极化SAR图像水网提取方法、系统、存储介质和电子设备技术方案

本发明专利技术公开了极化SAR图像水网提取方法、系统、存储介质和电子设备，包括如下步骤：对SAR图像进行预处理，得到不同极化方式的后向散射图像和不同极化分量图像；将获取图像划分为训练图像集和验证图像集，对训练图像集进行人工标注，得到正确的水网标签集；构建深度编码网络和解码网络，对模型训练和测试，最后根据需求，对提取结。本发明专利技术通过充分利用SAR图像中极化散射信息和深度学习的特征提取能力，搭建具有泛化性强、鲁棒性的水网提取模型，即将SAR极化信息融入深度学习方法中，以满足在场景复杂度高、地物类型丰富、幅宽大的SAR图像中进行高精度水体提取，从而构建更加准确、完整的水网，使水网提取的准确度和精确度大大提升。升。升。

【技术实现步骤摘要】
极化SAR图像水网提取方法、系统、存储介质和电子设备


[0001]本专利技术涉及图像分割
，尤其涉及极化SAR图像水网提取方法、系统、存储介质和电子设备。

技术介绍

[0002]目前，凭借全天时、全天候的优势，合成孔径雷达(Synthetic Aperture Radar,SAR)被广泛用于农业管理、灾害监测等领域。由于水体在SAR遥感图像中所表现出的鉴别特征较为显著，且SAR图像中的水网检测研究在地表水监测、河流及湖泊的变化检测、洪水监测、综合调查和资源环境规划中具有重要意义，因此其研究和应用受到了广泛关注。
[0003]在合成孔径雷达图像如何快速，准确提取出水体信息并构成水网，能够有效地为后续地表水监测、河流及湖泊变化检测、洪水监测等领域的研究提供基础。
[0004]申请人对现有技术进行研究发现，目前的多种SAR图像水体提取方法，主要可以分为基于阈值分割的提取方法、基于主动轮廓模型的提取方法、基于Whishart分布的提取方法及基于深度学习的提取方法。
[0005]基于阈值分割的提取方法是通过判断SAR图像中的像素点灰度值是否满足预设阈值的要求，从而进一步判断该像素点属于水体或是背景区域。该方法具有操作简单、计算效率高等优点，然而阈值的选取及SAR图像中固有的相干斑噪声使该方法的使用受到了限制。
[0006]基于主动轮廓模型(Active Contour Mode,ACM)的SAR图像水体提取方法主要通过粗分割和精细分割两个步骤完成。首先获取粗分割的水体提取结果，然后根据边缘的梯度信息不断进行动态迭代，最终获得精细的水体提取结果。该方法在高噪声的情况下也能获得一个连续、平滑、封闭的结果，然而其计算较为复杂，且参数需要进行不断调整、优化。
[0007]基于Whishart分布的提取方法是通过描述多元正态分布样本的协方差矩阵对SAR图像进行分类。该方法利用了SAR图像中协方差矩阵的信息，在面积较小的区域能够获得较为准确的提取结果，然而结果的空间连续性较差。
[0008]基于深度学习的提取方法通过人工制作训练样本及标签，设计网络模型，对网络模型进行训练，通过调整共享权重，构建一个能够适应所有像素的映射模型，进而对输入图像的水体进行提取。该方法能够有效避免SAR图像中相干斑噪声的影响，建立更为精确的映射关系从而获得更为精确的提取结果，然而该方法没有充分利用SAR图像中的极化信息，且前期需要制作大量样本集，人力成本较高。
[0009]可见，现有的SAR图像水体提取技术，受到SAR图像中固有的相干斑噪声的影响，基于阈值分割、主动轮廓模型(Active Contour Mode,ACM)、Whishart分布等传统方法的提取方法很难建立准确的映射关系提取水体，因而无法构建出较为完整的水网。深度学习方法能够有效提取地表水体，从而构建出较为完整的水网，目前大多数基于深度学习的提取方法以利用SAR图像的强度信息为主，并未充分利用相关极化信息，水网提取的准确度和精确度有进一步提升的空间。
[0010]因此如何将SAR极化信息融入深度学习方法中，以满足在场景复杂度高、地物类型
丰富、幅宽大的SAR图像中进行高精度水体提取，从而构建更加准确、完整的水网是目前亟需解决的问题。

