CN116500611A - 一种基于深度学习的雷达波面图像海浪参数反演方法 - Google Patents

Abstract

本发明公开了一种基于深度学习的雷达波面图像海浪参数反演方法，采用导航雷达采集到的原始雷达波面图像，选取合适的反演区域，并进行坐标转换，对雷达波面图像进行预处理，建立雷达波面图像标准数据库，将该数据库中的图像数据输入到卷积神经网络中，进行特征提取，最后输出海浪波高和周期的特征值，进行海浪参数计算，最后通过与浮标和传统方法计算结果进行对比，本发明的反演方法提高了海浪参数的解算精度。

Description

一种基于深度学习的雷达波面图像海浪参数反演方法

技术领域

本发明属于海洋遥感技术领域，涉及一种基于深度学习的雷达波面图像海浪参数反演方法。

背景技术

海浪信息的观测和实时预报对于各种近岸和远海活动至关重要，如船舶航行、近岸工程、海洋资源开发。由于导航雷达图像分辨率高且能够反映海表面在空间和时间上的变化，其逐渐发展成为一种测量波高的遥感手段。近年来，利用雷达波面图像提取海浪参数的方法主要有谱分析法与图像统计法。谱分析法基于三维傅里叶变换计算图像及海浪的波数能量谱，采用色散滤波器计算海浪信噪比，利用有效波高与信噪比间的线性经验关系估测有效波高，其中的经验系数与雷达特性密切相关，通常需要利用现场实测波高数据来标定。由于谱分析法以三维傅里叶变化为基础，基于波浪场线性波长叠加为假设，而实际的波浪场是非线性波场的叠加，因此，基于谱分析法的有效波高测量精度具有局限性。基于图像统计法的海浪参数测量方法，其基本原理是基于海浪遥感成像中的物理调制在雷达灰度图像统计具有特征性，利用该特征可获取海浪波高等参数，但是由于该方法存在经验性的统计方法问题，导致测量精度受限。

发明内容

针对现有测量方法存在反演波浪参数精度不高的问题，本发明公开了一种基于深度学习的雷达波面图像海浪参数反演方法，该方法基于导航雷达和深度卷积神经网络模型，学习大量已标记的雷达波面图像样本中，从输入与输出关系中挖掘数据深层规律，建立基于深度学习的海浪参数反演模型，该方法对提高海浪参数反演精度起到重要作用。

本发明的技术方案：

一种基于深度学习的雷达波面图像海浪参数反演方法，步骤如下：

步骤一：雷达原始波面图像采集。利用导航雷达采集一组原始雷达波面图像序列，并按照雷达协议进行存储，得到极坐标下的雷达波面图像I(r,θ)，其中，r为海面点到雷达的距离，θ为方位角；

步骤二：选取海浪参数反演区域，以浮标安装位置为中心，选取距离范围为d1*d2的区域I(r′,θ′)作为海浪参数反演区域。将极坐标下的区域I(r′,θ′)转化到笛卡尔坐标下，得到笛卡尔坐标下的海浪反演区域I(x,y)；

步骤三：对选取的雷达波面图像I(x,y)进行图像预处理。预处理包括同频干扰处理、目标物干扰处理、海浪纹理特征检测等，得到处理后的雷达波面图像I(x′,y′)；

步骤四：建立训练数据集和测试数据集数据库。用于深度学习的数据库为已进行浮标数据标记的雷达波面图像，其输入为雷达波面图像I(x′,y′)，输出为对应的浮标参数，包括有效波高和周期。从数据库中选取一部分的雷达波面图像作为训练数据集Dataset1，剩下的雷达波面图像作为测试数据集Dataset2；

步骤五：构建基于卷积神经网络的海浪参数反演模型。卷积神经网络模型包括输入层、卷积层、池化层和全连接层，首先将雷达波面图像I(x′,y′)作为模型的输入层，接下来做卷积计算，提取图像特征，池化层是对卷积层提取的特征及逆行特征选择和信息过滤，再重复进行卷积和池化操作，与全连接层相连，将图像展开输出，最后连接输出层，输出图像所对应的标签值。该模型需要设置初始神经网络层数L，宽度W，初始化权重参数，Dropout率，优化函数为Adam优化器，误差函数为MSE损失函数。假设输入图像为I(x′,y′)，卷积核为g(x,y)，*代表卷积运算，二维离散卷积公式表示为：h(x,y)＝I(x′,y′)*g(x,y)。

