基于深度学习的海浪SAR图像分类.docxVIP

基于深度学习的海浪SAR图像分类 摘要：针对海浪场中合成孔径雷达(SAR)图像的灰度特征混杂、人工目视分类困难的问题，本文利用简化的Inception-ResNet-V2模型与注意力机制相结合的方法，在减少网络层数、加快运算效率的同时，大幅度提升了计算机对SAR图像中海浪条纹清晰度的识别准确率。在利用模型进行图像分类时，本文提出分块识别的方式，对各块分类概率结果进行累加后取概率最大的类别，可提升1.8%的识别准确率，使最终准确率达到了89.6%。最后，本文基于深度学习结合12 000幅分类样本实现了总计5万幅ASAR图像的分类研究，获得条纹清晰组11 069幅、中间组16 560幅和不清晰组22 371幅分类图像。 海浪是海洋中表层海水的波动现象，其观测过程经历了经验性的目测与局地性的浮标观测，而近几十年，随着卫星观测精度与反演方法的不断革新，使得遥感观测成为海浪研究中利用率最高、覆盖度最广、周期性最长的实测数据，其中，合成孔径雷达(SAR)可提供高分辨率的二维海浪谱信息，且不受云、雨的限制和具有全天候工作的优势，是海浪观测中应用最为广泛的传感器自1978年Seasat发射升空，证实SAR能对海浪成像，拉开了遥感观测海浪的序幕目视分类是最基本的图像分类方法，其他分类方法也需依此来建立高精度的样本库，但应用于海量的SAR图像分类时，其主观性和效率低等缺点将不容忽视。近年来，深度学习在图像识别领域的蓬勃发展，为图像分类研究提供了灵活、高效和可重复性的方法。它与遥感图像相结合，被广泛应用于海洋现象的识别与预测研究。Estanislau Lima等本文基于深度学习方法，以Inception-ResNet-V2网络模型为基本网络结构，在其残差模块(Residual)后加入CBAM (Convolutional Block Attention Module) 注意力模块，实现对海浪SAR图像分类。针对SAR图像海浪条纹特征的特殊性，在利用模型识别图像时采用分块识别的方式，对各块分类概率结果进行累加后取概率最大的类别，进一步提高了识别准确率。该研究不仅检验了利用深度学习进行海浪SAR图像分类的可靠性，为进一步研究海浪参数特征与反演参数修正奠定了基础，同时也可为计算机技术与海洋学之间的跨学科研究做出贡献。1 数据介绍Envisat卫星搭载的ASAR传感器具备5种测量模式：图像模式(IM)、可变极化模式(AP)、宽刈幅模式(WS)、全球观测模式(GM)和波模式(WV),其中波模式下沿着卫星飞行路径每隔100 km可成像一次，图幅大小在(5×5)～(10×5) km范围，空间分辨率沿着卫星飞行方向(方位向)为6 m, 垂直于飞行方向为9 m。由于该模式下分辨率高、功耗低、数据量丰富被广泛应用于海浪研究。海洋视场下，传感器所接收到的回波因受海浪的调制作用，在SAR图像中显示为明暗相间的灰度条纹。利用官方预处理的数据标记对其进行质量控制，只选取成像均匀的图像，即不包含海冰、陆地、油污和海气相互作用等影响而成像不良的影像。本研究主要将图像分为三组：清晰组、不清晰组和中间组。清晰组的图像中可发现清晰的海浪条纹，尺度均一、方向明确；而不清晰组的图像则是灰度均匀，无法通过目视识别出任何海浪特征；中间组介于前两者之间，作为容差的过度组而存在，图幅中包含模糊的海浪特征，但方向不明确或纹理不均匀(见图1)。通过目视较为容易区分这三种图像的差异，但对计算机识别而言，从灰度图像中区分条纹差异十分具有挑战性。为了得到更好的分类效果，本文按照三种海浪条纹清晰度，对ASAR图像进行目视监督分类，各选出4 000幅图像作为分类样本库。2 模型与方法2.1 Inception-ResNet-V2网络本文选用当下在ILSVRC(ImageNet Large Scale Visual Recognition Challenge)图像分类基准测试中成绩较好的Inception-ResNet-V2上图中的三个卷积残差模块是该网络的特征提取模块(见图3),以Inception-ResNet-A为例，中间各层得到的特征图经线性整流函数(Rectified Linear Unit, ReLU)激活进入右通路做组合卷积运算，各路卷积结果进行张量连接后进行1×1卷积运算，1×1卷积的主要作用是提升或降低特征的维度，即通道数，在不改变图片宽高的前提下减少训练参数，以大大降低计算量。最后的操作是对1×1卷积结果做残差处理后采用线性整流函数进行非线性激活。与Inceprion-ResNet-A不同之处在于Inceprion-ResNet-B和 Inceprion-ResNet-C都是只有两个通路做组合卷积，并且网络结构中都使用了非对称卷积核，即将7×7和