(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 202210996919.5 (22)申请日 2022.08.18 (71)申请人 河南大学 地址 475001 河南省开封市明伦街85号 (72)发明人 毋琳　黄亚博　郭拯危　李宁　 原达　 (74)专利代理 机构 郑州联科专利事务所(普通 合伙) 41104 专利代理师 刘建芳 (51)Int.Cl. G06V 20/10(2022.01) G06V 20/70(2022.01) G06V 10/82(2022.01) G06V 10/80(2022.01) G06V 10/20(2022.01)G06N 3/04(2006.01) G06N 3/08(2006.01) (54)发明名称 极化SAR图像水网提取方法、 系统、 存储介质 和电子设备 (57)摘要 本发明公开了极化SAR图像水网提取方法、 系统、 存储介质和电子设备， 包括如下步骤： 对 SAR图像进行预处理， 得到不同极化方式的后向 散射图像和不同极化分量图像； 将获取图像划分 为训练图像集和验证图像集， 对训练图像集进行 人工标注， 得到正确的水网标签集； 构建深度编 码网络和解码网络， 对模型训练和测试， 最后根 据需求， 对提取结。 本发明通过充分利用SAR图像 中极化散射信息和深度学习的特征提取能力， 搭 建具有泛化性强、 鲁棒性的水网提取模型， 即将 SAR极化信息融入深度学习方法中， 以满足在场 景复杂度高、 地物类型丰富、 幅宽大的SAR图像中 进行高精度水体提取， 从而构建更加准确、 完整 的水网， 使水网提取的准确度和精确度大大提 升。 权利要求书2页 说明书8页 附图3页 CN 115512217 A 2022.12.23 CN 115512217 A 1.极化SAR图像水网提取 方法， 其特 征在于， 该 方法包括： 步骤S101、 对SA R图像进行预处理， 使SAR图像每个像元代表真实的雷达后向散射系数， 得到不同极化方式的后向散射图像； 所述的预处 理包括轨道校正、 热噪声 去除、 辐射定标、 Deburst、 多视、 滤波和地形 校正； 步骤S102、 在步骤S101中Deburst后添加生成极化矩阵C2操作， 获得C2 矩阵； 步骤S103、 对C2矩阵进行基于物理模型的极化分解， 生成不同极化分量图像； C2矩阵可 以代表图像中每个像素点的极化散射信息， 通过对每个像素点的C2矩阵进行极化分解， 可 以获得该点的不同极化散射分量， 从而获取不同极化散射分量图像； 步骤S104、 将获取的后向散射图像与极化分量图像进行划分， 划分为训练图像集和验 证图像集， 之后对训练图像集进行 人工标注， 得到正确的水网标签集； 步骤S105、 构建深度编码网络， 包括特征提取网络模块、 特征融合网络模块以及最大池 化网络模块； 构造深度编 码网络可以有效提取不同分辨率尺度下后向散射图像与极化分量 图像的特征， 并将后向散射图像特征与极化分量图像特征进行融合， 以获得包含更多信息 的不同分辨 率特征图； 步骤S106、 构建深度解码网络， 包括融合模块与解码网络模块， 以获得不同分辨率融合 的特征图及水体位置提取信息； 深度解码网络可以有效融合不同分辨率特征图， 以提高模 型对不同尺寸目标的检测能力， 同时对网络预测的水体位置信息进行输出； 步骤S107、 模型训练， 通过输入训练图像集、 验证图像集及标签集， 对深度编解码融合 网络模型进行训练， 保存最优网络模型； 所构建的训练图像集和标签集输入至搭建好的网 络模型中进行训练， 将验证图像集输入以验证所训练网络模型架构的准确 率， 保存准确 率 最高的网络模型参数； 步骤S108、 测试网络模型， 将SAR图像输入至所保存 的最优网络模型中， 即可得到水网 提取结果； 步骤S109、 根据需求， 对提取 结果进行保存或输出。 2.