步骤六：训练海浪参数反演神经网络模型。首先对训练集Dataset1进行标准化处理，得到Dataset1’，使模型更容易收敛。然后设置模型训练次数，输入训练集Dataset1’图像数据，重复计算步骤五构建的卷积神经网络模型，进行特征提取，模型参数拟合计算，输出有效波高和周期，直至MSE函数收敛。卷积神经网络为了更好的提取图像中的信息，会加深模型，也就是模型中卷积层的层数，加深模型的宽度，也就是模型中个卷积层神经元数。但是在加深模型的深度和宽度的同时，也会产生许多问题。1)网络越深，梯度越往后穿越容易消失，难以优化模型。2)参数太多，容易过拟合，若训练数据集有限，这一问题更加突出。3)计算资源要求高，而且在训练过程中会使得很多参数趋于0，浪费资源。所以，在设置网络参数和训练模型时，调整模型参数变得极为重要。在网络训练过程中，如出现过高的损失率或者损失率在过高的情况下不收敛，可调整合适的Dropout率，可以避免模型过拟合，以提高模型的泛化能力。适当的权重值，也可避免某个参数过大而对网络造成主要影响，以提高网络的泛化能力。

步骤七：测试网络模型反演海浪参数。将测试集Dataset2进行标准化处理，得到Dataset2’，采用测试集Dataset2’测试步骤六中训练后的网络模型，分析测试结果误差。

本发明的有益效果是：

本发明使用卷积神经网络强大的特征提取功能，对雷达波面图像特征进行提取，反演出海浪参数，与传统的海浪参数解算方法相比，具有更高的测量精度。

本发明使用深度卷积神经网络的回归计算能力，扩大网络的深度和宽度的同时，提高网络模型的非线性拟合能力，使用强大数图型处理器，提高运算速度。

附图说明

图1是雷达波面图像反演海浪参数流程图；

图2是原始雷达波面图像；

图3是选取反演区域的雷达波面图像；

图4是预处理后的反演区域的雷达波面图像；

图5是基于深度学习的雷达波面图像海浪参数反演结构框图；

图6是三种方法的波高结果；

图7是三种方法的周期结果。

具体实施方式

以下结合技术方案和附图详细说明本发明的具体实施方式。

1.实验设备与环境配置

软件系统：Windows 10专业版操作系统

编程语言：Python 3.8.8

深度学习框架：Pytorch 1.6.0

2.实验方法

图1是基于深度学习的雷达波面图像海浪参数反演方法的实现流程。首先对导航雷达采集到的原始雷达波面图像进行反演区域选取，然后对选取的反演区域进行预处理。对预处理后的雷达波面图像进行浮标数据标记，建立雷达波面图像数据库，并划分训练数据集及测试数据集。构建卷积神经网络模型，并对深度卷积神经网络进行训练，学习雷达波面图像的特征。最后，利用数据库中的测试数据集对深度卷积神经网络模型进行测试，对反演波浪参数的结果进行误差分析。

图2是导航雷达原始波面图像。采用导航雷达采集原始雷达波面图像序列，选取有效海浪参数反演区域，将极坐标原始雷达波面图像转换成笛卡尔坐标雷达波面图像。然后对雷达波面图像进行图像预处理，去除受同频噪声、目标物干扰，筛除受雨雪雾干扰和灰度值异常的图像。

图3是选取反演区域的雷达波面图像。采用与雷达波面图像同时刻记录的浮标数据，对雷达波面图像进行海浪参数赋值标记，形成雷达波面图像标准数据库。构建卷积神经网络模型，通过训练数据集对模型进行训练，建立海浪参数反演神经网络模型。

图5是基于深度学习的雷达波面图像海浪参数反演结构框图。

本实施例的具体过程如下：

(1)通过导航雷达采集大量雷达波面图像，如图2所示。

(2)选取反演区域大小为256*256，并转化到笛卡尔坐标下，得到图3。

(3)对雷达波面图像数据库中的图像进行预处理，包括同频干扰处理、目标物干扰处理、海浪纹理特征检测等，得到图4。

(4)对雷达波面图像进行正则化处理，确保输入的雷达波面图像保持在同一尺度，归一化函数为：

其中，x是雷达波面图像的灰度矩阵，μ是图像灰度矩阵的均值，σ是图像灰度矩阵的方差，g和b是非线性归一化函数中的常数系数，M是图像矩阵的大小，h是求解的归一化结果。

将归一化的雷达波面图像进行浮标数据的标记，包括波高、波周期，建立雷达波面图像数据库。从数据集中选取90％的雷达波面图像作为训练数据集，按照如图5的流程对深度神经网络模型进行训练。输入图像为256*256*1，通过卷积运算提取到大量图像特征值，经过最大池化层操作后特征值数目减少。，再通过特殊结构的卷积层操作，提取多样化的特征值。最后，同平均池化层减少特征，减少参数，简化卷积网络计算的复杂度。在这里引入了dropout层，其作用是随意失活部分神经元个数，防止神经元之间的相互影响，造成结果的不稳定，造成模型的过拟合，本模型中的dropout率为0.5。

