CN115797787A - 一种sar图像水华区域提取方法 - Google Patents

一种sar图像水华区域提取方法 Download PDF

Info

Publication number
CN115797787A
CN115797787A CN202310113017.7A CN202310113017A CN115797787A CN 115797787 A CN115797787 A CN 115797787A CN 202310113017 A CN202310113017 A CN 202310113017A CN 115797787 A CN115797787 A CN 115797787A
Authority
CN
China
Prior art keywords
sar image
attention
wavelet
expressed
component
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
Application number
CN202310113017.7A
Other languages
English (en)
Other versions
CN115797787B (zh
Inventor
李冠群
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.)
Genyu Muxing Beijing Space Technology Co ltd
Original Assignee
Genyu Muxing Beijing Space Technology Co ltd
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 Genyu Muxing Beijing Space Technology Co ltd filed Critical Genyu Muxing Beijing Space Technology Co ltd
Priority to CN202310113017.7A priority Critical patent/CN115797787B/zh
Publication of CN115797787A publication Critical patent/CN115797787A/zh
Application granted granted Critical
Publication of CN115797787B publication Critical patent/CN115797787B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Landscapes

  • Image Processing (AREA)

Abstract

本发明涉及数据处理技术领域，公开了一种SAR图像水华区域提取方法，包括：通过对SAR图像第一特征进行注意力机制和特征精细操作获取第二特征，搭建注意力卷积模块；通过小波注意力分割网络对SAR图像进行处理，获取SAR图像水华区域；其中，注意力卷积模块用于小波注意力分割网络中对SAR图像进行精细处理。本发明提出的小波注意力分割网络能够通过两级的离散小波变换分解SAR图像的不同频率分量，同时对于不同频率分量能够通过注意力卷积模块进行SAR图像中水华区域图像的特征进行提取和精细，从而实现对于SAR图像中水华区域的准确分割。

