涉及遥感图像的图像分割和分类，特别涉及一种基于两步深度学习模型的星载sar图像水体类型分类方法和系统。
背景技术：
1、遥感技术的发展为全球范围内，近实时、大规模的水体类型分类提供了可能性，具有无与伦比的空间和时间覆盖能力。遥感技术为水体类型分类研究带来了巨大的便利。然而，尽管遥感技术的应用广泛且效果显著，但在水体类型分类的特定领域，它面临着一些独特和固有的挑战。
2、首先，水体检测的复杂性在于水体本身的多样性和复杂性。由于水体自然属性的多变性，其反射和散射特性会随着水质、深度、表面条件（如波浪、悬浮物）等因素的变化而变化。例如，湖泊、河流和海洋可能会因其独特的物理和化学属性而表现出不同的反射和散射特性。此外，复杂的陆地环境，如城市建筑物、植被和土壤类型，也可能对水体检测造成干扰。这使得通过遥感技术进行水体检测变得尤为困难。
3、其次，传统的遥感水体类型分类方法主要依赖于后向散射特性分析，这种方法主要通过分析和解释sar图像中的后向散射信息来进行。然而，这种方法通常忽视了极化分解方法在水体类型领域的潜力。此外，自然水体和人工水体在sar图像上的像素级差异几乎没有，进一步地加大了水体类型分类的难度。最后，尽管深度学习和神经网络在处理遥感图像方面表现出强大的能力，但是如何有效地利用这些工具仍然是一个需要进一步研究的问题。大部分的深度学习方法主要集中在模型的优化方面，但超参数的设置一直都是经验值。如何提高水体检测的精度、鲁棒和效率，依然是一个未解的问题。
技术实现思路
1、本技术的目的在于提供一种基于两步深度学习模型的星载sar图像水体类型分类方法和系统，以解决或缓解上述现有技术中存在的问题。
2、为了实现上述目的，本技术提供如下技术方案：
3、本技术提供一种基于两步深度学习模型的星载sar图像水体类型分类方法,包括：步骤s1、应用双极化sar的grd图像，以获得后向散射特征vv和vh。步骤s2，应用双极化sar的slc图像，以获得极化特征。步骤s103，应用dem数据，以获得dem特征。步骤s4，应用基于模型极化分解方法对slc图像进行极化分解，以得到ms，mv和mrat三个极化特征。步骤s5，应用特征组合方法，将sar图像的后向散射特征和极化特征，以及dem特征进行特征组合，共得到五个候选特征组合。步骤s6，应用dbo算法，寻找分割器和分类器的最优网络超参数，以构建最优cnn模型。步骤s7，应用deeplabv3+作为分割器，以将水体准确地提取出来。步骤s8，应用特征融合方法，将提取出的水体与输入数据相结合，以构建多特征数据。步骤s9，应用resnet50作为分类器，以将多特征数据中的水体分类为自然水体和人工水体。
4、优选的，步骤s1具体为：对grd数据进行轨道矫正，热噪声去除，辐射定标，多视，相干斑滤波，地形矫正和分贝化的预处理过程后，以获得vv和vh极化的后向散射特征。
5、优选的，步骤s2具体为：对slc图像进行轨道矫正，辐射校正，deburst，极化矩阵，多视，去除斑噪和地理编码的预处理过程，以获得c2极化协方差矩阵。
6、优选的，步骤s3具体为：利用地形信息导出策略，从高质量dem数据中提取出地形特征，这些特征不仅包括地形高度，而且还考虑了其他与地形相关的因素，使得特征更加丰富、细致。此外，针对dem数据的分辨率、质量和覆盖范围，采取了适应性的数据处理方法，确保与sar数据的有效融合，从而提升了特征的鉴别性和精确度。
7、优选的，步骤s4具体为：对slc图像进行预处理后，每个像素会获得一个c2极化协方差矩阵：其中，表示多视或者相干斑滤波。
8、将转换成stokes矩阵：其中，和分别表示c12的实部和虚部。
9、斯托克斯矢量s在基于模型的分解中，可以被分解为：其中，sv和sp分别表示部分极化波和完全极化波，mv和ms表示相对应的能量。
10、而mv可以通过一个二元一次方程进行计算得出。其中a，b和c均被随机偶极子云模型计算得出。
11、只有一个根满足能量守恒定律，即当时成立。从这里可以得到唯一mv的的解。
12、显然，ms和mrat可以由：
13、
14、
15、计算得出。
