[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有效
申请号: | 202010978171.7 | 申请日: | 2020-09-17 |
公开(公告)号: | CN112102324B | 公开(公告)日: | 2021-06-18 |
发明(设计)人: | 任沂斌;李晓峰;高乐;刘颖洁;张旭东 | 申请(专利权)人: | 中国科学院海洋研究所 |
主分类号: | G06T7/10 | 分类号: | G06T7/10;G06T7/60;G06K9/62;G06N3/04;G06N3/08 |
代理公司: | 青岛海昊知识产权事务所有限公司 37201 | 代理人: | 刘艳青 |
地址: | 266071*** | 国省代码: | 山东;37 |
权利要求书: | 查看更多 | 说明书: | 查看更多 |
摘要: | |||
搜索关键词: | 一种 基于 深度 net 模型 遥感 图像 识别 方法 | ||
本发明公开了一种基于深度U‑Net模型的遥感图像海冰识别方法,首先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;再构建基于深度U‑Net的遥感图形海冰识别模型:以U‑Net模型为基本结构,引入双注意力机制;最后进行模型训练。本发明提出一种全新的遥感图像海冰识别方法‑深度双注意力U‑Net模型,无需手动选取特征,可接受遥感图像为输入,自动识别海冰;双注意力机制进一步增强海冰和海水特征的表征能力,加强了对精细海冰对象的识别能力,提高了海冰识别精度。
技术领域
本发明属于海洋观测和图像提取技术领域,具体涉及一种基于深度U-Net模型的遥感图像海冰识别方法。
背景技术
在海冰观测领域,卫星遥感具有覆盖范围大、时间分辨率高、观测手段多样等优势,是海冰观测的最主要手段,开展遥感图像海冰识别技术发具有重要意义。
现有遥感图像海冰识的技术难点在于从图像中寻找具有区分度的特征将海冰与海水分类。现有识别方法包括阈值分割法、专家知识法和机器学习方法。阈值法是寻找一个阈值,将图像中像素根据阈值分类为海冰和海水。专家知识法根据专家经验,从图像中选取特征,根据专家经验和决策系统来识别海冰。机器学习方法需要手动地提取海冰和海水区分特征,将此类典型特征输入到线性回归、支持向量机、人工神经网络等机器学习方法中,实现海冰和海水的分类。
阈值方法的阈值适应性较差,很难找到适用于所有遥感图像的阈值。专家系统依靠专家知识,自动化程度低。机器学习方法需要手动提取海冰和海水特征,工作量大,特征选取的质量不易控制,影响分类精度。
因此,现有遥感图像海冰识别模型存在识别精度低、自动化程度低、识别精细度不够等问题。
发明内容
本发明的目的是提供一种基于深度U-Net模型的遥感图像海冰识别方法,以弥补现有技术的不足。
为达到上述目的,本发明采取的具体技术方案为:
一种基于深度U-Net模型的遥感图像海冰识别方法,包括以下步骤:
S1:构建遥感图像海冰训练数据集:对遥感图像进行辐射校正、几何校正、滤波处理等预处理,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的遥感图形海冰识别模型: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;双注意力机制能够提升U-Net模型所提取特征的表征能力,从而提高海冰识别精度;
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;深度U-Net海冰识别模型是一种深层神经网络模型,由大量的神经网络权重组成,神经网络的权重需要通过迭代训练来获得最佳权重,通过训练,获得最佳的改进深度U-Net海冰识别模型。
进一步的,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,用训练集中没有出现过的遥感图像作为测试数据,评估该模型的海冰识别精度。
另,将S3种训练好的模型用于识别遥感图像中的海冰情况。
进一步的,上述S2中基于深度U-Net的遥感图像海冰识别模型主要包括:
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(Convolution neural network,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
该专利技术资料仅供研究查看技术是否侵权等信息,商用须获得专利权人授权。该专利全部权利属于中国科学院海洋研究所,未经中国科学院海洋研究所许可,擅自商用是侵权行为。如果您想购买此专利、获得商业授权和技术合作,请联系【客服】
本文链接:http://www.vipzhuanli.com/pat/books/202010978171.7/2.html,转载请声明来源钻瓜专利网。