基于混合损失U-Net的SAR图像渤海海冰检测研究
渤海是我国重要的经济区,海冰灾害严重威胁着人类生产活动.合成孔径雷达具有全天候成像能力,研究渤海区域的SAR图像海冰检测具有重要意义.传统海冰检测方法受限于特征提取方法和建模方式,检测精度有待提升.深度学习具有极强的特征自学习能力,适用于图像检测问题.本文基于深度学习框架U-Net,以Sentinel-1双极化(VV和VH)合成孔径雷达图像为输入信息,设计混合损失函数优化传统U-Net模型,形成了基于混合损失U-Net的渤海海冰检测模型.将本文模型与传统海冰检测方法[脉冲耦合神经网络(PCNN)、马尔科夫随机场(MRF)和分水岭算法]和基于深度卷积神经网络(CNN)的深度学习方法进行了对比.实验结果表明:本文基于混合损失U-Net的海冰检测模型在重叠度、F1分数、精确度和召回率4项度量指标上分别达到了97.567％、98.769％、98.767％和98.771％,检测效果明显优于对比方法;双极化信息输入的检测结果比VV单极化输入的检测结果在F1分数、精确度、召回率和重叠度上分别提高了0.375％、0.111％、0.639％和0.740％;混合损失函数的检测结果比非混合损失函数的检测结果在F1分数、精确度、召回率和重叠度上分别提高了1.129％、0.947％、1.794％和2.231％;模型能对冰水沿线、冰间水道、冰间隙等细节进行有效检测;可应用于渤海区域整幅SAR图像的海冰检测,为海冰监测、海冰变化分析、海冰预报提供技术支撑.
合成孔径雷达图像、海冰检测、深度学习、U-Net、混合损失函数
43
P722.4;P731.15(区域海洋学)
中国博士后科学基金;中国科学院战略性先导科技专项;中国科学院战略性先导科技专项;创新工程项目
2021-08-04（万方平台首次上网日期，不代表论文的发表时间）
共14页
157-170
