CN111652289B - 合成孔径雷达图像的海冰海水的分割方法 - Google Patents

合成孔径雷达图像的海冰海水的分割方法 Download PDF

Info

Publication number
CN111652289B
CN111652289B CN202010411937.3A CN202010411937A CN111652289B CN 111652289 B CN111652289 B CN 111652289B CN 202010411937 A CN202010411937 A CN 202010411937A CN 111652289 B CN111652289 B CN 111652289B
Authority
CN
China
Prior art keywords
polarization
sea ice
image
sea
seawater
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
CN202010411937.3A
Other languages
English (en)
Other versions
CN111652289A (zh
Inventor
王怡然
李晓明
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.)
Hainan Chenji Technology Development Co ltd
Aerospace Information Research Institute of CAS
Original Assignee
Hainan Chenji Technology Development Co ltd
Aerospace Information Research Institute of CAS
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 Hainan Chenji Technology Development Co ltd, Aerospace Information Research Institute of CAS filed Critical Hainan Chenji Technology Development Co ltd
Priority to CN202010411937.3A priority Critical patent/CN111652289B/zh
Publication of CN111652289A publication Critical patent/CN111652289A/zh
Application granted granted Critical
Publication of CN111652289B publication Critical patent/CN111652289B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • 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
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/10—Terrestrial scenes
    • G06V20/13—Satellite images
    • 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
    • G06T2207/20—Special algorithmic details
    • G06T2207/20084—Artificial neural networks [ANN]
    • 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
    • G06T2207/30184—Infrastructure

Landscapes

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

Abstract

本发明提供了一种合成孔径雷达（SAR）图像的海冰海水的分割方法，包括：对合成孔径雷达交叉、同极化遥感数据进行预处理；对预处理后的图像数据利用HV极化、HV极化与HH极化之差，HV极化与HH极化之比三组数据合成三通道遥感图像；选取不同季节和不同海洋环境条件的三通道遥感图像进行海冰和海水范围的人工标注，并对标记好的图像进行增强操作，生成训练样本集；将上述步骤所生成的训练样本数据作为输入，完成对深度学习模型的训练，得到海冰和海水自动分割模型；以及后续得到海冰和海水的识别的初步结果并最终得到海冰和海水分割的图像的步骤。本申请充分利用了海水和海冰在不同SAR极化图像中的响应差异，可以完全自动化实现海冰和海水的分割。

