本发明属于海洋遥感与人工智能交叉，涉及一种随机海况自适应感知调制神经网络的海水养殖目标提取方法。
背景技术：
1、随着世界人口的持续增长，海水养殖与生态系统相互作用的方式对于保障食物来源的长期稳定和社会福祉至关重要。随着海水养殖的发展，养殖废弃物数量的增加可能会对养殖系统和周围生态系统的生产力产生影响。如无机氮不平衡和海水营养成分不平衡，海洋环境污染和生物多样性退化等问题。为实现海水养殖业的可持续发展，急需建立有效监测机制以在经济增长中保障生态平衡。与传统的现场调查相比，合成孔径雷达(synthetic aperture radar,sar)具有覆盖范围广、时效性强等优点，对科学管理海水养殖和保护海洋生态环境具有重要意义。
2、在处理高海况图像时，传统深度学习模型面临着图像质量低、对比度不足和海杂波干扰等挑战，导致准确性显著下降或使其无效。高海况是指受强风、巨浪、涌浪和风暴等各种天气条件的影响，海面发生不可预测的变化。针对上述问题，提出了一种随机海况自适应感知调制神经网络，以构建用于监测海洋养殖目标的系统。通过在真实随机海况场景中进行实际实验验证，该随机海况自适应感知调制网络成功解决了基于地理气候数据的sar影像中的海况定级问题，并通过建立不同海况水平与sar图像之间的耦合关系，提高了sar图像的对比度，解决了海杂波等噪声问题，实现了随机海况sar海水养殖信息的自适应调整和提取。
技术实现思路
1、本发明主要解决传统语义分割模型忽视了环境变化对模型性能带来的影响。在sar影像面对高海况环境下海水养殖目标特征受到严重破坏、背景干扰信息大幅增加、图像质量急剧下降的情况，提出一种随机海况自适应感知调制神经网络的海水养殖目标提取方法，利用sar影像的经纬度和拍摄时间信息，并结合迭代查询方法和蒲福风级表，以精确确定实际海况等级。在此基础上，通过综合考虑不同海况下的目标灰度强度、分布特征和密度特点，减小影像中的干扰因素，提高目标的可视性和识别准确性。此外，本发明提出了一种专为应对随机海况的多流全向融合金字塔模块，旨在融合和调整分割结果，有效地避免了在深度网络中发生的特征信息丢失问题，得到可靠且准确的海水养殖提取结果。
2、为了达到上述目的，本发明采用的技术方案为：
3、一种随机海况自适应感知调制神经网络的海水养殖目标提取方法，基于随机海况自适应感知调制神经网络模型实现，能够有效地应对随机变化的海况，实现对海水养殖目标的准确感知和调制，提高遥感数据处理的适应性和精度，所述的神经网络模型包括海况迭代查询、自适应感知调制和多流全向融合金字塔三个关键模块：1)海况迭代查询模块：在时空定位的基础上运用迭代查询方法，以获取精准的风速信息，并通过蒲福风力等级表进行自动的海况等级确定；2)自适应感知调制模块：通过对图像灰度和密度分布进行计算，并根据海况等级实现对图像中不同区域的非线性衰减率进行调整，从而优化图像的信噪比；同时设计了图像综合调制质量作为评价指标，用以客观评估调制结果的质量；3)多流全向融合金字塔模块：集成双向特征金字塔、注意力门、多尺度卷积和偏移卷积等技术，以自适应方式融合自适应感知调制模块的调整结果，并获取多维特征。该多流全向融合金字塔模块旨在挖掘原始图像和调制结果之间的共同有效信息，从而有效提高在不同海况下海水养殖遥感影像分割的准确性和稳定性。所述的海水养殖目标提取方法具体包括以下几个步骤：
4、第一步，在卫星资源网站上获取sar遥感影像数据，对获取数据进行预处理，包括辐射定标、图像增强、地形校正和裁剪等操作，得到数据集及相应的标签，其中数据集由多张随机海况下的遥感影像组成。
