CN107516317B - 一种基于深度卷积神经网络的sar影像海冰分类方法 - Google Patents

一种基于深度卷积神经网络的sar影像海冰分类方法 Download PDF

Info

Publication number
CN107516317B
CN107516317B CN201710710878.8A CN201710710878A CN107516317B CN 107516317 B CN107516317 B CN 107516317B CN 201710710878 A CN201710710878 A CN 201710710878A CN 107516317 B CN107516317 B CN 107516317B
Authority
CN
China
Prior art keywords
sea ice
neural network
convolutional neural
sar image
layer
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN201710710878.8A
Other languages
English (en)
Other versions
CN107516317A (zh
Inventor
黄冬梅
宋巍
李明慧
杜艳玲
贺琪
郑小罗
李瑶
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shanghai Ocean University
Original Assignee
Shanghai Ocean University
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Shanghai Ocean University filed Critical Shanghai Ocean University
Priority to CN201710710878.8A priority Critical patent/CN107516317B/zh
Publication of CN107516317A publication Critical patent/CN107516317A/zh
Application granted granted Critical
Publication of CN107516317B publication Critical patent/CN107516317B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/11—Region-based segmentation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10032—Satellite or aerial image; Remote sensing
    • G06T2207/10044—Radar image
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20081—Training; Learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30181—Earth observation

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Computation (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Image Analysis (AREA)

Abstract

本发明涉及一种基于深度卷积神经网络的SAR影像海冰分类方法，包括以下步骤：S01：将已有的海冰SAR影像进行分割；S02：进行数据预处理；S03：进行模型训练并建立模型；S04：对待分类的海冰SAR影像进行处理；S05：将分类结果进行合并。其优点在于，该方法构建的卷积神经网络模型能够实现基于图像的特征自动提取，无需人手动过多干预；是一种针对SAR影像海冰端到端的分类方法，可以达到海冰监测的业务化水平、满足海上作业人员的实时性要求；模型依赖大量的标记样本可以自动提取图像特征，不必依赖专家知识；利用随机梯度下降法加速收敛，并根据损失函数和准确率判断模型训练的好坏；利用规范化处理解决网络参数优化反向传播中的梯度消失或梯度扩散问题。

