CN115035293B 一种无监督深度学习的sar影像海水养殖智能提取方法 （国家海洋环境监测中心）

一种无监督深度学习的SAR影像海水养殖智本发明提供一种无监督深度学习的SAR影像21.1)通过设置三种不同的截断值增强图像对比度，读取原始图像的最大值图像增强后的输出图像作为S3中特征提取网S2，在输出图像进入网络之前需要提供一些先验知络主要由卷积层、ReLU层和BN层构成，以这三层作为一个整体模块，整体模块中卷积层、其中，S1中的输出图像作为第一个模块中的卷积层的输入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；海水与养通过全卷积语义分割网络强化学习含有养殖语义信息的伪标签中的海水养殖语义信4.2)将全卷积语义分割网络生成的海水养殖区域提取结果与S3中特征提取网络输出3特征提取网络的伪标签能够被全卷积语义分割网络所4[0001]本发明属于海洋遥感与人工智能交叉技术领域，涉及一种无监督深度学习的SAR易被云层、雨雪等自然条件干扰，造成信息大范围缺失。基于合成孔径雷达(Synthetic[0006]一种无监督深度学习的SAR影像海水养殖智能提取方法，本方法针对海水养殖遥598％的灰度值被输出图像的最大值代替，原始图像中小于2％的灰度值被输出图像的最小gg构成的具有一定视觉意义的不规则像素块。使用的超像素算法为简单线性迭代聚类[0019]2.1)将原始图像转换到国际照明协会颜色模型(CommissionInternationalede62范数计算新的之前的聚类中心位置残留误差，[0024]2.3)分配像素和更新聚类中心迭代重复，直到误差收敛或者达到一定的迭代次模块的卷积层的输入则为上一个模块中BN7[0039]3.3)通过softmax函数可以将输出值转换为范围在[0,1]内且和为1的概率分布。[0046]4.2)为使双网络在无监督情况下的提取精度逐步提高，伪标签需要不断更新优的伪标签做交叉熵损失，反向传播优化伪标签的生成过程(也就是通过海水养殖区域提取8为SAR影像中的海水养殖区域的智能提取提供了一种无监督深度学习方法。在深度学习卷了简易伪标签，并针对海水养殖提取问题提出了块操作，在避免SAR影像相干斑噪声的同9的灰度值被输出图像的最大值代替，原始图像中小于2％的灰度值被输出图像的最小值代gg三步中特征提取网络和第四步种全卷积语义分[0074]2.1)将原始图像转换到国际照明协会颜色模型(CommissionInternationalede为预期的超像素块大小，由图片大小N和初始聚类中心个数k＝30决定；m＝5为常2范数计算新的之前的聚类中心位置残留误差，[0079]2.3)分配像素和更新聚类中心迭代重复，直到误差收敛或者达到一定的迭代次[0080]经过SLIC算法得到超像素分割后的结果图，结果如图2所示，成功检测出养殖轮模块的卷积层的输入则为上一个模块中BN[0095]3.3)通过softmax函数可以将输出值转换为范围在[0,1]内且和为1的概率分布。[0102]4.2)为使双网络在无监督情况下的提取精度逐步提高，伪标签需要不断更新优图6养殖提取精度Accuracy＝90.97图7养殖提取精度Accuracy＝92.34％。