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

于 2024-06-02 11:59:40 发布
阅读量466 收藏 11
点赞数 5
分类专栏： 小波分析 信号处理 机器学习 文章标签： 神经网络 matlab 人工智能 信号处理 开发语言 机器学习 算法
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/weixin_39402231/article/details/139389349
版权
信号处理 同时被 3 个专栏收录
322 篇文章 25 订阅
订阅专栏
机器学习
166 篇文章 1 订阅
订阅专栏
小波分析
156 篇文章 34 订阅
订阅专栏

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：

图片

 


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：

图片

图片

图片

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。

哥廷根数学学派
关注
  • 5
    点赞
  • 踩
  • 11
    收藏
    觉得还不错? 一键收藏
  • 打赏
    打赏
  • 0
    评论
专栏目录
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

哥廷根数学学派

码字不易，且行且珍惜

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值