一种基于CNN和MRF的SAR图像水体变化提取方法与流程

一种基于cnn和mrf的sar图像水体变化提取方法
技术领域
1.本发明涉及目标检测领域，尤其涉及一种基于cnn和mrf的sar图像水体变化提取方法。


背景技术：

2.合成孔径雷达(sar)作为一种主动式成像系统，可以穿透云层生成地面信息，不受大气条件影响全天时大范围采集数据，这弥补了光学遥感成像的局限。除此之外，光滑水面对雷达发射电磁波的后向散射能力较弱，在sar图像中呈现为较暗区域，这一特性使水体很容易在图像中识别出来。sar图像的水体提取技术在水资源调查、洪涝灾害监测等领域具有重要意义。
3.针对中低分辨率星载sar图像水域提取精度不足的难题，融合基于轻量级残差卷积神经网络(convolutional neural network,cnn)的图像超分辨率重建技术和传统sar图像水域分割技术的优点，杜兰等(雷达学报)提出了一种基于局部超分辨重建的sar图像水域分割方法。所提方法在传统水域分割技术的基础上，融入了基于卷积神经网的图像超分辨重建技术，通过对局部图像进行超分辨重建，突破了传统方法受sar图像分辨率的限制，显著提升了水域分割结果的精度。该方法首先对sar图像相干斑进行抑制，并基于模糊c均值(fuzzy c-means,fcm)聚类算法对水域进行粗分割；然后构建并训练一种新型的局部图像超分辨重建网络模型，利用该模型对包含局部水域边界的sar图像切片进行图像超分辨重建，从而获得更高分辨率的超分辨图像。为了验证所提出的新型图像超分辨重建网络模型和高精度水域分割方法的有效性，以南水北调中线工程水源地丹江口水库作为研究区域，基于国产高分三号(gf-3)卫星和欧空局sentinel-1卫星获取的sar数据集，开展了sar图像超分辨重建实验和水域边界提取实验。实验结果表明，所提图像超分辨重建网络模型在图像重建质量上具有较好的效果；同时，所提水域分割方法的准确率与虚警率均明显优于对比算法，轮廓平均偏移均小于对比方法。
4.唐德可(电子与信息学报)提出基于高分三号单极化sar数据的水体快速检测方法，包括sar预处理，顾及sar分布特性且保边缘的马尔科夫模型洪涝水体提取，基于sar几何构象模型的阴影虚警干扰去除等步骤，并利用人工检测结果进行相对精度评价。测试结果表明，所提方法可以实现洪涝受灾区域的快速、精确提取。
5.然而，现有方法对于弱反射地物产生的虚警现象以及细窄水域边缘分割等存在许多问题，sar图像水体提取仍然是一项具有挑战性的研究。


