[发明专利]一种基于气象卫星图像和深度迁移学习的海雾识别方法

说明书

本发明涉及一种基于气象卫星图像和深度迁移学习的海雾识别方法，包括：制作陆地雾数据集和海雾数据集；使用陆地雾数据集对语义分割网络进行训练，得到陆地雾识别模型；保留陆地雾识别模型中的低层级权重参数不变，使用海雾数据集训练陆地雾识别模型中的高层级权重参数，得到基于深度迁移学习的海雾识别模型；将待识别气象卫星可见光真彩图像输入海雾识别模型，海雾识别模型最后经由sigmoid层输出海雾识别二值结果图，并将海雾识别二值结果图以海雾区域覆盖掩模的形式叠加在待识别气象卫星可见光真彩图像上。本发明基于气象卫星图像和深度迁移学习方法训练获得更具泛化能力的海雾识别模型，具有泛化性好、识别精度高以及自动化程度较高等优点。

技术领域

本发明涉及海洋环境监测技术领域，特别是涉及一种基于气象卫星图像和深度迁移学习的海雾识别方法。

背景技术

雾由微小水滴或冰晶凝聚而成，悬浮于近地表大气。海雾，即为雾发生于沿海地区或海上等区域的气象。海雾一旦出现，因其浓度、厚度、范围都比较大，会大幅降低大气水平能见度，严重影响海域船舶交通安全，进而威胁到生产生活甚至经济等诸多领域，危害颇甚。

传统的海雾监测主要依靠沿岸或近海区域设置的稀疏气象站或浮标，虽然精度较高，但是由于站点多分布于近海且数量有限，远离海岸线的海雾以及大范围的海雾监测均无法实现。而卫星遥感技术具有快速、近实时、大范围观测的优势，尤其是静止卫星能够实现海雾的动态性连续监测，成为目前海雾监测的主要技术手段。

目前，基于卫星遥感技术的海雾监测算法以阈值法为主，通过经验分析设定光谱阈值，根据卫星空间分辨率逐点计算阈值并比较，从而实现海雾监测。但这种方法忽略了海雾在空间上的整体性，雾是存在于一片空间区域的，而不是以每个探测点孤立存在的，并没有利用遥感影像的图像特征，而且基于阈值的分析方法，需要对不同海域，不同时段以及不同季节分别设定阈值，这样很难获取一个通用且监测准确率较高的监测方法。这类基于先验知识的方法于鲁棒性及可泛化性层面上都有很大的局限。此类方法依赖于专家的气象经验，对从业者有更高的专业知识要求，人才培养成本高。所以出现了采用卷积神经网络针对气象卫星遥感影像构建深度学习模型的方法，该方法能够利用全局图像特征，同时处理多通道遥感影像，取得比传统阈值法更准确和更具鲁棒性的效果。

近年来，深度学习这门学科不断发展进步，已于越来越多领域取得了很好的应用，计算机视觉、自然语言处理、语音识别等。而图像语义分割一直以来都是计算机视觉领域的核心研究方向，其与图像分类、图像检测并称为计算机视觉领域三大基本任务。2014年相关学者提出全卷积网络模型(Fully Convolutional Networks，FCN)，为语义分割领域做出了开创性的工作，随着学者们研究的深入，陆续又有更多更为先进的语义分割网络结构诞生，如U-Net网络模型应用于医学影像的肿瘤识别；D-LinkNet应用于卫星图像的道路提取等。

目前提出的基于气象卫星图像的深度学习海雾检测方法，例如公开号为CN110208880A的专利申请“一种基于深度学习和卫星遥感技术的海雾检测方法”，是以大量数据样本为基础的，需要大量海雾数据样本用于学习，但是海上观测站分布稀疏，根据观测站数据获取的真实可信海雾图像样本量有限，因此无法训练出具有泛化能力的海雾识别模型，也就是数据量不够的话，模型用于海雾检测准确率就不够高，导致远离海岸线的海雾以及大范围的海雾的监测精度较低，而如果通过目视解译的方法人工标注海上雾区，从而增加海雾数据集，虽然能够增加样本数量，但是由于缺乏真实值校验，人工标注甚至专家标注都有可能存在偏差，反而为数据集引入噪声，影响模型训练的效果，从而降低海雾识别及检测的准确率。

发明内容

基于此，有必要针对现有技术中海雾检测方法存在的需要大量海雾数据样本用于学习，模型泛化能力不足，海雾识别及检测准确率较低的问题，提供一种基于气象卫星图像和深度迁移学习的海雾识别方法。

一种基于气象卫星图像和深度迁移学习的海雾识别方法，包括以下步骤：