CN115965825A - 一种基于轻量级网络的多光谱卫星图像舰船冰山分类方法 - Google Patents
一种基于轻量级网络的多光谱卫星图像舰船冰山分类方法 Download PDFInfo
- Publication number
- CN115965825A CN115965825A CN202310257602.4A CN202310257602A CN115965825A CN 115965825 A CN115965825 A CN 115965825A CN 202310257602 A CN202310257602 A CN 202310257602A CN 115965825 A CN115965825 A CN 115965825A
- Authority
- CN
- China
- Prior art keywords
- rgb
- target
- layer
- iceberg
- ship
- 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
- 238000000034 method Methods 0.000 title claims abstract description 46
- 238000012549 training Methods 0.000 claims abstract description 52
- 238000013145 classification model Methods 0.000 claims abstract description 28
- 238000012795 verification Methods 0.000 claims abstract description 14
- 238000002310 reflectometry Methods 0.000 claims description 18
- 230000004913 activation Effects 0.000 claims description 9
- 238000012937 correction Methods 0.000 claims description 6
- 238000005457 optimization Methods 0.000 claims description 6
- 230000003068 static effect Effects 0.000 claims description 4
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 claims description 3
- 238000010586 diagram Methods 0.000 claims description 3
- 238000011156 evaluation Methods 0.000 claims description 3
- 238000003064 k means clustering Methods 0.000 claims description 3
- 238000011176 pooling Methods 0.000 claims description 3
- 238000013461 design Methods 0.000 abstract description 12
- 238000005516 engineering process Methods 0.000 abstract description 4
- 230000008447 perception Effects 0.000 abstract description 4
- 230000005764 inhibitory process Effects 0.000 abstract description 3
- 238000007781 pre-processing Methods 0.000 abstract description 3
- 230000006870 function Effects 0.000 description 8
- 238000013527 convolutional neural network Methods 0.000 description 6
- 238000001514 detection method Methods 0.000 description 5
- 238000000701 chemical imaging Methods 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000003384 imaging method Methods 0.000 description 2
- 238000012706 support-vector machine Methods 0.000 description 2
- 238000010200 validation analysis Methods 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000002790 cross-validation Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 239000003208 petroleum Substances 0.000 description 1