Description

一种SAR图像水华区域提取方法
技术领域
本发明涉及数据处理技术领域，具体涉及一种SAR图像水华区域提取方法。
背景技术
环境监测一直是遥感对地观测技术的一个重要应用，而对于湖泊的水华定期检测则是其中的一项典型内容。光学遥感技术应用广泛且其图像色彩丰富易于观察，但光学遥感观测易受云和雾的天气的影响，无法满足稳定的观测要求。合成孔径雷达（SyntheticAperture Radar, SAR）是一种可以进行全天时全天候的地球表面观测技术，可实现可靠的湖泊水华监测。现有的图像分割网络往往针对于自然图像而设计，难以在SAR图像的水华区域提取上取得有意的表现。
发明内容
本发明的目的在于克服上述一种或多种现有的技术问题，提供一种SAR图像水华区域提取方法。
为实现上述目的，本发明提供的一种SAR图像水华区域提取方法，包括：
通过对SAR图像第一特征进行注意力机制和特征精细操作获取第二特征，搭建注意力卷积模块；
通过小波注意力分割网络对SAR图像进行处理，获取SAR图像水华区域；其中，注意力卷积模块用于小波注意力分割网络中对SAR图像进行精细处理。
根据本发明的一个方面，提取方法还包括：
对小波注意力分割网络进行提取SAR图像水华区域的训练及测试。
根据本发明的一个方面，搭建注意力卷积模块包括：
对SAR图像第一特征进行注意力机制，通过卷积提取第一特征和对第一特征使用
Figure SMS_1
函数对特征进行映射，再将映射后的结果与第一特征相乘；计算过程可形式化的表示为，
Figure SMS_2
；
其中，
Figure SMS_3
表示卷积，
Figure SMS_4
表示第一特征，
Figure SMS_5
表示映射后的结果与第一特征相乘，
Figure SMS_6
表示对第一特征进行注意力机制操作后的第一特征结果；
再对第一特征结果进行特征精细操作，对第一特征结果进行卷积、批规范化、修正线性单元激活操作和跳转连接，得到第二特征，计算过程可形式化的表示为，
Figure SMS_7
；
其中，
Figure SMS_8
表示第二特征，
Figure SMS_9
表示修正线性单元，
Figure SMS_10
表示批规范化，
Figure SMS_11
表示相加操作；
所述搭建注意力卷积模块计算过程可形式化的总结为，
Figure SMS_12
；
其中，
Figure SMS_13
表示注意力卷积模块。
根据本发明的一个方面，通过小波注意力分割网络对SAR图像进行处理，获取SAR图像水华区域包括：
根据第一级别离散小波变换将SAR图像分解为近似分量、水平分量、垂直分量和对角线分量，分解过程可形式化的表示为，
Figure SMS_14
；
其中，
Figure SMS_15
表示分解得到的近似分量，
Figure SMS_16
表示为分解得到的水平分量，
Figure SMS_17
表示为分解得到的垂直分量，
Figure SMS_18
表示为分解得到的对角线分量，
Figure SMS_19
表示SAR图像，
Figure SMS_20
表示离散小波变换；
对分解得到的近似分量、水平分量、垂直分量和对角线分量通过注意力卷积模块进行第一级别特征精细操作，可形式化的表示为，
Figure SMS_21
；
其中，
Figure SMS_22
表示为对分解得到的近似分量进行第一级别特征精细后的结果，
Figure SMS_23
表示为对分解得到的水平分量进行第一级别特征精细后的结果，
Figure SMS_24
表示为对分解得到的垂直分量进行第一级别特征精细后的结果，
Figure SMS_25
表示为对分解得到的对角线分量进行第一级别特征精细后的结果。
根据本发明的一个方面，通过小波注意力分割网络对SAR图像进行处理，获取SAR图像水华区域还包括：
对进行第一级别特征精细操作后的结果
Figure SMS_26
、
Figure SMS_27
、
Figure SMS_28
和
Figure SMS_29
进行第二级别离散小波转换的分解过程，可形式化的表示为，
Figure SMS_30
；
Figure SMS_31
；
Figure SMS_32
；
Figure SMS_33
；
其中，
Figure SMS_34
表示对
Figure SMS_35
进行第二级别离散小波转换的分解过程后的近似-近似分量、近似-水平分量、近似-垂直分量和近似-对角线分量，
Figure SMS_36
表示对
Figure SMS_37
进行第二级别离散小波转换的分解过程后水平-近似分量，水平-水平分量，水平-垂直分量，水平-对角线分量，
Figure SMS_38
表示对
Figure SMS_39
进行第二级别离散小波转换的分解过程后垂直-近似分量，垂直-水平分量，垂直-垂直分量，垂直-对角线分量，
Figure SMS_40
表示对
Figure SMS_41
进行第二级别离散小波转换的分解过程后对角线-近似分量，对角线-水平分量，对角线-垂直分量，对角线-对角线分量；
再通过注意力卷积模块进行第二级别特征精细，可形式化的表示为，
