一种用于SAR图像海冰分类的卷积神经网络的训练方法及其分类方法
阅读：975发布：2020-05-16
专利汇可以提供一种用于SAR图像海冰分类的卷积神经网络的训练方法及其分类方法专利检索，专利查询，专利分析的服务。并且本 申请 提供一种用于SAR图像海 冰 分类的 卷积神经网络 的训练方法及其分类方法。基于卷积神经网络的SAR图像 海冰 分类的方法为：获取待分类SAR图像数据中像元的切片组；将所述切片组输入已训练的用于SAR图像海冰分类的卷积神经网络获取所述切片组的海冰分类结果；其中，所述用于SAR图像海冰分类的卷积神经网络的结构包括：至少3个卷积层及至少2个全连接层，每个卷积层之后是 池化 层和归一化层，每个全连接层后是dropout层，最后是输出结果的Softmax层。解决了人工参与SAR图像海冰分类难度大，效率低，数据不准确的问题，通过 人工智能 系统实现SAR图像海冰的自动分类。，下面是一种用于SAR图像海冰分类的卷积神经网络的训练方法及其分类方法专利的具体信息内容。
1.一种用于SAR图像海冰分类的卷积神经网络的训练方法，其特征在于，包括：
利用预定义的海冰类型图层将样本图像数据制作成训练切片文件；
利用所述训练切片文件训练用于SAR图像海冰分类的卷积神经网络达到预设精度；
其中，所述用于SAR图像海冰分类的卷积神经网络的结构包括：至少3个卷积层及至少2个全连接层，每个卷积层之后是池化层和归一化层，每个全连接层后是dropout层，最后是输出结果的Softmax层。
2.根据权利要求1所述的方法，其特征在于，所述利用预定义的海冰类型图层将样本图像数据制作成训练切片文件，包括：
遍历样本图像数据中的每个像元，并生成与预定义的海冰类型图层相匹配的每个像元的具有海冰类型信息的切片组；
将所有具有海冰类型信息的切片组制作成至少一个训练切片文件。
3.根据权利要求2所述的方法，其特征在于，所述生成与预定义的海冰类型图层相匹配的像元的具有海冰类型信息的切片组，包括：
判断以所述像元为中心形成的预设规格的切片与预定义的海冰类型图层对比是否符合预设条件；
如果是，则执行以下步骤：
以所述像元为中心切出n个不同规格的切片；
将n个切片压缩成所述预设规格并制作成具有海冰类型信息的切片组。
4.根据权利要求3所述的方法，其特征在于，所述具有海冰类型信息的切片组，包括：切片组头，n个压缩成所述预设规格的切片；其中，切片组头包括海冰类型信息。
5.根据权利要求3所述的方法，其特征在于，所述预设规格，等于所述卷积神经网络通道的规格。
6.根据权利要求3所述的方法，其特征在于，所述n个不同规格的切片具体是：所述预设规格乘2的m次方的规格的切片，所述m是0至n-1的连续整数，n大于1。
7.根据权利要求1所述的方法，其特征在于，设置用于SAR图像海冰分类的卷积神经网络的训练参数，所述利用所述训练切片文件训练用于SAR图像海冰分类的卷积神经网络达到预设精度，包括：
从所述训练切片文件获取训练切片；
将训练切片输入用于SAR图像海冰分类的卷积神经网络获取输出结果；
判断输出结果是否达到预设精度；
如果否，则调整训练参数，继续执行上述步骤；
如果是，则训练结束。
8.根据权利要求7所述的方法，其特征在于，所述从所述训练切片文件获取训练切片，包括：
从所述训练切片文件随机获取训练切片。
9.根据权利要求2所述的方法，其特征在于，所述将所有具有海冰类型信息的切片组制作成至少一个训练切片文件，包括：
将所有具有海冰类型信息的切片组随机排列制作成至少一个训练切片文件。
10.根据权利要求1-9任一项所述的方法，其特征在于，在所述方法之前还包括对所述对样本图像数据进行预处理，包括：辐射校正处理，热噪声校正处理，滤波处理。
11.根据权利要求1-9任一项所述的方法，其特征在于，所述dropout层的概率值设为
0.5-0.7。
