一种合成孔径雷达SAR图像的海洋涡旋检测方法及系统技术方案

本申请提供了一种合成孔径雷达SAR图像的海洋涡旋检测方法及系统。该方法包括：首先，获取待测SAR图像。然后，对待测SAR图像进行预处理。再将预处理后的待测SAR图像输入涡旋检测模型，以便利用涡旋检测模型得到标注图像。标注图像为在待测SAR图像中标注出涡旋位置后得到的图像，所述涡旋检测模型是预先根据含有多种涡旋类型的SAR图像训练得到的。这样，由于采用足量含有不同涡旋类型的SAR图像训练得到涡旋检测模型，并通过多次迭代训练对涡旋检测模型中的网络结构进行了改进，可以使涡旋检测模型具有更高的涡旋检测精度和更广泛的海域适用范围。如此，可以实现不同海域的SAR图像上的涡旋检测，提高了对SAR图像上的海洋涡旋的检测精度和适用海域的泛化性。测精度和适用海域的泛化性。测精度和适用海域的泛化性。

【技术实现步骤摘要】
一种合成孔径雷达SAR图像的海洋涡旋检测方法及系统


[0001]本申请涉及卫星遥感海洋监测
，尤其涉及一种合成孔径雷达SAR图像的海洋涡旋检测方法及系统。

技术介绍

[0002]合成孔径雷达（Synthetic Aperture Radar，SAR）是一种高分辨率成像雷达，可以在能见度极低的气象条件下得到类似光学照相的高分辨雷达图像。可安装在飞机、卫星、宇宙飞船等飞行平台上，全天时全天候对地实施观测。因此，SAR系统常被应用于海洋涡旋检测方面。
[0003]海洋涡旋是一种旋转的、以封闭环流为主要特征的水体，在海洋中主要呈现螺旋结构，并且广泛存在于世界海洋中，其直径范围从几百米到几百公里不等。涡旋中间有抽吸能力，尤其是小尺度漩涡，对海上人员活动构成严重威胁。此外，涡旋可以将海洋深层的营养物质带到海洋表层，提高海洋表层的初级生产力，不仅有利于海洋浮游生物的繁殖，而且还影响海洋中渔场的空间分布。因此，海洋涡旋的检测对于航行安全、航线规划、深海捕捞及远洋渔业等实际应用中均具有重要意义。
[0004]目前，随着SAR数据呈爆炸式增长，深度学习方法也开始被应用到SAR图像涡旋检测领域，来满足大量增长的图像检测需求。然而，由于现有的方法应用的深度学习算法大多只是迁移学习，能否应用到其他海域目前尚不清楚，并且这些方法中的深度学习算法都预先已知待检测SAR图像含有海洋涡旋，导致现有技术存在仅能使用小范围的待检测SAR图像，泛化性较弱的问题。

