[发明专利]一种雷达图像衍生与数据库扩容的方法

说明书

本发明提供一种雷达图像衍生与数据库扩容的方法，具体过程为：首先建立三维海浪波面，通过雷达成像原理，在三维数值波面中加入调制信息，仿真雷达波面图像，形成仿真雷达图像数据库；其次，获取实测雷达图像，将极坐标雷达图像转换成笛卡尔坐标并进行预处理，对预处理的雷达图像做自适应二值化，在此基础上进行闭运算和灰度填充，从而形成实测雷达波面图像数据库；最后，融合仿真雷达图像数据库和处理后的实测雷达图像数据库，扩充雷达波面图像数据库。该方法有效弥补了采用人工智能方法反演海浪参数时数据库缺乏中高海况下的图像数据，导致模型普适性不够的问题。

技术领域

本发明属于海洋遥感技术领域，涉及一种雷达图像衍生与数据库扩容的方法。

背景技术

海浪信息的观测和实时预报对于各种近岸和远海活动至关重要，如船舶航行、近岸工程、海洋资源开发。由于导航雷达图像分辨率高且能够反映海表面在空间和时间上的变化，其逐渐发展成为一种测量波高的遥感手段。传统的谱分析法是基于经验公式计算海浪参数，通过计算海浪谱来估算海浪参数，由于在低海况和高海况下，没有精准的滤波器可以提取海浪的频谱信息，导致最终无法反演准确的海浪参数。随着人工智能技术的快速发展，基于人工智能方法反演海浪参数也得以应用，但是该方法需获取大量雷达图像，实际测量中存在中高海况数据难获取，导致图像数据不足，导致神经网络模型泛化性不够，为解决基于人工智能方法反演海浪参数雷达图像数据库不足的情况，需要对雷达图像进行衍生和扩容，从而提高反演精度。在雷达目标识别领域，为解决雷达数据不足的情况，通过图像旋转、剪切、模糊和加入噪声等方法来生成与原始图像相似的图像，并扩充数据量，目前尚未有提出相关的扩充数据库的手段。由于反演海浪参数需要获取大量不同海况下的雷达图像，作为深度学习网络模型训练的输入，为了解决深度学习模型需要大量图像数据训练模型的问题。所以，可以采取仿真雷达图像手段，对不同海况下的雷达图像进行衍生，并扩充雷达图像数据库。

发明内容

本发明提供了一种雷达图像衍生与数据库扩容的方法，该方法通过仿真雷达波面图像，实测雷达波面图像的二值化处理，完成雷达图像的衍生和扩容。本发明首先建立三维数值波面，通过雷达成像原理，在三维数值波面中加入调制信息，仿真雷达波面图像，形成仿真雷达图像数据库；其次，获取实测雷达图像，将极坐标雷达图像转换成笛卡尔坐标并进行预处理，对预处理的雷达图像做自适应二值化，在此基础上进行闭运算和灰度填充，从而形成实测雷达波面图像数据库；最后，融合仿真雷达图像数据库和处理后的实测雷达图像数据库，来扩充雷达波面图像数据库。

本发明采用的技术方案如下：

一种雷达图像衍生与数据库扩容的方法，具体步骤如下：

步骤一：仿真雷达波面图像；

步骤1.1：建立三维数值波面。

基于海浪平稳随机性假设，采用Longuet-Higgins模型，表示为：

其中，η(x,y,t)表示海面波高，(x,y)为海浪空间固定点的坐标，t时间序列；a_ij是海浪振幅；ω_i为角频率，θ_j为海浪波向与x轴之间所成的角度，k_i是组成波的角波数，i、j是(x,y)海浪空间坐标点数，δ_ij为[0，2π]上均匀分布的随机相位。

步骤1.2：建立海浪频谱和方向谱函数。

采用JONSWAP海浪谱为海面波高的输入，表示为：

其中，S(ω)是海浪频谱，ω为角频率，α为能量尺度参量，ω_p为谱峰频率，g为重力加速度，γ为谱峰升高因子(一般取平均值3.3)，σ_j描述谱宽度的参数。