12.根据权利要求1-9任一项所述的方法，其特征在于，所述海冰类型，包括：平暗表面海水，粗糙表面海水，斑状海冰、块状海冰、平暗海冰，条纹海冰。
13.一种基于卷积神经网络的SAR图像海冰分类的方法，其特征在于，包括：
获取待分类SAR图像数据中像元的切片组；
将所述切片组输入已训练的用于SAR图像海冰分类的卷积神经网络获取所述切片组的海冰分类结果；
其中，所述用于SAR图像海冰分类的卷积神经网络的结构包括：至少3个卷积层及至少2个全连接层，每个卷积层之后是池化层和归一化层，每个全连接层后是dropout层，最后是输出结果的Softmax层。
14.根据权利要求13所述的方法，其特征在于，所述获取待分类SAR图像数据中像元的切片组，包括：
以所述像元为中心切出n个不同规格的切片；
将n个切片压缩成所述预设规格并制作成切片组。
15.根据权利要求14所述的方法，其特征在于，所述预设规格，等于所述卷积神经网络通道的规格。
16.根据权利要求14所述的方法，其特征在于，所述n个不同规格的切片具体是：所述预设规格乘2的m次方的规格的切片，所述m是0至n-1的连续整数，n大于1。
17.根据权利要求13-16任一项所述的方法，其特征在于，在所述方法之前还包括对所述对待分类图像数据进行预处理，包括：辐射校正处理，热噪声校正处理，滤波处理。
18.根据权利要求13-16任一项所述的方法，其特征在于，所述dropout层的概率值设为
0.5-0.7。
19.根据权利要求13-16任一项所述的方法，其特征在于，所述海冰类型，包括：平暗表面海水，粗糙表面海水，斑状海冰、块状海冰、平暗海冰，条纹海冰。
一种用于SAR图像海冰分类的卷积神经网络的训练方法及其
分类方法
技术领域
背景技术
[0002] 海冰的分布对海运航线的设计和航运安全具有重要意义，海冰分布的长期变化反映了大气-冰-水圈的相互作用和全球变化，因此，对海冰分布监测具有重要科学意义和应用价值。
[0003] 一直以来对海冰的观测主要是通过现场观测。但是，由于现场观测的情况复杂，数据获取效率低。为海冰监测和研究带来很多的困难。发明内容
[0004] 本申请提供一种用于SAR图像海冰分类的卷积神经网络的训练方法，一种基于卷积神经网络的SAR图像海冰分类的方法。以解决人工参与海冰分类难度大，效率低，数据不准确的问题。
[0005] 为了解决上述技术问题，本申请实施例提供了如下的技术方案：
[0006] 本申请提供一种用于SAR图像海冰分类的卷积神经网络的训练方法，包括：
[0007] 利用预定义的海冰类型图层将样本图像数据制作成训练切片文件；
[0008] 利用所述训练切片文件训练用于SAR图像海冰分类的卷积神经网络达到预设精度；
[0009] 其中，所述用于SAR图像海冰分类的卷积神经网络的结构包括：至少3个卷积层及至少2个全连接层，每个卷积层之后是池化层和归一化层，每个全连接层后是dropout层，最后是输出结果的Softmax层。
[0010] 可选的，所述利用预定义的海冰类型图层将样本图像数据制作成训练切片文件，包括：
[0011] 遍历样本图像数据中的每个像元，并生成与预定义的海冰类型图层相匹配的每个像元的具有海冰类型信息的切片组；
[0012] 将所有具有海冰类型信息的切片组制作成至少一个训练切片文件。
[0013] 进一步的，所述生成与预定义的海冰类型图层相匹配的像元的具有海冰类型信息的切片组，包括：
[0014] 判断以所述像元为中心形成的预设规格的切片与预定义的海冰类型图层对比是否符合预设条件；
[0015] 如果是，则执行以下步骤：
[0016] 以所述像元为中心切出n个不同规格的切片；
[0017] 将n个切片压缩成所述预设规格并制作成具有海冰类型信息的切片组。
[0018] 进一步的，所述具有海冰类型信息的切片组，包括：切片组头，n个压缩成所述预设规格的切片；其中，切片组头包括海冰类型信息。