5、第二步，根据每张影像的经纬度和拍摄时间信息，采用海况迭代查询模块，通过迭代查询窗口来获取图像实际的环境参数，包括风速等信息。同时，通过对比蒲福风力等级表，确定图像的实际海况等级，如表1所示。其中迭代查询窗口设置为以实际经纬度为中心，边长为n×r的正方形窗口，其中n为迭代次数；r为迭代半径，获得的风速如式(1)所示，
6、
7、其中，v表示估计风速；xi表示当前查询范围内所有的数据记录点；c表示数据记录点的个数。
8、表1蒲福风级表0-5
9、
10、第三步，设计自适应感知调制模块，从灰度强度、分布特点和目标密度三个主要方面进行综合估计，并根据海况等级对遥感影像数据的不同区域进行自适应的非线性衰减，从而有效提升高海况下养殖目标与海水背景之间的对比度，显著增强影像可分割性。该自适应感知调制模块可分为两个主要部分：目标灰度强度估计和比率r1的计算，见3.1)；目标密度估计和比率r2的计算，见3.2)。该自适应感知调制模块可以在处理不同的海况sar影像时表现出良好的适应性。具体如下：
11、3.1)鉴于目标区域内的灰度值保持高于背景区域的特点，设计灰度强度估计方法。此外，受环境影响，海杂波的某些部分的灰度值展现出接近、等于，甚至高于目标区域的特性，对目标的形状特征和可识别性产生不良影响。同时，值得注意的是，海杂波的高灰度信息以细长的条纹状噪声形式存在，其分布密度远远低于目标区域内的高灰度信息。采用基于灰度强度的比率衰减的计算方法g(x)，如式(2)所示，
12、
13、
14、其中，gij(x)表示遥感影像中第i行第j列像素点的衰减率计算；h和w分别表示遥感影像的高和宽；mmin和mmax分别表示当前gij(x)计算时的最小值和最大值；x[p,q]表示影像中第p行第q列像素点的灰度值；k表示衰减率的计算窗口大小，取值可为5，11，21，31，根据目标的大小进行调制。
15、基于公式(2)得到的衰减率，构建灰度强度估计衰减率调整的计算公式，如式(4)所示，
16、
17、其中，f1(·)代表灰度强度估计；t(·)表示直方图均衡化；ui′表示ui经过灰度强度估计调整后的结果图；表示将输入影像ui归一化后保留的大于0.5的有效信息；r1表示根据海况等级调整后的非线性衰减率；和分别为的左上、右上、左下和右下的均分部分；和分别为影像ui的左上、右上、左下和右下的均分部分；利用第二步得到的海况等级对输入影像ui进行调制，当海况等级小于等于3时，n＝0.6，当海况等级等于4时，n＝2.8，当海况等级等于5时，n＝1.8。
18、3.2)设计密度估计方法对3.1)的输出结果ui′进行处理，解决高海况影像中由海杂波引起的条纹噪声和上述灰度强度估计方法无法完全消除的散斑噪声等问题。基于核密度估计方法对图像进行计算得到概率密度图，然而由于核函数的平滑特性，当图像中的灰度值发生明显变化时，概率密度图的变化不够显著。此外，低灰度值像素的存在可能引入误差，因为通常假设这些低灰度值的像素不属于目标区域。因此，通过对灰度强度估计调整后的结果图ui′进行与概率密度图的逐元素相乘，能够成功规避上述问题，即通过密度估计调整后能够生成一个全新的概率密度图，用于后续的分布统计和衰减比率r2计算，如式(5)所示，
19、
20、其中，f2(x)表示密度估计；fh(·)表示高斯核密度估计；ui″表示ui′经过密度估计调整后的结果图；r2表示根据目标分布密度特点调整后得到的非线性衰减率；和分别为ui′的左上、右下、左下和右下的均分部分。
21、此外，为了有效评估自适应感知调制模块的效果，设计了一种图像综合质量评价指标icmq，如式(6)所示，
