[发明专利]基于SAE-CNN的SAR图像洪水检测和预防方法

说明书

本发明涉及基于SAE‑CNN的SAR图像洪水检测和预防方法，首先为去除河流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；为去除SAR图像的平移敏感性、旋转敏感，再结合CNN模型，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；然后将待检测的图像数据稀疏特征输入到训练完成的CNN网络中，输出河流的水位信息监测结果；最后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的实时监测。

技术领域

本发明涉及洪水检测领域，特别设计基于SAE-CNN的SAR图像洪水检测和预防方法。

背景技术

洪水灾害一般具有突发性强、危害性大、时空分布广的特点，如果能对洪涝灾害进行及时的监测、评估和救灾，对拯救人民生命、挽救重大经济损失和节约人力具有极其重要的影响。要开展洪涝灾害的监测、评估、救灾及安排灾后重建,需要对洪涝灾害相关信息进行及时、准确、可靠的采集和反馈。水文信息采集传统的基本途径可分为:驻测、巡测和间测等，其中，驻测是在河流或流域内的固定点上对水文要素所进行的观测称驻测。这是我国收集水位信息的最基本方式，但存在着用人多、站点不足、效益低等缺点。巡测是观测人员以巡回流动的方式定期或不定期地对一地区或流域内各观测点进行流量等水文要素的观测。

近年来，卫星遥感、无人机遥感技术得到迅猛发展，在各类的灾害监测中得到了极大的应用。合成孔径雷达(Synthetic Aperture Radar，SAR)具有主动式相干成像的特点，其形成的虚拟天线能够不受光照和气候条件等限制，甚至可以穿透一定程度的地表和植被，全天时、全天候、大面积获取高分辨率的地表图像数据，可以用来对洪水进行有效的监测。但是SAR图像存在着噪声干扰、平移敏感性、旋转敏感等缺点。

编码器是一种无监督的逐层特征学习算法，编码网络首先对输入层的数据进行非线性变换，将高维的输入信号转变为隐含层中低维的编码矢量。然后解码网络对隐含层的编码矢量再进行非线性变换，将编码矢量转换为与输入层维度相同的输出。编码网络的隐含层可作为图像特征的通用提取器，自动提取图像特征，可减少图片的噪声干扰和人工提取特征造成的人为误差。

发明内容

为了解决上述存在问题。本发明提供基于SAE-CNN的SAR图像洪水检测和预防方法，解决河流洪水检测和预防。为达此目的：

本发明提供基于SAE-CNN的SAR图像洪水检测和预防方法，具体步骤如下：

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的实时监测，若超过警戒水位，则启动洪水报警系统。

作为本发明进一步改进，所述步骤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：