深度學習的SAR 圖像海洋渦旋自動檢測及其特征提取

吳進群，陳 戈，馬純永，鄭益勤

(1.中國海洋大學，山東 青島 266100；2.航天宏圖信息技術(shù)股份有限公司，北京 100097)

0 引 言

海洋渦旋是一種重要的海洋現(xiàn)象，廣泛分布于全球大洋和邊緣海中，它在海洋物質(zhì)輸送、能量傳遞、水聲傳播以及海洋生產(chǎn)等過程中發(fā)揮著至關重要的作用。因此，高效、精準地檢測出海洋渦旋對物理海洋研究、軍事和民事海洋應用都有重要研究價值。合成孔徑雷達(synthetic aperture radar,SAR)是一種全天候、全天時的現(xiàn)代高分辨率微波成像雷達，可以清晰觀測到十幾千米量級的亞中尺度海洋渦旋，比傳統(tǒng)的衛(wèi)星高度計更具優(yōu)勢。海洋渦旋自身有多種生成機制，進而會導致在SAR 圖像中表現(xiàn)出不同的特征。其中，在流場輻聚區(qū)，由于表面漂浮物的堆積，降低了雷達波的后向散射，在SAR 遙感圖像上表現(xiàn)為較暗的條帶。這種由于流場輻聚區(qū)海面漂浮物堆積顯現(xiàn)的海洋渦旋稱為海洋黑渦，SAR 圖像中觀測到的海洋渦旋大多為海洋黑渦[1]，本文研究對象僅為海洋黑渦，不涉及其他顯現(xiàn)機制的海洋渦旋。

傳統(tǒng)的SAR 圖像海洋渦旋檢測主要通過人工目視解譯方法，存在一定的主觀判斷。隨著海量SAR 圖像的積累，僅使用人工目視解譯識別海洋渦旋費時費力，海洋渦旋自動化檢測與特征參數(shù)自動化提取顯得極其重要。國內(nèi)外不少學者嘗試將深度學習應用到海洋渦旋檢測領域，主要應用在海表溫度或海面高度異常的海洋渦旋識別[2-7]，極少涉及SAR 圖像，深度學習在SAR 圖像海洋渦旋自動檢測方面的研究仍需要進一步深入。

YOLOX 是曠視科技于2021 年7 月發(fā)布的最新一代YOLO 系列目標檢測器[8]，本文重點針對海洋渦旋的自動檢測與特征參數(shù)自動提取2 個方面開展研究，提出基于YOLOX 高性能目標檢測的海洋渦旋檢測模型YOLOX-EDDY。根據(jù)SAR 圖像海洋渦旋的螺旋線形態(tài)，對檢測出的海洋渦旋進行渦旋中心位置、渦旋尺度和渦旋邊緣位置等特征參數(shù)進行自動提取。

1 數(shù)據(jù)資料

目前尚未有公開可用的SAR 圖像海洋渦旋數(shù)據(jù)集，本文利用國家衛(wèi)星海洋應用中心、中國資源衛(wèi)星應用中心提供的高分三號衛(wèi)星SAR 圖像數(shù)據(jù)，其中對高分三號衛(wèi)星L1A 數(shù)據(jù)進行幾何校正、輻射校正處理為L2 數(shù)據(jù)。通過旋轉(zhuǎn)變換、轉(zhuǎn)置變換、平移變換、噪聲擾動變換等數(shù)據(jù)擴充方法[9]對SAR 圖像數(shù)據(jù)進行擴充，共建立19 720 個SAR 圖像渦旋訓練樣本數(shù)據(jù)。

2 研究方法

2.1 SAR 圖像海洋渦旋自動檢測與特征參數(shù)提取處理流程

1）制作SAR 圖像海洋渦旋樣本庫

海洋渦旋樣本庫主要包括標簽庫和樣本庫，其中樣本庫包含SAR 海洋渦旋圖片，將GeoTIFF 格式的SAR 圖像經(jīng)過圖像預處理、數(shù)據(jù)擴充保存為PNG 圖片，作為海洋渦旋自動檢測模型的輸入源；標簽庫包含海洋渦旋區(qū)域的位置信息和類型信息。通過旋轉(zhuǎn)變換、轉(zhuǎn)置變換、平移變換、噪聲擾動變換等方法進行SAR 圖像數(shù)據(jù)進行數(shù)據(jù)擴充。