Description

一种基于深度卷积神经网络的SAR影像海冰分类方法
技术领域
本发明涉及海冰监测技术领域，具体地说，是一种基于深度卷积神经网络的SAR影像海冰分类方法。
背景技术
世界大洋约有3～4％的面积被海冰覆盖，一方面海冰可以对全球气候、热量平衡、水量平衡有重要影响；另一方面海冰对船舶航行、海底采矿及极地海洋考察等形成严重障碍，甚至造成特大灾害，所以各个国家都对海冰进行了密切的监测。
目前海冰监测的主要任务是利用海冰图像来创建能够表明不同类型的海冰地理分布的位图即海冰解译,包括反演海冰的类型、海冰面积、海冰最大边缘线、海冰的密集度等一系列信息。其中海冰图像的分类是将所有的图像像素按照特征分别标记为不同海冰类型的过程。基于海冰分类识别结果,联系实际的地理信息获取不同海冰类型像素的数量,可以得出海冰的面积；将面向海洋一侧最外缘的像素点相连,即可提取出海冰的边缘线；通过把海冰的面积除以海域总面积,即可得到海冰的密集度信息。因此,海冰面积、海冰最大边缘线以及海冰的密集度等信息都可由海冰分类识别衍生而来。
海冰监测的方法有目测法、器测法和遥测法。目测法是海冰监测传统的基本观测方法。这种方法是根据海冰观测规范规定，依靠观测员的眼睛和经验进行观测，如冰量、流冰密集度，流冰冰状、固定冰状等；器测法是海冰监测的重要方法。器测法是同目测法相结合的方法，主要借助工具和仪器，依靠观测员的操作和读数据，如冰厚、冰温、冰密度，堆集高度等；遥测法是应用现代科学技术建立的先进方法。这种方法可以完全依赖仪器本身进行观测，如利用卫星能及时、同步、大范围观测海冰，根据海冰卫星图片能直观地一目了然地展示海冰的分布情况。然而由于海冰形成的特殊环境，给海冰目测法和器测法的实施带来了一定的成本和风险，使得海冰监测无法达到实时性处理和业务化监测水平。21世纪来,随着遥感技术的快速发展与进步,越来越多的高分辨率数据将被用于海冰监测。目前,常用于海冰监测的多源微波遥感数据类型主要有微波福射计、散射计和SAR,如AMSR-E辐射计,QuickSCAT散射计,增强型QS散射计,SSM/I散射计数据,机载NASA AIRSAR数据,RADARSAT,ENVISAT ASAR,ALOS-PALSAR,ERS和SENTINEL-l数据等系列的星载SAR数据。由于光学和红外遥感卫星对云层,日照条件,雾等天气因素非常敏感,冬季海洋上空的云雾通常较多,阳光相对较少,而且海冰快速变化的海域,水汽较大,雾和云层会在大约70％的时间内影响冰缘线区域的海冰监测,此时光学和红外遥感卫星数据无法对海冰实现全天时,全天候的监测,相比之下,SAR作为一种主动式有源微波传感器,因其具有全天候,全天时提供多极化,多波段、良好的距离和方位向分辨率的高分辨率遥感数据的能力,使得SAR数据在海冰监测和预报方面具有举足轻重的地位。
目前SAR影像海冰分类方法主要有两个方面：1.基于物理特性的海冰分类；2.基于图像特征的海冰分类。
基于物理特性的海冰分类方法是指合成孔径雷达发射电磁波照射海面,在海面发生反射、透射、折射和吸收,通过接收到不同的后向散射强度来区分海冰和海水。合成孔径雷达是微波成像雷达,它的图像不仅与地物的介电常数有关,还与地物的表面粗糙度有关。海水、海冰表面粗糙有着很大的差异,所以从合成孔径雷达图像上能将海水、海冰区分开来。海冰的厚度、分布形态、成冰时间长短都会影响到海冰的表面介电常数和粗糙度,根据它们的波谱特征可以将它们区分开。
基于图像特征的海冰分类方法是指不同物体在图像上表现出不同的颜色、纹理、形状特点，根据这些不同得到目标分类结果。而不同海冰类型在SAR影像上的表现主要是颜色和纹理的不同。如海水、灰冰、灰白冰、白冰在SAR影像上有一定的颜色灰度值差异，而新冰、薄一年冰、中等厚度一年冰、厚一年冰对船舶远洋航行的航迹规划具有重要作用，只能从SAR影像的纹理特征上加以区分。一般主要的着手点是先进行图像分割，然后提取特征进入分类器进行海冰分类。常见的图像分割方法有马尔科夫模型、分水岭算法、K-means、最大期望值(EM)算法等。
这些方法可以完成SAR影像的海冰分类，但是基于物理特性的海冰分类需要物理专业知识背景，原理不易理解；基于图像特性的海冰分类则需要专家先验知识，人工设计提取特征，不易于信息时代的智能化处理。深度学习的概念是2006年Hinton等人发表在Science上的一篇论文提出，在2012年ImageNet图像分类大赛中的优异表现而受到广泛关注，深度学习技术在近年来由于计算机性能的提高和大数据时代环境下得到了广泛应用。
我国现有海冰监测方法有目测法、器测法和遥测法，由于海冰所处的极端环境，给目测法和器测法海冰监测带来了一定的风险和成本。合成孔径雷达(SAR)由于可实施性强、低成本优势成为现在海冰监测的主要工具。现有的针对SAR影像海冰分类方法主要从两个角度：1.海冰物理特性及SAR卫星成像原理角度，需要一定的专业知识，理论性强；2.图像特征角度，需要专家知识来设计特征进行作为分类依据，人为参与过多。
