基于合成孔径雷达卫星的冰间水道识别方法及系统技术方案

本申请公开了基于合成孔径雷达卫星的冰间水道识别方法及系统，所述冰间水道识别方法包括：根据合成孔径雷达卫星数据计算获得第一形变率后，根据所述第一形变率生成冰间水道图像标签；对所述冰间水道图像标签中的第一训练集进行扩增获得第二训练集，通过有效数据中心点采样方法从所述第二训练集中采集获得第三训练集后，对所述第一形变率进行数据处理，获得第二形变率；采用所述第三训练集及所述第二形变率对神经网络进行训练，获得训练后的神经网络模型；将待测数据输入到训练后的所述神经网络模型获得骨架图，对所述骨架图进行连通区域求解操作后，根据标记结果与拆分结果，在静态地图上显示冰间水道位置坐标

【技术实现步骤摘要】
基于合成孔径雷达卫星的冰间水道识别方法及系统


[0001]本申请涉及计算机视觉与极地海洋科学
，尤其涉及基于合成孔径雷达卫星的冰间水道识别方法及系统
。

技术介绍

[0002]冰间水道指海冰在海浪
、
风力和洋流作用下形成的线状断裂带，是海洋与大气间水热交换的重要窗口，影响极区的海洋热量平衡和海冰物质平衡
。
冰间水道是船舶航行的重要通道，北极航道的通航将会显著缩短亚洲
、
欧洲
、
北美洲之间的航运距离，因此，对北极冰间水道的特征和规律进行分析，在经济和战略上都具有重要的意义
。
为更好的监测北极海冰区冰间水道的变化情况，
20
世纪
70
年代以来，国内外针对涉及北极海冰和冰间水道区域的表面大气
、
物理海洋和生态环境实施了一系列现场观测项目，然而由于极地的现场观测条件恶劣，观测难度较大，得到的观测资料有限，但随着星载光学
、
红外和微波等传感器的发展，由卫星获取的大量长时序
、
高分辨率图像资料对极地海冰和冰间水道的研究提供了重要的助力
。
[0003]目前，在基于卫星数据的冰间水道识别和标记方面已经取得了一些成果，相关研究大多都是利用冰间水道宽度较窄且形状近似于直线的特征用图形学的思路对水道进行识别，其常用方法包括图像滤波
、
骨架提取
、
霍夫变换等
。
中分辨率成像光谱仪
(MODIS)
数据和可见红外成像辐射计
(VIIRS)
数据仍是常用的研究对象，同时，由于雷达卫星在应对云雾
、
阴影方面的优势，以合成孔径雷达
(SAR)
卫星数据为对象进行的研究也很好地提高了冰间水道识别算法的识别性能
。
而在算法方面，目前多数方法仍在采用基于经验假设手工设计特征的经典计算机图形学算法，但随着近年来人工智能的发展，对深度学习在水道分割中应用方面的探索也逐渐受到了国内外研究机构的关注
。
[0004]然而，由于海冰的形变和破裂具有多重分形的特性，冰间水道在形态上错综复杂，这在一定程度上增加了基于经验假设的传统图形学算法手工设计特征的难度，且由于水道通常宽度较窄，属于细粒度图像分割问题，这也给算法识别的精准度带来了挑战
。
此外，基于深度学习的现有算法大多只对水道进行了识别，并未对不同水道进行划分，而后续相关物理过程研究恰恰需要同一水道所携带的背景信息
。
同时，由于极夜和云雾的干扰，基于光学和热红外卫星的算法一方面难以做到全天时全天候的观测，另一方面也可能面临云层遮掩导致的漏识或过度除云导致的误删等问题，影响识别的精度
。
这些不利因素也成为了制约冰间水道识别算法进一步应用的关键因素
。