技术实现思路

[0011]本专利技术的目的是提供极化SAR图像水网提取方法、系统、存储介质和电子设备，能够弥补已有算法的缺陷，解决目前水网提取方法上的弊端，构建更加准确、完整的水网。
[0012]本专利技术采用的技术方案为：
[0013]基于深度编解码网络和极化分解的SAR图像水网提取方法，该方法包括：
[0014]步骤S101、对SAR图像进行预处理，使SAR图像每个像元代表真实的雷达后向散射系数，得到不同极化方式的后向散射图像；
[0015]所述的预处理包括轨道校正、热噪声去除、辐射定标、Deburst、多视、滤波和地形校正；
[0016]步骤S102、在步骤S101中Deburst后添加生成极化矩阵C2操作，获得C2矩阵；
[0017]步骤S103、对C2矩阵进行基于物理模型的极化分解，生成不同极化分量图像；C2矩阵可以代表图像中每个像素点的极化散射信息，通过对每个像素点的C2矩阵进行极化分解，可以获得该点的不同极化散射分量，从而获取不同极化散射分量图像；
[0018]步骤S104、将获取的后向散射图像与极化分量图像进行划分，划分为训练图像集和验证图像集，之后对训练图像集进行人工标注，得到正确的水网标签集；
[0019]步骤S105、构建深度编码网络，包括特征提取网络模块、特征融合网络模块以及最大池化网络模块；构造深度编码网络可以有效提取不同分辨率尺度下后向散射图像与极化分量图像的特征，并将后向散射图像特征与极化分量图像特征进行融合，以获得包含更多信息的不同分辨率特征图；
[0020]步骤S106、构建深度解码网络，包括融合模块与解码网络模块，以获得不同分辨率融合的特征图及水体位置提取信息；深度解码网络可以有效融合不同分辨率特征图，以提高模型对不同尺寸目标的检测能力，同时对网络预测的水体位置信息进行输出；
[0021]步骤S107、模型训练，通过输入训练图像集、验证图像集及标签集，对深度编解码融合网络模型进行训练，保存最优网络模型；所构建的训练图像集和标签集输入至搭建好的网络模型中进行训练，将验证图像集输入以验证所训练网络模型架构的准确率，保存准确率最高的网络模型参数；
[0022]步骤S108、测试网络模型，将SAR图像输入至所保存的最优网络模型中，即可得到水网提取结果；
[0023]步骤S109、根据需求，对提取结果进行保存或输出。
[0024]在步骤S102中，所述的预处理操作能够生成极化矩阵C2，即图像中的每个像素点均有一个2*2的协方差矩阵来表示，如公式1：
[0025][0026]其中，*表示共轭转置，c
11
、c
22
均为实数，c
12
为复数；C2矩阵为后续基于物理模型的极化分解的基础。
[0027]在步骤S104具体为：将获取图像进行分块操作，采用1024*1024的正方形在图像中
按水平方向和垂直方向进行步进，且步进量为512，获得有重叠的分块图像；将分块后的图像按照8：2的比例划分为训练图像集和验证图像集，利用Labelme标注软件框选并沿水体边缘逐点标出训练图像集中的水体位置信息，以获得标签集进行存储。
[0028]所述的深度编码网络结构为：第一卷积层
→
第一批归一化层
→
第一最大池化层
→
第一激活函数层
→
第二卷积层
→
第二批归一化层
→
第二最大池化层
→
第二激活函数层
→
第二数据拼接层
→
第三矩阵相乘层
→
第三批归一化层...

【技术保护点】

【技术特征摘要】
1.极化SAR图像水网提取方法，其特征在于，该方法包括：步骤S101、对SAR图像进行预处理，使SAR图像每个像元代表真实的雷达后向散射系数，得到不同极化方式的后向散射图像；所述的预处理包括轨道校正、热噪声去除、辐射定标、Deburst、多视、滤波和地形校正；步骤S102、在步骤S101中Deburst后添加生成极化矩阵C2操作，获得C2矩阵；步骤S103、对C2矩阵进行基于物理模型的极化分解，生成不同极化分量图像；C2矩阵可以代表图像中每个像素点的极化散射信息，通过对每个像素点的C2矩阵进行极化分解，可以获得该点的不同极化散射分量，从而获取不同极化散射分量图像；步骤S104、将获取的后向散射图像与极化分量图像进行划分，划分为训练图像集和验证图像集，之后对训练图像集进行人工标注，得到正确的水网标签集；步骤S105、构建深度编码网络，包括特征提取网络模块、特征融合网络模块以及最大池化网络模块；构造深度编码网络可以有效提取不同分辨率尺度下后向散射图像与极化分量图像的特征，并将后向散射图像特征与极化分量图像特征进行融合，以获得包含更多信息的不同分辨率特征图；步骤S106、构建深度解码网络，包括融合模块与解码网络模块，以获得不同分辨率融合的特征图及水体位置提取信息；深度解码网络可以有效融合不同分辨率特征图，以提高模型对不同尺寸目标的检测能力，同时对网络预测的水体位置信息进行输出；步骤S107、模型训练，通过输入训练图像集、验证图像集及标签集，对深度编解码融合网络模型进行训练，保存最优网络模型；所构建的训练图像集和标签集输入至搭建好的网络模型中进行训练，将验证图像集输入以验证所训练网络模型架构的准确率，保存准确率最高的网络模型参数；步骤S108、测试网络模型，将SAR图像输入至所保存的最优网络模型中，即可得到水网提取结果；步骤S109、根据需求，对提取结果进行保存或输出。2.根据权利要求1所述的极化SAR图像水网提取方法，其特征在于，在步骤S102中，所述的预处理操作能够生成极化矩阵C2，即图像中的每个像素点均有一个2*2的协方差矩阵来表示，如公式1：其中，*表示共轭转置，c
11
、c
22
均为实数，c
12
为复数；C2矩阵为后续基于物理模型的极化分解的基础。3.根据权利要求1所述的极化SAR图像水网提取方法，其特征在于，在步骤S104具体为：将获取图像进行分块操作，采用1024*1024的正方形在图像中按水平方向和垂直方向进行步进，且步进量为512，获得有重叠的分块图像；将分块后的图像按照8：2的比例划分为训练图像集和验证图像集，利用Labelme标注软件框选并沿水体边缘逐点标出训练图像集中的水体位置信息，以获得标签集进行存储。4.根据权利要求1所述的极化SAR图像水网提取方法，其特征在于，所述的深度编码网络结构为：第一卷积层
→
第一批归一化层
→
第一最大池化层
→
第一激活函数层
→
第二卷积层
→
第二批归一化层

【专利技术属性】
技术研发人员：毋琳，黄亚博，郭拯危，李宁，原达，
申请(专利权)人：河南大学，
类型：发明
国别省市：