CN109285168B - 一种基于深度学习的sar图像湖泊边界提取方法 - Google Patents
一种基于深度学习的sar图像湖泊边界提取方法 Download PDFInfo
- Publication number
- CN109285168B CN109285168B CN201810840260.8A CN201810840260A CN109285168B CN 109285168 B CN109285168 B CN 109285168B CN 201810840260 A CN201810840260 A CN 201810840260A CN 109285168 B CN109285168 B CN 109285168B
- Authority
- CN
- China
- Prior art keywords
- image
- lake
- layer
- neural network
- convolutional neural
- 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
Links
- 238000000605 extraction Methods 0.000 title claims abstract description 17
- 238000013135 deep learning Methods 0.000 title claims abstract description 12
- 238000001914 filtration Methods 0.000 claims abstract description 18
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 14
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims abstract description 11
- 238000012545 processing Methods 0.000 claims abstract description 10
- 238000000034 method Methods 0.000 claims abstract description 9
- 230000009467 reduction Effects 0.000 claims abstract description 6
- 230000006870 function Effects 0.000 claims description 6
- 238000005070 sampling Methods 0.000 claims description 6
- 230000004044 response Effects 0.000 claims description 3
- 230000004913 activation Effects 0.000 claims 1
- 238000010304 firing Methods 0.000 claims 1
- 239000010410 layer Substances 0.000 description 33
- 238000012549 training Methods 0.000 description 4
- 238000013528 artificial neural network Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000010801 machine learning Methods 0.000 description 3
- 238000001514 detection method Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- 238000012706 support-vector machine Methods 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000007599 discharging Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000000149 penetrating effect Effects 0.000 description 1
- 239000002356 single layer Substances 0.000 description 1
- 230000005654 stationary process Effects 0.000 description 1
- 239000002352 surface water Substances 0.000 description 1
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
- G06T7/13—Edge detection
-
- 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
- G06T5/00—Image enhancement or restoration
- G06T5/70—Denoising; Smoothing
