基于深度学习海洋内波遥感图像检测方法研究

摘要

目前，利用遥感卫星观测海洋内波成为研究人员的主要途径。由于人工判读海洋内波耗时且费力，不能作为判读内波的有效方法，而且遥感数据已较为丰富且具有多样性。因此，有必要发展内波特征自动检测技术，通过目标特征提取和目标识别技术来加快数据处理。深度学习在目标检测方面有巨大的优势，本文基于深度学习进行海洋内波图像检测研究，论文主要完成工作有： 1.本文利用Faster R-CNN算法开展了海洋内波检测技术研究，利用ZF-Net模型训练海洋内波，学习内波形态特征，构建了基于Faster R-CNN海洋内波检测网络。 2.本文为训练海洋内波图像样本数据，通过卷积网络学习内波形态特征，针对南海区域以及西太区域构建了海洋内波图像样本库。针对南海区域，本文利用2003-2012年ENVISAT ASAR数据构建了南海区域内波样本库，总计946个样本。针对西太区域，本文利用2017年Sentinel-1数据构建了西太区域内波库，总计924个样本。 3.训练内波图像样本数据，调节网络参数并确定精度阈值。训练内波检测网络时通过调节训练数据比例、学习速率以及迭代次数三个网络参数使检测效果达到最优。通过多次实验，最终确定检测效果最优的一组数据，利用FoM曲线确定精度阈值的设定。通过训练南海区域数据，最终精度阈值设置为0.33，FoM值为0.90。通过训练西太区域数据，最终精度阈值设置为0.20，FoM值为0.90。 4.本文针对不同区域、不同形态的内波进行检测与分析。对南海区域与西太区域，利用本文算法对不同条纹、不同尺度的内波的检测结果进行了分析。对于内孤立波、波包、大尺度内波，本文算法不仅具有较高的检测精度，而且检测到的区域准确地包围内波发生区域。对于波包群及小尺度内波，本文算法不能有效地将内波区域包围，但检测精度较高。此外，本文针对船尾迹与锋面等易于海洋内波相混淆的复杂背景特征进行了检测。检测结果表明，本文算法没有将船尾迹和锋面检测为内波，证明了本文算法的有效性。

目录

声明

第一章 绪论

1.1 研究背景及意义

1.2 国内外研究现状

1.3 论文结构安排

第二章 Faster R-CNN算法介绍

2.1 RPN网络

2.2 Fast R-CNN网络

2.3 RPN与Fast R-CNN共享卷积特征

2.4 本章小结

第三章 内波SAR遥感图像样本库构建

3.1 SAR数据介绍

3.2 内波SAR遥感图像特征

3.3 内波样本库构建

3.4 本章小结

第四章 基于Faster R-CNN内波检测网络模型构建

4.1 训练网络模型构建

4.2 网络参数设定

4.3 精度阈值设定

4.4 本章小结

第五章 基于Faster R-CNN内波检测网络应用与结果分析

5.1 不同条纹状态内波检测结果分析

5.2 不同尺度内波检测结果分析

5.3 复杂背景检测结果分析

5.4 虚警目标检测结果分析

5.5 本章小结

第六章 总结与讨论

6.1 总结

6.2 讨论

参考文献

致谢

读研期间发表的论文

读研期间参加的科研项目