CN116977842A - 一种面向浅海分区环境的sar图像水深估计方法、系统、设备及介质 - Google Patents

一种面向浅海分区环境的sar图像水深估计方法、系统、设备及介质 Download PDF

Info

Publication number
CN116977842A
CN116977842A CN202310959662.0A CN202310959662A CN116977842A CN 116977842 A CN116977842 A CN 116977842A CN 202310959662 A CN202310959662 A CN 202310959662A CN 116977842 A CN116977842 A CN 116977842A
Authority
CN
China
Prior art keywords
water depth
sea
sar image
environment
sar
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
CN202310959662.0A
Other languages
English (en)
Other versions
CN116977842B (zh
Inventor
聂丁
唐璐
左亚聪
张民
江旺强
魏鹏博
李金星
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.)
Xidian University
Original Assignee
Xidian University
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 Xidian University filed Critical Xidian University
Priority to CN202310959662.0A priority Critical patent/CN116977842B/zh
Publication of CN116977842A publication Critical patent/CN116977842A/zh
Application granted granted Critical
Publication of CN116977842B publication Critical patent/CN116977842B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/05—Underwater scenes
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/0499—Feedforward networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T17/00—Three dimensional [3D] modelling, e.g. data description of 3D objects
    • G06T17/05—Geographic models
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T17/00—Three dimensional [3D] modelling, e.g. data description of 3D objects
    • G06T17/10—Constructive solid geometry [CSG] using solid primitives, e.g. cylinders, cubes
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/40—Analysis of texture
    • G06T7/41—Analysis of texture based on statistical description of texture
    • G06T7/44—Analysis of texture based on statistical description of texture using image operators, e.g. filters, edge density metrics or local histograms
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
    • 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
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Software Systems (AREA)
  • Geometry (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Multimedia (AREA)
  • Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Computing Systems (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Mathematical Physics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Engineering & Computer Science (AREA)
  • Remote Sensing (AREA)
  • Computer Graphics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biomedical Technology (AREA)
  • Molecular Biology (AREA)
  • Data Mining & Analysis (AREA)
  • Databases & Information Systems (AREA)
  • Astronomy & Astrophysics (AREA)
  • Probability & Statistics with Applications (AREA)
  • Medical Informatics (AREA)
  • Radar Systems Or Details Thereof (AREA)

Abstract

一种面向浅海分区环境的SAR图像水深估计方法、系统、设备及介质，方法包括：根据水下地形和分区复合地海环境，对水下地形调制的复杂地海环境几何建模；根据得到的复杂地海模型，通过基于实测水深值的SAR图像与仿真海面SAR图像相关系数对比修正，得到反演水深，构建SAR图像灰度幅值与水深值的相关关系；根据SAR图像灰度幅值与水深值的相关关系，基于多层前馈神经网络模型对SAR图像灰度幅值与对应的水深值进行训练，得到水深反演模型；系统、设备及介质，用于实现一种面向浅海分区环境的SAR图像水深估计方法；本发明普适性较高且限制条件较小，能较为高效准确的得到水深数值。