[0019] 可选的，所述预设规格，等于所述卷积神经网络通道的规格。
[0020] 可选的，所述n个不同规格的切片具体是：所述预设规格乘2的m次方的规格的切片，所述m是0至n-1的连续整数，n大于1。
[0021] 可选的，设置用于SAR图像海冰分类的卷积神经网络的训练参数，所述利用所述训练切片文件训练用于SAR图像海冰分类的卷积神经网络达到预设精度，包括：
[0022] 从所述训练切片文件获取训练切片；
[0023] 将训练切片输入用于SAR图像海冰分类的卷积神经网络获取输出结果；
[0024] 判断输出结果是否达到预设精度；
[0025] 如果否，则调整训练参数，继续执行上述步骤；
[0026] 如果是，则训练结束。
[0027] 进一步的，所述从所述训练切片文件获取训练切片，包括：
[0028] 从所述训练切片文件随机获取训练切片。
[0029] 可选的，所述将所有具有海冰类型信息的切片组制作成至少一个训练切片文件，包括：
[0030] 将所有具有海冰类型信息的切片组随机排列制作成至少一个训练切片文件。
[0032] 可选的，所述dropout层的概率值设为0.5-0.7。
[0034] 本申请提供一种基于卷积神经网络的SAR图像海冰分类的方法，包括：
[0035] 获取待分类SAR图像数据中像元的切片组；
[0036] 将所述切片组输入已训练的用于SAR图像海冰分类的卷积神经网络获取所述切片组的海冰分类结果；
[0037] 其中，所述用于SAR图像海冰分类的卷积神经网络的结构包括：至少3个卷积层及至少2个全连接层，每个卷积层之后是池化层和归一化层，每个全连接层后是dropout层，最后是输出结果的Softmax层。
[0038] 可选的，所述获取待分类SAR图像数据中像元的切片组，包括：
[0039] 以所述像元为中心切出n个不同规格的切片；
[0040] 将n个切片压缩成所述预设规格并制作成切片组。
[0041] 进一步的，所述预设规格，等于所述卷积神经网络通道的规格。
[0042] 可选的，所述n个不同规格的切片具体是：所述预设规格乘2的m次方的规格的切片，所述m是0至n-1的连续整数，n大于1。
[0043] 可选的，在所述方法之前还包括对所述对待分类图像数据进行预处理，包括：辐射校正处理，热噪声校正处理，滤波处理。
[0044] 可选的，所述dropout层的概率值设为0.5-0.7。
[0045] 可选的，所述海冰类型，包括：平暗表面海水，粗糙表面海水，斑状海冰、块状海冰、平暗海冰，条纹海冰。
[0046] 基于上述实施例的公开可以获知，本申请实施例具备如下的有益效果：
[0047] 本申请提供一种基于卷积神经网络的SAR图像海冰分类的方法。获取待分类SAR图像数据中像元的切片组；将所述切片组输入已训练的用于SAR图像海冰分类的卷积神经网络获取所述切片组的海冰分类结果；其中，所述用于SAR图像海冰分类的卷积神经网络的结构包括：至少3个卷积层及至少2个全连接层，每个卷积层之后是池化层和归一化层，每个全连接层后是dropout层，最后是输出结果的Softmax层。
[0048] 本试验以白令海峡周边为试验区，以欧洲空间局Sentinel-1卫星获取的SAR数据为研究对象，以Google公司的Tensorflow为计算框架，利用卷积神经元网络(Convolutional Neural Network,简称CNN)技术，采用多尺度方法。解决了人工参与海冰分类难度大，效率低，数据不准确的问题，通过人工智能系统实现海冰的自动分类。附图说明
[0049] 图1为一种用于SAR图像海冰分类的卷积神经网络的训练方法的流程图；
[0050] 图2为海冰类型：(a)平暗表面海水，(b)粗糙表面海水，(c)斑状海冰，(d)块状海冰，(e)平暗海冰，(f)条纹海冰；
[0051] 图3为用于SAR图像海冰分类的卷积神经网络结构示意图；
