一种基于融合网络的珊瑚礁水域图像分割方法技术

本发明专利技术涉及图像处理技术领域，公开了一种基于融合网络的珊瑚礁水域图像分割方法，包括：获取珊瑚礁水域的光学遥感图像和合成孔径雷达图像；将珊瑚礁水域光学遥感图像通过光学处理分支得到光学特征；将珊瑚礁水域合成孔径雷达图像通过合成孔径雷达处理分支得到孔径雷达特征；融合光学特征和孔径雷达特征后得到融合特征；将融合特征输入至珊瑚礁水域遥感分割网络，得到珊瑚礁水域分割图像。本发明专利技术可同时兼备光学遥感图像获取颜色、纹理等信息和SAR图像在全天时全天候观测的优势；通过使用融合网络，分别提取两种不同图像的特征，并进行融合，再对融合特征分割，得到高精度的珊瑚礁水域分割图像。礁水域分割图像。礁水域分割图像。

【技术实现步骤摘要】
一种基于融合网络的珊瑚礁水域图像分割方法


[0001]本专利技术属于图像处理
，尤其涉及一种基于融合网络的珊瑚礁水域图像分割方法。

技术介绍

[0002]珊瑚礁是地球上生物多样性和生产力最高的生态系统之一。这些重要的栖息地提供重要的生态和经济效益，包括粮食安全、海岸保护和旅游业。然而，珊瑚礁正受到一系列压力因素的威胁，包括过度捕捞、气候变化和水质差。监测珊瑚礁水域对于了解这些生态系统的健康状况和识别潜在威胁至关重要。遥感技术可以在高空间分辨率大面积监测珊瑚礁水域。光学遥感图像和合成孔径雷达（Synthetic Aperture Radar，SAR）图像是两种有前途的珊瑚礁水体监测遥感技术。光学遥感图像可以提供有关颜色、纹理的详细信息，而SAR图像可以穿透云层并提供有关信息。图像分割涉及将图像划分为有意义的区域或对象，是遥感图像分析中的关键步骤。深度学习技术的最新进展通过实现大型数据集的自动分割彻底改变了遥感图像分析。深度学习算法旨在从复杂和嘈杂的数据中学习特征，并且可以在分割遥感图像时实现高精度。将光学遥感图像和SAR图像与深度学习技术相结合，可以更全面地了解珊瑚礁生态系统的健康状况。

