CN113537240A - 一种基于雷达序列图像的形变区智能提取方法及系统 - Google Patents
一种基于雷达序列图像的形变区智能提取方法及系统 Download PDFInfo
- Publication number
- CN113537240A CN113537240A CN202110777354.7A CN202110777354A CN113537240A CN 113537240 A CN113537240 A CN 113537240A CN 202110777354 A CN202110777354 A CN 202110777354A CN 113537240 A CN113537240 A CN 113537240A
- Authority
- CN
- China
- Prior art keywords
- deformation
- pixel point
- vector
- radar
- radar image
- 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.)
- Granted
Links
- 238000000605 extraction Methods 0.000 title claims abstract description 32
- 239000013598 vector Substances 0.000 claims abstract description 130
- 238000000034 method Methods 0.000 claims abstract description 36
- 238000012544 monitoring process Methods 0.000 claims abstract description 26
- 238000009826 distribution Methods 0.000 claims abstract description 25
- 238000006073 displacement reaction Methods 0.000 claims abstract description 20
- 239000006185 dispersion Substances 0.000 claims abstract description 18
- 230000009466 transformation Effects 0.000 claims abstract description 11
- 238000012549 training Methods 0.000 claims description 22
- 230000007246 mechanism Effects 0.000 claims description 16
- 238000012795 verification Methods 0.000 claims description 16
- 238000004364 calculation method Methods 0.000 claims description 9
- 239000011159 matrix material Substances 0.000 claims description 9
- 238000002474 experimental method Methods 0.000 claims description 8
- 238000012800 visualization Methods 0.000 claims description 8
- 238000003860 storage Methods 0.000 claims description 7
- 238000006243 chemical reaction Methods 0.000 claims description 6
- 238000004590 computer program Methods 0.000 claims description 5
- 238000010200 validation analysis Methods 0.000 claims 1
- 230000009286 beneficial effect Effects 0.000 description 5
- 238000013507 mapping Methods 0.000 description 4
- 230000008569 process Effects 0.000 description 3
- 238000003491 array Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000001228 spectrum Methods 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
- 230000017105 transposition Effects 0.000 description 1
Images
Classifications
-
- 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
