深度学习的SAR 图像海洋涡旋自动检测及其特征提取

吴进群，陈 戈，马纯永，郑益勤

(1.中国海洋大学，山东 青岛 266100；2.航天宏图信息技术股份有限公司，北京 100097)

0 引 言

海洋涡旋是一种重要的海洋现象，广泛分布于全球大洋和边缘海中，它在海洋物质输送、能量传递、水声传播以及海洋生产等过程中发挥着至关重要的作用。因此，高效、精准地检测出海洋涡旋对物理海洋研究、军事和民事海洋应用都有重要研究价值。合成孔径雷达(synthetic aperture radar,SAR)是一种全天候、全天时的现代高分辨率微波成像雷达，可以清晰观测到十几千米量级的亚中尺度海洋涡旋，比传统的卫星高度计更具优势。海洋涡旋自身有多种生成机制，进而会导致在SAR 图像中表现出不同的特征。其中，在流场辐聚区，由于表面漂浮物的堆积，降低了雷达波的后向散射，在SAR 遥感图像上表现为较暗的条带。这种由于流场辐聚区海面漂浮物堆积显现的海洋涡旋称为海洋黑涡，SAR 图像中观测到的海洋涡旋大多为海洋黑涡[1]，本文研究对象仅为海洋黑涡，不涉及其他显现机制的海洋涡旋。

传统的SAR 图像海洋涡旋检测主要通过人工目视解译方法，存在一定的主观判断。随着海量SAR 图像的积累，仅使用人工目视解译识别海洋涡旋费时费力，海洋涡旋自动化检测与特征参数自动化提取显得极其重要。国内外不少学者尝试将深度学习应用到海洋涡旋检测领域，主要应用在海表温度或海面高度异常的海洋涡旋识别[2-7]，极少涉及SAR 图像，深度学习在SAR 图像海洋涡旋自动检测方面的研究仍需要进一步深入。

YOLOX 是旷视科技于2021 年7 月发布的最新一代YOLO 系列目标检测器[8]，本文重点针对海洋涡旋的自动检测与特征参数自动提取2 个方面开展研究，提出基于YOLOX 高性能目标检测的海洋涡旋检测模型YOLOX-EDDY。根据SAR 图像海洋涡旋的螺旋线形态，对检测出的海洋涡旋进行涡旋中心位置、涡旋尺度和涡旋边缘位置等特征参数进行自动提取。

1 数据资料

目前尚未有公开可用的SAR 图像海洋涡旋数据集，本文利用国家卫星海洋应用中心、中国资源卫星应用中心提供的高分三号卫星SAR 图像数据，其中对高分三号卫星L1A 数据进行几何校正、辐射校正处理为L2 数据。通过旋转变换、转置变换、平移变换、噪声扰动变换等数据扩充方法[9]对SAR 图像数据进行扩充，共建立19 720 个SAR 图像涡旋训练样本数据。

2 研究方法

2.1 SAR 图像海洋涡旋自动检测与特征参数提取处理流程

1）制作SAR 图像海洋涡旋样本库

海洋涡旋样本库主要包括标签库和样本库，其中样本库包含SAR 海洋涡旋图片，将GeoTIFF 格式的SAR 图像经过图像预处理、数据扩充保存为PNG 图片，作为海洋涡旋自动检测模型的输入源；标签库包含海洋涡旋区域的位置信息和类型信息。通过旋转变换、转置变换、平移变换、噪声扰动变换等方法进行SAR 图像数据进行数据扩充。

2）构建YOLOX-EDDY 海洋涡旋自动检测模型

基于YOLOX 检测器构建海洋涡旋自动检测模型YOLOX-EDDY 如图1 所示。与以前的YOLO 算法不同，它包括3 个创新点分别是去耦头策略、无锚点策略和高级标签分配策略，使模型检测效果进一步提升。YOLOX-EDDY 模型将CSPDarknet 作为主干特征提取网络，在主干特征提取网络中加入了Fcous 结构，将激活函数替换为SiLU 函数，增加了SPPbottleneck 空间金字塔池化，采用PAFPN 的结构进行融合，将高层的特征信息，先通过上采样的方式进行传递融合，再通过下采样融合方式得到预测的特征图。将主干层提取的3 个有效特征层P 1，P 2，P 3 输入到PAFPN 加强特征提取网络中进行特征融合，得到加强特征层PQ1，PQ2，PQ3。3 个加强特征层通过YOLOHead 判断特征点是否有海洋涡旋。利用非极大值抑制消除重复的边界框以得到更加准确的检测结果。

图1 YOLOX-EDDY 海洋涡旋自动检测模型框架Fig.1 YOLOX-EDDY oceanic eddies automatic detection model framework

