[發明專利]高分三號全極化SAR數據的有效波高估計方法及系統

有效

• 申請號: 202010973527.8
• 申請日: 2020-09-16
• 公開（公告）號: CN112014842B
• 公開（公告）日: 2021-03-19
• 發明（設計）人: 王賀;李尉尉;朱建華
• 申請（專利權）人: 國家海洋技術中心
• 主分類號: G01S13/90
• 分類號: G01S13/90;G01S13/95
• 代理公司: 北京高沃律師事務所 11569
• 代理人: 崔玥

1.一種高分三號全極化SAR數據的有效波高估計方法，其特征在于，包括：

獲取待估計SAR圖像；

獲取所述待估計SAR圖像的雷達入射角；

分別對所述待估計SAR圖像在VV、HH、VH三個極化通道上的SAR圖像進行交叉譜估計，得到VV、HH、VH各極化通道上SAR圖像的交叉譜實部；

分別根據所述待估計SAR圖像在VV、HH、VH各極化通道上的SAR圖像的交叉譜實部計算VV、HH、VH各極化通道的方位向截斷波長；

分別根據所述待估計SAR圖像在VV、HH、VH各極化通道上的SAR圖像的強度計算VV、HH、VH各極化通道上的SAR圖像的歸一化方差；

將所述VV、HH、VH各極化通道上的SAR圖像的交叉譜實部輸入訓練好的深度殘差神經網絡模型的深度殘差卷積分支，將所述雷達入射角、所述VV、HH、VH各極化通道的方位向截斷波長以及所述VV、HH、VH各極化通道上的SAR圖像的歸一化方差輸入所述深度殘差神經網絡模型的全連接分支，得到所述待估計SAR圖像對應的海浪有效波高度，其中，所述深度殘差神經網絡模型包括相連接的深度殘差卷積分支以及全連接分支；所述深度殘差卷積分支包括依次連接的三個殘差單元和三個密集連接層，其中，將與密集連接層連接的殘差單元的輸出展平至一維向量后輸入密集連接層；所述殘差單元包括依次連接的兩個卷積層和一個最大池化層，其中，兩個卷積層采用線性殘差連接：對第一個卷積層的輸入使用逐點卷積，并將第一個卷積層的輸出與第二個卷積層的輸出相加；所述深度殘差全連接分支包括依次連接的四個密集連接層。

2.根據權利要求1所述的高分三號全極化SAR數據的有效波高估計方法，其特征在于，所述交叉譜實部的計算方法包括：

確定某一極化通道上SAR圖像的多普勒譜，并基于多普勒譜對所述SAR圖像進行分視處理，得到多個SAR子視圖像；

根據所述SAR子視圖像的強度計算所述SAR子視圖像對應的海浪相對調制；

根據相鄰SAR子視圖像的海浪相對調制，計算交叉周期圖；

根據所述交叉周期圖計算所述SAR圖像的交叉譜實部。

3.根據權利要求1所述的高分三號全極化SAR數據的有效波高估計方法，其特征在于，所述方位向截斷波長的計算方法包括：

對某一極化通道上SAR圖像的交叉譜實部進行逆傅里葉變換，并計算自協方差函數；

采用高斯函數擬合自協方差函數，估算所述極化通道的截斷波長。

4.根據權利要求1所述的高分三號全極化SAR數據的有效波高估計方法，其特征在于，所述歸一化方差的計算方法包括：

根據計算某一極化通道上SAR圖像歸一化方差NV，其中，I為所述極化通道上SAR圖像的強度。

5.根據權利要求1所述的高分三號全極化SAR數據的有效波高估計方法，其特征在于，在對海浪有效波高度估計之前，還包括：

分別對深度殘差神經網絡模型的各輸入參數進行歸一化處理。

6.根據權利要求1所述的高分三號全極化SAR數據的有效波高估計方法，其特征在于，在對海浪有效波高度估計之前，還包括：對深度殘差神經網絡模型進行訓練：

構建深度殘差神經網絡模型，所述深度殘差神經網絡模型包括相連接的深度殘差卷積分支以及全連接分支；

以第一樣本數據為所述深度殘差卷積分支的輸入，以第二樣本數據為所述全連接分支的輸入，以有效波高數據為標簽，對所述深度殘差神經網絡模型進行訓練，所述第一樣本數據包括：VV、HH、VH各極化通道上SAR圖像的交叉譜實部，所述第二樣本數據包括：雷達入射角、VV、HH、VH各極化通道的方位向截斷波長以及VV、HH、VH各極化通道上的SAR圖像的歸一化方差，其中，同時輸入所述深度殘差神經網絡模型的樣本數據以及對應的標簽來自于同一全極化SAR樣本圖像。

7.根據權利要求6所述的高分三號全極化SAR數據的有效波高估計方法，其特征在于，在對深度殘差神經網絡模型進行訓練之前，還包括：

分別對各樣本數據進行歸一化處理。