Description

一种面向浅海分区环境的SAR图像水深估计方法、系统、设备 及介质
技术领域
本发明属于海洋数据同化技术领域，特别涉及一种面向浅海分区环境的SAR图像水深估计方法、系统、设备及介质。
背景技术
海面变幻莫测，波浪随机且不规则，海水深度受海面风速、海底地形等多种环境因素影响，而浅海区域又因水深、海底地形与陆地接壤等复杂环境因素。因此，在电磁散射研究中，建立准确且符合现实场景中的海面，展现自然场景中波浪特性的海面几何建模是重要的研究前提和基础。浅海区域环境、海底地形条件复杂，为获得高精准的海面、海底地形资料，由合成孔径雷达(Synthetic ApertureRadar，SAR)获得雷达影像信息成为了重要手段。由海面展现的散射特性雷达成像机理的再进一步研究，有助于获得高精度、高分辨率的卫星SAR影像资料，同时准确的电磁散射模型和成像机理的研究，进一步基于反演模型和神经网络模型，能准确得到海洋信息，应用前景广阔。
自SEASAT卫星收集到的海洋SAR图像中，浅水区域的SAR图像包含了丰富的海底地形信息，自此，海底地形成像引起了各国的研究重视。SAR图像蕴含丰富的海底地形信息，随着海底地形成像机制的完善，SAR图像反演水深也得到了较好的发展。文献“利用HJ-1CS波段SAR数据估算浅海水深”提出了一种基于HJ-1C卫星S波段合成孔径雷达(SAR)数据的浅海水深估计方法(卞小林，邵云，田伟，张春燕，中国科学院遥感与数字地球研究所，北京100083，北京，中华人民共和国)，基于长的表面重力波向岸传播时的浅化和折射，采用双尺度布拉格散射模型描述SAR对长波的成像过程，通过对选定的子图像进行快速傅里叶变换(FFT)，利用波跟踪技术从二维(2D)谱中恢复长波的波长和方向，然后通过线性频散关系与从其他来源获得的计算角波频率或初始水深或波周期的初猜值得到浅水深度，SAR图像反演水深的算法可利用SAR图像计算得到海面波浪特性，从而由波浪的弥散关系得到水下地形信息，但此方法是适用于波浪作用较强的区域，具有很大局限性。
发明内容
为了克服上述现有技术的缺点，本发明的目的在于提出了一种面向浅海分区环境的SAR图像水深估计方法、系统、设备及介质，通过水下地形影响的海面SAR成像模型和水深数据来反演水深，建立SAR图像灰度幅值与水深值的相关关系，并结合多层前馈神经网络模型建立水深反演模型，得到面向浅海分区环境的SAR图像水深估计结果，实现高效且适用性广的水深估计。
为了实现上述目的，本发明所采用的技术方案是：
一种面向浅海分区环境的SAR图像水深估计方法，包括：
步骤1：根据水下地形和分区复合地海环境，对水下地形调制的复杂地海环境几何建模；
步骤2：根据步骤1得到的复杂地海模型，通过基于实测水深值的SAR图像与仿真海面SAR图像相关系数对比修正，得到反演水深，构建SAR图像灰度幅值与水深值的相关关系；
步骤3：根据步骤2得到的SAR图像灰度幅值与水深值的相关关系，基于多层前馈神经网络模型对SAR图像灰度幅值与对应的水深值进行训练，得到水深反演模型。
所述复杂地海坏境几何建模的具体过程如下：
步骤1.1：考虑波与波之间的关系，得到贴合实际的风浪涌浪混合海谱模型：
其中，f为波浪频率，ψw为风浪谱，ψs为涌浪谱，ψw和ψs公式相同但参数有所区别，具体表达式为:
具体参数展开为：
其中，fp为峰值频率，Hs为有效波高，γ为峰值增强因子；
步骤1.2：水下地形作用下的潮流变化与波浪相互调制作用场景下，假设海洋潮流流向海底地形时没有任何垂直的潮流梯度，且只有微弱的时间依赖性，可得连续性方程为：
