River-Net:面向河道提取的Refined-Lee Kernel深度神经网络模型

作     者：李宁 郭志顺 毋琳 赵建辉 LI Ning;GUO Zhishun;WU Lin;ZHAO Jianhui

作者机构：河南大学计算机与信息工程学院开封475004 河南省智能技术与应用工程技术研究中心开封475004 河南省大数据分析与处理重点实验室开封475004 

出 版 物：《雷达学报（中英文）》 (Journal of Radars)

年 卷 期：2022年第11卷第3期

页      面：334-344页

核心收录：

学科分类：0710[理学-生物学] 080904[工学-电磁场与微波技术] 0810[工学-信息与通信工程] 0809[工学-电子科学与技术（可授工学、理学学位）] 08[工学] 081104[工学-模式识别与智能系统] 0811[工学-控制科学与工程] 0812[工学-计算机科学与技术（可授工学、理学学位）] 

基　　金：河南省重大公益项目(201300311300) 河南省科技攻关计划项目(212102210101,212102210093) 国家自然科学基金(61871175)。 

主　　题：合成孔径雷达(SAR) Refined-Lee Kernel 精致Lee滤波 神经网络 河道提取 

摘      要：高精度提取合成孔径雷达(SAR)图像中的河流边界,对河流水势监测具有重要意义。以检测郑州7·20暴雨后黄河的健康状况为实施例,该文融合精致Lee滤波思想与卷积操作的滤波特性,提出了基于河道几何特性的优化内部权值卷积核Refined-Lee Kernel,进而提出了一种新型河道提取深度神经网络模型,即River-Net。为验证所提模型的有效性,该文获取了郑州7·20暴雨前后两景欧空局Sentinel-1卫星20 m分辨率干涉宽幅(IW)影像数据,利用暴雨前的影像对模型进行训练,用于提取暴雨后的黄河河道,分析黄河在暴雨后的涨势情况。实验结果表明,相比主流语义分割模型,所提模型能够更精确地在SAR图像中提取河道,对洪水灾害的检测与评估有重要应用价值。