技术实现思路

[0003]本专利技术的目的在于克服上述一种或多种现有的技术问题，提供一种基于融合网络的珊瑚礁水域图像分割方法。
[0004]为实现上述目的，本专利技术提供的一种基于融合网络的珊瑚礁水域图像分割方法，包括：
[0005]获取珊瑚礁水域的光学遥感图像和合成孔径雷达图像；
[0006]将所述珊瑚礁水域光学遥感图像通过光学处理分支得到光学特征；
[0007]将所述珊瑚礁水域合成孔径雷达图像通过合成孔径雷达处理分支得到孔径雷达特征；
[0008]融合所述光学特征和所述孔径雷达特征后得到融合特征；
[0009]将所述融合特征输入至珊瑚礁水域遥感分割网络，得到珊瑚礁水域分割图像。
[0010]根据本专利技术的一个方面，所述光学处理分支包含5个光学处理模块，将所述珊瑚礁水域的光学遥感图像输入至所述光学处理分支，通过卷积、批规范化、修正线性单元和离散小波变换对所述珊瑚礁水域的光学遥感图像处理，得到输出特征，公式为，
[0011] ；
[0012]其中，表示通过第个光学处理模块后的输出特征；
[0013]表示核尺寸为3
×
3的卷积；
[0014]表示批规范化；
[0015]表示修正线性单元；
[0016]表示离散小波变换；
[0017]表示所述珊瑚礁水域光学的遥感图像；
[0018]对通过光学处理模块后的输出进行卷积处理后得到所述光学特征，公式为，
[0019] ；
[0020] ；
[0021]其中，表示根据第一个光学处理模块后得到的光学特征；
[0022]表示核尺寸为3
×
3的卷积；
[0023]表示通过第一个光学处理模块后的输出特征。
[0024]根据本专利技术的一个方面，所述合成孔径雷达处理分支包括五个合成孔径雷达处理模块，将所述珊瑚礁水域的合成孔径雷达图像输入至所述合成孔径雷达处理分支，通过卷积、批规范化、修正线性单元和离散小波变换对所述珊瑚礁水域的合成孔径雷达图像处理，得到中间特征，公式为，
[0025] ；
[0026]其中，表示通过第个合成孔径雷达处理模块后的中间特征；
[0027]表示核尺寸为3
×
3的卷积；
[0028]表示批规范化；
[0029]表示修正线性单元；
[0030]表示离散小波变换；
[0031]表示所述珊瑚礁水域的合成孔径雷达图像；
[0032]对通过合成孔径雷达处理模块后的输出进行卷积处理后得到所述孔径雷达特征，公式为，
[0033] ；
[0034] ；
[0035]其中，表示根据第一个合成孔径雷达处理模块后得到的孔径雷达特征；
[0036]表示通过第个合成孔径雷达处理模块后的输出；
[0037]表示核尺寸为1
×
1的卷积；
[0038]表示通过第一个合成孔径雷达处理模块后的中间特征。
[0039]根据本专利技术的一个方面，通过四个融合模块融合所述光学特征和所述孔径雷达特征得到所述融合特征，公式为，
[0040] ；
[0041] ；
[0042] ；
[0043]其中，表示通过第个融合模块后的输出；
[0044]表示核尺寸为3
×
3的卷积；
[0045]表示批规范化；
[0046]表示修正线性单元；
[0047]表示离散小波变换；
[0048]表示根据第个融合模块输出的融合特征。
[0049]根据本专利技术的一个方面，所述珊瑚礁水域遥感分割网络包含四个分割模块，将所述融合特征输入至所述珊瑚礁水域遥感分割网络，得到所述珊瑚礁水域分割图像，公式为，
[0050] ；
[0051] ；
[0052]其中，表示通过第个分割模块后的输出；
[0053]表示根据第个融合模块输出的融合特征；
[0054]表示根据第个分割模块后得到的中间图像；
[0055]表示逆离散小波变换；
[0056]表示核尺寸为3
×
3的卷积；
[0057]表示批规范化；
[0058]表示修正线性单元；
[0059]表示离散小波变换；
[0060]表示所述珊瑚礁水域分割图像。
[0061]根据本专利技术的一个方面，使用交叉熵损失和骰子损失构成的总体损失对所述珊瑚礁水域遥感分割网络进行训练，公式为，
[0062]；
[0063]其中，表示与所述珊瑚礁水域分割图像对应的珊瑚礁水域分割标签图像；
[0064]表示所述珊瑚礁水域分割图像；
[0065]表示总体损失；
[0066]表示交叉熵计算操作；
[0067]表示骰子系数计算操作。
[0068]为实现上述目的，本专利技术提供的一种基于融合网络的珊瑚礁水域图像分割系统，系统包括：
[0069]图像获取模块，获取珊瑚礁水域光学遥感图像和珊瑚礁水域合成孔径雷达图像；
要被解读为“至少一个实施例”。
[0086]图1示意性表示根据本专利技术的一种基于融合网络的珊瑚礁水域图像分割方法的流程示意图，图5示意性表示本专利技术的一种基于融合网络的珊瑚礁水域图像分割方法的整体结构示意图；如图1和图5所示，本专利技术的一种基于融合网络的珊瑚礁水域图像分割方法，包括：
[0087]获取珊瑚礁水域的光学遥感图像和合成孔径雷达图像；
[0088]将珊瑚礁水域光学遥感图像通过光学处理分支得到光学特征；
[0089]将珊瑚礁水域合成孔径雷达图像通过合成孔径雷达处理分支得到孔径雷达特征；
[0090]融合光学特本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于融合网络的珊瑚礁水域图像分割方法，其特征在于，所述方法包括：获取珊瑚礁水域的光学遥感图像和合成孔径雷达图像；将所述珊瑚礁水域光学遥感图像通过光学处理分支得到光学特征；将所述珊瑚礁水域合成孔径雷达图像通过合成孔径雷达处理分支得到孔径雷达特征；融合所述光学特征和所述孔径雷达特征后得到融合特征；将所述融合特征输入至珊瑚礁水域遥感分割网络，得到珊瑚礁水域分割图像。2.根据权利要求1所述的方法，其特征在于，所述光学处理分支包含5个光学处理模块，将所述珊瑚礁水域的光学遥感图像输入至所述光学处理模块，通过卷积、批规范化、修正线性单元和离散小波变换对所述珊瑚礁水域的光学遥感图像处理，得到输出特征，公式为， ；其中，表示通过第个光学处理模块后的输出特征；表示核尺寸为3
×
3的卷积；表示批规范化；表示修正线性单元；表示离散小波变换；表示所述珊瑚礁水域光学的遥感图像；对通过光学处理模块后的输出特征进行卷积处理后得到所述光学特征，公式为， ； ；其中，表示根据第一个光学处理模块后得到的光学特征；表示核尺寸为3
×
3的卷积；表示通过第一个光学处理模块后的输出特征。3.根据权利要求1所述的方法，其特征在于，所述合成孔径雷达处理分支包括五个合成孔径雷达处理模块，将所述珊瑚礁水域的合成孔径雷达图像输入至所述合成孔径雷达处理分支，通过卷积、批规范化、修正线性单元和离散小波变换对所述珊瑚礁水域的合成孔径雷达图像处理，得到中间特征，公式为， ；其中，表示通过第个合成孔径雷达处理模块后的中间特征；表示核尺寸为3
×
3的卷积；表示批规范化；表示修正线性单元；表示离散小波变换；表示所述珊瑚礁水域的合成孔径雷达图像；
对通过合成孔径雷达处理模块后的输出进行卷积处理后得到所述孔径雷达特征，公式为， ； ；其中，表示根据第一个合成孔径雷达处理模块后得到的孔径雷达特征；表示通过第个合成孔径雷达处理模块后的输出；表示核尺寸为1
×
1的卷积；表示通过第一个合成孔径雷达处理模块后的中间特征。4.根据权利要求3所述的方法，其特征在于，通过四个融合模块融合所述...

【专利技术属性】
技术研发人员：李冠群，
申请(专利权)人：耕宇牧星北京空间科技有限公司，
类型：发明
国别省市：