基于深度學(xué)習(xí)的海浪SAR圖像分類?

劉騰騰， 曹川川， 韓 勇??， 陳 戈

(1. 中國海洋大學(xué)信息科學(xué)與工程學(xué)院， 山東 青島 266100； 2. 青島海洋科學(xué)與技術(shù)試點(diǎn)國家實(shí)驗(yàn)室 區(qū)域海洋與數(shù)值模擬實(shí)驗(yàn)室， 山東 青島 266237)

海浪是海洋中表層海水的波動(dòng)現(xiàn)象，其觀測(cè)過程經(jīng)歷了經(jīng)驗(yàn)性的目測(cè)與局地性的浮標(biāo)觀測(cè)，而近幾十年，隨著衛(wèi)星觀測(cè)精度與反演方法的不斷革新，使得遙感觀測(cè)成為海浪研究中利用率最高、覆蓋度最廣、周期性最長的實(shí)測(cè)數(shù)據(jù)，其中，合成孔徑雷達(dá)(SAR)可提供高分辨率的二維海浪譜信息，且不受云、雨的限制和具有全天候工作的優(yōu)勢(shì)，是海浪觀測(cè)中應(yīng)用最為廣泛的傳感器[1]。

自1978年Seasat發(fā)射升空，證實(shí)SAR能對(duì)海浪成像，拉開了遙感觀測(cè)海浪的序幕[2]。其后，歐洲航空局(ESA)陸續(xù)發(fā)射了ERS-1/2衛(wèi)星(1991和1995年)、Envisat衛(wèi)星(2002年)以及最新的Sentinel-1A/B衛(wèi)星(2014和2016年)，其主載荷均是SAR傳感器，顯著地推動(dòng)了海浪研究的進(jìn)程。根據(jù)SAR成像理論，其回波機(jī)制是海面微尺度波的Bragg散射，更長尺度的波浪通過調(diào)制這些微尺度波而在SAR圖像上成像[3]。Hasselmann等[4-5]將這種調(diào)制作用概括為真實(shí)孔徑雷達(dá)調(diào)制和合成孔徑雷達(dá)調(diào)制，前者包含傾斜調(diào)制和流體動(dòng)力調(diào)制，通常認(rèn)為是線性的，它們影響著后向散射回波的強(qiáng)度；而后者指速度聚束調(diào)制，具有很強(qiáng)的非線性，其引發(fā)的多普勒頻移效應(yīng)會(huì)改變目標(biāo)在SAR圖像中的位置，導(dǎo)致SAR成像模糊。Schulz-Stellenfleth等[6]提出CWAVE反演算法，不依賴于任何輔助數(shù)據(jù)而實(shí)現(xiàn)獨(dú)立的海浪參數(shù)反演，使得SAR反演方法更關(guān)注圖像本身。該反演算法也被推廣應(yīng)用于Envisat和Sentinel-1數(shù)據(jù)的海浪參數(shù)反演。前人針對(duì)海浪SAR圖像自身特點(diǎn)的研究較少，其中Schulz-Stellenfleth等[7]根據(jù)目視分類建立了SAR圖像成像均勻性的分類方法，用于剔除海浪視場(chǎng)中由于海冰、陸地、油污等影響而成像不良的數(shù)據(jù)，后被ESA應(yīng)用于基礎(chǔ)數(shù)據(jù)預(yù)處理?；贓nvisat衛(wèi)星搭載的先進(jìn)合成孔徑雷達(dá)(ASAR)獲取的一級(jí)和二級(jí)數(shù)據(jù)，曹川川等[8]發(fā)現(xiàn)SAR圖像中海浪條紋清晰度與反演參數(shù)的精度直接相關(guān)，條紋清晰的SAR圖像反演主波波長和周期的誤差更小，而條紋不清晰SAR圖像反演有效波高和風(fēng)速的誤差更小，并指出在反演海浪參數(shù)的修正過程中，僅依靠風(fēng)速“一刀切”的參數(shù)修正方式是不合理的，結(jié)合條紋清晰度對(duì)圖像進(jìn)行分類修正，將有助于提升SAR反演海浪參數(shù)的精度。

