基于深度学习算法的冰雷达图像冰面与基岩界面提取.pdf
《基于深度学习算法的冰雷达图像冰面与基岩界面提取.pdf》由会员分享,可在线阅读,更多相关《基于深度学习算法的冰雷达图像冰面与基岩界面提取.pdf(11页珍藏版)》请在咨信网上搜索。
1、第 35 卷第 2 期 极地研究 Vol.35,No.2 2023 年 6 月 CHINESE JOURNAL OF POLAR RESEARCH June 2023 收稿日期 2022 年 3 月收到来稿,2022 年 4 月收到修改稿 基金项目 国家自然科学基金(41730102,41776186,42176231)、上海市科技计划项目(21ZR1469700)资助 作者简介 邢治瑞,男,1998 年生。硕士研究生,主要从事冰雷达数据处理方法研究。E-mail: 通信作者 崔祥斌,E-mail: 基于深度学习算法的冰雷达图像冰面与基岩界面提取 邢治瑞1,2 窦银科1 李霖2 杨望笑1 张锋
2、1 崔祥斌2(1太原理工大学电气与动力工程学院,山西 太原 030024;2中国极地研究中心,上海 200136)摘要 极地冰盖底部的冰-基岩界面记录了冰盖的历史演变,反映了冰层的几何特征和冰底环境属性,是推断冰盖动力学和解释冰下地貌的重要指标。机载冰雷达是一种有效的极地冰盖探测方法,但雷达数据受探测环境和仪器自身局限性的影响,会包含各类噪声。为了高效准确地提取冰雷达图像中基岩界面和冰面、降低噪声干扰,利用 20152016 年度中国第 32 次南极科学考察在伊丽莎白公主地的航空冰雷达观测数据,基于深度学习的 pix2pix 算法建立了一种自动化提取雷达图像冰面和基岩界面的模型。实验结果表明,
3、该模型提取冰面/基岩界面的精确率为 0.863/0.948,峰值信噪比为 24.814 dB,均高于以往的 K-SVD和 CycleGAN同类算法,能更有效地去除噪声、提高图像质量,更高精度地还原现在通用的人工提取效果。关键词 pix2pix 冰雷达 基岩提取 冰下地形 南极冰盖 doi:10.13679/j.jdyj.20220202 0 引言 20 世纪 50 年代,人类首次发现特定频段的电磁波可以“穿透”南极冰盖,于是,英国剑桥大学于 20 世纪 60 年代研制出首套用于极地冰盖冰下探测的冰雷达系统(SPRI Mark)1。此后,随着计算机、电子信息和卫星定位导航技术的发展,冰雷达技术研
4、究取得巨大进展,逐步形成了用于极地冰盖和行星冰层探测的多样化冰雷达系统2-4。冰雷达(Ice-Penetrating Radar,IPR)也被称为无线电回波探测技术(Radio-Echo Sounding,RES),是一种基于电磁波理论探测冰雪介质特征的地球物理观测手段,其雷达回波所获取的冰雪反射特征和回波能量被广泛应用于极地冰盖冰厚、冰下地形、冰底环境和冰盖内部层位信息的研究5-7,进而用于冰盖物质平衡状况的分析、古气候记录 的重建、冰下地貌和冰盖历史演化的研究8-10。其中,深部探测冰雷达的使用最为广泛,中心频率低,发射信号能量强,可以穿透整个极地冰盖探测到冰盖和基岩的交界面,即基岩界面,
5、从而满足测量冰盖厚度和计算冰下地形高程的需求8,11。冰雷达图像中的基岩界面信息在不同时间尺度上记录了冰盖的形成和历史演变,可用于推断冰流机制、评估冰盖动力过程12,但雷达图像往往包含各类噪声7。噪声的干扰会模糊冰面和基岩界面,使得确定冰厚、冰下地形变得更加困难。因此,发展新的数据处理方法,在抑制噪声、提高冰雷达图像信噪比的同时,保留冰面和基岩界面边缘特征,对于准确提取基岩界面、计算冰厚和冰下地形高程具有重要意义9,13。目前,国内外对于基岩界面的提取主要以人工提取14-16和基于计算机算法程序的自动提取方法17-21为主。人工手动提取方法需要对冰雷达剖 278 极地研究 第 35 卷 面影像
6、建立坐标系,在坐标系下将基岩界面数字化为线要素和点要素,进而结合 GPS 时间数据,实现对基岩界面的提取。人工手动提取工作量大、效率低、易受各种主观因素(研究人员情绪、实验环境、设备优劣)的影响。基于算法程序的基岩界面自动提取方法能精确、高保真地提取冰内层位特征,效率较高,但在使用上有一定的局限性,机器训练更是需要大规模的训练数据,网络超参数调参也较为耗时、复杂。Xiong 等19提出的一种基于连续小波变换(CWT)冰层自动提取方法,采用两种不同的小波(Mexican Hat 和 Morlet)检测信号峰值,通过霍夫变换(Hough Transform)提取冰层特征。该方法能够抑制冰层特征中较