Description

合成孔径雷达图像的海冰海水的分割方法
技术领域
本发明涉及卫星遥感海洋监测技术，具体地说，涉及星载合成孔径雷达(Synthetic aperture radar,简称为SAR)海洋遥感，更具体的说，涉及一种合成孔径雷达图像的海冰海水的分割方法。
背景技术
海洋遥感(ocean remote sensing)利用传感器对海洋进行远距离非接触观测，以获取海洋景观和海洋要素的图像或数据资料。海洋不断向环境辐射电磁波能量，海面还会反射或散射太阳和人造辐射源(如雷达)射来的电磁波能量，故可设计一些专门的传感器，把它装载在人造卫星、宇宙飞船、飞机、火箭和气球等携带的工作平台上，接收并记录这些电磁辐射能，再经过传输、加工和处理，得到海洋图像或数据资料。
海洋遥感技术主要包括以光、电等信息载体和以声波为信息载体的两大遥感技术。海洋遥感技术是海洋环境监测的重要手段。卫星遥感技术的突飞猛进，为人类提供了从空间观测大范围海洋现象的可能性。目前，美国、日本、俄罗斯等国已发射了百余颗专用海洋卫星，为海洋遥感技术提供了坚实的支撑平台。
近年来随着北极海冰持续消退，冰川消融，和由此带来的海平面上升、高纬度地区极端天气不断出现等一系列的气候变化，北极地区成为了众人关注的焦点。北极地区覆盖的海冰是影响全球气候的关键因素，同时，也影响着大洋环流、水文要素及海洋生物的分布。
在遥感技术出现之前，海冰监测主要由站点，船只及飞机来进行观测。由于这些方式监测范围有限，难以提供大范围的观测数据。卫星技术的发展解决了这一问题。卫星遥感技术具有大范围，同步观测的特点，有利于对海冰进行连续观测。SAR作为主动微波遥感，具有穿云透雨、全天时全天候观测和高空间分辨率的特性，使其在海冰观测上更有优势。同时，SAR还具备多种极化方式，不同极化方式的图像上海水和海冰的特征并不相同，进一步为海冰检测提供了有利条件。
目前基于SAR图像对海冰和海水进行分割的算法中，主要有基于规则的算法和基于机器学习的算法。基于规则的算法主要使用边缘提取，分水岭，灰度共生矩阵，区域生长等技术，结合人工设定的阈值进行海冰和海水的分割。由于不同季节，不同海况条件下，海冰和海水在SAR图像中会呈现不同的特征，这导致很难人为的确定一种通用的海冰和海水识别的规则。基于机器学习的算法并不人工预先设定规则，而是让算法通过已经人工标记好的海冰和海水的检测结果，即训练样本，进行自主学习，自动提取海水和海冰的特征信息并进行区分，从而实现对未标记的数据进行海冰和海水的识别。
发明内容
针对上述问题，本发明提供一种合成孔径雷达图像的海冰海水的分割方法，可以更加精确的对海冰海进行图像分割。
本申请公开的合成孔径雷达图像的海冰海水的分割方法，提供了如下技术方案：
根据本发明的一方面，提供了合成孔径雷达图像的海冰海水的分割方法，其特征在于，包括：
S11，对合成孔径雷达交叉、同极化遥感数据进行预处理；
S12，利用HV极化、HV极化与HH极化之差，HV极化与HH极化之比三组数据，合成三通道遥感图像；
S13，选取不同季节和不同海洋环境条件的三通道遥感图像进行海冰和海水范围的人工标注，并对标记好的图像进行增强操作，生成训练样本集；
S14，将步骤S13所生成的训练样本数据作为输入，完成对深度学习模型的训练，得到海冰和海水自动分割模型；
S15，将新生成的未经人工标注的三通道遥感图像输入所述海冰和海水自动分割的模型，得到海冰和海水的识别的初步结果，将未能成功识别的图像挑出并进行人工修改并加入所述训练样本，所述海冰和海水自动分割模型将依据更新的训练样本集重新修正参数并再次用于海冰和海水的分割；
S16，重复S15直到分割结果达到理想精度；
S17，应用训练后的海冰和海水自动分割模型对整幅处理之后的SAR图像进行分类，最终得到海冰和海水分割的图像。
可选的，所述步骤S11中的预处理包括压缩处理,掩膜处理和辐射校正处理。
可选的，所述步骤S12中的极化步骤中，每一景SAR图像的HV极化数据将删除2％最小的数值和2％最大的数值，并对剩下的数据进行线性拉伸和取对数的处理。
可选的，所述步骤S13中的增强操作包括旋转，平移，裁切。
可选的，所述步骤S13中的海洋环境条件，可以是海况、海洋风场。
可选的，所述步骤S14中的深度学习模型采用U-net网络。
可选的，所述步骤S15中将未能成功识别的图像挑出并进行人工修改并加入所述训练样本，是通过目视解译的方法。
根据本发明的第二个方面，提供了一种计算机可读存储介质，其特征在于，所述存储介质中存储有至少一条指令、至少一段程序、代码集或指令集，所述至少一条指令、所述至少一段程序、所述代码集或指令集由所述处理器加载并执行以实现上述的合成孔径雷达图像的海冰海水分割方法。
本发明提供了一种合成孔径雷达图像的海冰海水的分割方法，利用了海冰和海水在SAR在同极化(本发明以HH为例)的和交叉极化(本发明以HV为例)图像中呈现的不同特征，以及交叉极化和同极化差异关系，利用深度学习算法，通过对人工标记的训练样本进行学习，建立了可以对海冰和海水自动识别的模型。并且引入了主动学习的理念，实现了训练样本集有针对性的对处于分类边缘的困难样本进行扩充。
本发明优点是：1.充分利用了海水和海冰在不同SAR极化图像中的响应差异。2.深度学习模型的结构设计使得模型可以利用有限的训练样本提取海冰和海水的不同特征并进行有效识别，而不会因为样本量的不足出现过拟合现象，从而使模型具有较高分割精度。3.在主动学习概念的指导下，在训练样本中加入被模型错误分割的样例，可以使学习更有针对性，从而加快了模型性能提高的速度，并保证了模型对于困难情况的分类的准确度。最终完成训练的深度学习模型，可以完全自动化实现海冰和海水的分割。
