CN117576553A - 双极化sar图像海洋冰涡识别方法、装置和电子设备 - Google Patents
双极化sar图像海洋冰涡识别方法、装置和电子设备 Download PDFInfo
- Publication number
- CN117576553A CN117576553A CN202410049986.5A CN202410049986A CN117576553A CN 117576553 A CN117576553 A CN 117576553A CN 202410049986 A CN202410049986 A CN 202410049986A CN 117576553 A CN117576553 A CN 117576553A
- Authority
- CN
- China
- Prior art keywords
- vortex
- ice
- dual
- polarized
- sar 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
- 238000000034 method Methods 0.000 title claims abstract description 60
- 238000012549 training Methods 0.000 claims abstract description 23
- 238000007781 pre-processing Methods 0.000 claims abstract description 14
- 238000012545 processing Methods 0.000 claims description 27
- 230000010287 polarization Effects 0.000 claims description 23
- 238000012937 correction Methods 0.000 claims description 21
- 230000015572 biosynthetic process Effects 0.000 claims description 13
- 230000009977 dual effect Effects 0.000 claims description 13
- 238000003786 synthesis reaction Methods 0.000 claims description 13
- 230000008569 process Effects 0.000 claims description 9
- 238000001914 filtration Methods 0.000 claims description 7
- 230000006870 function Effects 0.000 claims description 7
- 230000000007 visual effect Effects 0.000 claims description 7
- 238000004590 computer program Methods 0.000 claims description 6
- 230000005855 radiation Effects 0.000 claims description 6
- 230000009466 transformation Effects 0.000 claims description 6
- 238000010606 normalization Methods 0.000 claims description 4
- NAWXUBYGYWOOIX-SFHVURJKSA-N (2s)-2-[[4-[2-(2,4-diaminoquinazolin-6-yl)ethyl]benzoyl]amino]-4-methylidenepentanedioic acid Chemical compound C1=CC2=NC(N)=NC(N)=C2C=C1CCC1=CC=C(C(=O)N[C@@H](CC(=C)C(O)=O)C(O)=O)C=C1 NAWXUBYGYWOOIX-SFHVURJKSA-N 0.000 claims description 3
- 101100404567 Drosophila melanogaster nesd gene Proteins 0.000 claims description 3
- 239000000654 additive Substances 0.000 claims description 3
- 230000000996 additive effect Effects 0.000 claims description 3
- 238000004364 calculation method Methods 0.000 claims description 3
- 238000012216 screening Methods 0.000 claims description 3
- 238000013519 translation Methods 0.000 claims description 3
- 238000012360 testing method Methods 0.000 claims description 2
- 238000012795 verification Methods 0.000 claims description 2
- 238000011160 research Methods 0.000 abstract description 4
- 230000002194 synthesizing effect Effects 0.000 abstract description 2
