CN112966612B - 基于牛顿积分神经动力学的北极海冰遥感图像提取方法 - Google Patents
基于牛顿积分神经动力学的北极海冰遥感图像提取方法 Download PDFInfo
- Publication number
- CN112966612B CN112966612B CN202110260191.5A CN202110260191A CN112966612B CN 112966612 B CN112966612 B CN 112966612B CN 202110260191 A CN202110260191 A CN 202110260191A CN 112966612 B CN112966612 B CN 112966612B
- Authority
- CN
- China
- Prior art keywords
- sea ice
- remote sensing
- sensing image
- arctic
- extraction
- 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.)
- Expired - Fee Related
Links
- 238000000034 method Methods 0.000 title claims description 45
- 238000000605 extraction Methods 0.000 claims abstract description 76
- 238000013178 mathematical model Methods 0.000 claims abstract description 11
- 238000001228 spectrum Methods 0.000 claims abstract description 4
- 239000011159 matrix material Substances 0.000 claims description 30
- 230000008878 coupling Effects 0.000 claims description 15
- 238000010168 coupling process Methods 0.000 claims description 15
- 238000005859 coupling reaction Methods 0.000 claims description 15
- 230000003287 optical effect Effects 0.000 claims description 12
- 238000005457 optimization Methods 0.000 claims description 9
- 238000012937 correction Methods 0.000 claims description 6
- 238000007781 pre-processing Methods 0.000 claims description 6
- 230000004044 response Effects 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 claims description 4
- 238000006243 chemical reaction Methods 0.000 claims description 3
- 150000001875 compounds Chemical class 0.000 claims description 3
- 238000000354 decomposition reaction Methods 0.000 claims description 3
- 238000001914 filtration Methods 0.000 claims description 3
- 230000003595 spectral effect Effects 0.000 claims description 3
- OAICVXFJPJFONN-UHFFFAOYSA-N Phosphorus Chemical compound [P] OAICVXFJPJFONN-UHFFFAOYSA-N 0.000 claims description 2
- 239000013535 sea water Substances 0.000 abstract description 3
- 230000003313 weakening effect Effects 0.000 abstract 1
- 238000010586 diagram Methods 0.000 description 24
- 238000011478 gradient descent method Methods 0.000 description 18
- 238000005516 engineering process Methods 0.000 description 5