Figure SMS_42
；
Figure SMS_43
；
Figure SMS_44
；
Figure SMS_45
；
其中，
Figure SMS_46
表示
Figure SMS_47
进行第二级别特征精细的结果，
Figure SMS_48
表示
Figure SMS_49
进行第二级别特征精细的结果，
Figure SMS_50
表示
Figure SMS_51
进行第二级别特征精细的结果，
Figure SMS_52
表示
Figure SMS_53
进行第二级别特征精细的结果。
根据本发明的一个方面，通过小波注意力分割网络对SAR图像进行处理，获取SAR图像水华区域还包括：
通过逆离散小波变换和注意力卷积模块，对进行第二级别特征精细得到的分量进行逆向转换和第三级别特征精细操作，形式化的表示为，
Figure SMS_54
；
Figure SMS_55
；
Figure SMS_56
；
Figure SMS_57
；
其中，
Figure SMS_58
表示逆离散小波变换，
Figure SMS_59
表示为逆向转换得到的近似分量，
Figure SMS_60
表示为逆向转换得到的水平分量，
Figure SMS_61
表示为逆向转换得到的垂直分量，
Figure SMS_62
表示为逆向转换得到的对角线分量；
对逆向转换得到的近似分量、水平分量、垂直分量和对角线分量进行逆离散小波变换，获取SAR图像水华区域，形式化的表示为，
Figure SMS_63
；
其中，
Figure SMS_64
表示通过小波注意力分割网络获取SAR图像水华区域。
根据本发明的一个方面，通过小波注意力分割网络对SAR图像进行处理，获取SAR图像水华区域形式化的总结为，
Figure SMS_65
；
其中，
Figure SMS_66
表示小波注意力分割网络。
根据本发明的一个方面，对小波注意力分割网络进行提取SAR图像水华区域的训练及测试包括：
根据分割损失对小波注意力分割网络进行SAR图像水华区域提取的训练，其中，分割损失可形式化的表示为，
Figure SMS_67
；
其中，
Figure SMS_68
表示与用于训练输入SAR图像对应的水华分割标签，
Figure SMS_69
表示二元交叉熵计算操作，
Figure SMS_70
表示分割损失，
损失下降直至稳定后，则表示小波注意力分割网络训练过程完毕；
通过训练完毕的小波注意力分割网络对待测试的SAR图像进行水华区域提取测试，形式化的表示为，
Figure SMS_71
；
其中，
Figure SMS_72
表示待测试的SAR图像，
Figure SMS_73
表示训练完毕的小波注意力分割网络，
Figure SMS_74
表示为通过训练完毕的小波注意力分割网络得到的水华区域提取结果。
为实现上述目的，本发明提供一种电子设备，包括处理器、存储器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述计算机程序被所述处理器执行时实现上述针对一种SAR图像水华区域提取方法。
为实现上述目的，本发明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计算机程序，计算机程序被处理器执行时实现上述针对一种SAR图像水华区域提取方法。
基于此，本发明的有益效果在于：
本发明提出的小波注意力分割网络能够通过两级的离散小波变换分解SAR图像的不同频率分量，同时对于不同频率分量能够通过注意力卷积模块进行SAR图像中水华区域图像的特征进行提取和精细，从而实现对于SAR图像中水华区域的准确分割。
附图说明
图1示意性表示根据本发明的一种SAR图像水华区域提取方法的流程图；
图2示意性表示根据本发明的注意力卷积模块示意图；
图3示意性表示根据本发明的一种SAR图像水华区域提取方法的结构示意图。
具体实施方式
现在将参照示例性实施例来论述本发明的内容，应当理解，论述的实施例仅是为了使得本领域普通技术人员能够更好地理解且因此实现本发明的内容，而不是暗示对本发明的范围的任何限制。
如本文中所使用的，术语“包括”及其变体要被解读为意味着“包括但不限于”的开放式术语。术语“基于”要被解读为“至少部分地基于”，术语“一个实施例”和“一种实施例”要被解读为“至少一个实施例”。
图1示意性表示根据本发明的一种SAR图像水华区域提取方法的流程图，图2示意性表示根据本发明的注意力卷积模块示意图，图3示意性表示根据本发明的一种SAR图像水华区域提取方法的结构示意图；如图1所示，本发明的一种SAR图像水华区域提取方法，包括：
通过对SAR图像第一特征进行注意力机制和特征精细操作获取第二特征，搭建注意力卷积模块；
通过小波注意力分割网络对SAR图像进行处理，获取SAR图像水华区域；其中，注意力卷积模块用于小波注意力分割网络中对SAR图像进行精细处理。
根据本发明的一个实施方式，提取方法还包括：
对小波注意力分割网络进行提取SAR图像水华区域的训练及测试。
根据本发明的一个实施方式，搭建注意力卷积模块包括：