中国发明专利CN201310633797.4，公开日为2015.06.03，公开了一种卷积神经网络和基于卷积神经网络的目标物体监测方法，所述卷积神经网络包括：特征提取层、部位检测层、形变处理层、遮挡处理层和分类器，本发明实施例提供的卷积神经网络，联合了优化特征提取、部位检测、形变处理、遮挡处理和分类器学习，通过形变处理层使得卷积神经网络能够学习目标物体的形变，并且形变学习和遮挡处理进行交互，这种交互能提高分类器根据所学习到的特征分辨目标物体和非目标物体的能力。但是该方法是属于对图像的目标识别问题，而SAR影像海冰分类属于海洋弱特征提取，在图像中并无具体的目标，所以基于目标识别的网络在此并不适用。
中国发明专利CN201510457010.2，公开日为2015.07.29，公开了一种基于卷积神经网络的服装分类方法，包括以下步骤：获取服装图像样本，并分为训练样本和测试样本；对训练样本和测试样本进行预处理；构建卷积神经网络模型；利用预处理后的训练样本对卷积神经网络模型进行前向传播和后向传播两个阶段的训练，当后向传播训练计算出的误差达到期望值时，训练结束，并得到卷积神经网络模型的参数；利用训练结束的卷积神经网络模型对预处理后的测试样本进行测试，并输出最终服装分类结果。本发明设计的卷积神经网络框架可以把服装图像直接作为网络的输入，隐式地对图像的特征进行提取，建立全局的特征表达，相比于人工设计的特征提取更加方便和精确，解决了现有算法对衣服分类准确率低的问题。但是这种方法训练的图像都是常见的RGB图像，分类对象在图像上表现出明显的颜色、形状差异，所以训练的网络复杂程度低，无法准确用于SAR影像，对于SAR影像的海冰分类误差较大，分类效果差。
中国发明专利CN201610512912.6，公开日为2016.12.07，公开了一种基于条带波与卷积神经网络的极化SAR图像的分类方法，具体步骤如下：(1)输入极化SAR图像；(2)提取泡利分解特征；(3)构建特征矩阵；(4)选取训练样本和测试样本；(5)构建初始矩阵；(6)初始化卷积神经网络；(7)训练卷积神经网络；(8)测试卷积神经网络；(9)上色；(10)输出分类结果图。本发明与现有技术相比，有效地提高了极化SAR图像的分类精度。该方法解决的是SAR图像分类精度较低的问题。但是该方法主要针对一般的SAR影像分类，并且在利用卷积神经网络训练之前需要对训练样本进行人工干预较多的处理，如提取泡利分解特征、构建特征矩阵。该特征提取时间花销大而且并不能提高SAR影像海冰分类精度、影响海冰快速高效分类要求。卷积神经网络的结构设计和参数优化对研究目标分类精度至关重要，这种方法没有涉及过多卷积神经网络的设计与网络参数的优化。
因此，亟需一种利用卷积神经网络、准确率高、自动分类、无需借助专业知识、实时获取分类结果的应用于SAR影像海冰分类的分类方法，而目前关于这种方法还未见报道。
发明内容
本发明的目的是针对现有技术中的不足，提供一种基于深度卷积神经网络的SAR影像海冰分类方法。
为实现上述目的，本发明采取的技术方案是：
一种基于深度卷积神经网络的SAR影像海冰分类方法，包括以下步骤：
S01：将已有的海冰SAR影像进行分割：
S011：将已有的海冰SAR影像分割成不同海冰类型的区域图；
S012：将区域图切割成多个不同大小的样本尺寸，并作为原始训练样本；
S02：进行数据预处理：
S021：对原始训练样本加标签；
S022：转换数据存储格式；
S023：数据均值化处理；
S03：进行模型训练并建立模型：
S031：构建卷积神经网络模型(CNN模型)；
S032：将样本数据分成训练集和测试集；
S033：将训练集、测试集送入卷积神经网络模型进行模型训练；
S034：进行第一次特征学习；
S035：进行第二次特征学习；
S036：进行第三次特征学习：
S037：对处理结果进行分类；
S038：调节参数并迭代；
S039：建立海冰分类模型；
S04：对待分类的海冰SAR影像进行处理：
S041：将待分类的海冰SAR影像进行切割；
S042：输入海冰分类模型；
S05：将分类结果进行合并。
作为一种优选的技术方案，所述的基于深度卷积神经网络的SAR影像海冰分类方法的优选工作步骤如下：
S01：将已有的海冰SAR影像进行分割
S011：将已有的海冰SAR影像根据专家标记过海冰的解译图(Ice Chart)分割成不同海冰类型的区域图；
S012：将区域图切割成多个不同大小的样本尺寸，并作为原始训练样本；
S02：进行数据预处理
S021：对原始训练样本加标签；
S022：转换数据存储格式；
S023：数据均值化处理；
S03：进行模型训练并建立模型
S031：构建卷积神经网络模型；
S032：将样本数据按照不同尺寸大小分成训练集和测试集；
S033：将训练集、测试集送入卷积神经网络模型进行模型训练；
S034：进行第一次特征学习：
S0341：进行卷积，提取初步特征，利用激活函数激活神经元；
S0342：对卷积后的特征图进行池化、规范化处理；
S035：进行第二次特征学习：
S0351：将第一层的处理结果进行卷积；
S0352：对卷积后的特征图进行池化、规范化处理；
S036：进行第三次特征学习：
S0361：将第二层的处理结果进行卷积；
S0362：对卷积后的特征图进行池化、规范化处理；
S0363：计算整个全连接层的输出维度；
S037：对处理结果进行分类
将特征图以一维矩阵的形式存储并输入softmax分类器，得到分类结果；
S038：调节参数并迭代
S0381：将分类结果与真实标签进行对比，并调节参数，进行迭代直到分类准确率达到可接受的数值；