- 230000036544 posture Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000003595 spectral effect Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
Images
Classifications
-
- 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
Landscapes
- Image Processing (AREA)
Abstract
本发明涉及一种基于轻量级网络的多光谱卫星图像舰船冰山分类方法，基于分别对应蓝色波段、绿色波段、红色波段、近红外波段的海面区域多光谱图像，以红色波段与近红外波段的融合，结合蓝色波段、绿色波段，构成RGB三通道多光谱图像，构建预设数量包含冰山目标标签、舰船目标标签的各幅海面区域RGB多光谱样本图像，用于针对具体结构设计的轻量级网络进行训练，获得目标分类模型，用于实现海面区域舰船、冰山的分类；设计集合了多光谱卫星图像数据预处理、轻量级网络结构设计、正则化抑制过拟合、网络训练及验证等技术，实现了多光谱卫星遥感图像海上舰船冰山目标准确分类，提升了海上态势感知能力。
Description
技术领域
本发明涉及一种基于轻量级网络的多光谱卫星图像舰船冰山分类方法，属于遥感图像目标检测分类技术领域。
背景技术
卫星多光谱成像仪是一种能够同时获取光谱特征和空间图像信息的重要设备，是光电成像系统发展的重要方向，具有图像分辨率高、多光谱波段图像、波段连续、图像信息量大、目标特征丰富等成像特点，可有效地识别陆海目标，能够大范围、动态、长期地对陆海进行态势感知。尤其在海洋交通运输安全、海洋渔业管理、非法移民、搜救、沉船和环境(石油泄漏或污染)以及军事监测等方面,多光谱遥感图像的海上舰船冰山检测分类更有着重要的意义。
传统的多光谱卫星图像目标检测分类方法依赖于人工设计特征且易受复杂背景干扰，存在识别精度不高、识别效率低及泛化能力差等特点。基于深度学习的方法借助其自主学习参数和自动提取特征的能力，摆脱了对人工设计特征和建模的依赖性，相比于传统方法具有抗干扰性强及检测分类精度高等优点，特别是在场景复杂多变、目标姿态多变的多光谱卫星图像海上目标检测分类领域中具有巨大的发展潜力。
近年来，随着人工智能科技的兴起，针对遥感图像目标分类领域，已有基于深度学习的支持向量机（SVM）、卷积神经网络（CNN）等算法应用于遥感图像舰船目标分类，并且在合成孔径雷达（Synthetic Aperture Radar，SAR）和光学图像舰船目标分类场景取得了较优异的表现。然而，现有的研究方法存在以下弊端：（1）使用的数据集规模较小、背景单一，训练的模型难以适应复杂场景；（2）模型训练轮次多，易过拟合，分类准确率低；（3）在多光谱卫星遥感图像海上舰船冰山目标分类场景中的应用极少，未见报道。因此，对于多光谱卫星遥感图像海上舰船冰山目标分类场景，如何提出一个不易过拟合、训练轮次少、收敛速度快、精确率高的目标分类方法，正是亟待解决的技术难题。
发明内容
本发明所要解决的技术问题是提供一种基于轻量级网络的多光谱卫星图像舰船冰山分类方法，采用多光谱卫星图像数据预处理、轻量级网络结构设计、正则化抑制过拟合、网络训练及验证等技术，实现多光谱卫星遥感图像海上舰船冰山目标准确分类，提升海上态势感知能力。
本发明为了解决上述技术问题采用以下技术方案：本发明设计了一种基于轻量级网络的多光谱卫星图像舰船冰山分类方法，按如下步骤A至步骤C，获得用于识别海面上舰船、冰山的目标分类模型；进而应用目标分类模型，针对目标海面区域，实现关于舰船、冰山的分类；
步骤A. 构建预设数量包含冰山目标标签、舰船目标标签的各幅海面区域RGB多光谱样本图像，然后进入步骤B；
步骤B. 构建轻量级网络，作为待训练网络，然后进入步骤C；
步骤C. 基于各幅海面区域RGB多光谱样本图像，以海面区域RGB多光谱样本图像为输入，海面区域RGB多光谱样本图像中冰山目标标签、舰船目标标签、或者无冰山与舰船目标标签为输出，针对待训练网络进行训练，获得目标分类模型。
作为本发明的一种优选技术方案：还包括如下步骤i，实现对所述目标分类模型的有效性评估；
步骤i. 按如下公式，通过目标红色反射率占比 
与平均反射率
之间的散点图、以及训练精度
、验证精度
，对目标分类模型分类结果进行分析，验证目标分类模型的有效性；
其中，
表示训练时将舰船冰山正确分类的数据样本数，
为训练数据集样本总数，
表示验证时将舰船冰山正确分类的数据样本数，
为验证数据集样本总数，
，
为舰船冰山目标蓝色反射率，
为舰船冰山目标绿色反射率、
为舰船冰山目标红色反射率，
为舰船冰山目标近红外反射率，
为舰船冰山目标4波段总反射率，
为目标像素面积。
作为本发明的一种优选技术方案：所述步骤A包括步骤A1至步骤A11；
步骤A1. 基于哨兵2卫星的不同波段，应用哨兵2卫星捕获包含各冰山目标标签与各舰船目标标签、且分别对应蓝色波段、绿色波段、红色波段、近红外波段的海面区域的多光谱图像，然后进入步骤A2；
步骤A2. 针对红色波段下多光谱图像与近红外波段下多光谱图像进行融合，构成R通道多光谱图像，并结合蓝色波段下多光谱图像作为B通道多光谱图像、绿色波段下多光谱图像作为G通道多光谱图像，构成RGB三通道多光谱图像，然后进入步骤A3；
步骤A3. 基于预设区分场景区域与场景目标的像素阈值