技术实现要素：

6.为解决现有的技术问题，本发明提供了一种基于cnn和mrf的sar图像水体变化提取方法。
7.本发明的具体内容如下：一种基于cnn和mrf的sar图像水体变化提取方法，包括如下步骤：
8.s1，图像预处理：对卫星影像进行辐射校正、几何校正和滤波处理，得到sar图像；
9.s2，基于cnn的水体提取：构建并训练卷积神经网络模型，利用cnn模型对sar图像分类为水体与非水体；
10.s3，基于改进的mrf水体精细提取：构建符合sar图像散射特性分布的mrf模型，利用mrf模型对cnn水体提取结果进行精细处理；
11.s4，sar图像水体变化提取：利用上述方法对多时相的sar图像进行水体提取，对水体变化进行提取与分析。
12.进一步的，对图像进行预处理时，通过snap软件对图像进行辐射校正和几何校正。
13.进一步的，对于单极化sar图像，利用负指数可视化变换方法将sar图像由16位格式存储转化成8位格式存储，转换公式为：
[0014][0015][0016]
其中，p8表示8位格式存储的图像像素值，p
16
表示16位格式存储的图像像素值，k是负指数变换参数，h
×
w表示图像的尺寸大小。
[0017]
进一步的，对图像进行预处理时，通过lee滤波算法对图像作滤波处理。
[0018]
进一步的，s2中，随机选取图像中均匀分布的水体像素与非水体像素作为训练与测试样本，基于resnet50模型构建并训练卷积神经网络模型。
[0019]
进一步的，s3中，单极化sar数据的统计特性服从gamma分布，基于gamma分布函数定义sar图像像素点与类别之间的似然函数：
[0020][0021]
其中，z是当前像素点的强度值，xi是类别标签，是xi的类中心，即属于类别xi的像素点的强度均值，l是雷达视数，函数γ(
·
)满足γ(n+1)＝n！；
[0022]
基于贝叶斯原理，对当前像素标签进行更新:
[0023][0024]
进一步的，s4中，基于地理信息系统的叠加分析工具对水体进行提取与分析。
[0025]
本发明克服了现有技术中的缺点，提供了一种结合卷积神经网络(cnn)和改进的mrf模型的sar图像水体变化提取技术。针对由于sar图像中道路、农田以及山体阴影与水体类似的灰度特征，传统方法往往将这些弱散射地物错误分类为水体的问题，通过构建并训练深度卷积神经网络模型，可以充分挖掘水体与非水体的深层次特征，实现水体与非水体的高精度分类；针对传统水体提取方法对水体细窄边缘部分提取效果不好的问题，采用更符合sar图像特性分布的马尔科夫随机场(mrf)模型对cnn水体提取结果进行平滑处理，使水体边缘提取更加精细并减少虚警现象。
附图说明
[0026]
下面结合附图对本发明的具体实施方式做进一步阐明。
[0027]
图1为本技术的基于cnn和mrf的sar图像水体变化提取方法的流程示意图；
[0028]
图2为具体实施方式中选取的sar图像水体变化提取结果图，其中，(a)为2020年6月的sentinel-1图像；(b)为2020年7月sentinel-1图像；(c)为水体提取图；(d)为水体变化提取。
具体实施方式
[0029]
结合图1和图2，实验数据选择2020年6月4日与2020年7月10日获取的两景sentinel-1a图像，为地距模型(grd)模式下获取的hv单极化sar图像。为了便于实验验证，截取数据中南漪湖作为实验区域，选取的sar图像如图2所示。
[0030]
(1)图像预处理
[0031]
首先，利用snap软件对sentinel-1卫星图像进行辐射校正与几何校正处理，并对两幅sar图像进行量化处理。单极化sar的16位强度图的大部分像素都呈现较低的像素值，表示了场景结构信息，只有后向散射较强的地物会呈现少数较高的像素值。由于水体对电磁波的后向散射较弱，在sar图像中呈现的像素值较低，其他具有较强散射强度值的像素点并不提供与水体相关的信息。所以为了保留水体的低强度值场景结构信息，利用负指数可视化变换方法将sar图像由16位格式存储转化成8位格式存储。具体转换公式如下所示：
[0032][0033][0034]
其中，p8表示8位格式存储的图像像素值，p
16
表示16位格式存储的图像像素值，k是负指数变换参数，h
×
w表示图像的尺寸大小。
[0035]
sar数据经过图像量化后，利用经典lee滤波器对图像进行滤波处理，选取窗口为5
×
5，减少相干斑噪声对水体提取的影响。
[0036]
(2)基于cnn的水体提取
[0037]
其次，在两幅sar图像中分别随机选取、均匀分布的30000个像素样本，其中70％作为训练样本，30％作为测试样本，基于resnet50模型构建并训练卷积神经网络模型，利用cnn模型对sar图像进行二分类，包括水体像素与非水体像素。
[0038]
(3)基于改进的mrf模型的水体精细处理
[0039]
采用符合sar图像散射特性分布(gamma分布)的马尔科夫随机场(mrf)模型，对cnn水体提取结果进行平滑处理，获得更加精细、完整的水体分割结果。单极化sar数据的统计特性服从gamma分布，基于gamma分布函数定义sar图像像素点与类别之间的似然函数：
[0040][0041]
其中，z是当前像素点的强度值，xi是类别标签，是xi的类中心，即属于类别xi的像素点的强度均值，l是雷达视数，函数γ(
·
)满足γ(n+1)＝n！；
[0042]
基于贝叶斯原理，可以对当前像素标签进行更新:
[0043][0044]
(4)sar图像水体变化提取
[0045]
最后，利用地理信息系统(gis)中叠加分析工具对两个时相的sar图像的水体提取结果进行水域变化提取，定量分析南漪湖水域面积变化。
[0046]
传统方法往往将道路、农田和山体阴影等弱散射目标错误分类为水体，本技术的sar图像水体变化提取方法，构建并训练了基于resnet50的卷积神经网络模型，充分利用了sar图像的灰度特征和纹理特征以及深层次特征，将水体和非水体更加精确区分，减少了弱反射的背景地物等造成的虚警区域，很大程度上减少复杂背景下弱散射目标对水体提取的影响。传统水体提取方法对水体细窄边缘部分提取效果不好，本技术利用结合gamma分布的mrf模型，对cnn水体提取结果进行平滑处理，使水体提取结果更加完整，尽可能保留了水体中细窄边缘部分，可以更加精细、完整地获取水体分割结果。通过两者结合减少了弱散射地物对sar图像水体分割的影响，解决了复杂背景下水体提取精度不高的问题。
[0047]
在以上的描述中阐述了很多具体细节以便于充分理解本发明。但是以上描述仅是本发明的较佳实施例而已，本发明能够以很多不同于在此描述的其它方式来实施，因此本发明不受上面公开的具体实施的限制。同时任何熟悉本领域技术人员在不脱离本发明技术方案范围情况下，都可利用上述揭示的方法和技术内容对本发明技术方案做出许多可能的变动和修饰，或修改为等同变化的等效实施例。凡是未脱离本发明技术方案的内容，依据本发明的技术实质对以上实施例所做的任何简单修改、等同变化及修饰，均仍属于本发明技术方案保护的范围内。