S0382：输入不同尺寸的样本，取训练准确率最高的尺寸作为最终的训练尺寸样本；
S039：建立海冰分类模型
根据训练结果确定卷积层的各项参数，并建立海冰分类模型；
S04：对待分类的海冰SAR影像进行处理
S041：将待分类的海冰SAR影像直接切割成训练样本尺寸；
S042：将切割后的海冰SAR影像输入海冰分类模型，并得到分类结果；
S05：将分类结果进行合并
将样本合并在SAR影像中，并利用不同颜色标记，即可得到不同海冰类型的海冰解译图。
作为一种优选的技术方案，所述的数据存储格式为leveldb格式或lmdb格式；
作为一种优选的技术方案，所述的卷积神经网络模型为3层卷积层、3层池化层、1层全连接层、Softmax损失层。
作为一种优选的技术方案，所述的激活函数为ReLu函数。
作为一种优选的技术方案，所述的步骤S034中，池化的方法为最大值池化。
作为一种优选的技术方案，所述的步骤S035、步骤S036中，池化的方法为平均值池化。
作为一种优选的技术方案，所述的步骤S038中，调节参数的方法为利用损失函数进行调节参数，并利用优化方法对损失函数进行迭代。
作为一种优选的技术方案，所述的优化方法包括随机梯度下降法(SGD)、自适应梯度法(AdaGrad)、Nesterov梯度加速法(NAG)，其中优选的是随机梯度下降法(SGD)。
作为一种优选的技术方案，所述的步骤S038的具体工作步骤为：
获取损失函数L(θ)，其计算公式如下：
Figure BDA0001382636060000071
Figure BDA0001382636060000072
其中，θ表示当前网络权值构成的向量空间，K为类别个数，k为真是标签值，N为一个批量的大小；
利用随机梯度下降法对θ进行迭代，其计算公式如下：
Vt+1＝μVt-η▽L(Wt)
Wt+1＝Wt+Vt+1
其中，▽L(W)表示负的梯度，Vt表示上一次迭代的权重更新值，η为学习率并表示负梯度的权重，μ为动量并表示上一次更新的权重。
本发明优点在于：
1、该方法构建的卷积神经网络模型能够实现基于图像的特征自动提取，无需人手动过多干预，不考虑海冰物理特性及SAR卫星成像原理等专业领域知识；
2、是一种针对SAR影像海冰端到端的分类方法，可以达到海冰监测的业务化水平、满足海上作业人员的实时性要求；
3、模型依赖大量的标记样本可以自动提取图像特征，不必依赖专家知识；
4、从图像本身进行分类研究，不需要了解海冰物理特性与SAR卫星成像原理；
5、能够实现SAR影像端到端的海冰分类，可操作性强、处理时间短，对海冰监测部门和海上作业人员具有重要参考价值；
6、利用随机梯度下降法加速收敛，并根据损失函数和准确率判断模型训练的好坏；
7、利用规范化处理解决网络参数优化反向船舶中的梯度消失或梯度扩散问题。
附图说明
附图1是基于深度卷积神经网络的SAR影像海冰分类方法的示意图。
附图2是卷积神经网络的处理过程。
具体实施方式
下面结合附图对本发明提供的具体实施方式作详细说明。
实施例1
参照图1，图1是基于深度卷积神经网络的SAR影像海冰分类方法的示意图。本发明的一种基于深度卷积神经网络的SAR影像海冰分类方法，包括以下步骤：
S01：将已有的海冰SAR影像进行分割
S011：将已有的海冰SAR影像分割成不同海冰类型的区域图；
S012：将区域图切割成多个不同大小的样本尺寸，并作为原始训练样本；
S02：进行数据预处理
S021：对原始训练样本加标签；
S022：转换数据存储格式；
S023：数据均值化处理；
S03：进行模型训练并建立模型
S031：构建卷积神经网络模型(CNN模型)；
S032：将样本数据分成训练集和测试集；
S033：将训练集、测试集送入卷积神经网络模型进行模型训练；
S034：进行第一次特征学习；
S035：进行第二次特征学习；
S036：进行第三次特征学习
S037：对处理结果进行分类；
S038：调节参数并迭代；
S039：建立海冰分类模型；
S04：对待分类的海冰SAR影像进行处理：
S041：将待分类的海冰SAR影像进行切割；
S042：输入海冰分类模型；
S05：将分类结果进行合并。
实施例2
本发明的一种基于深度卷积神经网络的SAR影像海冰分类方法，其具体工作流程为：
S01：将已有的海冰SAR影像进行分割
S011：将已有的海冰SAR影像根据专家标记过海冰的解译图(Ice Chart)分割成不同海冰类型的区域图；
S012：将区域图切割成多个不同大小的样本尺寸，并作为原始训练样本；
S02：进行数据预处理
S021：对原始训练样本加标签；
S022：转换数据存储格式；
S023：数据均值化处理；
S03：进行模型训练并建立模型
S031：构建卷积神经网络模型；
S032：将样本数据按照不同尺寸大小分成训练集和测试集；
S033：将训练集、测试集送入卷积神经网络模型进行模型训练；
S034：进行第一次特征学习：
S0341：进行卷积，提取初步特征，利用激活函数激活神经元；
S0342：对卷积后的特征图进行池化、规范化处理；
S035：进行第二次特征学习：
S0351：将第一层的处理结果进行卷积；
S0352：对卷积后的特征图进行池化、规范化处理；
S036：进行第三次特征学习：
