基于卷积-小波神经网络的SAR图像海冰变化检测方法(MATLAB R2018A)

海冰是冰冻圈的重要组成部分,海冰的变化信息对航行安全和自然资源开采等非常重要,许多船舶没有加固防冰设备,因此,必须避开所有的冰区。尤其当冰压很高时,即使破冰船也很难在冰层中前行。为了安全航行,获取发生改变的冰层覆盖信息具有重要价值。通过分析在同一地理区域内不同时间拍摄的两张遥感图像来识别海冰中明显变化的区域,从而对海冰变化检测进行研究。合成孔径雷达SAR图像已被证明是海冰监测的理想来源,因其有源微波传感器,可以全天时主动获取地表遥感信息,且不受阳光条件和云层覆盖的影响。但也因其存在固有的乘性散斑噪声,为SAR图像的变化检测带来挑战性。由于缺乏强大的自动图像解读技术,依靠人工对SAR图像中的海冰变化信息进行检测耗时且主观。目前,现有的海冰变化检测方法还面临一些问题,如抗噪性能不强,差分图像质量不高,分类效果不好,以及海冰变化检测数据集稀少等。

通常图像的变化检测可分为监督和无监督方法。与监督方法相关的主要问题是缺乏地面参考数据,这通常涉及劳动密集型和耗时的人工标记过程。因此,无监督方法在该领域得到了广泛的发展和应用。无监督方法主要组成部分包括:图像预处理,差分图像生成,以及变化区域分割。图像预处理主要包括几何校正和去噪,在生成差分图像时,主要有差值法、比值法、对数比算子、均值比算子、基于邻域的比值差异法等。通常使用对数比算子,因为它对散斑噪声具有鲁棒性。图像分割阶段,聚类方法非常流行,聚类就是将数据集中大量未标注的数据按照某种相似性进行划分,并通过迭代运算调整优化聚类中心,将相似度大的数据划为一类,而不同类别之间的数据保持较大的差异性,因为它们不需要差分图像分布。

鉴于此,采用一种基于卷积-小波神经网络的SAR图像海冰变化检测方法,网络结构如下:

Matlab 复制代码
function CM = hclustering(pixel_vector, Xd)

[ylen, xlen] = size(Xd);

% feature vectors are divided into three categories by using FCM

options = [2.0; 100; 1e-5; 0];

fprintf('... ... 1st round clustering ... ...\n');
[center,U,obj_fcn] = fcm(pixel_vector,2, options);

maxU = max(U);
index{1} = find(U(1,:) == maxU);
index{2} = find(U(2,:) == maxU);  
if numel(index{1})<numel(index{2})
    ttr = numel(index{1})/(ylen*xlen)*1.25;
    ttl = numel(index{1})/(ylen*xlen)/1.10;
else
    ttr = numel(index{2})/(ylen*xlen)*1.25;
    ttl = numel(index{2})/(ylen*xlen)/1.10;
end

c_num = 5;
fprintf('... ... 2nd round clustering ... ...\n');
[center,U,obj_fcn] = fcm(pixel_vector,c_num, options);

Xdk =  zeros(ylen*xlen, 1);
CMk0 = zeros(ylen*xlen, 1);

Xdk = reshape(Xd, ylen*xlen, 1);

maxU = max(U);

for i = 1:c_num
    index{i} = find(U(i,:) == maxU);    
end

for i = 1:c_num
    idx_mean(i) = mean(Xdk(index{i}));
end

[idx_mean, idx] = sort(idx_mean);

for i = 1:c_num
    idx_num(i) = numel(index{idx(i)});
end

CMk0(index{idx(c_num)}) = 0.0;
c = idx_num(c_num);
mid_lab = 0;

for i = 1:c_num-1
    c = c+idx_num(c_num-i);
    if c / (ylen*xlen) < ttl
       CMk0(index{idx(c_num-i)}) = 0.0;
    elseif c / (ylen*xlen) >= ttl && c / (ylen*xlen) < ttr
        CMk0(index{idx(c_num-i)}) = 0.5;
        mid_lab = 1;
    else
        if mid_lab == 0
            CMk0(index{idx(c_num-i)}) = 0.5;
            mid_lab = 1;
        else
            CMk0(index{idx(c_num-i)}) = 1;
        end
    end
end
基于卷积-小波神经网络的SAR图像海冰变化检测方法(MATLAB 2018)
原创2024-06-02 11:48·哥本哈根诠释2023
海冰是冰冻圈的重要组成部分,海冰的变化信息对航行安全和自然资源开采等非常重要,许多船舶没有加固防冰设备,因此,必须避开所有的冰区。尤其当冰压很高时,即使破冰船也很难在冰层中前行。为了安全航行,获取发生改变的冰层覆盖信息具有重要价值。通过分析在同一地理区域内不同时间拍摄的两张遥感图像来识别海冰中明显变化的区域,从而对海冰变化检测进行研究。合成孔径雷达SAR图像已被证明是海冰监测的理想来源,因其有源微波传感器,可以全天时主动获取地表遥感信息,且不受阳光条件和云层覆盖的影响。但也因其存在固有的乘性散斑噪声,为SAR图像的变化检测带来挑战性。由于缺乏强大的自动图像解读技术,依靠人工对SAR图像中的海冰变化信息进行检测耗时且主观。目前,现有的海冰变化检测方法还面临一些问题,如抗噪性能不强,差分图像质量不高,分类效果不好,以及海冰变化检测数据集稀少等。