根据权利 要求1所述的极化SA R图像水网提取方法， 其特征在于， 在步骤S102中， 所述 的预处理操作能够生成极化矩阵C2， 即图像中的每个像素点均有一个2*2的协方差矩阵来 表示， 如公式1： 其中， *表示共轭转置， c11、 c22均为实数， c12为复数； C2矩阵为后续基于物理模型的极化 分解的基础。 3.根据权利 要求1所述的极化SA R图像水网提取方法， 其特征在于， 在步骤S104具体为： 将获取图像进行分块操作， 采用1024*1024的正方形在图像中按水平方向和垂直方向进行 步进， 且步进量为512， 获得有重叠的分块图像； 将分块后的图像按照8： 2的比例划分为训练 图像集和验证图像集， 利用Labelme标注软件框选并沿水体边缘逐点标出训练 图像集中的 水体位置信息， 以获得 标签集进行存 储。 4.根据权利要求1所述的极化SAR图像水网提取方法， 其特征在于， 所述的深度编码网 络结构为： 第一卷积层 →第一批归一化层 →第一最大池化层 →第一激活函数层 →第二卷积 层→第二批归一化层 →第二最大池化层 →第二激活函数层 →第二数据拼接层 →第三矩阵权　利　要　求　书 1/2 页 2 CN 115512217 A 2相乘层→第三批归一化层 →第三激活函数层， 通过深度编码网络， 可以获得包含更多信息 的、 不同分辨 率的特征图。 5.根据权利要求1所述的极化SAR图像水网提取方法， 其特征在于， 所述的深度解码网 络结构为： 第一矩阵相乘层 →第一批归一化层 →第一激活函数层 →第二矩阵相乘层 →第二 批归一化层 →第二激活函数层 →第二数据拼接层 →第三矩阵相乘层 →第三批归一化层 → 第三激活函数层 →第三数据拼接层 →第四上采样层 →第四激活函数层， 通过深度解码网 络， 最终获得所提取的水体位置信息 。 6.根据权利要求1所述的极化SAR图像水网提取方法， 其特征在于， 所述的在步骤S107 中， 按照下列公式作为模型评价指标； 式中， TP代表真实为水体且网络预测为水体的像素点个数， FP代表真实为水体且网络 预测为非水体的像素点个数， FN代表真实为非水体且网络预测为水体的像素点个数； Precision代表准确率； Recall代表召回率； 通过加载已经训练的模型参数， 对验证数据集 中的图像进行精度评价， 统计每个模型 的评价指标， 并保存准确 率最高的模型为最优化训 练模型参数。 7.根据权利 要求1所述的极化SA R图像水网提取方法， 其特征在于， 在步骤S109中， 根据 不同需求， 可以输出分块图像区域的水网提取结果； 或将分块图像的提取结果进 行叠加， 形 成研究区域的水网提取 结果。 8.一种极化SAR图像水网提取系统， 其特 征在于， 包括： 预处理单元， 配置为对SAR图像进行轨道校正、 热噪声去除、 辐射定标、 Deburst、 生成极 化矩阵C2、 多视、 滤波、 地形 校正操作， 得到不同极化方式的后向散射图像及极化矩阵C2； 极化分解单元， 配置为对极化矩阵C2进行极化分解， 得到不同极化分量图像； 深度编解 码网络单元， 配置为深度编码网络及深度解码网络， 对不同极化方式的后向散射图像及不 同极化分量图像进行 特征提取， 特 征融合等操作获得最优网络模型及参数； 测试单元， 配置为基于最优网络模型及参数， 对输入的SAR图像进行水体的提取， 得到 所述基于深度编解码网络和极化分解的SAR图像水网提取 结果。 9.一种计算机可读存储介质， 其上存储有计算机程序， 其特征在于， 所述程序为如权利 要求1‑7任一所述的极化SAR图像水网提取 方法。 10.一种电子设备， 其特征在于， 包括： 存储器、 处理器、 以及存储在所述存储器中并可 在所述处理器上运行的程序， 所述处理器执行所述程序时实现如权利要求1 ‑7任一所述的 极化SAR图像水网提取 方法。权　利　要　求　书 2/2 页 3 CN 115512217 A 3