- 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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/187—Segmentation; Edge detection involving region growing; involving region merging; involving connected component labelling
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Radar Systems Or Details Thereof (AREA)
- Image Analysis (AREA)
Abstract
本发明公开一种基于雷达序列图像的形变区智能提取方法及系统，涉及雷达勘测技术领域，能够准确、高效的提取出形变分布。该方法包括：通过合成孔径雷达获取用于坡体监测的多帧雷达图像，以计算雷达图像中每个像素点对应的边坡数据，边坡数据包括形变位移、形变速率、形变离差和永久散射体分布密度；将每个像素点在多帧雷达图像中对应的边坡数据进行序列特征向量化表示后形成数据集；针对数据集中各像素点线性变换后得到与各像素点分别对应的查询向量Q、键向量K和值向量V；基于边坡数据对查询向量Q、键向量K和值向量V进行四等份分割通过多头注意力计算各像素点在每帧雷达图像中的关联程度，并输出各像素点的形变识别结果，实现形变区的提取。
Description
技术领域
本发明涉及雷达勘测技术领域，尤其涉及一种基于雷达序列图像的形变区智能提取方法及系统。
背景技术
作为一种地面主动式微波遥感技术，雷达成像系统因不易受环境气候影响、设备灵活便携、监测稳定精确等优势，成为近些年最为广泛使用的形变监测方式之一。
雷达设定采集数据的时间间隔后自动获取边坡序列数据，依据人工经验和场景特点来圈定候选形变区，当监测区域达到形变阈值后系统发出警报。
雷达形变监测系统中的难点就在于监测区域的选择，受人工影响过大，而且还可能存在着造成异常相位变化的误差干扰会被认为是形变区，因此人工选择监测区域并不可靠。
现有的雷达形变监测系统主要依靠经验来人工点选区域进行监测，很容易因为漏选形变区而导致漏警，对后续预测坡体灾害趋势有着严重的影响。
发明内容
本发明的目的在于提供一种基于雷达序列图像的形变区智能提取方法及系统，能够准确、高效的提取出形变分布，便于后续有针对性的监测。
本发明的第一方面提供一种基于雷达序列图像的形变区智能提取方法，包括：
通过合成孔径雷达获取用于坡体监测的多帧雷达图像，以计算雷达图像中每个像素点对应的边坡数据，所述边坡数据包括形变位移、形变速率、形变离差和永久散射体分布密度；
将每个像素点在多帧雷达图像中对应的边坡数据进行序列特征向量化表示后进行位置编码，形成数据集；
针对数据集中各像素点线性变换后得到与各像素点分别对应的查询向量Q、键向量K和值向量V；
基于所述边坡数据对所述查询向量Q、所述键向量K和所述值向量V进行四等份分割通过多头注意力计算各像素点在每帧雷达图像中的关联程度，并输出各像素点的形变识别结果，实现形变区的提取。
优选地，基于所述边坡数据对所述查询向量Q、所述键向量K和所述值向量V进行四等份分割通过多头注意力计算各像素点在每帧雷达图像中的关联程度，并输出各像素点的形变识别结果从而实现提取形变区的方法包括：
将所述数据集输入注意力网络模型对所述边坡数据对所述查询向量Q、所述键向量K和所述值向量V分别进行四等份分割，并通过多头注意力公式计算各像素点在每帧雷达图像中的关联程度，同时基于关联程度输出各像素点的形变识别结果。
较佳地，注意力网络模型的训练方法包括：
获取多组样本，每组训练样本中包括多帧具有形变像素点的形变样本以及多帧不具有形变像素点的非形变样本；
将所述形变样本和所述非形变样本中各像素点的边坡数据进行序列特征向量化表示作为序列特征，并对各所述序列特征进行形变或者非形变的特征分类；
抽取序列特征组建预设比例的训练集和验证集，将训练集中的序列特征输入注意力网络模型采用多头注意力机制进行训练，将验证集中的序列特征输入注意力网络模型采用多头注意力机制进行形变识别结果的验证；
针对识别结果的准确率、交叉熵损失率、验证集ROC曲线、注意力特征可视化实验结果中的一种或多种对注意力网络模型的参数和/或样本数据进行调整再训练，直至得到训练完成的注意力网络模型。
进一步地，针对识别结果的准确率、交叉熵损失率、验证集ROC曲线、注意力特征可视化实验结果中的一种或多种对注意力网络模型的参数和/或样本数据进行调整再训练的判断方法包括：
将识别结果的准确率、交叉熵损失率、验证集ROC曲线、注意力特征可视化实验结果中的一种或多种与对应的阈值比较，当比较结果处于阈值范围内表示注意力网络模型训练完成，否则表示注意力网络模型训练未完成。
优选地，将每个像素点在多帧雷达图像中对应的边坡数据进行序列特征向量化表示后形成数据集的方法包括：
以各像素点的形变位移、形变速率、形变离差和永久散射体分布密度作为分类特征，得到关于像素点、雷达图像对应时刻、分类特征的三维输入向量Xinput；
根据三维输入向量Xinput及对应像素点的位置编码相加得到嵌入向量X；