附图说明
以下将结合附图对本发明的实施方案进行描述，其中：
图1为本发明实施例提供的合成孔径雷达图像的海冰海水的分割方法的流程示意图；
图2为一个合成三通道遥感图像的示例；
图3为本发明对一个三通道影像进行海冰海水分割模型处理后，海冰海水分割结果的效果示意图；
图4为本发明实现合成孔径雷达图像的海冰海水的分割方法的卫星海洋遥感资料获取并传输给服务器示意图；
图5为本发明实现合成孔径雷达图像的海冰海水的分割方法中服务器或用户端的具体结构示意图。
具体实施方式
下面将参照附图对本发明的合成孔径雷达图像的海冰海水的分割技术实施方案进行详细说明。
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
本发明的说明书和权利要求书及上述附图中的术语“包括”和“具有”以及他们任何变形，意图在于覆盖不排他的包含。例如包含了一系列步骤或单元的过程、方法、系统、产品或设备没有设定于已列出的步骤或单元，而是可包括没有列出的步骤或单元。
图1为本申请实施例提供的合成孔径雷达图像的海冰海水的分割方法的示意图，包括以下步骤：
S11，对合成孔径雷达交叉极化、同极化遥感数据图像进行预处理。
当雷达电磁波电场矢量垂直于入射面时称为水平极化，用H(Horizontal)表示，当雷达电磁波的电场矢量平行于波束入射面时称为垂直极化，用V(Vertical)表示。
雷达系统常用的四种极化方式为：(1)用于水平发射和水平接收的HH极化；(2)用于垂直发射和垂直接收的VV极化；(3)用于水平发射和垂直接收的HV极化；(4)用于垂直发射和水平接收的VH极化。
在上述的极化组合中，HH极化和VV极化因发射和接收极化相同故统称为同极化，HV极化和VH极化因发射和接收极化彼此正交故统称为交叉极化。
所述预处理包括压缩处理,掩膜处理和辐射校正处理。
辐射校正，即合成孔径雷达数据辐射定标(Radiometric calibration)。
辐射定标是指将SAR数据的亮度灰度值(即DN，Digital Number值)转换为雷达后向散射系数σ0。定标公式为：
Figure BDA0002493556640000061
上式中，σ0为雷达的后向散射系数，DNi为影像中每个像元的灰度值，Ai为定标参数。本申请所获取的SAR数据，都会随数据提供相应的辐射定标参数。此外，多数SAR数据都会提供噪声估计结果，即：
Figure BDA0002493556640000062
上式中，ηi为noiseLut(i)。Lut表示Look-up-table，即查找表。简单讲，根据这个查找表，可以估计每个SAR数据中每个像元对应的噪声。
因此，辐射定标的基本概念是：利用辐射定标系数将SAR数据的亮度灰度值转化为雷达后向散射系数，然后再减去噪声。
合成孔径雷达是一种主动遥感传感器，即传感器主动发射微波信号，地表反射这些微波信号，反射信号再次到达传感器。由于微波信号不受光线、大气影响，所以无需大气校正。
本申请中的掩膜处理具体是陆地掩膜，即对图像上陆地区域作屏蔽，使其不参加处理或不参加处理参数的计算。
S12，对预处理后的图像数据利用HV极化，HV极化与HH极化之差，HV极化与HH极化之比三组数据，合成三通道遥感图像。
该三通道遥感图像就作为海冰和海水识别的依据。其中，对于HV极化数据，将删除每一景数据中2％最小的数值和2％最大的数值，并对剩下的数据进行线性拉伸，其中每一景数据根据自身的灰度范围分别做拉伸，以达到最佳的细节呈现效果。对于HV极化与HH极化之差和HV极化与HH极化之比，首先将进行取对数的处理，将线性单位转化为分贝单位，然后将对所有的数据做统一的拉伸处理，以保持所有数据HV极化与HH极化的相对关系。
对预处理后的图像数据利用HV极化，HV极化与HH极化之差，HV极化与HH极化之比三组数据，合成三通道遥感图像。
一个合成三通道遥感图像如图2所示。
极化合成孔径雷达(PolSAR)通过测量地面每个分辨单元内的散射回波，进而获得其极化散射矩阵以及Stokes矩阵。极化散射矩阵将目标散射的能量特性、相位特性和极化特性统一起来，相对完整地描述了雷达目标的电磁散射特性，为更加深入地研究地物目标提供了重要的依据，极大地增强了成像雷达对目标信息。
极化是微波的一个突出特点，极化方式不同返回的图像信息也不同。
雷达遥感系统常用四种极化方式——HH、VV、HV、VH。对于应用的SAR图像类型来说，一般有单极化(水平极化HH或垂直极化VV)、双极化(HH和VV；HH和HV；VV和VH。其中HV和VH是交叉极化)和全极化(HH，VV，HV，VH)三种不同极化组合的数据图像。
HH极化图像和HV极化图像有着不同的特点。利用HH极化图像有时难以将被海洋风场影响的粗糙水面和海冰分开，而在HV极化图像中，由于海水的表面散射对于雷达交叉极化响应较弱，而海冰的体散射响应较强，因此二者呈现出强烈的对比。此外，HV极化图像后向散射系数不随雷达入射角变化，这也就意味着在相同海洋风场条件下，在交叉极化雷达图像中大范围的海面具有相似的后向散射系数。不会由于仅仅入射角改变导致海面在SAR数据雷达后向散射系数发生明显改变，增加其与海冰区分的难度。因此，交叉极化雷达图像更加有利于海水和海冰的识别。然而，仅仅根据交叉极化图像的信息无法满足精确分类的要求。加入同极化图像和其与交叉极化图像的差异关系(例如，比值、差值)，可以更好的为海冰和海水的分割提供依据。
