海洋黑涡自动识别与关键参数反演方法、装置和电子设备制造方法及图纸

本发明专利技术提供了一种海洋黑涡自动识别与关键参数反演方法、装置和电子设备，涉及海洋工程技术领域。该方法包括：获取SAR图像目标数据；构建SAR图像海洋黑涡样本库；建立亚中尺度海洋黑涡自动识别模型；利用所述的SAR图像海洋黑涡样本库，对所述的目标识别模型进行训练；利用训练好的网络模型进行亚中尺度海洋黑涡自动识别，最终得到目标识别结果；对所述识别出的黑涡进行涡旋中心位置、涡旋边缘位置关键参数反演。本发明专利技术实现了无人工干涉的SAR图像亚中尺度海洋黑涡自动精准识别和关键参数反演，对于海洋中尺度涡的水下研究具有参考价值。值。值。

【技术实现步骤摘要】
海洋黑涡自动识别与关键参数反演方法、装置和电子设备


[0001]本专利技术涉及海洋工程的
，尤其是涉及一种海洋黑涡自动识别与关键参数反演方法、装置和电子设备。

技术介绍

[0002]海洋涡旋是一种常见的海洋现象，在我国近海活动频繁，对海洋的物质、能量交换起着重要作用，是海洋科学研究的一个重要对象。合成孔径雷达(Synthetic Aperture Radar，SAR)具有全天时、全天候、高分辨率、大覆盖范围的特点，为海洋涡旋研究提供了大量的图像数据。SAR系统高分辨率的特点可以观测到中小尺度的海洋涡旋以及涡旋的细节信息，特别是对于亚中尺度涡旋，很难通过传统的海表面高度数据或者海表面温度数据观测到。由于海面油膜存在而显现的涡旋，称为黑涡。海面油膜可以平滑海表面毛细波，减小后向散射截面积，其作为示踪剂，随着海洋涡旋一起运动，在SAR图像呈现出螺旋状暗曲线条纹。SAR图像中观测到的海洋涡旋多为“黑涡”，特别是在近海区域。在以往工作中，SAR图像涡旋识别和关键参数提取主要通过人工目视方法，存在一定的主观判断差异，而且随着涡旋SAR图像的积累，从海量数据中使用人工识别费时费力，因此十分需要SAR图像海洋黑涡自动识别和关键参数反演方法。