整理各像素点对应的嵌入向量X形成数据集。
较佳地，针对数据集中各像素点线性变换后得到与各像素点分别对应的查询向量Q、键向量K和值向量V的方法包括：
利用预设的权重矩阵WQ、WK和WV，分别与数据集中的嵌入向量X相乘得到各像素点对应的所述查询向量Q、所述键向量K和所述值向量V。
与现有技术相比，本发明提供的雷达监测形变区智能提取的方法具有以下有益效果：
本发明提供的基于雷达序列图像的形变区智能提取方法中，利用合成孔径雷达持续获取用于坡体监测的多帧雷达图像，然后计算雷达图像中每个像素点对应的边坡数据，如形变位移、形变速率、形变离差和永久散射体分布密度，接着将每个像素点在多帧雷达图像中对应的边坡数据进行序列特征向量化表示后形成数据集，并针对数据集中各像素点线性变换后得到与各像素点分别对应的查询向量Q、键向量K和值向量V，最终基于边坡数据对查询向量Q、键向量K和值向量V进行四等份分割通过多头注意力计算各像素点在每帧雷达图像中的关联程度，并输出各像素点的形变识别结果，进而实现形变区的提取。
可见，本发明通过合成孔径雷达自动获取用于坡体监测的多帧雷达图像，然后自动提取每个像素点对应的边坡数据，并进行序列特征向量化表示形成数据集，最终通过线性变换后通过多头注意力机制计算各像素点在不同帧雷达图像中的关联程度，得到各像素点的形变识别结果，进而实现形变区的提取。因此，相对于现有技术依靠经验来人工点选区域进行坡体监测而言，本发明的自动监测方案能够准确、高效的提取出形变分布的像素，便于后续有针对性的进行持续监测。
本发明的第二方面提供一种基于雷达序列图像的形变区智能提取系统，应用于上述技术方案所述的基于雷达序列图像的形变区智能提取方法中，所述系统包括：
边坡数据获取单元，用于通过合成孔径雷达获取用于坡体监测的多帧雷达图像，以计算雷达图像中每个像素点对应的边坡数据，所述边坡数据包括形变位移、形变速率、形变离差和永久散射体分布密度；
特征向量化单元，用于将每个像素点在多帧雷达图像中对应的边坡数据进行序列特征向量化表示后形成数据集；
线性转换单元，用于针对数据集中各像素点线性变换后得到与各像素点分别对应的查询向量Q、键向量K和值向量V；
变形识别单元，用于基于所述边坡数据对所述查询向量Q、所述键向量K和所述值向量V进行四等份分割通过多头注意力计算各像素点在每帧雷达图像中的关联程度，并输出各像素点的形变识别结果，进而实现形变区的提取。
优选地，所述特征向量化单元包括：
第一计算模块，用于以形变位移、形变速率、形变离差和永久散射体分布密度作为分类特征，得到关于像素点、雷达图像对应时刻、分类特征的三维输入向量Xinput；
第二计算模块，用于根据三维输入向量Xinput及对应像素点的位置编码相加得到嵌入向量X；
汇总模块，用于整理各像素点对应的嵌入向量X形成数据集。
与现有技术相比，本发明提供的基于雷达序列图像的形变区智能提取系统的有益效果与上述技术方案提供的基于雷达序列图像的形变区智能提取方法的有益效果相同，在此不做赘述。
本发明的第三方面提供一种计算机可读存储介质，计算机可读存储介质上存储有计算机程序，计算机程序被处理器运行时执行上述基于雷达序列图像的形变区智能提取方法的步骤。
与现有技术相比，本发明提供的计算机可读存储介质的有益效果与上述技术方案提供的基于雷达序列图像的形变区智能提取方法的有益效果相同，在此不做赘述。
附图说明
此处所说明的附图用来提供对本发明的进一步理解，构成本发明的一部分，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。在附图中：
图1为本发明实施例中基于雷达序列图像的形变区智能提取方法的流程示意图；
图2为本发明实施例中注意力网络模型采用多头注意力机制识别像素点是否变形的流程图；
图3为本发明实施例中注意力网络模型的训练过程示意图。
具体实施方式
为使本发明的上述目的、特征和优点能够更加明显易懂，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作出创造性劳动的前提下所获得的所有其它实施例，均属于本发明保护的范围。
实施例一
请参阅图1，本实施例提供一种基于雷达序列图像的形变区智能提取方法，包括：
通过合成孔径雷达获取用于坡体监测的多帧雷达图像，以计算雷达图像中每个像素点对应的边坡数据，边坡数据包括形变位移、形变速率、形变离差和永久散射体分布密度；将每个像素点在多帧雷达图像中对应的边坡数据进行序列特征向量化表示后进行位置编码，形成数据集；针对数据集中各像素点线性变换后得到与各像素点分别对应的查询向量Q、键向量K和值向量V；基于边坡数据对查询向量Q、键向量K和值向量V进行四等份分割通过多头注意力计算各像素点在每帧雷达图像中的关联程度，并输出各像素点的形变识别结果，进而实现形变区的提取，便于后续形变监测。
本实施例提供的基于雷达序列图像的形变区智能提取方法中，利用合成孔径雷达持续获取用于坡体监测的多帧雷达图像，然后计算雷达图像中每个像素点对应的边坡数据，如形变位移、形变速率、形变离差和永久散射体(PS点)分布密度，接着将每个像素点在多帧雷达图像中对应的边坡数据进行序列特征向量化表示后形成数据集，并针对数据集中各像素点线性变换后得到与各像素点分别对应的查询向量Q、键向量K和值向量V，最终基于边坡数据对查询向量Q、键向量K和值向量V进行四等份分割通过多头注意力计算各像素点在每帧雷达图像中的关联程度，并输出各像素点的形变识别结果。例如，当某一像素点的形变识别结果为0.6的概率变形，0.4的概率非变形，则最终的识别结果为该像素点发生了变形。