- 238000004891 communication Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 3
- 239000000700 radioactive tracer Substances 0.000 description 3
- 230000007246 mechanism Effects 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- 238000001308 synthesis method Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 239000012141 concentrate Substances 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000000802 evaporation-induced self-assembly Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
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
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/30—Noise filtering
-
- 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
- G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
-
- 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
- G06V10/766—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using regression, e.g. by projecting features on hyperplanes
-
- 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
- G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
- G06V10/774—Generating sets of training patterns; Bootstrap methods, e.g. bagging or boosting
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Artificial Intelligence (AREA)
- Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computing Systems (AREA)
- Databases & Information Systems (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Remote Sensing (AREA)
- Astronomy & Astrophysics (AREA)
- Image Processing (AREA)
Abstract
本发明提供了一种双极化SAR图像海洋冰涡识别方法、装置和电子设备，涉及海洋工程技术领域。该方法包括：获取双极化SAR图像海洋冰涡数据；SAR图像数据预处理；双极化SAR图像RGB假彩色图像合成；构建SAR图像海洋冰涡样本库；基于YOLOv8框架建立海洋冰涡自动识别模型；利用所述的RGB假彩色冰涡样本库，对所述的目标识别模型进行训练；利用训练好的网络模型进行海洋冰涡自动识别，最终得到目标识别结果。本发明实现了无人工干涉的双极化SAR海洋冰涡自动精准识别，对于高纬度极区海洋冰涡研究具有参考价值。
Description
技术领域
本发明涉及海洋工程的技术领域，尤其是涉及双极化SAR图像海洋冰涡识别方法、装置和电子设备。
背景技术
海洋涡旋是一种常见的海洋现象，在近海活动频繁，对海洋的物质、能量交换起着重要作用，是海洋科学研究的一个重要对象。在高纬度极区，由于海冰的存在，传统的利用高度计数据进行涡旋观测的方法很复杂，这使得这种数据类型几乎不适用于高纬度极区的冰涡旋探测。合成孔径雷达(Synthetic Aperture Radar，SAR)具有全天时、全天候、高分辨率、大覆盖范围的特点，为海洋涡旋研究提供了大量的图像数据。高分辨率SAR图像可以分辨0.1~1 km尺度的海洋动力学，并且与天气和云无关。海面漂浮的示踪物显现机制的海洋涡旋，根据示踪物的类别可以分为两类，一类使用海面油膜示踪剂，另一类使用海面浮冰为示踪剂，两种示踪剂各有特点。其中，由于海面油膜可以实现海面滤波作用，减少后向散射面积，在SAR图像呈现暗曲线条纹，因此被称为“黑涡”。而海面浮冰随着涡旋运行，导致浮冰聚集成环状或螺旋状的结构，这种浮冰显现机制的海洋涡旋简称为“冰涡”。近年来，一些研究已经实现了各种机器学习算法，用于从SAR图像中检测涡旋。然而，大部分研究都集中低纬度无冰区的海洋黑涡识别上，亟需一种全新的高纬度海洋冰涡自动识别方法。
发明内容
有鉴于此，本发明的目的在于提供一种双极化SAR图像海洋冰涡识别方法、装置和电子设备，以提升高纬度极区海洋冰涡自动识别效率，从而扩展深度学习在海洋领域的应用。
双极化SAR图像海洋冰涡识别方法，包括以下步骤：
S1：获取双极化SAR图像海洋冰涡数据，进行解码得到HH、HV双极化数据；
S2：HH、HV双极化数据预处理：首先进行轨道矫正、HH极化入射角矫正、HV极化热噪声去除、辐射定标、refine-Lee滤波、分贝化处理；再进行百分比截断拉伸增强处理，得到图像增强后的，/>极化数据；
S3：双极化SAR图像RGB假彩色合成和标准化处理：