由于物理特性不同，海冰和海水对不同极化的敏感度是不同的，充分利用海水和海冰在不同SAR极化图像中的响应差异，如HH极化和HV极化的相对差异，也可以反应海冰和海水的不同特征。
本申请选取HV极化，HV极化与HH极化之差，HV极化与HH极化之比三组数据组合，合成三通道影像。该三通道影像为海冰和海水识别的依据。如此，既可以发挥HV极化数据下海冰和海水有强烈对比的优势，避免受到HH极化数据的干扰，又可以充分利用双极化SAR图像比单极化SAR图像提供的更加详细的信息。从而可以更好地完成海冰和海水的分割。
可选的，在极化步骤中，每一景SAR图像的HV极化数据将删除2％最小的数值和2％最大的数值，并对剩下的数据进行线性拉伸。对所有的SAR图像的HV极化与HH极化之差，HV极化与HH极化之比这两组，做取对数处理并且进行统一的线性拉伸，以保持数据的相对比例关系。
S13，选取不同季节和不同海洋环境条件(海况、海洋风场等)的三通道遥感图像进行海冰和海水范围的人工标注，并对标记好的图像进行增强操作，生成训练样本集。
人工标注的结果以和SAR图像等大的二值图像呈现。对应位置的数值代表该位置是海水(0)或者海冰(1)。
对标记好的图像进行增强操作，例如旋转，平移，裁切等。这些操作有两个目的，第一是扩充训练样本的数量，第二是增加训练样本的多样性。
可选的，该步骤中，生成的训练样本集的大小应合理选择，需要即可以保证海冰和海水不同纹理的全面呈现，又可以保证以此为输入的深度学习模型的规模在所使用的计算机的算力之内。
S14，将步骤S13所生成的训练样本数据作为输入，完成对深度学习模型的训练，得到海冰和海水自动分割模型。
基于机器学习的海冰海水识别算法会具有更好的通用性和鲁棒性。本发明，例如采用的深度学习网络结构为U-net网络，这个网络的结构是对称的，形似英文字母U所以被称为U-net。U-net的结构如图2所示。这是一种编码器-解码器结构。编码器逐渐减少池化层的空间维度，解码器逐步修复物体的细节和空间维度。编码器和解码器之间存在残差连接，因此能帮助解码器更好地修复目标的细节。
深度学习模型的U形结构设计使得模型可以利用有限的训练样本提取海冰和海水的不同特征并进行有效识别，而不会因为样本量的不足出现过拟合现象，从而使模型具有较高分割精度。
S15，将新生成的未经人工标注的三通道遥感图像输入所述海冰和海水自动分割的模型，得到海冰和海水的识别的初步结果，将未能成功识别的图像挑出并进行人工修改并加入所述训练样本，所述海冰和海水自动分割模型将依据更新的训练样本集重新修正参数并再次用于海冰和海水的分割。
通过目视解译的方法将未能成功识别的图像挑出并进行人工修改并加入样本集，模型将依据更新的训练样本集，通过后向传播的方法，重新修正深度学习网络中每个网络节点的权重和偏置项，使得预测结果和人工标注的差异(也就是深度学习网络的损失函数)逐渐变小，之前未能成功识别的图像也可以被正确识别。从而得到更为优化的深度学习模型。该模型将再次用于海冰和海水的分割。
标注数据是一个很棘手的问题，特别是在遥感领域。因为遥感领域数据获取成本高，且标注需要具有相关专业知识的专家进行目视解译。那么，如果能用少量的标注数据去训练一个效果好的模型，将是一个很有意义的工作。主动学习这个概念，就是为解决这一问题而提出的。当有标记数据少、而无标记数据多，同时人工标注成本太高的时候，算法请求标注部分当前模型难以正确分割的数据，用这些标注数据优化模型。该步骤通过不断挑选模型未能成功分割海水和海冰的SAR图像，将最有用的数据加入样本集，实现了模型的主动学习。这种做法可以有效地减小训练集及标注成本，提高分割模型的学习效率和分割精度。
该步骤中，深度学习未能成功识别的图像，多为海冰和海水在SAR图像中差异不明显，强烈海洋风导致粗糙海表面和海冰难以分开的情况。这相当于挑选出当前模型认为最难区分的样本给相关领域的专家进行标注。将这些海冰海水难以分割困难情况加入训练样本库，有助于深度学习提升学习效率和对困难情况的分类的准确度。
如此，在主动学习概念的指导下，在训练样本中加入被模型错误分割的样例，可以使学习更有针对性，从而加快了模型性能提高的速度，并保证了模型对于困难情况的分类的准确度。最终完成训练的深度学习模型，可以完全自动化实现海冰和海水的分割。
S16，重复S15直到分割结果达到理想精度。
通常，我们根据专家目视解译去判断分割结果是否达到理想精度。并无明确规定这个精度是多少。我们研究认为达到90％以上即为非常理想的结果。
S17，应用训练后的海冰和海水自动分割模型对整幅处理之后的SAR图像进行分类，最终得到海冰和海水分割的图像。
如图3所示，为本发明对一个三通道影像进行海冰海水分割模型处理后，海冰海水分割结果的效果示意图。
因此，本发明提供了一种合成孔径雷达图像的海冰海水的分割方法，充分利用了海水和海冰在不同SAR极化图像中的响应差异，深度学习模型的结构设计使得模型可以利用有限的训练样本提取海冰和海水的不同特征并进行有效识别，而不会因为样本量的不足出现过拟合现象，从而使模型具有较高分割精度，在主动学习概念的指导下，在训练样本中加入被模型错误分割的样例，可以使学习更有针对性，从而加快了模型性能提高的速度，并保证了模型对于困难情况的分类的准确度。最终完成训练的深度学习模型，可以完全自动化实现海冰和海水的分割。
