基于深度學習網絡模型海洋內波條紋的分割

中圖分類號：P752 文獻標志碼：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（SAR）的成像原理是利用雷達波與微尺度海面波的共振而得到圖像，很多學者利用

SAR圖像數據對海洋內波的檢測識別進行了研究.RODENAS等[1提出了一種基于一維小波變換的SAR圖像海洋內波檢測和特征描述方法，但該方法無法實現自動檢測.隨后RODENAS等[2提出了按尺度特征對局部梯度最大值進行改進的二維小波分析方法，可以很好地檢測出衛星圖片中的內波信息.KANG等[3]利用二維經驗模態分解算法，從SAR遙感圖像中獲取海洋內波.HOGAN等[4]利用Hough變換對SAR圖像中的海洋內波進行檢測，但是其對內波條紋特征的檢測效果不理想.FAN等5利用Roberts算子對SAR圖像中的海洋內波進行檢測，但容易受噪聲的干擾，檢測效果不佳.鄭應剛等[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算子檢測結果的干擾，一定程度上提升了檢測效果.丁燦等通過統計海洋內波在SAR圖像的功率譜特征，得出包含海洋內波區域的功率譜值，結合多孔小波變換及多尺度融合方法，提取內波特征并進行反演.陳捷等8改進了傳統的Randon變換，將改進后的橢圓域歸一化Randon應用到對SAR圖像海洋內波的檢測中.

近年來，深度學習方法在遙感圖像識別和檢測等領域發揮著越來越重要的作用.孫宏亮等在快速基于區域的卷積神經網絡（FastR-CNN）框架中，對不同微波波段、極化方式和分辨率的SAR圖像進行自動檢測，取得了良好的檢測效果.JIANG等[1]通過設計一種基于優化的深度卷積生成對抗網絡（DCGAN）的數據增強方法，實現了從遙感圖像中自動識別海洋內波所發生的區域.TAO等1提出了一種改進的you onlylookonce（Yolo） v5x 網絡，在骨干網絡部分插入了一個坐標注意力模塊，以增強骨干部分末端的學習特征，可以更準確地定位海洋內波的提取位置.范開國等[12通過將 Yolov8 與結合遷移學習的旋轉目標檢測模型（ReDet）的檢測結果進行對比，發現后者的訓練效率優于前者，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據量的圖像.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，實現高分辨率SAR海洋內波條紋的準確檢測.

本文結合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習特點，提出一種優化的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波條紋圖像，對其學習率和批處理大小進行對比訓練，并對Transformer層數和dropout參數進行優化.實驗結果顯示：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波條紋，且分割的精確度也更高.

1數據和模型

1.1數據數據預處理

本文的數據主要來源于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.從相關網站（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，隨后對圖像進行隨機水平翻轉，隨機剪裁尺寸為512pixelx512pixel，并對其進行數據量增強處理，將處理后的tiff格式圖像轉化為jpg格式.利用Labelme可視化軟件[16]對遙感影像數據集進行海洋內波和背景的數據標記，生成png格式的標簽數據.

1.2TransUNet框架條紋分割算法

1.2.1 UNet模型

作為一種卷積神經網絡（CNN）模型，UNet網絡模型可以將高級語義信息和低級特征結合起來，實現特征的提取和細節恢復.該網絡結構中只有卷積層和池化層，沒有全連接層，網絡中淺層用來進行像素定位，深層用來分類，從而實現圖像的語義分割.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生的特征丟失問題.

1.2.2 Transformer網絡模型

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絡組成，自注意力層能夠讓編碼器對全局上下文進行建模.每個解碼器擁有同樣的結構，但所擁有的權重參數不同.

1.3 模型優化

1.3.1學習率

采用學習率更新策略，使得其隨迭代次數的增長而逐漸衰減.在原始的TransUNet框架模型中，Transformer層數為12，訓練時間過長，故本研究中，Transformer層數設置為2.分別對學習率為0.01，0.005，0.001和0.0001的模型進行測試，如表1所示，

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

1.3.2 批處理大小

批處理大小即一次訓練所抓取的樣本數量，與每輪訓練次數有關.適當的批處理大小有利于圖形處理器（GPU）平穩運行，提高訓練速度，使梯度下降方向更加準確.對批處理大小分別為4，8，16和32的模型進行測試，如表2所示.由表2可知，當批處理大小為8時，訓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時模型的分割結果相比較，無論在精度上還是訓練效率上，批處理大小為16的模型都有一定的優勢，故批處理大小設定為16.

1.3.3 隨機失活（Dropout）

Dropout是SRIVASTAVA等[17]在2014年提出的一種針對神經網絡模型的正則化方法，在訓練過程中按一定比例隨機忽略一些神經元，使神經元不再過度依賴于輸入特征，即每一個輸入設置的權重都不

會過大，提升了模型的泛化能力，且訓練數據不易發生過擬合現象.在Transformer層后引人Dropout，其值分別設置為1.00，0.30，0.20，0.10及0.05進行測試，如圖3所示.

由圖3可知，當Dropout值設置為1時，模型訓練的結果完全不收斂，無法進行有效的分割；隨著Dropout值逐漸減小，模型的擬合效果逐漸變好.當Dropout值介于0.05與0.20之間時，損失率基本趨于穩定，在大約225個執行輪次后，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，提高了訓練的精確度.

2實驗結果

2.1 實驗環境

使用顯卡為NvidiaRTX3060，操作系統為Windows的PrecisionTower7920計算機，基于Python平臺實現模型.動量與權重衰減分別設置為0.9和0.000 5.將數據集劃分為訓練集、驗證集和測試集，劃分比例為8：1：1，批處理大小為16，學習速率為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整為128pixel×128pixel.

2.2 可視化分析

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

圖5為明亮內孤立波條紋分割圖.由圖5可見，優化后的TransUNet模型分割效果最優，傳統TransUNet模型未能完全分割出內波條紋且存在部分斷裂和誤分割的現象，UNet模型未能分割完整的內部條紋.

3結語

本文基于一種優化的Transunet框架條紋分割算法，對遙感影像中的海洋內波條紋進行分割.為了使TransUNet模型能適用于分割輕量型海洋內波條紋圖像，對TransUNet模型的學習率和批量處理的設置進行了比較，對Transformer層數和Dropout參數進行了優化.利用傳統TransUNet，UNet和優化的TransUNet模型分別對明暗和明亮內孤立波條紋圖像進行分割，驗證了優化的TransUNet模型的分割結果最佳.未來可使用性能更好的設備，對大尺度海洋內波條紋圖像進行研究，并對海洋內波進行數值仿真和反演研究.

參考文獻：

[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］鄭應剛，張洪生，李曉戀，等.基于遙感影像邊界特性對南海海洋內波檢測算法研究［J].熱帶海洋學報，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.合成孔徑雷達圖像中海洋內波的特征檢測[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，許素芹.一種新的SAR圖像內波檢測與參數估計方法[J].中國圖象圖形學報，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的衛星SAR圖像南海海洋內波自動檢測［J].遙感學報，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，王業桂，姜翰，等.基于深度學習的星載SAR海洋內波自動檢測研究[J].數字海洋與水下攻防，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.聯合超像素分割和顯著性特征的SAR海洋內波檢測[J].遙感學報，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，FISCHER 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.

（責任編輯：包震宇，郁慧）