首先，对所述、/>进行处理，得到两者的混合通道图层G；
其次，分别对、/>、G数据进行偏移量处理和标准化处理，最终得到红色通道图层/>、蓝色通道图层/>，绿色通道图层/>；
最后，将、/>，/>3个通道图层进行RGB合成，得到RGB假彩色合成图像；
S4：构建SAR图像假彩色海洋冰涡样本库：采用随机水平翻转、旋转变换，平移变换等数据扩充方法，将所述RGB假彩色合成图像扩充生成样本库数据集；再通过人工目视方法对样本库数据集中的每张图像进行辨识，采用外接矩形对冰涡旋进行手工标注，标注内容为是否包含海洋冰涡；最后得到SAR图像假彩色海洋冰涡样本库；
S5：基于YOLOv8框架建立海洋冰涡自动识别模型，海洋冰涡自动识别模型中的损失函数包括分类损失VFL Loss（Varifocal Loss）和回归损失为CIOU Loss+DFL（Distribution Focal Loss）；
S6：将步骤S4中所述的RGB假彩色SAR图像海洋冰涡样本库，输入到步骤S5中所述的自动识别模型中进行训练；
S7：利用训练好的网络模型进行海洋冰涡自动识别，最终得到目标识别结果。
进一步的，所述步骤S1具体为：
所述双极化SAR图像海洋冰涡数据：获取Sentinel-1卫星SAR载荷超宽幅EW模式多个不同时间段的HH、HV双极化海洋冰涡图像；通过人工目视的方法，在高纬度极区海冰边缘区域，筛选收集双极化SAR图像海洋冰涡数据集；解码所述双极化SAR图像海洋冰涡数据，得到HH、HV双极化数据。
进一步的，所述步骤S2中，所述HV极化热噪声去除具体为：
（1）通过公式（1）和公式（2）计算得到去除加性热噪声后的HV极化数据：
；
式中，为重构噪声场，即NESZ，/>为噪声缩放系数，/>是增益系数，是ESA提供的噪声矢量，/>为条带间功率平衡系数，/>为去噪后的/>值，为图像原始的/>值，n为子条带号；
（2）对步骤（1）中的可以利用大量HV极化数据通过加权最小二乘法求解得到，如公式（3）和公式（4）所示：
；
对步骤1）中的可通过公式（5）计算得到：
；
式中：和/>分别是不通过子条带线性模型的斜率和截距；/>是条带间边界处距离向的像元数，/>；
（3）去除噪声等效标准差
；
式中，为去噪后的/>值，即公式（2）计算得到；/>是NESD模型噪声标准差，s是给定15×15子窗口的/>的标准差；/>是/>的平均值，/>是最终除热噪声后的/>值；
最后，得到去除热噪声的HV图像。
进一步的，所述步骤S3具体为：
根据公式（7）和公式（8）进行偏移量处理：
；
将和/>极化图像按照公式（9）变换生成混合通道图像G：
；
标准化处理：对偏移量处理后的、/>、G数据进行标准化处理，其中，红色通道/>数据最小值为0.02，最大值为0.10；蓝色通道/>数据最小值为0，最大值为0.32；绿色通道G最小值为0，最大值为0.6.最后对标准化处理后的数据按照公式（10）进行gamma值为1.1的gamma校正
；
式中：和/>分别是各通道在gamma矫正前和矫正后的数据；
经过gamma校正处理后得到3个通道图层数据、/>、/>，将、/>、/>3个通道图层数据分别作为红色通道、蓝色通道、绿色通道进行RGB假彩色合成。
进一步的，所述步骤S5中，所述VFL LOSS函数公式如下：
；
q是label，正样本时候q为预测框和真值框交并比；
所述CIoU损失函数的公式如下：
；
式中，是交并比，b和/>表示两个矩形框的中心点，/>表示两个矩形框之间的欧式距离，c表示两个矩形框闭合区域的对角线距离，v用于测量两个矩形框相对比例的一致性，α是权重系数。
进一步的，所述步骤S6中，按照样本库的70%，20%，10%随机分割为训练集P1、验证集P2和测试集P3训练集P1用于网络模型的训练，将训练集P1送入到所述步骤S105中建立的网络模型中进行训练得到最优权重模型用于双极化SAR图像海洋冰涡自动识别。
双极化SAR图像海洋冰涡识别装置，该装置包括：
双极化SAR图像获取模块，用于获取高纬度极区海冰边缘区域的HH、HV双极化SAR海洋冰涡图像；
SAR图像预处理模块，用于实现SAR海洋冰涡图像轨道矫正、HH极化入射角矫正、HV极化热噪声去除、辐射定标、refine-Lee滤波、分贝化处理、极化图像增强，得到数据预处理后的双极化SAR图像；
RGB假彩色图像合成模块，用于实现双极化SAR图像RGB假彩色合成；
海洋冰涡自动识别模型预训练模块，用于训练得到双极化假彩色SAR图像海洋冰涡自动识别最优权重模型；
海洋冰涡自动识别模块，用于实现双极化SAR图像海洋冰涡自动识别，确定出所述双极化假彩色SAR图像的海洋冰涡。
一种电子设备，包括存储器以及处理器，所述存储器用于存储支持处理器执行上述方法的程序，所述处理器被配置为用于执行所述存储器中存储的程序。
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方法的步骤。
本发明的优点和有益效果：
本发明通过获取双极化SAR图像海洋冰涡数据；SAR图像数据预处理；双极化SAR图像RGB假彩色图像合成；构建SAR图像海洋冰涡样本库；基于YOLOv8框架建立海洋冰涡自动识别模型；利用所述的RGB假彩色冰涡样本库，对所述的目标识别模型进行训练；利用训练好的网络模型进行海洋冰涡自动识别，最终得到目标识别结果。
本发明解决了人工目视识别解译费时费力的问题，实现了高纬度极区SAR图像海洋冰涡自动精准高效识别。
附图说明
图1为本发明实施例提供的双极化SAR图像海洋冰涡识别的流程图。
图2为本发明实施例提供的双极化SAR图像海洋冰涡识别装置的示意图。
图3为本发明实施例提供的双极化SAR图像海洋冰涡识别电子设备的示意图。
图4为本发明实施例提供的Sentinle-1卫星EW模式双极化SAR RGB假彩色图像（UTC时间：2023年11月1日08:21:44）。
