[发明专利]基于FCN-ASPP网络的冰盖雷达图像冰层精细化分割方法

权利要求书

1.基于FCN-ASPP网络的冰盖雷达图像冰层精细化分割方法，其特征在于：

1)预处理

对原始的雷达振幅图像像素值进行对数转换；计算雷达振幅对应的转换后的像素值；之后对图像进行归一化处理，将图像归一化为255个像素级；

采取了lee滤波算法对雷达灰度图进行进一步处理；

将滤波后的灰度图像作为输入训练图像；标注了与输入训练图像大小尺寸相同的标签图像，噪音、冰层、基岩层和空气层分别标记为像素灰度0、1、2、3；

2)数据扩增和构建训练样本

3)FCN-ASPP网络构建

FCN网络结构具体包括输入层，两个卷积层(C1，C2)，两个BN层(B1，B2)，两个激活函数层(R1，R2)，第一降采样层(pool1)，两个卷积层(C3，C4)，两个BN层(B3，B4)，两个激活函数层(R3，R4)，第二降采样层(pool2)，两个卷积层(C5，C6)，两个BN层(B5，B6)，两个激活函数层(R5，R6)，第三降采样层(pool3)；

将pool1，pool2和pool3的输出特征图都作为ASPP四个并列的膨胀卷积层即C7-1，C7-2，C7-3，C7-4的输入以及一个普通卷积层C7-5的输入；每一层分别经过两个卷积层，两个激活函数层R，一个池化层pool和一个全连接层FC，每个卷积层后边都增加了BN层用于归一化数据；整个ASPP层为：(C7-1，BN4-1，R7-1，C8-1，BN5-1，R8-1，pool4-1，FC5-1)，(C7-2，BN4-2，R7-2，C8-2，BN5-2，R8-2，pool4-2，FC5-2)，(C7-3，BN4-3，R7-3，C8-3，BN5-3，R8-3，pool4-3，FC5-3)，(C7-4，BN4-4，R7-4，C8-4，BN5-4，R8-4，pool4-4，FC5-4)，(C7-5，BN4-5，R7-5，C8-5，BN5-5，R8-5，pool4-5，FC5-5)；将FC5-1，FC5-2，FC5-3，FC5-4，FC5-5层输出特征图进行融合得到融合特征图；

将三个ASPP层得到的融合特征图作为上采样层输入，通过双线性插值算法进行上采样；再将这些特征图融合成一个特征图，在这之后通过softmax分类器对像素进行分类，得到冰层分割图像；

训练过程中将冰川雷达图像和分类标签图像输入到FCN-ASPP网络中，得到与原图大小相同的分类结果图；损失函数采用交叉熵函数，通过最小化输入的标签图像与分类预测图像的差值来进行网络优化；将训练好的模型保存下来；

4)采取了CRF算法对FCN-ASPP得到的初步分割结果进行进一步处理。

2.根据权利要求1所述的方法，其特征在于：Lee滤波处理具体为：

设计一个7x7的移动窗口作为滤波器对图像进行滤波；增加了一个简单的阈值判断，引入变差系数C,首先求出图像的阈值C

N为雷达图像的视数，由公式求出窗口中心像素I对应的变差系数C_i；var(y_i)为窗口内像素的方差，为窗口内像素的均值；

当C_i≤C时，采用Lee滤波方法；当C_i＞C时保留像素不做滤波处理。

3.根据权利要求1所述的方法，其特征在于：CRF处理过程具体为；

将前端FCN-ASPP输出得到的分割结果图和原始灰度图像作为马尔可夫条件随机场(CRF)的输入进行进一步处理；全连接CRF使用的能量函数为

像素x∈N，N为图片所有像素；公式第一项为

是一元能量函数，其中P_i(x)表示前端FCN-ASPP输出得到的分割结果图中像素x对应的分类标记为i的分布概率,其中i的取值范围为0、1、2、3；

公式第二项为

是二元能量函数；x,y表示不同的两个像素，p_x，p_y表示像素x，y位置，I_x，I_y表示像素x，y灰度，像素灰度与像素位置由输入的原始灰度图像得到；μ_i(x，y)为标签兼容函数，其中，像素x的标签为i，当像素y同属于i类标签时，μ_i(x，y)取值为0，否则，取值为1，像素y的标签由前端FCN-ASPP输出的分割结果图得到；像素x与y距离越近，灰度相差越小，值越大；

通过计算得到像素x的四个能量函数E₀(x),E₁(x),E₂(x),E₃(x)的值，取最小的能量值对应的标签作为像素x新的标签；遍历输入的分割结果图的所有像素，得到新的分割结果图，参数ω₁，ω₂设置为49，参数σ_α，σ_γ设置为5，参数σ_β设置为3。