- 238000010835 comparative analysis Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 230000014759 maintenance of location Effects 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 238000002844 melting Methods 0.000 description 2
- 230000008018 melting Effects 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 238000011002 quantification Methods 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 238000009825 accumulation Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000035515 penetration Effects 0.000 description 1
- 230000005855 radiation Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- 238000010792 warming Methods 0.000 description 1
Images
Classifications
-
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/11—Complex mathematical operations for solving equations, e.g. nonlinear equations, general mathematical optimization problems
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/25—Determination of region of interest [ROI] or a volume of interest [VOI]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
- G06V10/267—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion by performing operations on regions, e.g. growing, shrinking or watersheds
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Abstract
本发明公开了一种基于牛顿积分神经动力学的北极海冰遥感图像提取方法，首先对原始的北极海冰遥感图像进行预处理，利用特征指数法获得特征光谱向量并计算自相关矩阵，然后基于约束能量最小化模型，构建针对海冰提取的有限脉冲响应线性滤波器，其次利用牛顿积分神经动力学算法求解，最后基于Otsu算法得到最佳提取阈值，完成北极海冰提取。与以往海冰提取算法相比，本发明所提出的算法能实现多源传感器获取的北极海冰遥感图像提取，并将约束能量最小化提取模型简化为线性等式方程数学模型的求解，大大提高北极海冰提取的普适性与简易性，并能有效针对北极区域进行海冰提取，削弱背景光谱信息，分离海水与海冰，得到较高精度的北极海冰提取结果。
Description
技术领域
本发明涉及遥感图像处理技术领域，尤其涉及基于牛顿积分神经动力学的北极海冰遥感图像提取方法。
背景技术
随着全球变暖和海冰融化，极地丰富的资源受到全球的关注，特别是北极航道的贯通可能改变全球航运形势，其战略地位日益重要。值得一提的是，北极是地球系统的重要组成部分，发挥着自然冷源的作用，并且影响着生态平衡，能量交换和气候变化。不仅如此，北极海冰的移动、融化、面积变化和厚度变化将直接影响北极与邻近海域之间的能量交换和平衡。为此，开展北极海冰的实时动态监测和观测，对于深入认识北极物质输运、能量交互、以及预测东亚极端气候具有极其重要的意义。
考虑到遥感技术在大规模和高分辨率观测的独特优势，对于受固有地理限制难以进行实际观测的北极地区，它的大范围，可获取和可持续性优势更为突出，已成为目前北极最为有效的观测手段。其中，光学卫星具有高空间分辨率和高时间分辨率的优秀成像特性，例如Sentinel-2 MSI多光谱成像仪，LandSat8 OLI陆地成像仪，以及MODIS等，这些均被视为用于北极海冰监测强有力的手段。因此，为了服务后续的北极研究工作，从大量的光学遥感图像中准确提取北极海冰是最为关键的前期任务。近年来，最为前沿的北极海冰提取方法大概可分为三类：基于观测器的北极海冰提取方法，基于后向散射系数反演的北极海冰提取方法，和基于神经网络的北极海冰提取方法。即使上述这三大类方法以及他们相关的变式在方法论和实际应用上对北极海冰提取取得了建设性和前瞻性的成果，但也存在着各自的不足。例如，基于观测器的北极海冰提取方法需要依赖人为设计经验，这大大降低了它在不同应用场景下的通用性和可行性。而基于后向散射系数反演的北极海冰提取方法在遥感信息处理方面需要较高的专业知识储备，在遥感图像采集方面需要较多的技术积累，不利于大范围推广与应用；基于神经网络的北极海冰提取方法虽然可以胜任更复杂的海冰提取任务，但需要大量的海冰数据采集和构建专门的训练框架，需要花费大量的时间。