-
- 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
- G06T2207/20084—Artificial neural networks [ANN]
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Image Processing (AREA)
- Image Analysis (AREA)
Abstract
本发明提出一种基于深度学习的SAR图像湖泊边界提取方法。首先获取有关湖泊的SAR遥感影像数据并对其进行整理，将整理好的数据通过Frost滤波器进行滤波降噪处理，然后构建一个自编码器对滤波结果进行降维，再通过卷积神经网络对图像进行湖泊水域的特征提取，最后使用Softmax回归算法输出分类结果，并获得选取湖泊边界提取后的图像。本发明使用卷积神经网络方法提取SAR湖泊图像的边界，提高了湖泊边界提取精度。卷积神经网络可以高效地提取并湖泊SAR图像中水域的特征，由此构建边界提取模型，有较高的提取准确率。
Description
技术领域
本发明属于图像处理技术领域，尤其涉及一种基于深度学习的SAR图像湖泊边界提取方法。
背景技术
合成孔径雷达(Synthetic Aperture Radar，简称SAR)是一种主动式遥感传感技术，主动地向被观测的目标发射微波波段的电磁波，接收并记录从目标反射回的信息，此波段的电磁波不受云、雾和大气的影响，具有一定穿透力能力，能够全天候、全天时、不受气候影响地工作，这不同于被动遥感技术，如光学遥感的对地观测工作常常受限于各种自然条件。SAR技术在城市规划、地质勘探、自然灾害评估、植被生长评估、水质监测、军事目标检测等众多民用乃至军用领域更是发挥着不可忽视的作用。
深度学习是近几年来机器学习领域的研究热点。传统的机器学习方法例如支持向量机(SVM)、神经网络(NN)等方法可以看作一种浅层的网络，随着现在数据量的增大、数据结构变的复杂、分类类别递增，传统的机器学习方法已经很难对大量数据进行训练，并且有很好的分类准确率。直到近几年研究者们在训练多层神经网络上取得了很多进展，现在一般称作深度网络。
发明内容
针对现有技术存在的问题，本发明提供一种基于深度学习的SAR图像湖泊边界提取方法，能够提高SAR图像湖泊水域提取的精度具体包括以下步骤：
1)获取湖泊时间系列合成孔径雷达(SAR)遥感影像数据；
2)采用Frost滤波法对获取的合成孔径雷达(SAR)遥感影像数据进行降噪滤波处理，滤波器的冲击响应为：
其中K是滤波器参数，
CI是被观测的变化系数，CI(t0)是以t0为滤波的中心像素点计算得到的，K1为归一化参数。滤波器设计如下：
其中，Cu、Cmax表示图像区域的两个标准差，CR表示在滤波子窗口内使用滤波算法计算中心像素的滤波值，A为常数，
为窗口滤波的均值，I表示区域的滤波值。
3)建立一个自动编码器，输入图像经过编码器后，得到编码结果，再加入一个解码器，解码器的结构和参数设置与编码器一致，得到解码结果；自动编码器可以将图像包含的特征信息进行重新编码，剔除多余的特征信息，降低冗余度。
4)建立一个具有一个6层的卷积神经网络，前4层为卷积层，后2层为全连接层；其中前3层卷积层中，每个卷积层都包括1个max-pooling下采样层和1个Relu激活层，第4层卷积层没有下采样层，取而代之的是Dropout层，这样做的目的是前3层采用max-poling层可以去除图像冗余的特征，提取有效的图像特征；第4层卷积层连接的是全连接层，Dropout层每次训练都随机将一些神经元置零，这样可以减少模型的复杂度，提高模型的泛化能力，从而避免过拟合；
5)将解码结果作为输入数据传入该卷积神经网络中，采用像素为n×n的卷积核对输入图像进行卷积操作，输出大小为N1×N1像素的Z1张特征图；
6)将上所述4b)输出的图像进行补全，在图像的外围(图像外边，比如图像本来是254×254补全之后为256×256)采用全补零的方式将图像补全成方便进一步处理的，再采用2×2的抽样窗口进行max-pooling下采样操作，在前面卷积完的输出上依次不重合的取2x2窗的最大值(maxpooling，即整个图像被分成若干个同样大小的小块，每个小块2×2，然后每个小块里只取像素值最大的数字，其它的剔除)，输入大小为N2×N2像素的Z2张特征图；
7)重复上述5)和6)步骤2次，这样做相当于又增加了两层卷积层进行图像特征的提取，提高特征提取的精度；)第一次重复步骤5)和第二次重复步骤5)所采用的卷积核的像素分别为5×5和7×7，在步骤6)对输出的图像进行补全时在第三层卷积层中不需要去上一层的结果进行补全，输出得到128张28×28的特征图。
8)采用dropout随机置零算法将上述(7)的结果输出到全连接到层。
9)经过步骤8)处理后，利用Softmax回归算法输出一个0～1的数值，表示是否是水的概率；
10)所述卷积神经网络模型采用RMS函数作为损失函数，损失函数如下式所示：
其中，
表示真实标记，yi表示步骤9)中输出的概率值。
11)利用链式法则和误差逆传播，完成模型参数的更新，当参数的更新低于某个阈值时，停止模型的训练，完成对图像的分类。
本发明的优点在于：
(1)结合SAR图像数据，可以全天候、全天时，连续地获取湖泊水域分布，确保湖泊水域研究的连续性；
