(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 202210717786.3 (22)申请日 2022.06.23 (71)申请人 中国电子科技 集团公司第十四研究 所 地址 210039 江苏省南京市雨 花台区国睿 路8号 (72)发明人 谢聪　庄龙　李品　陈坤　 (74)专利代理 机构 南京知识律师事务所 32 207 专利代理师 刘丰　高娇阳 (51)Int.Cl. G06V 20/13(2022.01) G06V 10/82(2022.01) G06V 10/764(2022.01) G06V 10/44(2022.01) G06N 3/08(2006.01)G06N 3/04(2006.01) (54)发明名称 一种基于CNN和MRF的SAR图像水体变化提取 方法 (57)摘要 本发明涉及一种基于CNN和MRF的SAR图像水 体变化提取方法， 包括图像预处理： 对卫星影像 进行辐射校正、 几何校正和滤波处理， 得到SAR图 像； 基于CNN的水体提取： 构建并训练卷积神经网 络模型， 利用CNN模型对SAR图像分类为水体与非 水体； 基于改进的MRF水体精细提取： 构建符合 SAR图像散射特性分布的MRF模型， 利用MRF模型 对CNN水体提取结果进行精细处理； SAR图像水体 变化提取： 对多时相的SAR图像进行水体提取， 对 水体变化进行提取与分析。 本发 明实现了水体与 非水体的高精度分类， 使水体边缘提取更加精细 并减少虚警现象。 权利要求书1页 说明书4页 附图1页 CN 115035419 A 2022.09.09 CN 115035419 A 1.一种基于 CNN和MRF的SAR图像水体 变化提取方法， 其特 征在于： 包括如下步骤： S1， 图像预处 理： 对卫星影 像进行辐射校正、 几何校正和滤波处 理， 得到SAR图像； S2， 基于CNN的水体提取： 构建并训练卷积神经网络模型， 利用CNN模型对SAR图像分类 为水体与非水体； S3， 基于改进的MRF水体精细提取： 构建符合SAR图像散射特性分布的MRF模型， 利用MRF 模型对CN N水体提取 结果进行精细处 理； S4， SAR图像水体变化提取： 利用上述方法对多时相的SA R图像进行水体提取， 对水体变 化进行提取与分析。 2.根据权利要求1所述的基于CNN和MRF的SAR图像水体变化提取方法， 其特征在于： 对 图像进行 预处理时， 通过SNAP软件 对图像进行辐射校正和几何校正。 3.根据权利要求2所述的基于CNN和MRF的SAR图像水体变化提取方法， 其特征在于： 对 于单极化SAR图像， 利用负指数可视化变换方法将SAR图像由16位格式存储转化成8位格式 存储， 转换公式为： 其中， p8表示8位格式存储的图像像素值， p16表示16位格式存储的图像像素值， k是负指 数变换参数， H ×W表示图像的尺寸大小。 4.根据权利要求1所述的基于CNN和MRF的SAR图像水体变化提取方法， 其特征在于： 对 图像进行 预处理时， 通过Le e滤波算法对图像作滤波处 理。 5.根据权利要求1所述的基于CNN和MRF的SAR图像水体变化提取方法， 其特征在于： S2 中， 随机选取图像中均匀分布的水体像素与非水体像素作为训练与测试样本， 基于 ResNet50模型构建并训练卷积神经网络模型。 6.根据权利要求1所述的基于CNN和MRF的SAR图像水体变化提取方法， 其特征在于： S3 中， 单极化SAR数据的统计特性服从Gamma分布， 基于Gamma分布函数定义SAR图像像素点与 类别之间的似然函数： 其中， z是当前像素点的强度值， xi是类别标签， μxi是xi的类中心， 即属于类别xi的像素 点的强度均值， L是 雷达视数， 函数Γ( ·)满足Γ(n+1)＝ n！ ； 基于贝叶斯原理， 对当前像素 标签进行 更新: 7.根据权利要求1所述的基于CNN和MRF的SAR图像水体变化提取方法， 其特征在于： S4 中， 基于地理信息系统的叠加分析工具对水体进行提取与分析。权　利　要　求　书 1/1 页 2 CN 115035419 A 2一种基于CN N和MRF的SAR图像水体变化提取方 法 技术领域 [0001]本发明涉及目标检测领域， 尤其涉及一种基于CNN和MRF的SAR图像水体变化提取 方法。 背景技术 [0002]合成孔径雷达(SAR)作为一种主动式成像系统， 可以穿透云层生成地面信息， 不 受 大气条件影响全天时大范围采集数据， 这弥补了光学遥感成像的局限。 除此之外， 光滑水面 对雷达发射电磁波的后向散射能力较弱， 在SAR图像中呈现为较暗区域， 这一特性使 水体很 容易在图像中识别出来。 SAR图像的水体提取技术在水资源调查、 洪涝灾害监测等领域具有 重要意义。 [0003]针对中低分辨率星载SAR图像水域提取精度不足的难题， 融合基于轻量级残差卷 积神经网络(Convolutional  Neural Network,CNN)的 图像超分辨率重建技术和传统SAR图 像水域分割技术的优点， 杜兰等(雷达学报)提出了一种基于局部超分辨重建的SAR图像水 域分割方法。 所提方法在传统水域分割技术的基础上， 融入了基于卷积神经网的图像超分 辨重建技术， 通过对局部图像进行超分辨重建， 突破了传统方法受SAR图像分辨率的限制， 显著提升了水域分割结果的精度。 该方法首先对SAR图像相干斑进行抑制， 并基于模糊C均 值(Fuzzy  C‑Means,FCM)聚类算法对水域进行粗分割； 然后构建并训练一种新型的局部图 像超分辨重建网络模型， 利用该模型对包含局部水域边界的SAR图像切片进行图像超分辨 重建， 从而获得更高分辨率的超分辨图像。 为了验证所提出 的新型图像超分辨重建网络模 型和高精度水域分割方法的有效性， 以南水北调中线工程水源地丹江口水库作为研究区 域， 基于国产高分三号(GF ‑3)卫星和欧空局Sentinel ‑1卫星获取的SAR数据集， 开展了SAR 图像超分辨重建实验和水域边界提取实验。 实验结果表明， 所提图像超分辨重建网络模型 在图像重建质量上具有较好的效果； 同时， 所提水域分割方法的准确 率与虚警率均明显优 于对比算法， 轮廓平均偏移均小于对比方法。 [0004]唐德可(电子与信息学报)提出基于高分三号单极化SAR数据的水体快速检测方 法， 包括SAR预处理， 顾及SAR分布特性且保边缘的马尔科夫模型洪涝水体提取， 基于SAR几 何构象模型 的阴影虚警干扰去除等步骤， 并利用人工检测结果进行相对精度评价。 测试结 果表明， 所提方法可以实现洪涝 受灾区域的快速、 精确提取。 [0005]然而， 现有方法对于弱反射地物产生的虚警现象以及细窄水域边缘分割等存在许 多问题， SAR图像水体提取仍然是一项具有挑战性的研究。 发明内容 [0006]为解决现有的技术问题， 本发明提供了一种基于CNN和MRF的SAR图像水体变化提 取方法。 [0007]本发明的具体内容如下： 一种基于CNN和MRF的SAR图像水体变化提取方法， 包括如 下步骤：说　明　书 1/4 页 3 CN 115035419 A 3