[0052] 图4为一种基于卷积神经网络的SAR图像海冰分类的方法的流程图。
具体实施方式
[0053] 下面，结合附图对本申请的具体实施例进行详细的描述，但不作为本申请的限定。
[0055] 包含在说明书中并构成说明书的一部分的附图示出了本公开的实施例，并且与上面给出的对本公开的大致描述以及下面给出的对实施例的详细描述一起用于解释本公开的原理。
[0056] 通过下面参照附图对给定为非限制性实例的实施例的优选形式的描述，本申请的这些和其它特性将会变得显而易见。
[0058] 当结合附图时，鉴于以下详细说明，本公开的上述和其他方面、特征和优势将变得更为显而易见。
[0059] 此后参照附图描述本公开的具体实施例；然而，应当理解，所公开的实施例仅仅是本公开的实例，其可采用多种方式实施。熟知和/或重复的功能和结构并未详细描述以避免不必要或多余的细节使得本公开模糊不清。因此，本文所公开的具体的结构性和功能性细节并非意在限定，而是仅仅作为权利要求的基础和代表性基础用于教导本领域技术人员以实质上任意合适的详细结构多样地使用本公开。
[0060] 本说明书可使用词组“在一种实施例中”、“在另一个实施例中”、“在又一实施例中”或“在其他实施例中”，其均可指代根据本公开的相同或不同实施例中的一个或多个。
[0061] 下面，结合附图详细的说明本申请实施例，
[0062] 本申请提供一种用于SAR图像海冰分类的卷积神经网络的训练方法；本申请还提供一种基于卷积神经网络的SAR图像海冰分类的方法。在下面的实施例中逐一进行详细说明。
[0063] 海冰的分布对海运航线的设计和航运安全具有重要意义，海冰分布的长期变化反映了大气-冰-水圈的相互作用和全球变化，因此，对海冰分布监测具有重要科学意义和应用价值。由于现场观测的困难，卫星遥感是海冰监测的重要手段，特别是合成孔径雷达(Synthetic Aperture Radar,，简称SAR)，不受日照和云遮挡的影响，分辨率高，是极区海冰遥感研究的重要手段。
[0064] 本试验以白令海峡周边为试验区，以欧洲空间局Sentinel-1卫星获取的SAR数据为研究对象，以谷歌公司的人工智能学习系统Tensorflow为计算框架，利用卷积神经网络(Convolutional Neural Network,简称CNN)技术，采用多尺度方法，实现海冰的自动分类。
[0065] CNN具有可学习的权重和偏置常量的神经元组成。每个神经元都接收一些输入，并做一些点积计算，输出是每个分类的分数。是一种前馈神经网络，它的人工神经元可以响应一部分覆盖范围内的周围单元，对于大型图像处理有出色表现。CNN的特点是具有多维维体积的神经元。利用输入是图片的特点，把神经元设计成多个维度：width,height,depth。depth不是神经网络的深度，而是用来描述神经元的。例如，输入的切片组大小是32×32×3(rgb)，那么输入神经元就也具有32×32×3的维度。
[0066] 卷积神经网络由一个或多个卷积层和顶端的全连接层组成，同时也包括关联权重和池化层等。这一结构使得卷积神经网路能够利用输入数据的二维结构。
[0067] 卷积层，用它来进行特征提取。
[0068] 全连接层，在整个卷积神经网络中起到分类器的作用。
[0069] 分类器，是数据挖掘中对样本进行分类的方法的统称。
[0070] 池化层，是一种形式的降采样。采用非线性池化函数，将输入的图像划分为若干个矩形区域，对每个子区域输出最大值。不断地减小数据的空间大小，因此参数的数量和计算量也会下降，在一定程度上也控制了过拟合。
[0071] 所述过拟合，是指为了得到一致假设而使假设变得过度严格。通常采用增大数据量和测试样本集的方法对分类器性能进行评价。