图5为本发明实施例提供的双极化SAR图像海洋冰涡识别结果示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合附图对本发明的技术方案进行清楚、完整地描述，显然，所描述的实施例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做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
实施例1：
该实施例提供一种双极化SAR图像海洋冰涡识别方法，如图1所示，该海洋冰涡自动识别方法包括如下步骤：
步骤S101，获取HH、HV双极化SAR图像海洋冰涡数据；
所述HH、HV双极化SAR图像海洋冰涡数据：获取Sentinel-1卫星SAR载荷超宽幅EW模式多个不同时间段的HH、HV双极化海洋冰涡图像；通过人工目视的方法，在高纬度极区海冰边缘区域，筛选收集双极化SAR图像海洋冰涡数据集。
步骤S102，SAR图像数据预处理，对HH、HV双极化数据进行数据预处理，包括轨道矫正、HH极化入射角矫正、HV极化热噪声去除、辐射定标、refine-Lee滤波、分贝化处理等预处理操作，得到数据预处理后的HH、HV双极化SAR图像；HV极化热噪声去除，具体步骤如下：
1）通过公式（1）和公式（2）计算得到去除加性热噪声后的HV极化数据：
；
式中，为重构噪声场（即NESZ），/>为噪声缩放系数，/>是增益系数，/>是ESA提供的噪声矢量，/>为条带间功率平衡系数，/>为去噪后的/>值，/>为图像原始的/>值，n为子条带号；
2）对步骤1）中的可以利用大量HV极化数据通过加权最小二乘法求解得到，如公式（3）和公式（4）所示：
；
对步骤1）中的可通过公式（5）计算得到：
；
式中：和/>分别是不通过子条带线性模型的斜率和截距；/>是条带间边界处距离向的像元数，/>；
3）去除噪声等效标准差
；
式中，为去噪后的/>值，即公式（2）计算得到；/>是NESD模型噪声标准差，s是给定15×15子窗口的/>的标准差；/>是/>的平均值，/>是最终除热噪声后的/>值。
经过去除热噪声处理，得到去除热噪声的HV图像。
最后，对预处理得到的HH、VV双极化数据进行百分比截断拉伸图像增强处理，得到图像增强后的HH、HV极化数据。
步骤S103，双极化SAR图像RGB假彩色合成，双极化SAR图像RGB假彩色合成方法和标准化处理。根据公式（7）和公式（8）进行偏移量处理：
；
将和/>极化图像按照公式（9）变换生成混合通道图像G：
；
标准化处理：对偏移量处理后的、/>、G数据进行标准化处理，其中，红色通道/>数据最小值为0.02，最大值为0.10；蓝色通道/>数据最小值为0，最大值为0.32；绿色通道G最小值为0，最大值为0.6.最后对标准化处理后的数据按照公式（10）进行gamma值为1.1的gamma校正
；
式中：和/>分别是各通道在gamma矫正前和矫正后的数据；
经过gamma校正处理后得到3个通道图层数据、/>、/>，将、/>、/>3个通道图层数据分别作为红色通道、蓝色通道、绿色通道进行RGB假彩色合成。
步骤S104，构建SAR图像假彩色海洋冰涡样本库：
首先，采用随机水平翻转、旋转变换，平移变换等数据扩充方法，将所述的SAR图像假彩色海洋涡旋图像扩充生成样本库数据集；
其次，通过人工目视方法对样本库数据集中的每张图像进行辨识，采用外接矩形对冰涡旋进行手工标注，标注内容为是否包含海洋冰涡；
最终得到SAR图像假彩色海洋冰涡样本库。
步骤S105，基于YOLOv8框架构建海洋冰涡自动识别模型：
海洋冰涡自动识别模型中的损失函数包括分类损失VFL Loss（Varifocal Loss）和回归损失为CIOU Loss+DFL（Distribution Focal Loss）。VFL LOSS函数公式如下：
；
q是label，正样本时候q为预测框和真值框交并比；
所述CIoU损失函数的公式如下：
；
式中，是交并比，b和/>表示两个矩形框的中心点，/>表示两个矩形框之间的欧式距离，c表示两个矩形框闭合区域的对角线距离，v用于测量两个矩形框相对比例的一致性，α是权重系数。
步骤S106，将步骤S104中所述的RGB假彩色SAR图像海洋冰涡样本库，输入到步骤S105中所述的自动识别模型中进行训练；
步骤S107，利用训练好的网络模型进行海洋冰涡自动识别，最终得到目标识别结果。
实施例2：
该实施例提供了一种双极化SAR图像海洋冰涡识别装置，其结构示意图如图2所示，其中，该装置包括：
双极化SAR图像获取模块710，用于获取高纬度极区海冰边缘区域的HH、HV双极化SAR海洋冰涡图像；
SAR图像预处理模块720，用于实现SAR海洋冰涡图像轨道矫正、HH极化入射角矫正、HV极化热噪声去除、辐射定标、refine-Lee滤波、分贝化处理、极化图像增强，得到数据预处理后的双极化SAR图像；
RGB假彩色图像合成模块730，用于实现双极化SAR图像RGB假彩色合成；
海洋冰涡自动识别模型预训练模块740，用于训练得到双极化假彩色SAR图像海洋冰涡自动识别最优权重模型；
海洋冰涡自动识别模块750，用于实现双极化假彩色SAR图像海洋冰涡自动识别，确定出所述双极化假彩色SAR图像的海洋冰涡。
本发明实施例提供的一种双极化SAR图像海洋冰涡识别装置，与上述实施例提供的一种双极化SAR图像海洋冰涡识别装置方法具有相同的技术特征，所以也能解决相同的技术问题，达到相同的技术效果。为简要描述，实施例部分未提及之处，可参考前述方法实施例中相应内容。
实施例3：
该实施例还提供了一种电子设备，包括存储器以及处理器，所述存储器用于存储支持处理器执行上述实施例一中所述方法的程序，所述处理器被配置为用于执行所述存储器中存储的程序。
参见图3，本实施例还提供一种电子设备100，包括：处理器50，存储器51，总线52和通信接口53，所述处理器50、通信接口53和存储器51通过总线52连接；处理器50用于执行存储器51中存储的可执行模块，例如计算机程序。
