CN112434590B - 一种基于小波变换的sar影像风条纹识别方法 - Google Patents

Abstract

本发明公开了星载SAR海洋遥感技术领域的一种基于小波变换的SAR影像风条纹识别方法，旨在解决现有技术中SAR影像风条纹特征是否明显没有具体判断标准，主要依靠经验进行肉眼分辨，导致花费时间多、分辨效率低的技术问题。所述方法包括如下步骤：按预设空间分辨率对目标SAR影像切片处理，获取不少于两个SAR特征图像；对所述SAR特征图像进行小波变换，提取所述SAR特征图像的小波系数；将所述小波系数输入预先训练好的卷积神经网络，获取所述小波系数的分类结果；基于所述分类结果，判定与所述小波系数相对应的SAR特征图像的风条纹是否明显。

Description

一种基于小波变换的SAR影像风条纹识别方法

技术领域

本发明涉及一种基于小波变换的SAR影像风条纹识别方法，属于星载SAR海洋遥感技术领域。

背景技术

海面风场是海洋上层运动的主要动力来源，它与海洋中绝大多数物理过程紧密相关，是研究海洋动力过程的重要基础。目前，人们普遍采用遥感反演的方法探测海面风场。其中，微波辐射计和星载微波散射计已实现海面风场的业务化探测，但分辨率不高；卫星高度计只能测量风速，无法获得风向，且测量范围小；合成孔径雷达(SAR)具有全天候、全天时、高空间分辨率等优点，其SAR影像中的风条纹的轴线方向与海面风向基本一致，因而可用风条纹反演风向，从而弥补了前几种探测方法的不足。

但通常情况下，一张完整SAR影像中只有部分区域风条纹明显，可以用风条纹反演风向。据统计，仅有44％左右的SAR影像可以利用风条纹信息反演风向，因而需要先识别出能用SAR影像反演的区域。目前，由于对SAR影像风条纹特征是否明显没有具体判断标准，主要依靠经验进行肉眼分辨，花费时间多，分辨效率低，迫切需要研究设计一种用于智能识别SAR影像风条纹明显程度的方法。

发明内容

针对现有技术的不足，本发明的目的在于提供一种基于小波变换的SAR影像风条纹识别方法，以解决现有技术中SAR影像风条纹特征是否明显没有具体判断标准，主要依靠经验进行肉眼分辨，导致花费时间多、分辨效率低的技术问题。