[0072] 归一化层，该模块主要进行的是局部做减和做除归一化，它会迫使在特征图中的相邻特征进行局部竞争，迫使在不同特征图的同一空间位置的特征进行竞争。在一个给定的位置进行减法归一化操作，实际上就是该位置的值减去邻域各像素的加权后的值，权值是为了区分与该位置距离不同影响不同，权值可以由一个高斯加权窗来确定。除法归一化实际上先计算每一个特征图在同一个空间位置的邻域的加权和的值，然后取所有特征图的这个值的均值，然后每个特征图的该位置的值被重新计算为该点的值除以最大值，该最大值是指该点在该图的邻域的加权和的值。分母表示的是在所有特征图的同一个空间邻域的加权标准差。对于一个图像的话，就是均值和方差归一化，也就是特征归一化。
[0073] dropout层，目的是为了防止CNN过拟合。在训练一个特定的网络时，当迭代次数增多的时候，可能出现网络对训练集拟合的很好，但是对验证集的拟合程度很差的情况。所以，引入dropout层，让每次跌代随机的更新网络参数，增加网络通用的能力。
[0074] Softmax层，属于多类分类器，输入为样本特征，输出为样本属于各个类别的概率。概率最大值所属的类别即为分类结果。
[0075] 对本申请提供第一实施例，即一种用于SAR图像海冰分类的卷积神经网络的训练方法的实施例。
[0076] 下面结合图1对本实施例进行详细说明，其中，图1为一种用于SAR图像海冰分类的卷积神经网络的训练方法的流程图。
[0077] 对样本图像数据进行预处理，包括：辐射校正处理，热噪声校正处理，滤波处理。
[0078] 预处理的目的是提高样本图像数据的质量，保持数据间的一致性和可对比性。
[0079] 辐射校正处理，是指对由于外界因素导致数据获取和传输系统产生的系统的、随机的辐射失真或畸变进行的校正，消除或改正因辐射误差而引起影像畸变的过程。
[0080] 热噪声校正处理，是指对存在于图像数据中的不必要的或多余的干扰信息进行的处理，从噪声产生的原因上可分为由于周期性偏移引起的噪声和由于电磁干扰引起的噪声。去除噪声的算法可分为空间域滤波方法和频率域滤波方法。
[0081] 滤波处理，即在尽量保留图像细节特征的条件下对目标图像的噪声进行抑制。
[0082] 例如，使用欧空局SNAP软件对Sentinel-1IW GRD一级产品作辐射校正处理，将像元DN值转换为后向散射系数σ，然后作热噪声校正处理，再做RefinedLee滤波处理，减少斑点噪声。
[0083] 步骤S101，利用预定义的海冰类型图层将样本图像数据制作成训练切片文件。
[0084] 将海冰分类是本实施例的基础。本实施例是对SAR图像的分析作为出发点，通过分析图像不同表现获得分析结果。因此，分类也是从图像出发，通过与实际情况的对比并结合研究的目的获得海冰的分类结果。海面分为海水和海冰，由于海冰离不开海水，很多情况下海水与海冰是相伴而生的，为了达到区分海冰的目的，本实施例将海水作为非海冰类加入海冰类型中。所述海冰类型，包括：平暗表面海水，粗糙表面海水，斑状海冰、块状海冰、平暗海冰，条纹海冰。请参照图2。
[0085] 平暗表面海水，平静海面，以镜面反射为主。
[0087] 斑状海冰，内部变形明显，块体之间有冰脊或裂隙，后向散射不均匀；
[0088] 块状海冰，内部均匀、没有变形，后向散射均匀；
[0089] 平暗海冰，是在冰裂隙或陆地边缘形成的新冰或薄冰，或冰间湖，后像散射弱；
[0090] 条纹海冰，则是在大片海冰边缘与开阔海水交互处的冰水混合物，海水中零散的海冰由于漂移运动而呈条纹状。
[0091] 所述利用预定义的海冰类型图层将样本图像数据制作成训练切片文件，包括：
[0092] 步骤S101-1，遍历样本图像数据中的每个像元，生成与预定义的海冰类型图层相匹配的像元的具有海冰类型信息的切片组。
[0093] 像元，亦称像素点或像元点。即影像单元。是组成数字化影像的最小单元。
[0094] 在遥感数据采集，如扫描成像时，它是传感器对地面景物进行扫描采样的最小单元；在数字图像处理中，它是对模拟影像进行扫描数字化时的采样点。是构成遥感数字图像的基本单元，是遥感成像过程中的采样点。
