基于深度學(xué)習(xí)網(wǎng)絡(luò)模型海洋內(nèi)波條紋的分割

中圖分類號：P752 文獻(xiàn)標(biāo)志碼：A 文章編號：1000-5137（2025）02-0209-06

Abstract：Anoptimized TransUNet framework stripe segmentationalgorithm was proposed toobtain oceaninternal wave informationfromremotesensing image，anditsefectivenessinsegmentingbrightanddark stripesinsyntheticapertureradar （SAR）images ofoceaninternal waves was verifiedcompared withtheoriginalTransUNetand UNet models.Thesegmentation resultsftheproposedmodelwererelativelycompletewithoutbreakage，andcouldadapttodiferentdatascalesbychangingthe complexityofthealgorithm，which layedthefoundation fortheinversionresearchofocean internal wavesandretainedgood application potential.

Key Words：internal wave stripe；synthetic aperture radar（SAR）；TransUNet；deep learning；segmentation

0 引言

合成孔徑雷達(dá)（SAR）的成像原理是利用雷達(dá)波與微尺度海面波的共振而得到圖像，很多學(xué)者利用

SAR圖像數(shù)據(jù)對海洋內(nèi)波的檢測識別進(jìn)行了研究.RODENAS等[1提出了一種基于一維小波變換的SAR圖像海洋內(nèi)波檢測和特征描述方法，但該方法無法實現(xiàn)自動檢測.隨后RODENAS等[2提出了按尺度特征對局部梯度最大值進(jìn)行改進(jìn)的二維小波分析方法，可以很好地檢測出衛(wèi)星圖片中的內(nèi)波信息.KANG等[3]利用二維經(jīng)驗?zāi)B(tài)分解算法，從SAR遙感圖像中獲取海洋內(nèi)波.HOGAN等[4]利用Hough變換對SAR圖像中的海洋內(nèi)波進(jìn)行檢測，但是其對內(nèi)波條紋特征的檢測效果不理想.FAN等5利用Roberts算子對SAR圖像中的海洋內(nèi)波進(jìn)行檢測，但容易受噪聲的干擾，檢測效果不佳.鄭應(yīng)剛等[利用列分離鄰域處理和Canny算子邊緣檢測算法較好地解決了SAR圖像中斑點噪聲對Canny算子檢測結(jié)果的干擾，一定程度上提升了檢測效果.丁燦等通過統(tǒng)計海洋內(nèi)波在SAR圖像的功率譜特征，得出包含海洋內(nèi)波區(qū)域的功率譜值，結(jié)合多孔小波變換及多尺度融合方法，提取內(nèi)波特征并進(jìn)行反演.陳捷等8改進(jìn)了傳統(tǒng)的Randon變換，將改進(jìn)后的橢圓域歸一化Randon應(yīng)用到對SAR圖像海洋內(nèi)波的檢測中.

近年來，深度學(xué)習(xí)方法在遙感圖像識別和檢測等領(lǐng)域發(fā)揮著越來越重要的作用.孫宏亮等在快速基于區(qū)域的卷積神經(jīng)網(wǎng)絡(luò)（FastR-CNN）框架中，對不同微波波段、極化方式和分辨率的SAR圖像進(jìn)行自動檢測，取得了良好的檢測效果.JIANG等[1]通過設(shè)計一種基于優(yōu)化的深度卷積生成對抗網(wǎng)絡(luò)（DCGAN）的數(shù)據(jù)增強(qiáng)方法，實現(xiàn)了從遙感圖像中自動識別海洋內(nèi)波所發(fā)生的區(qū)域.TAO等1提出了一種改進(jìn)的you onlylookonce（Yolo） v5x 網(wǎng)絡(luò)，在骨干網(wǎng)絡(luò)部分插入了一個坐標(biāo)注意力模塊，以增強(qiáng)骨干部分末端的學(xué)習(xí)特征，可以更準(zhǔn)確地定位海洋內(nèi)波的提取位置.范開國等[12通過將 Yolov8 與結(jié)合遷移學(xué)習(xí)的旋轉(zhuǎn)目標(biāo)檢測模型（ReDet）的檢測結(jié)果進(jìn)行對比，發(fā)現(xiàn)后者的訓(xùn)練效率優(yōu)于前者，在相同條件下，能夠獲得更好的檢測效果，可以自動檢測包含較大數(shù)據(jù)量的圖像.崔光曦等[13提出了一種基于超像素分割和全局顯著性特征的SAR海洋內(nèi)波檢測算法，在不降低SAR圖像空間分辨率的情況下，可以有效抑制斑噪的影響，實現(xiàn)高分辨率SAR海洋內(nèi)波條紋的準(zhǔn)確檢測.

