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象，廣泛分布于全球大洋和邊緣海中，它在海洋物質輸送、能量傳遞、水聲傳播以及海洋生產等過程中發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，比傳統的衛星高度計更具優勢。海洋渦旋自身有多種生成機制，進而會導致在SAR 圖像中表現出不同的特征。其中，在流場輻聚區，由于表面漂浮物的堆積，降低了雷達波的后向散射，在SAR 遙感圖像上表現為較暗的條帶。這種由于流場輻聚區海面漂浮物堆積顯現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，不涉及其他顯現機制的海洋渦旋。

傳統的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自動化提取顯得極其重要。國內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SAR 圖像海洋渦旋的螺旋線形態，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進行自動提取。

1 數據資料

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

2 研究方法

2.1 SAR 圖像海洋渦旋自動檢測與特征參數提取處理流程

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 圖像經過圖像預處理、數據擴充保存為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域的位置信息和類型信息。通過旋轉變換、轉置變換、平移變換、噪聲擾動變換等方法進行SAR 圖像數據進行數據擴充。

2）構建YOLOX-EDDY 海洋渦旋自動檢測模型

基于YOLOX 檢測器構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絡，在主干特征提取網絡中加入了Fcous 結構，將激活函數替換為SiLU 函數，增加了SPPbottleneck 空間金字塔池化，采用PAFPN 的結構進行融合，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）海洋渦旋特征參數提取

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

步驟1：計算YOLOX-EDDY 模型檢測出的海洋渦旋區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，圖像轉換為0，1 的邏輯運算，黑色區域對應于背景，標記為0，白色區域對應于海洋渦旋，標記為1；

② 去除小于某一指定面積的噪點

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

③ 孤立像素點填充

填充孤立的內部像素點，例如，被1 包圍的0，經過形態學填充處理后，該孤立的像素點變為1；

④ 圖像骨架提取

經形態學骨架化處理，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

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

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

式中：xi和yi為主連通區域中第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、渦旋尺度結果圖Fig.2 Eddy center, and eddy edge position eddy scale result diagram

2.2 實驗環境

實驗環境云服務器為：鯤鵬通用計算增強型KC1，云主機鏡像kylinos32 核，內存為128 G，Python 版本是3.9。Freeze_Train 設置為true，采用先凍結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模型。

利用YOLOX-EDDY 模型能夠實現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 圖像作為驗證數據集，分別對YOLOX-EDDY 模型的自動檢測精度與特征參數提取精度進行評價。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 景驗證數據集中包含海洋渦旋的正樣本數據10 景，負樣本數據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；FP表示檢測為正但實際為負的樣本個數，即誤報的個數；FN表示檢測為負但實際為正的樣本個數，即為漏報個數；TN表示檢測為負但實際為負的樣本個數，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計結果，均方根誤差計算公式為：

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

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果進行對比驗證，其中，TP為10 個，FP為3 個，FN為0 個，TN為42 個，根據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 語

本文針對SAR 衛星圖像中的海洋渦旋檢測與特征參數自動提取問題，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，實現了SAR 圖像亞中尺度海洋渦旋自動化精準檢測和特征參數自動提取。基于此方法，本文利用高分三號衛星海洋渦旋SAR 圖像分別進行了渦旋自動檢測和特征參數提取實驗，提取結果與目視解譯數據進行對比，結果表明，YOLOX-EDDY 模型能夠精準檢測海洋渦旋，根據螺旋線形態特征能夠自動提取SAR 圖像中渦旋特征參數。