除此之外，在计算机工程和遥感处理技术中，噪声干扰是不可避免的，现有的北极海冰提取方法或其相关的改进算法没有考虑噪声扰动对求解模型的影响，这在很大程度上限制了其在实际应用场景中的使用范围。
发明内容
针对上述存在的问题，本发明旨在提供一种基于牛顿积分神经动力学的北极海冰遥感图像提取方法，能够有效解决现有的北极海冰光学遥感图像提取方法中复杂度高、通用程度低、抗噪性能差、识别精度低等问题。
为了实现上述目的，本发明所采用的技术方案如下：
基于牛顿积分神经动力学的北极海冰遥感图像提取方法，其特征在于，包括以下步骤，
S1：输入待提取北极海冰遥感图像
其中，X为待提取北极海冰遥感图像，
代表实数域，M为图像的行数，N为图像的列数，L为图像的波段数；
S2：利用二维化的方法，将步骤S1中输入的待提取北极海冰遥感图像
转化为二维矩阵形式
其中，P＝M×N表示遥感图像的总像素数，
表示遥感图像的像元矢量，第i个像元可以表示为
1≤i≤P；
S3：对步骤S2中转化后的待提取北极海冰遥感图像的二维矩阵进行预处理；
S4：从预处理后的待提取北极海冰遥感图像的二维矩阵中提取海冰的特征光谱向量d，其中，
且根据待提取北极海冰遥感图像作为先验条件，计算自相关矩阵
S5：基于约束能量最小化模型，构建针对海冰提取的有限脉冲响应线性滤波器，
式中，
表示待求的最优滤波系数；
S6：利用拉格朗日乘数法将步骤S5中的有限脉冲响应线性滤波器转化为无约束最优化数学模型，F(υ)＝υTΛυ+λ(dTυ-1)，式中，
为拉格朗日乘子，
代表正实数域；
S7：将步骤S6中无约束最优化数学模型转化为线性方程教学模型，Qxk＝r，式中，耦合系数矩阵
耦合系数向量
为待求耦合向量，包括待求的最优滤波系数
与待求的拉格朗日乘子λk，式中，υk为k时刻的滤波系数矩阵，λk为k时刻对应的拉格朗日乘子，vk 1为υk的第一个分量，vk 2为υk的第二个分量，以此类推，vk L为υk的第L个分量，k为正整数；
S8：结合步骤S7中的线性方程教学模型，设计牛顿积分神经动力学演化模型，对步骤S6中的无约束最优化数学模型进行求解；
S9：基于步骤S8中输出的最优解
进行向量分解，得到海冰提取的最优滤波系数向量
式中，λ*代表最优解x*中包含的最优拉格朗日乘子；
S10：将步骤S2中的二维矩阵形式的输入图像
与步骤S9中得到的海冰提取最优滤波系数向量
相乘，输出滤波后的二维矩阵形式遥感图像
S11：将步骤S10中滤波输出后的遥感图像U*进行逆二维化操作，并利用Otsu阈值提取算法计算出针对北极海冰提取的最佳阈值，得到与步骤S1中输入的待提取的北极海冰遥感图像大小一致的最终北极海冰提取图像
完成北极海冰的提取。
进一步的，步骤S3中所述的预处理依次包括辐射定标、大气校正和几何校正。
进一步的，步骤S4中采用特征指数方法提取海冰的特征光谱向量。
进一步的，步骤S8的具体操作包括以下步骤，
S801：参数初始化；
S802：计算步骤S7中的线性方程教学模型误差ek＝Qxk-r，若满足||ek||2≤∈，则停止计算，令x*＝xk，输出最优解
若不满足||ek||2≤∈，则转入步骤S803；式中，Q为耦合系数矩阵，r为系数向量，xk为k时刻模型的解向量，ek为k时刻模型的误差向量，||·||2代表向量2范数算子，∈为误差终止条件，且为正数；
S803：计算误差累和项gk＝gk-1+ek；
S804：设计牛顿积分神经动力学演化模型，也即计算xk+1＝xk-Q-1(ek+gk)；
S805：令k＝k+1，转入步骤S802。
进一步的，步骤S801中参数初始化包括：
给定终止条件误差∈＝10-7；
给定随机初始迭代点υ0∈[0，1]L+1；
给定耦合系数矩阵Q，系数向量r，迭代次数k＝1；
给定初始误差累和项
进一步的，步骤S1中待提取的北极海冰遥感图像包括Sentinel-2 MSI，LandSat8OLI，以及MODIS得到的光学遥感图像。
本发明的有益效果是：
1、本发明提出的基于牛顿积分神经动力学的北极海冰遥感图像提取方法，能实现多源传感器获取的北极海冰遥感图像提取，并将约束能量最小化提取模型简化为线性等式方程数学模型的求解，大大提高北极海冰提取的普适性与简易性；
2、本发明提出的基于牛顿积分神经动力学的北极海冰遥感图像提取方法，在传统牛顿迭代算法基础上引入误差累和项gk＝gk-1+ek，能够有效地抑制提取过程中噪声对模型的干扰，鲁棒性强；
3、本发明提出的基于牛顿积分神经动力学的北极海冰遥感图像提取方法，能有效针对北极区域进行海冰提取，削弱背景光谱信息，分离海水与海冰，且能有效克服背景海水干扰，快速得到高精度的北极海冰提取结果，具有收敛速度快、鲁棒性强、计算时间短、提取精度高和分类能力强等优点，对于实时遥感图像处理及其相关军事工程应用上有极其重大的实践意义。