本文結(jié)合UNet模型[14]的高分辨率空間信息和Transformer模型[15]的全局上下文特征學(xué)習(xí)特點，提出一種優(yōu)化的TransUNet框架條紋分割算法.為使TransUNet框架模型更適用于輕量級的海洋內(nèi)波條紋圖像，對其學(xué)習(xí)率和批處理大小進(jìn)行對比訓(xùn)練，并對Transformer層數(shù)和dropout參數(shù)進(jìn)行優(yōu)化.實驗結(jié)果顯示：相較于原始的TransUNet框架模型，所提模型能更有效地識別出遙感圖像中的海洋內(nèi)波條紋，且分割的精確度也更高.

1數(shù)據(jù)和模型

1.1數(shù)據(jù)數(shù)據(jù)預(yù)處理

本文的數(shù)據(jù)主要來源于Advanced Land Observing Satellite（ALOS）、哨兵1號（Sentinel-1）、The first/second European Remote Sensing Satelite（ERS-1/2）和 Envisat（Environmental Satellite）上的部分遙感影像.從相關(guān)網(wǎng)站（https：//ww.nesdis.noaa.gov/; https：//sentinel.esa.int/web/sentinel/copernicus/sentinel-1;https：//www，eoportal.org/satelitemissions/ers-2;https：//global.iaxa.ip/proiects/sat/alos4/）下載遙感圖像，保存為tiff格式，隨后對圖像進(jìn)行隨機(jī)水平翻轉(zhuǎn)，隨機(jī)剪裁尺寸為512pixelx512pixel，并對其進(jìn)行數(shù)據(jù)量增強(qiáng)處理，將處理后的tiff格式圖像轉(zhuǎn)化為jpg格式.利用Labelme可視化軟件[16]對遙感影像數(shù)據(jù)集進(jìn)行海洋內(nèi)波和背景的數(shù)據(jù)標(biāo)記，生成png格式的標(biāo)簽數(shù)據(jù).

1.2TransUNet框架條紋分割算法

1.2.1 UNet模型

作為一種卷積神經(jīng)網(wǎng)絡(luò)（CNN）模型，UNet網(wǎng)絡(luò)模型可以將高級語義信息和低級特征結(jié)合起來，實現(xiàn)特征的提取和細(xì)節(jié)恢復(fù).該網(wǎng)絡(luò)結(jié)構(gòu)中只有卷積層和池化層，沒有全連接層，網(wǎng)絡(luò)中淺層用來進(jìn)行像素定位，深層用來分類，從而實現(xiàn)圖像的語義分割.UNet的解碼部分采用反卷積方式，能夠克服編碼器在特征傳遞過程中所產(chǎn)生的特征丟失問題.

1.2.2 Transformer網(wǎng)絡(luò)模型

Transformer模型分為編碼器與解碼器兩部分.編碼器由自注意力層和前饋網(wǎng)絡(luò)組成，自注意力層能夠讓編碼器對全局上下文進(jìn)行建模.每個解碼器擁有同樣的結(jié)構(gòu)，但所擁有的權(quán)重參數(shù)不同.

1.3 模型優(yōu)化

1.3.1學(xué)習(xí)率

采用學(xué)習(xí)率更新策略，使得其隨迭代次數(shù)的增長而逐漸衰減.在原始的TransUNet框架模型中，Transformer層數(shù)為12，訓(xùn)練時間過長，故本研究中，Transformer層數(shù)設(shè)置為2.分別對學(xué)習(xí)率為0.01，0.005，0.001和0.0001的模型進(jìn)行測試，如表1所示，

由表1可知：當(dāng)學(xué)習(xí)率為0.01與0.005時，模型收斂所需的執(zhí)行輪次與測試損失基本一致;當(dāng)學(xué)習(xí)率為0.001時，訓(xùn)練損失有所下降，但輪次上漲幅度較大;當(dāng)學(xué)習(xí)率為0.0001時，輪次最高且測試損失也最高，識別效果最差.因此，為了更好地驗證學(xué)習(xí)率對于最終結(jié)果的影響，選取學(xué)習(xí)率為0.01，0.005與0.001的模型檢測結(jié)果，如圖1所示.由圖1可知，當(dāng)學(xué)習(xí)率為0.01與0.005時，分割的海洋內(nèi)波條紋明顯存在斷裂，分割效果較差，故最終學(xué)習(xí)率選取0.001.

