基于MFAFNet的多源SAR水体提取方法及系统技术方案

本发明专利技术公开了一种基于MFAFNet的多源SAR水体提取方法及系统，本发明专利技术方法包括将输入的SAR图像输入MFAFNet网络，MFAFNet网络通过骨干网络分别提取SAR图像的低层特征、高层特征和多个中层特征，并将低层特征送入解码器、高层特征送入高级多尺度特征提取模块以提取高级多尺度特征、多个中层特征送入中间级特征融合模块以融合得到中间级特征，并最终通过解码器对低层特征、多尺度特征以及中间级特征进行解码得到水体提取结果。本发明专利技术能够实现对多频段、多分辨率的多种来源的SAR水体高精度自动检测，具有准确率高、虚警少、检测效果好的优点。点。点。

【技术实现步骤摘要】
基于MFAFNet的多源SAR水体提取方法及系统


[0001]本专利技术涉及合成孔径雷达(Synthetic Aperture Radar，SAR)图像的图像处理
，具体涉及一种基于MFAFNet的多源SAR水体提取方法及系统。

技术介绍

[0002]合成孔径雷达(Synthetic Aperture Radar，SAR)不受天气影响，可以全天时、全天候成像，具有监测范围广、成本低、效率高等优势。获取的SAR图像中水体后向散射系数相对较低，在图像上表现为暗色。利用SAR图像进行水体检测，在城市水体监测、海岸线监测、洪涝灾害监测等方面具有重要应用价值，一直是研究热点。
[0003]许多学者对水体检测方面做了相关研究，传统方法大体分为两类：阈值法和分类器法。2006年Hinton提出深度学习后，越来越多的基于深度学习的水体检测方法脱颖而出并占据主流，实现了水体检测的自动化。如受CV领域的多尺度特征融合算法启发，许多研究者探索了各种利用多尺度特征来提高分类精度的方法；还有研究者利用像素作为节点，将像素之间的关系作为边，充分利用标记图像和本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于MFAFNet的多源SAR水体提取方法，其特征在于，包括：S101，将输入的SAR图像输入MFAFNet网络的骨干网络，所述MFAFNet网络包括编码器和解码器，所述编码器包括骨干网络、中间级特征融合模块和高级多尺度特征提取模块；S102，所述MFAFNet网络通过骨干网络分别提取SAR图像的低层特征、高层特征和多个中层特征，并将低层特征送入解码器、高层特征送入高级多尺度特征提取模块以提取高级多尺度特征、多个中层特征送入中间级特征融合模块以融合得到中间级特征，并最终通过解码器对低层特征、多尺度特征以及中间级特征进行解码得到水体提取结果。2.根据权利要求1所述的基于MFAFNet的多源SAR水体提取方法，其特征在于，所述骨干网络为带有空洞卷积的ResNet_101网络，其第二层和第三层分别输出两个中层特征送入中间级特征融合模块以用于融合得到中间级特征。3.根据权利要求1所述的基于MFAFNet的多源SAR水体提取方法，其特征在于，所述多个中层特征送入中间级特征融合模块以融合得到中间级特征包括：所述中间级特征融合模块针对层级较低的中层特征进行上采样使其通道数与层级较高的中层特征匹配，再将上采样后的特征图经过卷积核大小为1
×
1的卷积操作后与层级较高的中层特征拼接，再将拼接得到的特征图、与该拼接得到的特征图经过两个卷积核大小为3
×
3的卷积操作后的特征图再拼接后得到中间级特征。4.根据权利要求1所述的基于MFAFNet的多源SAR水体提取方法，其特征在于，所述高级多尺度特征提取模块包括五个并行工作的分支，所述五个并行工作的分支包括四条并行注意力池化分支和一条全局平均池化分支，所述四条并行注意力池化分支均包含串行连接的卷积模块和有效注意力机制模块ECA，且四条并行注意力池化分支的卷积模块具有不同的尺度和空洞率，且由五个并行工作的分支输出的特征图在通道上堆叠后在经过卷积核大小为1
×
1的卷积操作后得...

【专利技术属性】
技术研发人员：陈立福，龙凤琪，李振洪，袁志辉，蔡兴敏，
申请(专利权)人：长沙理工大学，
类型：发明
国别省市：