1.一种SAR数据和多光谱数据融合的海冰目标提取方法,其特征在于,该方法结合了:OceanTDL5神经网络模型目标初检和影像融合目标精检方法;
首先构建OceanTDL5神经网络模型并基于该模型进行海冰目标初步检测,得到疑似目标,然后提出一种SAR数据和多光谱数据的影像融合方法并基于该方法对疑似目标进行影像融合,精确提取海冰目标;
一种SAR数据和多光谱数据融合的海冰目标提取方法包括:S1.确定海冰目标提取的研究区域,分别获得研究区域的S1极化SAR数据和S2多光谱数据,S1极化SAR数据简称为S1影像,S2多光谱数据简称为S2影像;
S2.对S1影像进行预处理,构建海洋目标检测S1影像数据集,S1影像预处理包括选择数据集、影像裁剪、去帧间隙、辐射校正、斑点滤波、正射纠正和数据格式转换;
S3.选用S2影像中透云雾性和饱满度最佳的波段数据并对S2影像进行预处理,生成用于海冰检测的S2影像数据集,S2影像预处理包括重采样、重投影、归一化数据格式转换和匹配SAR分辨率;
S4.构建OceanTDL5神经网络模型;
S5.构建用于OceanTDL5神经网络模型学习的训练数据集、测试数据集和验证数据集;
S6.设置OceanTDL5神经网络模型的训练次数并对其进行训练;
S7.调用训练完成的OceanTDL5神经网络模型对S1影像和S2影像中的海冰进行初步检测,并保存检测到的疑似目标和非疑似目标;
S8.对初步检测后的S1影像和S2影像进行影像融合和海冰提取;
S9.完成基于SAR数据和多光谱数据融合的海冰目标提取;
所述OceanTDL5神经网络模型的结构为:
OceanTDL5神经网络模型由1个Layer层、1个中间Group层组和1个全连接Dense层构成;
Layer层的组织形成为:Wx_pluse_b‑relu‑Dropout‑reshape;
中间Group层组包括3层,组织形成为:(Wx_pluse_b‑relu‑Dropout‑reshape)*3;
全连接Dense层的组织形成为:Wx_pluse_b‑relu;
特征信息由开始输入的784个特征经529‑121‑25‑9逐级递减,最后用一个包含9个神经元的全连接进行加权求和,relu激活压缩到2个特征,输入到Loss层的Softmax进行分类。
2.根据权利要求1所述的SAR数据和多光谱数据融合的海冰目标提取方法,其特征在于,所述影像融合目标精检方法为:(1)计算S1影像和S2影像中疑似目标像素值均值差meanD;
分别读取S1影像和S2影像中疑似目标检测结果,计算其像素值均值差meanD:式中,meanS1,meanS2分别为S1和S2影像中疑似目标像素均值,ValS1‑STP,ValS2‑STP分别为S1影像和S2影像中疑似目标像素值,NS1‑STP,NS2‑STP分别为S1影像和S2影像中疑似目标像素个数;
(2)计算融合影像疑似目标的像素值;
融合S1影像和S2影像中疑似目标的像素值,得到初始融合的fusionS影像:fusionSmn=[ValS1‑STP]mn+meanD式中,fusionSmn为融合影像疑似目标的像素值,ValS1‑STP为S1影像中疑似目标的像素值,m,n为疑似目标像素的行和列;
(3)计算S1影像非分布目标像素值;
依次读取S1影像中的非分布目标,将S1影像中以该目标为中心的九宫格区域的像素值进行调整,保存到clusterVal[j][k]中,如下式:clusterVal[j][k]=S1[j][k]+meanD/ε式中,clusterVal[j][k]为S1影像非分布目标像素值,j是S1影像的行号,k是列号,ε是融合系数,ε=2;
(4)将clusterVal[j][k]融合到fusionS影像中:建立S1影像非分布目标的掩模影像,计算S1影像非分布目标的中心坐标,按照边界像素值相同的原则将clusterVal[j][k]融合到fusionS影像中。
3.根据权利要求1所述的SAR数据和多光谱数据融合的海冰目标提取方法,其特征在于,影像融合前,对研究区域进行特征分析,具体方法为:采用小样本对研究区域海冰目标的图像特征进行统计分析,得到研究区域海冰目标的统计特征值和像素特征值;
采用小样本对研究区域全部海洋的图像特征进行统计分析,得到研究区域全部海洋的统计特征值和像素特征值;
采用小样本对预处理后的疑似目标的图像特征进行统计分析,得到研究区域各类目标的统计特征值。
4.根据权利要求1所述的SAR数据和多光谱数据融合的海冰目标提取方法,其特征在于,斑点滤波分别采用Boxcar滤波器和改进的J.S.Lee滤波器两种极化滤波器进行滤波。
5.根据权利要求1所述的SAR数据和多光谱数据融合的海冰目标提取方法,其特征在于,重采样后将S2影像中的不透明云和卷积云提取出来,然后将陆地剔除,即将陆地像素设置成空值,从而提取出海洋。