与上述本发明申请公开的一种合成孔径雷达图像的海冰海水的分割方法实施例所描述的方法对应，本申请还提供了一种合成孔径雷达图像的海冰海水的分割装置的实施例，该装置与上述方法步骤一一对应，在此不再赘述。
本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的装置而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。
对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下，在其它实施例中实现。因此，本发明将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。
需要说明的是，上述实施例提供的装置，在实现其功能时，仅以上述各功能模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能模块完成，即将设备的内部结构划分成不同的功能模块，以完成以上描述的全部或者部分功能。另外，上述实施例提供的装置与方法实施例属于同一构思，其具体实现过程详见方法实施例，这里不再赘述。
如图4为本发明实现合成孔径雷达图像的海冰海水的分割方法的卫星海洋遥感资料获取并传输给服务器示意图。
请参考图5，其示出了本发明一个实施例提供的服务器或终端的结构示意图，该设备900可以是服务器，也可以是用户端。具体来讲：设备900可以包括RF(Radio Frequency，射频)电路910、包括有一个或一个以上计算机可读存储介质的存储器920、输入单元930、显示单元940、传感器950、音频电路960、WiFi(wireless fidelity，无线保真)模块970、包括有一个或者一个以上处理核心的处理器980、以及电源990等部件。本领域技术人员可以理解，图5中示出的设备结构并不构成对设备的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置。
处理器980是设备900的控制中心，利用各种接口和线路连接整个设备的各个部分，通过运行或执行存储在存储器920内的软件程序和/或模块，以及调用存储在存储器920内的数据，执行设备900的各种功能和处理数据，从而对设备进行整体监控。可选的，处理器980可包括一个或多个处理核心；可选的，处理器980可集成应用处理器和调制解调处理器，其中，应用处理器主要处理操作系统、用户界面和应用程序等，调制解调处理器主要处理无线通信。可以理解的是，上述调制解调处理器也可以不集成到处理器980中。
所述计算机可读介质可以包括计算机存储介质和通信介质。计算机存储介质包括以用于存储诸如计算机可读指令、数据结构、程序模块或其他数据等信息的任何方法或技术实现的易失性和非易失性、可移动和不可移动介质。计算机存储介质包括RAM、ROM、EPROM、EEPROM、闪存或其他固态存储其技术，CD-ROM、DVD或其他光学存储、磁带盒、磁带、磁盘存储或其他磁性存储设备。当然，本领域技术人员可知所述计算机存储介质不局限于上述几种。上述的系统存储器1004和大容量存储设备1007可以统称为存储器。可选的，该存储器中存储有至少一条指令、至少一段程序、代码集或指令集，至少一条指令、至少一段程序、代码集或指令集由处理器加载并执行以实现上述各个方法实施例提供的合成孔径雷达图像的海冰海水的分割方法。
上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。本领域普通技术人员可以理解实现上述实施例的直播控制方法中全部或部分步骤可以通过硬件来完成，也可以通过程序来指令相关的硬件完成，所述的程序可以存储于一种计算机可读存储介质中，上述提到的存储介质可以是只读存储器，磁盘或光盘等。或者说，该存储介质中存储有至少一条指令、至少一段程序、代码集或指令集，该至少一条指令、至少一段程序、代码集或指令集由处理器加载并执行以实现如上述各个方法实施例中所述的合成孔径雷达图像的海冰海水的分割方法。
本领域普通技术人员可以理解实现上述实施例的合成孔径雷达图像的海冰海水的分割中全部或部分步骤可以通过硬件来完成，也可以通过程序来指令相关的硬件完成，所述的程序可以存储于一种计算机可读存储介质中，上述提到的存储介质可以是只读存储器，磁盘或光盘等。或者说，该存储介质中存储有至少一条指令、至少一段程序、代码集或指令集，该至少一条指令、至少一段程序、代码集或指令集由处理器加载并执行以实现如上述各个方法实施例中所述的合成孔径雷达图像的海冰海水的分割方法。
综上，通过本发明，本发明提供了一种合成孔径雷达图像的海冰海水的分割装置，本发明利用了海冰和海水在SAR在同极化(本发明以HH为例)的和交叉极化(本发明以HV为例)图像中呈现的不同特征，以及交叉极化和同极化差异关系，利用深度学习算法，通过对人工标记的训练样本进行学习，建立了可以对海冰和海水自动识别的模型。并且引入了主动学习的理念，实现了训练样本集有针对性的对处于分类边缘的困难样本进行扩充。
最后应说明的是：以上各实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述各实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的范围。

