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 ...
【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
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。