一种存在强度差异的非同源合成孔径雷达海冰漂移探测方法技术

本发明专利技术提供一种存在强度差异的非同源合成孔径雷达海冰漂移探测方法。包括：获取非同源SAR图像，并对非同源SAR图像进行预处理，获取更多分布均匀的控制点；利用深度学习网络提取区域特征，并对提取的特征进行匹配；基于去除错误匹配的方法，剔除错误点；计算获得海冰漂移矢量场。本发明专利技术能够实现海冰漂移的全自动探测，并利用非同源SAR高空间分辨率和高时间分辨率的优势，得到高分辨率的、准实时海冰漂移场，满足从海量SAR数据中实现高分辨率的海冰漂移自动探测需求。冰漂移自动探测需求。冰漂移自动探测需求。

【技术实现步骤摘要】
一种存在强度差异的非同源合成孔径雷达海冰漂移探测方法


[0001]本专利技术涉及非同源SAR图像海冰漂移
，具体而言，尤其涉及一种存在强度差异的非同源合成孔径雷达海冰漂移探测方法。

技术介绍

[0002]目前海冰漂移强烈影响海上运输以及作业平台活动，导致其需求激增，这要求近实时的高分辨率的海冰漂移跟踪。进行近实时全天候的海冰漂移跟踪，需建立短时间间隔且分辨率较高的遥感图像序列。SAR具有全天时全天候工作的优势。而同源星载SAR由于较长的过境周期，限制了海冰漂移跟踪的时间精度，因此利用非同源SAR构建短时间间隔的图像序列，进行高精度海冰漂移跟踪将成为一种趋势。随着卫星技术的发展，Advanced SAR(ASAR)，RADARSAT
‑
2，European Remote Sensing 1(ERS
‑
1)SAR，GAOFEN
‑
3这些卫星的发射，SAR数据越来越多，为我们提供了非同源数据的保证。
[0003]实现海冰漂移跟踪的关键是图像配准，而与地物特征(例如建筑物，城市广场等)相比，海冰结构特征模糊，增加配准难度。由于不同的传感器及产品模式，导致非同源SAR数据的海冰特征存在包括图像强度等诸多差异。这些差异导致相同海冰的特征存在差异，进一步降低了海冰特征相关性，从而导致在匹配时出现大量误匹配。
[0004]非同源SAR数据的强度差异会导致在SIFT、AKAZE等海冰漂移常用算法提取两幅数据相似特征点时梯度方向不一致，致使特征描述点的主方向不一致，最终导致特征点的特征描述符相关性低，因而使用传统的特征描述符进行匹配时会出现大量的错误匹配，因此传统特征描述符对于此类非同源SAR海冰数据辨别能力有限，对于该类特征匹配效果差，导致结果也存在较大误差。通过上述分析，现有技术存在的问题及缺陷为：
[0005]1、当前的SAR数据具有大幅宽、高分辨率的特性，数据量大幅增加，海冰漂移监测算法的时间分辨率亟待提高。
[0006]2、在方法层面，面对海量存在强度差异的SAR图像还需要克服图像强度差异对特征的影响，以及多时相同名点匹配的正确率。