[0095] 所述遍历样本图像数据中的每个像元，是指按照样本图像数据中像元的排列规律依次读取样本数据中的所有像元。
[0096] 所述预定义的海冰类型图层，是指人工定义图像中的海冰类型，生成不同的海冰类型图层。
[0097] 所述生成与预定义的海冰类型图层相匹配的像元的具有海冰类型信息的切片组，包括：
[0098] 步骤S101-1-1，判断以所述像元为中心形成的预设规格的切片与预定义的海冰类型图层对比是否符合预设条件。
[0099] 所述切片，是指从样本图像数据中截取的一片图层。
[0100] 所述预设规格可以设置成任意规格，但是为了计算方便，将预设规格按照卷积神经网络的特性设置所述预设规格。例如，所述预设规格，等于所述卷积神经网络通道的规格。所述卷积神经网络通道的规格是32×32。为计算方便，预设规格也等于32×32。所述像元为中心形成的预设规格的切片，就是所述像元为中心形成的32×32的切片。
[0101] 所述预设条件，是指以所述像元为中心形成的预设规格的切片是否属于预定义的海冰类型。
[0102] 步骤S101-1-2，如果是，则执行以下步骤：
[0103] 步骤S101-1-2-1，以所述像元为中心切出n个不同规格的切片。
[0104] 以同一像元为中心的n个不同规格的切片，每个切片中所包含的特征尺度不同。在训练时可以获得更准确的输出结果。每个切片的规格可以是任意规格，但为了计算方便，所述n个不同规格的切片具体是：所述预设规格乘2的m次方的规格的切片，所述m是0至n-1的连续整数，n大于1。例如，预设规格等于32×32，Google公司的计算框架Tensorflow的输入图像通道数只提供1，3两种模式，因此选取n等于3，则3个不同规格的切片是32×32，64×64，128×128。而其他的计算框架n可以为大于或等于1的值。
[0105] 步骤S101-2-2-2，将n个切片压缩成所述预设规格并制作成具有海冰类型信息的切片组。
[0106] 所述具有海冰类型信息的切片组，包括：切片组头，n个压缩成所述预设规格的切片；其中，切片组头包括海冰类型信息。
[0107] 例如，预设规格等于32×32，n等于3，则3个不同规格的切片是32×32，64×64，128×128。则将切片64×64和切片128×128压缩成32×32。本实施例中，具有海冰类型信息的切片组，形成1组3层32×32的切片。其中第1层是原始32×32数据，第2层是64×64收缩的32×32数据，第3层是128×128收缩的32×32数据。每一个切片组共12292字节，其中第1-4字节是浮点型海冰类型代码，之后4096×3个字节分别是3层32×32的浮点型数据。
[0108] 步骤S101-2，将所有具有海冰类型信息的切片组制作成至少一个训练切片文件。
[0109] 本实施例中，优选的，将所有具有海冰类型信息的切片组随机排列制作成至少一个训练切片文件。以避免相似的类型数据过度集中被用于训练数据，从而造成训练结果失真。
[0110] 步骤S102，利用所述训练切片文件训练用于SAR图像海冰分类的卷积神经网络达到预设精度；
[0111] 其中，所述用于SAR图像海冰分类的卷积神经网络的结构包括：至少3个卷积层及至少2个全连接层，每个卷积层之后是池化层和归一化层，每个全连接层后是dropout层，最后是输出结果的Softmax层。所述dropout层的概率值设为0.5-0.7。
[0112] 由于卷积神经网络的深度越深，所带来的计算量越大，耗费的时间越多，合理控制卷积神经网络的深度也是必须考虑的选项。例如，请参照图3，优选的，所述用于SAR图像海冰分类的卷积神经网络的结构包括：3个卷积层和2个全连接层，每个卷积层之后是池化层和归一化层，每个全连接层后是dropout层，最后是输出结果的Softmax层。所述dropout层的概率值优选为0.6。采用该结构不仅达到海冰分类的目的，而且大大减少了计算量，节约了分析时间。
