[发明专利]基于长短时记忆网络的SAR影像海冰分类方法及系统

说明书

本发明属于海冰监测技术领域，公开了一种基于长短时记忆网络的SAR影像海冰分类方法及系统，以多幅连续观测的海冰SAR影像数据直接作为长短时记忆网络训练输入提取特征，并在网络训练中将海冰的密集度数据作为一维特征一起参与分类网络的训练，得到兼顾空间和时间维度的海冰分类网络；考虑未知海冰密集度数据的情况下，先训练基于长短时记忆网络的海冰密集度预测模型，然后将预测的密集度数据和SAR影像图像数据集合输入训练好的海冰分类网络进行分类。本发明在SAR影像海冰的分类中考虑到时间演变过程中海冰类别变化的时间维度特征，对于相近海冰类别的识别率具有很大的提升。

技术领域

本发明属于海冰监测技术领域，尤其涉及一种基于长短时记忆网络的SAR影像海冰分类方法及系统。

背景技术

目前，业内常用的现有技术是这样的：

根据世界气象组织的海冰分类标准，海冰按照发展状态可以分为新冰，灰冰，灰白冰，一年冰，老冰，多年冰。合成孔径雷达(SAR)具有全天时，全天候，多视角，穿透性强的特点，是海冰监测的主要工具。也是基于图像特征的海冰分类的图像数据来源。

目前基于SAR影像海冰分类方法可以分为两类：1，基于特征的海冰分类，如提取SAR影像海冰的极化特征，灰度共生矩阵特征；2，基于图像分割的海冰分类，如EM算法，K-均值，马尔科夫随机场模型等。这些方法都是根据某一时刻海冰在SAR影像上的呈现特征进行分类识别。然而海冰类型在时间上具有不稳定性，根据海冰类型的定义，不同的海冰类别随着时间的变化互相演替，而且顺序几乎不可逆转，具有时间维度的特征。在单时间维度SAR影像海冰分类中，相近的海冰类别很容易被错分，如果能将海冰的时间维度特征融入分类中，根据前面海冰的SAR影像信息将会减小样本被错分到前一阶段海冰类别的几率。

递归神经网络(RNN)是目前常用的一种神经网络结构，可以将时间的先后顺序加入到神经网络中，对过去时间的输入对当前时间输出的影响进行建模。在对时序信息建模的过程中，为了防止时间步长过大引起的梯度爆炸问题，在RNN的结构基础上引入了长短时记忆网络。LSTM网络的常见应用是在自然语言处理，场景描述，时间序列预测等，在图像分类上的应用并不常见。Junhwa Chi等人在2017年的论文中将LSTM预测北极海冰密集度，但是网络的训练数据是基于被动微波传感器数据，而本发明的LSTM数据是基于SAR影像的海冰分类研究。被动遥感通常不能形成影像；主动遥感SAR则一般形成遥感数字图像，所以两者具有很大不同。

考虑到海冰类型随时间变化过程中，图像中不同海冰类型的密集度也在对应变化，所以基于图像块的SAR海冰分类中海冰密集度是海冰类型的一个重要影响因素。

综上所述，现有技术存在的问题是：

现有技术中，海冰分类主要是以有监督方法为主，然而有监督海冰分类依赖大量的标记样本，然而大面积标记样本不易获取，而且成本巨大。现有方法多是依赖小面积、短时间的监测，训练样本标签或者相机实测或者专家标记，这样则给海冰分类方法的性能评价带来不一致性。

现有的SAR影像海冰分类使用传统的机器学习方法，如神经网络、SVM方法等，然而这些方法是基于提前设计特征工程的方法，依赖于专家知识。不同的数据源或者不同的海冰条件将会直接导致分类方法失效。

根据世界气象组织关于海冰分类的定义，不同海冰类别随着时间变化而呈现规律演变，如一个区域内新冰、灰冰、灰白冰、薄一年半、中厚一年冰、厚一年冰、老冰等是随着时间而变化。然而目前的海冰分类方法只是考虑了不同海冰类型在数字图像表现的空间、纹理特征，忽略了时间维度的特征。

解决上述技术问题的难度和意义：

基于有监督方法的海冰分类是现在的主流方法，然而SAR影像海冰分类的标签很难获取，这也是目前研究的一个客观事实。