残差卷积神经网络SAR影像海冰分类方法技术

本发明专利技术提供一种残差卷积神经网络SAR影像海冰分类方法，包括步骤：获取SAR影像数据；处理SAR影像数据获得训练数据集和测试数据集；设计残差卷积神经网络模型并利用训练数据集训练残差神经网络模型，获得基本的海冰分类模型；将训练数据集同时输入多个已训练好的海冰分类模型，利用集成学习思想组合单个模型的分类结果得到最终海冰分类的优化模型，并通过改变模型的个数，确定集成策略中最佳的模型数量；利用优化残差卷积神经网络模型对待分类SAR影像数据分类。本发明专利技术的一种残差卷积神经网络SAR影像海冰分类方法，可快速得到详细的具有海冰分布信息的海冰解译图，给海上作业人员提供参考。

Sea ice classification method based on residual convolution neural network SAR image

The invention provides a residual convolution neural network SAR image sea ice classification method, which includes steps: acquiring SAR image data; processing SAR image data to obtain training data sets and test data sets; designing residual convolution neural network model and using training data sets to train residual neural network model to obtain basic sea ice classification model; and inputting training data sets into multiple trained data sets at the same time. The improved sea ice classification model combines the classification results of a single model with the ensemble learning idea to get the optimal sea ice classification model. By changing the number of models, the optimal number of models in the ensemble strategy is determined. The optimal residual convolution neural network model is used to classify SAR image data. The residual convolution neural network SAR image sea ice classification method of the invention can quickly obtain detailed sea ice interpretation maps with sea ice distribution information, and provide reference for marine operators.