，通过像素值高于
的像素连接区域，标记RGB三通道多光谱图像中的各个场景目标，然后进入步骤A4；
步骤A4. 分别以各个场景目标作为图像块中心位置，由RGB三通道多光谱图像中截取各个预设尺寸的图像块，即获得各个RGB三通道图像块，然后进入步骤A5；
步骤A5. 分别针对各个RGB三通道图像块，根据预设区分场景目标中陆地和海冰的像素阈值
，通过像素值高于
的像素区域，确定RGB三通道图像块场景目标中的陆地和海冰像素区域、并进行遮蔽去除，更新该RGB三通道图像块中场景目标；进而更新各RGB三通道图像块，然后进入步骤A6；
步骤A6. 基于其它卫星捕获与步骤A1中多光谱图像相同海面区域的参考图像，分别针对各个RGB三通道图像块，执行RGB三通道图像块与参考图像之间的比较，剔除RGB三通道图像块场景目标中除舰船、冰山以外的各静止目标，更新该RGB三通道图像块中场景目标；进而更新各RGB三通道图像块，然后进入步骤A7；
步骤A7. 分别针对各个RGB三通道图像块，确定RGB三通道图像块中的海岸线，并确定海岸线向两侧延伸预设距离区域为海岸波浪目标，执行遮蔽去除，更新该RGB三通道图像块中场景目标；进而更新各RGB三通道图像块，然后进入步骤A8；
步骤A8. 分别针对各个RGB三通道图像块，剔除RGB三通道图像块场景目标中海面上的海浪、以及分离的舰船尾迹，更新该RGB三通道图像块中场景目标；进而更新各RGB三通道图像块，然后进入步骤A9；
步骤A9. 分别针对各个RGB三通道图像块，判断RGB三通道图像块中是否存在除中心位置场景目标以外的其余目标，是则对该其余各目标进行遮蔽去除，更新该RGB三通道图像块中场景目标，并进入步骤A10；否则直接进入步骤A10；
步骤A10. 分别针对各个RGB三通道图像块，剔除RGB三通道图像块场景目标中尺寸小于预设像素数的目标，更新该RGB三通道图像块中场景目标，进而更新各RGB三通道图像块，然后进入步骤A11；
步骤A11. 分别针对各个RGB三通道图像块，区分定义RGB三通道图像块场景目标中的冰山目标标签、舰船目标标签、或无冰山与舰船目标标签，构成海面区域RGB多光谱样本图像；进而获得各幅海面区域RGB多光谱样本图像。
作为本发明的一种优选技术方案：按如下操作，应用目标分类模型，针对目标海面区域，实现关于舰船、冰山的分类；
首先基于卫星的不同波段，应用哨兵2卫星捕获目标海面区域分别对应蓝色波段、绿色波段、红色波段、近红外波段的海面区域的多光谱图像；
然后基于各波段多光谱图像，依次执行步骤A2至步骤A10，获得各RGB三通道图像块，作为各目标海面区域RGB多光谱图像；
最后分别针对各目标海面区域RGB多光谱图像，应用目标分类模型，实现关于舰船、冰山的分类。
作为本发明的一种优选技术方案：所述步骤B中构建轻量级网络如下，作为待训练网络；
轻量级网络自其输入端至其输出端依次串联Input（75,3）层、Conv2DR（64,3）层、Conv2DR（64,3）层、Conv2DR（64,3）层、MaxPool2D（64,3,2）层、Conv2DR（128,3）层、Conv2DR（128,3）层、Conv2DR（128,3）层、MaxPool2D（128,2,2）层、Dropout0.1层、Conv2DR（128,3）层、MaxPool2D（128,2,2）层、Conv2DR（128,3）层、MaxPool2D（128,2,2）层、Dropout0.2层、Flatten（512）层、DenseR（512）层、DenseR（256）层、Dropout0.2层、DenseS（1）层；
其中，Input（m,c）为输入层，Conv2DR（c,k）层为二维卷积加修正线性单元激活函数层，MaxPool2D（c,k,s）层为二维最大池化层，Dropoutv层为正则化层，Flatten（c）层为平化层，DenseR（c）层为全链接加修正线性单元激活函数层，DenseS（c）层为全链接加Sigmoid激活函数层；m表示图像数据像素尺寸大小
，c为通道数，k表示核尺寸大小，s表示步长，v表示复杂度。
作为本发明的一种优选技术方案：所述步骤C针对待训练网络进行训练的过程中，应用K-means聚类算法进行迭代求解，并使用Adam梯度优化算法对网络训练进行优化。
作为本发明的一种优选技术方案：所述步骤C针对网络训练进行优化过程中使用如下二进制交叉熵作为损失函数；
式中，
为每轮次训练的损失值，
表示以e为底的对数，
表示求和，
为训练数据集样本数，
为训练数据集第
个样本为冰山的概率，
为训练数据集第
个样本为冰山的标注值，
。
本发明所述一种基于轻量级网络的多光谱卫星图像舰船冰山分类方法，采用以上技术方案与现有技术相比，具有以下技术效果：
（1）本发明所设计一种基于轻量级网络的多光谱卫星图像舰船冰山分类方法，基于分别对应蓝色波段、绿色波段、红色波段、近红外波段的海面区域多光谱图像，构建预设数量包含冰山目标标签、舰船目标标签的各幅海面区域RGB多光谱样本图像，用于针对具体结构设计的轻量级网络进行训练，获得目标分类模型，用于针对海面区域，实现关于舰船、冰山的分类；整个设计方案集合了多光谱卫星图像数据预处理、轻量级网络结构设计、正则化抑制过拟合、网络训练及验证等技术，在实际应用中，实现了多光谱卫星遥感图像海上舰船冰山目标准确分类，提升了海上态势感知能力。
附图说明
图1 是本发明基于轻量级网络的多光谱卫星图像舰船冰山分类方法的流程图；
图2 为轻量级网络结构图；
图3 为本发明舰船（黑色）和冰山（灰色）分类结果散点图；