S0361：将第二层的处理结果进行卷积；
S0362：对卷积后的特征图进行池化、规范化处理；
S0363：计算整个全连接层的输出维度；
S037：对处理结果进行分类
将特征图以一维矩阵的形式存储并输入softmax分类器，得到分类结果；
S038：调节参数并迭代
S0381：将分类结果与真实标签进行对比，并调节参数，进行迭代直到分类准确率达到可接受的数值；
S0382：输入不同尺寸的样本，取训练准确率最高的尺寸作为最终的训练尺寸样本；
S039：建立海冰分类模型
根据训练结果确定卷积层的各项参数，并建立海冰分类模型；
S04：对待分类的海冰SAR影像进行处理
S041：将待分类的海冰SAR影像直接切割成训练样本尺寸；
S042：将切割后的海冰SAR影像输入海冰分类模型，并得到分类结果；
S05：将分类结果进行合并
将样本合并在SAR影像中，并利用不同颜色标记，即可得到不同海冰类型的海冰解译图。
需要进一步说明的是，所述的数据存储格式为leveldb格式或lmdb格式；
需要进一步说明的是，所述的卷积神经网络模型为3层卷积层、3层池化层、1层全连接层、Softmax损失层。
需要进一步说明的是，所述的激活函数为ReLu函数。
需要进一步说明的是，所述的步骤S034中，池化的方法为最大值池化。
需要进一步说明的是，所述的步骤S035、步骤S036中，池化的方法为平均值池化。
需要进一步说明的是，所述的步骤S038中，调节参数的方法为利用损失函数进行调节参数，并利用优化方法对损失函数进行迭代。
需要进一步说明的是，所述的优化方法包括随机梯度下降法(SGD)、自适应梯度法(AdaGrad)、Nesterov梯度加速法(NAG)，其中优选的是随机梯度下降法(SGD)。
需要进一步说明的是，所述的步骤S038的具体工作步骤为：
获取损失函数L(θ)，其计算公式如下：
Figure BDA0001382636060000101
Figure BDA0001382636060000102
其中，θ表示当前网络权值构成的向量空间，K为类别个数，k为真是标签值，N为一个批量的大小；
利用随机梯度下降法对θ进行迭代，其计算公式如下：
Vt+1＝μVt-η▽L(Wt)
Wt+1＝Wt+Vt+1
其中，▽L(W)表示负的梯度，Vt表示上一次迭代的权重更新值，η为学习率并表示负梯度的权重，μ为动量并表示上一次更新的权重。
本发明的优点在于，该方法构建的卷积神经网络模型能够实现基于图像的特征自动提取，无需人手动过多干预，不考虑海冰物理特性及SAR卫星成像原理等专业领域知识；是一种针对SAR影像海冰端到端的分类方法，可以达到海冰监测的业务化水平、满足海上作业人员的实时性要求；模型依赖大量的标记样本可以自动提取图像特征，不必依赖专家知识；从图像本身进行分类研究，不需要了解海冰物理特性与SAR卫星成像原理；能够实现SAR影像端到端的海冰分类，可操作性强、处理时间短；对海冰监测部门和海上作业人员具有重要参考价值；利用随机梯度下降法加速收敛，并根据损失函数和准确率判断模型训练的好坏；利用规范化处理解决网络参数优化反向传播中的梯度消失或梯度扩散问题。
实施例3
参照图2，图2是卷积神经网络的处理过程。本发明的一种基于深度卷积神经网络的SAR影像海冰分类方法的卷积神经网络模型的具体实施方式如下：
A01：构建一个卷积神经网络模型，包括3层卷积层、3层池化层、1层全连接层、Softmax损失层；
其参数如下：
所述的卷积层的卷积核大小为5×5，第一层卷积层的卷积核数量为32个，第二层卷积层的卷积核数量为32个，第三层卷积层的卷积核数量为64个；
所述的池化层滤波器为3×3，步长为2；
所述的激活函数为ReLu函数；
所述的学习率η为0.001，动量μ为0.9；
所述的样本尺寸为64×64；
A02：进行第一次处理
样本在模型中的传输适宜个三维数组(长、宽、批次)，原始为(64，64，1)，进行第一次卷积，卷积后特征图的长和宽都变成了
Figure BDA0001382636060000111
即变成三维数组(60，60，32)；进行池化操作，特征图的长和宽都变成了
Figure BDA0001382636060000112
即三维数组(30，30，32)；
A03：进行第二次处理
进行第二次卷积，卷积后特征图的长和宽都变成了
Figure BDA0001382636060000113
即变成三维数组(26，26，32)；进行池化操作，特征图的长和宽都变成了
Figure BDA0001382636060000121
即三维数组(13，13，32)；
A04：进行第三次处理
进行第三次卷积，卷积后特征图的长和宽都变成了
Figure BDA0001382636060000122
即变成三维数组(9，9，64)；进行池化操作，特征图的长和宽都变成了
Figure BDA0001382636060000123
即三维数组(4，4，64)；
A05：计算整个全连接层的输出维度
整个全连接层的输出维度为4×4×64＝1024。
以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员，在不脱离本发明方法的前提下，还可以做出若干改进和补充，这些改进和补充也应视为本发明的保护范围。