其中，ξ是相对水平位势面高度，h＝D-d，h是水下地形高度，D为无地形处水深，d为水下地形到海面水深，Vr分别为流场在r方向上的速度，Vr包括Vx和Vy；
步骤1.3：改变的流场通过与不同频率海浪成分相互作用，进而改变了海谱的微尺度波谱，根据步骤1.2得到的流场在r方向上的速度，大尺度波浪谱表达式为：
其中，Vx为流场在x方向上的速度，vx(0)为初始速度，d(0)为浅水区域外初始水深；
步骤1.4：高频波浪谱采用波-潮流相互作用的调制关系，根据步骤1.3得到的大尺度波浪谱和高频谱带入波-潮流相互作用源函数，可得海底地形与流场相互作用对海谱的调制变换量：
其中：m3为常系数；
步骤1.5：根据步骤1.1得到的风浪涌浪混合海谱模型以及步骤1.4得到的海底地形与流场相互作用对海谱的调制变换量，引入分层反、正切函数来完成浅海分区环境中的陆地、浅海和海岸线三者的过渡问题，得到海底地形调制的复杂地海模型：
hcomposite(x,y)＝2-(1-h1)·w1+(1-h2)·w2
其中，h1和h2代表需要边界函数分区复合在一起的粗糙面区域1和粗糙面区域2的高度起伏函数，w1和w2则是权重因子。
所述构建SAR图像灰度幅值与水深值的相关关系的具体过程如下：
步骤2.1：将样本点数据输入步骤1得到的复杂地海模型，基于克里金插值法模拟海面，得到仿真海面SAR图像；
步骤2.2：将基于实测水深值的SAR图像灰度幅值记为Am,n，仿真海面SAR灰度幅值为Bm,n，平均值分别为相关系数可表示为：
步骤2.3：若相关系数值趋近1，说明仿真海面SAR图像与基于实测水深值的SAR图像趋于一致，即可求出反演水深值，若不趋近1，则反映出仿真SAR图像与基于实测水深值的SAR图像存在部分偏差，调整真实SAR图像与仿真SAR图像相差较大的位置点(m,n)，重复求取相关系数，直至相关系数趋近1。
所述步骤3的具体过程为：
步骤3.1：输入样本数据，即基于实测水深值的SAR图像灰度幅值和根据真实的卫星数据经纬度得到的水深值；
步骤3.2：模型计算输入层与隐含层、隐含层与输出层的误差，若误差较小，结果与期望值相近则正向传播，输出水深估计结果，若误差较大，结果与期望值相差较大，模型则会反向传播，调整各层权值，直到结果与预期值相符。
一种面向浅海分区环境的SAR图像水深估计系统，包括：
几何建模模块：根据水下地形和分区复合地海环境，对水下地形调制的复杂地海环境几何建模；
图像灰度幅值与水深值关系模块：根据几何建模模块得到的复杂地海模型，通过基于实测水深值的SAR图像与仿真海面SAR图像相关系数对比修正，得到反演水深，构建了SAR图像灰度幅值与水深值的相关关系；
水深反演模型模块：根据图像灰度幅值与水深值相关关系模块得到的相关关系，基于多层前馈神经网络模型对SAR图像灰度幅值与对应的水深值进行训练，得到水深反演模型。
一种面向浅海分区环境的SAR图像水深估计设备，包括：
存储器：用于存储实现一种面向浅海分区环境的SAR图像水深估计方法的计算机程序；
处理器：用于执行所述计算机程序时实现一种面向浅海分区环境的SAR图像水深估计方法。
一种面向浅海分区环境的SAR图像水深估计介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时能够实现一种面向浅海分区环境的SAR图像水深估计方法。
相对于现有技术，本发明的有益效果在于：
1、引入混合海谱和潮流作用，改善了传统模型难以考虑到水下地形的局限性。