技术实现思路

[0005]有鉴于此，本申请提供了一种合成孔径雷达SAR图像的海洋涡旋检测方法及系统，旨在提高对SAR图像中的海洋涡旋的检测的泛化性。
[0006]第一方面，本申请提供了一种合成孔径雷达SAR图像的海洋涡旋检测方法，该方法包括：获取待测SAR图像；对所述待测SAR图像进行预处理；将预处理后的待测SAR图像输入涡旋检测模型，以便利用所述涡旋检测模型得到标注图像，所述标注图像为在所述待测SAR图像中标注出涡旋位置的图像，所述涡旋检测模型是预先根据含有多种涡旋类型的SAR图像训练得到的。
[0007]可选地，所述对所述待测SAR图像进行预处理，包括：对所述待测SAR图像进行辐射校正、热噪声去除、斑点滤波、地理编码和分贝化中的一种或多种操作。
[0008]可选地，对所述待测SAR图像进行预处理包括对所述待测SAR图像进行地理编码，所述标注图像中包括第一标注框，所述第一标注框用于标注所述标注图像中的第一涡旋的
区域；所述方法还包括：将所述标注图像输入到地理仿射变换模型，以便利用所述地理仿射变换模型将所述第一标注框的像素坐标转换为地理坐标，得到所述第一涡旋的涡心经纬度信息和尺寸信息。
[0009]可选地，所述涡旋检测模型是由如下方式进行训练的：步骤a、获取训练样本集；步骤b、根据所述训练样本集训练深度学习模型，得到第一训练模型；步骤c、测试所述第一训练模型的性能是否达到预设标准，若达到，进入步骤d，若没有达到，进入步骤e；步骤d、将所述第一训练模型作为所述涡旋检测模型输出；步骤e、调整训练参数，重复步骤b至步骤c，所述训练参数包括批大小、初始模型学习率、截至模型学习率、线程数和训练迭代次数中的一种或多种参数。
[0010]可选地，所述深度学习模型包括YOLOv5网络结构，所述YOLOv5网络结构包括输入层、骨干层、瓶颈层和输出层，所述根据所述训练样本集训练深度学习模型，得到第一训练模型，包括对所述YOLOv5网络结构进行如下改进：在所述骨干层中加入通道注意力机制；将所述瓶颈层的最近邻上采样替换为内容感知特征重组上采样算子；在所述输出层确定锚框的尺寸，所述锚框为所述YOLOv5网络结构的输出特征图中标注出的目标区域；将所述YOLOv5网络结构的沿通道方向拼接的特征融合方法替换为加权双向特征金字塔网络的特征融合方法；为所述YOLOv5网络结构中的损失函数中的正样本的损失增加权重，得到所述第一训练模型中的网络结构。
[0011]可选地，所述训练样本集包括复杂样本和简单样本；所述复杂样本为海洋背景占比大于涡旋占比的涡旋图像，所述复杂样本用于提高所述涡旋检测模型的泛化性；所述简单样本为海洋背景占比小于涡旋占比的涡旋图像，所述简单样本用于加快所述涡旋检测模型的收敛速度。
[0012]可选地，所述训练样本集是通过如下方式获取的：获取多个SAR图像，所述多个SAR图像上含有多种不同尺寸和不同类型的涡旋；根据所述多个SAR图像得到涡旋样本集，所述涡旋样本集包括多个涡旋样本，所述多个涡旋样本是根据对多个SAR图像中的涡旋进行裁剪得到的；采用最小外接矩形法对所述多个涡旋样本中的涡旋进行标注，得到所述训练样本集。
[0013]可选地，在所述步骤b之前对所述训练样本集中的所述多个涡旋样本进行在线数据增强操作，包括：利用几何变换方法或像素变换方法对所述多个涡旋样本进行数据增强，得到多个第一涡旋样本；利用马赛克数据增强算法对所述多个第一涡旋样本进行图像拼接或特征融合，得
到多个第二涡旋样本，以便将所述多个第二涡旋样本输入所述深度学习模型。
[0014]第二方面，本申请提供了一种合成孔径雷达SAR图像的海洋涡旋检测系统，所述系统包括：图像获取单元、图像预处理单元和涡旋检测模型；所述图像获取单元，用于获取待测SAR图像；所述图像预处理单元，用于对所述待测SAR图像进行预处理；所述涡旋检测模型，用于接收预处理后的所述待测SAR图像，以便根据所述待测SAR图像得到标注图像，所述标注图像为在所述待测SAR图像中标注出涡旋位置的图像，所述涡旋检测模型是预先根据含有多种涡旋类型的SAR图像训练得到的。
[0015]可选地，所述图像预处理单元对所述待测SAR图像进行地理编码，所述标注图像中包括第一标注框，所述第一标注框用于标注所述标注图像中的第一涡旋的所在区域；所述系统还包括：地理仿射变换模型，所述地理仿射变换模型用于接收所述标注图像，将所述标注框的像素坐标转换为地理坐标，得到所述第一涡旋的涡心经纬度信息和尺寸信息。
[0016]本申请提供了一种合成孔径雷达SAR图像的海洋涡旋检测方法及系统。该方法包括：首先，获取待测SAR图像。然后，对待测SAR图像进行预处理。再将预处理后的待测SAR图像输入涡旋检测模型，以便利用涡旋检测模型得到标注图像。标注图像为在待测SAR图像中标注出涡旋位置后得到的图像，所述涡旋检测模型是预先根据含有多种不同涡旋类型的SAR图像训练得到的。这样，由于采用足量含有不同涡旋类型的SAR图像训练得到涡旋检测模型，并且通过多次迭代训练对涡旋检测模型中的网络结构进行了改进，可以使涡旋检测模型具有更高的涡旋检测精度和更广泛的海域适用范围。如此，可以实现不同海域的SAR图像上的涡旋检测，提高了对SAR图像上的海洋涡旋的检测精度和适用海域的泛化性。
附图说明
[0017]为更清楚地说明本实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种合成孔径雷达SAR图像的海洋涡旋检测方法，其特征在于，所述方法包括：获取待测SAR图像；对所述待测SAR图像进行预处理；将预处理后的待测SAR图像输入涡旋检测模型，以便利用所述涡旋检测模型得到标注图像，所述标注图像为在所述待测SAR图像中标注出涡旋位置的图像，所述涡旋检测模型是预先根据含有多种涡旋类型的SAR图像训练得到的。2.根据权利要求1所述的方法，其特征在于，所述对所述待测SAR图像进行预处理，包括：对所述待测SAR图像进行辐射校正、热噪声去除、斑点滤波、地理编码和分贝化中的一种或多种操作。3.根据权利要求2所述的方法，其特征在于，对所述待测SAR图像进行预处理包括对所述待测SAR图像进行地理编码，所述标注图像中包括第一标注框，所述第一标注框用于标注所述标注图像中的第一涡旋的区域；所述方法还包括：将所述标注图像输入到地理仿射变换模型，以便利用所述地理仿射变换模型将所述第一标注框的像素坐标转换为地理坐标，得到所述第一涡旋的涡心经纬度信息和尺寸信息。4.根据权利要求1所述的方法，其特征在于，所述涡旋检测模型是由如下方式进行训练的：步骤a、获取训练样本集；步骤b、根据所述训练样本集训练深度学习模型，得到第一训练模型；步骤c、测试所述第一训练模型的性能是否达到预设标准，若达到，进入步骤d，若没有达到，进入步骤e；步骤d、将所述第一训练模型作为所述涡旋检测模型输出；步骤e、调整训练参数，重复步骤b至步骤c，所述训练参数包括批大小、初始模型学习率、截至模型学习率、线程数和训练迭代次数中的一种或多种参数。5.根据权利要求4所述的方法，其特征在于，所述深度学习模型包括YOLOv5网络结构，所述YOLOv5网络结构包括输入层、骨干层、瓶颈层和输出层，所述根据所述训练样本集训练深度学习模型，得到第一训练模型，包括对所述YOLOv5网络结构进行如下改进：在所述骨干层中加入通道注意力机制；将所述瓶颈层的最近邻上采样替换为内容感知特征重组上采样算子；在所述输出层确定锚框的尺寸，所述锚框为所述YOLOv5网络结构的输出特征图中标注出的目标区域；将所述YOLOv5网络结构的沿通道方向拼接的特征融合方法替换为加权双向特征金字塔网络的特征融合方法；为所述YO...

【专利技术属性】
技术研发人员：李晓明，訾楠楠，
申请(专利权)人：中国科学院空天信息创新研究院，
类型：发明
国别省市：