-
0 引言
-
海洋内波是发生在稳定层化的海洋内部、频率介于惯性频率和浮力频率之间的一种波动现象，其最大振幅出现在海洋内部。当海水密度稳定分层，且有扰动源存在，就有可能导致内波产生。经常观测到的海洋内波一种被称为内孤立波的特殊类型，这种内波是通常是由正压潮与地形相互作用所产生的内潮波在传播过程中发生非线性陡斜，从而裂变出内孤立波。
-
海洋内波在海洋的物质、动量和能量传输中扮演着重要角色，并且还与海洋声学、海洋生物学、海洋光学、海洋沉积学、海洋工程学等学科有着密切的联系。因此，开展海洋内波自动检测对海洋资源开发利用、海洋军事保障及海洋工程建设等方面都具有重要学术价值与实际应用意义。
-
海洋内波观测手段可分为现场观测和卫星遥感观测。现场观测是指利用仪器直接对海洋环境进行观测以获得海洋内波的相关特征，但是由于海洋内波发生的随机性较大，现场观测难以及时捕捉，因此很难获取到足够多的有效数据。与现场观测相比，卫星遥感观测具有覆盖范围广、时效性高、可长时间观测等优势，目前已成为海洋内波的主要观测手段。用于海洋内波观测的传感器主要有成像光谱仪和 SAR，相比于成像光谱仪，SAR 不受云层和光照影响，可实现全天时、全天候的观测，是目前获取海洋内波观测数据的首要手段。
-
海洋内波在 SAR 遥感图像上一般表现为亮暗相间的条纹，在某些情况下也可能只表现为亮条纹或者暗条纹[1-4]。基于海洋内波在 SAR 遥感图像上的条纹特征，国内外学者针对 SAR 海洋内波检测和识别已经开展了一些研究。RÓDENAS 等[5-6]利用一维和二维小波变换实现了 SAR 海洋内波的检测，但无法实现自动检测且检测效果有待提高； KANG 等[7-8]提出了利用二维经验模态分解方法从 SAR 海洋内波识别；丁灿等[9]将功率谱方法和多孔小波变换相集合实现了 SAR 海洋内波区域检测与内波识别；陈捷等[10]采用二维连续小波变换实现了海洋内波区域的自动检测；SURAMPUDI 等[11]针对 2 个典型案例开展了基于傅里叶变换和连续小波变换的海洋内波检测算法分析；郑应刚等[12]则运用列分离邻域处理和 Canny 算子边缘检测算法开展了 SAR 海洋内波检测。上述 SAR 海洋内波检测传统方法多需要人为参与，且大多利用具有典型海洋内波的 SAR 遥感图像进行检测，且算法的鲁棒性和泛化能力较差。
-
近年来，随着海量 SAR 遥感图像的爆发式增长，越来越多的海洋内波被 SAR 所观测到，为 SAR 海洋内波自动智能检测研究提供了丰富的数据源，同时也对 SAR 海洋内波自动检测算法的精确率提出了更高要求[13]。深度学习是人工智能领域兴起的一种高效数据挖掘手段，目前已被应用于计算机视觉领域的目标检测任务。现有的深度学习目标检测算法大致可以分为 2 类：两阶段目标检测算法和一阶段目标检测算法。两阶段目标检测算法会首先在图像中生成一系列候选区域，然后对这些区域进行分类和边界框回归。两阶段目标检测算法中较常用的为 R-CNN 系列。BAO 等[14]使用 Faster R-CNN 网络从 SAR 遥感图像中检测内波，取得了较好的检测效果；LI 等[15]基于 DCNN 模型实现了从静止卫星遥感图像检测海洋内波；CELONA S 等[16]利用支持向量机（SVM）方法开展了 X 波段雷达遥感图像内波检测；孙宏亮等[17]利用多源 SAR 遥感图像，同样基于 Faster R-CNN 网络框架建立了一个SAR 海洋内波自动检测模型，实现了不同波段 SAR 海洋内波自动检测。一阶段目标检测算法中较有代表性的为面向对象检测和图像分割的 YOLO 系列，目前已发展到 v8 版本。与二阶段检测算法不同， YOLO 无需先生成候选区域，而是直接在网络中同时预测类别和边界框位置。TAO 等[18]将 YOLOv5 和注意力机制相结合，提出一种改进的 YOLOv5 网络，并使用该网络进行 SAR 海洋内波自动检测，取得了优于 Faster R-CNN 网络的检测精度，其平均精度达到 90%。