图4 是传统卷积神经网络（CNN）多光谱图像数据集训练验证精度图；
图5 为轻量级网络多光谱图像数据集训练验证精度图。
具体实施方式
下面结合说明书附图对本发明的具体实施方式作进一步详细的说明。
本发明所设计一种基于轻量级网络的多光谱卫星图像舰船冰山分类方法，按图1所示，执行如下步骤A至步骤C，获得用于识别海面上舰船、冰山的目标分类模型。
步骤A. 按如下步骤A1至步骤A11，构建预设数量包含冰山目标标签、舰船目标标签的各幅海面区域RGB多光谱样本图像，然后进入步骤B。
步骤A1. 基于哨兵2（Sentinel-2）卫星的不同波段，应用哨兵2（Sentinel-2）卫星捕获包含各冰山目标标签与各舰船目标标签、且分别对应蓝色波段、绿色波段、红色波段、近红外波段的海面区域的多光谱图像（multispectral imaging，MSI），然后进入步骤A2。
实际应用当中，诸如设计基于哨兵2（Sentinel-2）卫星的不同波段，应用哨兵2（Sentinel-2）卫星捕获格陵兰首都努克周围包含各冰山目标标签与各舰船目标标签、且分别对应蓝色波段、绿色波段、红色波段、近红外波段的海面区域的多光谱图像。
步骤A2. 针对红色波段下多光谱图像与近红外波段下多光谱图像进行融合，构成R通道多光谱图像，并结合蓝色波段下多光谱图像作为B通道多光谱图像、绿色波段下多光谱图像作为G通道多光谱图像，构成RGB三通道多光谱图像，然后进入步骤A3。
步骤A3. 基于预设区分场景区域与场景目标的像素阈值
，通过像素值高于
的像素连接区域，标记RGB三通道多光谱图像中的各个场景目标，然后进入步骤A4。
步骤A4. 分别以各个场景目标作为图像块中心位置，由RGB三通道多光谱图像中截取各个预设尺寸诸如
的图像块，即获得各个RGB三通道图像块，然后进入步骤A5。
步骤A5. 分别针对各个RGB三通道图像块，根据预设区分场景目标中陆地和海冰的像素阈值
，通过像素值高于
的像素区域，确定RGB三通道图像块场景目标中的陆地和海冰像素区域、并进行遮蔽去除，更新该RGB三通道图像块中场景目标；进而更新各RGB三通道图像块，然后进入步骤A6。
步骤A6. 基于其它卫星捕获与步骤A1中多光谱图像相同海面区域的参考图像，分别针对各个RGB三通道图像块，执行RGB三通道图像块与参考图像之间的比较，剔除RGB三通道图像块场景目标中除舰船、冰山以外的各静止目标，诸如岛屿、风力涡轮机和其他静止目标，更新该RGB三通道图像块中场景目标；进而更新各RGB三通道图像块，然后进入步骤A7。
步骤A7. 分别针对各个RGB三通道图像块，确定RGB三通道图像块中的海岸线，并确定海岸线向两侧延伸预设距离区域为海岸波浪目标，执行遮蔽去除，更新该RGB三通道图像块中场景目标；进而更新各RGB三通道图像块，然后进入步骤A8。
步骤A8. 分别针对各个RGB三通道图像块，剔除RGB三通道图像块场景目标中海面上的海浪、以及分离的舰船尾迹，更新该RGB三通道图像块中场景目标；进而更新各RGB三通道图像块，然后进入步骤A9。
步骤A9. 分别针对各个RGB三通道图像块，判断RGB三通道图像块中是否存在除中心位置场景目标以外的其余目标，是则对该其余各目标进行遮蔽去除，更新该RGB三通道图像块中场景目标，并进入步骤A10；否则直接进入步骤A10。
步骤A10. 分别针对各个RGB三通道图像块，剔除RGB三通道图像块场景目标中尺寸小于预设像素数的目标，更新该RGB三通道图像块中场景目标，进而更新各RGB三通道图像块，然后进入步骤A11。
步骤A11. 分别针对各个RGB三通道图像块，区分定义RGB三通道图像块场景目标中的冰山目标标签、舰船目标标签、或无冰山与舰船目标标签，构成海面区域RGB多光谱样本图像；进而获得各幅海面区域RGB多光谱样本图像，延续实施例中图像块的大小，即进而获得2864幅
海面区域RGB多光谱样本图像。
步骤B. 构建轻量级网络的结构如下，作为待训练网络，然后进入步骤C。
图2所示，轻量级网络自其输入端至其输出端依次串联Input（75,3）层、Conv2DR（64,3）层、Conv2DR（64,3）层、Conv2DR（64,3）层、MaxPool2D（64,3,2）层、Conv2DR（128,3）层、Conv2DR（128,3）层、Conv2DR（128,3）层、MaxPool2D（128,2,2）层、Dropout0.1层、Conv2DR（128,3）层、MaxPool2D（128,2,2）层、Conv2DR（128,3）层、MaxPool2D（128,2,2）层、Dropout0.2层、Flatten（512）层、DenseR（512）层、DenseR（256）层、Dropout0.2层、DenseS（1）层。
图2所示，其中，Input（m,c）为输入层，Conv2DR（c,k）层为二维卷积加修正线性单元激活函数(ReLu)层，MaxPool2D（c,k,s）层为二维最大池化层，Dropoutv层为正则化层，Flatten（c）层为平化层，DenseR（c）层为全链接加修正线性单元激活函数(ReLu)层，DenseS（c）层为全链接加Sigmoid激活函数层；m表示图像数据像素尺寸大小
，c为通道数，k表示核尺寸大小，s表示步长，v表示复杂度。
步骤C. 基于各幅海面区域RGB多光谱样本图像，以海面区域RGB多光谱样本图像为输入，海面区域RGB多光谱样本图像中冰山目标标签、舰船目标标签、或者无冰山与舰船目标标签为输出，针对待训练网络进行训练，获得目标分类模型。
