[发明专利]基于深度学习的遥感图像舰船尺寸一体化提取方法

说明书

本发明公开了一种基于深度学习的遥感图像舰船尺寸一体化提取方法，构建遥感图像舰船尺寸训练集：获取遥感数据并进行预处理，获取AIS船舶数据，将该两组数据相结合建立遥感图像中的舰船尺寸训练集；构建基于深度学习的遥感图像舰船尺寸一体化提取模型；模型训练：用S1构建的训练集对S2中构建的模型进行训练，将训练好的模型应用于新遥感图像的舰船尺寸提取中。本发明简化了传统的舰船长、宽提取方式，实现从遥感图像中直接提取舰船的长和宽信息，提高了遥感图像舰船长、宽信息提取的效率和精度，且提取误差控制在单个像素级别。

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学习的遥感图像舰船尺寸一体化提取方法。

背景技术

舰船是海上的重要目标，发展舰船监测对于海洋经济、海洋安全、海洋环境等具有重要意义。卫星遥感具有范围大、时序长、稳定性高等优势，利用卫星图像进行舰船检测的研究一直是海洋遥感领域的热点。舰船的长度和宽度是进行舰船分类的基础和关键。因此，研究遥感图像舰船尺寸反演具有重要意义。

遥感图像的舰船尺寸提取可以分为二值化、目标的精细化图像处理和高精度几何参数估计三个步骤。二值化是对遥感图像进行检测，将遥感图像分为舰船和非舰船两类，常用方法包括恒虚警率（Constant False Alarm Rate，CFAR）、小波变换、阈值分割等方法。目标的精细化图像处理和高精度几何参数估计是在二值化遥感图像基础上，通过图像处理或机器学习方法对舰船几何参数进行精确估计。例如，2016年Stasolla M.等采用数学形态学方法在经CFAR处理获得的图像基础上，精确地提取舰船的最小外包矩形，从而估计舰船的长宽尺寸。该方法在具有127个船样本的Sentinel-1数据上测试，长和宽的均方根误差分别为30米（16%）和11米（37%）。同年，Lang H.等通过Radon变换提取舰船的最小外接矩形，进一步提取长和宽参数，并应用在舰船分类中。机器学习方面，2008年，张晰在初步提取舰船长宽尺寸的基础上，运用多项式和神经网络拟合精确的舰船尺寸，平均绝对误差达到14.5米。2018年，Li B.等基于Sentinel-1的大样本量舰船库OpenSARShip（舰船目标多余1万个），对图像进行处理，初步获得长宽参数，进一步融合双极化下的环境和目标的散射信息、传感器信息构建非线性回归模型，从而实现对舰船长宽尺寸的精确估计。

现有遥感舰船尺寸提取模型需要二值化、精细化、参数估计等多个复杂步骤，缺少从遥感图像到舰船尺寸的一体化提取模型。

发明内容

本发明提供了一种基于深度学习的遥感图像舰船尺寸一体化提取方法，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：

一种基于深度学习的遥感图像舰船尺寸一体化提取方法，该方法包括以下步骤：

S1：构建遥感图像舰船尺寸训练集：获取遥感数据并进行预处理，获取AIS船舶数据，将该两组数据相结合建立遥感图像中的舰船尺寸训练集；

S2：构建基于深度学习的遥感图像舰船尺寸一体化提取模型；

S3：模型训练：用S1构建的训练集对S2中构建的模型进行训练，将训练好的模型应用于新遥感图像的舰船尺寸提取中。

进一步的，所述提取方法还包括S4：模型测试，对S3训练好的模型进行精度测试，评估模型效果。

进一步的，所述S1中对遥感数据进行辐射校正、几何校正等预处理。

进一步的，所述S2中，包括以下步骤：

1.舰船外包矩形初步提取模型