2、水下地形调制的浅海及分区复合地海环境模型，不同于传统浅海模型，考虑了浅海波-波之间的相互作用以及波-潮流之间的相互作用，结合水下地形、陆地与浅海分区复合，能够较好的仿真现实场景中浅海区域复杂环境。
3、提出并验证了SAR图像灰度幅值与水深值之间存在相关关系，得到一种基于多层前馈网络的水深反演模型，能由SAR图像灰度幅值得出水深数值，适用范围较广，限制条件较小。
综上所述，本发明提出的水深反演模型，可以由SAR图像灰度幅值反演出水深数值，相较于传统水深反演模型受潮流及地形影响且反演样本较少，耗时较长，普适性较高且限制条件较小，能较为高效准确的得到水深数值，且提出考虑了水下地形、潮流、浅海区域与陆地接壤等复杂条件的较为贴近现实场景的水下地形调制的复杂地海环境模型，为浅海区域研究提供了较好仿真平台。
附图说明
图1是本发明的方法流程图。
图2是梯形沙沟调制的浅海分区复合环境SAR图像，其中，图2(a)为VV极化SAR图像，图2(b)为HH极化SAR图像。
图3是三角沙沟调制的浅海分区复合环境SAR图像，其中，图3(a)为VV极化SAR图像，图3(b)为HH极化SAR图像。
图4是SAR灰度幅值与水深值的相关关系的流程图。
图5是纬度(10～11)，经度(110～111)浅海区域的海图。
图6是相同经度下反演水深与实测水深对比图。
图7是SAR图像水深估计方法的估计水深值与实测数据对比图。
图8是SAR图像水深估计方法的回归误差表达图。
具体实施方式
下面结合附图对本发明做进一步详细描述。
参见图1，一种面向浅海分区环境的SAR图像水深估计方法，包括：
步骤1：根据水下地形和分区复合地海环境，对水下地形调制的复杂地海环境几何建模；
步骤1.1：现实环境中的海浪多为不规则波，将混合双峰频谱分为高频谱风浪和低频谱涌浪的线性叠加，这就是波-波之间的相互作用，使得得到海面模型更贴近真实场景，
其中，f为波浪频率，ψw为风浪谱，ψs为涌浪谱，ψw和ψs公式相同但参数有所区别，具体表达式为:
具体参数展开为：
其中，fp为峰值频率，Hs为有效波高，峰值增强因子γ＝3.3；
水下地形调制的复杂地海环境雷达调制机制过程主要为水下地形改变流场，再进一步改变波谱，最终反映在SAR影像上；
步骤1.2：水下地形作用下的潮流变化与波浪相互调制作用场景下，假设海洋潮流流向海底地形时没有任何垂直的潮流梯度，且只有微弱的时间依赖性，可得连续性方程为：
其中，ξ是相对水平位势面高度，h＝D-d，h是水下地形高度，D为无地形处水深，d为水下地形到海面水深，Vr分别为流场在r方向上的速度，Vr包括Vx和Vy；
步骤1.3：改变的流场通过与不同频率海浪成分相互作用，进而改变了海谱的微尺度波谱。大尺度波浪谱的表达式，即：
其中，Vx为流场在x方向上的速度，vx(0)为初始速度，d(0)为浅水区域外初始水深；
步骤1.4：高频波浪谱则采用波-潮流相互作用的调制关系，将大尺度波浪谱和高频谱带入波-潮流相互作用源函数，可得海底地形与流场相互作用对海谱的调制变换量
其中，m3为常系数,m3＝0.13。
改变的微尺度波谱与电磁波相互作用将会改变电磁散射系数分布以及SAR图像，使得从SAR图像中能观测相应的海底地形；
步骤1.5：引入分层反正切函数来完成浅海复合环境中的陆地、浅海和海岸线三者的过渡问题。分层反正切函数可以实现不同粗糙面的平滑分区复合，且较为高效，因此引入分层反正切函数作为权重因子，基于加权反正切函数实现不同类型的浅海与沙地复合的复杂浅海环境边界过度问题，基于分区复合的思想，加权反正切函数处理的调制函数为：