7、高振幅的噪声,但在较低振幅处不能有效提取内部冰层。Panton20通过局部层斜率积分计算和迭代优化,使用主动轮廓模型建立了一种冰层自动跟踪方法,并对格陵兰冰雷达图像进行了层位跟踪测试。Rahnemoonfar 等21基于全卷积网络(FCNs)提出的基岩界面追踪技术,能够自动识别雷达图像的层位边界,缺点是采样结果比较模糊、平滑,对冰雷达图像细节不敏感,所得结果缺乏空间一致性。针对上述问题,本文结合深度学习领域的pix2pix 算法,建立了一种自动化提取冰雷达图像冰面和基岩界面的模型。pix2pix 将神经网络用作图像分析器,采用输入图像和目标图像的点对点训练方法,创造出指定风格内容的图像作品,并
8、保留原图信息的真实性22。通过将 pix2pix 算法迁移使用到冰雷达数据处理领域,其所建模型能够抑制雷达图像噪声,自动提取高精度的冰面和基岩界面,保留其边缘细节特征,并在测试应用过程中证明了模型的泛化能力。1 算法和评价指标 1.1 pix2pix 算法 pix2pix 算法由伯克利 AI 实验室的 Isola 等提出23,是一种基于条件对抗性网络(cGAN)的图像迁移模型算法24,能够完成从一种风格的图像到另一种风格图像的转换。该算法可以根据现有图像生成类似风格的图像,例如将白天图像转换 为黑夜图像,将灰度图转化为彩色图。该算法具有两个方向,以灰度图和彩色图像的转化为例,若用A表示灰度图像
9、,B表示彩色图像,该算法既可以完成A至B的转换,也能完成B至A的转换。不同于多数深度学习算法要求有大规模的训练数据,pix2pix 只需较少训练样本就能生成与真实图像具有相似目标特征和背景特征的图像,是一种有效的数据增强方法25。另外,相比普通平面图像处理,pix2pix 算法也更适合轮廓清晰、特征显著的冰雷达剖面图的处理。目前对于图像到图像间的转化问题已有多种实现方法(例如 CNN26、cGAN 等模型算法),但这些传统实现方法均存在一个问题:对于每一种类型的图像到图像间的转换,都需要一个特定的实现框架,需设定专门的损失函数。pix2pix 则建立了一个“图像到图像转换”的通用结构框架(图
10、1),其模型生成器 G(generator)使用基于“U-Net”的架 构,鉴 别 器D(discriminator)使 用 卷 积 的“PatchGAN”分类器,并只在图像 patch 的尺度上对结构进行惩罚23。在 pix2pix 算法结构中,生成器 G 的控制条件为 x 组(原风格)图片,将采用 x组图片作为控制条件生成 G(x)组图片,由于输入生成器的 x 组图片维度(图片像素)与生成器输出G(x)组图片维度相同,足以映射复杂分布,因此不必再输入噪声。在 pix2pix 中,输入鉴别器 D的控制条件为 x 组图片和 G(x)组图片拼接而成的配对集,当输出的 G(x)图片经鉴别为目标风格
11、 y时,其模型生成结果记为真(real),否则记为假(fake),整个模型的流程可简述为“输入 x 组图片,输出 y 组图片”。图 1 pix2pix 结构框架图23 Fig.1.Diagram of pix2pix structure frame 23 pix2pix 的目标函数由两部分组成,即条件生成对抗网络目标函数和损失函数,如公式(1)、(2)所示:第 2 期 邢治瑞等:基于深度学习算法的冰雷达图像冰面与基岩界面提取 279 ,10,10(,)log(,)log(1(,(,)cGANx yx zG DED x yED x G x z (1)1,1()|(,)|Lx y zGEyG x