实际应用当中，基于各幅海面区域RGB多光谱样本图像，具体按如下过程，实现对待训练网络进行训练，获得目标分类模型。
（1）采用5折交叉验证方法，由各幅海面区域RGB多光谱样本图像中，随机提取80%的海面区域RGB多光谱样本图像作为训练数据集，用于待训练网络训练，20%的海面区域RGB多光谱样本图像作为验证数据集，用于待训练网络验证。
（2）设置训练起始学习率为0.0001，训练批量数为24，训练轮次数为30。
（3）训练过程中，应用K-means聚类算法进行迭代求解。
（4）使用Adam梯度优化算法对网络训练进行优化，其中，一、二阶矩估计指数衰减率设为0.9和0.999，权重衰减系数为0，且进行优化过程中使用如下二进制交叉熵作为损失函数，计算公式如下：
式中，
为每轮次训练的损失值，
表示以e为底的对数，
表示求和，
为训练数据集样本数，
为训练数据集第
个样本为冰山的概率，
为训练数据集第
个样本为冰山的标注值，
。
（5）重复3和4步，直到网络收敛，获得最终用于舰船冰山目标分类的轻量级网络和权值，保存待训练网络的训练权值。
（6）应用验证数据集，验证待训练网络，对待训练网络进行验证，输出舰船冰山目标分类结果，分类结果如图3所示，黑色为舰船目标，灰色为冰山目标。
基于上述目标分类模型的获得，进一步设计按如下步骤i，实现对所述目标分类模型的有效性评估。
步骤i. 按如下公式，通过目标红色反射率占比 
与平均反射率
之间的散点图、以及训练精度
、验证精度
，对目标分类模型分类结果进行分析，验证目标分类模型的有效性；
其中，
表示训练时将舰船冰山正确分类的数据样本数，
为训练数据集样本总数，
表示验证时将舰船冰山正确分类的数据样本数，
为验证数据集样本总数，
，
为舰船冰山目标蓝色反射率，
为舰船冰山目标绿色反射率、
为舰船冰山目标红色反射率，
为舰船冰山目标近红外反射率，
为舰船冰山目标4波段总反射率，
为目标像素面积。
基于上述所获目标分类模型，进而在实际应用当中，按如下操作，应用目标分类模型，针对目标海面区域，实现关于舰船、冰山的分类。
首先基于卫星的不同波段，应用哨兵2（Sentinel-2）卫星捕获目标海面区域分别对应蓝色波段、绿色波段、红色波段、近红外波段的海面区域的多光谱图像。
然后基于各波段多光谱图像，依次执行步骤A2至步骤A10，获得各RGB三通道图像块，作为各目标海面区域RGB多光谱图像。
最后分别针对各目标海面区域RGB多光谱图像，应用目标分类模型，实现关于舰船、冰山的分类。
将上述所设计应用于实际当中，最终的分类及训练验证精度结果如图3、5所示，传统卷积神经网络训练验证精度结果如图4所示，相比传统卷积神经网络，试验结果证明，本发明能够实现对舰船冰山目标的准确分类，训练验证精度高，分别达到了97.2%和96.1%，是一种不易过拟合、训练轮次少、收敛速度快、精确率高的目标分类方法，能有效提升海上态势感知能力。
上面结合附图对本发明的实施方式作了详细说明，但是本发明并不限于上述实施方式，在本领域普通技术人员所具备的知识范围内，还可以在不脱离本发明宗旨的前提下做出各种变化。
Claims (7)
1.一种基于轻量级网络的多光谱卫星图像舰船冰山分类方法，其特征在于：按如下步骤A至步骤C，获得用于识别海面上舰船、冰山的目标分类模型；进而应用目标分类模型，针对目标海面区域，实现关于舰船、冰山的分类；
步骤A. 构建预设数量包含冰山目标标签、舰船目标标签的各幅海面区域RGB多光谱样本图像，然后进入步骤B；
步骤B. 构建轻量级网络，作为待训练网络，然后进入步骤C；
步骤C. 基于各幅海面区域RGB多光谱样本图像，以海面区域RGB多光谱样本图像为输入，海面区域RGB多光谱样本图像中冰山目标标签、舰船目标标签、或者无冰山与舰船目标标签为输出，针对待训练网络进行训练，获得目标分类模型。
2.根据权利要求1所述一种基于轻量级网络的多光谱卫星图像舰船冰山分类方法，其特征在于：还包括如下步骤i，实现对所述目标分类模型的有效性评估；
步骤i. 按如下公式，通过目标红色反射率占比 
与平均反射率
之间的散点图、以及训练精度
、验证精度
，对目标分类模型分类结果进行分析，验证目标分类模型的有效性；
其中，
表示训练时将舰船冰山正确分类的数据样本数，
为训练数据集样本总数，
表示验证时将舰船冰山正确分类的数据样本数，
为验证数据集样本总数，
，
为舰船冰山目标蓝色反射率，
为舰船冰山目标绿色反射率、
为舰船冰山目标红色反射率，
为舰船冰山目标近红外反射率，
为舰船冰山目标4波段总反射率，
为目标像素面积。
3.根据权利要求1所述一种基于轻量级网络的多光谱卫星图像舰船冰山分类方法，其特征在于：所述步骤A包括步骤A1至步骤A11；
步骤A1. 基于哨兵2卫星的不同波段，应用哨兵2卫星捕获包含各冰山目标标签与各舰船目标标签、且分别对应蓝色波段、绿色波段、红色波段、近红外波段的海面区域的多光谱图像，然后进入步骤A2；
步骤A2. 针对红色波段下多光谱图像与近红外波段下多光谱图像进行融合，构成R通道多光谱图像，并结合蓝色波段下多光谱图像作为B通道多光谱图像、绿色波段下多光谱图像作为G通道多光谱图像，构成RGB三通道多光谱图像，然后进入步骤A3；
步骤A3. 基于预设区分场景区域与场景目标的像素阈值
，通过像素值高于
的像素连接区域，标记RGB三通道多光谱图像中的各个场景目标，然后进入步骤A4；
步骤A4. 分别以各个场景目标作为图像块中心位置，由RGB三通道多光谱图像中截取各个预设尺寸的图像块，即获得各个RGB三通道图像块，然后进入步骤A5；