1.3.2 批處理大小

批處理大小即一次訓(xùn)練所抓取的樣本數(shù)量，與每輪訓(xùn)練次數(shù)有關(guān).適當(dāng)?shù)呐幚泶笮∮欣趫D形處理器（GPU）平穩(wěn)運行，提高訓(xùn)練速度，使梯度下降方向更加準(zhǔn)確.對批處理大小分別為4，8，16和32的模型進(jìn)行測試，如表2所示.由表2可知，當(dāng)批處理大小為8時，訓(xùn)練和測試損失均最小，批處理大小為16時次之，圖2為批處理大小為8和16時，模型的分割效果，

由圖2可見，與批處理大小為8時模型的分割結(jié)果相比較，無論在精度上還是訓(xùn)練效率上，批處理大小為16的模型都有一定的優(yōu)勢，故批處理大小設(shè)定為16.

1.3.3 隨機(jī)失活（Dropout）

Dropout是SRIVASTAVA等[17]在2014年提出的一種針對神經(jīng)網(wǎng)絡(luò)模型的正則化方法，在訓(xùn)練過程中按一定比例隨機(jī)忽略一些神經(jīng)元，使神經(jīng)元不再過度依賴于輸入特征，即每一個輸入設(shè)置的權(quán)重都不

會過大，提升了模型的泛化能力，且訓(xùn)練數(shù)據(jù)不易發(fā)生過擬合現(xiàn)象.在Transformer層后引人Dropout，其值分別設(shè)置為1.00，0.30，0.20，0.10及0.05進(jìn)行測試，如圖3所示.

由圖3可知，當(dāng)Dropout值設(shè)置為1時，模型訓(xùn)練的結(jié)果完全不收斂，無法進(jìn)行有效的分割；隨著Dropout值逐漸減小，模型的擬合效果逐漸變好.當(dāng)Dropout值介于0.05與0.20之間時，損失率基本趨于穩(wěn)定，在大約225個執(zhí)行輪次后，模型性能收斂到最佳.因此，Dropout很大程度上減少了過擬合的情況，提高了訓(xùn)練的精確度.

2實驗結(jié)果

2.1 實驗環(huán)境

使用顯卡為NvidiaRTX3060，操作系統(tǒng)為Windows的PrecisionTower7920計算機(jī)，基于Python平臺實現(xiàn)模型.動量與權(quán)重衰減分別設(shè)置為0.9和0.000 5.將數(shù)據(jù)集劃分為訓(xùn)練集、驗證集和測試集，劃分比例為8：1：1，批處理大小為16，學(xué)習(xí)速率為0.001.輸入的原始圖像分辨率大小為 xel，在模型中將圖像分辨率大小調(diào)整為128pixel×128pixel.

2.2 可視化分析

將傳統(tǒng)TransUNet、優(yōu)化后的TransUNet和UNet三種模型的條紋分割圖進(jìn)行比較分析，其分割的Dice相似系數(shù)精度依次為0.770，0.846和0.828.圖4為明暗內(nèi)孤立波條紋分割圖.由圖4可知，傳統(tǒng)TransUNet模型未能完全分割出條紋的上邊緣輪廓，而UNet與優(yōu)化后的TransUNet模型分割出了上邊緣部分，且優(yōu)化后的TransUNet模型所分割的邊緣部分更加順暢.總結(jié)來說，三種模型都能夠分割出 SAR圖像中的明暗內(nèi)孤立波條紋，而優(yōu)化后的模型分割效果更好.

圖5為明亮內(nèi)孤立波條紋分割圖.由圖5可見，優(yōu)化后的TransUNet模型分割效果最優(yōu)，傳統(tǒng)TransUNet模型未能完全分割出內(nèi)波條紋且存在部分?jǐn)嗔押驼`分割的現(xiàn)象，UNet模型未能分割完整的內(nèi)部條紋.

3結(jié)語

本文基于一種優(yōu)化的Transunet框架條紋分割算法，對遙感影像中的海洋內(nèi)波條紋進(jìn)行分割.為了使TransUNet模型能適用于分割輕量型海洋內(nèi)波條紋圖像，對TransUNet模型的學(xué)習(xí)率和批量處理的設(shè)置進(jìn)行了比較，對Transformer層數(shù)和Dropout參數(shù)進(jìn)行了優(yōu)化.利用傳統(tǒng)TransUNet，UNet和優(yōu)化的TransUNet模型分別對明暗和明亮內(nèi)孤立波條紋圖像進(jìn)行分割，驗證了優(yōu)化的TransUNet模型的分割結(jié)果最佳.未來可使用性能更好的設(shè)備，對大尺度海洋內(nèi)波條紋圖像進(jìn)行研究，并對海洋內(nèi)波進(jìn)行數(shù)值仿真和反演研究.

參考文獻(xiàn)：

[1]RODENAS JA，GARELLO R.Wavelet analysis in SAR ocean image profiles for internal wave detection and wavelength estimation[J].IEEE Transactions on Geoscience and Remote Sensing，1997，35（4） ：933-945.

[2]RODENAS JA，GARELLOR.Internal wave detection and location in SAR images using wavelet transform [J].IEEE Transactions on Geoscience and Remote Sensing，1998，36（5）：1494-507.