-
由于海洋内波在 SAR 遥感图像上的形状为不规则弧形，海洋内波目标往往成任意角度分布，而 Faster R-CNN 网络和 YOLO 系列等上述算法无法学习方向信息，因此在用水平框标注 SAR 海洋内波数据集时会有大量的干扰或冗余信息被一起标注为内波，从而在训练时造成影响，使得模型在提取 SAR 海洋内波特征时遇到较多的干扰。为解决水平框目标检测算法无法学习方向信息这一难题， HAN 等[19]提出一个基于旋转框的深度学习目标检测算法（Rotation-equivariant Detector，ReDet）。在 DOTA-v1.0、DOTA-v1.5 等航空遥感图像数据集上的大量实验表明， ReDet 较 RetinaNet、 Faster R-CNN 等算法可以取得更为优异的表现；此外， ReDet 在保证检测精度的同时减少了参数量，更好的实现了模型大小和精度的平衡。
-
本文利用 Sentinel-1 SAR 海洋内波遥感图像建立训练与验证数据集，使用 ReDet 网络开展 SAR 海洋内波自动检测研究，在标注内波时能尽可能的避免额外信息的影响，从而获得比传统水平检测模型更高效的学习效率，同时将检测结果与 YOLOv8 的检测结果进行对比，验证将旋转目标检测算法用于海洋内波检测的有效性。
-
1 数据与方法
-
1.1 数据介绍
-
本文使用了由 Sentinel-1 卫星拍摄的 SAR 遥感图像。Sentinel-1 是由欧洲航天局发射的对地观测卫星，包含 Sentinel-1A 和 Sentinel-1B 2 颗卫星。 2 颗卫星均搭载了 C 波段 SAR，同时支持单极化 （VV 或 HH）和双极化（VV+VH 或 HH+HV）操作。Sentinel-1 有 4 种不同的数据采集模式，分别是条带模式（Strip Map Mode，SM）、超宽幅模式 （ Extra Wide Swath， EW）、宽幅干涉模式 （Interferometric Wide Swath，IW）及波模式（Wave Mode，WV）。其中 IW 模式为 Sentinel-1 的主要工作模式，可以满足大多数的数据服务要求。基于 2014 年至 2021 年的 Sentinel-1 A/B SAR 遥感影像， TAO 等[18]收集了 390 张有海洋内波现象的 SAR 遥感图像，并以此为基础构建了一个海洋内波数据集。这些 SAR 遥感图像成像于南海、安达曼海、苏禄海以及苏拉威西海等 4 个海洋内波高发海域。其中成像于安达曼海 SAR 遥感图像 234 张，南海 19 张，苏禄海和苏拉威西海共计 137 张。
-
图1 海洋内波数据集 SAR 图像示例
-
Fig.1 Examples of SAR images from ocean internal wave dataset
-
在该 SAR 海洋内波数据集中，IW 模式 SAR 遥感图像有 381 张，SM 模式 SAR 遥感图像 9 张，均为 VV 极化数据。为提高 SAR 内波自动检测效率，本文首先对这些 SAR 遥感图像经过降采样和拉伸处理，使其更适用于海洋内波的检测；其次分别使用旋转框和水平框对 SAR 海洋内波数据集中的内波进行标注；然后将标注结果作为真实标签参与模型训练和精度验证，并按照 7︰3 的比例将上述数据分为训练集和验证集，其中 273 张 SAR 遥感图像用于模型训练，117 张 SAR 遥感图像用于模型效果验证。
-
1.2 自动检测算法
-
1.2.1 ReDet 网络结构
-