【技术实现步骤摘要】
残差卷积神经网络SAR影像海冰分类方法
本专利技术涉及海冰监测研究领域，尤其涉及一种残差卷积神经网络SAR影像海冰分类方法。
技术介绍
海冰不仅是气候变化的指示剂，能够对气候系统中的其它成分产生重要的反馈作用，而且是海上操作活动如船舶航行、石油探测的一个威胁。政府和学者们都对极地海冰的变化进行了密切的关注。目前海冰监测的研究包含海冰的范围，厚度，冰龄和海冰运动，其中海冰厚度和冰龄都可以归结为海冰分类，是海冰研究的重要分支。由于海冰的存在的特殊环境，获取海冰实测的数据成本巨大，这也给很多的研究者开展长期的海冰研究和算法对比标准造成了一些困难。美国冰雪中心(NationalSnowandIceDataCenter，NSDIC)，挪威气象机构(NorwegianMeteorologicalInstitute，NMI)，加拿大海冰服务署(CanadianIceService，CIS)等机构的海冰产品是海上活动人员的重要参考。其中，加拿大海冰服务署的冰蛋图是海冰分析员根据高分辨率辐射计、专用微波成像仪、合成孔径雷达(SAR)、船舶和直升机观测等多数据源手动绘制，被许多海冰分类文献用于算法对比标准。SAR由于全天时、全天候多视角、高穿透性等特点是海冰监测的重要工具。SAR的图像是地面目标对雷达波束的反射，主要是由地面目标的后向散射形成的图像信息，不同的海冰类型在SAR图像上表现出不同的灰度值和纹理特征。目前，SAR影像的海冰分类主要有两个方向：1)基于特征提取的海冰分类(如SAR影像极化特征，纹理特征)。2)基于图像分割的海冰分类(如：最大期望值算法，K-均值算法，马尔科夫随机场模型)。操作上，CIS发布的冰蛋图受限于制作成本，具有海冰分析员的主观误差以及不能提供基于像素级别的海冰分布产品图；基于图像分割的海冰分类方法会受到噪声影响，不能很好的兼顾图像空间关系；而基于特征提取的海冰分类需要一定的专业背景知识。根据CIS的文献，每年大约有4000的Radasat-1图像产生，而欧洲的哨兵任务更将导致SAR影像数据的维度激增。自动的、易操作的海冰图像分类算法的需求更加急迫。深度学习通过组合低层特征形成更加抽象的高层表示属性类别或特征，以发现数据的分布式特征表示，被认为是计算机视觉的一个强大工具。SAR的图像是地面目标对雷达波束的反射，主要是由地面目标的后向散射形成的图像信息，不同的海冰类型在SAR图像上表现出不同的灰度值和纹理特征。海冰分类可以根据形态或者厚度划分，不同海冰类型的厚度差可能只有10厘米，这将导致SAR影像上不同海冰类型的呈现具有弱辨识性。颜色、形状和位置特征是数字图像(包含SAR影像)分类任务的重要区域依据，然而，SAR影像海冰不具备形状和位置特征，一种海冰类型在SAR影像上可能会以任何形状出现在任何位置。SAR影像海冰分类的这些特点和我们常见的深度学习图像分类任务有很大的不同。现有海冰监测方法有目测法、器测法和遥测法，由于海冰所处的极端环境，给目测法和器测法海冰监测带来了一定的风险和成本。合成孔径雷达(SAR)由于全天时，全天候，多视角，穿透性强等特点，可实施性强、低成本的优势成为现在海冰监测的主要工具。现有的针对SAR影像海冰分类方法在操作上，CIS发布的冰蛋图受限于制作成本，具有海冰分析员的主观误差以及不能提供基于像素级别的海冰分布产品图；基于图像分割的海冰分类方法会受到噪声影响，不能很好的兼顾图像空间关系；而通过SAR影像成像机制散射特征的海冰分类需要一定的专业背景知识。
技术实现思路
针对上述现有技术中的不足，本专利技术提供一种残差卷积神经网络SAR影像海冰分类方法，可以快速得到更详细的具有海冰分布信息的海冰解译图，给海上作业人员提供参考。为了实现上述目的，本专利技术提供一种残差卷积神经网络SAR影像海冰分类方法，包括步骤：S1：自一SAR影像源获取SAR影像数据；S2：处理所述SAR影像数据，获得多个样本数据，将所述样本数据分为一训练数据集和一测试数据集；S3：建立一残差卷积神经网络模型，并利用所述训练数据集训练所述残差神经网络模型，获得一海冰分类模型；S4：将所述训练数据集输入所述海冰分类模型多次，获得多个分类模型；S5：将所述测试数据集依次输入各所述分类模型，将各所述海冰分类模型经过softmax分离器输出概率使用集成学习平均分策略优化分类结果；获得所述测试数据集的多个分类概率输出；S6：改变所述分类模型的个数并根据不同所述海冰分类模型下优化性能，确定合适的分类模型个数，获得最终的一优化残差卷积神经网络模型；并利用所述优化残差卷积神经网络模型对一待分类SAR影像数据分类。优选地，所述S2步骤进一步包括步骤：S21：将所述SAR影像数据根据预得的海冰类型解译图，分割成不同海冰类型的区域图；S22：将所述区域图剪裁为多个样本图，并对所述样本图进行灰度值归一化处理获得训练所需的所述样本数据。优选地，所述残差卷积神经网络模型包括：多个卷积单元和至少一残差块，所述卷积单元的表达式为：z(x，y)＝f(x，y)*g(x，y)＝m∑f(x-m，y-n)*g(m，n)(1)；其中z(x，y)表示卷积输出；f(x，y)表示所述样本数据；x、y分别为所述样本数据的像素点位置的x轴坐标值和y轴坐标值；g(x，y)表示卷积核；m、n分别表示卷积核大小尺寸；所述残差块的表达式为：其中，X表示与当前所述残差块邻接的上一所述卷积单元的所述卷积输出；W1、W2和Wi表示当前残差块中的参数；σ表示ReLU激活函数；F表示残差映射函数；Ws表示线性变换函数，用于确保相邻两个残差块的维度一致；Y表示残差块输出。优选地，当所述残差块的输出维度不匹配时，改变所述残差块满足公式：Y＝F(x，{Wi})+WsX(3)；其中，Ws表示线性变换函数。优选地，所述残差卷积神经网络模型还包括一损失函数：其中，crossloss表示交叉熵损失函数；n表示样本数据总数；y表示海冰类别标签；a表示神经元的输出；λ表示正则2的惩罚参数；ω表示连接权重；i表示第几个连接权重。优选地，所述S3步骤进一步包括步骤：S31：根据实际需要建立所述残差卷积神经网络模型，并设置所述残差卷积神经网络模型的超参数：所述超参数包括网络层数、所述卷积核尺寸、所述卷积核个数、所述残差块个数和学习率；S32：将所述训练数据集输入所述残差卷积神经网络模型；S33：根据所述残差卷积神经网络模型的输出的模型准确率调整所述残差卷积神经网络模型的超参数；S34：重复步骤S32～S33直至所述模型准确率大于等于一预设值，获得一海冰分类模型。优选地，所述S6步骤进一步包括步骤：S61：将所述训练数据多次输入所述海冰分类模型进行训练，获得多个参数不同但分类性能相同的训练后海冰分类模型；S62：将待分类样本输入多个所述训练后海冰分类模型，获得所述待分类样本的多个所述分类概率输出，将所述同一训练样本得到的不同模型分类概率采用集成平均分策略求得平均概率，平均分类概率输出中数值最大的一个所对应的海冰种类作为所述待分类样本的分类结果并设置一分类标签；所述集成平均分策略满足公式：其中，j＝1，2，...N表示所述分类模型的类别；M表示所述分类模型的个数；Sij表示所述测试数据集对应第i个第j类别的分类本文档来自技高网...

