[发明专利]一种无监督深度学习的SAR影像海水养殖智能提取方法

说明书

本发明提供一种无监督深度学习的SAR影像海水养殖智能提取方法，属于海洋遥感与人工智能交叉技术领域，其特征是：1)建立双网络无监督深度学习结构，包含特征提取网络和全卷积语义分割网络；2)提出超像素分割结果与深度特征块判断方法，生成含有海水养殖边缘语义信息的伪标签；3)开展双网络交替更新，实现伪标签不断更新优化，逐步生成更精确的海水养殖提取结果。本发明的效果和益处是实现无需任何标签样本的深度学习网络海水养殖智能提取，有效解决了传统无监督方法精度低，有监督深度学习方法依赖于海量标记样本的难题，避免了合成孔径雷达影像中相干斑噪声的干扰，有效提高了无监督语义海水养殖提取精度。

技术领域

本发明属于海洋遥感与人工智能交叉技术领域，涉及一种无监督深度学习的SAR影像海水养殖智能提取方法。

背景技术

中国是世界上海水养殖发达的国家，无论从养殖面积和总产量均居世界首位。在经济利益的驱动下，不少地区无序盲目发展海水养殖业，大规模的围垦造成海域面积减少，纳潮量降低，削弱了海洋的自净能力，加剧了水域环境的恶化。为合理规划养殖区域，卫星遥感被广泛应用于养殖信息提取，浮筏养殖在可见光下具有清晰明显的特征，但可见光容易被云层、雨雪等自然条件干扰，造成信息大范围缺失。基于合成孔径雷达(SyntheticAperture Radar,SAR)遥感影像具有全天时、全天候对地实施观测能力，且可以克服云层对养殖提取的干扰。因此，基于SAR影像智能提取养殖具有十分重要的意义。

现有的海水养殖提取算法大多基于有监督方法，大体流程为：选择样本并制作标签、训练分类器、最后预测结果。这种方法需要大量标签样本，遥感数据标签获取困难，且海况复杂、目标变化大，标签成本过高。而从数据本身制定分类规则的传统无监督方法易受SAR影像中相干斑噪声影响，精度较低，且无法提取出有效的养殖语义信息。尚未开展无监督深度学习方法在SAR影像海水养殖信息提取的相关研究。因此，有必要针对长序列SAR影像海水养殖，搭建无监督深度学习模型，实现无需任何标签样本的深度学习网络海水养殖智能提取。

发明内容

本发明主要解决在完全无标签的情况下，如何搭建无监督深度学习网络，并使其学习到海水养殖语义信息，克服SAR影像中相干斑噪声干扰的问题，提出了一种无监督深度学习的SAR影像海水养殖智能提取方法，采用双深度学习网络结构，通过超像素块增强语义信息，生成伪标签，使双网络不断交替迭代，更新伪标签，实现无监督深度学习高精度海水养殖提取。

为了达到上述目的，本发明采用的技术方案为：

一种无监督深度学习的SAR影像海水养殖智能提取方法，本方法针对海水养殖遥感影像难以获得标签样本、传统无监督方法无法避免SAR影像相干斑噪声干扰、如何搭建无监督深度学习网络模型并获得海水养殖语义信息等难题，通过块判断和特征提取网络生成含有海水养殖语义信息的伪标签，使全卷积语义分割网络学习其语义信息，避免了相干斑噪声干扰，并通过两个深度学习网络的交替迭代，构建了无监督深度学习网络模型。包括以下步骤：

第一步，采用线性截断拉伸、伽马变换和高斯滤波三种图像增强方法对原图进行处理，其中三种图像增强方法均是对原图进行处理：

1.1)采用线性截断拉伸对原始图像进行处理，线性截断拉伸是遥感影像增强处理中最常用的方法之一。通过设置三种不同的截断值增强图像对比度，如公式(1)所示，读取原始图像的最大值和最小值，然后对原始图像进行直方图统计，找到截断值对应的原始图像灰度值，比如截断值设置为2，则找到对应2％的灰度值和98％的灰度值，并将灰度值作为输出图像的最大值和最小值，最终将原始图像线性拉伸为输出图像。这样，原始图像中大于98％的灰度值被输出图像的最大值代替，原始图像中小于2％的灰度值被输出图像的最小值代替。养殖区域相比海水区域具有较强的后向散射系数，但混入了相干斑噪声，通过线性截断拉伸，可以改善相干斑(异常值)噪声问题。