[0113] 在训练前，设置用于SAR图像海冰分类的卷积神经网络的训练参数，包括：滑动平均衰减，学习速率衰减所需轮数，学习速率衰减，初始学习速率，每轮训练样本数，每轮验证样本数，训练批次。
[0114] 所述利用所述训练切片文件训练用于SAR图像海冰分类的卷积神经网络达到预设精度，包括：
[0115] 步骤S102-1，从所述训练切片文件获取训练切片。
[0116] 所述从所述训练切片文件获取训练切片，包括：从所述训练切片文件随机获取训练切片。这样可以避免训练结果失真。
[0117] 步骤S102-2，将训练切片输入用于SAR图像海冰分类的卷积神经网络获取输出结果。
[0118] 步骤S102-3，判断输出结果是否达到预设精度。
[0119] 本实施例中，预设精度达到0.945-0.922。
[0120] 步骤S102-4，如果否，则调整训练参数，继续执行上述步骤。
[0121] 步骤S102-5，如果是，则训练结束。
[0122] 本实施例达到预设精度时获得的训练参数为：滑动平均衰减＝0.9999，学习速率衰减所需轮数＝100，学习速率衰减＝0.6，初始学习速率＝0.05，每轮训练样本数＝8192，每轮验证样本数＝128，训练批次＝60000。
[0123] 本申请还提供第二实施例，即一种基于卷积神经网络的SAR图像海冰分类的方法。由于本方法实施例基本相似于第一方法实施例，所以描述得比较简单，相关的部分请参见第一方法实施例的对应说明即可。下述描述的方法实施例仅仅是示意性的。
[0124] 图4示出了本申请提供的一种基于卷积神经网络的SAR图像海冰分类的方法的实施例。图4为一种基于卷积神经网络的SAR图像海冰分类的方法的流程图。
[0125] 对待分类图像数据进行预处理，包括：辐射校正处理，热噪声校正处理，滤波处理。
[0126] 请参考图4，本申请提供一种基于卷积神经网络的SAR图像海冰分类的方法，包括：
[0127] 步骤S201，获取待分类SAR图像数据中像元的切片组。
[0128] 所述获取待分类SAR图像数据中像元的切片组，包括：
[0129] 以所述像元为中心切出n个不同规格的切片；
[0130] 将n个切片压缩成所述预设规格并制作成切片组。
[0131] 所述预设规格可以设置成任意规格，当向卷积神经网络输入切片时，需将所述预设规格作为参数输入卷积神经网络。通常将所述预设规格设置成8×8，如果所述预设规格设置过小，则切片所含特征过少，影响分类结果。为了计算方便，将预设规格按照卷积神经网络的特性设置所述预设规格。例如，所述预设规格，等于所述卷积神经网络通道的规格。所述卷积神经网络通道的规格是32×32。为计算方便，预设规格也等于32×32。所述像元为中心形成的预设规格的切片，就是所述像元为中心形成的32×32的切片。
[0132] 可选的，以同一像元为中心的n个不同规格的切片，每个切片中所包含的特征尺度不同。在训练时可以获得更准确的输出结果。每个切片的规格可以是任意规格，但为了计算方便，所述n个不同规格的切片具体是：所述预设规格乘2的m次方的规格的切片，所述m是0至n-1的连续整数，n大于1。
[0133] 例如，预设规格等于32×32，Google公司的计算框架Tensorflow的输入图像通道数只提供1，3两种模式，因此选取n等于3，则3个不同规格的切片是32×32，64×64，128×128。而其他的计算框架n可以为大于或等于1的值。本实施例中，所述切片组，形成1组3层32×32的切片。其中第1层是原始32×32数据，第2层是64×64收缩的32×32数据，第3层是128×128收缩的32×32数据。3层32×32的浮点型数据。
[0134] 步骤S202，将所述切片组输入已训练的用于SAR图像海冰分类的卷积神经网络获取所述切片组的海冰分类结果；