可见，本实施例通过合成孔径雷达自动获取用于坡体监测的多帧雷达图像，然后自动提取每个像素点对应的边坡数据，并进行序列特征向量化表示形成数据集，最终通过线性变换后通过多头注意力机制计算各像素点在不同帧雷达图像中的关联程度，得到各像素点的形变识别结果，进而实现形变区的提取。因此，相对于现有技术依靠经验来人工点选区域进行坡体监测而言，本实施例的自动监测方案能够准确、高效的提取出形变分布的像素，便于后续有针对性的进行持续监测。
上述实施例中，将每个像素点在多帧雷达图像中对应的边坡数据进行序列特征向量化表示后形成数据集的方法包括：
以各像素点的形变位移、形变速率、形变离差和永久散射体分布密度作为分类特征，得到关于像素点、雷达图像对应时刻、分类特征的三维输入向量Xinput；根据三维输入向量Xinput及对应像素点的位置编码相加得到嵌入向量X；整理各像素点对应的嵌入向量X形成数据集。
图2为适用于形变区和非形变区分类问题的注意力网络模型，具体实施时，利用编码器以形变位移dt(当前时刻帧雷达图像与上一时刻帧雷达图像间的形变差值)、形变速率(形变位移的一阶差分)、形变离差(在各个时刻下帧雷达图像中目标像素点为中心的3×3窗口中计算9个形变值的标准差与均值之比)和永久散射体分布密度(以目标像素点为中心的5×5的窗口中PS点的分布密度)作为分类特征，整理出像素点*时刻*特征的三维输入向量Xinput，并利用位置编码(三角函数)并行存储时刻间的相对位置信息，将输入向量与位置编码相加，得到编码器向注意力网络模型输入的嵌入向量X，也即得到数据集，公式表达：
X＝Xinput+Posotional Eocoding
其中，PE为Posotional Eocoding的简称，pos表示位置索引，d表示每个像素点位置向量的维度，i表示维度为偶数或奇数下的计算模式，随着维度序号增大，周期变化会越来越慢，从而产生包含位置信息的纹理。
上述实施例中，针对数据集中各像素点线性变换后得到与各像素点分别对应的查询向量Q、键向量K和值向量V的方法包括：
利用预设的权重矩阵WQ、WK和WV，分别与数据集中的嵌入向量X相乘得到各像素点对应的所述查询向量Q、所述键向量K和所述值向量V。
具体实施时，采用多头注意力机制，利用X线性映射得到权重矩阵WQ、WK和WV，分别与嵌入向量X相乘得到查询向量Q、键向量K和值向量V：
Q＝Linear(X)＝XWQ
K＝Linear(X)＝XWK
V＝Linear(X)＝XWV
多头注意力机制要求根据四个分类特征(形变位移、形变速率、形变离差和永久散射体分布密度)对Q、K、V进行四等份分割，使得每一个头下都包含着一类特征信息：
MultiHead(Q,K,V)＝Concat(Attention(Q1,K1,V1),...,Attention(Q4,K4,V4))W0
其中，角标1代表第一分类特征形变位移，角标2代表第二分类特征形变速率，角标3代表第三分类形变离差，角标4代表第四分类特征永久散射体分布密度。以某一头(某一分类特征)计算注意力矩阵为例，将当前像素点的各个时刻的Q与K的转置做点积运算，计算任意两个时刻的关联程度，除以键向量K维数开平方根是为了将注意力矩阵缩放回标准正态分布以获得平稳梯度；softmax表示归一化打分，是将打分转化为和为1的概率谱权重给V加权，加强关注重要时刻，忽略无关时刻，将所有时刻的信息融入到每个时刻中，得到当前像素点下每个时刻与其余时刻信息融合的注意力矩阵；最后将四个头下的注意力矩阵合并，并与线性映射W相乘，得到在四种分类特征作用下每个像素点下各个时刻间关联程度的多头注意力矩阵。
解码器主要是用编码器的输出信息来计算当前解码应输出什么，主要分为掩码注意力机制和编码-解码注意力机制两个环节，计算方式与多头注意力机制相同。掩码是指mask掉未来信息，计算出像素点(只考虑当前及历史的像素点信息)与分类类别(训练样本种类标签)的关联程度；而后从编码器输出的每个像素点下的各个时刻的多头注意力矩阵线性映射得到K和V，从掩码注意力机制生成的每个像素点与分类类别的注意力矩阵得到Q，继续进行注意力矩阵计算，最后得到每个像素点下各个时刻信息与分类类别的关联程度；最后，通过线性映射和softmax归一化预测每个像素点在形变和非形变种类下的概率，以此来判定该像素点的类别。
上述实施例中，基于边坡数据对查询向量Q、键向量K和值向量V进行四等份分割通过多头注意力计算各像素点在每帧雷达图像中的关联程度，并输出各像素点的形变识别结果的方法包括：
将数据集输入注意力网络模型对边坡数据对查询向量Q、键向量K和值向量V分别进行四等份分割，并通过多头注意力公式计算各像素点在每帧雷达图像中的关联程度，同时基于关联程度输出各像素点的形变识别结果。