Claims (9)

1.合成孔径雷达图像的海冰海水的分割方法，其特征在于，包括：
S11，对合成孔径雷达交叉、同极化遥感数据进行预处理；
S12，利用HV极化、HV极化与HH极化之差，HV极化与HH极化之比三组数据，合成三通道遥感图像；
S13，选取不同季节和不同海洋环境条件的三通道遥感图像进行海冰和海水范围的人工标注，并对标记好的图像进行增强操作，生成训练样本集；
S14，将步骤S13所生成的训练样本数据作为输入，完成对深度学习模型的训练，得到海冰和海水自动分割模型；
S15，将新生成的未经人工标注的三通道遥感图像输入所述海冰和海水自动分割的模型，得到海冰和海水的识别的初步结果，将未能成功识别的图像挑出并进行人工修改并加入所述训练样本，所述海冰和海水自动分割模型将依据更新的训练样本集重新修正参数并再次用于海冰和海水的分割；
S16，重复S15直到分割结果达到理想精度；
S17，应用训练后的海冰和海水自动分割模型对整幅处理之后的SAR图像进行分类，最终得到海冰和海水分割的图像。
2.根据权利要求1所述的方法，其特征在于，所述步骤S11中的交叉极化包括水平-垂直交叉极化。
3.根据权利要求1所述的方法，其特征在于，所述步骤S11中的预处理包括压缩处理,掩膜处理和辐射校正处理。
4.根据权利要求1所述的方法，其特征在于，所述步骤S12中的极化步骤中，每一景SAR图像的HV极化数据将删除2％最小的数值和2％最大的数值，并对剩下的数据进行线性拉伸和取对数的处理。
5.根据权利要求1所述的方法，其特征在于，所述步骤S13中的增强操作包括旋转，平移，裁切。
6.根据权利要求1所述的方法，其特征在于，所述步骤S13中的海洋环境条件，是海况、海洋风场。
7.根据权利要求1所述的方法，其特征在于，所述步骤S14中的深度学习模型采用U-net网络。
8.根据权利要求1所述的方法，其特征在于，所述步骤S15中将未能成功识别的图像挑出并进行人工修改并加入所述训练样本，是通过目视解译的方法。
9.一种计算机可读存储介质，其特征在于，所述存储介质中存储有至少一条指令、至少一段程序、代码集或指令集，所述至少一条指令、所述至少一段程序、所述代码集或指令集由处理器加载并执行以实现如权利要求1至8任一项所述的合成孔径雷达图像的海冰海水的分割方法。
CN202010411937.3A 2020-05-15 2020-05-15 合成孔径雷达图像的海冰海水的分割方法 Active CN111652289B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010411937.3A CN111652289B (zh) 2020-05-15 2020-05-15 合成孔径雷达图像的海冰海水的分割方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010411937.3A CN111652289B (zh) 2020-05-15 2020-05-15 合成孔径雷达图像的海冰海水的分割方法