技术实现思路

[0003]有鉴于此，本专利技术的目的在于提供一种海洋黑涡自动识别与关键参数反演方法、装置和电子设备，以提高SAR海洋涡旋自动识别效率，从而扩展深度学习在海洋领域的应用。
[0004]一种海洋黑涡自动识别与关键参数反演方法，包括以下步骤：S101:获取SAR图像目标数据；S102:构建SAR图像海洋黑涡样本库；S103:建立海洋黑涡自动识别模型；S104:将步骤S102中所述的SAR图像海洋黑涡样本库，输入到步骤S103中所述的自动识别模型中进行训练；S105:利用训练好的自动识别模型进行海洋黑涡自动识别，最终得到目标预测结果；S106:对所述的目标预测结果数据进行涡旋中心位置、涡旋边缘位置关键参数反演。
[0005]进一步的，所述步骤S101中，所述SAR图像目标数据包括：首先收集ENVISAT卫星、ERS
‑
1/2卫星、Sentinel
‑
1卫星和GF3卫星SAR载荷C
‑
band的多个不同时间段的、多个海域的VV极化海洋涡旋图像；再通过人工目视的方法，在全球涡旋高发海域内，筛选收集SAR图像目标数据。
[0006]进一步的，所述步骤S102具体为：
（1）首先，解码所述步骤S101中SAR图像目标数据，并进行图像拉伸、限制对比度自适应直方图均衡化，并输出得到图片库A；SAR图像拉伸参数设置如下：如果，其中，表示0.75分位数，表示0.25分位数，表示最小值，表示中值；如果，其中，表示标准差，表示最小值，表示均值；限制对比度自适应直方图均衡化，具体步骤如下：1）将SAR图像进行8
×
8分块，以块为单位，计算直方图，设置裁剪限幅为10，进行均衡化；2）块间像素插值，像素插值方法如下：已知函数f中，四个点的值，计算未知函数 f 在点 的值；在X方向上进行插值，得到：在y方向进行插值，得到：插值后的结果如下：；（2）其次，采用随机水平翻转、旋转变换，平移变换等数据扩充方法，将所述的图片库A扩充生成图片库A1；图片库A和图片库A1共同构成数据集B；（3）最后，通过人工目视方法对数据集B中的每张图片进行辨识，采用外接矩形对
海洋涡旋进行手工标注，标注内容为是否包含海洋黑涡，并根据VOC格式正确组织各数据集的格式，并做好配置文件，最终得到SAR图像海洋黑涡样本库。
[0007]进一步的，所述步骤S103具体为：以卷积神经网络为基础；（1）建立主干特征提取网络，对输入的每一张图片，进行跨像素点提取，得到4个独立的特征层，并将其进行堆叠，通道数扩展为原来的4倍；（2）利用3
×
3的卷积、标准化和SiLU激活函数进行通道调整；SiLU具备无上界有下界、平滑、非单调的特性，公式如下：（3）利用卷积核为3
×
3，步长为2
×
2的卷积、标准化和SiLU激活函数，进行高和宽的压缩，通道数的扩张，利用CSPLayer进行特征提取；（4）重复2次所述（3）进行特征提取，分别得到有效特征层P1、P2；（5）利用卷积核为3
×
3，步长为2
×
2的卷积，采用空间金字塔池化，分别利用5，9，13的池化核，进行最大池化特征提取，池化后的结果进行堆叠，利用CSPLayer调整通道数，得到有效特征层P3；（6）将3个有效特征层P1、P2、P3分别输入到FPN特征金字塔加强特征提取网络，进行特征融合；利用较深层的特征层进行上采样和浅层的特征层进行融合；将浅层特征融合的结果进行下采样，和深层的特征层进行融合，得到3个加强特征层PQ1、PQ2、PQ3；（7）通过加强特征提取网络输出的PQ1、PQ2、PQ3三个特征图来判断特征点是否有物体与其对应，以及判断每个特征点所属种类。
[0008]进一步的，所述步骤S104具体为；按照样本库的80%，10%，10%随机分割为训练集P1、验证集P2和测试集P3；训练集P1用于网络模型的训练，将训练集P1送入到所述步骤S103中建立的网络模型中进行训练得到多个权重模型；验证集P2用于调整模型中的各个参数，当训练集P1训练出多个权重模型后，分别使用不同的权重模型对P2进行预测，选择预测后得分最高的权重模型所对应参数，从而生成最优的权重模型。
[0009]进一步的，所述步骤S105中，经过训练集P1和验证集P2得到了最优权重模型之后，接着使用测试集进行测试，得到最优权重模型用于SAR图片中的海洋黑涡的识别。
