本發(fā)明涉及圖像處理，特別涉及一種基于視覺注意力輕量化卷積神經(jīng)網(wǎng)絡(luò)的海洋內(nèi)波檢測方法。

背景技術(shù)：

1、海洋內(nèi)波是在海洋內(nèi)部生成、傳播和耗散的波動，全球海洋中廣泛分布。海洋內(nèi)波的檢測對于海洋現(xiàn)象的研究和海上安全至關(guān)重要。內(nèi)波的生成和傳播具有較強的隨機性，因此，在sar圖像中檢測海洋內(nèi)波成為一個困難且熱門的研究課題。

2、目前針對海洋內(nèi)波現(xiàn)象的檢測方法主要包括基于圖像處理傳統(tǒng)檢測方法和基于深度學(xué)習(xí)的人工智能檢測方法。傳統(tǒng)檢測主要是通過圖像處理的提取圖像的邊緣紋理信息，以實現(xiàn)內(nèi)波檢測。許素芹等(2019)等利用canny算子提取sar圖像的邊緣特征，然后用層次聚類提取內(nèi)波特征。鄭應(yīng)剛等(2020)在基于canny算子檢測內(nèi)波之前先利用列分離領(lǐng)域方法對圖像進行去噪預(yù)處理，在一定程度上提升了檢測效果。盡管常用的邊緣特征檢測算子對特定內(nèi)波圖像具有較高的檢測精度，但也存在不能有效去除非內(nèi)波的紋理特征、易受到噪聲干擾等問題?；谏疃葘W(xué)習(xí)的人工智能檢測方法是通過深度學(xué)習(xí)網(wǎng)絡(luò)提取圖像的特征信息，實現(xiàn)內(nèi)波檢測。bao等(2020)，通過采用具有卷積神經(jīng)網(wǎng)絡(luò)特征的快速區(qū)域(fasterr-cnn)框架來檢測sar圖像中的海洋內(nèi)波，此外，還分析了不同條件下內(nèi)波樣本的檢測結(jié)果。該文為使用卷積神經(jīng)網(wǎng)絡(luò)檢測海洋內(nèi)波奠定了基礎(chǔ)。孫宏亮等(2021)結(jié)合faster?r-cnn框架，利用遷移學(xué)習(xí)的方法，實現(xiàn)sar圖像上的海洋內(nèi)波自動檢測，該算法的建立使得基于海量衛(wèi)星sar數(shù)據(jù)檢出海洋內(nèi)波成為可能，從而為針對性地開展內(nèi)波動力參數(shù)反演和過程研究提供了技術(shù)和數(shù)據(jù)基礎(chǔ)。以上方法均為內(nèi)波檢測提供了理論和研究基礎(chǔ)，然而現(xiàn)有的內(nèi)波檢測方法往往需要大量的計算資源，且準(zhǔn)確率有待提高。因此如何在有限存儲與運算資源限制下，實現(xiàn)海洋內(nèi)波現(xiàn)象的高效快速檢測，是當(dāng)下的難點問題。

技術(shù)實現(xiàn)思路

1、為了解決現(xiàn)有技術(shù)的不足，本公開提供一種基于視覺注意力輕量化卷積神經(jīng)網(wǎng)絡(luò)的海洋內(nèi)波檢測方法，通過深度學(xué)習(xí)網(wǎng)絡(luò)，提取內(nèi)波現(xiàn)象的特征信息，能夠在有限資源存儲和計算量限制下，實現(xiàn)sar圖像海洋內(nèi)波的高精度檢測。

2、本公開提供的基于視覺注意力輕量化卷積神經(jīng)網(wǎng)絡(luò)的海洋內(nèi)波檢測方法，主要包括以下步驟：

3、s1，圖像量化：將原始sar圖像轉(zhuǎn)換為8位深度的圖像；

4、s2，圖像采樣：對步驟s1處理后的圖像通過隔點采樣進行降采樣，以減少像素數(shù)；

5、s3，滑窗處理：在降采樣后的圖像上使用滑動窗口，對整個圖像進行均勻滑窗處理，得到256*256切片；

6、s4，網(wǎng)絡(luò)特征提取，包括：

7、s41，對輸入的256x256切片進行特征提取；

8、s42，對步驟s41提取出的特征圖，分別經(jīng)過空間注意力提取和通道注意力提取，然后進行特征融合；

9、s43，對融合后得到的特征圖進行分類，得到切片類別；

10、s5，結(jié)果聚類判別：將得到的結(jié)果通過位置聚類，刪除孤立個體，得到內(nèi)波區(qū)域的結(jié)果及置信度。

11、進一步的，所述步驟s1中通過數(shù)據(jù)拉伸增強處理，強化強散點與海背景對比度。

12、進一步的，所述步驟s2具體方法包括：

13、每個2*2的像素塊中只保留一個像素，該像素取像素塊中的最大值，使得圖像的寬度和高度都減少到原來的1/2。

14、進一步的，所述步驟s41中，采用由殘差網(wǎng)絡(luò)模塊和最大值降采樣模塊構(gòu)成的特征提取網(wǎng)絡(luò)進行特征提取，具體包括：

