(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202210567764.3 (22)申请日 2022.05.24 (71)申请人 国家海洋环境监测中心 地址 116023 辽宁省大连市沙河口区凌河 街42号 申请人 大连工业大 学 (72)发明人 范剑超　周健林　王心哲　高宁　 马玉娟　王林　 (74)专利代理 机构 辽宁鸿文知识产权代理有限 公司 21102 专利代理师 许明章　王海波 (51)Int.Cl. G06V 10/26(2022.01) G06V 10/762(2022.01) G06V 10/82(2022.01)G06V 20/00(2022.01) G06T 5/00(2006.01) G06T 5/10(2006.01) G06T 5/20(2006.01) G06T 5/40(2006.01) G06N 3/04(2006.01) G06N 3/08(2006.01) (54)发明名称 一种无监督深度学习的SAR影像海 水养殖智 能提取方法 (57)摘要 本发明提供一种无监督深度学习的SAR影像 海水养殖智能提取方法， 属于海洋遥感与人工智 能交叉技术领域， 其特征是： 1)建立双网络无监 督深度学习结构， 包含特征提取网络和全卷积语 义分割网络； 2)提出超像素分割结果与深度特征 块判断方法， 生成含有海水养殖边缘语义信息的 伪标签； 3)开展双网络交替更新， 实现伪标签不 断更新优化， 逐步生成更精确的海 水养殖提取结 果。 本发明的效果和益处是实现无需任何标签样 本的深度学习网络海水养殖智能提取， 有效解决 了传统无监督方法精度低， 有监督深度学习方法 依赖于海量标记样本的难题， 避免了合成孔径雷 达影像中相干斑噪声的干扰， 有效提高了无监督 语义海水养殖提取精度。 权利要求书4页 说明书9页 附图3页 CN 115035293 A 2022.09.09 CN 115035293 A 1.一种无监督深度学习的SAR影像海水养殖智能提取方法， 其特征在于， 包括以下步 骤： 第一步， 采用线性截断拉伸、 伽马变换和高斯滤波三种图像增强方法对原图进行处 理： 1.1)采用线性截断拉伸对原 始图像进行处 理 通过设置三种不同的截断值增强图像对比度， 如公式(1)所示， 读取原始图像的最大值 和最小值， 然后对原始图像进 行直方图统计， 找到截断值对应的原始图像灰度值， 并将灰度 值作为输出图像的最大值和 最小值， 最终将原始图像线性拉伸为输出图像； 通过线性截断 拉伸， 可以改善相干斑噪声问题； 其中： Al为线性截断拉伸输出图像； O为输入图像； dm和cm分别是输出图像的最大值和最 小值， bm和am分别是原 始图像的最大值和最小值； 线性截断拉伸设置三种不同的截断值， 分别得到三种不同的增强后的输出图像； 1.2)在SAR影像中， 引入伽马变换， 增强原始图像暗部细节， 如公式(2)所示， 通过非线 性变换， 将图像中较暗区域的灰度值得到增强， 得到第四种增强后的输出图像； 其中， Ay为经过伽马变换后的输出值； c为灰度缩放系数； γ为伽马因子大小； 1.3)为了得到更好的养殖区域的图像边缘， 便于后续提取， 采用高斯滤波平滑原始图 像， 公式如(3)所示， 通过高斯滤波， 消除高斯噪声， 得到第五种增强后的输出图像； 其中， Ag为经过高斯滤波后的输出图像， σ 为标准差； 将原始图像分别采用上述图像增强方法， 一共得到五种不同的增强后的输出图像； 并 将图像增强后的输出图像作为第三步中特征提取网络和第四步中全卷积语义分割网络的 输入； 第二步， 由于是在无监督条件下提取养殖信息， 在输出图像进入网络之前需要提供一 些先验知识， 通过传统无监督方法得到养殖区域的边缘信息和海水与养殖之间的像素值差 异， 采用超像素分割算法， 将图像分割为具有相似纹理、 颜色、 亮度特征的相邻像素构成的 不规则像素块； 经过超像素分割算法得到超像素分割后的结果图， 能够检测出养殖轮廓， 并将整张图 像分割成多个小块， 每个小块边缘较为吻合养殖区域边缘， 保留其边缘信息， 即每个小块所 包含的像素点 位置， 在第三 步中做进一 步处理生成伪标签； 第三步， 在完全无监督的情况下， 需要伪标签作为深度学习网络的目标； 利用第 一步中 得到的五张图像， 将其进行通道变换， 每张图像作为一个输入通道， 最终， 深度学习网络的 输入为五通道的增强图像； 3.1)搭建特征提取网络模型， 通过特征提取网络得到养殖区域深度特征， 特征提取网 络主要由卷积层、 ReLU层和BN层构成， 以卷积层、 ReLU层和BN层作为一个整体模块， 整体模权　利　要　求　书 1/4 页 2 CN 115035293 A 2块中的三个层首尾相连， 可以任意调整模块数量作为特 征提取网络； 所述的卷积层公式如(6)所示， 第一步中的输出图像作为第一个模块中的卷积层的输 入， 其余模块的卷积层的输入则为上一个模块中BN层的输出； 其中， ac为卷积层输 出； Wg为第g个卷积核的权重； xi为第i个输入； bi为第g个偏置； I为输 入的总个数； G为卷积核总个数； 为了使特征提取网络快速收敛， 在卷积层之后加入ReLU层， 公式如(7)所示， 即卷积层 的输出作为ReLU层的输入； ar＝max(0,ag) (7) 其中， ar为ReLU层的输出； 为了防止特征提取网络训练时梯度消失及过拟合， 在ReLU层之后加入BN层， 公式如(8) 所示， 即ReLU层的输出作为BN层的输入； 其中， ε为系统自动生成的极小值； 3.2)将特征提取网络模型最后一层输出接入softmax函数， 公式如(9)所示， 即将第N个 卷积层、 ReLU层和BN层模块的输出作为softmax函数的输入； 其中， 为第N个卷积层、 ReLU层和BN层模块的输出； 3.3)通过softmax函数将输出值转换为范围在[0,1]内且和为1的概率分布； 为区分海 水与养殖， 将其转换为二分类问题， 设置softmax函数输出通道数为2， 每个通道分别代表海 水区域概率和养殖区域概率； 为了得到伪标签， 将2通道的输出概率转换为单通道索引值， 对softmax输出进行通道 最大值索引， 返回最大值的通道索引值， 这样在单通道图像上只存 在0或1索引值， 可将其作为伪标签； 3.4)利用第二步中得到的超像素块的位置信息， 进行块判断操作； 将超像素分割块对 应刚刚得到的伪标签中， 在伪标签图的每个小块中进行优势占比判断， 将标签图中的各个 小块替换为其优势标签， 能够保证小块中拥有统一的伪标签， 避免相干斑噪声干扰， 增强空 间一致性， 生成含有养殖语义信息的伪标签； 第四步， 为充分利用上步生成的含有养殖语义信息的伪标签， 搭建全卷积语义分割 网 络模型； 4.1)采用全卷积语义分割网络得到海水养殖 区域提取结果， 利用第三步得到的具有养 殖语义信息的伪标签为目标进行训练， 目标函数LU‑Net如下式所示：权　利　要　求　书 2/4 页 3 CN 115035293 A 3