[发明专利]一种基于深度U-Net模型的遥感图像海冰识别方法

权利要求书

1.一种基于深度U-Net模型的遥感图像海冰识别方法，其特征在于，该识别方法包括以下步骤：

S1：构建遥感图像海冰训练数据集：对遥感图像进行预处理，再根据现有的海冰相关数据，对遥感图像进行海冰标注，得到真值图像；将遥感图像和真值图像进行切片，得到遥感图像海冰训练数据集；

S2：构建基于深度U-Net的遥感图像海冰识别模型：以U-Net模型为基本结构，引入双注意力机制：空间注意力机制和通道注意力机制；所述空间注意力模块具体为：空间注意力模块对编码器输出的特征图进行运算，特征图上每个位置的特征值由其他位置的特征值加权求和得到；加权权重由空间注意力模块PAM中的注意力机制计算得到；设H，W和C为编码器输出的特征图的高、宽和通道数，则编码器输出的特征图可表示为A被分别输入到三个卷积神经网络层CNN层中，生成三个特征图B、C和D；B和C的转置矩阵进行矩阵相乘，经过Softmax函数激活得到空间注意力矩阵N＝H×W；S矩阵的每一行相加为1；任意两个位置越相似的特征会生成一个较大的S值，特征图在空间上任意位置的相似性可由S表示；矩阵D变形为S与变D¹相乘，得到矩阵A^s：

其中，a^s_ij是A^s中的第i行、第j列的元素，S_i是矩阵S的第i行，D¹_j是矩阵D¹的第j列；A^s变形为对A¹任意位置的元素值由其他位置的元素值，根据注意力权重S加权求和得到；A¹与缩放参数α相乘并与原特征图A相加，得到新特征图E^H×W×C：

E＝αA¹+A (2)

α初始值为0，在训练过程中自动改变大小，得到最优值；特征图E中包含了局部特征和全局特征；

S3：模型训练：用S1中的海冰训练数据集对S2构建的海冰识别模型进行训练，最终得到海冰识别模型。

2.如权利要求1所述的遥感图像海冰识别方法，其特征在于，所述海冰识别方法还包括S4：模型验证；对S3中训练好的改进深度U-Net模型进行测试，评估该模型的海冰识别精度。

3.如权利要求1所述的遥感图像海冰识别方法，其特征在于，所述S1中对遥感图像进行辐射校正、几何校正、滤波处理预处理。

4.如权利要求1所述的遥感图像海冰识别方法，其特征在于，上述S2中基于深度U-Net的遥感图像海冰识别模型包括：

1)编码器

编码器接收所述遥感图像海冰训练数据集，提取用于区分海冰和海水的抽象特征；编码器由多个卷积神经网络层CNN和最大池化层max-pooling组成；CNN提取空间特征，生成特征图，max-pooling对特征图进行下采样，保留较强特征；

2)双注意力模块

在所述特征图上增加空间注意力模块PAM和通道注意力模块CAM，为特征图增加全局信息；所述PAM和CAM输出的特征图分别经过一次卷积操作，并将二者相加进行融合，将融合后的特征图输入到解码器中；

3)解码器

解码器对双注意力模块输出的特征图进行解码，将压缩的信息逐层还原至原图像大小，以实现像素级的分类；

4)模型输出

解码器输出的特征图经过激活函数得到输入遥感图像对应的分类结果，输出分类结果，以识别海冰。