其中，注意力网络模型的训练方法包括：获取多组样本，每组训练样本中包括多帧具有形变像素点的形变样本以及多帧不具有形变像素点的非形变样本；将所述形变样本和所述非形变样本中各像素点的边坡数据进行序列特征向量化表示作为序列特征，并对各所述序列特征进行形变或者非形变的特征分类；抽取序列特征组建预设比例的训练集和验证集，将训练集中的序列特征输入注意力网络模型采用多头注意力机制进行训练，将验证集中的序列特征输入注意力网络模型采用多头注意力机制进行形变识别结果的验证；针对识别结果的准确率、交叉熵损失率、验证集ROC曲线、注意力特征可视化实验结果中的一种或多种对注意力网络模型的参数和/或样本数据进行调整再训练，直至得到训练完成的注意力网络模型。
请参阅图3，具体实施时，,注意力网络模型训练方法步骤如下：
步骤S1：通过形变监测系统的传统人工点选方法，选择较为稳定的形变区和非形变区作为样本，将这些样本像素点的形变位移、形变速率、形变离差和永久散射体分布密度作为序列特征，以训练集和验证集为9:1的比例随机抽取数据制作数据集和分类标签；
步骤S2：将数据集输入至注意力网络模型进行训练和验证，根据多头注意力机制计算像素点各个时刻间的相关程度来判断是否符合形变规律；
步骤S3：根据训练、验证的准确率和交叉熵损失率、验证集ROC曲线、注意力特征可视化的实验结果，对网络模型参数和数据集进行调整；
步骤S4：训练好的网络模型可以开始对像素点的序列特征进行分类预测，但像素点过多，影响形变提取实时性，因此对使用传统阈值法筛选出的PS点进行形变区和非形变区的分类，自动提取形变区。
可见，上述实施例中提供的基于雷达序列图像的形变区智能提取方法具备以下优势：
1、使用注意力网络自动提取形变区实现了面预警，取代传统人工点预警的方法；
2、注意力网络并行处理合成孔径雷达长序列数据，可以高效快速的实现形变区与非形变区的分类。
实施例二
本实施例提供一种基于雷达序列图像的形变区智能提取系统，包括：
边坡数据获取单元，用于通过合成孔径雷达获取用于坡体监测的多帧雷达图像，以计算雷达图像中每个像素点对应的边坡数据，所述边坡数据包括形变位移、形变速率、形变离差和永久散射体分布密度；
特征向量化单元，用于将每个像素点在多帧雷达图像中对应的边坡数据进行序列特征向量化表示后进行位置编码，形成数据集；
线性转换单元，用于针对数据集中各像素点线性变换后得到与各像素点分别对应的查询向量Q、键向量K和值向量V；
变形识别单元，用于基于所述边坡数据对所述查询向量Q、所述键向量K和所述值向量V进行四等份分割通过多头注意力计算各像素点在每帧雷达图像中的关联程度，并输出各像素点的形变识别结果，实现形变区的提取。。
优选地，所述特征向量化单元包括：
第一计算模块，用于以各像素点的形变位移、形变速率、形变离差和永久散射体分布密度作为分类特征，得到像素点*时刻*特征的三维输入向量Xinput；
第二计算模块，用于根据三维输入向量Xinput及对应像素点的位置编码相加得到嵌入向量X；
汇总模块，用于整理各像素点对应的嵌入向量X形成数据集。
与现有技术相比，本发明实施例提供的基于雷达序列图像的形变区智能提取系统的有益效果与上述实施例一提供的基于雷达序列图像的形变区智能提取方法的有益效果相同，在此不做赘述。
实施例三
本实施例提供一种计算机可读存储介质，计算机可读存储介质上存储有计算机程序，计算机程序被处理器运行时执行上述基于雷达序列图像的形变区智能提取方法的步骤。
与现有技术相比，本实施例提供的计算机可读存储介质的有益效果与上述技术方案提供的基于雷达序列图像的形变区智能提取方法的有益效果相同，在此不做赘述。
本领域普通技术人员可以理解，实现上述发明方法中的全部或部分步骤是可以通过程序来指令相关的硬件来完成，上述程序可以存储于计算机可读取存储介质中，该程序在执行时，包括上述实施例方法的各步骤，而的存储介质可以是：ROM/RAM、磁碟、光盘、存储卡等。
以上，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以所述权利要求的保护范围为准。
Claims (9)
1.一种基于雷达序列图像的形变区智能提取方法，其特征在于，包括：
通过合成孔径雷达获取用于坡体监测的多帧雷达图像，以计算雷达图像中每个像素点对应的边坡数据，所述边坡数据包括形变位移、形变速率、形变离差和永久散射体分布密度；
将每个像素点在多帧雷达图像中对应的边坡数据进行序列特征向量化表示后进行位置编码，形成数据集；
针对数据集中各像素点线性变换后得到与各像素点分别对应的查询向量Q、键向量K和值向量V；
基于所述边坡数据对所述查询向量Q、所述键向量K和所述值向量V进行四等份分割通过多头注意力计算各像素点在每帧雷达图像中的关联程度，并输出各像素点的形变识别结果，实现形变区的提取。
2.根据权利要求1所述的方法，其特征在于，基于所述边坡数据对所述查询向量Q、所述键向量K和所述值向量V进行四等份分割通过多头注意力计算各像素点在每帧雷达图像中的关联程度，并输出各像素点形变识别结果从而实现提取形变区的方法包括：
将所述数据集输入注意力网络模型对所述边坡数据对所述查询向量Q、所述键向量K和所述值向量V分别进行四等份分割，并通过多头注意力公式计算各像素点在每帧雷达图像中的关联程度，同时基于关联程度输出各像素点的形变识别结果，实现形变区的提取。
3.根据权利要求2所述的方法，其特征在于，注意力网络模型的训练方法包括：
获取多组样本，每组训练样本中包括多帧具有形变像素点的形变样本以及多帧不具有形变像素点的非形变样本；
将所述形变样本和所述非形变样本中各像素点的边坡数据进行序列特征向量化表示作为序列特征，并对各所述序列特征进行形变或者非形变的特征分类；