hcomposite(x,y)＝2-(1-h1)·w1+(1-h2)·w2
其中，h1和h2代表需要边界函数分区复合在一起的粗糙面区域1和粗糙面区域2的高度起伏函数。w1和w2则是权重因子。
下面以梯形沙沟地形为例，模拟仿真水下地形调制的浅海电磁散射分布图，模拟海面尺寸为256m×256m，风速为5m/s，电磁入射频率为12GHz，方位角0°，流场初始速度0.5m/s，潮流流向平行于x轴，初始水深d0＝25m。
将基于风浪-涌浪混合海谱和傅里叶变换法生成水下地形调制的真实浅海几何建模，又基于面元化散射模型仿真水下地形调制的浅海VV(垂直发射垂直接收)极化和HH(水平发射水平接收)极化散射分布图，并与相同参数条件下不受海底地形影响的浅海散射分布图进行对比研究，并进行SAR图像仿真。
由于海底地形起伏变化使得海面粗糙度发生变化，当由平坦地形过渡到沙沟时，深度不断增加，海面粗糙度减小，在散射分布图中呈现出由明亮到暗淡的辐聚现象；而沙沟深度减小变化到平坦地形时，产生散射分布图由黯淡变化到明亮的辐散现象。因此，水下地形调制的浅海海面散射分布图就会呈现亮暗分布的变化。而相同条件下不受水下地形影响的浅海粗糙度没有变化，没有辐聚辐散现象，散射分布图也没有亮暗变化。
下面分析水下地形调制的复杂地海环境SAR仿真图像：
图2和图3展示了不同海底地形调制的浅海分区复合环境SAR仿真图像，图2是梯形沙沟调制的浅海分区复合环境SAR图像，图3是三角沙沟调制的浅海分区复合环境SAR图像，在SAR图像上沙地和海面都呈现出不一样的纹理特征，可区别出沙地和浅海，同时水下地形的调制作用也呈现在海面上，不同的地形呈现出不同的地形特征：梯形沙沟由于两次水深变化有间隔，故在SAR图像中呈现较宽的明暗变化，而三角沙沟变化无间隔，在SAR图像中显现较窄的明暗变化，也验证了水下地形调制的浅海分区复合环境模型的正确性。
SAR灰度幅值与水深值的相关关系：
步骤2：通过SAR图像灰度图与实测SAR灰度图的联系对比，建立SAR图像灰度幅值与水深的非线性关系，从而通过灰度幅值来反演水深；
自1978年卫星收集到的SAR影像中可观测到海底地形开始，基于SAR图像的海底地形信息、水深信息的研究得到了越来越广泛的关注。而由于SAR成像模型机理复杂，图像存在斑点噪声干扰等因素影响，由SAR图像成像机理回溯反演水深往往困难重重，难以实现。对于反演水深的研究多基于SAR图像，迭代计算出海面散射特性与水深的联系，从而反演水深。
流程图如图4所示：
步骤2.1；为实现由部分样本点模拟反演海面，在这里选取了可基于周围测量值对整体进行最优估计的克里金插值法，克里金插值法根据原始数据和变异函数的结构特点，对未知点进行线性无偏的最优估计。
步骤2.2：在对比实测水深的海面SAR图像和仿真海面SAR图像时，将真实SAR图像灰度幅值记为Am,n，仿真灰度幅值为Bm,n，平均值分别为此时，相关系数可表示为：
步骤2.3：若相关系数值趋近1，说明基于实测水深值的SAR图像与仿真海面SAR图像趋于一致，即可求出反演水深值，若不趋近1，则反映出仿真SAR图像仍与真实场景存在部分偏差，因此需要调整真实SAR图像与仿真SAR图像相差较大的位置点(m,n)，重复求取相关系数，直至相关系数趋近1，输出反演水深。
如图5所示，选取坐标为纬度(10～11)，经度(110～111)的浅海区域作为研究区域，对实测水深和反演水深进行对比，验证相关关系的成立。