为解决上述技术问题，本发明所采用的技术方案是：

一种基于小波变换的SAR影像风条纹识别方法，包括如下步骤：

按预设空间分辨率对目标SAR影像切片处理，获取不少于两个SAR特征图像；

对所述SAR特征图像进行小波变换，提取所述SAR特征图像的小波系数；

将所述小波系数输入预先训练好的卷积神经网络，获取所述小波系数的分类结果；

基于所述分类结果，判定与所述小波系数相对应的SAR特征图像的风条纹是否明显。

进一步地，所述小波变换为二维Mexican-hat小波变换。

进一步地，所述二维Mexican-hat小波变换，其计算公式如下：

式中，ψ_H(k)为小波母函数，k为二维空间—频率域的变量，·为向量内积，e为自然常数。

进一步地，所述预设空间分辨率包括10km×10km或5km×5km。

进一步地，所述卷积神经网络包括不少于一组交替分布的卷积层和池化层。

进一步地，所述卷积层的计算公式如下：

式中，为第l层的第j个SAR特征图像的小波系数，/>为卷积核函数，f()为激活函数，/>为加性偏置参数，M_j为输入的SAR特征图像小波系数的集合。

进一步地，所述池化层的计算公式如下：

式中，down()下层采样函数，为第l层的第j个SAR特征图像小波系数的乘性偏置参数。

进一步地，所述卷积神经网络的训练过程中，包括：

求取卷积神经网络的实际输出值与理想输出值之间的误差值；

利用所述误差值按极小化误差方法反向传播调整所述卷积神经网络中各权值和阈值。

进一步地，所述极小化误差方法，其计算公式如下：

W(t+1)＝W(t)+ηδ(t)x(t)，

式中，W(t+1)为t+1时刻权值，W(t)为t时刻权值，η为学习速率，x(t)为神经元的输入，δ(t)为实际输出值与理想输出值之间的误差值。

通过大量的训练，优化神经网络模型参数，得到基于小波分析的星载SAR风条纹识别模型，并用于高效率和高准确性的识别海面风条纹。

与现有技术相比，本发明所达到的有益效果：

1.识别效率高：本发明通过将星载SAR原始图片进行自动识别，相比于单纯依靠经验的人工进行分辨，显著提升了识别效率。

2.识别准确性高：本发明通过将星载SAR特征图像进行小波变换，提取所述SAR特征图像的小波系数，再将小波系数输入预先训练好的卷积神经网络进行识别，提升了识别准确率。

附图说明

图1是本发明方法实施例的识别过程示意图；

图2是本发明方法实施例的识别结果示意图。

具体实施方式

下面结合附图对本发明作进一步描述。以下实施例仅用于更加清楚地说明本发明的技术方案，而不能以此来限制本发明的保护范围。

本发明具体实施方式提供了一种基于小波变换的SAR影像风条纹识别方法，如图1所示，是本发明方法实施例的识别过程示意图，所述方法包括如下步骤：

步骤一，构建卷积神经网络，该卷积神经网络包括彼此交替分布的卷积层和池化层，该神经网络各权值和阈值设为[－0.5，0.5]区间中接近于0的随机值，并初始化学习速率η和样本误差阈值ε。

步骤二，获取有风条纹的星载SAR影像数据49景，每景星载SAR影像按10km×10km或5km×5km的空间分辨率等比例切片处理为100张SAR特征图像，该49景SAR影像切片共计获取4900张SAR特征图像；然后，对该4900张特征图像进行Mexican-hat小波变换获取其小波系数，基于该4900张特征图像的小波系数构建训练集，用于对前述卷积神经网络进行训练。

步骤三，将训练集中的小波系数输入卷积神经网络。首先，经过卷积层，卷积层中有若干个卷积核函数，卷积核函数作用于输入的小波系数以提取其局部特征；接着，池化层再对这些局部特征进行采样，以利于减小运算模型的复杂度，卷积层和池化层交替出现在该神经网络中。

步骤四，求取卷积神经网络的实际输出值并将其与理想输出值进行比较，计算两者的误差值，并利用该误差值按极小化误差方法反向传播调整该卷积神经网络中各权值和阈值。

步骤五，判断各权值和阈值调整后该卷积神经网络的总误差E与给定的误差阈值ε之间的大小，如果E≤ε，则训练结束，得到一个训练好的卷积神经网络，进入下一步骤；如果E＞ε，则表明该卷积神经网络还没有达到预期训练目标，仍需要继续进行训练，因而继续执行步骤三。

步骤六，首先，对目标SAR影像按10km×10km或5km×5km的空间分辨率等比例切片处理为100张特征图像；然后，对该100张特征图像进行Mexican-hat小波变换获取其小波系数；接着，将该100张特征图像的小波系数输入训练好的卷积神经网络，获取上述小波系数的分类结果；基于该分类结果，判定与所述小波系数相对应的特征图像的风条纹是否明显。如图2所示，是本发明方法实施例的识别结果示意图，图中的“1”和“0”为该100张特征图像小波系数的分类结果，其中“1”表示风条纹特征明显，“0”表示风条纹特征不明显。对于风条纹特征明显的特征图像，可利用其风条纹数据反演风向。

