[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

摘要

基于FCN‑ASPP网络的冰盖雷达图像冰层精细化分割方法涉及计算机视觉以及模式识别领域。本发明将雷达振幅图像作为网络的训练样本，针对冰层图像数据少的问题做了相应的数据扩增，扩大了该发明的广泛适用性。对冰盖图像进行了Lee滤波。为了尽可能保存边缘信息，对滤波过程增加了阈值判断过程。本发明通过构建FCN‑ASPP的冰层分割深度网络，通过对ASPP层进行改进，加强了该网络对于小尺度特征的提取能力。将初步分类结果通过CRF做进一步处理，在实现端到端的像素级分割的基础上进一步精细化了分割结果。此外，该网络极大的实现了自主学习的过程。

主权项

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。