3）海洋涡旋特征参数提取

根据海洋涡旋的螺旋线形态，本文提出一种基于骨架化的涡旋特征参数自动提取方法，涡旋特征参数包括涡旋中心位置、涡旋边缘位置、涡旋尺度。海洋涡旋特征参数提取步骤如下：

步骤1：计算YOLOX-EDDY 模型检测出的海洋涡旋区域的矩形框的几何中心，作为涡旋中心位置。

步骤2：对检测出的海洋涡旋SAR 图像进行二值化、剔除干扰区域、骨架化、螺旋线拟合等步骤，提取海洋涡旋的边缘位置信息。

① SAR 图像二值化

采用自适应阈值分割方法对检测出的SAR 海洋涡旋图像进行二值化，图像转换为0，1 的逻辑运算，黑色区域对应于背景，标记为0，白色区域对应于海洋涡旋，标记为1；

② 去除小于某一指定面积的噪点

统计二值图像中各区域标识为1 的像素点个数，默认设置阈值为100，即区域面积小于100，即认为是噪声，将该区域标记为0，变成黑色背景；

③ 孤立像素点填充

填充孤立的内部像素点，例如，被1 包围的0，经过形态学填充处理后，该孤立的像素点变为1；

④ 图像骨架提取

经形态学骨架化处理，提取海洋涡旋的轮廓骨架线；

⑤ 毛刺消除处理

由于噪声等因素使得骨架上存在毛刺干扰，进行毛刺消除处理；

⑥ 螺旋线拟合

经过前5 步骤处理后，计算出图像中所有的连通区域，获得每个联通区域的坐标索引；计算所有连通区域的像素点个数，筛选出最长的主连通区域弧段；对筛选出的主连通区域进行螺旋线拟合，得到涡旋边缘线。

对数螺旋线方程为r=aebθ，两边同时取对数得到lnr=bθ+lna，将即将θ和 lnr转换为线性方程[10-12]。通过最小二乘法来求得该直线方程的系数a和b，进而得到最佳逼近涡旋边缘的螺旋线参数系数a和b。其中r和θ的计算公式为：

式中：xi和yi为主连通区域中第i个点的坐标；x0和y0为涡旋中心点坐标。

步骤3计算涡旋边缘线的最小外接圆，以圆圈的半径作为涡旋尺度，如图2 所示。其中点代表涡旋中心，曲线代表涡旋边缘位置，虚线代表涡旋尺度。

图2 涡旋中心、涡旋边缘位置、涡旋尺度结果图Fig.2 Eddy center, and eddy edge position eddy scale result diagram

2.2 实验环境

实验环境云服务器为：鲲鹏通用计算增强型KC1，云主机镜像kylinos32 核，内存为128 G，Python 版本是3.9。Freeze_Train 设置为true，采用先冻结主干训练后解冻训练的方式进行训练。对YOLOX-EDDY 模型进行训练与测试，得到海洋涡旋的检测最优模型。

利用YOLOX-EDDY 模型能够实现海洋涡旋的自动检测，并对检测出有涡旋的SAR 图像，进行涡旋中心位置、涡旋边缘位置、涡旋尺度信息的自动提取。

2.3 精度验证分析

选取55 景SAR 图像作为验证数据集，分别对YOLOX-EDDY 模型的自动检测精度与特征参数提取精度进行评价。假设定有海洋涡旋的SAR 图像为正样本，无海洋中尺度涡的SAR 图像为负样本。55 景验证数据集中包含海洋涡旋的正样本数据10 景，负样本数据45 景（无海洋涡旋）。

为了对YOLOX-EDDY 的检测效果进行评价，采用准确率、误报率、漏报率3 个指标评价YOLOXEDDY 模型的检测效果，具体计算公式如下：

式中：TP代表实际和检测都为正的样本个数；FP表示检测为正但实际为负的样本个数，即误报的个数；FN表示检测为负但实际为正的样本个数，即为漏报个数；TN表示检测为负但实际为负的样本个数，如表1 所示。

表1 海洋涡旋检测精度评价体系Tab.1 Evaluation system of oceanic eddies detection accuracy

通过计算中心位置检测误差、边缘位置检测误差、尺度检测误差评估YOLOX-EDDY 模型特征参数提取精度。涡心位置检测误差、边缘位置检测误差、尺度检测误差均采用均方根误差统计结果，均方根误差计算公式为：

式中：N为样本总数，Xi为第i个模型提取值；Yi为第i个人工目视解译真值结果。

利用YOLOX-EDDY 对55 景SAR 图像进行海洋涡旋检测，并与人工目视解译结果进行对比验证，其中，TP为10 个，FP为3 个，FN为0 个，TN为42 个，根据评价指标公式计算得到准确率为94.55%，漏报率为0%，误报率为6.67%。根据式（6）计算，涡旋中心位置检测误差为1.86 km，尺度检测误差2.08 km，边缘位置检测误差为2.32 km。

3 结 语

本文针对SAR 卫星图像中的海洋涡旋检测与特征参数自动提取问题，提出一种基于YOLOX 高性能目标检测的海洋涡旋检测模型YOLOX-EDDY，该模型能够精准检测亚中尺度涡旋的特征信息，并对检测出有涡旋的SAR 图像自动化提取SAR 图像涡旋中心位置、涡旋尺度、涡旋边缘尺度等特征参数，实现了SAR 图像亚中尺度海洋涡旋自动化精准检测和特征参数自动提取。基于此方法，本文利用高分三号卫星海洋涡旋SAR 图像分别进行了涡旋自动检测和特征参数提取实验，提取结果与目视解译数据进行对比，结果表明，YOLOX-EDDY 模型能够精准检测海洋涡旋，根据螺旋线形态特征能够自动提取SAR 图像中涡旋特征参数。