其中，存储器51可能包含高速随机存取存储器（RAM，Random Access Memory），也可能还包括非不稳定的存储器（non-volatile memory），例如至少一个磁盘存储器。通过至少一个通信接口53（可以是有线或者无线）实现该系统网元与至少一个其他网元之间的通信连接，可以使用互联网，广域网，本地网，城域网等。
总线52可以是ISA总线、PCI总线或EISA总线等。所述总线可以分为地址总线、数据总线、控制总线等。为便于表示，图3中仅用一个双向箭头表示，但并不表示仅有一根总线或一种类型的总线。
其中，存储器51用于存储程序，所述处理器50在接收到执行指令后，执行所述程序，前述本发明实施例任一实施例揭示的流过程定义的装置所执行的方法可以应用于处理器50中，或者由处理器50实现。
处理器50可能是一种集成电路芯片，具有信号的处理能力。在实现过程中，上述方法的各步骤可以通过处理器50中的硬件的集成逻辑电路或者软件形式的指令完成。上述的处理器50可以是通用处理器，包括中央处理器(Central Processing Unit，简称CPU)、网络处理器(Network Processor，简称NP)等；还可以是数字信号处理器(Digital SignalProcessing，简称DSP)、专用集成电路(Application Specific Integrated Circuit，简称ASIC)、现成可编程门阵列(Field-Programmable Gate Array，简称FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。可以实现或者执行本发明实施例中的公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。结合本发明实施例所公开的方法的步骤可以直接体现为硬件译码处理器执行完成，或者用译码处理器中的硬件及软件模块组合执行完成。软件模块可以位于随机存储器，闪存、只读存储器，可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。该存储介质位于存储器51，处理器50读取存储器51中的信息，结合其硬件完成上述方法的步骤。
实施例4：
该实施例还提供了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实施例一中所述方法的步骤。
实施例5：
该实施例以2023年11月1日08:21:44 Sentinel-1卫星EW模式HH、HV双极化SAR图像为基础，进行RGB假彩色图像合成方法进行验证，结果如图4所示。将RGB假彩色图像输入到海洋冰涡自动识别模型进行海洋冰涡自动识别，海洋冰涡识别结果如图5所示。
通过图5冰涡识别结果可以看出，本发明能够准确实现海洋冰涡的识别。
以上所述实施例，仅为本发明的具体实施方式，用以说明本发明的技术方案，而非对其限制，本发明的保护范围并不局限于此，尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：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，其依然可以对前述实施例所记载的技术方案进行修改或可轻易想到变化，或者对其中部分技术特征进行等同替换；而这些修改、变化或者替换，并不使相应技术方案的本质脱离本发明实施例技术方案的精神和范围，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所述以权利要求的保护范围为准。
Claims (9)
1.一种双极化SAR图像海洋冰涡识别方法，其特征在于，包括以下步骤：
S1：获取双极化SAR图像海洋冰涡数据，进行解码得到HH、HV双极化数据；
S2：HH、HV双极化数据预处理：首先进行轨道矫正、HH极化入射角矫正、HV极化热噪声去除、辐射定标、refine-Lee滤波、分贝化处理；再进行百分比截断拉伸增强处理，得到图像增强后的，/>极化数据；
S3：双极化SAR图像RGB假彩色合成和标准化处理：
首先，对所述、/>进行处理，得到两者的混合通道图层/>；
其次，分别对、/>、/>数据进行偏移量处理和标准化处理，最终得到红色通道图层/>、蓝色通道图层/>，绿色通道图层/>；
最后，将、/>和/>3个通道图层进行RGB合成，得到RGB假彩色合成图像；
S4：构建SAR图像假彩色海洋冰涡样本库：采用随机水平翻转、旋转变换，平移变换数据扩充方法，将所述RGB假彩色合成图像扩充生成样本库数据集；再通过人工目视方法对样本库数据集中的每张图像进行辨识，采用外接矩形对冰涡旋进行手工标注，标注内容为是否包含海洋冰涡；最后得到SAR图像假彩色海洋冰涡样本库；
S5：基于YOLOv8框架建立海洋冰涡自动识别模型，海洋冰涡自动识别模型中的损失函数包括分类损失VFL Loss和回归损失为CIOU Loss+DFL；
S6：将步骤S4中所述SAR图像假彩色海洋冰涡样本库，输入到步骤S5中所述的自动识别模型中进行训练；
S7：利用训练好的网络模型进行海洋冰涡自动识别，最终得到目标识别结果。
2.如权利要求1所述的双极化SAR图像海洋冰涡识别方法，其特征在于，所述步骤S1具体为：获取Sentinel-1卫星SAR载荷超宽幅模式多个不同时间段的HH、HV双极化海洋冰涡图像；通过人工目视的方法，在高纬度极区海冰边缘区域，筛选收集双极化SAR图像海洋冰涡数据集；解码所述双极化SAR图像海洋冰涡数据，得到HH、HV双极化数据。
3.如权利要求1所述的双极化SAR图像海洋冰涡识别方法，其特征在于，所述步骤S2中，所述HV极化热噪声去除具体为：
（1）通过公式（1）和公式（2）计算得到去除加性热噪声后的HV极化数据
；
式中，为重构噪声场，即NESZ，/>为噪声缩放系数，/>是增益系数，/>是ESA提供的噪声矢量，/>为条带间功率平衡系数，/>为去噪后的/>值，/>为图像原始的/>值，n为子条带号；