抽取序列特征组建预设比例的训练集和验证集，将训练集中的序列特征输入注意力网络模型采用多头注意力机制进行训练，将验证集中的序列特征输入注意力网络模型采用多头注意力机制进行形变识别结果的验证；
针对识别结果的准确率、交叉熵损失率、验证集ROC曲线、注意力特征可视化实验结果中的一种或多种对注意力网络模型的参数和/或样本数据进行调整再训练，直至得到训练完成的注意力网络模型。
4.根据权利要求3所述的方法，其特征在于，针对识别结果的准确率、交叉熵损失率、验证集ROC曲线、注意力特征可视化实验结果中的一种或多种对注意力网络模型的参数和/或样本数据进行调整再训练的判断方法包括：
将识别结果的准确率、交叉熵损失率、验证集ROC曲线、注意力特征可视化实验结果中的一种或多种与对应的阈值比较，当比较结果处于阈值范围内表示注意力网络模型训练完成，否则表示注意力网络模型训练未完成。
5.根据权利要求1所述的方法，其特征在于，将每个像素点在多帧雷达图像中对应的边坡数据进行序列特征向量化表示后形成数据集的方法包括：
以各像素点的形变位移、形变速率、形变离差和永久散射体分布密度作为分类特征，得到关于像素点、雷达图像对应时刻、分类特征的三维输入向量Xinput；
根据三维输入向量Xinput及对应像素点的位置编码相加得到嵌入向量X；
整理各像素点对应的嵌入向量X形成数据集。
6.根据权利要求5所述的方法，其特征在于，针对数据集中各像素点线性变换后得到与各像素点分别对应的查询向量Q、键向量K和值向量V的方法包括：
利用预设的权重矩阵WQ、WK和WV，分别与数据集中的嵌入向量X相乘得到各像素点对应的所述查询向量Q、所述键向量K和所述值向量V。
7.一种基于雷达序列图像的形变区智能提取系统，其特征在于，包括：
边坡数据获取单元，用于通过合成孔径雷达获取用于坡体监测的多帧雷达图像，以计算雷达图像中每个像素点对应的边坡数据，所述边坡数据包括形变位移、形变速率、形变离差和永久散射体分布密度；
特征向量化单元，用于将每个像素点在多帧雷达图像中对应的边坡数据进行序列特征向量化表示后进行位置编码，形成数据集；
线性转换单元，用于针对数据集中各像素点线性变换后得到与各像素点分别对应的查询向量Q、键向量K和值向量V；
变形识别单元，用于基于所述边坡数据对所述查询向量Q、所述键向量K和所述值向量V进行四等份分割通过多头注意力计算各像素点在每帧雷达图像中的关联程度，并输出各像素点的形变识别结果，实现形变区的提取。
8.根据权利要求7所述的系统，其特征在于，所述特征向量化单元包括：
第一计算模块，用于以各像素点的形变位移、形变速率、形变离差和永久散射体分布密度作为分类特征，得到关于像素点、雷达图像对应时刻、分类特征的三维输入向量Xinput；
第二计算模块，用于根据三维输入向量Xinput及对应像素点的位置编码相加得到嵌入向量X；
汇总模块，用于整理各像素点对应的嵌入向量X形成数据集。
9.一种计算机可读存储介质，计算机可读存储介质上存储有计算机程序，其特征在于，计算机程序被处理器运行时执行上述权利要求1至6任一项所述方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110777354.7A CN113537240B (zh) | 2021-07-09 | 2021-07-09 | 一种基于雷达序列图像的形变区智能提取方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110777354.7A CN113537240B (zh) | 2021-07-09 | 2021-07-09 | 一种基于雷达序列图像的形变区智能提取方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113537240A true CN113537240A (zh) | 2021-10-22 |
| CN113537240B CN113537240B (zh) | 2023-09-05 |
Family
ID=78098189
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110777354.7A Active CN113537240B (zh) | 2021-07-09 | 2021-07-09 | 一种基于雷达序列图像的形变区智能提取方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113537240B (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114842681A (zh) * | 2022-07-04 | 2022-08-02 | 中国电子科技集团公司第二十八研究所 | 一种基于多头注意力机制的机场场面航迹预测方法 |
Citations (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US8155391B1 (en) * | 2006-05-02 | 2012-04-10 | Geoeye Solutions, Inc. | Semi-automatic extraction of linear features from image data |