目視分類是最基本的圖像分類方法，其他分類方法也需依此來建立高精度的樣本庫，但應(yīng)用于海量的SAR圖像分類時(shí)，其主觀性和效率低等缺點(diǎn)將不容忽視。近年來，深度學(xué)習(xí)在圖像識(shí)別領(lǐng)域的蓬勃發(fā)展，為圖像分類研究提供了靈活、高效和可重復(fù)性的方法。它與遙感圖像相結(jié)合，被廣泛應(yīng)用于海洋現(xiàn)象的識(shí)別與預(yù)測(cè)研究。Estanislau Lima等[9]較早的將卷積神經(jīng)網(wǎng)絡(luò)應(yīng)用到海洋鋒識(shí)別任務(wù)上，與其它傳統(tǒng)方法(如梯度算法、熵算法)相比，其方法取得了更高的識(shí)別準(zhǔn)確率。Yang等[10]將全連接長短期記憶(Fully Connected Long Short Term Memory，F(xiàn)C-LSTM) 網(wǎng)絡(luò)與卷積神經(jīng)網(wǎng)絡(luò)(Convolutional Neural Networks，CNN)相結(jié)合進(jìn)行海溫預(yù)測(cè)，提高了海溫預(yù)測(cè)的精度。Duo等[11]基于目標(biāo)檢測(cè)網(wǎng)絡(luò)構(gòu)建了中尺度渦旋自動(dòng)識(shí)別定位網(wǎng)絡(luò)OEDNet，該網(wǎng)絡(luò)針對(duì)海洋中尺度渦旋中的小樣本和復(fù)雜區(qū)域進(jìn)行了優(yōu)化，不僅具有更高的識(shí)別性能，而且在不同海域的表現(xiàn)上具有良好的泛化能力。Zhang等[12]基于機(jī)器學(xué)習(xí)結(jié)合氣候?qū)W海洋溫度-鹽度剖面與從MODIS和VIIRS衛(wèi)星圖像中提取的內(nèi)波波峰曲線建立了內(nèi)波預(yù)測(cè)模型，實(shí)現(xiàn)了對(duì)蘇祿海和西里伯斯海中內(nèi)波的傳播預(yù)測(cè)。

本文基于深度學(xué)習(xí)方法，以Inception-ResNet-V2網(wǎng)絡(luò)模型為基本網(wǎng)絡(luò)結(jié)構(gòu)，在其殘差模塊(Residual)后加入CBAM (Convolutional Block Attention Module) 注意力模塊，實(shí)現(xiàn)對(duì)海浪SAR圖像分類。針對(duì)SAR圖像海浪條紋特征的特殊性，在利用模型識(shí)別圖像時(shí)采用分塊識(shí)別的方式，對(duì)各塊分類概率結(jié)果進(jìn)行累加后取概率最大的類別，進(jìn)一步提高了識(shí)別準(zhǔn)確率。該研究不僅檢驗(yàn)了利用深度學(xué)習(xí)進(jìn)行海浪SAR圖像分類的可靠性，為進(jìn)一步研究海浪參數(shù)特征與反演參數(shù)修正奠定了基礎(chǔ)，同時(shí)也可為計(jì)算機(jī)技術(shù)與海洋學(xué)之間的跨學(xué)科研究做出貢獻(xiàn)。

1 數(shù)據(jù)介紹

Envisat衛(wèi)星搭載的ASAR傳感器具備5種測(cè)量模式：圖像模式(IM)、可變極化模式(AP)、寬刈幅模式(WS)、全球觀測(cè)模式(GM)和波模式(WV)，其中波模式下沿著衛(wèi)星飛行路徑每隔100 km可成像一次，圖幅大小在(5×5)～(10×5) km范圍，空間分辨率沿著衛(wèi)星飛行方向(方位向)為6 m，垂直于飛行方向?yàn)? m。由于該模式下分辨率高、功耗低、數(shù)據(jù)量豐富被廣泛應(yīng)用于海浪研究。