2）構(gòu)建YOLOX-EDDY 海洋渦旋自動檢測模型

基于YOLOX 檢測器構(gòu)建海洋渦旋自動檢測模型YOLOX-EDDY 如圖1 所示。與以前的YOLO 算法不同，它包括3 個創(chuàng)新點分別是去耦頭策略、無錨點策略和高級標簽分配策略，使模型檢測效果進一步提升。YOLOX-EDDY 模型將CSPDarknet 作為主干特征提取網(wǎng)絡，在主干特征提取網(wǎng)絡中加入了Fcous 結(jié)構(gòu)，將激活函數(shù)替換為SiLU 函數(shù)，增加了SPPbottleneck 空間金字塔池化，采用PAFPN 的結(jié)構(gòu)進行融合，將高層的特征信息，先通過上采樣的方式進行傳遞融合，再通過下采樣融合方式得到預測的特征圖。將主干層提取的3 個有效特征層P 1，P 2，P 3 輸入到PAFPN 加強特征提取網(wǎng)絡中進行特征融合，得到加強特征層PQ1，PQ2，PQ3。3 個加強特征層通過YOLOHead 判斷特征點是否有海洋渦旋。利用非極大值抑制消除重復的邊界框以得到更加準確的檢測結(jié)果。

圖1 YOLOX-EDDY 海洋渦旋自動檢測模型框架Fig.1 YOLOX-EDDY oceanic eddies automatic detection model framework

3）海洋渦旋特征參數(shù)提取

根據(jù)海洋渦旋的螺旋線形態(tài)，本文提出一種基于骨架化的渦旋特征參數(shù)自動提取方法，渦旋特征參數(shù)包括渦旋中心位置、渦旋邊緣位置、渦旋尺度。海洋渦旋特征參數(shù)提取步驟如下：

步驟1：計算YOLOX-EDDY 模型檢測出的海洋渦旋區(qū)域的矩形框的幾何中心，作為渦旋中心位置。

步驟2：對檢測出的海洋渦旋SAR 圖像進行二值化、剔除干擾區(qū)域、骨架化、螺旋線擬合等步驟，提取海洋渦旋的邊緣位置信息。

① SAR 圖像二值化

采用自適應閾值分割方法對檢測出的SAR 海洋渦旋圖像進行二值化，圖像轉(zhuǎn)換為0，1 的邏輯運算，黑色區(qū)域?qū)诒尘?，標記?，白色區(qū)域?qū)诤Ｑ鬁u旋，標記為1；

② 去除小于某一指定面積的噪點

統(tǒng)計二值圖像中各區(qū)域標識為1 的像素點個數(shù)，默認設置閾值為100，即區(qū)域面積小于100，即認為是噪聲，將該區(qū)域標記為0，變成黑色背景；

③ 孤立像素點填充

填充孤立的內(nèi)部像素點，例如，被1 包圍的0，經(jīng)過形態(tài)學填充處理后，該孤立的像素點變?yōu)?；

④ 圖像骨架提取

經(jīng)形態(tài)學骨架化處理，提取海洋渦旋的輪廓骨架線；

⑤ 毛刺消除處理

由于噪聲等因素使得骨架上存在毛刺干擾，進行毛刺消除處理；

⑥ 螺旋線擬合

經(jīng)過前5 步驟處理后，計算出圖像中所有的連通區(qū)域，獲得每個聯(lián)通區(qū)域的坐標索引；計算所有連通區(qū)域的像素點個數(shù)，篩選出最長的主連通區(qū)域弧段；對篩選出的主連通區(qū)域進行螺旋線擬合，得到渦旋邊緣線。

對數(shù)螺旋線方程為r=aebθ，兩邊同時取對數(shù)得到lnr=bθ+lna，將即將θ和 lnr轉(zhuǎn)換為線性方程[10-12]。通過最小二乘法來求得該直線方程的系數(shù)a和b，進而得到最佳逼近渦旋邊緣的螺旋線參數(shù)系數(shù)a和b。其中r和θ的計算公式為：