(2)运用卷积神经网络对图像进行特征提取，显著提高了特征提取的效率和精度，从而是最后的分类结果更加准确；
(3)便于结合GIS对湖泊水域边界提取建模；
(4)可与常见的地表水环境变化多时相遥感影像检测法相互补充，且该发明监测方法简单实用且易于推广。
附图说明
图1为湖泊水域边界处理流程图；
图2为原图像与Frost滤波器滤波效果对比；
图3为单层自编码器示意图；
图4为卷积神经网络结构示意图；
图5为原始图像与分割图像对比图。
具体实施方式
为了进一步描述本发明的技术特点和效果，以下结合附图和具体实施方式对本发明做进一步描述。
本发明所述基于深度学习的SAR图像湖泊边界提取算法，包括以下具体步骤：
(1)获取湖泊时间系列合成孔径雷达(SAR)遥感影像数据；
(2)采用Frost滤波法对获取的SAR遥感影像数据进行降噪滤波处理，这种滤波器的冲击响应为：
其中K是滤波器参数，
是被观测的变化系数，CI(t0)是以t0为滤波的中心像素点计算得到的，K1为归一化参数。上式可以写成
D是一个微调因子，假设的图像是平稳过程，A有不同的计算方式，A＝D(CR-Cu)/(Cmax-CR)，滤波器设计如下：
Cu、Cmax表示图像区域的两个标准差，CR表示在滤波子窗口内使用滤波算法计算中心像素的滤波值，A为常数，σI为滤波窗口内的标准差，
为窗口滤波的均值，I表示区域的滤波值。
(3)建立一个自动编码器，输入图像经过编码器后，得到编码结果，此时的编码结果可以认为是输入信号的另一种表示，再加入一个解码器，解码器的结构和参数设置与编码器一致，得到解码结果；
(4)建立一个卷积神经网络，将解码器结果作为输入数据传入该网络中，在第一层卷积层中，采用3×3的卷积核对输入图像进行卷积操作，输出大小为127×127像素的64张特征图；
(5)将上所述(4)输出的图像进行补全，再采用2×2的抽样窗口进行max-pooling下采样操作，输入大小为62×62像素的96张特征图；
(6)重复上述(4)和(5)步骤2次，但是使用的卷积核分别是5×5和7×7且在第三层卷积层中不需要去上一层的结果进行补全，输出得到128张28×28的特征图，这样做可以更有效的提取到湖泊水域的特征；
(7)采用dropout随机置零算法将上述(6)的结果输出到全连接到层；
(8)经前述(7)处理后，利用Softmax回归算法将每个类别以概率的形式输出。
上述实施例不以任何形式限定本发明，凡采取等同替换或等效变换的形式所获得的技术方案，均落在本发明的保护范围之内。
(9)使用RMS函数作为本模型的损失函数，损失函数如下所示：
其中
是真实标记，yi是步骤(9)输出的概率值，n为总共特征图像的个数。
(10)利用链式法则和误差逆传播，完成模型参数的更新，当参数的更新低于某个阈值时，停止模型的训练；
(11)利用步骤(10)对需要的图像进行分类。
上述实施例不以任何形式限定本发明，凡采取等同替换或等效变换的形式所获得的技术方案，均落在本发明的保护范围之内。
Claims (5)
1.一种基于深度学习的SAR图像湖泊边界提取方法，其特征在于，包括如下步骤：
1)获取湖泊时间系列合成孔径雷达遥感影像数据；
2)对获取的合成孔径雷达遥感影像数据进行降噪滤波处理；
3)建立一个自动编码器，输入图像经过编码器后，得到编码结果，再加入一个解码器，解码器的结构和参数设置与编码器一致，得到解码结果；
4)建立卷积神经网络模型，将解码结果作为输入数据传入该网络模型中并提取胡泊边界，具体为：4a)建立一个具有6层的卷积神经网络，前4层为卷积层，后2层为全连接层；
4b)将解码结果作为输入数据传入该卷积神经网络中，采用像素为n×n的卷积核对输入图像进行卷积操作，输出大小为N1×N1像素的Z1张特征图；
4c)将步骤4b)中输出的特征图进行补全，在图像的外围采用全补零的方式将图像补全，再采用2×2的抽样窗口进行max-pooling下采样操作，在前面卷积完的输出的特征图上依次不重合的取2x2窗的最大值，输入大小为N2×N2像素的Z2张特征图；
4d)重复步骤4b和4c)两次；
4e)采用dropout随机置零算法将步骤4d)的结果输出到全连接到层；
4f)经过步骤4e)处理后，利用Softmax回归算法将每个类别输出一个0～1的数值，表示是否是水的概率。
2.根据权利要求1所述的一种基于深度学习的SAR图像湖泊边界提取方法，其特征在于：
所述步骤2)对获取的合成孔径雷达遥感影像数据进行降噪滤波处理具体为：
采用Frost滤波法对获取的合成孔径雷达遥感影像数据进行降噪滤波处理，滤波器的冲击响应为：
其中，K是滤波器参数，CI是被观测的变化系数，t0为滤波的中心像素点，t表示像素点，K1为归一化参数
滤波器模型为：
其中，Cu、Cmax表示图像区域的两个标准差，CR表示在滤波子窗口内使用滤波算法计算中心像素的滤波值，A为常数，
为窗口滤波的均值，I表示区域的滤波值。
3.根据权利要求1所述的一种基于深度学习的SAR图像湖泊边界提取方法，其特征在于，所述步骤4d)第一次重复步骤4b)和第二次重复步骤4b)所采用的卷积核的像素分别为5×5和7×7，在步骤4c)对输出的图像进行补全时在第三层卷积层中不需要去上一层的结果进行补全，输出得到128张28×28的特征图。
4.根据权利要求1所述的一种基于深度学习的SAR图像湖泊边界提取方法，其特征在于：建立的卷积神经网络中前3层卷积层中，每个卷积层都包括1个max-pooling下采样层和1个Relu激活层，第4层卷积层没有下采样层，取而代之设有Dropout层。