如图6所示，实测水深值与反演水深值数值相近，曲线趋势一致，且相差不大，仅在部分样本点存在误差，反演水深于实测水深曲线的Spearman相关系数值为：0.93172，证明其具有相关性。同时对比初始水深与实测海面可发现，初始海面趋势已经贴近实测海面，进一步验证了SAR图像灰度幅值与水深值的相关关系。
步骤3：基于多层前馈神经网络模型对SAR图像灰度幅值与对应的水深值进行训练，得到水深反演模型。
卫星SAR图像因覆盖范围大，随机性高、时效性强且不受环境和其他人文条件影响，适用于人迹罕至区域或危险区域的观测，且运用于日常和军事观测中能够有效地节省人力和物力，因此从SAR图像中反演出实际水深具有十分重要的研究意义和价值。对于传统的反演水深模型一般通过散射模型机理和流场来对单个海面样本进行水深分析，耗时较长且不具备普适性。基于上文验证了SAR图像幅值与水深的相关关系后，引入多层前馈网络模型，提出具有普使性、限制较小且适用于多个海面样本的基于多层前馈网络模型的水深反演模型。基于反馈式神经网络模型和大量SAR图像中的灰度幅值和实测水深数据，依托于神经网络的非线性相关关系模拟能力训练样本，完成遥感图像反演水深。
多层前馈网络模型是一种在模拟训练时通过反向算法误差不断更新迭代的多层前馈神经网络，拥有分布式存储、大规模自行处理、自学习和自适应性、容错性强等优势。可分为输入层、隐含层、输出层。数据分别历经输入层、隐含层、输出层。其过程和基本思想为：输入样本数据，模型会计算输入层与隐含层、隐含层与输出层的误差，若误差较小，结果与期望值相近则正向传播输出结果，若误差较大，结果与期望值相差较大，模型则会反向传播，调整各层权值，直到结果与预期值相符。
实施例：
选取L波段的模拟海面样本的不同极化下的SAR图像灰度幅值，和与其对应的水深值作为训练样本，选取实际纬度(10～11)，经度(110～111)的卫星数据为测试样本验证方法可行性和准确性。
如图7和图8所示，图7中展示的为截取的100个样本点的反演水深与实测水深对比图，红色曲线为实测水深值，蓝色曲线为反演水深值。反演水深和实测水深曲线近乎贴合，只有极个别样本点存在误差，两条曲线的Spearman相关系数值为：0.93542，可以看出两条曲线具有相关性。且总体反演效果可以通过图8的回归误差来体现，从图8可以看出，回归样本点都比较集中且贴合Fit曲线。水深对比图与回归值误差能较好反映出本发明的准确性，本发明相较于其他方法所需变量较少，对样本限制较小，且结合多层前馈网络模型，运算较高效且反演精度精确。
一种面向浅海分区环境的SAR图像水深估计系统，包括：
几何建模模块：根据水下地形和分区复合地海环境，对水下地形调制的复杂地海环境几何建模；
图像灰度幅值与水深值关系模块：根据几何建模模块得到的复杂地海模型，通过基于实测水深值的SAR图像与仿真海面SAR图像相关系数对比修正，得到反演水深，构建了SAR图像灰度幅值与水深值的相关关系；
水深反演模型模块：根据图像灰度幅值与水深值相关关系模块得到的相关关系，基于多层前馈神经网络模型对SAR图像灰度幅值与对应的水深值进行训练，得到水深反演模型。
一种面向浅海分区环境的SAR图像水深估计设备，包括：
存储器：用于存储实现一种面向浅海分区环境的SAR图像水深估计方法的计算机程序；
处理器：用于执行所述计算机程序时实现一种面向浅海分区环境的SAR图像水深估计方法。
一种面向浅海分区环境的SAR图像水深估计介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时能够实现一种面向浅海分区环境的SAR图像水深估计方法。