更具体地，前述步骤二中，利用二维Mexican-hat小波变换队特征图像进行分解以提取其特征，可表示为：

其中，ψ_H表示小波母函数，k表示二维空间—频率域的变量，·表示向量内积，e为自然常数。

更具体地，前述步骤三中，卷积核函数作用于输入的小波系数以提取其局部特征，卷积层的计算公式如下：

其中，为第l层的第j个特征图像的小波系数，/>为卷积核函数，f()为激活函数，/>为加性偏置参数，M_j为输入特征图像小波系数的集合；

池化层对局部特征进行采样，具体公式如下：

其中，为第l层的第j个特征图像的乘性偏置参数，down()为下层采样函数，采样窗口大小为n*n，这样输出的局部特征缩小了n倍。

更具体地，前述步骤四中，计算实际输出值与理想输出值的误差值，卷积层中每个所输入小波系数j的误差信号的算法如下：

其中，为第l层的第j+1个特征图像的乘性偏置参数，/>为第l层神经元输入，ο为合成函数运算，up()为一个上采样操作，/>为第l层的第j+1个特征图像的误差信号。

池化层中的误差信号的算法如下：

其中，f'()为激活函数的的偏导，conv2()为二维矩阵卷积运算，rot180()表示将矩阵旋转180°，为卷积核函数，full为Matlab中的全卷积函数。在计算之前，需要先将卷积核旋转180度，让卷积函数可以进行相关计算。

利用该误差值按极小化误差方法反向传播调整该卷积神经网络中各权值和阈值，计算公式如下：

W(t+1)＝W(t)+ηδ(t)x(t)，

其中，W(t+1)为t+1时刻权值，W(t)为t时刻权值，x(t)为神经元的输入，δ(t)为实际输出值与理想输出值之间的误差值。

通过大量的训练，优化神经网络模型参数，得到基于小波分析的星载SAR风条纹识别模型，并用于高效率和高准确性的识别海面风条纹。

以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明技术原理的前提下，还可以做出若干改进和变形，这些改进和变形也应视为本发明的保护范围。

Claims (4)

1.一种基于小波变换的SAR影像风条纹识别方法，其特征是，包括如下步骤：

按预设空间分辨率对目标SAR影像切片处理，获取不少于两个SAR特征图像；

对所述SAR特征图像进行小波变换，提取所述SAR特征图像的小波系数；

将所述小波系数输入预先训练好的卷积神经网络，获取所述小波系数的分类结果；

基于所述分类结果，判定与所述小波系数相对应的SAR特征图像的风条纹是否明显；

所述小波变换为二维Mexican-hat小波变换；

所述二维Mexican-hat小波变换，其计算公式如下：

式中，ψ_H(k)为小波母函数，k为二维空间—频率域的变量，·为向量内积，e为自然常数；

所述卷积神经网络包括不少于一组交替分布的卷积层和池化层；

所述卷积层的计算公式如下：

式中，为第l层的第j个SAR特征图像的小波系数，/>为卷积核函数，f()为激活函数，为加性偏置参数，M_j为输入的SAR特征图像小波系数的集合；

所述池化层的计算公式如下：

式中，down()下层采样函数，为第l层的第j个SAR特征图像小波系数的乘性偏置参数。

2.根据权利要求1所述的基于小波变换的SAR影像风条纹识别方法，其特征是，所述预设空间分辨率包括10km×10km或5km×5km。

3.根据权利要求1所述的基于小波变换的SAR影像风条纹识别方法，其特征是，所述卷积神经网络的训练过程中，包括：

求取卷积神经网络的实际输出值与理想输出值之间的误差值；

利用所述误差值按极小化误差方法反向传播调整所述卷积神经网络中各权值和阈值。

4.根据权利要求3所述的基于小波变换的SAR影像风条纹识别方法，其特征是，所述极小化误差方法，其计算公式如下：

W(t+1)＝W(t)+ηδ(t)x(t)，

式中，W(t+1)为t+1时刻权值，W(t)为t时刻权值，η为学习速率，x(t)为神经元的输入，δ(t)为实际输出值与理想输出值之间的误差值。