技术实现思路

[0007]根据上述提出的技术问题，提供一种存在强度差异的非同源合成孔径雷达海冰漂移探测方法。本专利技术首先对图像进行预处理，获取训练样本，通过深度学习网络进行特征提取和匹配，计算初始海冰漂移速度矢量场，根据海洋运动学规律去除错误的速度矢量，获得最终的海冰漂移结果。
[0008]本专利技术采用的技术手段如下：
[0009]一种存在强度差异的非同源合成孔径雷达海冰漂移探测方法，包括：
[0010]获取非同源SAR图像，并对非同源SAR图像进行预处理，获取更多分布均匀的控制点；
[0011]利用深度学习网络提取区域特征，并对提取的特征进行匹配；
[0012]基于去除错误匹配的方法，剔除错误点；
[0013]计算获得海冰漂移矢量场。
[0014]进一步地，所述获取非同源SAR图像，并对非同源SAR图像进行预处理，获取更多分布均匀的控制点，包括：
[0015]计算非同源SAR图像的方差矩阵，方差矩阵的每个元素从窗口w
×
w计算，计算公式如下：
[0016][0017]其中，w是窗口大小，a
ij
是窗口内的像素值，是窗口内的平均像素值，生成的方差矩阵作为控制点的候选项；
[0018]对方差矩阵中的元素进行两次筛选获得最终的控制点。
[0019]进一步地，所述对方差矩阵中的元素进行两次筛选获得最终的控制点，具体包括：
[0020]第一次筛选是遍历定义周边(2R+1)区域的局部极大值点，其中R为预先设定的参数，在该次筛选后，还会出现不存在最大值的区域；
[0021]第二次筛选是为第一次筛选后出现的不存在最大值的区域添加方差点，获得一个相对分布均匀的控制点。
[0022]进一步地，所述利用深度学习网络提取区域特征，并对提取的特征进行匹配，包括：
[0023]获取训练样本，分别在一对非同源SAR图像以上述控制点获取匹配的特征点的坐标为中心点，截取图像块组成训练样本；
[0024]将获取的训练样本输入至深度学习网络获得训练模型，深度学习网络包括特征网络模块、特征融合模块以及决策模块。
[0025]进一步地，在所述深度学习网络中：
[0026]所述特征网络模块，包括7个卷积层，每层分别对应设置有一定数量的过滤器，两个分支独立训练，且每个卷积层的步幅值设为1；
[0027]所述特征融合模块，将特征通过连接层两两融合，通过两层3
×
3的卷积进行卷积操作，并进一步对两个分支的特征进行融合；使用3
×
3的卷积和池化层，最后用一个7
×
7的卷积获得一个1
×
512维的特征向量，将获得的特征向量作为输入，进入度量层中的两个全卷积层，最后输入至决策模块；
[0028]所述决策模块，用于通过标签和损失函数判断特征融合模块输出的两个图像补丁是否匹配，其中：
[0029]将带有标签信息的图像块对组成的数据集定义为：
[0030][0031]其中，N为成对图像补丁的数目；
[0032]将损失函数定义为网络的二元交叉熵损失，公式如下：
[0033][0034]其中，n为输入对的个数，为第i个输入对的标签，为一个粗略的0/1标签，y
i
为比
较输入对时对应的匹配概率。
[0035]进一步地，所述基于去除错误匹配的方法，剔除错误点，包括：将得到的匹配点与周围点的匹配点进行比较，如果超过阈值则去除匹配点，具体包括：
[0036]相邻匹配点的距离相对一致性：
[0037]基于匹配对计算获得相对位移距离，根据初始匹配计算匹配对之间的欧氏距离，并定义匹配对的距离相似性，如下：
[0038][0039]其中，是一个匹配中周围点匹配对的D1和D2的欧氏距离，n是对应领域中周围匹配点的个数，σ是一个固定参数；
[0040]相邻匹配点的角度一致性：
[0041]计算中心点以及其周围n个点的角度，计算公式如下：
[0042][0043]计算周围点的平均旋转角度，计算公式如下：
[0044][0045]计算中心匹配点的角度与平均角度的偏差，计算公式如下：
[0046][0047]其中，θ
d
的取值范围为[0,π]；
[0048]对于每一对匹配点，如果d
k
>K和θ
d
<r，则表示该点为内点，其他都判定为错误匹配。
[0049]进一步地，所述计算获得海冰漂移矢量场，包括：
[0050]计算运动距离，即两个匹配SAR图像中点之间的运动距离；
[0051]计算海冰漂移的速度，即移动距离除以时间本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种存在强度差异的非同源合成孔径雷达海冰漂移探测方法，其特征在于，包括：获取非同源SAR图像，并对非同源SAR图像进行预处理，获取更多分布均匀的控制点；利用深度学习网络提取区域特征，并对提取的特征进行匹配；基于去除错误匹配的方法，剔除错误点；计算获得海冰漂移矢量场。2.根据权利要求1所述的存在强度差异的非同源合成孔径雷达海冰漂移探测方法，其特征在于，所述获取非同源SAR图像，并对非同源SAR图像进行预处理，获取更多分布均匀的控制点，包括：计算非同源SAR图像的方差矩阵，方差矩阵的每个元素从窗口w
×
w计算，计算公式如下：其中，w是窗口大小，a
ij
是窗口内的像素值，是窗口内的平均像素值，生成的方差矩阵作为控制点的候选项；对方差矩阵中的元素进行两次筛选获得最终的控制点。3.根据权利要求2所述的存在强度差异的非同源合成孔径雷达海冰漂移探测方法，其特征在于，所述对方差矩阵中的元素进行两次筛选获得最终的控制点，具体包括：第一次筛选是遍历定义周边(2R+1)区域的局部极大值点，其中R为预先设定的参数，在该次筛选后，还会出现不存在最大值的区域；第二次筛选是为第一次筛选后出现的不存在最大值的区域添加方差点，获得一个相对分布均匀的控制点。4.根据权利要求1所述的存在强度差异的非同源合成孔径雷达海冰漂移探测方法，其特征在于，所述利用深度学习网络提取区域特征，并对提取的特征进行匹配，包括：获取训练样本，分别在一对非同源SAR图像以上述控制点获取匹配的特征点的坐标为中心点，截取图像块组成训练样本；将获取的训练样本输入至深度学习网络获得训练模型，深度学习网络包括特征网络模块、特征融合模块以及决策模块。5.根据权利要求4所述的存在强度差异的非同源合成孔径雷达海冰漂移探测方法，其特征在于，在所述深度学习网络中：所述特征网络模块，包括7个卷积层，每层分别对应设置有一定数量的过滤器，两个分支独立训练，且每个卷积层的步幅值设为1；所述特征融合模块，将特征通过连接层两两融合，通过两层3

【专利技术属性】
技术研发人员：郭浩，门鹏，安居白，李冠宇，
申请(专利权)人：大连海事大学，
类型：发明
国别省市：