附图说明
图1为本发明基于牛顿积分神经动力学的北极海冰遥感图像提取方法的流程图；
图2为本发明实施例一中Sentinel-2 MSI获取的原始北极海冰遥感图像；
图3为本发明实施例一中Sentinel-2 MSI获取的原始北极海冰遥感图像对应的地物真实图；
图4为本发明实施例一中在无噪声干扰环境下，对Sentinel-2 MSI获取的原始北极海冰遥感图像经本发明牛顿积分神经动力学方法提取后的结果图；
图5为本发明实施例一中在无噪声干扰环境下，对Sentinel-2 MSI获取的原始北极海冰遥感图像经传统牛顿法提取后的结果图；
图6为本发明实施例一中在无噪声干扰环境下，对Sentinel-2 MSI获取的原始北极海冰遥感图像经梯度下降法提取后的结果图；
图7为本发明实施例一中在随机噪声干扰环境下，对Sentinel-2 MSI获取的原始北极海冰遥感图像经本发明牛顿积分神经动力学方法提取后的结果图；
图8为本发明实施例一中在随机噪声干扰环境下，对Sentinel-2 MSI获取的原始北极海冰遥感图像经传统牛顿法提取后的结果图；
图9为本发明实施例一中在随机噪声干扰环境下，对Sentinel-2 MSI获取的原始北极海冰遥感图像经梯度下降法提取后的结果图；
图10为本发明实施例二中LandSat8 OLI获取的原始北极海冰遥感图像；
图11为本发明实施例二中LandSat8 OLI获取的原始北极海冰遥感图像对应的地物真实图；
图12为本发明实施例二中在无噪声干扰环境下，对LandSat8 OLI获取的原始北极海冰遥感图像经本发明牛顿积分神经动力学方法提取后的结果图；
图13为本发明实施例二中在无噪声干扰环境下，对LandSat8 OLI获取的原始北极海冰遥感图像经传统牛顿法提取后的结果图；
图14为本发明实施例二中在无噪声干扰环境下，对LandSat8 OLI获取的原始北极海冰遥感图像经梯度下降法提取后的结果图；
图15为本发明实施例二中在随机噪声干扰环境下，对LandSat8 OLI获取的原始北极海冰遥感图像经本发明牛顿积分神经动力学方法提取后的结果图；
图16为本发明实施例二中在随机噪声干扰环境下，对LandSat8 OLI获取的原始北极海冰遥感图像经传统牛顿法提取后的结果图；
图17为本发明实施例二中在随机噪声干扰环境下，对LandSat8 OLI获取的原始北极海冰遥感图像经梯度下降法提取后的结果图；
图18为本发明实施例三中MODIS获取的原始北极海冰遥感图像；
图19为本发明实施例三中MODIS获取的原始北极海冰遥感图像对应的地物真实图；
图20为本发明实施例三中在无噪声干扰环境下，对MODIS获取的原始北极海冰遥感图像经本发明牛顿积分神经动力学方法提取后的结果图；
图21为本发明实施例三中在无噪声干扰环境下，对MODIS获取的原始北极海冰遥感图像经传统牛顿法提取后的结果图；
图22为本发明实施例三中在无噪声干扰环境下，对MODIS获取的原始北极海冰遥感图像经梯度下降法提取后的结果图；
图23为本发明实施例三中在随机噪声干扰环境下，对MODIS获取的原始北极海冰遥感图像经本发明牛顿积分神经动力学方法提取后的结果图；
图24为本发明实施例三中在随机噪声干扰环境下，对MODIS获取的原始北极海冰遥感图像经传统牛顿法提取后的结果图；
图25为本发明实施例三中在随机噪声干扰环境下，对MODIS获取的原始北极海冰遥感图像经梯度下降法提取后的结果图。
具体实施方式
为了使本领域的普通技术人员能更好的理解本发明的技术方案，下面结合附图和实施例对本发明的技术方案做进一步的描述。
如附图1所示，基于牛顿积分神经动力学的北极海冰遥感图像提取方法，包括以下步骤，
S1：输入待提取北极海冰遥感图像
其中，X为待提取北极海冰遥感图像，
代表实数域，M为图像的行数，N为图像的列数，L为图像的波段数；待提取北极海冰遥感图像包括Sentinel-2 MSI，LandSat8OLI，以及MODIS得到的光学遥感图像；
S2：利用二维化的方法，将步骤S1中输入的待提取北极海冰遥感图像
转化为二维矩阵形式
其中，P＝M×N表示遥感图像的总像素数，
表示遥感图像的像元矢量，第i个像元可以表示为
1＜i＜P；
S3：对步骤S2中转化后的待提取北极海冰遥感图像的二维矩阵进行预处理；具体的预处理操作依次包括辐射定标、大气校正和几何校正；
S4：从预处理后的待提取北极海冰遥感图像的二维矩阵中提取海冰的特征光谱向量d，其中，
且根据待提取北极海冰遥感图像作为先验条件，计算自相关矩阵
S5：基于约束能量最小化模型，构建针对海冰提取的有限脉冲响应线性滤波器，
式中，
表示待求的最优滤波系数；
S6：利用拉格朗日乘数法将步骤S5中的有限脉冲响应线性滤波器转化为无约束最优化数学模型，F(υ)＝υTΛυ+λ(dTυ-1)，式中，
为拉格朗日乘子，
代表正实数域；
S7：将步骤S6中无约束最优化数学模型转化为线性方程教学模型，Qxk＝r，式中，耦合系数矩阵
耦合系数向量
为待求耦合向量，包括待求的最优滤波系数
