本發(fā)明涉及智慧海事，具體而言，尤其涉及一種基于sar影像的海上養(yǎng)殖區(qū)提取方法。

背景技術(shù)：

1、海上養(yǎng)殖區(qū)包括網(wǎng)箱養(yǎng)殖、筏式養(yǎng)殖、筒狀結(jié)構(gòu)養(yǎng)殖等多種類(lèi)型，其生產(chǎn)規(guī)模和數(shù)量逐年增多。這些養(yǎng)殖區(qū)在海洋生態(tài)系統(tǒng)中扮演著重要角色，同時(shí)也對(duì)海洋環(huán)境、航運(yùn)安全等產(chǎn)生了深遠(yuǎn)影響。因此，對(duì)海上養(yǎng)殖區(qū)的精確提取和分類(lèi)具有重要的科學(xué)研究和實(shí)際應(yīng)用價(jià)值。

2、傳統(tǒng)的海上養(yǎng)殖區(qū)監(jiān)測(cè)方法主要依賴(lài)于現(xiàn)場(chǎng)調(diào)查和高分辨率光學(xué)遙感影像。然而，現(xiàn)場(chǎng)調(diào)查方式存在成本高、效率低、空間覆蓋范圍有限等缺點(diǎn)。而光學(xué)遙感影像雖能提供高分辨率的空間信息，但易受天氣條件、光照變化和云層遮擋的影響，難以實(shí)現(xiàn)全天時(shí)、全天候的監(jiān)測(cè)。合成孔徑雷達(dá)(synthetic?aperture?radar,sar)作為一種主動(dòng)式微波遙感技術(shù)，具有全天時(shí)、全天候的監(jiān)測(cè)能力。sar影像可以提供目標(biāo)的強(qiáng)度、紋理、形狀和極化等豐富的信息，使其在海上目標(biāo)檢測(cè)與識(shí)別方面具有顯著優(yōu)勢(shì)。然而，由于sar影像的成像機(jī)制復(fù)雜，噪聲較大，以及海上養(yǎng)殖區(qū)結(jié)構(gòu)復(fù)雜多樣，使得基于sar影像的海上養(yǎng)殖區(qū)提取與分類(lèi)成為一項(xiàng)具有挑戰(zhàn)性的任務(wù)。

3、近年來(lái)，深度學(xué)習(xí)技術(shù)在計(jì)算機(jī)視覺(jué)領(lǐng)域取得了突破性進(jìn)展，其在大數(shù)據(jù)驅(qū)動(dòng)下能夠自動(dòng)學(xué)習(xí)圖像的深層特征，極大地提高了目標(biāo)檢測(cè)與識(shí)別的性能?；诰矸e神經(jīng)網(wǎng)絡(luò)和其他深度學(xué)習(xí)模型的目標(biāo)檢測(cè)方法已逐漸應(yīng)用于sar影像處理。然而，深度學(xué)習(xí)方法依賴(lài)于大量的標(biāo)注樣本，而sar影像的標(biāo)注過(guò)程往往耗時(shí)費(fèi)力，特別是在海上養(yǎng)殖區(qū)這種復(fù)雜目標(biāo)的提取和分類(lèi)中。

技術(shù)實(shí)現(xiàn)思路

1、有鑒于此，本發(fā)明的目的在于提出一種基于sar影像的海上養(yǎng)殖區(qū)提取方法，該方法旨在通過(guò)半自動(dòng)化的方式減輕標(biāo)注負(fù)擔(dān)，逐步實(shí)現(xiàn)對(duì)海上養(yǎng)殖區(qū)的自動(dòng)化監(jiān)測(cè)與分類(lèi)。

2、本發(fā)明采用的技術(shù)手段如下：

3、一種基于sar影像的海上養(yǎng)殖區(qū)提取方法，包括如下步驟：

4、s1、在影像庫(kù)中，篩選出目標(biāo)區(qū)域預(yù)處理后的sar影像，從sar影像中提取特征，并將特征堆疊成特征圖像；

5、s2、使用分水嶺算法對(duì)特征圖像進(jìn)行初始分割；

6、s3、在s2初始分割基礎(chǔ)上，使用相似性準(zhǔn)則進(jìn)行區(qū)域合并，得到最終分割結(jié)果；

7、s4、結(jié)合sar影像，在最終分割結(jié)果上標(biāo)注出海上養(yǎng)殖區(qū)的類(lèi)型，海上養(yǎng)殖區(qū)的類(lèi)型包括網(wǎng)箱養(yǎng)殖區(qū)、筏式養(yǎng)殖區(qū)和筒狀結(jié)構(gòu)養(yǎng)殖區(qū)，得到對(duì)應(yīng)的掩膜；