【技术保护点】
1.一种残差卷积神经网络SAR影像海冰分类方法，包括步骤：S1：自一SAR影像源获取SAR影像数据；S2：处理所述SAR影像数据，获得多个样本数据，将所述样本数据分为一训练数据集和一测试数据集；S3：建立一残差卷积神经网络模型，并利用所述训练数据集训练所述残差神经网络模型，获得一海冰分类模型；S4：将所述训练数据集输入所述海冰分类模型多次，获得多个分类模型；S5：将所述测试数据集依次输入各所述分类模型，将各所述海冰分类模型经过softmax分类器输出概率使用集成学习平均分策略优化分类结果；获得所述测试数据集的多个分类概率输出；S6：改变所述分类模型的个数并根据不同所述海冰分类模型下优化性能，确定合适的分类模型个数，获得最终的一优化残差卷积神经网络模型；并利用所述优化残差卷积神经网络模型对一待分类SAR影像数据分类。

【技术特征摘要】
1.一种残差卷积神经网络SAR影像海冰分类方法，包括步骤：S1：自一SAR影像源获取SAR影像数据；S2：处理所述SAR影像数据，获得多个样本数据，将所述样本数据分为一训练数据集和一测试数据集；S3：建立一残差卷积神经网络模型，并利用所述训练数据集训练所述残差神经网络模型，获得一海冰分类模型；S4：将所述训练数据集输入所述海冰分类模型多次，获得多个分类模型；S5：将所述测试数据集依次输入各所述分类模型，将各所述海冰分类模型经过softmax分类器输出概率使用集成学习平均分策略优化分类结果；获得所述测试数据集的多个分类概率输出；S6：改变所述分类模型的个数并根据不同所述海冰分类模型下优化性能，确定合适的分类模型个数，获得最终的一优化残差卷积神经网络模型；并利用所述优化残差卷积神经网络模型对一待分类SAR影像数据分类。2.根据权利要求1所述的残差卷积神经网络SAR影像海冰分类方法，其特征在于，所述S2步骤进一步包括步骤：S21：将所述SAR影像数据根据预得的海冰类型解译图，分割成不同海冰类型的区域图；S22：将所述区域图剪裁为多个样本图，并对所述样本图进行灰度值归一化处理获得训练所需的所述样本数据。3.根据权利要求2所述的残差卷积神经网络SAR影像海冰分类方法，其特征在于，所述残差卷积神经网络模型包括：多个卷积单元和至少一残差块，所述卷积单元的表达式为：z(x，y)＝f(x，y)*g(x，y)＝m∑f(x-m，y-n)*g(m，n)(1)；其中z(x，y)表示卷积输出；f(x，y)表示所述样本数据；x、y分别为所述样本数据的像素点位置的x轴坐标值和y轴坐标值；g(x，y)表示卷积核；m、n分别表示卷积核大小尺寸；所述残差块的表达式为：其中，X表示与当前所述残差块邻接的上一所述卷积单元的所述卷积输出；W1、W2和和Wi表示当前残差块中的参数；σ表示ReLU激活函数；F表示残差映射函数；Ws表示线性变换函数，用于确保相邻两个残差块...

【专利技术属性】
技术研发人员：宋巍，王振华，李明慧，黄冬梅，贺琪，王龑，
申请(专利权)人：上海海洋大学，
类型：发明
国别省市：上海,31