16、优选的，步骤s5具体为：采用多模态特征融合策略，对sar图像的后向散射特征、极化特征，以及dem特征进行特征融合。该策略不仅简单地叠加特征，而且通过特定的权重配置，确保每一种特征的重要性得到充分体现。为达到最佳的特征组合效果，采用了一种基于通道注意力机制的方法，使得每个特征通道能够在融合过程中发挥其独特的作用，从而进一步增强了模型对水体类型分类的鉴别力。
17、优选的，步骤s6具体为：应用dbo算法去寻找分割器和分类器模型的最优超参数，包括学习率，迭代次数和小样本数量。学习率是用于控制神经网络权重调整的步长。如果学习率设置得太高，训练可能会在最优解附近震荡而无法收敛；如果设置得太低，虽然能够更好地逼近最优解，但是训练速度会非常慢，可能需要大量的迭代才能到达最优解。因此，选择一个适当的学习率对于神经网络训练的速度和质量至关重要。迭代次数是指在训练过程中数据通过神经网络的次数。如果迭代次数太少，模型可能会欠拟合，即模型未能学习到数据中的所有规律。反之，如果迭代次数太多，可能会导致过拟合，即模型对训练数据学习得过于深入，从而不能很好地泛化到未知数据。因此，选择适当的迭代次数以实现模型的良好拟合是非常关键的。小样本数量是指在神经网络训练中，一次前向传播和反向传播的样本数目。小样本数量的选择也对模型的训练有重要影响。如果小样本数量太大，虽然可以提高计算效率，但可能会降低模型的泛化能力；如果小样本数量太小，虽然模型的泛化能力可能会增强，但是训练时间可能会显著增加，并且可能导致训练过程不稳定。因此，选择合适的小样本数量能够在保持高效训练的同时，提高模型的泛化能力。
18、优选的，步骤s7具体为：在遥感图像场景分类的众多技术中，deeplabv3+是广泛被认可的深度学习模型之一。该模型结合了卷积神经网络的传统优势与最新的技术创新，为处理复杂的sar图像数据提供了前所未有的准确性。不同于传统的分割技术，deeplabv3+能够提供更为精确且连贯的分割轮廓，确保水体特征在复杂环境中被准确识别。
19、sar图像以其具有独特的反射机制和细致的结构信息为研究提供了丰富的资源。然而，这也使得sar图像的处理面临许多挑战，特别是在提取特定的地表特征时。尤其在复杂的地表结构和不同的后向散射特性之间，提取水体特征变得更为困难。deeplabv3+的采用，在这里显示出了其真正的价值。
20、该模型利用深度可分离卷积结构，有效减少了模型的参数量，同时保持了较高的特征提取能力。这种独特的结构设计确保了在处理高分辨率、高动态范围的sar图像数据时，模型的运算效率和准确性都得到了显著提升。此外，模型的空间金字塔池化和扩展卷积策略也对其性能提升做出了巨大贡献，使其能够更好地捕捉图像中的细节和结构信息。
21、当面对sar图像中的微小结构和细致的轮廓时，deeplabv3+表现出了其出色的特性。模型能够针对性地捕捉到这些细节，从而确保水体的分割不仅在边缘清晰、连贯，而且能有效地剔除非水体的伪影和干扰。这一细致的分割处理不仅加强了模型的鲁棒性，还为后续的特征融合和分类提供了坚实的基础。
22、优选的，步骤s8具体为：当使用deeplabv3+分割器成功提取出水体后，研究所面临的关键问题是如何将这些已提取的特征与原始的分割数据集进行高效的融合。在此，采用了一种独特的特征叠加策略。具体而言，从分割数据集得到的水体被看作是一个独立的特征通道，与原始数据集进行叠加，形成一个增强的、多通道的输入数据。
23、这种特征融合的策略，从本质上增强了模型的特征表示能力。通过将提取的水体信息重新引入原始数据，模型在进行后续分类任务时能够更全面地理解和利用水体的各种特性。尤其是在sar图像中，水体与其它地表特征间存在复杂的相互作用，这种特征融合方法确保了所有有关水体的信息都得到了充分的利用。
24、此外，这种融合策略还带来了模型的高度灵活性。当面对不同的场景和任务时，可以轻松地调整和修改特征融合的策略，以满足不同的需求。而通过细致地处理这些特征通道，更多的信息与知识被嵌入到了模型中，从而为后续的深度学习任务提供了丰富的输入。