[0010]进一步的，所述步骤S106具体为：（1）反演涡旋中心位置参数：通过逐行与逐列地对子图进行扫描，判断扫描直线与图像中等速螺旋线的交点个数；越靠近等速螺旋线的中心其交点个数越多；分别在水平和竖直方向上统计其交点的个数，通过设定一定的误差范围获得一个交点个数较大的区间即涡旋中心点的大体范围，然后通过遍历的方法对每条涡旋边缘求取一个最佳中心点位置，将得到的最佳涡旋中心位置，与人工目视解译的涡旋位置进行比较，计算两者的绝对偏差，用于评估涡旋中心位置反演误差；（2）反演涡旋边缘位置参数：1）计算出图像中所有的连通区域，获得每个联通区域的坐标索引；2）计算每个连通区域的长度，筛选出最长的2个主连通区域弧段；3）对最长的2个主连通区域进行曲线拟合，对每条弧段中的点进行笛卡尔坐标系至极坐标系的转换，并结合最小二乘判定误差，计算到最佳逼近涡旋边缘的螺旋线参数；
设涡旋边缘L，阿基米德螺旋线的极坐标方程为：其中，和均为实数，为极径，为极角；阿基米德螺旋线坐标，从笛卡尔坐标系到极坐标系的变换方程如下：其中，和代表涡旋边缘L上的点坐标，和代表涡心位置坐标，为极径，为极角；对边缘L上任意一点，对应的和距离如下：将公式（4），（5）代入公式（1），通过最小二乘法计算得到最佳逼近涡旋边缘的等本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种海洋黑涡自动识别与关键参数反演方法，其特征在于，所述方法包括以下步骤：S101:获取SAR图像目标数据；S102:构建SAR图像海洋黑涡样本库；S103:建立海洋黑涡自动识别模型；S104:将步骤S102中所述的SAR图像海洋黑涡样本库，输入到步骤S103中所述的自动识别模型中进行训练；S105:利用训练好的网络模型进行亚中尺度海洋黑涡自动识别，最终得到目标预测结果；S106:对所述的目标预测结果数据进行涡旋中心位置、涡旋边缘位置关键参数反演。2.根据权利要求1所述的方法，其特征在于，述步骤S101中，所述SAR图像目标数据包括：ENVISAT卫星、ERS
‑
1/2卫星、Sentinel
‑
1卫星和GF3卫星SAR载荷C
‑
band的多个不同时间段的、多个海域的VV极化海洋涡旋图像；再通过人工目视的方法，在全球涡旋高发海域内，筛选收集SAR图像目标数据。3.根据权利要求1所述的方法，其特征在于，所述步骤S102具体为：（1）首先，解码所述步骤S101中SAR图像目标数据，并进行图像拉伸、限制对比度自适应直方图均衡化，并输出得到图片库A；（2）其次，采用随机水平翻转、旋转变换，平移变换等数据扩充方法，将所述的图片库A扩充生成图片库A1；图片库A和图片库A1共同构成数据集B；（3）最后，通过人工目视方法对数据集B中的每张图片进行辨识，采用外接矩形对海洋涡旋进行手工标注，标注内容为是否包含海洋黑涡，并根据VOC格式正确组织各数据集的格式，并做好配置文件，最终得到SAR图像海洋黑涡样本库。4.根据权利要求3所述的方法，其特征在于，所述SAR图像拉伸参数设置如下：如果，其中，表示0.75分位数，表示0.25分位数，表示最小值，表示中值；如果，其中，表示标准差，表示最小值，表示均值；所述限制对比度自适应直方图均衡化，具体步骤如下：1）将SAR图像进行8
×
8分块，以块为单位，计算直方图，设置裁剪限幅为10，进行均衡化；
2）块间像素插值，像素插值方法如下：已知函数f中，四个点的值，计算未知函数 f 在点 的值；在X方向上进行插值，得到：在y方向进行插值，得到：插值后的结果如下：。5.根据权利要求1所述的方法，其特征在于，所述步骤S103具体为：（1）建立主干特征提取网络，对输入的图片，进行跨像素点提取，得到4个独立的特征层，并将其进行堆叠，通道数扩展为原来的4倍；（2）利用3
×
3的卷积、标准化和SiLU激活函数进行通道调整；SiLU具备无上界有下界、平滑、非单调的特性，公式如下：（3）利用卷积核为3
×
3，步长为2
×
2的卷积、标准化和SiLU激活函数，进行高和宽的压缩，通道数的扩张，利用CSPLayer进行特征提取；（4）重复2次所述（3）进行特征提取，分别得到有效特征层P1、P2；（5）利用卷积核为3
×
3，步长为2
×
2的卷积，采用空间金字塔池化，分别利用5，9，13的池化核，进行最大池化特征提取，池化后的结果进行堆叠，利用CSPLayer调整通道数，得到有效特征层P...

【专利技术属性】
技术研发人员：吴进群，马纯永，陈戈，王宁，
申请(专利权)人：中国海洋大学，
类型：发明
国别省市：