[3]KANG J，ZHANG J，SONG JP，et al.The aplication of two-dimensional EMD to extracting internal waves n SAR images[C]/ InternationalConference on Computer Science and Software Enginering.Wuhan： IEEE，20o8：953-956.

[4] HOGAN G G，MARSDEN JB，HENRYJC.On the detection of internal waves in high resolution SAR imagery using the Hough transform[C]//Proceedings of Oceans.Honololu： IEEE，1991：1363-1369.

[5]FAN K G，HUANG W G，CHENP，etal.Automatic detection of ocean internal wave from SAR image [C]//Remote Sensingof the Ocean，Sea Ice，Coastal Waters，and LargeWater Regions.Prague：SPIE，2O11：817513.

[6］鄭應(yīng)剛，張洪生，李曉戀，等.基于遙感影像邊界特性對南海海洋內(nèi)波檢測算法研究［J].熱帶海洋學(xué)報，2020， 39（6） ：41-56. ZHENG YG，ZHANG HS，LIX L，etal.Detection algorithmof internal waves in the South China Sea based on boundary characteristics of remote sensing image[J]. Journal of Tropical Oceanography，2O20，39（6）：41-56.

[7］丁燦，張本濤，高國興，等.合成孔徑雷達(dá)圖像中海洋內(nèi)波的特征檢測[J].海洋測繪，2012（5）：15-18. DING C，ZHANG B T，GAO G X，et al.Feature detection of ocean internal wave in SAR image[J].Hydrographic Surveying and Charting，2012（5）：15-18.

[8]陳捷，陳標(biāo)，許素芹.一種新的SAR圖像內(nèi)波檢測與參數(shù)估計方法[J].中國圖象圖形學(xué)報，2009，14（1）：40-44. CHENJ，CHENB，XUSQ.Anovel methodon internal wave detectionand parameter estimationfromSAR images[J]. Journal of Image and Graphics，2009，14（1）：40-44.

[9］孫宏亮，王怡然，賈童，等.基于FasterR-CNN的衛(wèi)星SAR圖像南海海洋內(nèi)波自動檢測［J].遙感學(xué)報，2023， 27（4）：905-918. SUNHL，WANGYR，JIAT，et al.Faster R-CNNbased oceanic internal wave detection from SAR images in the South China Sea[J].National Remote Sensing Bulletin，2023，27（4）：905-918.

[10]JIANGZY，GAOX，SHIL，et al.Detectionofocean internal waves basedonmodified depconvolutionalgenerative adversarial network and wave netinmoderate resolution imaging spectroradiometer images[J].Applied Sciences，2023， 13（20）：11235.

[11]TAOMK，XUCJ，GUOLX，etal.Aninternal waves data set from Sentinel-1synthetic aperture radar imageryand preliminary detection[J].Earth and Space Science，2O22，9（12）：1-14.

[12]范開國，王業(yè)桂，姜翰，等.基于深度學(xué)習(xí)的星載SAR海洋內(nèi)波自動檢測研究[J].數(shù)字海洋與水下攻防，2024， 7（5）：521-528. FAN K G，WANG YG，JIANG H，et al.Automaticdetection of intemal waves from space-bomeSAR images based on deeplearning[J].DigitalOceanamp;UnderwaterWarfare，2024，7（5）：521-528.

[13] 崔光曦，杜延磊，楊曉峰，等.聯(lián)合超像素分割和顯著性特征的SAR海洋內(nèi)波檢測[J].遙感學(xué)報，2024，28（9）： 2335-2347. CUI G X，DU Y L，YANG XF，et al.Ocean internal wave detection in SAR images by combining superpixel segmentation and saliency features [J].National Remote Sensing Bulletin，2024，28（9）：2335-2347.

[14] RONNEBERGER O，F(xiàn)ISCHER P，BROX T. U-net：convolutional networks for biomedical image segmentation [C]/ International Conferenceon Medical ImageComputingand Computer-Assisted Intervention.Munich：Springer，2015： 234-241.

[15] CHENJN，LUYY，YUQH，et al. TransUNet： Transformers make strong encoders for medical image segmentation[J/OL]. ArXiv，2021：2102.04306[2024-10-19]. https：//arxiv.0rg/abs/2102.04306.

[16] RUSSELL BC，TORRALBA A，MURPHY KP，et al.LabelMe：a database and web-based tolfor image annotation[J] International Journal ofComputerVision，20o8，77：157-173.

[17]SRIVASTAVAN，HNTONG，KRIZHEVSKY A，et al，Dropout：a simple way to prevent neural networks fromoverfitting[J].Journal of MachineLearningResearch，2014，15：1929-1958.

（責(zé)任編輯：包震宇，郁慧）