| 基于混合损失U-Net的SAR图像渤海海冰检测研究 |
| |
| 引用本文： | 徐欢,任沂斌. 基于混合损失U-Net的SAR图像渤海海冰检测研究[J]. 海洋学报,2021,43(6)：157–170 doi: 10.12284/hyxb2021084 |
| |
| 作者姓名： | 徐欢 任沂斌 |
| |
| 作者单位： | 1.江苏海洋大学 海洋技术与测绘学院,江苏 连云港 222005;;2.中国科学院海洋研究所 海洋环流与波动重点实验室,山东 青岛 266071;;3.中国科学院海洋大科学研究中心,山东 青岛 266071 |
| |
| 基金项目： | 中国博士后科学基金(2019M662452);中国科学院战略先导专项(XDA19060101,XDA19090103);山东省重大科技创新工程(2019JZZY010102) |
| |
| 摘 要： | 
渤海是我国重要的经济区,海冰灾害严重威胁着人类生产活动。合成孔径雷达具有全天候成像能力,研究渤海区域的SAR图像海冰检测具有重要意义。传统海冰检测方法受限于特征提取方法和建模方式,检测精度有待提升。深度学习具有极强的特征自学习能力,适用于图像检测问题。
本文基于深度学习框架U-Net,以Sentinel-1双极化（VV和VH）合成孔径雷达图像为输入信息,设计混合损失函数优化传统U-Net模型,形成了基于混合损失U-Net的渤海海冰检测模型。将本文模型与传统海冰检测方法[脉冲耦合神经网络（PCNN）、马尔科夫随机场（MRF）和分水岭算法]和基于深度卷积神经网络（CNN）的深度学习方法进行了对比。实验结果表明：本文基于混合损失U-Net的海冰检测模型在重叠度、F1分数、精确度和召回率4项度量指标上分别达到了97.567%、98.769%、98.767%和98.771%,检测效果明显优于对比方法;双极化信息输入的检测结果比VV单极化输入的检测结果在F1分数、精确度、召回率和重叠度上分别提高了0.375%、0.111%、0.639%和0.740%;混合损失函数的检测结果比非混合损失函数的检测结果在F1分数、精确度、召回率和重叠度上分别提高了1.129%、0.947%、1.794%和2.231%;模型能对冰水沿线、冰间水道、冰间隙等细节进行有效检测;可应用于渤海区域整幅SAR图像的海冰检测,为海冰监测、海冰变化分析、海冰预报提供技术支撑。
|
| 关 键 词： | 合成孔径雷达图像 海冰检测 深度学习 U-Net 混合损失函数 |
| 收稿时间： | 2020-07-18 |
| 修稿时间： | 2020-09-23 |
| 本文献已被 万方数据 等数据库收录！ |
| 点击此处可从《海洋学报》浏览原始摘要信息 |
|
点击此处可从《海洋学报》下载免费的PDF全文 |
|