（2）对步骤（1）中的利用大量HV极化数据通过加权最小二乘法求解得到，如公式（3）和公式（4）所示：
；
对步骤（1）中的通过公式（5）计算得到：
；
式中：和/>分别是不通过子条带线性模型的斜率和截距；/>是条带间边界处距离向的像元数，/>；
（3）去除噪声等效标准差：
；
式中，为去噪后的/>值，即公式（2）计算得到；/>是NESD模型噪声标准差，s是给定15×15子窗口的/>的标准差；/>是/>的平均值，/>是最终除热噪声后的/>值；
最后，得到去除热噪声的HV图像。
4.如权利要求1所述的双极化SAR图像海洋冰涡识别方法，其特征在于，所述步骤S3具体为：
根据公式（7）和公式（8）进行偏移量处理：
；
将和/>极化图像按照公式（9）变换生成混合通道图像G：
；
标准化处理：对偏移量处理后的、/>、G数据进行标准化处理，其中，红色通道/>数据最小值为0.02，最大值为0.10；蓝色通道/>数据最小值为0，最大值为0.32；绿色通道G最小值为0，最大值为0.6.最后对标准化处理后的数据按照公式（10）进行gamma值为1.1的gamma校正：
；
式中：和/>分别是各通道在gamma矫正前和矫正后的数据；
经过gamma校正处理后得到3个通道图层数据、/>、/>，将/>、、/>3个通道图层数据分别作为红色通道、蓝色通道、绿色通道进行RGB假彩色合成。
5.如权利要求1所述的双极化SAR图像海洋冰涡识别方法，其特征在于，所述步骤S5中，所述VFL LOSS公式如下：
；
q是label，正样本时候q为预测框和真值框交并比；
所述CIOU Loss的公式如下：
；
式中，是交并比，b和/>表示两个矩形框的中心点，/>表示两个矩形框之间的欧式距离，c表示两个矩形框闭合区域的对角线距离，/>用于测量两个矩形框相对比例的一致性，/>是权重系数。
6.如权利要求1所述的双极化SAR图像海洋冰涡识别方法，其特征在于，所述步骤S6中，按照样本库的70%，20%，10%随机分割为训练集P1、验证集P2和测试集P3训练集P1用于网络模型的训练，将训练集P1送入到所述步骤S5中建立的网络模型中进行训练得到最优权重模型用于双极化SAR图像海洋冰涡自动识别。
7.一种双极化SAR图像海洋冰涡识别装置，其特征在于，所述装置包括：
双极化SAR图像获取模块，用于获取高纬度极区海冰边缘区域的HH、HV双极化SAR海洋冰涡图像；
SAR图像预处理模块，用于实现SAR海洋冰涡图像轨道矫正、HH极化入射角矫正、HV极化热噪声去除、辐射定标、refine-Lee滤波、分贝化处理、极化图像增强，得到数据预处理后的双极化SAR图像；
RGB假彩色图像合成模块，用于实现双极化SAR图像RGB假彩色合成；
海洋冰涡自动识别模型预训练模块，用于训练得到双极化假彩色SAR图像海洋冰涡自动识别最优权重模型；
海洋冰涡自动识别模块，用于实现双极化假彩色SAR图像海洋冰涡自动识别，确定出所述双极化假彩色SAR图像的海洋冰涡。
8.一种电子设备，其特征在于，包括存储器以及处理器，所述存储器用于存储支持处理器执行权利要求1至6任一项所述方法的程序，所述处理器被配置为用于执行所述存储器中存储的程序。
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 |
|---|---|---|---|
| CN202410049986.5A CN117576553B (zh) | 2024-01-15 | 2024-01-15 | 双极化sar图像海洋冰涡识别方法、装置和电子设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410049986.5A CN117576553B (zh) | 2024-01-15 | 2024-01-15 | 双极化sar图像海洋冰涡识别方法、装置和电子设备 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117576553A true CN117576553A (zh) | 2024-02-20 |
| CN117576553B CN117576553B (zh) | 2024-04-02 |
Family
ID=89884700
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202410049986.5A Active CN117576553B (zh) | 2024-01-15 | 2024-01-15 | 双极化sar图像海洋冰涡识别方法、装置和电子设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117576553B (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN118279756A (zh) * | 2024-06-04 | 2024-07-02 | 中国海洋大学 | 基于多尺度特征融合的旋转框sar图像冰涡检测方法、装置和电子设备 |
Citations (14)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104166856A (zh) * | 2014-07-30 | 2014-11-26 | 西安电子科技大学 | 基于近邻传播聚类与区域增长的极化sar图像分类方法 |
| CN106842205A (zh) * | 2017-04-11 | 2017-06-13 | 南京信息工程大学 | 一种合成孔径雷达海冰‑海水自动识别方法 |
| CN110298280A (zh) * | 2019-06-20 | 2019-10-01 | 上海海洋大学 | 一种基于mkl多特征融合的海洋涡旋识别方法 |
| CN111652289A (zh) * | 2020-05-15 | 2020-09-11 | 中国科学院空天信息创新研究院 | 合成孔径雷达图像的海冰海水的分割方法 |