8、s5、利用標(biāo)注掩膜和特征圖像訓(xùn)練貝葉斯分類(lèi)器，使用訓(xùn)練后的貝葉斯分類(lèi)器對(duì)海上養(yǎng)殖區(qū)進(jìn)行分類(lèi)，對(duì)其進(jìn)行后處理，得到海上養(yǎng)殖區(qū)樣本，將海上養(yǎng)殖區(qū)樣本按照預(yù)設(shè)比例分為訓(xùn)練集和驗(yàn)證集；

9、s6、將訓(xùn)練集輸入到deeplabv3模型中進(jìn)行訓(xùn)練，使用驗(yàn)證集對(duì)訓(xùn)練后的deeplabv3模型進(jìn)行評(píng)價(jià)，若評(píng)價(jià)精度不滿(mǎn)足標(biāo)準(zhǔn)則返回s4進(jìn)行逐步迭代；若評(píng)價(jià)精度滿(mǎn)足標(biāo)準(zhǔn)，輸出驗(yàn)證后的deeplabv3模型，執(zhí)行s7；

10、優(yōu)選的，標(biāo)準(zhǔn)可以使用準(zhǔn)確率和召回率，當(dāng)準(zhǔn)確率和召回率都大于85％則執(zhí)行s7；

11、s7、利用經(jīng)驗(yàn)證后的deeplabv3模型對(duì)待檢測(cè)sar影像進(jìn)行海上養(yǎng)殖區(qū)提取。

12、進(jìn)一步地，s1中，從sar影像中提取特征包括如下步驟：

13、s11、通過(guò)灰度共生矩陣計(jì)算sar影像的紋理特征，包括能量energy、對(duì)比度contrast和熵entropy，計(jì)算公式如下：

14、

15、

16、其中，p(i,j)表示灰度共生矩陣中(i,j)位置的值，n為灰度級(jí)數(shù)；

17、s12、極化特征包括歸一化極化指數(shù)npdi、散射熵h和平均散射角α，計(jì)算公式如下：

18、

19、其中，pi為相干矩陣特征值的歸一化；

20、

21、其中，αi是相干矩陣特征值對(duì)應(yīng)的散射角。

22、進(jìn)一步地，s3中，使用相似性準(zhǔn)則進(jìn)行區(qū)域合并的具體步驟如下：

23、s31、通過(guò)計(jì)算兩個(gè)相鄰區(qū)域的紋理特征相似性，使用歐氏距離作為相似性度量方法衡量，設(shè)兩個(gè)區(qū)域a和b的紋理特征向量分別為ta和tb，相似性度量為：

24、

25、s32、對(duì)于雙極化sar影像，計(jì)算兩個(gè)區(qū)域的極化特征相似性，設(shè)極化特征向量為pa和pb，相似性度量為：

26、

27、s33、將兩個(gè)相鄰區(qū)域a和b合并的整體評(píng)價(jià)函數(shù)表示為：

28、r(a,b)＝w1·dtexture(a,b)+w2·dpolarization(a,b)

29、其中，w1，w2為權(quán)重系數(shù)，用于平衡紋理和極化特征相似性的影響；

30、s34、根據(jù)預(yù)設(shè)的參數(shù)作為停止條件，達(dá)到停止條件后，得到最終的分割結(jié)果。

31、進(jìn)一步地，s5中，使用訓(xùn)練后的貝葉斯分類(lèi)器對(duì)海上養(yǎng)殖區(qū)進(jìn)行分類(lèi)的步驟如下：

32、s51、利用標(biāo)注掩膜和特征圖像訓(xùn)練貝葉斯分類(lèi)器，訓(xùn)練后的貝葉斯分類(lèi)器對(duì)海上養(yǎng)殖區(qū)進(jìn)行分類(lèi)，分類(lèi)過(guò)程如下：

33、

34、其中，為預(yù)測(cè)的類(lèi)別，為使后驗(yàn)概率p(ck|x)最大的類(lèi)別ck，p(ck)為類(lèi)別ck的先驗(yàn)概率，p(x|ck)為在類(lèi)別ck的條件下，特征x出現(xiàn)的似然概率；

