基于合成孔径雷达卫星的冰间水道识别方法及系统

技术领域

本申请涉及计算机视觉与极地海洋科学技术领域，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。

背景技术

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。

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。

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。

发明内容

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。

本发明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：

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。

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：

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。

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：

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。

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：

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。

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：

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。

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：

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；

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。

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：

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；

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。

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：

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；

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。

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：

通过包含同尺度位置坐标与经纬度坐标的文件，将所述位置坐标转换为经纬度坐标后，使用Python中的所述Basemap方法在所述静态地图上显示将所述冰间水道位置坐标。

本发明还提供了基于合成孔径雷达卫星的冰间水道识别系统，其特征在于，适用于上述所述的基于合成孔径雷达卫星的冰间水道识别方法，所述基于合成孔径雷达卫星的冰间水道识别系统包括：

数据预处理单元：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；

数据集扩增单元：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；

神经网络模型训练单元：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；

可视化结果输出单元：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。

相比于相关技术，本发明提出的基于合成孔径雷达卫星的冰间水道识别方法及系统，对数值模式数据及合成孔径雷达卫星数据进行数据预处理，并通过经典图形学算法为图像生成对应的标签，划分训练集、验证集与测试集，对基于数值模式及合成孔径雷达计算得到的形变率进行分析，克服了可见光卫星应对云雾、阴影的不足，实现了全天时全天候的冰间水道识别；对训练集数据进行了数据增强，通过神经网络对训练数据的学习自动提取特征，减少了对人工设计特征准确性的依赖，且通过学习新的样本不断提高模型的识别能力和泛化能力，减少了类别不平衡，增加了数据多样性；构建损失函数，训练基于LadderNet的冰间水道识别算法模型，大大减少了卫星本身观测能力限制导致的无效数据在训练过程中造成的严重类别不均衡问题；针对神经网络模型输出的分割结果，通过连通区域求解的方法对水道进行划分和标记，并输出最终的可视化结果，将深度学习与传统图形学方法相结合，实现了图像中各水道长度、形状、位置信息等特征的标记和可视化显示，便于研究和分析。

本申请的一个或多个实施例的细节在以下附图和描述中提出，以使本申请的其他特征、目的和优点更加简明易懂。

附图说明

此处所说明的附图用来提供对本申请的进一步理解，构成本申请的一部分，本申请的示意性实施例及其说明用于解释本申请，并不构成对本申请的不当限定。在附图中：

图1是根据本申请实施例的基于合成孔径雷达卫星的冰间水道识别方法流程图；

图2是根据本申请实施例的基于合成孔径雷达卫星的冰间水道识别总体流程框架图；

图3是根据本申请实施例的LadderNet模型及训练效果示意图；

图4是根据本申请实施例的中心点采样的效果示意图；

图5是根据本申请实施例的后处理和可视化的流程及效果示意图；

图6是本发明的基于合成孔径雷达卫星的冰间水道识别系统的结构示意图。

其中，附图标记为：

数据预处理单元：51；

数据集扩增单元：52；

神经网络模型训练单元：53；

可视化结果输出单元：54。

具体实施方式

为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行描述和说明。应当理解，此处所描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。基于本申请提供的实施例，本领域普通技术人员在没有作出创造性劳动的前提下所获得的所有其他实施例，都属于本申请保护的范围。

显而易见地，下面描述中的附图仅仅是本申请的一些示例或实施例，对于本领域的普通技术人员而言，在不付出创造性劳动的前提下，还可以根据这些附图将本申请应用于其他类似情景。此外，还可以理解的是，虽然这种开发过程中所作出的努力可能是复杂并且冗长的，然而对于与本申请公开的内容相关的本领域的普通技术人员而言，在本申请揭露的技术内容的基础上进行的一些设计，制造或者生产等变更只是常规的技术手段，不应当理解为本申请公开的内容不充分。