对SAR图像第一特征进行注意力机制，通过卷积提取第一特征和对第一特征使用
Figure SMS_75
函数对特征进行映射，再将映射后的结果与第一特征相乘；计算过程可形式化的表示为，
Figure SMS_76
；
其中，
Figure SMS_77
表示卷积，
Figure SMS_78
表示第一特征，
Figure SMS_79
表示映射后的结果与第一特征相乘，
Figure SMS_80
表示对第一特征进行注意力机制操作后的第一特征结果；
再对第一特征结果进行特征精细操作，对第一特征结果进行卷积、批规范化、修正线性单元激活操作和跳转连接，得到第二特征，计算过程可形式化的表示为，
Figure SMS_81
；
其中，
Figure SMS_82
表示第二特征，
Figure SMS_83
表示修正线性单元，
Figure SMS_84
表示批规范化，
Figure SMS_85
表示相加操作；
所述搭建注意力卷积模块计算过程可形式化的总结为，
Figure SMS_86
；
其中，
Figure SMS_87
表示注意力卷积模块。
根据本发明的一个实施方式，通过小波注意力分割网络对SAR图像进行处理，获取SAR图像水华区域包括：
根据第一级别离散小波变换将SAR图像分解为近似分量、水平分量、垂直分量和对角线分量，分解过程可形式化的表示为，
Figure SMS_88
；
其中，
Figure SMS_89
表示分解得到的近似分量，
Figure SMS_90
表示为分解得到的水平分量，
Figure SMS_91
表示为分解得到的垂直分量，
Figure SMS_92
表示为分解得到的对角线分量，
Figure SMS_93
表示SAR图像，
Figure SMS_94
表示离散小波变换；
对分解得到的近似分量、水平分量、垂直分量和对角线分量通过注意力卷积模块进行第一级别特征精细操作，可形式化的表示为，
Figure SMS_95
；
其中，
Figure SMS_96
表示为对分解得到的近似分量进行第一级别特征精细后的结果，
Figure SMS_97
表示为对分解得到的水平分量进行第一级别特征精细后的结果，
Figure SMS_98
表示为对分解得到的垂直分量进行第一级别特征精细后的结果，
Figure SMS_99
表示为对分解得到的对角线分量进行第一级别特征精细后的结果。
根据本发明的一个实施方式，通过小波注意力分割网络对SAR图像进行处理，获取SAR图像水华区域还包括：
对进行第一级别特征精细操作后的结果
Figure SMS_100
、
Figure SMS_101
、
Figure SMS_102
和
Figure SMS_103
进行第二级别离散小波转换的分解过程，可形式化的表示为，
Figure SMS_104
；
Figure SMS_105
；
Figure SMS_106
；
Figure SMS_107
；
其中，
Figure SMS_108
表示对
Figure SMS_109
进行第二级别离散小波转换的分解过程后的近似-近似分量、近似-水平分量、近似-垂直分量和近似-对角线分量，
Figure SMS_110
表示对
Figure SMS_111
进行第二级别离散小波转换的分解过程后水平-近似分量，水平-水平分量，水平-垂直分量，水平-对角线分量，
Figure SMS_112
表示对
Figure SMS_113
进行第二级别离散小波转换的分解过程后垂直-近似分量，垂直-水平分量，垂直-垂直分量，垂直-对角线分量，
Figure SMS_114
表示对
Figure SMS_115
进行第二级别离散小波转换的分解过程后对角线-近似分量，对角线-水平分量，对角线-垂直分量，对角线-对角线分量；
再通过注意力卷积模块进行第二级别特征精细，可形式化的表示为，
Figure SMS_116
；
Figure SMS_117
；
Figure SMS_118
；
Figure SMS_119
；
其中，
Figure SMS_120
表示
Figure SMS_121
进行第二级别特征精细的结果，
Figure SMS_122
表示
Figure SMS_123
进行第二级别特征精细的结果，
Figure SMS_124
表示
Figure SMS_125
进行第二级别特征精细的结果，
Figure SMS_126
表示
Figure SMS_127
进行第二级别特征精细的结果。
根据本发明的一个实施方式，通过小波注意力分割网络对SAR图像进行处理，获取SAR图像水华区域还包括：
通过逆离散小波变换和注意力卷积模块，对进行第二级别特征精细得到的分量进行逆向转换和第三级别特征精细操作，形式化的表示为，
Figure SMS_128
；
Figure SMS_129
；
Figure SMS_130
；
Figure SMS_131
；
其中，
Figure SMS_132
表示逆离散小波变换，
Figure SMS_133
表示为逆向转换得到的近似分量，
Figure SMS_134