12、z (2)将上述公式(1)、(2)两部分组合后得到最终函数,如公式(3)所示:1*argminmax(,)()cGANLGDGG DG (3)式中,G 代表生成器,D 代表鉴别器,前者要使目标函数最小化,后者要使目标函数最大化。站在G 的角度理解,其作为生成器,G(x,z)生成的图像应尽可能逼真,那么鉴别器 D 会认为 G(x,z)为真的图像,则 D(x,G(x,z)的值应尽可能大,并接近于 1,而 1D(x,G(x,z)的值变小,目标函数变小。站在 D 的角度上,其作为鉴别器能识别出 G(x,z)为假的图像,则 D(x,G(x,z)的值应尽可能小,1 D(x,G(x,z)的值变大,由于 y
13、表示真实图像,则D(x,y)值也变大,最终目标函数变大。1.2 评价指标 精确率(Precision)、召回率(Recall)、精确率和召回率的加权调和平均值 F1是人工智能算法最常用的 3 个精度评价指标。其中,精确率表示所预测正确的像素变化占全部预测为正的比例;召回率表示所预测正确的像素变化占全部实际为正的比例;F1则是精确率和召回率的加权调和平均值,其值越高代表检验的精度越高27。其表达式为:PrecisionTPTPFP (4)TRPecTFallPN (5)12PrecisionRecallPrecisionRallFec (6)式中,TP代表将变化的像素预测为正的个数;FP代表将未
14、变化的像素预测为正的个数;FN代表将变化的像素预测为负的个数。在图像质量对比检测方面,均方误差(MSE)、峰值信噪比(PSNR)、结构相似性(SSIM)是常用的评价参数。对于两个mn的单色图像I、K(其中K为I的噪声近似),MSE是一种常用的损失函数,其公式表示为:112001(,)(,)mnijMSEI i jK i jmn (7)而测试图像质量评价参数的PSNR是通过MSE得到的,其公式表示如下:210lgiMAXPSNRMSE (8)式(7)、(8)中,MAXi是图像点颜色的最大数值(如每个采样点用8位表示,那么MAXi就是255)、MSE为均方误差,而PSNR值越大,则代表模型提取的图
15、像质量越好。SSIM则是衡量两张图像相似度的参数,可以用来测量模型预测图像与真实图像之间的差异,从而验证模型的精度。假设输入的两张图像分别是X和Y,那么SSIM的公式表示为:12222212(2)(2)(,)()()XyxyXyxyCCSSIM X YCC (9)式中,x和y分别表示X和Y的平均值,x2和y2分别表示X和Y的方差;xy表示X和Y的协方差;C1和C2是为了防止分母为0的常数。SSIM的取值范围是0,1,其值越大表示两图像的差距越小,即所得图像质量越好。2 数据与模型 本文使用的是中国第32次南极科学考察(2015/2016)期 间 在 东 南 极 伊 丽 莎 白 公 主 地(Pr
16、incess Elizabeth Land,PEL)获取的航空冰雷达观测数据。伊丽莎白公主地的西侧为埃默里冰架(Amery Ice Shelf),东侧为威廉二世地(WilhelmLand),从最北的冰盖沿岸向南延伸至内陆冰盖分冰岭,总面积超过90万平方公里,是南极冰盖冰厚和冰下地形观测最大的数据空白区28。过去,该区域的冰厚和冰下地形主要通过卫星重力反演推断而来,数据精度和空间分辨率严重不足28,极大制约了区域内冰下地貌、冰盖动力学和不稳定性研究28。2015年以来,我国连续开展了5个年度的伊丽莎白公主地航空冰雷达探测,并基于冰雷达观测结果,建立了该区域500 m空间分辨率的冰下地形数值高程模
17、型,首次揭示了伊丽莎白公主地的冰下地形地貌特征16。不过,Cui 等16的研究全部使用人工手动提取冰面和基岩界面的方法来获取冰厚和冰下地形结果,尽管能够保证结果的准确性,但是工作量非常大、效率非常低。280 极地研究 第 35 卷 在南极现场探测过程中,由德克萨斯大学地球物理研究所(University of Texas Institute for Geophysics,UTIG)研制的冰雷达(High Capability Airborne Radar Sounder,HiCARS)搭载于“雪鹰601”固定翼飞机上首次对南极最大数据空白区PEL开展了沿测线的精细化探测29,如图2a所示。Hi
