[发明专利]基于海冰场景分类的冰间通路提取方法

说明书

本发明涉及一种基于海冰场景分类的冰间通路提取方法，包括以下步骤：收集多场景的高分辨率机载海冰图像；分为包含冰间通路的场景和不包含冰间通路的场景，制作训练集和测试集并给训练集和数据集中的海冰图像制作标签；微调卷积神经网络VGG‑f，冻结VGG‑f归一化层、卷积层、池化层的权重参数，重新训练VGG‑f最后一层全连接层的权重参数实现模型的迁移，得到海冰图像的场景级分类结果；对包含冰间通路的场景进行Tamura特征提取，选取对比度作为包含冰间通路类别的图像代表性特征；对ORTSEG方法进行参数优化选择，实现目标场景中的包含冰间通路的场景提取。本发明可以更有效地提取冰间通路，保证提取可靠性。

技术领域

本发明涉及一种冰间通路提取方法，特别是基于海冰场景分类的冰间通路提取方法，属于机载遥感图像目标提取研究领域。

背景技术

冰间通路是狭窄的，当大浮冰朝向彼此平行移动并发生分岔或剪切时，在冰间会形成线状的裂缝。通路对导航发挥着重要的作用，因为即使它们冻结,冰间通道往往包含相对更为稀疏和薄弱的冰，更容易让潜艇通过，也更容易让破冰船穿过冰面。

机载遥感具有低造价、灵活性高、分辨率可调等优点。机载遥感相比卫星而言，成本就低得多了。而且飞机的近地观测可以灵活调整图像分辨率，获得高清晰的图像，比图像分辨率较固定的卫星要灵活得多，可根据需要调整飞行速度和拍摄领域，特别适合于极地海冰遥感监测。

正因如此，对机载遥感图像冰间通路的检测和定位的意义是十分重大的。

迁移学习并不是一种特定的机器学习模型，它更像是一种优化技巧。迁移学习提出可以在一个通用的大数据集上进行一定量的训练后，再用针对性的小数据集进一步强化训练。迁移学习的思想允许我们利用现有的模型加上少量数据和训练时间，取得不俗的结果。在本发明中，通过对VGG-f网络的微调实现海冰场景的分类。

多重随机纹理动态逼近分割(Occlusion of Random Texture Segmentation，ORTSEG)算法是一种基于局部直方图的新的无监督分割方法，它非常适合于边界不清晰的大量图像。包括在本发明中关注的海冰图像中冰间通道的提取。ORTSEG算法提出了一个图像分割的数学框架，将图像建模为纹理的遮挡。给定一个根据这个模型形成的图像，证明其局部值直方图将近似地是其组成纹理的值分布的凸组合，是一种基于直方图分解和去卷积的图像分割新算法框架。ORTSEG方法最初主要应用在组织医学图像的分割中，在本发明中应用该算法到海冰遥感图像的LEAD提取中，并根据海冰图像的特点对ORESEG方法进行参数优化选择。

综上所述，本发明提出采用基于海冰场景分类的ORESEG参数优化选择方法进行冰间通路的提取。

发明内容

针对上述现有技术，本发明要解决的技术问题是提供一种能够更有效地提取冰间通路的基于海冰场景分类的冰间通路提取方法。

为解决上述技术问题，本发明基于海冰场景分类的冰间通路提取方法，包括以下步骤：

步骤一：收集多场景的高分辨率机载海冰图像；

步骤二：将收集到的海冰场景分为Lead-Ice和Others两大类场景，其中Lead-Ice为包含冰间通路的场景，Others为不包含冰间通路的场景，制作训练集和测试集并给训练集和数据集中的海冰图像制作标签；

步骤三：微调卷积神经网络VGG-f，冻结VGG-f归一化层、卷积层、池化层的权重参数，重新训练VGG-f最后一层全连接层的权重参数实现模型的迁移，得到海冰图像的场景级分类结果，即Lead-Ice和Others；

步骤四：对Lead-Ice进行Tamura特征提取，在特征提取结果中选取对比度作为Lead-Ice类别的图像代表性特征，其中，提取对比度的计算公式如下：