[发明专利]一种基于深度学习的卫星图像低相干区域识别方法及装置

说明书

一种基于深度学习的卫星图像低相干区域识别方法及装置，属于卫星图像处理领域，其特征在于，通过基于对SAR图像处理得到的质量图与语义分割结合成一个流程化学习框架，并引入深度卷积网络进行识别，相较于人工判读和传统机器学习算法，本发明所述的基于深度学习的低相干区识别方法大大减少了对人工特征工程和样本数据的依赖，且基于卷积计算的高效性能够快速处理大范围区域；同时在引入全局注意力的基础上，进一步描述各像素位置与语义类别间的关系表示，缓解SAR影像固有的高噪声区域的识别效果，并在不显著增加计算量的前提下提升识别精度准确提取低相干区域。

技术领域

本发明属于卫星图像处理领域，尤其涉及一种基于深度学习的卫星图像低相干区域识别方法及装置。

背景技术

合成孔径雷达干涉测量(InSAR)是利用相位信息提取地面高程的空间对地观测技术，具有全天时、全天候、高精度、大面积的特点，在海洋、自然灾害、极地、测绘、军事等方面得到广泛的应用，为国民经济的发展和国家的安全作出突出贡献。

天绘-2卫星是我国自主研制的首颗基于编队体制的微波型、地形类测绘卫星，它利用InSAR技术可以高效的获取高精度DEM数据，但是由于InSAR技术的复杂性，仍然有许多问题没有得到本质性解决，比如InSAR单视复影像对(SLC)的回波信号失相干问题，造成一定区域的低相干数据即是其中之一。长期以来，低相干区域的识别与漏洞填补需要人工去进行判断与手动编辑，在天绘-2卫星每天最大接收数据达1300景的需求前提下，靠人工进行低相干区域的标注与漏洞填补，生产效率低下，显然难以满足实际生产的需要，无法保障全球测绘的实际生产任务需求。近年来，随着深层神经网络在多种计算机视觉任务中取得的惊人进展，已有许多研究将其应用于光学遥感影像分析，并在路网提取、植被分类、遥感变化检测等方向取得了超越传统方法的成绩。然而，针对SAR影像本身成像特性造成的雷达阴影、叠掩、光滑平面(水面)等形成的低相干区域，加上因重复轨道以及编队飞行问题造成的时间-距离的失相干，各种复杂因素叠加在一起，给天绘-2卫星的低相干区域识别增加了困难，另外，深度学习与SAR影像识别技术进行结合在如下几个方面还面临挑战：1.SAR低相干区域的类内差异性和类间相似性增加了提取的难度；2.不同季节、不同地区的SAR图像差异显著，模型预测能力在不同时相数据集间波动很大；3.因天绘-2卫星需保障全球测绘任务，数据是海量的，但可用于监督训练的样本十分有限。

发明内容

本发明旨在解决上述问题，提供一种基于深度学习的卫星图像低相干区域识别方法及装置。

第一方面，本发明提供一种基于深度学习的卫星图像低相干区域识别方法，包括如下步骤：

步骤1、亚像元级配准；对SAR图像通过测度函数进行对准，得到匹配点集合；

步骤2、粗差探测与剔除；剔除步骤1所得匹配点集合中存在的误匹配点；

步骤3、辅图像重采样；根据步骤2中所得经剔除处理后的匹配点集，对主图像、辅图像之间的配准偏移量进行多项式拟合，建立多项式配准模型，并对辅图像进行重采样；

步骤4、质量图生成；根据主图像、辅图像生成相关系数矩阵，即质量图；

步骤5、提取质量图特征；使用多层堆叠的卷积神经网络以数据驱动的方式进行图像特征提取，得到图像特征图；

步骤6、对象粗分割；以图像特征图为输入，将图像特征图分为若干个区域，每个区域对应一类，描述图像特征图中各像素属于该类的概率；

步骤7、类别对象表示；在粗分割基础上通过计算得到各个像素的加权量化表示；

步骤8、像素特征增强表示；将类别对象表示与像素特征进行融合获得增强的像素特征，该增强的像素特征被用于像素语义分割；

步骤9、像素语义标签生成；在像素特征增强表示的基础上，通过浅层卷积网络将每个像素映射到一个语义类别，通过真值标签优化网络参数，得到最终的低相干区域识别结果。