Claims (7)

1.一种基于深度卷积神经网络的SAR影像海冰分类方法，其特征在于，包括以下步骤：
S01：将已有的海冰SAR影像进行分割：
S011：将已有的海冰SAR影像分割成同海冰类型的区域图；
S012：将区域图切割成多个不同大小的样本尺寸，并作为原始训练样本；
S02：进行数据预处理：
S021：对原始训练样本加标签；
S022：转换数据存储格式；
S023：数据均值化处理；
S03：进行模型训练并建立模型：
S031：构建卷积神经网络模型(CNN模型)；
S032：将样本数据分成训练集和测试集；
S033：将训练集、测试集送入卷积神经网络模型进行模型训练；
S034：进行第一次特征学习；
S0341：进行卷积，提取初步特征，利用激活函数激活神经元；
S0342：对卷积后的特征图进行池化、规范化处理；
S035：进行第二次特征学习；
S0351：将第一层的处理结果进行卷积；
S0352：对卷积后的特征图进行池化、规范化处理；
S036：进行第三次特征学习：
S0361：将第二层的处理结果进行卷积；
S0362：对卷积后的特征图进行池化、规范化处理；
S0363：计算整个全连接层的输出维度；
S037：对处理结果进行分类；
S038：调节参数并迭代；
S0381：将分类结果与真实标签进行对比，并调节参数，进行迭代直到分类准确率达到可接受的数值；
S0382：输入不同尺寸的样本，取训练准确率最高的尺寸作为最终的训练尺寸样本；
所述的步骤S038的具体工作步骤为：
获取损失函数L(θ)，其计算公式如下：
Figure FDA0002903229160000021
Figure FDA0002903229160000022
其中，θ表示当前网络权值构成的向量空间，K为类别个数，k为真实标签值，N为一个批量的大小；
利用随机梯度下降法对θ进行迭代，其计算公式如下：
Figure FDA0002903229160000023
Wt+1＝Wt+Vt+1
其中，
Figure FDA0002903229160000024
表示负的梯度，Vt表示上一次迭代的权重更新值，η为学习率并表示负梯度的权重，μ为变量并表示上一次更新的权重；
S039：建立海冰分类模型；
根据训练结果确定卷积层的各项参数，并建立海冰分类模型；
S04：对待分类的海冰SAR影像进行处理：
S041：将待分类的海冰SAR影像进行切割；
S042：输入海冰分类模型；
S05：将分类结果进行合并；
将样本合并在SAR影像中，并利用不同颜色标记，即可得到不同海冰类型的海冰解译图；
卷积神经网络模型的具体实施方式如下：
A01：构建一个卷积神经网络模型，包括3层卷积层、3层池化层、1层全连接层、Softmax损失层；
其参数如下：
所述的卷积层的卷积核大小为5×5，第一层卷积层的卷积核数量为32个，第二层卷积层的卷积核数量为32个，第三层卷积层的卷积核数量为64个；
所述的池化层滤波器为3×3，步长为2；
所述的激活函数为ReLu函数；
所述的学习率η为0.001，动量μ为0.9；
所述的样本尺寸为64×64；
A02：进行第一次处理
样本在模型中的传输适宜个三维数组(长、宽、批次)，原始为(64，64，1)，进行第一次卷积，卷积后特征图的长和宽都变成了
Figure FDA0002903229160000031
即变成三维数组(60，60，32)；进行池化操作，特征图的长和宽都变成了
Figure FDA0002903229160000032
即三维数组(30，30，32)；
A03：进行第二次处理
进行第二次卷积，卷积后特征图的长和宽都变成了
Figure FDA0002903229160000033
即变成三维数组(26，26，32)；进行池化操作，特征图的长和宽都变成了
Figure FDA0002903229160000034
即三维数组(13，13，32)；
A04：进行第三次处理
进行第三次卷积，卷积后特征图的长和宽都变成了
Figure FDA0002903229160000035
即变成三维数组(9，9，64)；进行池化操作，特征图的长和宽都变成了
Figure FDA0002903229160000036
即三维数组(4，4，64)；
A05：计算整个全连接层的输出维度
整个全连接层的输出维度为4×4×64＝1024。
2.根据权利要求1所述的基于深度卷积神经网络的SAR影像海冰分类方法，其特征在于，所述的卷积神经网络模型为3层卷积层、3层池化层、1层全连接层、Softmax损失层。
3.根据权利要求2所述的基于深度卷积神经网络的SAR影像海冰分类方法，其特征在于，所述的激活函数为ReLu函数。
4.根据权利要求3所述的基于深度卷积神经网络的SAR影像海冰分类方法，其特征在于，所述的步骤S034中，池化的方法为最大值池化。
5.根据权利要求4所述的基于深度卷积神经网络的SAR影像海冰分类方法，其特征在于，所述的步骤S035、步骤S036中，池化的方法为平均值池化。
6.根据权利要求5所述的基于深度卷积神经网络的SAR影像海冰分类方法，其特征在于，所述的步骤S038中，调节参数的方法为利用损失函数进行调节参数，并利用优化方法对损失函数进行迭代。
7.根据权利要求6所述的基于深度卷积神经网络的SAR影像海冰分类方法，其特征在于，所述的优化方法包括随机梯度下降法(SGD)、自适应梯度法(AdaGrad)、Nesterov梯度加速法(NAG)。
CN201710710878.8A 2017-08-18 2017-08-18 一种基于深度卷积神经网络的sar影像海冰分类方法 Active CN107516317B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201710710878.8A CN107516317B (zh) 2017-08-18 2017-08-18 一种基于深度卷积神经网络的sar影像海冰分类方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201710710878.8A CN107516317B (zh) 2017-08-18 2017-08-18 一种基于深度卷积神经网络的sar影像海冰分类方法