Claims (7)

1.一种面向浅海分区环境的SAR图像水深估计方法，其特征在于，包括：
步骤1：根据水下地形和分区复合地海环境，对水下地形调制的复杂地海环境几何建模；
步骤2：根据步骤1得到的复杂地海模型，通过基于实测水深值的SAR图像与仿真海面SAR图像相关系数对比修正，得到反演水深，构建SAR图像灰度幅值与水深值的相关关系；
步骤3：根据步骤2得到的SAR图像灰度幅值与水深值的相关关系，基于多层前馈神经网络模型对SAR图像灰度幅值与对应的水深值进行训练，得到水深反演模型。
2.根据权利要求1所述的一种面向浅海分区环境的SAR图像水深估计方法，其特征在于，所述复杂地海坏境几何建模的具体过程如下：
步骤1.1：考虑波与波之间的关系，得到贴合实际的风浪涌浪混合海谱模型：
其中，f为波浪频率，ψw为风浪谱，ψs为涌浪谱，ψw和ψs公式相同但参数有所区别，具体表达式为:
具体参数展开为：
其中，fp为峰值频率，Hs为有效波高，γ为峰值增强因子；
步骤1.2：水下地形作用下的潮流变化与波浪相互调制作用场景下，假设海洋潮流流向海底地形时没有任何垂直的潮流梯度，且只有微弱的时间依赖性，可得连续性方程为：
其中，ξ是相对水平位势面高度，h＝D-d，h是水下地形高度，D为无地形处水深，d为水下地形到海面水深，Vr分别为流场在r方向上的速度，Vr包括Vx和Vy；
步骤1.3：改变的流场通过与不同频率海浪成分相互作用，进而改变了海谱的微尺度波谱，根据步骤1.2得到的流场在r方向上的速度，大尺度波浪谱表达式为：
其中，Vx为流场在x方向上的速度，vx(0)为初始速度，d(0)为浅水区域外初始水深；
步骤1.4：高频波浪谱采用波-潮流相互作用的调制关系，根据步骤1.3得到的大尺度波浪谱和高频谱带入波-潮流相互作用源函数，可得海底地形与流场相互作用对海谱的调制变换量：
其中：m3为常系数；
步骤1.5：根据步骤1.1得到的风浪涌浪混合海谱模型以及步骤1.4得到的海底地形与流场相互作用对海谱的调制变换量，引入分层反、正切函数来完成浅海分区环境中的陆地、浅海和海岸线三者的过渡问题，得到海底地形调制的复杂地海模型：
hcomposite(x,y)＝2-(1-h1)·w1+(1-h2)·w2
其中，h1和h2代表需要边界函数分区复合在一起的粗糙面区域1和粗糙面区域2的高度起伏函数，w1和w2则是权重因子。
3.根据权利要求1所述的一种面向浅海分区环境的SAR图像水深估计方法，其特征在于，所述构建SAR图像灰度幅值与水深值的相关关系的具体过程如下：
步骤2.1：将样本点数据输入步骤1得到的复杂地海模型，基于克里金插值法模拟海面，得到仿真海面SAR图像；
步骤2.2：将基于实测水深值的SAR图像灰度幅值记为Am,n，仿真海面SAR灰度幅值为Bm,n，平均值分别为相关系数可表示为：
步骤2.3：若相关系数值趋近1，说明仿真海面SAR图像与基于实测水深值的SAR图像趋于一致，即可求出反演水深值，若不趋近1，则反映出仿真SAR图像与基于实测水深值的SAR图像存在部分偏差，调整真实SAR图像与仿真SAR图像相差较大的位置点(m,n)，重复求取相关系数，直至相关系数趋近1。
4.根据权利要求1所述的一种面向浅海分区环境的SAR图像水深估计方法，其特征在于，所述步骤3的具体过程为：
步骤3.1：输入样本数据，即基于实测水深值的SAR图像灰度幅值和根据真实的卫星数据经纬度得到的水深值；
步骤3.2：模型计算输入层与隐含层、隐含层与输出层的误差，若误差较小，结果与期望值相近则正向传播，输出水深估计结果，若误差较大，结果与期望值相差较大，模型则会反向传播，调整各层权值，直到结果与预期值相符。
5.一种面向浅海分区环境的SAR图像水深估计系统，其特征在于，包括：
几何建模模块：根据水下地形和分区复合地海环境，对水下地形调制的复杂地海环境几何建模；
图像灰度幅值与水深值关系模块：根据几何建模模块得到的复杂地海模型，通过基于实测水深值的SAR图像与仿真海面SAR图像相关系数对比修正，得到反演水深，构建了SAR图像灰度幅值与水深值的相关关系；
水深反演模型模块：根据图像灰度幅值与水深值相关关系模块得到的相关关系，基于多层前馈神经网络模型对SAR图像灰度幅值与对应的水深值进行训练，得到水深反演模型。
6.一种面向浅海分区环境的SAR图像水深估计设备，其特征在于，包括：
存储器：用于存储实现所述权利要求1-4的一种面向浅海分区环境的SAR图像水深估计方法的计算机程序；
处理器：用于执行所述计算机程序时实现所述权利要求1-4的一种面向浅海分区环境的SAR图像水深估计方法。
7.一种面向浅海分区环境的SAR图像水深估计介质，其特征在于，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时能够实现所述权利要求1-4的一种面向浅海分区环境的SAR图像水深估计方法。
CN202310959662.0A 2023-07-31 2023-07-31 一种面向浅海分区环境的sar图像水深估计方法、系统、设备及介质 Active CN116977842B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310959662.0A CN116977842B (zh) 2023-07-31 2023-07-31 一种面向浅海分区环境的sar图像水深估计方法、系统、设备及介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310959662.0A CN116977842B (zh) 2023-07-31 2023-07-31 一种面向浅海分区环境的sar图像水深估计方法、系统、设备及介质