海洋視場(chǎng)下，傳感器所接收到的回波因受海浪的調(diào)制作用，在SAR圖像中顯示為明暗相間的灰度條紋。利用官方預(yù)處理的數(shù)據(jù)標(biāo)記對(duì)其進(jìn)行質(zhì)量控制，只選取成像均勻的圖像，即不包含海冰、陸地、油污和海氣相互作用等影響而成像不良的影像。本研究主要將圖像分為三組：清晰組、不清晰組和中間組。清晰組的圖像中可發(fā)現(xiàn)清晰的海浪條紋，尺度均一、方向明確；而不清晰組的圖像則是灰度均勻，無法通過目視識(shí)別出任何海浪特征；中間組介于前兩者之間，作為容差的過度組而存在，圖幅中包含模糊的海浪特征，但方向不明確或紋理不均勻(見圖1)。通過目視較為容易區(qū)分這三種圖像的差異，但對(duì)計(jì)算機(jī)識(shí)別而言，從灰度圖像中區(qū)分條紋差異十分具有挑戰(zhàn)性。為了得到更好的分類效果，本文按照三種海浪條紋清晰度，對(duì)ASAR圖像進(jìn)行目視監(jiān)督分類，各選出4 000幅圖像作為分類樣本庫。

((a)表示清晰組圖像；(b)表示中間組圖像；(c)表示不清晰組圖像。(a)Represents the clear group image；(b)Represents the middle group image；(c)Represents the unclear group image.)

2 模型與方法

2.1 Inception-ResNet-V2網(wǎng)絡(luò)

本文選用當(dāng)下在ILSVRC(ImageNet Large Scale Visual Recognition Challenge)圖像分類基準(zhǔn)測(cè)試中成績(jī)較好的Inception-ResNet-V2[13]網(wǎng)絡(luò)作為本次研究的基礎(chǔ)網(wǎng)絡(luò)結(jié)構(gòu)，以實(shí)現(xiàn)海浪SAR圖像分類。Inception-ResNet-V2是由深度卷積網(wǎng)絡(luò)Inception[14-15]和殘差網(wǎng)絡(luò)結(jié)構(gòu)ResNet[16-17]組合而成，其在InceptionV4的基礎(chǔ)上引入了殘差網(wǎng)絡(luò)結(jié)構(gòu)，在加深網(wǎng)絡(luò)的同時(shí)有效避免了網(wǎng)絡(luò)過深所造成的網(wǎng)絡(luò)退化(過擬合)、梯度爆炸和梯度彌散等問題，網(wǎng)絡(luò)總體結(jié)構(gòu)如圖2所示。

圖2 Inception-ResNet-V2總體結(jié)構(gòu)Fig.2 The overall structure of Inception-ResNet-V2

上圖中的三個(gè)卷積殘差模塊是該網(wǎng)絡(luò)的特征提取模塊(見圖3)，以Inception-ResNet-A為例，中間各層得到的特征圖經(jīng)線性整流函數(shù)(Rectified Linear Unit, ReLU)激活進(jìn)入右通路做組合卷積運(yùn)算，各路卷積結(jié)果進(jìn)行張量連接后進(jìn)行1×1卷積運(yùn)算，1×1卷積的主要作用是提升或降低特征的維度，即通道數(shù)，在不改變圖片寬高的前提下減少訓(xùn)練參數(shù)，以大大降低計(jì)算量。最后的操作是對(duì)1×1卷積結(jié)果做殘差處理后采用線性整流函數(shù)進(jìn)行非線性激活。與Inceprion-ResNet-A不同之處在于Inceprion-ResNet-B和 Inceprion-ResNet-C都是只有兩個(gè)通路做組合卷積，并且網(wǎng)絡(luò)結(jié)構(gòu)中都使用了非對(duì)稱卷積核，即將7×7和3×3卷積核拆解成7×1、1×7和3×1、1×3的非對(duì)稱卷積核，這樣不僅加深了網(wǎng)絡(luò)深度，也增強(qiáng)了網(wǎng)絡(luò)的非線性。