Publications (2)

Publication Number Publication Date
CN107516317A CN107516317A (zh) 2017-12-26
CN107516317B true CN107516317B (zh) 2021-04-27

Family

ID=60722135

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201710710878.8A Active CN107516317B (zh) 2017-08-18 2017-08-18 一种基于深度卷积神经网络的sar影像海冰分类方法

Country Status (1)

Country Link
CN (1) CN107516317B (zh)

Families Citing this family (29)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108287162B (zh) * 2018-01-09 2021-04-23 温州大学 一种食品安全智能检测的方法
CN108229404B (zh) * 2018-01-09 2022-03-08 东南大学 一种基于深度学习的雷达回波信号目标识别方法
CN108304873B (zh) * 2018-01-30 2020-09-11 深圳市国脉畅行科技股份有限公司 基于高分辨率光学卫星遥感影像的目标检测方法及其系统
CN110276365B (zh) * 2018-03-16 2021-12-28 中国科学院空天信息创新研究院 一种用于sar图像海冰分类的卷积神经网络的训练方法及其分类方法
CN108681805A (zh) * 2018-03-30 2018-10-19 平安科技（深圳）有限公司 任务统计方法及装置
CN108596882B (zh) * 2018-04-10 2019-04-02 中山大学肿瘤防治中心 病理图片的识别方法及装置
CN108596248B (zh) * 2018-04-23 2021-11-02 上海海洋大学 一种基于改进深度卷积神经网络的遥感影像分类方法
CN108596329B (zh) * 2018-05-11 2020-08-07 北方民族大学 基于端到端深度集成学习网络的三维模型分类方法
CN108899892A (zh) * 2018-06-08 2018-11-27 上海电力学院 一种基于cnn非侵入式用电负荷分解方法
CN108960139A (zh) 2018-07-03 2018-12-07 百度在线网络技术（北京）有限公司 人物行为识别方法、装置及存储介质
CN109118534B (zh) * 2018-07-13 2021-06-29 同济大学 实时获取冰风洞内模型表面上结冰冰型详细信息的方法
CN109190491B (zh) * 2018-08-08 2021-08-31 上海海洋大学 残差卷积神经网络sar影像海冰分类方法
CN109117883B (zh) * 2018-08-13 2022-01-11 上海海洋大学 基于长短时记忆网络的sar影像海冰分类方法及系统
CN109242865B (zh) * 2018-09-26 2020-09-25 上海联影智能医疗科技有限公司 基于多图谱的医学图像自动分区系统、方法、装置及存储介质
US11227390B2 (en) 2018-09-26 2022-01-18 Shanghai United Imaging Intelligence Co., Ltd. Systems and methods for image processing
CN109447089B (zh) * 2018-10-16 2021-09-14 同济大学 基于超分技术的高分辨率北极海冰类型提取方法
CN109447092B (zh) * 2018-10-25 2021-08-20 哈尔滨工程大学 基于海冰场景分类的冰间通路提取方法
CN109359631A (zh) * 2018-11-30 2019-02-19 南京大学 一种基于卷积神经网络的海冰类型遥感分类方法
CN109740485B (zh) * 2018-12-27 2021-02-02 中国水利水电科学研究院 基于光谱分析和深度卷积神经网络的水库或塘坝识别方法
CN109685028B (zh) * 2018-12-28 2022-12-09 内蒙古工业大学 一种基于全极化sar数据的河冰厚度反演方法
CN110363071A (zh) * 2019-05-31 2019-10-22 上海海洋大学 一种协同主动学习和直推式支持向量机的海冰检测方法
CN110956101B (zh) * 2019-11-19 2020-08-07 广东省城乡规划设计研究院 一种基于随机森林算法的遥感影像黄河冰凌检测方法
CN111798132B (zh) * 2020-07-06 2023-05-02 北京师范大学 基于多源时序遥感深度协同下的耕地动态监测方法及系统
CN112008725B (zh) * 2020-08-27 2022-05-31 北京理工大学 一种人机融合脑控机器人系统
CN112633171A (zh) * 2020-12-23 2021-04-09 北京恒达时讯科技股份有限公司 一种基于多源光学遥感影像的海冰识别方法和系统
CN112729562B (zh) * 2021-01-26 2022-08-26 河南工业大学 基于改进u型卷积神经网络的海冰分布探测方法
CN112906645B (zh) * 2021-03-15 2022-08-23 山东科技大学 一种sar数据和多光谱数据融合的海冰目标提取方法
CN113449812A (zh) * 2021-07-16 2021-09-28 上海海洋大学 一种基于局部线性嵌入算法的gnss-r海冰检测方法及装置
CN116682027B (zh) * 2023-08-01 2023-11-03 中国科学院空天信息创新研究院 基于MobileNet的SAR海冰图像分类方法及装置