与待求的拉格朗日乘子λk，式中，υk为k时刻的滤波系数矩阵，λk为k时刻对应的拉格朗日乘子，vk 1为υk的第一个分量，vk 2为υk的第二个分量，以此类推，vk L为υk的第L个分量，k为正整数；
S8：结合步骤S7中的线性方程教学模型，设计牛顿积分神经动力学，对步骤S6中的无约束最优化数学模型进行求解；
具体的，S801：参数初始化；
给定终止条件误差∈＝10-7；
给定随机初始迭代点υ0∈[0，1]L+1；
给定耦合系数矩阵Q，系数向量r，迭代次数k＝1；
给定初始误差累和项
S802：计算步骤S7中的线性方程教学模型误差ek＝Qxk-r，若满足||ek||2≤∈，则停止计算，令x*＝xk，输出最优解
若不满足||ek||2≤∈，则转入步骤S803；式中，Q为耦合系数矩阵，r为系数向量，xk为k时刻模型的解向量，ek为k时刻模型的误差向量，||·||2代表向量2范数算子，∈为误差终止条件，且为正数；
S803：计算误差累和项gk＝gk-1+ek；
S804：设计牛顿积分神经动力学演化模型，也即计算xk+1＝xk-Q-1(ek+gk)；
S805：令k＝k+1，转入步骤S802。
S9：基于步骤S8中输出的最优解
进行向量分解，得到海冰提取的最优滤波系数向量
式中，λ*代表最优解x*中包含的最优拉格朗日乘子；
S10：将步骤S2中的二维矩阵形式的输入图像
与步骤S9中得到的海冰提取最优滤波系数向量
相乘，输出滤波后的二维矩阵形式遥感图像
S11：将步骤S10中滤波输出后的遥感图像U*进行逆二维化操作，并利用Otsu阈值提取算法计算出针对北极海冰提取的最佳阈值，得到与步骤S1中输入的待提取的北极海冰遥感图像大小一致的最终北极海冰提取图像
完成北极海冰的提取。
实施例一：
本实施例以来自Sentinel-2 MSI传感器获取的北极海冰光学遥感图像为原始实验数据，如附图2所示，然后应用本发明所提出的牛顿积分神经动力学算法，传统牛顿算法以及梯度下降法开展在随机噪声干扰的工作环境下的北极海冰提取，并附上在无噪声工作环境下的相应提取结果作为对比。
本实施例中使用以下定量参数作为提取性能的衡量指标：图像的灰度均值M，图像灰度的标准差SD，均值保留指数PM，总体分类精度OA，平均分类精度AA，生产者精度PA，以及Kappa系数。为了更好的可见性，将这些指标的定义如下：
式中，f(i，j)和P表示北极海冰光学遥感图像第i行第j列像素的灰度值和行数或列数；TP表示预测真值为真，TN表示预测真值为假，FP表示预测假值为真，FN表示预测假值为假，PM值表示图像灰度均值的保持效果，其值越接近1，表示保持图像细小特征效果越理想。
对比分析结果如下：
附图2为Sentinel-2 MSI获取的北极海冰原始观测图像，图像大小为1347*1347像素，空间分辨率为10m；附图3为其所对应的真值图。
如附图4、5、6所示，在无噪声干扰环境下，三种方法得到的提取结果基本相同，这也能从下表1中得到验证。在表1中，三种算法获得的定量指标结果是一致的，比如MP＝0.922281，OA＝0.955397，AA＝0.959805，PA＝0.921098以及Kappa＝0.910516，这进一步表明在无噪声干扰环境下，三种算法均能较好地实现北极海冰的提取。
如附图7、8、9所示，在随机噪声干扰环境下，三种方法的提取结果则明显表现出差异，其中传统牛顿法和梯度下降法的提取性能很差，存在大量的噪声点，而应用本发明所提出的牛顿积分神经动力学算法的提取质量高，与无噪声干扰环境下基本一致。同时，表1的定量结果也反映出本发明所提出的牛顿积分神经动力学算法与之前在无噪声干扰环境下相同，这证实了其对北极海冰光学遥感图像提取的强大抗噪能力。
表1 Sentinel-2 MSI图像提取北极海冰的定量结果
实施例二：
本实施例以来自LandSat8 OLI传感器获取的北极海冰光学遥感图像为原始实验数据，如附图10所示，然后应用本发明所提出的牛顿积分神经动力学算法，传统牛顿算法以及梯度下降法开展在随机噪声干扰的工作环境下的北极海冰提取，并附上在无噪声工作环境下的相应提取结果作为对比。
本实施例中所使用的提取性能的衡量指标与实施例一相同，则对比分析结果如下：
附图10为LandSat8 OLI获取的北极海冰原始观测图像，其图像大小为500*500像素，空间分辨率为30m；附图11为其所对应的真值图。本实施例中所选取的LandSat8 OLI原始北极海冰遥感图像能很好地反映出细化破碎化的海冰情况，这无疑是自然环境对提取算法带来的巨大挑战。
附图12、13和14分别为三种算法在无噪声干扰环境下的提取结果。其中，梯度下降法得到的提取结果具有较大的误识，而本发明所提出的牛顿积分神经动力学算法呈现出令人满意的提取结果。此外，下表2的定量数据也可作为支持，梯度下降法的衡量指标PA＝0.988814是所有算法中最高的，而Kappa＝0.910576是最低的。
如附图15、16、17所示，在随机噪声干扰环境下，本发明所提出的牛顿积分神经动力学算法仍然是最好的，然而传统牛顿法出现了大范围的误识别，以及梯度下降法出现缺少识别海冰的现象，这与表2中的量化结果一致，即本发明所提出的牛顿积分神经动力学算法的Kappa＝0.920035，传统牛顿法的Kappa＝-0.211812，以及梯度下降法的Kappa＝0.567039。