圖3 Inceprion-ResNet-A網(wǎng)絡(luò)結(jié)構(gòu)Fig.3 The network structure of Inceprion-ResNet-A

2.2 注意力機(jī)制模型

注意力機(jī)制借鑒了人類視覺的選擇性注意力機(jī)制，人類通過有限的注意力資源可以從大量信息中快速找到目標(biāo)特征區(qū)域，進(jìn)而篩選出關(guān)鍵信息，極大提高了視覺信息處理的效率和準(zhǔn)確性。注意力機(jī)制最先大多應(yīng)用于自然語言處理領(lǐng)域，旨在提高文本翻譯任務(wù)的性能[18]。近年來，隨著研究的深入，注意力機(jī)制在圖像識(shí)別領(lǐng)域發(fā)展迅速并引起廣泛關(guān)注。2017年Hu等[19]提出了SEnet(Squeeze and Excitation networks)模型并一舉贏得了ImageNet分類競(jìng)賽冠軍，其創(chuàng)新之處在于通過通道間的不同權(quán)重對(duì)不同通道特征進(jìn)行重要性選擇，使得模型能夠重點(diǎn)關(guān)注信息量最大的通道特征而抑制其它不重要的通道特征。2018年Woo等[20]提出了CBAM(Convolutional Block Attention Module)卷積注意力模塊，此設(shè)計(jì)兼顧通道和空間兩個(gè)維度的注意力權(quán)重并表明了不僅在通道間，在空間上也可以強(qiáng)調(diào)特征信息。CBAM是一個(gè)輕量級(jí)的通用注意力模塊，由通道注意力模塊(Channel Attention Module，CAM)和空間注意力模塊(Spatial Attention Module，SAM)組成，它們可以作為兩個(gè)獨(dú)立的部分也可以以并行或順序的方式進(jìn)行組合，這使其可以無縫集成到任何卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)中，并使模型性能都有一定提升，具有廣泛的可應(yīng)用性。本文通過對(duì)Inception-ResNet-V2模型進(jìn)行簡(jiǎn)化，并將CAM與SAM以順序的方式加入到其殘差模塊之后，使得模型的學(xué)習(xí)速率和準(zhǔn)確率都有一定提升。

2.2.1 通道注意力模塊 如圖4，CAM首先對(duì)輸入的特征分別進(jìn)行一個(gè)空間的全局平均池化和全局最大池化，然后將得到的兩個(gè)空間描述分別送入一個(gè)兩層的共享神經(jīng)網(wǎng)絡(luò)進(jìn)行壓縮和線性整流函數(shù)激活，壓縮的目的是為了減少網(wǎng)絡(luò)參數(shù)量，避免內(nèi)存溢出，同時(shí)可以提高運(yùn)算效率。最后將激活后的結(jié)果相加并用Sigmoid函數(shù)再次激活以得到通道權(quán)重，將權(quán)重與原始輸入特征相乘便可得到縮放后的新特征。CAM計(jì)算過程如式(1)所示：

圖4 通道注意力模型Fig.4 Channel attention model

(1)

式中：CA表示通道注意力權(quán)重；σ表示Sigmoid激活函數(shù)；W0表示第一層全連接和ReLU激活操作；W1表示第二層全連接和ReLU激活操作。

2.2.2 空間注意力模塊 如圖5，與CAM不同，SAM首先對(duì)輸入的特征分別進(jìn)行一個(gè)通道維度的平均池化和最大池化以得到兩個(gè)通道描述，然后將這兩個(gè)描述按照通道維度進(jìn)行拼接，再經(jīng)過一層卷積后用Sigmoid函數(shù)激活以得到空間權(quán)重，卷積層通常采用7×7的卷積核，在本文的研究中發(fā)現(xiàn)3×3的卷積核對(duì)SAR圖像海浪條紋的特征學(xué)習(xí)更為有效，訓(xùn)練損失收斂更快。SAM計(jì)算過程如式(2)所示：