Publications (2)

Publication Number Publication Date
CN111652289A CN111652289A (zh) 2020-09-11
CN111652289B true CN111652289B (zh) 2023-01-13

Family

ID=72344402

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010411937.3A Active CN111652289B (zh) 2020-05-15 2020-05-15 合成孔径雷达图像的海冰海水的分割方法

Country Status (1)

Country Link
CN (1) CN111652289B (zh)

Families Citing this family (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112102324B (zh) * 2020-09-17 2021-06-18 中国科学院海洋研究所 一种基于深度U-Net模型的遥感图像海冰识别方法
CN112330765B (zh) * 2020-11-04 2022-11-01 中国科学院西北生态环境资源研究院 海冰数据处理方法、装置、服务器及可读存储介质
CN114170139A (zh) * 2021-11-09 2022-03-11 深圳市衡兴安全检测技术有限公司 近岸海域生态灾害预警方法、装置、电子设备及存储介质
CN115170895B (zh) * 2022-09-09 2022-11-22 威海经济技术开发区天智创新技术研究院 一种基于图像处理的海洋区域分类方法及装置
CN115760748B (zh) * 2022-11-14 2023-06-16 江苏科技大学 一种基于深度学习的冰体环向裂纹尺寸测量方法
CN117576553B (zh) * 2024-01-15 2024-04-02 中国海洋大学 双极化sar图像海洋冰涡识别方法、装置和电子设备