35、s52、將s51分類(lèi)后的結(jié)果進(jìn)行柵格矢量化，檢查海上養(yǎng)殖區(qū)類(lèi)型、圖斑邊界，得到海上養(yǎng)殖區(qū)樣本；

36、s53、按照預(yù)設(shè)比例將海上養(yǎng)殖區(qū)樣本分為訓(xùn)練集和驗(yàn)證集。

37、進(jìn)一步地，s6中逐步迭代的步驟如下：

38、s61、在初始階段，使用s53中的訓(xùn)練集，記為d0，訓(xùn)練得到初始deeplabv3模型，記為m0，則：

39、

40、其中，θ為模型的參數(shù)，l為損失函數(shù)，l計(jì)算公式如下：

41、

42、其中，是網(wǎng)絡(luò)對(duì)類(lèi)別c的預(yù)測(cè)概率，pi(c)是真實(shí)類(lèi)別c的指示函數(shù)；

43、s62、使用初始模型m0對(duì)s53中驗(yàn)證集的數(shù)據(jù)進(jìn)行預(yù)測(cè)，并通過(guò)分析預(yù)測(cè)結(jié)果來(lái)識(shí)別誤檢和漏檢的情況，誤差分析通過(guò)計(jì)算混淆矩陣計(jì)算：

44、

45、其中，tp是真正例數(shù)，fp是假正例數(shù)，fn是假負(fù)例數(shù)，tn是真負(fù)例數(shù)；

46、s63、根據(jù)誤差分析結(jié)果，選擇那些被模型錯(cuò)誤分類(lèi)的區(qū)域，補(bǔ)充樣本，生成新的數(shù)據(jù)集d1，并重新訓(xùn)練模型，得到改進(jìn)后的模型m1；

47、s64、重復(fù)s62、s63，不斷更新模型，在每次迭代k中，有：

48、

49、s65、設(shè)置閾值lval作為迭代終止條件，停止迭代：

50、|lval,k-lval,k-1|＜ε

51、其中，lval,k是第k次迭代在驗(yàn)證集上的損失，ε表示變化閾值。

52、本發(fā)明還提供了一種存儲(chǔ)介質(zhì)，所述存儲(chǔ)介質(zhì)包括存儲(chǔ)的程序，其中，所述程序運(yùn)行時(shí)，執(zhí)行上述任一項(xiàng)基于sar影像的海上養(yǎng)殖區(qū)提取方法。

53、本發(fā)明還提供了一種電子裝置，包括存儲(chǔ)器、處理器及存儲(chǔ)在所述存儲(chǔ)器上并可在所述處理器上運(yùn)行的計(jì)算機(jī)程序，所述處理器通過(guò)所述計(jì)算機(jī)程序運(yùn)行執(zhí)行上述任一項(xiàng)基于sar影像的海上養(yǎng)殖區(qū)提取方法。

54、較現(xiàn)有技術(shù)相比，本發(fā)明具有以下優(yōu)點(diǎn)：

55、快速建模：本發(fā)明通過(guò)先使用貝葉斯分類(lèi)器進(jìn)行初步分類(lèi)，可以在初期僅有少量標(biāo)注樣本的情況下快速建立模型。該分類(lèi)器在小樣本、高維特征空間中表現(xiàn)良好，可以有效利用有限的標(biāo)注數(shù)據(jù)，快速獲得初步分類(lèi)結(jié)果，降低了初始對(duì)大規(guī)模數(shù)據(jù)的需求，減輕了標(biāo)注的負(fù)擔(dān)。

56、本發(fā)明先利用傳統(tǒng)機(jī)器學(xué)習(xí)方法進(jìn)行初步分類(lèi)，再利用深度學(xué)習(xí)模型進(jìn)行精細(xì)化訓(xùn)練，不斷完善模型。每一輪迭代都能夠提升模型的性能，逐步提高對(duì)養(yǎng)殖區(qū)的檢測(cè)和分類(lèi)能力。通過(guò)逐步擴(kuò)充訓(xùn)練集并采用數(shù)據(jù)增強(qiáng)等技術(shù)，深度學(xué)習(xí)模型的泛化能力得到提升，能夠更好地適應(yīng)不同類(lèi)型和尺度的海上養(yǎng)殖區(qū)。