圖5 空間注意力模型Fig.5 Spatial attention model

(2)

式中：SA表示空間注意力權(quán)重；σ表示Sigmoid激活函數(shù)；f3×3表示3×3的卷積操作；⊕代表二維向量的拼接。

3 實(shí)驗(yàn)結(jié)果與分析

3.1 數(shù)據(jù)預(yù)處理

SAR圖像大小固定，大小為900×1 200，基于人工目視分類，根據(jù)不同清晰度的海浪條紋在2萬張SAR圖像中選取了清晰組、不清晰組和中間組各4 000張作為本次研究的數(shù)據(jù)集。將數(shù)據(jù)集隨機(jī)分為訓(xùn)練集、驗(yàn)證集和測(cè)試集，其中訓(xùn)練集9 600張(80%),驗(yàn)證集和測(cè)試集都是1 200張(10%)，并且驗(yàn)證集和測(cè)試集中的每類圖像都是按相同比例(10%)從原始數(shù)據(jù)集該類圖像中隨機(jī)選取的，以保證數(shù)據(jù)分布的均勻性。

實(shí)驗(yàn)發(fā)現(xiàn)直接用訓(xùn)練集進(jìn)行學(xué)習(xí)訓(xùn)練效果并不好，一是因?yàn)橛?xùn)練樣本過少，二是圖像尺寸過大，影響特征提取，識(shí)別準(zhǔn)確率只有75.6%，并且以隨機(jī)裁剪和旋轉(zhuǎn)的方式擴(kuò)充數(shù)據(jù)也并未取得較好的訓(xùn)練結(jié)果。在原始圖像大小都為900×1 200前提下，為豐富訓(xùn)練集，減小圖像尺寸，特將圖像分別以四個(gè)頂點(diǎn)為起始點(diǎn)進(jìn)行裁剪，尺寸大小為600×800，將訓(xùn)練集擴(kuò)充了4倍，數(shù)量達(dá)到了38 400張，并且為保證圖像尺度一致，對(duì)驗(yàn)證數(shù)據(jù)也進(jìn)行了相同的裁剪。考慮到SAR圖像海浪條紋區(qū)域特征并不明顯，經(jīng)去均值、Gabor濾波等圖像增強(qiáng)手段進(jìn)行圖像預(yù)處理后對(duì)訓(xùn)練結(jié)果沒有明顯提升，所以為保持原有圖像特征，本文只進(jìn)行了簡(jiǎn)單的歸一化處理。并且為保證驗(yàn)證集圖像尺寸與訓(xùn)練集一致，也對(duì)驗(yàn)證集數(shù)據(jù)進(jìn)行了上述方式的裁剪，保證訓(xùn)練過程中結(jié)果驗(yàn)證的有效性。

3.2 網(wǎng)絡(luò)結(jié)構(gòu)

如圖6，本文采用TensorFlow和Keras架構(gòu)實(shí)現(xiàn)Inception-ResNet-V2網(wǎng)絡(luò)模型搭建并對(duì)模型進(jìn)行了相應(yīng)調(diào)整，去除了中間部分的殘差模塊及其縮減層，并在每個(gè)殘差后面加入了CBAM注意力模塊。整個(gè)模型共有108層結(jié)構(gòu)，一次訓(xùn)練所選取的樣本數(shù)為16，損失函數(shù)選擇用于多分類任務(wù)的交叉熵?fù)p失函數(shù)categorical_crossentropy[21]，采用Adam[22]優(yōu)化器加速模型收斂，學(xué)習(xí)率以0.05為起始，并采用指數(shù)衰減的方式降低訓(xùn)練過程中的學(xué)習(xí)率，衰減指數(shù)為0.96，每100個(gè)批次進(jìn)行一次衰減。