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105205448A (zh) * 2015-08-11 2015-12-30 中国科学院自动化研究所 基于深度学习的文字识别模型训练方法和识别方法
CN106203432A (zh) * 2016-07-14 2016-12-07 杭州健培科技有限公司 一种基于卷积神经网显著性图谱的感兴趣区域的定位方法
CN106326931A (zh) * 2016-08-25 2017-01-11 南京信息工程大学 基于深度学习的乳腺钼靶图像自动分类方法
CN106407986A (zh) * 2016-08-29 2017-02-15 电子科技大学 一种基于深度模型的合成孔径雷达图像目标识别方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105205448A (zh) * 2015-08-11 2015-12-30 中国科学院自动化研究所 基于深度学习的文字识别模型训练方法和识别方法
CN106203432A (zh) * 2016-07-14 2016-12-07 杭州健培科技有限公司 一种基于卷积神经网显著性图谱的感兴趣区域的定位方法
CN106326931A (zh) * 2016-08-25 2017-01-11 南京信息工程大学 基于深度学习的乳腺钼靶图像自动分类方法
CN106407986A (zh) * 2016-08-29 2017-02-15 电子科技大学 一种基于深度模型的合成孔径雷达图像目标识别方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
《基于PCNN的海冰SAR图像分类系统》;纪永刚，张杰孟，俊敏，张汉德;《高技术通讯》;20080229;第18卷(第2期);第190页左栏第2段-第195页左栏第2段 *

Also Published As

Publication number Publication date
CN107516317A (zh) 2017-12-26

Similar Documents

Publication Publication Date Title
CN107516317B (zh) 一种基于深度卷积神经网络的sar影像海冰分类方法
CN110443143B (zh) 多分支卷积神经网络融合的遥感图像场景分类方法
Wang et al. Sea ice concentration estimation during melt from dual-pol SAR scenes using deep convolutional neural networks: A case study
CN108573276B (zh) 一种基于高分辨率遥感影像的变化检测方法
Zakhvatkina et al. Classification of sea ice types in ENVISAT synthetic aperture radar images
Karvonen Baltic sea ice concentration estimation using SENTINEL-1 SAR and AMSR2 microwave radiometer data
CN106355151B (zh) 一种基于深度置信网络的三维sar图像目标识别方法
CN108830242A (zh) 基于卷积神经网络的sar图像海洋目标分类检测方法
CN107527023B (zh) 基于超像素和主题模型的极化sar图像分类方法
CN111241970A (zh) 基于yolov3算法与滑动窗口策略的SAR影像海面舰船检测方法
CN111340951A (zh) 基于深度学习的海洋环境自动识别方法
CN113408423A (zh) 适用于tx2嵌入式平台的水产品目标实时检测方法
CN112419333B (zh) 一种遥感影像自适应特征选择分割方法及系统
CN110765912A (zh) 一种基于统计约束和Mask R-CNN的SAR图片船舶目标检测方法
CN112699717A (zh) 基于gan网络的sar图像生成方法及生成装置
CN104361346A (zh) 基于k-svd和稀疏表示的极化sar图像分类方法
Chunyang et al. Sea fog detection using U-Net deep learning model based on MODIS data
CN114676773A (zh) 基于sar数据的北极海冰分类方法
CN116468995A (zh) 一种联合slic超像素和图注意力网络的声呐图像分类方法
CN113627356B (zh) 一种海面舰船智能识别方法
Wei et al. Texture feature analysis in oil spill monitoring by SAR image
Andreev et al. Cloud detection from the Himawari-8 satellite data using a convolutional neural network
CN112906458B (zh) 群智能优化的水下激光多目标端到端自动识别系统
CN112926383B (zh) 一种基于水下激光图像的目标自动识别系统
CN116823838B (zh) 高斯先验标签分配与特征解耦的海洋船舶检测方法与系统

Legal Events

Date Code Title Description
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant