高分三号全极化SAR数据的有效波高估计方法及系统技术方案

本发明专利技术公开了一种高分三号全极化SAR数据的有效波高估计方法及系统。该方法包括：获取待估计SAR图像的雷达入射角；分别计算待估计SAR图像在VV、HH、VH三个极化通道上的SAR图像的交叉谱实部；分别计算VV、HH、VH各极化通道的方位向截断波长；分别计算VV、HH、VH各极化通道上的SAR图像的归一化方差；将VV、HH、VH各极化通道上的SAR图像的交叉谱实部输入训练好的深度残差神经网络模型的深度残差卷积分支，将雷达入射角、VV、HH、VH各极化通道的方位向截断波长以及VV、HH、VH各极化通道上的SAR图像的归一化方差输入深度残差神经网络模型的全连接分支，得到待估计SAR图像对应的海浪有效波高度。本发明专利技术提供的海浪有效波高估计方法具有简便快捷、精度高的优势。

【技术实现步骤摘要】
高分三号全极化SAR数据的有效波高估计方法及系统
本专利技术涉及海浪有效波高估计领域，特别是涉及一种高分三号全极化SAR数据的有效波高估计方法及系统。
技术介绍
海浪是最为常见的海洋现象之一，同时也是台风等海洋灾害以及海洋内部能量的间接表现形式。海浪有效波高的准确观测，对海上工程建设、海洋灾害预警预报、海洋航行保障等均有着重要意义。与传统的浮标、船舶等海上单点测量方式相比，合成孔径雷达(SyntheticApertureRadar，SAR)遥感卫星以其全天时、全天候观测，高分辨率、大幅宽覆盖等优势，已经成为目前重要的卫星遥感海浪观测手段。2016年8月10日成功发射的高分三号是我国首颗C波段SAR卫星。高分三号卫星具有高分辨率、大成像幅宽、多成像模式等特点，能够全天时、全天候监视监测全球海洋，为海洋应用研究提供了大量高质量的遥感观测数据。其中高分三号卫星的波模式、全极化条带模式具有全极化成像的能力，可以同时获取同极化(VV和HH极化通道)和交叉极化(VH和HV极化通道)的信息，是进行海洋有效波高探测的理想星载SAR数据源。目前的高分三号SAR有效波高反演方法主要包括两种类型。第一类方法首先进行由SAR图像到海浪方向谱的反演，再由海浪方向谱积分计算有效波高，如PFSM和Q-P方法。第二类方法通过建立有效波高与雷达入射角、归一化雷达散射截面、截断波长等参数的简单的回归模型进行反演，如CSAR_WAVE2和QPCWAVE_GF3方法。但是，以上方法存在流程复杂、精度不高的问题。
技术实现思路
<br>本专利技术的目的是提供一种简便快捷、精度高的基于高分三号全极化SAR数据的海浪有效波高估计方法及系统。为实现上述目的，本专利技术提供了如下方案：一种高分三号全极化SAR数据的有效波高估计方法，包括：获取待估计SAR图像；获取所述待估计SAR图像的雷达入射角；分别对所述待估计SAR图像在VV、HH、VH三个极化通道上的SAR图像进行交叉谱估计，得到VV、HH、VH各极化通道上SAR图像的交叉谱实部；分别根据所述待估计SAR图像在VV、HH、VH各极化通道上的SAR图像的交叉谱实部计算VV、HH、VH各极化通道的方位向截断波长；分别根据所述待估计SAR图像在VV、HH、VH各极化通道上的SAR图像的强度计算VV、HH、VH各极化通道上的SAR图像的归一化方差；将所述VV、HH、VH各极化通道上的SAR图像的交叉谱实部输入训练好的深度残差神经网络模型的深度残差卷积分支，将所述雷达入射角、所述VV、HH、VH各极化通道的方位向截断波长以及所述VV、HH、VH各极化通道上的SAR图像的归一化方差输入所述深度残差神经网络模型的全连接分支，得到所述待估计SAR图像对应的海浪有效波高度，其中，所述深度残差神经网络模型包括相连接的深度残差卷积分支以及全连接分支。可选的，所述交叉谱实部的计算方法包括：确定某一极化通道上SAR图像的多普勒谱，并基于多普勒谱对所述SAR图像进行分视处理，得到多个SAR子视图像；根据所述SAR子视图像的强度计算所述SAR子视图像对应的海浪相对调制；根据相邻SAR子视图像的海浪相对调制，计算交叉周期图；根据所述交叉周期图计算所述SAR图像的交叉谱实部。可选的，所述方位向截断波长的计算方法包括：对某一极化通道上SAR图像的交叉谱实部进行逆傅里叶变换，并计算自协方差函数；采用高斯函数拟合自协方差函数，估算所述极化通道的截断波长。可选的，所述归一化方差的计算方法包括：根据计算某一极化通道上SAR图像归一化方差NV，其中，I为所述极化通道上SAR图像的强度。可选的，在对海浪有效波高度估计之前，还包括：分别对深度残差神经网络模型的各输入参数进行归一化处理。可选的，在对海浪有效波高度估计之前，还包括：对深度残差神经网络模型进行训练：构建深度残差神经网络模型，所述深度残差神经网络模型包括相连接的深度残差卷积分支以及全连接分支；以第一样本数据为所述深度残差卷积分支的输入，以第二样本数据为所述全连接分支的输入，以有效波高数据为标签，对所述深度残差神经网络模型进行训练，所述第一样本数据包括：VV、HH、VH各极化通道上SAR图像的交叉谱实部，所述第二样本数据包括：雷达入射角、VV、HH、VH各极化通道的方位向截断波长以及VV、HH、VH各极化通道上的SAR图像的归一化方差，其中，同时输入所述深度残差神经网络模型的样本数据以及对应的标签来自于同一全极化SAR样本图像。可选的，在对深度残差神经网络模型进行训练之前，还包括：分别对各样本数据进行归一化处理。本专利技术还提供了一种高分三号全极化SAR数据的有效波高估计系统，包括：待估计SAR图像获取模块，用于获取待估计SAR图像；雷达入射角获取模块，用于获取所述待估计SAR图像的雷达入射角；交叉谱实部计算模块，用于分别对所述待估计SAR图像在VV、HH、VH三个极化通道上的SAR图像进行交叉谱估计，得到VV、HH、VH各极化通道上SAR图像的交叉谱实部；方位向截断波长计算模块，用于分别根据所述待估计SAR图像在VV、HH、VH各极化通道上的SAR图像的交叉谱实部计算VV、HH、VH各极化通道的方位向截断波长；图像归一化方差计算模块，用于分别根据所述待估计SAR图像在VV、HH、VH各极化通道上的SAR图像的强度计算VV、HH、VH各极化通道上的SAR图像的归一化方差；深度残差神经网络模型估计模块，用于将所述VV、HH、VH各极化通道上的SAR图像的交叉谱实部输入训练好的深度残差神经网络模型的深度残差卷积分支，将所述雷达入射角、所述VV、HH、VH各极化通道的方位向截断波长以及所述VV、HH、VH各极化通道上的SAR图像的归一化方差输入所述深度残差神经网络模型的全连接分支，得到所述待估计SAR图像对应的海浪有效波高度，其中，所述深度残差神经网络模型包括相连接的深度残差卷积分支以及全连接分支。可选的，所述系统还包括：深度残差神经网络模型训练模块，用于对深度残差神经网络模型进行训练，具体包括：深度残差神经网络模型构建单元，用于构建深度残差神经网络模型，所述深度残差神经网络模型包括相连接的深度残差卷积分支以及全连接分支；深度残差神经网络模型训练单元，用于以第一样本数据为所述深度残差卷积分支的输入，以第二样本数据为所述全连接分支的输入，以有效波高数据为标签，对所述深度残差神经网络模型进行训练，所述第一样本数据包括：VV、HH、VH各极化通道上SAR图像的交叉谱实部，所述第二样本数据包括：雷达入射角、VV、HH、VH各极化通道的方位向截断波长以及VV、HH、VH各极化通道上的SAR图像的归一化方差，其中，同时输入所述深度残差神经网络模型的样本数据以及对应的标签来自于同一全极化SAR样本图像。可选的，所述系统还包括：归一化模块，用于对深度残差本文档来自技高网...

【技术保护点】
1.一种高分三号全极化SAR数据的有效波高估计方法，其特征在于，包括：/n获取待估计SAR图像；/n获取所述待估计SAR图像的雷达入射角；/n分别对所述待估计SAR图像在VV、HH、VH三个极化通道上的SAR图像进行交叉谱估计，得到VV、HH、VH各极化通道上SAR图像的交叉谱实部；/n分别根据所述待估计SAR图像在VV、HH、VH各极化通道上的SAR图像的交叉谱实部计算VV、HH、VH各极化通道的方位向截断波长；/n分别根据所述待估计SAR图像在VV、HH、VH各极化通道上的SAR图像的强度计算VV、HH、VH各极化通道上的SAR图像的归一化方差；/n将所述VV、HH、VH各极化通道上的SAR图像的交叉谱实部输入训练好的深度残差神经网络模型的深度残差卷积分支，将所述雷达入射角、所述VV、HH、VH各极化通道的方位向截断波长以及所述VV、HH、VH各极化通道上的SAR图像的归一化方差输入所述深度残差神经网络模型的全连接分支，得到所述待估计SAR图像对应的海浪有效波高度，其中，所述深度残差神经网络模型包括相连接的深度残差卷积分支以及全连接分支。/n

【技术特征摘要】
1.一种高分三号全极化SAR数据的有效波高估计方法，其特征在于，包括：
获取待估计SAR图像；
获取所述待估计SAR图像的雷达入射角；
分别对所述待估计SAR图像在VV、HH、VH三个极化通道上的SAR图像进行交叉谱估计，得到VV、HH、VH各极化通道上SAR图像的交叉谱实部；
分别根据所述待估计SAR图像在VV、HH、VH各极化通道上的SAR图像的交叉谱实部计算VV、HH、VH各极化通道的方位向截断波长；
分别根据所述待估计SAR图像在VV、HH、VH各极化通道上的SAR图像的强度计算VV、HH、VH各极化通道上的SAR图像的归一化方差；
将所述VV、HH、VH各极化通道上的SAR图像的交叉谱实部输入训练好的深度残差神经网络模型的深度残差卷积分支，将所述雷达入射角、所述VV、HH、VH各极化通道的方位向截断波长以及所述VV、HH、VH各极化通道上的SAR图像的归一化方差输入所述深度残差神经网络模型的全连接分支，得到所述待估计SAR图像对应的海浪有效波高度，其中，所述深度残差神经网络模型包括相连接的深度残差卷积分支以及全连接分支。


2.根据权利要求1所述的高分三号全极化SAR数据的有效波高估计方法，其特征在于，所述交叉谱实部的计算方法包括：
确定某一极化通道上SAR图像的多普勒谱，并基于多普勒谱对所述SAR图像进行分视处理，得到多个SAR子视图像；
根据所述SAR子视图像的强度计算所述SAR子视图像对应的海浪相对调制；
根据相邻SAR子视图像的海浪相对调制，计算交叉周期图；
根据所述交叉周期图计算所述SAR图像的交叉谱实部。


3.根据权利要求1所述的高分三号全极化SAR数据的有效波高估计方法，其特征在于，所述方位向截断波长的计算方法包括：
对某一极化通道上SAR图像的交叉谱实部进行逆傅里叶变换，并计算自协方差函数；
采用高斯函数拟合自协方差函数，估算所述极化通道的截断波长。


4.根据权利要求1所述的高分三号全极化SAR数据的有效波高估计方法，其特征在于，所述归一化方差的计算方法包括：
根据计算某一极化通道上SAR图像归一化方差NV，其中，I为所述极化通道上SAR图像的强度。


5.根据权利要求1所述的高分三号全极化SAR数据的有效波高估计方法，其特征在于，在对海浪有效波高度估计之前，还包括：
分别对深度残差神经网络模型的各输入参数进行归一化处理。


6.根据权利要求1所述的高分三号全极化SAR数据的有效波高估计方法，其特征在于，在对海浪有效波高度估计之前，还包括：对深度残差神经网络模型进行训练：
构建深度残差神经网络模型，所述深度残差神经网络模型包括相连接的深度残差卷积分支以及全连接分支；
以第一样本数据为所述深度残差卷积分支的输入，以第二样本数据为所述全连接分支的输入，以有效波高数据为标签，对所述深度残差神经网络模型进行训练，所述第一样本数据包括：VV、HH、VH各极化通道上SA...

【专利技术属性】
技术研发人员：王贺，李尉尉，朱建华，
申请(专利权)人：国家海洋技术中心，
类型：发明
国别省市：天津;12