表示为逆向转换得到的水平分量，
Figure SMS_135
表示为逆向转换得到的垂直分量，
Figure SMS_136
表示为逆向转换得到的对角线分量；
对逆向转换得到的近似分量、水平分量、垂直分量和对角线分量进行逆离散小波变换，获取SAR图像水华区域，形式化的表示为，
Figure SMS_137
；
其中，
Figure SMS_138
表示通过小波注意力分割网络获取SAR图像水华区域。
根据本发明的一个实施方式，通过小波注意力分割网络对SAR图像进行处理，获取SAR图像水华区域形式化的总结为，
Figure SMS_139
；
其中，
Figure SMS_140
表示小波注意力分割网络。
根据本发明的一个实施方式，对小波注意力分割网络进行提取SAR图像水华区域的训练及测试包括：
根据分割损失对小波注意力分割网络进行SAR图像水华区域提取的训练，其中，分割损失可形式化的表示为，
Figure SMS_141
；
其中，
Figure SMS_142
表示与用于训练输入SAR图像对应的水华分割标签，
Figure SMS_143
表示二元交叉熵计算操作，
Figure SMS_144
表示分割损失，
损失下降直至稳定后，则表示小波注意力分割网络训练过程完毕；
通过训练完毕的小波注意力分割网络对待测试的SAR图像进行水华区域提取测试，形式化的表示为，
Figure SMS_145
；
其中，
Figure SMS_146
表示待测试的SAR图像，
Figure SMS_147
表示训练完毕的小波注意力分割网络，
Figure SMS_148
表示为通过训练完毕的小波注意力分割网络得到的水华区域提取结果。
为实现上述发明目的，本发明还提供一种电子设备，该电子设备包括：处理器、存储器及存储在所述存储器上并可在所述处理器上运行的计算机程序，计算机程序被处理器执行时实现上述一种SAR图像水华区域提取方法。
为实现上述发明目的，本发明还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计算机程序，计算机程序被处理器执行时实现上述一种SAR图像水华区域提取方法。
基于此，本发明的有益效果在于，本发明提出的小波注意力分割网络能够通过两级的离散小波变换分解SAR图像的不同频率分量，同时对于不同频率分量能够通过注意力卷积模块进行SAR图像中水华区域图像的特征进行提取和精细，从而实现对于SAR图像中水华区域的准确分割。
本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的模块及算法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。
所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的装置和设备的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
在本申请所提供的实施例中，应该理解到，所揭露的装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述模块的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个模块或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或模块的间接耦合或通信连接，可以是电性，机械或其它的形式。
所述作为分离部件说明的模块可以是或者也可以不是物理上分开的，作为模块显示的部件可以是或者也可以不是物理模块，即可以位于一个地方，或者也可以分布到多个网络模块上。可以根据实际的需要选择其中的部分或者全部模块来实现本发明实施例方案的目的。
另外，在本发明实施例中的各功能模块可以集成在一个处理模块中，也可以是各个模块单独物理存在，也可以两个或两个以上模块集成在一个模块中。
所述功能如果以软件功能模块的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例节能信号发送/接收的方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。
以上描述仅为本申请的较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解，本申请中所涉及的发明范围，并不限于上述技术特征的特定组合而成的技术方案，同时也应涵盖在不脱离所述发明构思的情况下，由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本申请中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。
应理解，本发明的发明内容及实施例中各步骤的序号的大小并不绝对意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本发明实施例的实施过程构成任何限定。