圖6 改進(jìn)的Inception-ResNet-V2模型結(jié)構(gòu)Fig.6 The model structure of improved Inception-ResNet-V2

3.3 研究過程

本文首先采用原始Inception-ResNet-V2模型進(jìn)行多次實(shí)驗(yàn)訓(xùn)練，在提升運(yùn)算效率和識(shí)別準(zhǔn)確率的原則下對(duì)網(wǎng)絡(luò)模型做出了相應(yīng)的調(diào)整，主要?jiǎng)h減了原始模型的Inception-ResNet-B殘差模塊及其縮減層，并將Inception-ResNet-A和Inception-ResNet-C的殘差層數(shù)調(diào)整為2層和3層。然后在模型的殘差層后面分別加入了TAM、CAM以及TAM與CAM按順序串聯(lián)組合而成的CBAM注意力模塊并進(jìn)行了對(duì)比實(shí)驗(yàn)，以識(shí)別準(zhǔn)確率最高的模型結(jié)構(gòu)。

在模型測(cè)試方面，本文訓(xùn)練數(shù)據(jù)圖像大小為600×800，而原始圖像大小為900×1 200，實(shí)驗(yàn)發(fā)現(xiàn)利用訓(xùn)練后的模型直接對(duì)原始圖像進(jìn)行分類效果并不理想，尺寸的差異對(duì)分類結(jié)果影響較大。基于實(shí)驗(yàn)數(shù)據(jù)的特殊性，為使訓(xùn)練圖像與測(cè)試圖像尺寸一致，本文提出兩種測(cè)試方法，一是將測(cè)試圖像以數(shù)據(jù)擴(kuò)充時(shí)的裁剪方案進(jìn)行裁剪，然后對(duì)每一塊進(jìn)行分類測(cè)試，稱之為單塊測(cè)試；二是以同樣的裁剪方案將一張?jiān)紙D像分成4塊，然后把每一塊的分類概率值進(jìn)行累加，取概率值最大的一類作為最終分類結(jié)果，稱之為分塊測(cè)試。單塊測(cè)試適用于模型訓(xùn)練過程中，用來驗(yàn)證每個(gè)批次訓(xùn)練結(jié)果的有效性，分塊測(cè)試則適用于模型訓(xùn)練后的評(píng)估環(huán)節(jié)，作為模型準(zhǔn)確率的最終計(jì)算方案。由于測(cè)試數(shù)據(jù)集中的圖像是已經(jīng)分類好的數(shù)據(jù)，用訓(xùn)練好的模型對(duì)其進(jìn)行分類，取概率值最大的類別作為目標(biāo)圖像的分類結(jié)果，最后將分類正確的圖像在測(cè)試集中的占比作為模型的識(shí)別準(zhǔn)確率。

3.4 結(jié)果分析

針對(duì)海浪SAR圖像分類問題，原始的Inception-ResNet-V2模型網(wǎng)絡(luò)層數(shù)過深，運(yùn)算耗時(shí)，分塊準(zhǔn)確率只有82.3%。相比原始的Inception-ResNet-V2模型，結(jié)合CAM和SAM的改進(jìn)模型準(zhǔn)確率分別提升了3.9個(gè)百分點(diǎn)和4.1個(gè)百分點(diǎn)，而將二者結(jié)合的CBAM更是將準(zhǔn)確率提升了7.3個(gè)百分點(diǎn)。同時(shí)，與單塊識(shí)別相比，采用分塊識(shí)別方案準(zhǔn)確率能夠提升0.7～1.8個(gè)百分點(diǎn)。實(shí)驗(yàn)結(jié)果如表1所示。

表1 不同注意力機(jī)制下的識(shí)別結(jié)果比較Table 1 Comparison of recognition results under different attention mechanisms %