| CN104515988A (zh) * | 2014-12-16 | 2015-04-15 | 中国安全生产科学研究院 | 一种基于地基合成孔径雷达的边坡安全监测预警方法 |
| CN109613531A (zh) * | 2019-01-07 | 2019-04-12 | 北方工业大学 | 一种微变感知预警雷达的多阈值优化形变反演方法及系统 |
| JP2020020740A (ja) * | 2018-08-03 | 2020-02-06 | 日本電気株式会社 | Ｓａｒ画像解析システム |
| CN110781788A (zh) * | 2019-10-18 | 2020-02-11 | 中国科学技术大学 | 一种基于少量标注的野外机器人地面分类方法及系统 |
| CN110888132A (zh) * | 2019-11-22 | 2020-03-17 | 深圳市城市公共安全技术研究院有限公司 | 基于InSAR监测的桥梁形变分析方法及系统 |
| CN111191718A (zh) * | 2019-12-30 | 2020-05-22 | 西安电子科技大学 | 基于图注意力网络的小样本sar目标识别方法 |
| CN111929683A (zh) * | 2020-07-28 | 2020-11-13 | 中国自然资源航空物探遥感中心 | 滑坡形变聚集区预测模型生成方法和滑坡形变聚集区预测方法 |
| CN112083422A (zh) * | 2020-08-26 | 2020-12-15 | 长沙理工大学 | 基于多级深度学习网络的单航过InSAR系统端对端分类方法 |
| CN112132006A (zh) * | 2020-09-21 | 2020-12-25 | 西南交通大学 | 一种面向耕地保护的林地和建筑物智能提取方法 |
| CN112365091A (zh) * | 2020-11-30 | 2021-02-12 | 中国人民解放军国防科技大学 | 一种基于分类节点图注意力网络的雷达定量降水估计方法 |
| CN112861617A (zh) * | 2020-12-31 | 2021-05-28 | 中南大学 | 一种基于监控图像的边坡灾害识别系统 |
-
2021
- 2021-07-09 CN CN202110777354.7A patent/CN113537240B/zh active Active
Patent Citations (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US8155391B1 (en) * | 2006-05-02 | 2012-04-10 | Geoeye Solutions, Inc. | Semi-automatic extraction of linear features from image data |
| CN104515988A (zh) * | 2014-12-16 | 2015-04-15 | 中国安全生产科学研究院 | 一种基于地基合成孔径雷达的边坡安全监测预警方法 |
| JP2020020740A (ja) * | 2018-08-03 | 2020-02-06 | 日本電気株式会社 | Ｓａｒ画像解析システム |
| CN109613531A (zh) * | 2019-01-07 | 2019-04-12 | 北方工业大学 | 一种微变感知预警雷达的多阈值优化形变反演方法及系统 |
| CN110781788A (zh) * | 2019-10-18 | 2020-02-11 | 中国科学技术大学 | 一种基于少量标注的野外机器人地面分类方法及系统 |
| CN110888132A (zh) * | 2019-11-22 | 2020-03-17 | 深圳市城市公共安全技术研究院有限公司 | 基于InSAR监测的桥梁形变分析方法及系统 |
| CN111191718A (zh) * | 2019-12-30 | 2020-05-22 | 西安电子科技大学 | 基于图注意力网络的小样本sar目标识别方法 |
| CN111929683A (zh) * | 2020-07-28 | 2020-11-13 | 中国自然资源航空物探遥感中心 | 滑坡形变聚集区预测模型生成方法和滑坡形变聚集区预测方法 |
| CN112083422A (zh) * | 2020-08-26 | 2020-12-15 | 长沙理工大学 | 基于多级深度学习网络的单航过InSAR系统端对端分类方法 |
| CN112132006A (zh) * | 2020-09-21 | 2020-12-25 | 西南交通大学 | 一种面向耕地保护的林地和建筑物智能提取方法 |
| CN112365091A (zh) * | 2020-11-30 | 2021-02-12 | 中国人民解放军国防科技大学 | 一种基于分类节点图注意力网络的雷达定量降水估计方法 |
| CN112861617A (zh) * | 2020-12-31 | 2021-05-28 | 中南大学 | 一种基于监控图像的边坡灾害识别系统 |