步骤A5. 分别针对各个RGB三通道图像块，根据预设区分场景目标中陆地和海冰的像素阈值
，通过像素值高于
的像素区域，确定RGB三通道图像块场景目标中的陆地和海冰像素区域、并进行遮蔽去除，更新该RGB三通道图像块中场景目标；进而更新各RGB三通道图像块，然后进入步骤A6；
步骤A6. 基于其它卫星捕获与步骤A1中多光谱图像相同海面区域的参考图像，分别针对各个RGB三通道图像块，执行RGB三通道图像块与参考图像之间的比较，剔除RGB三通道图像块场景目标中除舰船、冰山以外的各静止目标，更新该RGB三通道图像块中场景目标；进而更新各RGB三通道图像块，然后进入步骤A7；
步骤A7. 分别针对各个RGB三通道图像块，确定RGB三通道图像块中的海岸线，并确定海岸线向两侧延伸预设距离区域为海岸波浪目标，执行遮蔽去除，更新该RGB三通道图像块中场景目标；进而更新各RGB三通道图像块，然后进入步骤A8；
步骤A8. 分别针对各个RGB三通道图像块，剔除RGB三通道图像块场景目标中海面上的海浪、以及分离的舰船尾迹，更新该RGB三通道图像块中场景目标；进而更新各RGB三通道图像块，然后进入步骤A9；
步骤A9. 分别针对各个RGB三通道图像块，判断RGB三通道图像块中是否存在除中心位置场景目标以外的其余目标，是则对该其余各目标进行遮蔽去除，更新该RGB三通道图像块中场景目标，并进入步骤A10；否则直接进入步骤A10；
步骤A10. 分别针对各个RGB三通道图像块，剔除RGB三通道图像块场景目标中尺寸小于预设像素数的目标，更新该RGB三通道图像块中场景目标，进而更新各RGB三通道图像块，然后进入步骤A11；
步骤A11. 分别针对各个RGB三通道图像块，区分定义RGB三通道图像块场景目标中的冰山目标标签、舰船目标标签、或无冰山与舰船目标标签，构成海面区域RGB多光谱样本图像；进而获得各幅海面区域RGB多光谱样本图像。
4.根据权利要求3所述一种基于轻量级网络的多光谱卫星图像舰船冰山分类方法，其特征在于：按如下操作，应用目标分类模型，针对目标海面区域，实现关于舰船、冰山的分类；
首先基于卫星的不同波段，应用哨兵2卫星捕获目标海面区域分别对应蓝色波段、绿色波段、红色波段、近红外波段的海面区域的多光谱图像；
然后基于各波段多光谱图像，依次执行步骤A2至步骤A10，获得各RGB三通道图像块，作为各目标海面区域RGB多光谱图像；
最后分别针对各目标海面区域RGB多光谱图像，应用目标分类模型，实现关于舰船、冰山的分类。
5.根据权利要求1所述一种基于轻量级网络的多光谱卫星图像舰船冰山分类方法，其特征在于：所述步骤B中构建轻量级网络如下，作为待训练网络；
轻量级网络自其输入端至其输出端依次串联Input（75,3）层、Conv2DR（64,3）层、Conv2DR（64,3）层、Conv2DR（64,3）层、MaxPool2D（64,3,2）层、Conv2DR（128,3）层、Conv2DR（128,3）层、Conv2DR（128,3）层、MaxPool2D（128,2,2）层、Dropout0.1层、Conv2DR（128,3）层、MaxPool2D（128,2,2）层、Conv2DR（128,3）层、MaxPool2D（128,2,2）层、Dropout0.2层、Flatten（512）层、DenseR（512）层、DenseR（256）层、Dropout0.2层、DenseS（1）层；
其中，Input（m,c）为输入层，Conv2DR（c,k）层为二维卷积加修正线性单元激活函数层，MaxPool2D（c,k,s）层为二维最大池化层，Dropoutv层为正则化层，Flatten（c）层为平化层，DenseR（c）层为全链接加修正线性单元激活函数层，DenseS（c）层为全链接加Sigmoid激活函数层；m表示图像数据像素尺寸大小
，c为通道数，k表示核尺寸大小，s表示步长，v表示复杂度。
6.根据权利要求1所述一种基于轻量级网络的多光谱卫星图像舰船冰山分类方法，其特征在于：所述步骤C针对待训练网络进行训练的过程中，应用K-means聚类算法进行迭代求解，并使用Adam梯度优化算法对网络训练进行优化。
7.根据权利要求6所述一种基于轻量级网络的多光谱卫星图像舰船冰山分类方法，其特征在于：所述步骤C针对网络训练进行优化过程中使用如下二进制交叉熵作为损失函数；
式中，
为每轮次训练的损失值，
表示以e为底的对数，
表示求和，
为训练数据集样本数，
为训练数据集第
个样本为冰山的概率，
为训练数据集第
个样本为冰山的标注值，
。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310257602.4A CN115965825B (zh) | 2023-03-17 | 2023-03-17 | 一种基于轻量级网络的多光谱卫星图像舰船冰山分类方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310257602.4A CN115965825B (zh) | 2023-03-17 | 2023-03-17 | 一种基于轻量级网络的多光谱卫星图像舰船冰山分类方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN115965825A true CN115965825A (zh) | 2023-04-14 |
| CN115965825B CN115965825B (zh) | 2023-06-20 |