除了分類準(zhǔn)確率，訓(xùn)練損失也是評(píng)價(jià)模型的一個(gè)重要指標(biāo)。訓(xùn)練損失用來度量預(yù)測(cè)的概率分布與真實(shí)分布之間的差異，本文采用交叉熵?fù)p失函數(shù)計(jì)算損失值，公式如下：

(3)

式中：E表示交叉熵?fù)p失；T表示類別總數(shù)；Pj表示預(yù)測(cè)概率向量P的第j個(gè)值；yj表示真實(shí)分類向量y的第j個(gè)值。

通過對(duì)比4組實(shí)驗(yàn)的訓(xùn)練損失折線圖，加入CBAM的改進(jìn)模型訓(xùn)練損失不僅有顯著降低，而且收斂更快，表明該模型圖像特征提取效果較好，學(xué)習(xí)效率更高。訓(xùn)練損失折線如圖7所示。

圖7 訓(xùn)練損失折線Fig.7 Line chart of training loss

圖8為三組SAR圖像經(jīng)注意力模塊卷積后的特征圖結(jié)果，輸入圖像經(jīng)尺度歸一化后在神經(jīng)網(wǎng)絡(luò)模型中層層卷積和激活，對(duì)圖像特征進(jìn)行多次提取(圖中較亮區(qū)域)，為最后的分類判別提供依據(jù)。傳統(tǒng)圖像分類是針對(duì)圖像中的某一目標(biāo)或部分區(qū)域進(jìn)行特征提取并加以分類，而本文中用到的SAR圖像海浪紋理分布在整幅圖像，卷積神經(jīng)網(wǎng)絡(luò)和注意力模型在多次卷積和激活后會(huì)將目標(biāo)鎖定在圖像中的某一區(qū)域，由于SAR圖像中海浪紋理特征不夠明顯，且中間組圖像介于清晰組和不清晰組之間，海浪紋理特征存在交叉，為圖像分類造成巨大干擾。

圖8 注意力特征圖可視化Fig.8 Attention feature map visualization

4 結(jié)語

隨著衛(wèi)星遙感技術(shù)的發(fā)展，實(shí)現(xiàn)了對(duì)全球海洋的高精度的快速覆蓋觀測(cè)，同時(shí)，其獲取的大量遙感數(shù)據(jù)，也對(duì)科研人員的數(shù)據(jù)特征提取與分析能力提出了巨大挑戰(zhàn)?；诤＠薙AR圖像特征混雜、數(shù)量巨大、人工目視分類困難的問題，本文利用簡(jiǎn)化的Inception-ResNet-V2模型與注意力機(jī)制相結(jié)合的方法，在減少網(wǎng)絡(luò)層數(shù)、加快運(yùn)算效率的同時(shí)，大幅度提升了計(jì)算機(jī)對(duì)SAR圖像中海浪條紋清晰度的識(shí)別準(zhǔn)確率；針對(duì)圖像尺寸對(duì)識(shí)別效果有著顯著影響的問題，本文提出了分塊測(cè)試方法，進(jìn)一步提高了識(shí)別準(zhǔn)確率。最終本文結(jié)合12 000幅分類樣本，利用深度學(xué)習(xí)實(shí)現(xiàn)了5萬幅ASAR圖像的分類研究，得到清晰組11 069幅、中間組16 560幅和不清晰組22 371幅分類圖像，為進(jìn)一步研究海浪參數(shù)特征與反演參數(shù)修正奠定了基礎(chǔ)。

在未來的工作中，我們將在圖像預(yù)處理和模型改進(jìn)兩個(gè)方面繼續(xù)尋找突破點(diǎn)，尋求一種適合于SAR圖像海浪條紋特征增強(qiáng)的圖像處理方法，并嘗試將注意力機(jī)制與其它優(yōu)秀的模型相結(jié)合，為提高模型識(shí)別準(zhǔn)確率做進(jìn)一步研究。

致謝：感謝中國海洋大學(xué)孫建老師為本論文研究提供的Envisat-ASAR波模式數(shù)據(jù)與圖像。