Claims (10)

1.一种SAR图像水华区域提取方法，其特征在于，提取方法包括：
通过对SAR图像第一特征进行注意力机制和特征精细操作获取第二特征，搭建注意力卷积模块；
通过小波注意力分割网络对SAR图像进行处理，获取SAR图像水华区域；其中，注意力卷积模块用于小波注意力分割网络中对SAR图像进行精细处理。
2.根据权利要求1所述的SAR图像水华区域提取方法，其特征在于，提取方法还包括：
对小波注意力分割网络进行提取SAR图像水华区域的训练及测试。
3.根据权利要求1所述的SAR图像水华区域提取方法，其特征在于，搭建注意力卷积模块包括：
对SAR图像第一特征进行注意力机制，通过卷积提取第一特征和对第一特征使用
Figure QLYQS_1
函数对特征进行映射，再将映射后的结果与第一特征相乘；计算过程可形式化的表示为，
Figure QLYQS_2
；
其中，
Figure QLYQS_3
表示卷积，
Figure QLYQS_4
表示第一特征，
Figure QLYQS_5
表示映射后的结果与第一特征相乘，
Figure QLYQS_6
表示对第一特征进行注意力机制操作后的第一特征结果；
再对第一特征结果进行特征精细操作，对第一特征结果进行卷积、批规范化、修正线性单元激活操作和跳转连接，得到第二特征，计算过程可形式化的表示为，
Figure QLYQS_7
；
其中，
Figure QLYQS_8
表示第二特征，
Figure QLYQS_9
表示修正线性单元，
Figure QLYQS_10
表示批规范化，
Figure QLYQS_11
表示相加操作；
所述搭建注意力卷积模块计算过程可形式化的总结为，
Figure QLYQS_12
；
其中，
Figure QLYQS_13
表示注意力卷积模块。
4.根据权利要求1所述的SAR图像水华区域提取方法，其特征在于，通过小波注意力分割网络对SAR图像进行处理，获取SAR图像水华区域包括：
根据第一级别离散小波变换将SAR图像分解为近似分量、水平分量、垂直分量和对角线分量，分解过程可形式化的表示为，
Figure QLYQS_14
；
其中，
Figure QLYQS_15
表示分解得到的近似分量，
Figure QLYQS_16
表示为分解得到的水平分量，
Figure QLYQS_17
表示为分解得到的垂直分量，
Figure QLYQS_18
表示为分解得到的对角线分量，
Figure QLYQS_19
表示SAR图像，
Figure QLYQS_20
表示离散小波变换；
对分解得到的近似分量、水平分量、垂直分量和对角线分量通过注意力卷积模块进行第一级别特征精细操作，可形式化的表示为，
Figure QLYQS_21
；
其中，
Figure QLYQS_22
表示为对分解得到的近似分量进行第一级别特征精细后的结果，
Figure QLYQS_23
表示为对分解得到的水平分量进行第一级别特征精细后的结果，
Figure QLYQS_24
表示为对分解得到的垂直分量进行第一级别特征精细后的结果，
Figure QLYQS_25
表示为对分解得到的对角线分量进行第一级别特征精细后的结果。
5.根据权利要求1所述的SAR图像水华区域提取方法，其特征在于，通过小波注意力分割网络对SAR图像进行处理，获取SAR图像水华区域还包括：
对进行第一级别特征精细操作后的结果
Figure QLYQS_26
、
Figure QLYQS_27
、
Figure QLYQS_28
和
Figure QLYQS_29
进行第二级别离散小波转换的分解过程，可形式化的表示为，
Figure QLYQS_30
；
Figure QLYQS_31
；
Figure QLYQS_32
；
Figure QLYQS_33
；
其中，
Figure QLYQS_34
表示对
Figure QLYQS_35
进行第二级别离散小波转换的分解过程后的近似-近似分量、近似-水平分量、近似-垂直分量和近似-对角线分量，
Figure QLYQS_36
表示对
Figure QLYQS_37
进行第二级别离散小波转换的分解过程后水平-近似分量，水平-水平分量，水平-垂直分量，水平-对角线分量，
Figure QLYQS_38
表示对
Figure QLYQS_39
进行第二级别离散小波转换的分解过程后垂直-近似分量，垂直-水平分量，垂直-垂直分量，垂直-对角线分量，
Figure QLYQS_40
表示对
Figure QLYQS_41