18、CARS是一套双通道相位相干雷达系统,低增益通道(0 dB)适用于对冰雪、浅层冰盖进行探测,高增益通道(46 dB)适用于探测深冰结构和冰-基界面30。在雷达剖面图(图2b)中,可以清晰地看到冰面、内部层和冰下基岩,其中冰面表现为宽度较窄的明亮白色条带,冰下基岩为底部灰色层状条带区域(红色实线部分为基岩界面)。HiCARS的工作频率在52.567.5 MHz之间,峰值功率为8 kW,最大探测深度可达4200 m30。根据冰盖与基岩物质介电性质的不同,雷达信号被冰层、基岩界面反射后,回波会有较大的功率值,使得冰面、基岩界面在雷达影像图(图2b)中成为明亮的反射界面,而界面信息提取的精确程度将直接
19、决定后续冰厚和冰下高程计算的准确程度8。因此在数据采集的基础上,亟需研究适合冰雷达数据特性的冰面、基岩界面提取方法和图像分析处理技术。针对冰雷达图像数据,本文利用pix2pix深度学习算法建立了一种自动提取冰面和基岩界面的模型,其模型建立流程如图3所示。由图3可知,pix2pix模型的建立过程主要分为3个阶段:模型训练、模型测试和精度验证。在模型训练阶段,pix2pix需要两个数据集(雷达灰度图、人工标注图),前者是由RES数据转化而成的雷达图像,后者是对照雷达图像标出冰面和基岩界面的标注图。将两个数据集配对输到算法网络中,算法将利用图像参数的相关性进行学习,同时通过不断地迭代训练得到一系列的
20、网络模型。通过每次迭代训练所记录的模型损失函数值,选择损失函数值最低的模型作为下一步进行测试的目标。在模型测试过程中,将新的雷达灰度图像集作为应用实例输入至模型中,即可直接输出得到含冰面、基岩界面的图像。最后一个阶段则是精度验证,将模型的输出结果与人工标注图进行图像对照,初步对模型的精度进行判定;然后计算结果图、标注图的均方误差、峰值信噪比、结构相似性等指标,依照指标计算结果客观地评价模型精度。3 实验 3.1 训练与测试样本 数据集主要分为两部分:训练集、测试集,其中训练集的制作过程如图4所示,图4a是由RES原始雷达数据通过MATLAB预处理后得到的,图 2 冰雷达成像过程。a)HiCAR
21、S 双通道探测示意图;b)雷达成像剖面 Fig.2.Ice radar imaging process.a)HiCARS dual-channel detection schematic;b)radar imaging profile 第 2 期 邢治瑞等:基于深度学习算法的冰雷达图像冰面与基岩界面提取 281 图 3 基于 pix2pix 算法的模型训练、测试和精度验证框图 Fig.3.Block diagram of model training,testing and accuracy verification based on pix2pix algorithm 而实验实际所使用的雷达
22、灰度图像是分辨率为512512(pixels)的图4b,图4c是通过人工提取冰面、基岩界面制作而成的三分类标注图(其中冰表面设为白色、冰下基岩设为灰色,背景设为黑色),图4d是由雷达灰度图像和人工标注图配对拼接而成的训练集。为了满足算法输入图像参数设置的要求,得到较好的输出效果,所有样本图像的分辨率均设置为512512(pixels)。图 4 训练集制作过程。a)RES 原始雷达灰度图;b)512512(pixels)分辨率的雷达灰度图;c)三分类标注图;d)训练集 Fig.4.The production process of training set.a)RES original rada
23、r gray image;b)512512(pixels)resolution radar grayscale image;c)three-category labeling map;d)training sets 282 极地研究 第 35 卷 不同冰雷达图像的冰面、基岩界面形态各有迥异,为了保证所建模型的普适性、稳定性,训练集(100张)包含了各种基岩界面形态,以此来保证深度学习的准确、高效。同时,为了验证模型的稳定性,测试集由不同类型的雷达灰度图组成,并且其图像包含条带干扰、基岩界面波动模糊等(图5)。图 5 测试集示例图。a)红色标注为倾斜条带干扰;b)红色区域为基岩界面的波动模糊 F