式中：xi和yi為主連通區(qū)域中第i個點的坐標；x0和y0為渦旋中心點坐標。

步驟3計算渦旋邊緣線的最小外接圓，以圓圈的半徑作為渦旋尺度，如圖2 所示。其中點代表渦旋中心，曲線代表渦旋邊緣位置，虛線代表渦旋尺度。

圖2 渦旋中心、渦旋邊緣位置、渦旋尺度結(jié)果圖Fig.2 Eddy center, and eddy edge position eddy scale result diagram

2.2 實驗環(huán)境

實驗環(huán)境云服務器為：鯤鵬通用計算增強型KC1，云主機鏡像kylinos32 核，內(nèi)存為128 G，Python 版本是3.9。Freeze_Train 設置為true，采用先凍結(jié)主干訓練后解凍訓練的方式進行訓練。對YOLOX-EDDY 模型進行訓練與測試，得到海洋渦旋的檢測最優(yōu)模型。

利用YOLOX-EDDY 模型能夠?qū)崿F(xiàn)海洋渦旋的自動檢測，并對檢測出有渦旋的SAR 圖像，進行渦旋中心位置、渦旋邊緣位置、渦旋尺度信息的自動提取。

2.3 精度驗證分析

選取55 景SAR 圖像作為驗證數(shù)據(jù)集，分別對YOLOX-EDDY 模型的自動檢測精度與特征參數(shù)提取精度進行評價。假設定有海洋渦旋的SAR 圖像為正樣本，無海洋中尺度渦的SAR 圖像為負樣本。55 景驗證數(shù)據(jù)集中包含海洋渦旋的正樣本數(shù)據(jù)10 景，負樣本數(shù)據(jù)45 景（無海洋渦旋）。

為了對YOLOX-EDDY 的檢測效果進行評價，采用準確率、誤報率、漏報率3 個指標評價YOLOXEDDY 模型的檢測效果，具體計算公式如下：

式中：TP代表實際和檢測都為正的樣本個數(shù)；FP表示檢測為正但實際為負的樣本個數(shù)，即誤報的個數(shù)；FN表示檢測為負但實際為正的樣本個數(shù)，即為漏報個數(shù)；TN表示檢測為負但實際為負的樣本個數(shù)，如表1 所示。

表1 海洋渦旋檢測精度評價體系Tab.1 Evaluation system of oceanic eddies detection accuracy

通過計算中心位置檢測誤差、邊緣位置檢測誤差、尺度檢測誤差評估YOLOX-EDDY 模型特征參數(shù)提取精度。渦心位置檢測誤差、邊緣位置檢測誤差、尺度檢測誤差均采用均方根誤差統(tǒng)計結(jié)果，均方根誤差計算公式為：

式中：N為樣本總數(shù)，Xi為第i個模型提取值；Yi為第i個人工目視解譯真值結(jié)果。

利用YOLOX-EDDY 對55 景SAR 圖像進行海洋渦旋檢測，并與人工目視解譯結(jié)果進行對比驗證，其中，TP為10 個，F(xiàn)P為3 個，F(xiàn)N為0 個，TN為42 個，根據(jù)評價指標公式計算得到準確率為94.55%，漏報率為0%，誤報率為6.67%。根據(jù)式（6）計算，渦旋中心位置檢測誤差為1.86 km，尺度檢測誤差2.08 km，邊緣位置檢測誤差為2.32 km。

3 結(jié) 語

本文針對SAR 衛(wèi)星圖像中的海洋渦旋檢測與特征參數(shù)自動提取問題，提出一種基于YOLOX 高性能目標檢測的海洋渦旋檢測模型YOLOX-EDDY，該模型能夠精準檢測亞中尺度渦旋的特征信息，并對檢測出有渦旋的SAR 圖像自動化提取SAR 圖像渦旋中心位置、渦旋尺度、渦旋邊緣尺度等特征參數(shù)，實現(xiàn)了SAR 圖像亞中尺度海洋渦旋自動化精準檢測和特征參數(shù)自動提取?；诖朔椒?，本文利用高分三號衛(wèi)星海洋渦旋SAR 圖像分別進行了渦旋自動檢測和特征參數(shù)提取實驗，提取結(jié)果與目視解譯數(shù)據(jù)進行對比，結(jié)果表明，YOLOX-EDDY 模型能夠精準檢測海洋渦旋，根據(jù)螺旋線形態(tài)特征能夠自動提取SAR 圖像中渦旋特征參數(shù)。