到 像素点的距离/方位向的相位梯度模糊系数值。

7.根据权利要求6所述的基于D‑LinkNet的无迹卡尔曼滤波相位解缠方法，其特征在于，所述距离/方位向相位梯度估计值采用窗口大小为5×5的中值滤波器进行滤波。

8.根据权利要求5所述的基于D‑LinkNet的无迹卡尔曼滤波相位解缠方法，其特征在于，所述S5包括：

S5.1、基于所述S4，建立无迹卡尔曼滤波相位解缠的状态方程及观测方程，得到像素点的解缠相位和观测系数的观测值；

S5.2、基于所述S5.1，对所述状态方程进行更新，得到采样点的预测值、解缠相位的第一步预测值和相应误差协方差阵；

S5.3、基于所述S5.1 S5.2，得到所述观测值及所述相应误差协方差阵的预测值；

~

S5.4、对像素点重新赋值，并重复所述S5.1 S5.3，得到最终的解缠相位值。

~