表2 LandSat8 OLI图像提取北极海冰的定量结果
实施例三：
本实施例以来自MODIS传感器获取的北极海冰光学遥感图像为原始实验数据，如附图18所示，然后应用本发明所提出的牛顿积分神经动力学算法，传统牛顿算法以及梯度下降法开展在随机噪声干扰的工作环境下的北极海冰提取，并附上在无噪声工作环境下的相应提取结果作为对比。
本实施例中所使用的提取性能的衡量指标与实施例一相同，则对比分析结果如下：
附图18为MODIS获取的北极海冰原始观测图像，其空间分辨率为1km；附图19为其所对应的真值图。与实施例一和实施例二中基于Sentinel-2 MSI和LandSat8 OLI观测图像的提取实验相比，本实施例中基于MODIS的北极海冰遥感原始图像包含了海冰上的薄云，这极大地增加了北极海冰提取的难度，能进一步检验提取算法的性能。
在无噪声干扰环境下，三种算法结合可视化提取结果如附图20、21、22所示，本发明所提出牛顿积分神经动力学算法对北极海冰提取效果较好，而梯度下降法出现将薄云识别为海冰的情形。从下表3的定量数据中也可以看出，由梯度下降法得到的PA＝0.998298是三种算法中最高的，Kappa＝0.679975是最低的，这说明了即使在无噪声干扰环境下进行海冰提取，梯度下降法识别其他地物为海冰的误判率很高。
在随机噪声干扰环境下，三种算法结合可视化提取结果如附图23、24和25所示，传统牛顿法得到的北极海冰提取结果已经面目全非，而梯度下降法提取的海冰则显著收缩。令人惊讶的是，即使在随机噪声干扰环境下，本发明所提出的牛顿积分神经动力学算法与MODIS获取的原始北极海冰遥感图像对应的地物真实图(附图19)相比，仍然保持着优越的提取性能。此外，从表3的定量数据中也可以看出，本发明所提出的牛顿积分神经动力学算法拥有着最为出色的提取结果，OA＝0.914435，AA＝0.904577，PA＝0.983042，以及Kappa＝0.823123，这些都再次证明了本发明所提出的算法在北极海冰光学遥感图像提取中的优越性。
表3 MODIS图像提取北极海冰的定量结果
以上显示和描述了本发明的基本原理、主要特征和本发明的优点。本行业的技术人员应该了解，本发明不受上述实施例的限制，上述实施例和说明书中描述的只是说明本发明的原理，在不脱离本发明精神和范围的前提下，本发明还会有各种变化和改进，这些变化和改进都落入要求保护的本发明范围内。本发明要求保护范围由所附的权利要求书及其等效物界定。
Claims (6)
1.基于牛顿积分神经动力学的北极海冰遥感图像提取方法，其特征在于，包括以下步骤，
S1：输入待提取北极海冰遥感图像
其中，X为待提取北极海冰遥感图像，
代表实数域，M为图像的行数，N为图像的列数，L为图像的波段数；
S2：利用二维化的方法，将步骤S1中输入的待提取北极海冰遥感图像
转化为二维矩阵形式
其中，P＝M×N表示遥感图像的总像素数，
表示遥感图像的像元矢量，第i个像元可以表示为
S3：对步骤S2中转化后的待提取北极海冰遥感图像的二维矩阵进行预处理；
S4：从预处理后的待提取北极海冰遥感图像的二维矩阵中提取海冰的特征光谱向量d，其中，
且根据待提取北极海冰遥感图像作为先验条件，计算自相关矩阵
S5：基于约束能量最小化模型，构建针对海冰提取的有限脉冲响应线性滤波器，
式中，
表示待求的最优滤波系数；
S6：利用拉格朗日乘数法将步骤S5中的有限脉冲响应线性滤波器转化为无约束最优化数学模型，F(υ)＝υTΛυ+λ(dTυ-1)，式中，
为拉格朗日乘子，
代表正实数域；
S7：将步骤S6中无约束最优化数学模型转化为线性方程教学模型，Qxk＝r，式中，耦合系数矩阵
耦合系数向量
为待求耦合向量，包括待求的最优滤波系数
与待求的拉格朗日乘子λk，式中，υk为k时刻的滤波系数矩阵，λk为k时刻对应的拉格朗日乘子，vk 1为υk的第一个分量，vk 2为υk的第二个分量，以此类推，vk L为υk的第L个分量，k为正整数；
S8：结合步骤S7中的线性方程教学模型，设计牛顿积分神经动力学演化模型，对步骤S6中的无约束最优化数学模型进行求解；
S9：基于步骤S8中输出的最优解
进行向量分解，得到海冰提取的最优滤波系数向量
式中，λ*代表最优解x*中包含的最优拉格朗日乘子；
S10：将步骤S2中的二维矩阵形式的输入图像
与步骤S9中得到的海冰提取最优滤波系数向量
相乘，输出滤波后的二维矩阵形式遥感图像
S11：将步骤S10中滤波输出后的遥感图像U*进行逆二维化操作，并利用Otsu阈值提取算法计算出针对北极海冰提取的最佳阈值，得到与步骤S1中输入的待提取的北极海冰遥感图像大小一致的最终北极海冰提取图像
完成北极海冰的提取。
2.根据权利要求1所述的基于牛顿积分神经动力学的北极海冰遥感图像提取方法，其特征在于：步骤S3中所述的预处理依次包括辐射定标、大气校正和几何校正。
3.根据权利要求1所述的基于牛顿积分神经动力学的北极海冰遥感图像提取方法，其特征在于：步骤S4中采用特征指数方法提取海冰的特征光谱向量。
4.根据权利要求1所述的基于牛顿积分神经动力学的北极海冰遥感图像提取方法，其特征在于：步骤S8的具体操作包括以下步骤，