Publications (2)

Publication Number Publication Date
CN116977842A true CN116977842A (zh) 2023-10-31
CN116977842B CN116977842B (zh) 2024-04-02

Family

ID=88471044

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310959662.0A Active CN116977842B (zh) 2023-07-31 2023-07-31 一种面向浅海分区环境的sar图像水深估计方法、系统、设备及介质

Country Status (1)

Country Link
CN (1) CN116977842B (zh)

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111856456A (zh) * 2019-04-28 2020-10-30 中国人民解放军海军工程大学 X波段导航雷达浅海表面流与水深联合估计方法
CN115128605A (zh) * 2022-06-22 2022-09-30 自然资源部第一海洋研究所 水下地形检测方法、装置、介质
CN115841076A (zh) * 2022-11-29 2023-03-24 浙江海洋大学 基于bp神经网络模型的浅海分层海底地声参数反演方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111856456A (zh) * 2019-04-28 2020-10-30 中国人民解放军海军工程大学 X波段导航雷达浅海表面流与水深联合估计方法
CN115128605A (zh) * 2022-06-22 2022-09-30 自然资源部第一海洋研究所 水下地形检测方法、装置、介质
CN115841076A (zh) * 2022-11-29 2023-03-24 浙江海洋大学 基于bp神经网络模型的浅海分层海底地声参数反演方法

Also Published As

Publication number Publication date
CN116977842B (zh) 2024-04-02

Similar Documents

Publication Publication Date Title
O'Reilly et al. A comparison of two spectral wave models in the Southern California Bight
CN112883564B (zh) 一种基于随机森林的水体温度预测方法及预测系统
CN114970213B (zh) 一种孤子内波起伏效应下的海杂波动态模拟方法
CN108594230A (zh) 一种海船场景的合成孔径雷达图像仿真方法
CN112113545B (zh) 一种基于多维海面信息的内波振幅反演方法
CN114047511B (zh) 一种基于csa算法的时变海面机载sar成像仿真方法
Ma et al. The application of geostatistics in grain size trend analysis: A case study of eastern Beibu Gulf
CN110082832B (zh) 一种地面磁共振和探地雷达数据联合成像方法
CN114818385B (zh) Sar海洋图像仿真方法、装置、介质
CN113341476B (zh) 基于海底地形-重力联合提高海洋重力空间分辨率的方法
Lee et al. Real-time localization for underwater moving object using precalculated DC electric field template
Lin et al. Accurate imaging and prediction of Kanmon Strait tidal current structures by the coastal acoustic tomography data
CN115128605B (zh) 水下地形检测方法、装置、介质
Lyons et al. Modeling the effect of seafloor ripples on synthetic aperture sonar speckle statistics
Chen et al. Offshore oil spill monitoring and detection: Improving risk management for offshore petroleum cyber-physical systems
CN116977842B (zh) 一种面向浅海分区环境的sar图像水深估计方法、系统、设备及介质
CN116503716A (zh) 一种雷达图像衍生与数据库扩容的方法
Sun et al. Joint 3D traveltime calculation based on fast marching method and wavefront construction
Yu et al. Radar imaging of shallow water bathymetry: A case study in the Y angtze E stuary
Masuda et al. Ocean state estimations for synthesis of ocean-mixing observations
Zhao et al. Construction method of geomagnetic reference map for satellite communication navigation through Kriging method
CN111693992A (zh) 一种适用于月壤分层雷达探测正演模拟的方法
Chonwattana et al. 3D Modeling of morphological changes using representative waves
Baskakov et al. Modeling of the methodical errors of high-precision aircraft radar altimeter operating above the sea surface at low altitudes
Wang et al. Numerical simulation and inversion of offshore area depth based on X-band microwave radar

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