技术实现思路

[0005]本申请实施例提供了基于合成孔径雷达卫星的冰间水道识别方法及系统，以至少解决了冰间水道识别精准度低
、
基于深度学习的现有算法只对水道进行了识别并未对不同水道进行划分等问题
。
[0006]本专利技术提供了基于合成孔径雷达卫星的冰间水道识别方法，所述冰间水道识别方
法包括：
[0007]数据预处理步骤：根据合成孔径雷达卫星数据计算获得第一形变率后，根据所述第一形变率生成冰间水道图像标签；
[0008]数据集扩增步骤：对所述冰间水道图像标签中的第一训练集进行扩增获得第二训练集，通过有效数据中心点采样方法从所述第二训练集中采集获得第三训练集后，对所述第一形变率进行数据处理，获得第二形变率；
[0009]神经网络模型训练步骤：采用所述第三训练集及所述第二形变率对神经网络进行训练，获得训练后的神经网络模型；
[0010]可视化结果输出步骤：将待测数据输入到训练后的所述神经网络模型获得骨架图，对所述骨架图进行连通区域求解操作后，根据标记结果与拆分结果，在静态地图上显示冰间水道位置坐标
。
[0011]上述所述的基于合成孔径雷达卫星的冰间水道识别方法，其中，所述数据预处理步骤包括：
[0012]通过服务器获取所述合成孔径雷达卫星数据，并根据所述合成孔径雷达卫星数据通过第一公式计算获得所述第一形变率；
[0013]根据所述第一形变率，通过经典图形算法生成所述冰间水道图像标签
。
[0014]上述所述的基于合成孔径雷达卫星的冰间水道识别方法，其中，所述数据集扩增步骤包括：
[0015]通过随机剪裁
、
随机左右翻转
、
随机上下翻转
、
随机旋转角度的方式对所述冰间水道图像标签中的所述第一训练集进行扩增；
[0016]对所述第一形变率进行对数转换和归一化处理，获得所述第二形变率
。
[0017]上述所述的基于合成孔径雷达卫星的冰间水道识别方法，其中，所述神经网络模型训练步骤包括：
[0018]通过第二公式计算获得损失函数后，通过梯度下降法与余弦退火热重启法对第一优化器进行设置，获得所述第二优化器；
[0019]构建所述神经网络模型后，采用所述第三训练集及所述第二形变率对所述神经网络进行训练，输出预测结果
。
[0020]上述所述的基于合成孔径雷达卫星的冰间水道识别方法，其中，所述神经网络模型训练步骤还包括：
[0021]根据所述预测结果，通过所述损失函数计算获得训练损失；
[0022]根据所述训练损失，通过所述第二优化器对神经网络模型参数进行更新，获得训练后的所述神经网络模型
。
[0023]上述所述的基于合成孔径雷达卫星的冰间水道识别方法，其中，所述可视化结果输出步骤包括：
[0024]所述待测数据输入到训练后的所述神经网络模型后，获得所述待测数据对应的概率输出；
[0025]根据预设阈值对所述概率输出进行二值化获得二值化图像后，对所述二值化图像进行图像细化获得所述骨架图
。
[0026]上述所述的基于合成孔径雷达卫星的冰间水道识别方法，其中，所述可视化结果
输出步骤还包括：
[0027]对所述骨架图进行连通区域求解操作获得所述冰间水道的第一标记结果；
[0028]根据所述第一标记结果，以交叉点为中心对所述冰间水道进行拆分，获得所述拆分结果
。
[0029]上述所述的基于合成孔径雷达卫星的冰间水道识别方法，其中，所述可视化结果输出步骤还包括：
[0030]根据所述拆分结果，再次对所述骨架图进行连通区域求解，获得拆分后的冰间水道的第二标记结果；
[0031]根据所述第二标记结果，对拆分后的所述冰间水道进行分段，再求同一冰间水道各段间的余弦相似度，获得拆分后的所述冰间水道位置坐标
。
[0032]上述本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
基于合成孔径雷达卫星的冰间水道识别方法，其特征在于，所述冰间水道识别方法包括：数据预处理步骤：根据合成孔径雷达卫星数据计算获得第一形变率后，根据所述第一形变率生成冰间水道图像标签；数据集扩增步骤：对所述冰间水道图像标签中的第一训练集进行扩增获得第二训练集，通过有效数据中心点采样方法从所述第二训练集中采集获得第三训练集后，对所述第一形变率进行数据处理，获得第二形变率；神经网络模型训练步骤：采用所述第三训练集及所述第二形变率对神经网络进行训练，获得训练后的神经网络模型；可视化结果输出步骤：将待测数据输入到训练后的所述神经网络模型获得骨架图，对所述骨架图进行连通区域求解操作后，根据标记结果与拆分结果，在静态地图上显示冰间水道位置坐标
。2.
根据权利要求1所述的冰间水道识别方法，其特征在于，所述数据预处理步骤包括：通过服务器获取所述合成孔径雷达卫星数据，并根据所述合成孔径雷达卫星数据通过第一公式计算获得所述第一形变率；根据所述第一形变率，通过经典图形算法生成所述冰间水道图像标签
。3.
根据权利要求1所述的冰间水道识别方法，其特征在于，所述数据集扩增步骤包括：通过随机剪裁
、
随机左右翻转
、
随机上下翻转
、
随机旋转角度的方式对所述冰间水道图像标签中的所述第一训练集进行扩增；对所述第一形变率进行对数转换和归一化处理，获得所述第二形变率
。4.
根据权利要求1所述的冰间水道识别方法，其特征在于，所述神经网络模型训练步骤包括：通过第二公式计算获得损失函数后，通过梯度下降法与余弦退火热重启法对第一优化器进行设置，获得所述第二优化器；构建所述神经网络模型后，采用所述第三训练集及所述第二形变率对所述神经网络进行训练，输出预测结果
。5.
根据权利要求4所述的冰间水道识别方法，其特征在于，所述神经网络模型训练步骤还包括：根据所述预测结果，通过所述损失函数计算获得训练损失；根据所述训练损失，通过所述第二优化器对神经网络模型参数进行更新，获得训练后的所述神经网络模型
。6.<...

【专利技术属性】
技术研发人员：陈俊廷，牟龙江，谭华，苏亮，刘睿，王成锐，徐言坤，
申请(专利权)人：青岛国实科技集团有限公司，
类型：发明
国别省市：