S801：参数初始化；
S802：计算步骤S7中的线性方程教学模型误差ek＝Qxk-r，若满足||ek||2≤∈，则停止计算，令x*＝xk，输出最优解
若不满足||ek||2≤∈，则转入步骤S803；式中，Q为耦合系数矩阵，r为系数向量，xk为k时刻模型的解向量，ek为k时刻模型的误差向量，||·||2代表向量2范数算子，∈为误差终止条件，且为正数；
S803：计算误差累和项gk＝gk-1+ek；
S804：设计牛顿积分神经动力学演化模型，也即计算xk+1＝xk-Q-1(ek+gk)；
S805：令k＝k+1，转入步骤S802。
5.根据权利要求4所述的基于牛顿积分神经动力学的北极海冰遥感图像提取方法，其特征在于，步骤S801中参数初始化包括：
给定终止条件误差∈＝10-7；
给定随机初始迭代点υ0∈[0，1]L+1；
给定耦合系数矩阵Q，系数向量r，迭代次数k＝1；
给定初始误差累和项
6.根据权利要求1所述的基于牛顿积分神经动力学的北极海冰遥感图像提取方法，其特征在于，步骤S1中待提取的北极海冰遥感图像包括Sentinel-2 MSI，LandSat8 OLI，以及MODIS得到的光学遥感图像。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110260191.5A CN112966612B (zh) | 2021-03-10 | 2021-03-10 | 基于牛顿积分神经动力学的北极海冰遥感图像提取方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110260191.5A CN112966612B (zh) | 2021-03-10 | 2021-03-10 | 基于牛顿积分神经动力学的北极海冰遥感图像提取方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112966612A CN112966612A (zh) | 2021-06-15 |
| CN112966612B true CN112966612B (zh) | 2022-06-03 |
Family
ID=76277365
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110260191.5A Expired - Fee Related CN112966612B (zh) | 2021-03-10 | 2021-03-10 | 基于牛顿积分神经动力学的北极海冰遥感图像提取方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112966612B (zh) |
Family Cites Families (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101616310B (zh) * | 2009-07-17 | 2011-05-11 | 清华大学 | 可变视角及分辨率的双目视觉系统目标图像稳定化方法 |
| CN102938073B (zh) * | 2012-10-23 | 2017-02-08 | 中国人民解放军空军工程大学 | 一种遥感图像的分类方法 |
| US9495516B2 (en) * | 2012-11-21 | 2016-11-15 | The Trustees Of Columbia University In The City Of New York | Systems, methods, and devices for image reconstruction using combined PDE-constrained and simplified spherical harmonics algorithm |
| CN103345751A (zh) * | 2013-07-02 | 2013-10-09 | 北京邮电大学 | 一种基于鲁棒特征跟踪的视觉定位方法 |
| CN106650645B (zh) * | 2015-12-11 | 2020-01-24 | 北京航空航天大学 | 遥感图像的目标特征提取方法和装置 |
| WO2018227943A1 (en) * | 2017-06-14 | 2018-12-20 | Shenzhen United Imaging Healthcare Co., Ltd. | System and method for image processing |
| CN107314763B (zh) * | 2017-07-18 | 2019-05-07 | 上海海洋大学 | 一种基于制约函数非线性估计的卫星影像区域网平差方法 |
| CN108918432B (zh) * | 2018-05-15 | 2021-07-20 | 四川理工学院 | 基于Landsat8影像的水域提取方法及装置 |
| CN109211231B (zh) * | 2018-09-07 | 2022-02-15 | 东南大学 | 一种基于牛顿迭代法的炮弹姿态估计方法 |