(5)将上述模型计算步骤中，连接全连接层，连接每张雷达波面图像所对应的两个标签值，通过提取的特征值进行回归计算。在模型计算中，采用Adam优化器，提前高模型参数的收敛率，更快更有的找到网络模型的最优解。本模型是卷积神经网络的回归计算，所以采用MSE损失函数，表示雷达波面图像预测值f(x)与目标值y之间的差值平方和的均值，其公式如下：

设置训练模型的循环次数，直到损失函数值收敛可停止训练，保存此时的权重参数。采用测试集对已训练的模型进行回归计算得到预测值，将预测值与目标值进行误差分析，计算其准确率。

3.实验验证：

步骤1：为了验证所提出方法的有效性，以SZF型浮标测量结果为基准，将传统谱分析方法海浪参数反演结果与基于深度学习的雷达波面图像反演方法反演结果进行误差分析，包括波高和波周期反演结果。表1为用于实验验证的浮标数据，包括波高和波周期。

表1用于实验验证的浮标数据

步骤2：为了评价基于深度学习的雷达波面图像海浪参数反演方法的准确性，以浮标结果为基准数据，将传统方法反演结果与基于深度学习的雷达波面图像海浪参数反演方法的结果进行平均误差及均方根误差分析。图6是三种方法的波高测试结果。图7是三种方法的波周期测试结果。表2是基于传统方法和基于深度卷积神经网络的方法与浮标的误差分析结果。从表2中可以看出，基于深度学习的雷达波面图像海浪参数反演方法的平均误差及均方根误差均小于基于传统方法的雷达波面图像海浪参数反演方法。因此，本发明的基于深度学习的雷达波面图像海浪参数反演方法有较高的反演精度。

表2误差分析结果

Claims (1)

1.一种基于深度学习的雷达波面图像海浪参数反演方法，其特征在于，步骤如下：

步骤一：雷达原始波面图像采集；利用导航雷达采集一组原始雷达波面图像序列，并按照雷达协议进行存储，得到极坐标下的雷达波面图像I(r,θ)，其中，r为海面点到雷达的距离，θ为方位角；

步骤二：选取海浪参数反演区域，以浮标安装位置为中心，选取距离范围为d1*d2的区域I(r′,θ′)作为海浪参数反演区域；将极坐标下的区域I(r′,θ′)转化到笛卡尔坐标下，得到笛卡尔坐标下的海浪反演区域I(x,y)；

步骤三：对选取的雷达波面图像I(x,y)进行图像预处理；预处理包括同频干扰处理、目标物干扰处理、海浪纹理特征检测，得到处理后的雷达波面图像I(x′,y′)；

步骤四：建立训练数据集和测试数据集数据库；用于深度学习的数据库为已进行浮标数据标记的雷达波面图像，其输入为雷达波面图像I(x′,y′)，输出为对应的浮标参数，包括有效波高和周期；从数据库中选取一部分的雷达波面图像作为训练数据集Dataset1，剩下的雷达波面图像作为测试数据集Dataset2；

步骤五：构建基于卷积神经网络的海浪参数反演模型；卷积神经网络模型包括输入层、卷积层、池化层和全连接层，首先将雷达波面图像I(x′,y′)作为模型的输入层，接下来做卷积计算，提取图像特征，池化层是对卷积层提取的特征及逆行特征选择和信息过滤，再重复进行卷积和池化操作，与全连接层相连，将图像展开输出，最后连接输出层，输出图像所对应的标签值；设置初始神经网络层数L，宽度W，初始化权重参数，Dropout率，优化函数为Adam优化器，误差函数为MSE损失函数；假设输入图像为I(x′,y′)，卷积核为g(x,y)，*代表卷积运算，二维离散卷积公式表示为：h(x,y)＝I(x′,y′)*g(x,y)；

步骤六：训练海浪参数反演神经网络模型；首先对训练集Dataset1进行标准化处理，得到Dataset1’，使模型更容易收敛；然后设置模型训练次数，输入训练集Dataset1’图像数据，重复计算步骤五构建的卷积神经网络模型，进行特征提取，模型参数拟合计算，输出有效波高和周期，直至MSE函数收敛；

步骤七：测试神经网络模型反演海浪参数；将测试集Dataset2进行标准化处理，得到Dataset2’，采用测试集Dataset2’测试步骤六中训练后的网络模型，分析测试结果误差。