在本申请中提及“实施例”意味着，结合实施例描述的特定特征、结构或特性可以包含在本申请的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例，也不是与其它实施例互斥的独立的或备选的实施例。本领域普通技术人员显式地和隐式地理解的是，本申请所描述的实施例在不冲突的情况下，可以与其它实施例相结合。

除非另作定义，本申请所涉及的技术术语或者科学术语应当为本申请所属技术领域内具有一般技能的人士所理解的通常意义。本申请所涉及的“一”、“一个”、“一种”、“该”等类似词语并不表示数量限制，可表示单数或复数。本申请所涉及的术语“包括”、“包含”、“具有”以及它们任何变形，意图在于覆盖不排他的包含；例如包含了一系列步骤或模块(单元)的过程、方法、系统、产品或设备没有限定于已列出的步骤或单元，而是可以还包括没有列出的步骤或单元，或可以还包括对于这些过程、方法、产品或设备固有的其它步骤或单元。本申请所涉及的“连接”、“相连”、“耦接”等类似的词语并非限定于物理的或者机械的连接，而是可以包括电气的连接，不管是直接的还是间接的。本申请所涉及的“多个”是指两个或两个以上。“和/或”描述关联对象的关联关系，表示可以存在三种关系，例如，“A和/或B”可以表示：单独存在A，同时存在A和B，单独存在B这三种情况。字符“/”一般表示前后关联对象是一种“或”的关系。本申请所涉及的术语“第一”、“第二”、“第三”等仅仅是区别类似的对象，不代表针对对象的特定排序。

本发明提出的基于合成孔径雷达卫星的冰间水道识别方法及系统，以丹麦技术大学空间研究所(DTU Space)提供的合成孔径雷达卫星数据为研究对象，发挥微波遥感不受极夜和云雾干扰，能够对冰间水道进行全天时全天候观测，克服了可见光卫星观测能力的不足；针对冰间水道的细粒度分割提供了一种基于LadderNet的冰间水道识别算法，利用计算得到的极地区域形变率数据进行学习，并通过训练好的神经网络模型对图像进行自动的特征提取和分割，减少了传统图形学算法对基于经验假设的特征选择依赖，从而有效提升了识别鲁棒性和识别精度；通过基于连通区域求解的后处理算法，对分割得到的二值图像进行划分，实现了对不同水道的标记，从而更利于冰间水道识别结果的研究与应用。

下面将以基于合成孔径雷达卫星的冰间水道识别为例对本申请实施例进行说明。

实施例一

本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。请参照图1，图1是根据本申请实施例的基于合成孔径雷达卫星的冰间水道识别方法流程图；图2是根据本申请实施例的基于合成孔径雷达卫星的冰间水道识别总体流程框架图；图3是根据本申请实施例的LadderNet模型及训练效果示意图；图4是根据本申请实施例的中心点采样的效果示意图；图5是根据本申请实施例的后处理和可视化的流程及效果示意图，如图1至图5所示，冰间水道识别方法包括：

数据预处理步骤S1：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S2：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S3：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S4：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。

在实施例中，所述数据预处理步骤S1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。

在具体实施中，如图1-图2所示，对合成孔径雷达卫星数据进行数据预处理，详细的为，首先，从对应数据服务器获取包含剪切和散度信息的北极地区合成孔径雷达卫星数据，并通过该数据计算各坐标位置对应的形变率，计算公式如下：

其次，为图像生成相应的标签；最后，对训练集、验证集和测试集进行数据划分，其中训练集与验证集比例为9：1。

在实施例中，所述数据集扩增步骤S2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。

在具体实施中，如图4所示，数据集扩增详细的为，首先，通过随机裁剪、随机左右翻转、随机上下翻转、随机旋转角度的方式对原始输入数据进行扩增，以缓解过拟合问题，提高模型的泛化能力，并对样本空间进行扩展；其次，如图4左图所示，由于卫星本身观测能力限制，原始输入数据中存在较大比例的无效数据，为避免无效数据导致的类别不均衡，通过检测原始输入数据中的有效数据来确认采样范围，在加载训练数据的过程中对采样位置进行判断，仅对中心点位置为有效数据的区域进行采样，如图3右图所示；最后，对步骤1.1得到的形变率进行对数转换和归一化处理，可以初步减少异常值，且便于计算。