| CN111354033B (zh) * | 2020-02-28 | 2023-04-18 | 西安交通大学 | 基于特征匹配的数字图像测量方法 |
| CN112131994B (zh) * | 2020-09-16 | 2024-01-23 | 广东海洋大学 | 一种抗噪的卫星图像小目标检测方法 |
-
2021
- 2021-03-10 CN CN202110260191.5A patent/CN112966612B/zh not_active Expired - Fee Related
Also Published As
| Publication number | Publication date |
|---|---|
| CN112966612A (zh) | 2021-06-15 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN105654492B (zh) | 基于消费级摄像头的鲁棒实时三维重建方法 | |
| CN111161199B (zh) | 一种空谱融合的高光谱影像混合像元低秩稀疏分解方法 | |
| CN109146787B (zh) | 一种基于插值的双相机光谱成像系统的实时重建方法 | |
| CN110243390B (zh) | 位姿的确定方法、装置及里程计 | |
| CN110211046B (zh) | 一种基于生成对抗网络的遥感图像融合方法、系统和终端 | |
| CN105335965B (zh) | 一种高分辨率遥感图像多尺度自适应决策融合分割方法 | |
| Ttofis et al. | High-quality real-time hardware stereo matching based on guided image filtering | |
| CN107767358B (zh) | 一种图像中物体模糊度确定方法和装置 | |
| Mamatov et al. | Methods for improving contrast of agricultural images | |
| CN116935214B (zh) | 一种卫星多源遥感数据的时空谱融合方法 | |
| CN112200854B (zh) | 一种基于视频图像的叶类蔬菜三维表型测量方法 | |
| Jing et al. | Cloud removal for optical remote sensing imagery using the SPA-CycleGAN network | |
| Wang et al. | An ensemble multi-scale residual attention network (EMRA-net) for image Dehazing | |
| CN113935917A (zh) | 一种基于云图运算和多尺度生成对抗网络的光学遥感影像薄云去除方法 | |
| CN112966612B (zh) | 基于牛顿积分神经动力学的北极海冰遥感图像提取方法 | |
| Mahmood | Shape from focus by total variation | |
| CN106780353B (zh) | 一种基于时相光谱角度量的多时相云遮挡数据恢复方法 | |
| CN116109829B (zh) | 一种基于融合网络的珊瑚礁水域图像分割方法 | |
| CN110021036B (zh) | 红外目标检测方法、装置、计算机设备和存储介质 | |
| CN115311186A (zh) | 一种红外与可见光图像跨尺度注意力对抗融合方法及终端 | |
| Kwan et al. | Stereo image and depth map generation for images with different views and resolutions | |
| Kasturiwala et al. | Adaptive image superresolution for agrobased application | |
| Chandra et al. | Dehazing of aerial images by dark channel and gamma correction | |
| Workman et al. | Augmenting depth estimation with geospatial context | |
| CN113298836A (zh) | 一种顾及要素轮廓强度的遥感图像薄云去除方法及系统 |
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 | ||
| CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20220603 |
|
| CF01 | Termination of patent right due to non-payment of annual fee |