进行第二级别离散小波转换的分解过程后对角线-近似分量，对角线-水平分量，对角线-垂直分量，对角线-对角线分量；
再通过注意力卷积模块进行第二级别特征精细，可形式化的表示为，
Figure QLYQS_42
；
Figure QLYQS_43
；
Figure QLYQS_44
；
Figure QLYQS_45
；
其中，
Figure QLYQS_46
表示
Figure QLYQS_47
进行第二级别特征精细的结果，
Figure QLYQS_48
表示
Figure QLYQS_49
进行第二级别特征精细的结果，
Figure QLYQS_50
表示
Figure QLYQS_51
进行第二级别特征精细的结果，
Figure QLYQS_52
表示
Figure QLYQS_53
进行第二级别特征精细的结果。
6.根据权利要求1所述的SAR图像水华区域提取方法，其特征在于，通过小波注意力分割网络对SAR图像进行处理，获取SAR图像水华区域还包括：
通过逆离散小波变换和注意力卷积模块，对进行第二级别特征精细得到的分量进行逆向转换和第三级别特征精细操作，形式化的表示为，
Figure QLYQS_54
；
Figure QLYQS_55
；
Figure QLYQS_56
；
Figure QLYQS_57
；
其中，
Figure QLYQS_58
表示逆离散小波变换，
Figure QLYQS_59
表示为逆向转换得到的近似分量，
Figure QLYQS_60
表示为逆向转换得到的水平分量，
Figure QLYQS_61
表示为逆向转换得到的垂直分量，
Figure QLYQS_62
表示为逆向转换得到的对角线分量；
对逆向转换得到的近似分量、水平分量、垂直分量和对角线分量进行逆离散小波变换，获取SAR图像水华区域，形式化的表示为，
Figure QLYQS_63
；
其中，
Figure QLYQS_64
表示通过小波注意力分割网络获取SAR图像水华区域。
7.根据权利要求1所述的SAR图像水华区域提取方法，其特征在于，通过小波注意力分割网络对SAR图像进行处理，获取SAR图像水华区域形式化的总结为，
Figure QLYQS_65
；
其中，
Figure QLYQS_66
表示小波注意力分割网络。
8.根据权利要求2所述的SAR图像水华区域提取方法，其特征在于，对小波注意力分割网络进行提取SAR图像水华区域的训练及测试包括：
根据分割损失对小波注意力分割网络进行SAR图像水华区域提取的训练，其中，分割损失可形式化的表示为，
Figure QLYQS_67
；
其中，
Figure QLYQS_68
表示与用于训练输入SAR图像对应的水华分割标签，
Figure QLYQS_69
表示二元交叉熵计算操作，
Figure QLYQS_70
表示分割损失，
损失下降直至稳定后，则表示小波注意力分割网络训练过程完毕；
通过训练完毕的小波注意力分割网络对待测试的SAR图像进行水华区域提取测试，形式化的表示为，
Figure QLYQS_71
；
其中，
Figure QLYQS_72
表示待测试的SAR图像，
Figure QLYQS_73
表示训练完毕的小波注意力分割网络，
Figure QLYQS_74
表示为通过训练完毕的小波注意力分割网络得到的水华区域提取结果。
9.一种电子设备，其特征在于，包括处理器、存储器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述计算机程序被所述处理器执行时实现如权利要求1至8中任一项所述的一种SAR图像水华区域提取方法。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储计算机程序，所述计算机程序被处理器执行时实现如权利要求1至8中任一项所述的一种SAR图像水华区域提取方法。
CN202310113017.7A 2023-02-15 2023-02-15 一种sar图像水华区域提取方法 Active CN115797787B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310113017.7A CN115797787B (zh) 2023-02-15 2023-02-15 一种sar图像水华区域提取方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310113017.7A CN115797787B (zh) 2023-02-15 2023-02-15 一种sar图像水华区域提取方法