25、优选的，步骤s9具体为：在进行sar图像的水体类型分类时，为了确保高精度的识别，选择合适的分类器是关键。所以，采用了resnet50，一个深度残差网络模型，作为分类器。它不仅因为其卓越的性能而被广泛采用，更因其独特的网络结构设计在众多深度学习模型中脱颖而出。
26、resnet50的核心设计思想是通过引入残差连接来解决深度神经网络中的退化问题。这种设计策略使得模型可以在保持网络深度的同时确保梯度传播，从而有效地进行深层特征学习。在传统的深度神经网络中，随着网络深度的增加，模型的性能往往会饱和甚至下降。但resnet50通过残差连接成功避免了这一问题，使得网络可以实现更深的学习，更精确的特征表示。
27、此外，resnet50的结构中包含了多个瓶颈结构。这些结构由三层卷积组成，分别是1×1、3×3和1×1的大小。1×1的卷积主要用于降低和提高维度，而中间的3×3卷积则用于处理特征。这种瓶颈结构不仅减少了模型的计算量，更在一定程度上增强了模型的特征抽取能力。
28、利用这样的结构特点，resnet50在处理多通道的输入数据时，可以更为有效地捕捉各个特征通道中的信息，并进行高级别的特征整合。这为水体分类任务提供了坚实的技术支持。
29、将多特征数据输入到resnet50模型中，目的是将其分类为自然水体和人工水体。考虑到sar图像的特殊性和复杂性，以及通过特征融合策略得到的多通道数据，resnet50的深度结构和强大的特征表示能力无疑为这一分类任务提供了巨大的帮助，使得分类结果更为准确和可靠。
30、本技术实施例还提供一种基于两步深度学习模型的星载sar图像水体类型分类的系统，包括：散射特征获取与组合单元，配置为通过双极化sar图像获得后向散射特征和极化特征，并将后向散射特征与极化特征进行特征组合；网络超参数优化单元，配置为应用dbo算法寻找分割器和分类器的最优超参数，以建立最优cnn模型；水体检测与类型识别单元，配置为首先应用分割器将输入数据中的水体提取出来，然后将提取出的水体与输入数据相融合以送入分类器中，最后将提取出的水体分类为自然水体和人工水体。
31、与现有技术相比，本发明的有益效果是：
32、本发明提供的适用于机器人自主协作的多模态控制算法融合方法，通过利用双极化sar图像进行后向散射特征和极化特征的提取，以及dem特征的提取，并进行特征组合。然后利用dbo算法去寻找分割器和分类器模型的最优超参数以建立最优的cnn模型。使用分割器模型进行密集的水体分类任务，以将水体的准确位置提取出来。其次，将提取出的水体与输入数据相融合，形成多特征输入数据。最后使用分类器将多特征数据中的水体分类为自然水体和人工水体。藉此，能够得到准确的水体类型分类结果。有效的增加了水体类型分类过程中的鲁棒性和自动性，为利用双极化sar图像进行水体类型分类任务提供了新的见解和方法。
1.基于两步深度学习模型的星载sar图像水体类型分类方法，其特征在于，该方法包括以下步骤：
2.根据权利要求1所述的基于两步深度学习模型的星载sar图像水体类型分类方法，其特征在于，所述步骤s1还包括以下步骤：
3.根据权利要求1所述的基于两步深度学习模型的星载sar图像水体类型分类方法，其特征在于，所述步骤s2还包括以下步骤：
4.根据权利要求1所述的基于两步深度学习模型的星载sar图像水体类型分类方法，其特征在于，所述步骤s3还包括以下步骤：
5.根据权利要求1所述的基于两步深度学习模型的星载sar图像水体类型分类方法，其特征在于，所述步骤s5还包括以下步骤：
6.根据权利要求1所述的基于两步深度学习模型的星载sar图像水体类型分类方法，其特征在于，所述步骤s6还包括以下步骤：
7.根据权利要求1所述的基于两步深度学习模型的星载sar图像水体类型分类方法，其特征在于，所述步骤s8还包括以下步骤：
8.根据权利要求1所述的基于两步深度学习模型的星载sar图像水体类型分类方法，其特征在于，所述步骤s9还包括以下步骤：
9.一种实现权利要求1所述方法的基于两步深度学习模型的星载sar图像水体类型分类的系统，其特征在于，该系统包括：