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102122352A (zh) * 2011-03-01 2011-07-13 西安电子科技大学 基于特征值分布统计特性的极化sar图像分类方法
CN105139369A (zh) * 2015-08-24 2015-12-09 中国热带农业科学院橡胶研究所 消除基于palsar雷达影像的森林分类结果中城市建筑像元方法
CN110276365A (zh) * 2018-03-16 2019-09-24 中国科学院遥感与数字地球研究所 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

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102122352A (zh) * 2011-03-01 2011-07-13 西安电子科技大学 基于特征值分布统计特性的极化sar图像分类方法
CN105139369A (zh) * 2015-08-24 2015-12-09 中国热带农业科学院橡胶研究所 消除基于palsar雷达影像的森林分类结果中城市建筑像元方法
CN110276365A (zh) * 2018-03-16 2019-09-24 中国科学院遥感与数字地球研究所 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

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
A Neural Network-Based Classification for Sea Ice Types on X-Band SAR Images;Rudolf Ressel 等;《IEEE JOURNAL OF SELECTED TOPICS IN APPLIED EARTH OBSERVATIONS AND REMOTE SENSING》;20150731;全文 *
Capability of L-band SAR data in mapping of sedimentary formations of the Marmul region, Sultanate of Oman;Sankaran Rajendran 等;《Earth Science Informatics》;20181231;全文 *
高分3号星载合成孔径雷达极地海冰自动检测方法研究;郑敏薇 等;《海洋学报》;20180930;全文 *

Also Published As

Publication number Publication date
CN111652289A (zh) 2020-09-11

Similar Documents

Publication Publication Date Title
CN111652289B (zh) 合成孔径雷达图像的海冰海水的分割方法
Tsokas et al. SAR data applications in earth observation: An overview
CN109374985A (zh) 电磁环境监测方法、系统及存储介质
CN108766203B (zh) 一种紧致极化水稻制图的方法及系统
US8401793B2 (en) High resolution wind measurements for offshore wind energy development
CN113920448B (zh) 洪水淹没信息提取方法、装置、电子设备及存储介质
CN110703244A (zh) 基于遥感数据识别城区内水体的方法和装置
Krecke et al. Detecting ships in the New Zealand exclusive economic zone: Requirements for a dedicated SmallSat SAR mission
Achiri et al. SAR and AIS fusion for maritime surveillance
Shao et al. Cyclone wind retrieval based on X-band SAR-derived wave parameter estimation
US20130216151A1 (en) Systems and methods for image sharpening
Li et al. An autofocus scheme of bistatic SAR considering cross-cell residual range migration
Yang et al. Mitigation of rain effect on wave height measurement using X-band radar sensor
CN114509758A (zh) 一种基于分形维数和极化分解的月表平坦区域选取方法
CN112379373B (zh) 一种星载sar实时成像装置
Yu et al. Feature extraction of dual-pol SAR imagery for sea ice image segmentation
CN112966656A (zh) 数据处理方法及装置
Li et al. Application of the combined feature tracking and maximum cross-correlation algorithm to the extraction of sea ice motion data from GF-3 imagery
Komarov et al. Sea ice concentration from the RADARSAT Constellation Mission for numerical sea ice prediction
CN115546658B (zh) 一种数据集质量提升与改进cnn相结合的夜间云检测方法
US11971309B2 (en) Measurement data processing device
Leshkevich et al. Satellite SAR remote sensing of Great Lakes ice cover, part 2. Ice classification and mapping
Schwartz et al. On-board satellite data processing to achieve smart information collection
Nasirzadehdizaji et al. Flood mapping and permanent water bodies change detection using Sentinel SAR data
CN107895169A (zh) 一种基于envisat asar双极化数据提取湿地信息的方法

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