通常图像的变化检测可分为监督和无监督方法。与监督方法相关的主要问题是缺乏地面参考数据,这通常涉及劳动密集型和耗时的人工标记过程。因此,无监督方法在该领域得到了广泛的发展和应用。无监督方法主要组成部分包括:图像预处理,差分图像生成,以及变化区域分割。图像预处理主要包括几何校正和去噪,在生成差分图像时,主要有差值法、比值法、对数比算子、均值比算子、基于邻域的比值差异法等。通常使用对数比算子,因为它对散斑噪声具有鲁棒性。图像分割阶段,聚类方法非常流行,聚类就是将数据集中大量未标注的数据按照某种相似性进行划分,并通过迭代运算调整优化聚类中心,将相似度大的数据划为一类,而不同类别之间的数据保持较大的差异性,因为它们不需要差分图像分布。

鉴于此,采用一种基于卷积-小波神经网络的SAR图像海冰变化检测方法,网络结构如下:



function CM = hclustering(pixel_vector, Xd)

[ylen, xlen] = size(Xd);

% feature vectors are divided into three categories by using FCM

options = [2.0; 100; 1e-5; 0];

fprintf('... ... 1st round clustering ... ...\n');
[center,U,obj_fcn] = fcm(pixel_vector,2, options);

maxU = max(U);
index{1} = find(U(1,:) == maxU);
index{2} = find(U(2,:) == maxU);  
if numel(index{1})<numel(index{2})
    ttr = numel(index{1})/(ylen*xlen)*1.25;
    ttl = numel(index{1})/(ylen*xlen)/1.10;
else
    ttr = numel(index{2})/(ylen*xlen)*1.25;
    ttl = numel(index{2})/(ylen*xlen)/1.10;
end

c_num = 5;
fprintf('... ... 2nd round clustering ... ...\n');
[center,U,obj_fcn] = fcm(pixel_vector,c_num, options);

Xdk =  zeros(ylen*xlen, 1);
CMk0 = zeros(ylen*xlen, 1);

Xdk = reshape(Xd, ylen*xlen, 1);

maxU = max(U);

for i = 1:c_num
    index{i} = find(U(i,:) == maxU);    
end

for i = 1:c_num
    idx_mean(i) = mean(Xdk(index{i}));
end

[idx_mean, idx] = sort(idx_mean);

for i = 1:c_num
    idx_num(i) = numel(index{idx(i)});
end

CMk0(index{idx(c_num)}) = 0.0;
c = idx_num(c_num);
mid_lab = 0;

for i = 1:c_num-1
    c = c+idx_num(c_num-i);
    if c / (ylen*xlen) < ttl
       CMk0(index{idx(c_num-i)}) = 0.0;
    elseif c / (ylen*xlen) >= ttl && c / (ylen*xlen) < ttr
        CMk0(index{idx(c_num-i)}) = 0.5;
        mid_lab = 1;
    else
        if mid_lab == 0
            CMk0(index{idx(c_num-i)}) = 0.5;
            mid_lab = 1;
        else
            CMk0(index{idx(c_num-i)}) = 1;
        end
    end
end

CM = reshape(CMk0, ylen, xlen);
完整代码可通过知乎学术咨询获得:https://www.zhihu.com/consult/people/792359672131756032?isMe=1

结果如下:

工学博士,担任《Mechanical System and Signal Processing》《中国电机工程学报》《控制与决策》等期刊审稿专家,擅长领域:现代信号处理,机器学习,深度学习,数字孪生,时间序列分析,设备缺陷检测、设备异常检测、设备智能故障诊断与健康管理PHM等。

相关推荐
2401_88304108几秒前
新锐品牌电商代运营公司都有哪些?
大数据·人工智能
奋斗的小花生2 分钟前
c++ 多态性
开发语言·c++
魔道不误砍柴功4 分钟前
Java 中如何巧妙应用 Function 让方法复用性更强
java·开发语言·python
pianmian15 分钟前
python数据结构基础(7)
数据结构·算法
闲晨7 分钟前
C++ 继承:代码传承的魔法棒,开启奇幻编程之旅
java·c语言·开发语言·c++·经验分享
老猿讲编程35 分钟前
一个例子来说明Ada语言的实时性支持
开发语言·ada
AI极客菌1 小时前
Controlnet作者新作IC-light V2:基于FLUX训练,支持处理风格化图像,细节远高于SD1.5。
人工智能·计算机视觉·ai作画·stable diffusion·aigc·flux·人工智能作画
阿_旭1 小时前
一文读懂| 自注意力与交叉注意力机制在计算机视觉中作用与基本原理
人工智能·深度学习·计算机视觉·cross-attention·self-attention
王哈哈^_^1 小时前
【数据集】【YOLO】【目标检测】交通事故识别数据集 8939 张,YOLO道路事故目标检测实战训练教程!
前端·人工智能·深度学习·yolo·目标检测·计算机视觉·pyqt
Chrikk2 小时前
Go-性能调优实战案例
开发语言·后端·golang