22、
23、其中，c表示目标区域和非目标区域的对比度；γ表示目标区域内有效信息的保留度；nrmi表示非目标区域中噪声的抑制程度；和分别代表自适应感知调整模块所生成图像ui′或ui″中目标区域和非目标区域的均值；表示原始图像中目标区域的均值；nd表示自适应感知调整模块所生成图像ui′或ui″中的非目标区域；m表示非目标区域中所有像素点的总数。icmq越大表示调整结果越优异。
24、第四步，构建适用于在随机海况下进行语义分割的多流全向融合金字塔模块。为了有效利用第三步中自适应感知调整模块的输出结果ui′和ui″，并改进多流全向融合金字塔模块对原始图像目标区域的识别能力，同时提取多尺度的目标信息，设计一个三输入注意力多尺度卷积机制。该机制旨在聚焦于学习ui′和ui″中保留的高灰度值区域，以提升目标识别的准确性和鲁棒性。之后，将三输入注意力多尺度卷积机制处理后的结果进行特征提取，采用扩张卷积以扩大感知范围、抑制噪声、捕获更为全面的上下文信息。此外，该多流全向融合金字塔模块在结构上采用金字塔结构，利用双向特征金字塔有效增强多层扩张卷积的特征提取结果的上下文传递能力，有助于模型对输入数据进行多尺度、全面性的理解，从而更好的捕获目标物体的形状、纹理等细节特征，并减少特征信息在深层网络中的丢失。将经过双向特征金字塔多层传递和融合处理的多维特征图输入至解码部分，用于生成分割结果。解码部分采用多层卷积核和注意力门，有助于有效融合信息并减弱由海况背景干扰引起的虚假目标影响，提高目标检测与分割任务的准确性和鲁棒性。
25、本发明的有益效果为：
26、本发明提出了一种针对随机海况的自适应感知调制神经网络的海水养殖目标提取方法，用于提取海水养殖目标，能够解决海洋环境对图像质量和信息提取精度的挑战。该随机海况自适应感知调制神经网络通过构建迭代查询方法和自适应感知调制模块，能够利用影像的时空信息获取实际的海况等级，并根据海况等级自适应的调整图像不同区域的非线性衰减率，以有效抑制来自非目标区域的强散斑噪声和海杂波噪声，同时最大程度的保留目标区域的有效信息，从而显著增强图像对比度。另外，该随机海况自适应感知调整神经网络构建多流全向融合金字塔模块，用于融合和处理原始图像与自适应感知调整模块所生成的图像ui′和ui″，通过提供额外的上下文信息来提升分割过程的准确性。实验数据包含了具有不同海况等级的遥感影像数据，并对相应的sar图像特征进行了分析，证实了该发明在处理随机海况图像时的有效性。
1.一种随机海况自适应感知调制神经网络的海水养殖目标提取方法，其特征在于，所述提取方法基于随机海况自适应感知调制神经网络模型实现，能够有效地应对随机变化的海况，实现对海水养殖目标的准确感知和调制，神经网络模型包括海况迭代查询、自适应感知调制和多流全向融合金字塔三个关键模块：
2.根据权利要求1所述的一种随机海况自适应感知调制神经网络的海水养殖目标提取方法，其特征在于，所述的海水养殖目标提取方法包括以下几个步骤：
3.根据权利要求2所述的一种随机海况自适应感知调制神经网络的海水养殖目标提取方法，其特征在于，所述第三步中，通过步骤3.1)计算目标灰度强度估计和比率r1，通过步骤3.2)计算目标密度估计和比率r2，具体如下：
4.根据权利要求2所述的一种随机海况自适应感知调制神经网络的海水养殖目标提取方法，其特征在于，所述第二步中蒲福风力等级表如下：
5.根据权利要求2所述的一种随机海况自适应感知调制神经网络的海水养殖目标提取方法，其特征在于，所述第一步的预处理包括辐射定标、图像增强、地形校正、裁剪。