5.根据权利要求1所述的一种基于深度学习的SAR图像湖泊边界提取方法，其特征在于：所述卷积神经网络模型采用RMS函数作为损失函数，损失函数如下式所示：
其中，
表示真实标记，yi表示步骤4f)中输出的概率值，n为特征图数量。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810840260.8A CN109285168B (zh) | 2018-07-27 | 2018-07-27 | 一种基于深度学习的sar图像湖泊边界提取方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810840260.8A CN109285168B (zh) | 2018-07-27 | 2018-07-27 | 一种基于深度学习的sar图像湖泊边界提取方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN109285168A CN109285168A (zh) | 2019-01-29 |
| CN109285168B true CN109285168B (zh) | 2022-02-11 |
Family
ID=65182838
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201810840260.8A Active CN109285168B (zh) | 2018-07-27 | 2018-07-27 | 一种基于深度学习的sar图像湖泊边界提取方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109285168B (zh) |
Families Citing this family (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110187321B (zh) * | 2019-05-30 | 2022-07-22 | 电子科技大学 | 基于深度学习的复杂环境下雷达辐射源特征参数提取方法 |
| CN110211071A (zh) * | 2019-06-05 | 2019-09-06 | 陕西师范大学 | 一种基于L1/2范数的高分三号SAR图像的Frost滤波算法 |
| CN110211124B (zh) * | 2019-06-17 | 2023-04-07 | 电子科技大学 | 一种基于MobileNetV2的红外成像结冰湖泊检测方法 |
| CN110443259B (zh) * | 2019-07-29 | 2023-04-07 | 中科光启空间信息技术有限公司 | 一种从中等分辨率遥感影像中提取甘蔗的方法 |
| CN111461125B (zh) * | 2020-03-19 | 2022-09-20 | 杭州凌像科技有限公司 | 一种全景图像的连续性分割方法 |
| JP7528645B2 (ja) | 2020-08-31 | 2024-08-06 | ブラザー工業株式会社 | 印刷材の種類を特定する方法、印刷材の種類の特定装置、および、コンピュータプログラム |
| CN114966681B (zh) * | 2022-05-05 | 2024-05-24 | 河海大学 | 一种基于大气校正C波段InSAR数据的土壤湿度估算方法 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR101207220B1 (ko) * | 2012-10-17 | 2012-12-04 | 국방과학연구소 | 고해상도 ｓａｒ 진폭 영상의 경계선 정밀 추출 방법 |
| CN107103338A (zh) * | 2017-05-19 | 2017-08-29 | 杭州电子科技大学 | 融合卷积特征和集成超限学习机的sar目标识别方法 |
| CN107239795A (zh) * | 2017-05-19 | 2017-10-10 | 西安电子科技大学 | 基于稀疏自编码器和卷积神经网络的sar图像变化检测系统及方法 |
| CN107256396A (zh) * | 2017-06-12 | 2017-10-17 | 电子科技大学 | 基于卷积神经网络的船目标isar图像特征学习方法 |
| CN107358176A (zh) * | 2017-06-26 | 2017-11-17 | 武汉大学 | 基于高分遥感影像区域信息和卷积神经网络的分类方法 |
-
2018
- 2018-07-27 CN CN201810840260.8A patent/CN109285168B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR101207220B1 (ko) * | 2012-10-17 | 2012-12-04 | 국방과학연구소 | 고해상도 ｓａｒ 진폭 영상의 경계선 정밀 추출 방법 |
| CN107103338A (zh) * | 2017-05-19 | 2017-08-29 | 杭州电子科技大学 | 融合卷积特征和集成超限学习机的sar目标识别方法 |