| US20210012146A1 (en) * | 2019-07-12 | 2021-01-14 | Wuyi University | Method and apparatus for multi-scale sar image recognition based on attention mechanism |
| CN114494894A (zh) * | 2022-04-18 | 2022-05-13 | 中国海洋大学 | 海洋黑涡自动识别与关键参数反演方法、装置和电子设备 |
| CN114676773A (zh) * | 2022-03-23 | 2022-06-28 | 国家海洋环境预报中心 | 基于sar数据的北极海冰分类方法 |
| WO2023050746A1 (zh) * | 2021-09-30 | 2023-04-06 | 西南电子技术研究所（中国电子科技集团公司第十研究所） | 增强舰船目标检测sar图像数据的方法 |
| CN116229552A (zh) * | 2023-03-07 | 2023-06-06 | 淮阴工学院 | 一种基于yolov7模型的面向嵌入式硬件的人脸识别方法 |
| CN116682027A (zh) * | 2023-08-01 | 2023-09-01 | 中国科学院空天信息创新研究院 | 基于MobileNet的SAR海冰图像分类方法及装置 |
| CN116719031A (zh) * | 2023-08-08 | 2023-09-08 | 中国科学院空天信息创新研究院 | 一种合成孔径雷达sar图像的海洋涡旋检测方法及系统 |
| CN116994151A (zh) * | 2023-06-02 | 2023-11-03 | 广州大学 | 基于SAR图像和YOLOv5s网络的海上舰船目标识别方法 |
| CN117351352A (zh) * | 2023-10-13 | 2024-01-05 | 沈阳航空航天大学 | 基于轻量化YOLOv5网络模型的SAR船舶图像目标识别方法 |
| CN117392545A (zh) * | 2023-10-26 | 2024-01-12 | 南昌航空大学 | 一种基于深度学习的sar图像目标检测方法 |
-
2024
- 2024-01-15 CN CN202410049986.5A patent/CN117576553B/zh active Active
Patent Citations (14)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104166856A (zh) * | 2014-07-30 | 2014-11-26 | 西安电子科技大学 | 基于近邻传播聚类与区域增长的极化sar图像分类方法 |
| CN106842205A (zh) * | 2017-04-11 | 2017-06-13 | 南京信息工程大学 | 一种合成孔径雷达海冰‑海水自动识别方法 |
| CN110298280A (zh) * | 2019-06-20 | 2019-10-01 | 上海海洋大学 | 一种基于mkl多特征融合的海洋涡旋识别方法 |
| US20210012146A1 (en) * | 2019-07-12 | 2021-01-14 | Wuyi University | Method and apparatus for multi-scale sar image recognition based on attention mechanism |
| CN111652289A (zh) * | 2020-05-15 | 2020-09-11 | 中国科学院空天信息创新研究院 | 合成孔径雷达图像的海冰海水的分割方法 |
| WO2023050746A1 (zh) * | 2021-09-30 | 2023-04-06 | 西南电子技术研究所（中国电子科技集团公司第十研究所） | 增强舰船目标检测sar图像数据的方法 |
| CN114676773A (zh) * | 2022-03-23 | 2022-06-28 | 国家海洋环境预报中心 | 基于sar数据的北极海冰分类方法 |
| CN114494894A (zh) * | 2022-04-18 | 2022-05-13 | 中国海洋大学 | 海洋黑涡自动识别与关键参数反演方法、装置和电子设备 |
| CN116229552A (zh) * | 2023-03-07 | 2023-06-06 | 淮阴工学院 | 一种基于yolov7模型的面向嵌入式硬件的人脸识别方法 |
| CN116994151A (zh) * | 2023-06-02 | 2023-11-03 | 广州大学 | 基于SAR图像和YOLOv5s网络的海上舰船目标识别方法 |
| CN116682027A (zh) * | 2023-08-01 | 2023-09-01 | 中国科学院空天信息创新研究院 | 基于MobileNet的SAR海冰图像分类方法及装置 |
| CN116719031A (zh) * | 2023-08-08 | 2023-09-08 | 中国科学院空天信息创新研究院 | 一种合成孔径雷达sar图像的海洋涡旋检测方法及系统 |
| CN117351352A (zh) * | 2023-10-13 | 2024-01-05 | 沈阳航空航天大学 | 基于轻量化YOLOv5网络模型的SAR船舶图像目标识别方法 |
| CN117392545A (zh) * | 2023-10-26 | 2024-01-12 | 南昌航空大学 | 一种基于深度学习的sar图像目标检测方法 |
Non-Patent Citations (3)
| Title |
|---|
