【技术实现步骤摘要】
基于FCN-ASPP网络的冰盖雷达图像冰层精细化分割方法
本专利技术属于计算机视觉和模式识别领域，涉及一种基于深度学习的冰盖雷达图像冰层分割的方法。
技术介绍
近年来，全球变暖严重威胁着我们赖以生存的生活环境。近几十年来，南极的冰盖在加速融化，导致海平面上升并对洋流产生了相当大的影响。甚至可能引发严重的地质灾害。因此，收集极地冰盖的厚度，分布等数据以及它们如何随时间变化的信息可以有效的了解和预测冰川融化的影响。雷达传感器是能够穿透冰层，提供大面积冰下地形信息的仪器之一。由于空气，冰和岩石具有不同的介电常数，雷达波在透过不同介质物体时后向散射不同，因此可以在雷达回波图中被区分出来，进而提取出冰层厚度，冰盖地下结构分布等关键信息。目前传统的雷达分类图像分割方法分为基于模型的分割，基于边缘的分割方法和基于区域的分割方法三类。但这些方法也存在着对于先验知识依赖，需要人为设置分割参数和分割精细化不够等问题。而且这些方法通常需要手工提取特征，为了使其适应新的数据集，需要消耗大量的时间对特征进行调整。深度学习方法相比于传统方法能够针对当前问题自动学习合适的特征表示，节省了手工提...
【技术保护点】
1.基于FCN‑ASPP网络的冰盖雷达图像冰层精细化分割方法，其特征在于：1)预处理对原始的雷达振幅图像像素值进行对数转换；计算雷达振幅对应的转换后的像素值；之后对图像进行归一化处理，将图像归一化为255个像素级；采取了lee滤波算法对雷达灰度图进行进一步处理；将滤波后的灰度图像作为输入训练图像；标注了与输入训练图像大小尺寸相同的标签图像，噪音、冰层、基岩层和空气层分别标记为像素灰度0、1、2、3；2)数据扩增和构建训练样本3)FCN‑ASPP网络构建FCN网络结构具体包括输入层，两个卷积层(C1，C2)，两个BN层(B1，B2)，两个激活函数层(R1，R2)，第一降采样层...
【技术特征摘要】
1.基于FCN-ASPP网络的冰盖雷达图像冰层精细化分割方法，其特征在于：1)预处理对原始的雷达振幅图像像素值进行对数转换；计算雷达振幅对应的转换后的像素值；之后对图像进行归一化处理，将图像归一化为255个像素级；采取了lee滤波算法对雷达灰度图进行进一步处理；将滤波后的灰度图像作为输入训练图像；标注了与输入训练图像大小尺寸相同的标签图像，噪音、冰层、基岩层和空气层分别标记为像素灰度0、1、2、3；2)数据扩增和构建训练样本3)FCN-ASPP网络构建FCN网络结构具体包括输入层，两个卷积层(C1，C2)，两个BN层(B1，B2)，两个激活函数层(R1，R2)，第一降采样层(pool1)，两个卷积层(C3，C4)，两个BN层(B3，B4)，两个激活函数层(R3，R4)，第二降采样层(pool2)，两个卷积层(C5，C6)，两个BN层(B5，B6)，两个激活函数层(R5，R6)，第三降采样层(pool3)；将pool1，pool2和pool3的输出特征图都作为ASPP四个并列的膨胀卷积层即C7-1，C7-2，C7-3，C7-4的输入以及一个普通卷积层C7-5的输入；每一层分别经过两个卷积层，两个激活函数层R，一个池化层pool和一个全连接层FC，每个卷积层后边都增加了BN层用于归一化数据；整个ASPP层为：(C7-1，BN4-1，R7-1，C8-1，BN5-1，R8-1，pool4-1，FC5-1)，(C7-2，BN4-2，R7-2，C8-2，BN5-2，R8-2，pool4-2，FC5-2)，(C7-3，BN4-3，R7-3，C8-3，BN5-3，R8-3，pool4-3，FC5-3)，(C7-4，BN4-4，R7-4，C8-4，BN5-4，R8-4，pool4-4，FC5-4)，(C7-5，BN4-5，R7-5，C8-5，BN5-5，R8-5，pool4-5，FC5-5)；将FC5-1，FC5-2，FC5-3，FC5-4，FC5-5层输出特征图进行融合得到融合特征图；将三个ASPP层得到的融合特征图作为上采样层输入，通过双线性插值算法...
【专利技术属性】
技术研发人员：蔡轶珩，马杰，胡绍斌，李媛媛，
申请(专利权)人：北京工业大学，
类型：发明
国别省市：北京,11
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。