| CN107239795A (zh) * | 2017-05-19 | 2017-10-10 | 西安电子科技大学 | 基于稀疏自编码器和卷积神经网络的sar图像变化检测系统及方法 |
| CN107256396A (zh) * | 2017-06-12 | 2017-10-17 | 电子科技大学 | 基于卷积神经网络的船目标isar图像特征学习方法 |
| CN107358176A (zh) * | 2017-06-26 | 2017-11-17 | 武汉大学 | 基于高分遥感影像区域信息和卷积神经网络的分类方法 |
Non-Patent Citations (1)
| Title |
|---|
| 基于卷积神经网络的高分辨率遥感图像上的水体识别技术;徐文健;《信息科技辑II》;20170101;19-26 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN109285168A (zh) | 2019-01-29 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109285168B (zh) | 一种基于深度学习的sar图像湖泊边界提取方法 | |
| AU2020104006A4 (en) | Radar target recognition method based on feature pyramid lightweight convolutional neural network | |
| CN109086773B (zh) | 基于全卷积神经网络的断层面识别方法 | |
| CN112418027A (zh) | 一种改进U-Net网络的遥感影像道路提取方法 | |
| CN112419155B (zh) | 一种全极化合成孔径雷达影像超分辨率重建方法 | |
| CN109934153A (zh) | 基于门控深度残差优化网络的建筑物提取方法 | |
| Xie et al. | Localization-aware channel pruning for object detection | |
| Beucher et al. | Interpretation of convolutional neural networks for acid sulfate soil classification | |
| CN110570035B (zh) | 同时建模时空依赖性和每日流量相关性的人流量预测系统 | |
| CN110647977B (zh) | 一种用于星上对舰船目标检测的Tiny-YOLO网络的优化方法 | |
| CN110991430B (zh) | 基于遥感图像的地物识别及覆盖率计算方法及系统 | |
| CN110084181B (zh) | 一种基于稀疏MobileNetV2网络的遥感图像舰船目标检测方法 | |
| Tun et al. | Remote sensing data classification using a hybrid pre-trained VGG16 CNN-SVM classifier | |
| Feng et al. | Embranchment cnn based local climate zone classification using sar and multispectral remote sensing data | |
| CN114863223B (zh) | 结合去噪自编码器与场景增强的高光谱弱监督分类方法 | |
| Wan et al. | Multi-scale spectral-spatial remote sensing classification of coral reef habitats using CNN-SVM | |
| CN113627440A (zh) | 一种基于轻量级神经网络的大规模点云语义分割方法 | |
| CN112560719A (zh) | 基于多尺度卷积-多核池化的高分辨率影像水体提取方法 | |
| CN115272865A (zh) | 一种基于自适应激活函数和注意力机制的目标检测方法 | |
| CN113343861B (zh) | 一种基于神经网络模型的遥感图像水体区域提取方法 | |
| CN116152206A (zh) | 一种光伏输出功率预测方法、终端设备及存储介质 | |
| Cai et al. | Cloud classification of satellite image based on convolutional neural networks | |
| CN112446256A (zh) | 一种基于深度isa数据融合的植被类型识别方法 | |
| CN117726938A (zh) | 深度多尺度注意力网络模型和基于限量训练样本的高光谱图像分类方法 | |
| Brusova et al. | An innovative strategy for seismic swell noise removal using deep neural networks |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| 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 |