15、5個殘差網(wǎng)絡(luò)模塊和最大值下采樣模塊，其中，每個殘差網(wǎng)絡(luò)模塊包括2個深度可分離卷積層和1個1*1卷積層，所述深度可分離卷積層用于實現(xiàn)輕量化的網(wǎng)絡(luò)特征提取，1*1卷積層用于對輸入特征圖做通道降維、升維處理；

16、所述最大值降采樣模塊用于對特征圖進行降采樣處理，以獲取不同尺度的特征圖。

17、進一步的，所述步驟s42具體包括：

18、對步驟s41提取出的特征圖，分別經(jīng)過空間注意力模塊和通道注意力模塊處理；

19、之后對得到的特征圖進行乘積操作，得到融合后的特征圖；

20、其中，空間注意力模塊對輸入的特征圖先經(jīng)過2個卷積模塊，然后經(jīng)過softmax激活函數(shù)處理，在空間上對特征圖過濾增強特征信息；

21、通道注意力模塊包括：一個最大均值池化層，再連接2個卷積層，之后連接一個softmax層，輸出為c維權(quán)重系數(shù)。

22、進一步的，所述步驟s43具體包括：

23、將特征融合后得到的特征圖展平處理，然后通過兩個全連接層，得到最終的類別。

24、應(yīng)用上述方法的基于視覺注意力輕量化卷積神經(jīng)網(wǎng)絡(luò)的海洋內(nèi)波檢測裝置，主要包括：

25、圖像量化單元：用于將原始sar圖像轉(zhuǎn)換為8位深度的圖像；

26、圖像采樣單元：用于對量化處理后的圖像進行降采樣；

27、滑窗處理單元：用于對降采樣后的圖像進行均勻滑窗處理，得到256*256切片；

28、網(wǎng)絡(luò)特征提取單元：包括：特征提取網(wǎng)絡(luò)，用于對輸入的256x256切片進行特征提??；特征融合網(wǎng)絡(luò)，用于對特征提取網(wǎng)絡(luò)提取出的特征圖，分別經(jīng)過空間注意力提取和通道注意力提取，然后進行特征融合；分類模塊，用于對特征融合后得到的特征圖進行分類，得到切片類別；

29、結(jié)果聚類判別單元：用于將得到的結(jié)果通過位置聚類，刪除孤立個體，得到內(nèi)波區(qū)域的結(jié)果及置信度。

30、進一步的，所述特征提取網(wǎng)絡(luò)包括：

31、5個殘差網(wǎng)絡(luò)模塊和最大值下采樣模塊，其中，每個殘差網(wǎng)絡(luò)模塊包括2個深度可分離卷積層和1個1*1卷積層，所述深度可分離卷積層用于實現(xiàn)輕量化的網(wǎng)絡(luò)特征提取，1*1卷積層用于對輸入特征圖做通道降維、升維處理；

32、所述最大值降采樣模塊用于對特征圖進行降采樣處理，以獲取不同尺度的特征圖。

33、進一步的，所述特征融合網(wǎng)絡(luò)包括：

34、空間注意力模塊，用于對輸入的特征圖先經(jīng)過2個卷積模塊，然后經(jīng)過softmax激活函數(shù)處理，在空間上對特征圖過濾增強特征信息；

35、通道注意力模塊，包括：一個最大均值池化層，再連接2個卷積層，之后連接一個softmax層，輸出為c維權(quán)重系數(shù)；

36、融合模塊，用于對分別得到的特征圖進行乘積操作，得到融合后的特征圖。

37、與現(xiàn)有技術(shù)相比，本公開的有益效果是：(1)將原始圖像數(shù)據(jù)由32位量化至8位，提升處理效率，同時增加數(shù)據(jù)拉伸增強模塊，強化強散點與海背景的對比度；(2)對圖像進行降采樣，減少數(shù)據(jù)量，加快處理速度；(3)通過通道注意力機制、空間紋理注意力機制和輕量化特征提取模塊，有效提取復(fù)雜背景下內(nèi)波特征，同時引入特征金字塔融合機制，可對海浪、溢油等類內(nèi)波紋理可實現(xiàn)鑒別，有效解決復(fù)雜背景下內(nèi)波現(xiàn)象檢測難虛警高的問題；(4)能夠在有限資源存儲和計算量限制下，實現(xiàn)sar圖像海洋內(nèi)波的高精度檢測；(5)構(gòu)建的輕量化網(wǎng)絡(luò)模型，流程簡單且易實現(xiàn)，模型參數(shù)量少且運算復(fù)雜度低，同時工程化部署方便，可在終端處理平臺實現(xiàn)sar圖像內(nèi)波高精度快速檢測。