Family
ID=85905206
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310257602.4A Active CN115965825B (zh) | 2023-03-17 | 2023-03-17 | 一种基于轻量级网络的多光谱卫星图像舰船冰山分类方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115965825B (zh) |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102141609A (zh) * | 2010-12-28 | 2011-08-03 | 哈尔滨工业大学 | 一种高频段一阶Bragg峰及其分裂谱峰的识别方法及系统 |
| US20170016987A1 (en) * | 2015-07-17 | 2017-01-19 | Her Majesty The Queen In Right Of Canada, As Represented By The Minister Of National Defence | Processing synthetic aperture radar images for ship detection |
| CN109359661A (zh) * | 2018-07-11 | 2019-02-19 | 华东交通大学 | 一种基于卷积神经网络的Sentinel-1雷达图像分类方法 |
| CN109766811A (zh) * | 2018-12-31 | 2019-05-17 | 复旦大学 | 一种星载sar图像中海面船只的端到端检测与识别方法 |
| CN110610207A (zh) * | 2019-09-10 | 2019-12-24 | 重庆邮电大学 | 一种基于迁移学习的小样本sar图像舰船分类方法 |
| US20200050893A1 (en) * | 2018-08-10 | 2020-02-13 | Buffalo Automation Group Inc. | Training a deep learning system for maritime applications |
| US20200258296A1 (en) * | 2019-02-08 | 2020-08-13 | Ursa Space Systems Inc. | Satellite sar artifact suppression for enhanced three-dimensional feature extraction, change detection, and visualizations |
| CN114092794A (zh) * | 2021-11-22 | 2022-02-25 | 上海海洋大学 | 一种海冰图像分类方法、系统、介质、设备及处理终端 |
-
2023
- 2023-03-17 CN CN202310257602.4A patent/CN115965825B/zh active Active
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102141609A (zh) * | 2010-12-28 | 2011-08-03 | 哈尔滨工业大学 | 一种高频段一阶Bragg峰及其分裂谱峰的识别方法及系统 |
| US20170016987A1 (en) * | 2015-07-17 | 2017-01-19 | Her Majesty The Queen In Right Of Canada, As Represented By The Minister Of National Defence | Processing synthetic aperture radar images for ship detection |
| CN109359661A (zh) * | 2018-07-11 | 2019-02-19 | 华东交通大学 | 一种基于卷积神经网络的Sentinel-1雷达图像分类方法 |
| US20200050893A1 (en) * | 2018-08-10 | 2020-02-13 | Buffalo Automation Group Inc. | Training a deep learning system for maritime applications |
| CN109766811A (zh) * | 2018-12-31 | 2019-05-17 | 复旦大学 | 一种星载sar图像中海面船只的端到端检测与识别方法 |
| US20200258296A1 (en) * | 2019-02-08 | 2020-08-13 | Ursa Space Systems Inc. | Satellite sar artifact suppression for enhanced three-dimensional feature extraction, change detection, and visualizations |
| CN110610207A (zh) * | 2019-09-10 | 2019-12-24 | 重庆邮电大学 | 一种基于迁移学习的小样本sar图像舰船分类方法 |