Publications (2)

Publication Number Publication Date
CN115797787A true CN115797787A (zh) 2023-03-14
CN115797787B CN115797787B (zh) 2023-05-05

Family

ID=85430974

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310113017.7A Active CN115797787B (zh) 2023-02-15 2023-02-15 一种sar图像水华区域提取方法

Country Status (1)

Country Link
CN (1) CN115797787B (zh)

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20210012146A1 (en) * 2019-07-12 2021-01-14 Wuyi University Method and apparatus for multi-scale sar image recognition based on attention mechanism
CN112233026A (zh) * 2020-09-29 2021-01-15 南京理工大学 一种基于多尺度残差注意力网络的sar图像去噪方法
CN112883934A (zh) * 2021-04-01 2021-06-01 陕西师范大学 一种基于注意力机制的sar图像道路分割方法
CN113743383A (zh) * 2021-11-05 2021-12-03 航天宏图信息技术股份有限公司 一种sar影像水体提取方法、装置、电子设备及存储介质

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20210012146A1 (en) * 2019-07-12 2021-01-14 Wuyi University Method and apparatus for multi-scale sar image recognition based on attention mechanism
CN112233026A (zh) * 2020-09-29 2021-01-15 南京理工大学 一种基于多尺度残差注意力网络的sar图像去噪方法
CN112883934A (zh) * 2021-04-01 2021-06-01 陕西师范大学 一种基于注意力机制的sar图像道路分割方法
CN113743383A (zh) * 2021-11-05 2021-12-03 航天宏图信息技术股份有限公司 一种sar影像水体提取方法、装置、电子设备及存储介质

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
戴牧宸 等: "基于改进双边网络的SAR图像海陆分割方法" *

Also Published As

Publication number Publication date
CN115797787B (zh) 2023-05-05

Similar Documents

Publication Publication Date Title
CN107229918B (zh) 一种基于全卷积神经网络的sar图像目标检测方法
Liu et al. SAR image change detection based on mathematical morphology and the K-means clustering algorithm
CN110263646A (zh) 一种基于卷积神经网络的海面弱目标探测方法和系统
Hou et al. SAR image ship detection based on visual attention model
CN104346628B (zh) 基于多尺度多方向Gabor特征的车牌汉字识别方法
CN117409190B (zh) 一种实时红外图像目标检测方法、装置、设备及存储介质
CN107784655A (zh) 一种自适应阈值的视觉注意模型sar舰船检测算法
CN103632153A (zh) 一种基于区域的图像显著图提取方法
CN113536963A (zh) 基于轻量化yolo网络的sar图像飞机目标检测方法
Cui et al. An image edge detection method based on haar wavelet transform
CN115359066A (zh) 用于内窥镜的病灶检测方法、装置、电子设备及存储介质
CN117788296A (zh) 基于异构组合深度网络的红外遥感图像超分辨率重建方法
CN111968073B (zh) 一种基于纹理信息统计的无参考图像质量评价方法
Dong et al. A cloud detection method for GaoFen-6 wide field of view imagery based on the spectrum and variance of superpixels
CN116109829B (zh) 一种基于融合网络的珊瑚礁水域图像分割方法
CN115797787A (zh) 一种sar图像水华区域提取方法
CN116704324A (zh) 基于水下图像的目标检测方法、系统、设备以及存储介质
CN115620149B (zh) 一种基于遥感图像的道路检测方法
CN102722878A (zh) 基于目标提取和ppb算法的sar图像去斑方法
CN105551029A (zh) 一种多光谱遥感图像舰船检测方法
CN115546653A (zh) 一种基于深度加强网络的遥感图像去噪方法
CN114358056A (zh) 基于深度学习的无人机信号识别方法及系统
CN114880509A (zh) 模型训练方法、搜索方法、装置、电子设备及存储介质
CN113989339A (zh) 一种卫星遥感图像配准方法
Cheng et al. Research on image processing technology based on analog head reading

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