在实施例中，所述神经网络模型训练步骤S3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；

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。

在具体实施中，如图3所示，神经网络模型训练详细的为，首先，确定损失函数，将冰间水道识别问题看作基于像素点的分类问题，采用交叉熵作为损失函数，二分类交叉熵损失计算公式如下：

其中N表示该批次图像的总数，y

在实施例中，所述可视化结果输出步骤S4包括：

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；

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；

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；

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；

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；

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；

通过包含同尺度位置坐标与经纬度坐标的文件，将所述位置坐标转换为经纬度坐标后，使用Python中的所述Basemap方法在所述静态地图上显示将所述冰间水道位置坐标。

在具体实施中，如图5所示，模型结果输出与可视化详细的为，首先，模型结果输出后处理，读取训完成的神经网络模型，输入待测数据，得到对应的概率输出，首先根据设置的阈值对图像的概率输出进行二值化，之后对得到的二值化图像进行图像细化，得到骨架图，然后对骨架图进行连通区域求解操作，求得当前图像中存在的所有连通区域，将各连通区域作为不同水道的初步标记；其次，连通区域拆分，由于理想瞬时生成的水道一般不具有分叉、弯折等形态，若出现分叉等情况，往往将其视为多条不同的水道，为应对此类情况，需要对水道标记结果进行拆分；

对水道标记结果进行拆分详细的为，首先，根据交叉形水道在分叉点区域的连通度往往大于3的特点，以交叉点为中心对分叉水道进行拆分，通过循环不断针对连通度大于3的交叉点进行拆分，直到图中不再存在连通度大于等于3的交叉点为止，之后再做一次连通区域求解，对拆分后的水道进行标记；其次处理水道识别结果中的环形、弯折等类似现象，先将各水道分段，再求同一水道各段间的余弦相似度，余弦相似度计算公式如下：

其中A

通过计算得到的余弦相似度和设置好的阈值可以判断每段间的弯折角度大小，若弯折过大，即余弦相似度小于0.7，于弯折处断开；对于环形水道，检测其终点个数，若不存在连通度为1的终点则判断其为环形，从其中任选一点断开；后处理结果可视化，首先利用包含同尺度位置坐标与经纬度坐标的文件将当前后处理结果的位置坐标转化为经纬度坐标，之后使用Python中的Basemap方法实现后处理结果在静态地图上的数据可视化。

实施例二

本实施例提供了基于合成孔径雷达卫星的冰间水道识别系统。请参照图6所示，图6是本发明的基于合成孔径雷达卫星的冰间水道识别系统的结构示意图，如图6所示，基于合成孔径雷达卫星的冰间水道识别系统包括：

数据预处理单元51：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；

数据集扩增单元52：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；

神经网络模型训练单元53：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；

可视化结果输出单元54：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。

综上所述，发明提出的基于合成孔径雷达卫星的冰间水道识别方法及系统，基于数值模式及合成孔径雷达计算得到的形变率进行分析，克服了可见光卫星应对云雾、阴影的不足，实现了全天时全天候的冰间水道识别；通过神经网络对训练数据的学习自动提取特征，减少了对人工设计特征准确性的依赖，且可以通过学习新的样本提高了模型的识别能力和泛化能力；通过有效数据中心点采样方法大大减少了卫星本身观测能力限制导致的无效数据在训练过程中造成的严重类别不均衡问题；将深度学习与传统图形学方法相结合，实现了图像中各水道长度、形状、位置信息等特征的标记和可视化显示，便于研究和分析。

以上所述实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请专利的保护范围应以所附权利要求的保护范围为准。