[0135] 其中，所述用于SAR图像海冰分类的卷积神经网络的结构包括：至少3个卷积层及至少2个全连接层，每个卷积层之后是池化层和归一化层，每个全连接层后是dropout层，最后是输出结果的Softmax层。所述dropout层的概率值设为0.5-0.7。
[0136] 由于卷积神经网络的深度越深，所带来的计算量越大，耗费的时间越多，合理控制卷积神经网络的深度也是必须考虑的选项。请参照图3，优选的，所述用于SAR图像海冰分类的卷积神经网络的结构包括：3个卷积层和2个全连接层，每个卷积层之后是池化层和归一化层，每个全连接层后是dropout层，最后是输出结果的Softmax层。所述dropout层的概率值优选为0.6。采用该结构不仅达到海冰分类的目的，而且大大减少了计算量，节约了分析时间。所述海冰类型，包括：平暗表面海水，粗糙表面海水，斑状海冰、块状海冰、平暗海冰，条纹海冰。
[0137] 例如，使用4景Sentinel-1数据用于海冰分类制图，其中3景为未参与训练的数据，1景为参与切片制作及卷积神经网络训练的数据。通过滑移窗遍历图像，每个滑移窗的数据作为卷积神经网络的输入进行分类，最终实现整景图像的分类。下表是对4景分类图抽样检查的海冰分类结果：
[0138]
[0139]
[0140] 从上表可以看出，2017年4月21日参与了卷积神经网络训练的数据，平暗海水和条纹海冰得到较好的识别，分别达到99.99％和94.25％，块状海冰识别准确率达81.42％，部分被错分为粗糙海水(14.97％)。对于未参与训练的数据分析，斑状海冰和粗糙海水分类结果较好，分别可以达到83.37％和97.31％。但是，平暗海冰容易被错分为平暗海水，块状海冰容易被错分为粗糙海水，在2017年4月9日的数据统计区域内，块状海冰多数被错分为粗糙海水。
[0141] 本申请虽然以较佳实施例公开如上，但其并不是用来限定本申请，任何本领域技术人员在不脱离本申请的精神和范围内，都可以做出可能的变动和修改，因此本申请的保护范围应当以本申请权利要求所界定的范围为准。
| 标题 | 发布/更新时间 | 阅读量 |
|---|---|---|
| 雷达角度估计及误差校正方法 | 2020-05-11 | 640 |
| 一种具有缓冲和制动功能的轨道拖车自调平装置 | 2020-05-13 | 1004 |
| 基于OpenGL的移动端高精度倾斜摄影三维建模方法 | 2020-05-19 | 463 |
| 一种基于心电图的心率监测分析方法 | 2020-05-21 | 53 |
| 一种重叠宫颈细胞图像分割方法 | 2020-05-17 | 524 |
| 针对非圆信号的多目标直接定位方法 | 2020-05-18 | 125 |
| 一种激光显示画面散斑噪声消除器及显示器 | 2020-05-18 | 579 |
| 基于岩相阀值的混阶各向异性扩散地震图像去噪方法 | 2020-05-08 | 333 |
| 一种表面缺陷检测方法、装置及电子设备 | 2020-05-14 | 423 |
| 一种降低花纹噪声的轮胎 | 2020-05-13 | 45 |
高效检索全球专利专利汇是专利免费检索,专利查询,专利分析-国家发明专利查询检索分析平台，是提供专利分析，专利查询，专利检索等数据服务功能的知识产权数据服务商。
我们的产品包含105个国家的1.26亿组数据，免费查、免费专利分析。
分析报告
专利汇分析报告产品可以对行业情报数据进行梳理分析，涉及维度包括行业专利基本状况分析、地域分析、技术分析、发明人分析、申请人分析、专利权人分析、失效分析、核心专利分析、法律分析、研发重点分析、企业专利处境分析、技术处境分析、专利寿命分析、企业定位分析、引证分析等超过60个分析角度，系统通过AI智能系统对图表进行解读，只需1分钟，一键生成行业专利分析报告。
QQ群二维码
意见反馈
意见反馈