| "YOLO-based multi-class target detection for SAR images", 《2023 IEEE 7TH INFORMATION TECHNOLOGY AND MECHATRONICS ENGINEERING CONFERENCE》, 30 October 2023 (2023-10-30) * |
| 吴进群，陈戈，马纯永，郑益勤: "深度学习的SAR图像海洋涡旋自动检测及其特征提取", 《舰船科学技术》, vol. 45, no. 06, 31 March 2023 (2023-03-31) * |
| 赵泉华;谢凯浪;王光辉;李玉;: "结合编码-解码网络和条件随机场的全极化合成孔径雷达土地覆盖分类", 模式识别与人工智能, no. 12, 15 December 2019 (2019-12-15) * |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN118279756A (zh) * | 2024-06-04 | 2024-07-02 | 中国海洋大学 | 基于多尺度特征融合的旋转框sar图像冰涡检测方法、装置和电子设备 |
| CN118279756B (zh) * | 2024-06-04 | 2024-08-23 | 中国海洋大学 | 基于多尺度特征融合的旋转框sar图像冰涡检测方法、装置和电子设备 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117576553B (zh) | 2024-04-02 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Rishikeshan et al. | An automated mathematical morphology driven algorithm for water body extraction from remotely sensed images | |
| CN117576553B (zh) | 双极化sar图像海洋冰涡识别方法、装置和电子设备 | |
| CN111523459B (zh) | 遥感影像裸地识别方法、装置、电子设备及存储介质 | |
| CN103793907B (zh) | 一种水体信息的提取方法及装置 | |
| James et al. | Convolutional neural networks for water segmentation using sentinel-2 red, green, blue (RGB) composites and derived spectral indices | |
| CN111144250B (zh) | 融合雷达和光学遥感数据的土地覆盖分类方法 | |
| CN114676773B (zh) | 基于sar数据的北极海冰分类方法 | |
| CN114494894B (zh) | 海洋黑涡自动识别与关键参数反演方法、装置和电子设备 | |
| CN117150437B (zh) | 多源卫星海面风场数据融合方法、装置、设备及介质 | |
| Cao et al. | Detection of small changed regions in remote sensing imagery using convolutional neural network | |
| CN116977311B (zh) | 一种洪涝灾害区域检测方法、系统、电子设备及存储介质 | |
| CN110765912A (zh) | 一种基于统计约束和Mask R-CNN的SAR图片船舶目标检测方法 | |
| CN106156758A (zh) | 一种sar海岸图像中海岸线提取方法 | |
| CN105550696B (zh) | 基于随机相似性的全极化合成孔径雷达图像快速分类方法 | |
| CN109344737A (zh) | 基于sar极化分解的一维dcnn土地利用分类方法 | |
| Colkesen et al. | Automated mucilage extraction index (AMEI): a novel spectral water index for identifying marine mucilage formations from Sentinel-2 imagery | |
| Varjo et al. | Image based visibility estimation during day and night | |
| CN118097450A (zh) | 一种卫星遥感数据海洋涡旋实时检测方法、装置及介质 | |
| Ma et al. | Oceanic internal wave signature extraction in the Sulu Sea by a pixel attention U-Net: PAU-Net | |
| CN104700427B (zh) | 一种基于sar图像的道路损毁信息提取方法 | |
| CN117115666A (zh) | 基于多源数据的高原湖泊提取方法、装置、设备及介质 | |
| Ratté-Fortin et al. | A novel algorithm of cloud detection for water quality studies using 250 m downscaled MODIS imagery | |
| CN116385889A (zh) | 基于铁路识别的电力巡检方法、装置、电子设备 | |
| CN108710816B (zh) | 一种基于概率融合的极化sar图像建筑物检测方法 | |
| CN105551029A (zh) | 一种多光谱遥感图像舰船检测方法 |
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 |