24、ig.5.Sample graph of test set.a)red marked as slant strip interference;b)red area is fuzzy fluctuation of bedrock interface 3.2 实验过程与结果 本文实验分为两部分:训练、测试,所使用的环境均是Pytorch2.0、CPU环境,图像迭代(epoch)次数为200,并且每迭代1次保存一个训练模型。在训练过程中,将制作的配对数据集读入pix2pix网络中,经过一定时间的机器迭代学习,得到200个自动层位提取模型,其损失函数如图6所示,第128个层位提取模型损失函数最 图 6
25、 模型损失函数散点图 Fig.6.Dispersion graph of model loss function 低(0.212),将其选择为训练所得的最优模型,并在后续对其进行精度验证。实验测试部分基于pix2pix算法训练所得的层位提取最优模型,将测试集输入至模型中,即可自动提取雷达测试图像的冰面和基岩界面信息,部分测试结果展示如图7所示。对结果图进行视觉分析,雷达灰度图像(图7a、7b)中的冰面反射光滑且明亮,界面追踪相对比较容易,通过模型提取的冰面表现为窄长的白色条带(图7c、7d),其轮廓信息完整清晰,界面位置也较为精确。对于受噪声干扰较大、边界模糊的基岩,模型在识别噪声、虚假界面(
- 配套讲稿:
如PPT文件的首页显示word图标,表示该PPT已包含配套word讲稿。双击word图标可打开word文档。
- 特殊限制:
部分文档作品中含有的国旗、国徽等图片,仅作为作品整体效果示例展示,禁止商用。设计者仅对作品中独创性部分享有著作权。
- 关 键 词:
- 基于 深度 学习 算法 雷达 图像 基岩 界面 提取
1、咨信平台为文档C2C交易模式,即用户上传的文档直接被用户下载,收益归上传人(含作者)所有;本站仅是提供信息存储空间和展示预览,仅对用户上传内容的表现方式做保护处理,对上载内容不做任何修改或编辑。所展示的作品文档包括内容和图片全部来源于网络用户和作者上传投稿,我们不确定上传用户享有完全著作权,根据《信息网络传播权保护条例》,如果侵犯了您的版权、权益或隐私,请联系我们,核实后会尽快下架及时删除,并可随时和客服了解处理情况,尊重保护知识产权我们共同努力。
2、文档的总页数、文档格式和文档大小以系统显示为准(内容中显示的页数不一定正确),网站客服只以系统显示的页数、文件格式、文档大小作为仲裁依据,平台无法对文档的真实性、完整性、权威性、准确性、专业性及其观点立场做任何保证或承诺,下载前须认真查看,确认无误后再购买,务必慎重购买;若有违法违纪将进行移交司法处理,若涉侵权平台将进行基本处罚并下架。
3、本站所有内容均由用户上传,付费前请自行鉴别,如您付费,意味着您已接受本站规则且自行承担风险,本站不进行额外附加服务,虚拟产品一经售出概不退款(未进行购买下载可退充值款),文档一经付费(服务费)、不意味着购买了该文档的版权,仅供个人/单位学习、研究之用,不得用于商业用途,未经授权,严禁复制、发行、汇编、翻译或者网络传播等,侵权必究。
4、如你看到网页展示的文档有www.zixin.com.cn水印,是因预览和防盗链等技术需要对页面进行转换压缩成图而已,我们并不对上传的文档进行任何编辑或修改,文档下载后都不会有水印标识(原文档上传前个别存留的除外),下载后原文更清晰;试题试卷类文档,如果标题没有明确说明有答案则都视为没有答案,请知晓;PPT和DOC文档可被视为“模板”,允许上传人保留章节、目录结构的情况下删减部份的内容;PDF文档不管是原文档转换或图片扫描而得,本站不作要求视为允许,下载前自行私信或留言给上传者【自信****多点】。
5、本文档所展示的图片、画像、字体、音乐的版权可能需版权方额外授权,请谨慎使用;网站提供的党政主题相关内容(国旗、国徽、党徽--等)目的在于配合国家政策宣传,仅限个人学习分享使用,禁止用于任何广告和商用目的。
6、文档遇到问题,请及时私信或留言给本站上传会员【自信****多点】,需本站解决可联系【 微信客服】、【 QQ客服】,若有其他问题请点击或扫码反馈【 服务填表】;文档侵犯商业秘密、侵犯著作权、侵犯人身权等,请点击“【 版权申诉】”(推荐),意见反馈和侵权处理邮箱:1219186828@qq.com;也可以拔打客服电话:4008-655-100;投诉/维权电话:4009-655-100。