| CN114092794A (zh) * | 2021-11-22 | 2022-02-25 | 上海海洋大学 | 一种海冰图像分类方法、系统、介质、设备及处理终端 |
Non-Patent Citations (3)
| Title |
|---|
| CARLOS BENTES ET ALL.: "Ship-Iceberg Discrimination with Convolutional Neural Networks in High Resolution SAR Images", PROCEEDINGS OF EUSAR 2016: 11TH EUROPEAN CONFERENCE ON SYNTHETIC APERTURE RADAR, pages 1 - 4 * |
| 张帆等: "一种改进的高分辨率SAR图像超像素CFAR舰船检测算法", 雷达学报, vol. 12, no. 1, pages 1201 - 139 * |
| 王兆成等: "基于单极化SAR图像的舰船目标检测与分类方法", 科技导报, no. 20, pages 86 - 93 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN115965825B (zh) | 2023-06-20 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110287869B (zh) | 基于深度学习的高分辨率遥感影像农作物分类方法 | |
| Cheng et al. | FusionNet: Edge aware deep convolutional networks for semantic segmentation of remote sensing harbor images | |
| CN109740460B (zh) | 基于深度残差密集网络的光学遥感图像舰船检测方法 | |
| CN107563303B (zh) | 一种基于深度学习的鲁棒性舰船目标检测方法 | |
| CN109101897A (zh) | 水下机器人的目标检测方法、系统及相关设备 | |
| CN108428220A (zh) | 静止轨道卫星序列遥感影像海岛礁区域自动几何校正方法 | |
| CN113176211B (zh) | 一种基于hsv颜色空间模型变换的日间云检测方法 | |
| CN109829423A (zh) | 一种结冰湖泊红外成像检测方法 | |
| CN112288026B (zh) | 一种基于类激活图的红外弱小目标检测方法 | |
| CN117409339A (zh) | 一种用于空地协同的无人机作物状态视觉识别方法 | |
| Bramhe et al. | Extraction of built-up areas using convolutional neural networks and transfer learning from sentinel-2 satellite images | |
| CN104484670A (zh) | 基于伪彩色和支持向量机的遥感图像云检测方法 | |
| CN113642606A (zh) | 一种基于注意力机制的海上舰船检测方法 | |
| CN116486243A (zh) | 基于DP-ViT的声呐图像目标检测方法 | |
| Del Prete et al. | RetinaNet: A deep learning architecture to achieve a robust wake detector in SAR images | |
| CN114565824B (zh) | 基于全卷积网络的单阶段旋转舰船检测方法 | |
| Zhang Sr et al. | A ship target tracking algorithm based on deep learning and multiple features | |
| CN112906564B (zh) | 用于无人机载sar图像自动目标识别的智能决策支持系统设计及实现方法 | |
| CN113378672A (zh) | 基于改进YOLOv3的输电线缺陷多目标检测方法 | |
| CN115965825A (zh) | 一种基于轻量级网络的多光谱卫星图像舰船冰山分类方法 | |
| Tanveer et al. | Using convolutional neural network (CNN) approach for ship detection in Sentinel-1 SAR imagery | |
| Polewski et al. | Segmentation of single standing dead trees in high-resolution aerial imagery with generative adversarial network-based shape priors | |
| CN116188990A (zh) | 一种基于无人机遥感的地表植被识别方法及系统 | |
| CN116229069A (zh) | 一种黑暗条件下水面无人艇的红外岸线分割与目标检测融合方法 | |
| CN112465736B (zh) | 一种用于港口船舶监控的红外视频图像增强方法 |
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 |