Non-Patent Citations (5)
| Title |
|---|
| YANG XIAOLIN等: "Experiment study on deformation monitoring using ground-based SAR", CONFERENCE PROCEEDINGS OF 2013 ASIA-PACIFIC CONFERENCE ON SYNTHETIC APERTURE RADAR (APSAR), pages 285 - 288 * |
| YANPING WANG等: "Displacement estimation and monitoring experiments based on time-series SAR imaging", 2016 IEEE INTERNATIONAL GEOSCIENCE AND REMOTE SENSING SYMPOSIUM (IGARSS), pages 28 - 31 * |
| 吕森: "基于上时间序列观测误差校正的地基SAR高精度形变反演方法研究", 中国优秀硕士学位论文全文数据库 基础科学辑, pages 008 - 283 * |
| 廖明生;唐婧;王腾;TIMO BALZ;张路;: "高分辨率SAR数据在三峡库区滑坡监测中的应用", 中国科学:地球科学, vol. 42, no. 2, pages 217 - 229 * |
| 曹琨等: "基于注意力网络的地基SAR永久散射体选取方法", 信号处理, pages 1 - 10 * |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114842681A (zh) * | 2022-07-04 | 2022-08-02 | 中国电子科技集团公司第二十八研究所 | 一种基于多头注意力机制的机场场面航迹预测方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113537240B (zh) | 2023-09-05 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN107766894B (zh) | 基于注意力机制和深度学习的遥感图像自然语言生成方法 | |
| CN110516536B (zh) | 一种基于时序类别激活图互补的弱监督视频行为检测方法 | |
| CN113516012B (zh) | 一种基于多层级特征融合的行人重识别方法及系统 | |
| CN107622229A (zh) | 一种基于融合特征的视频车辆重识别方法与系统 | |
| CN112989977B (zh) | 一种基于跨模态注意力机制的视听事件定位方法及装置 | |
| CN110046579B (zh) | 一种深度哈希的行人再识别方法 | |
| CN112800876A (zh) | 一种用于重识别的超球面特征嵌入方法及系统 | |
| CN116309725A (zh) | 基于多尺度可形变注意力机制的多目标跟踪方法 | |
| CN109993770A (zh) | 一种自适应时空学习与状态识别的目标跟踪方法 | |
| JP2020119154A (ja) | 情報処理装置、情報処理方法、及びプログラム | |
| CN113378971A (zh) | 近红外光谱的分类模型训练方法、系统及分类方法、系统 | |
| CN117392604A (zh) | 物联网实时信息监控管理系统及方法 | |
| CN115410258A (zh) | 基于注意力图像的人脸表情识别方法 | |
| CN105868711A (zh) | 一种基于稀疏低秩的人体行为识别方法 | |
| CN113537240B (zh) | 一种基于雷达序列图像的形变区智能提取方法及系统 | |
| CN113762278A (zh) | 一种基于目标检测的沥青路面损坏识别方法 | |
| CN116796248A (zh) | 森林康养环境评估系统及其方法 | |
| He et al. | Fast image quality assessment via supervised iterative quantization method | |
| CN105354584A (zh) | 基于波段不相似性的高光谱数据波段表征选择方法 | |
| CN115661539A (zh) | 一种嵌入不确定性信息的少样本图像识别方法 | |
| CN109165586A (zh) | 用于ai芯片的智能图像处理方法 | |
| CN115049611A (zh) | 一种基于改进yolov5的连铸坯裂纹缺陷识别方法 | |
| CN114360058A (zh) | 一种基于行走视角预测的跨视角步态识别方法 | |
| CN113313210A (zh) | 用于数据处理的方法和设备 | |
| Sánchez et al. | Robust multiband image segmentation method based on user clues |
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 |