[发明专利]基于SAE-CNN的SAR图像洪水检测和预防方法

权利要求书

1.基于SAE-CNN的SAR图像洪水检测和预防方法，具体步骤如下，其特征在于,

步骤1：使用星载SAR图图像雷达摄影测量河流的SAR图像；

步骤2：为去除河流SAR图像噪声、提取河流SAR图像特征，将图像数据作为输入数据，重构SAR图像数据，训练稀疏自编码器模型，并将稀疏自编码器第二层神经元的输出作为图像数据稀疏特征；

步骤3：再将SAR图像数据稀疏特征作为CNN模型输入，图像所对应的水位信息作为CNN模型输出，训练CNN网络，构建SAE-CNN模型；

步骤4：检测待测河流SAR图像，经过步骤2的处理后，将图像数据稀疏特征输入到训练完成的CNN网络中，并输出河流的水位信息监测结果；

步骤5：将河流水位信息监测结果通过北斗卫星发送到监测平台，实现对河流水位信息实时的监测，若超过警戒水位，则启动洪水报警系统。

2.根据权利要求1基于SAE-CNN的SAR图像洪水检测和预防方法，其特征在于：步骤2中训练稀疏自编码器模型如下：

首先设计三层稀疏自编码器模型，包括输入层、隐藏层和输出层，输入层和输出层的维度相同，输出层可将图像的稀疏特征还原成原始的输入图像，隐藏层负责将原始输入数据转换为稀疏特征，假设输入样本集为x，则编码器网络运算公式为：

h¹＝f(W⁽¹⁾x+b⁽¹⁾) (1)

h¹是第二层隐藏层输出的稀疏特征，则解码器网络的运算公式为：

其中：W⁽¹⁾和W⁽²⁾是网络模型权重，b⁽¹⁾和b⁽²⁾是网络模型偏置，f(·)是网络的激活函数，本发明使用sigmoid函数，sigmoid函数有着平滑、易于求导等优点，其定义如下：

稀疏自编码器优化了隐藏层神经元激活的稀疏系约束，可使得大多数隐含层神经元处于抑制状态；其优化的目标函数是平方重构误差与某个稀疏惩罚项之和，具定义如下：

J_SAE(W,b)是稀疏自编码器优化的目标函数，ρ是稀疏系数，是第j个隐含层神经元的平均激活值，h_j(x^l)是第l个样本时，第j个隐藏层神经元的激活值；β是稀疏惩罚因子，是惩罚项：

设计好稀疏自编码网络模型后，使用梯度下降法训练稀疏自编码网络模型，直至网络模型满足目标函数的设定值。

3.根据权利要求1基于SAE-CNN的SAR图像洪水检测和预防方法，其特征在于：步骤3中构建SAE-CNN模型如下：

在训练好稀疏自编码网络模型后，将稀疏自编码网络的输出层，替换为CNN网络的卷积层、池化层和全连接层；

将步骤2提取的稀疏特征作为第一层卷积层输入，输入到CNN网络的卷积层，卷积层函数如下：

其中，是第n层卷积上第l个卷积核输出，f(·)是非线性激活函数，是第n层卷积第l个卷积核的权重系数，为n-1层卷积层第m个特征输出，是偏置项；

再将卷积核输出值输入到池化层，本发明选用Max pooling池化，可保留输入的局部最大值，去除河流SAR图像样本的平移敏感性、旋转敏感，Max pooling公式如下：

其中，是池化层的输出向量，为第l-1卷积层的输出向量，l为卷积区域的长度；

并将池化层的输出值输入到全连接层，本发明的全连接层选用Softmax逻辑回归实现对河流水位信息的识别，Softmax回归的输出定义如下：

式中，t为河流水位信息类别数，θⁱ(1≤i≤t)为分类层参数；最后使用随机梯度下降法对输出结果的交叉熵损失函数进行优化，并将结果反向传播，实现网络权重和阈值的更新，交叉熵损失函如下：

式中，t为样本数，y⁽ⁱ⁾为实际样本标签，为网络模型判别的标签。

4.根据权利要求1基于SAE-CNN的SAR图像洪水检测和预防方法，其特征在于：步骤4中检测待测河流SAR图像如下：

将河流SAR图像输入到SAE-CNN网络模型中，通过SAE模型的隐含层输出河流SAR图像的稀疏特征，再通过CNN模型的卷积层、池化层和全连接层，使用Softmax逻辑回归实现对河流水位信息的识别，输出待测河流SAR图像的水位信息。