本文使用旋转目标检测模型 ReDet 用来检测海洋内波，ReDet 的总体架构如图2 所示[19]。对于输入图像，ReDet 首先使用旋转等变主干网络 （backbone）提取旋转等变特征，然后使用区域建议生成网络（Region Proposal Network，RPN）生成水平候选区域（Horizontal Region of Interests， HRoIs），然后使用 RT（RoI Transformer）将 HRoIs 转换为 RRoIs（Rotation ROI）。最后，采用 RiRoI Align（Rotation-invariant RoI Align）提取旋转不变特征，用于 ROI 分类（classification）和边界框回归（bbox regression）。
-
ReDet 主干网络以带有 FPN（Feature Pyramid Network）的 ResNet 网络结构为基础，但重新实现了 ResNet 网络中的卷积、池化、归一化、非线性等操作，并将该主干命名为 ReResNet（Rotationequivariant ResNet）。通过旋转等变特征映射，ReDet 网络实现了旋转滤波器的权值共享，来自不同方向的特征通常共享相同的过滤器，从而进一步减小了模型的参数数量和尺寸。ReDet 的旋转等变主干可以获取待检测目标多个方向的特征，这对于定向目标检测是十分重要的。
-
图2 ReDet 网络架构图
-
Fig.2 ReDet network structure diagram
-
在旋转不变网络主干的基础上，ReDet 网络还包含了 RiRoI-Align。普通的 RRoI-Align 只能在空间维度上对齐特征，而在方向维度上则会产生错位。而 RiRoI-Align 可以提取完全的旋转不变特征 （其结构如图3 所示），RiRoI-Align 可以从旋转等变特征映射中提取目标的旋转不变特征，用于最后的 RoI 分类和边界框回归。
-
ReDet 网络的最后一部分为分类器。传统的分类任务通常采用方向池化操作，对于特征图中的每个位置，只保留响应最强方向，而放弃其他方向的特征。然而，来自所有方向的响应，无论强或弱，都是目标检测不可或缺的。因此，在 ReDet 网络中，来自所有方向的特征都将被保留，进而使用分类器进行分类和定位。
-
图3 RiRoI-Align 结构图
-
Fig.3 RiRoI-Align structure diagram
-
1.2.2 ReDet 网络参数设置及训练
-
迁移学习是指将从某个领域或任务中学习到的知识或模式应用到不同但相关领域或问题中。深度学习训练需要大量的高质量标注数据，但是由于某些领域中的数据量有时比较匮乏。因此，在深度学习领域，通常都会在预训练模型基础上进行迁移学习，实现模型中参数的初始化。预训练模型是网络在大规模数据集上训练得到的神经网络模型。在计算机视觉领域，其目的是使模型能够学习到一些图像分类或检测任务中通用的特征和知识，从而在特定的任务中能取得更出色的表现。在基于 SAR 影像的检测与分类任务中，学者们也常使用预训练模型来提升模型的性能和鲁棒性[20]。
-
由于 SAR 海洋内波图像数据集规模较小，如果不采用预训练模型而是从头进行训练，模型很容易发生过拟合进而导致训练失败。因此，本文利用迁移学习方法，将 ReResNet 模型在大型图像数据集 ImageNet 上学习到的通用的特征和知识应用到 SAR 海洋内波特征提取中，并通过对网络中的相关参数进行微调，使得模型能够快速收敛。
-
在本研究训练过程中，模型参数设置如下：初始学习率（Learning Rate）为 0.005，最大迭代次数 （Epoch）为 500；考虑到 Adam 自适应学习率优化器是一种可以替代传统随机梯度下降算法的一阶优化算法，它能基于训练数据不断对神经网络中的权重进行迭代更新、优化模型参数，同时 Adam 能计算每个参数的自适应学习率，使网络训练更加高效，因此研究过程优化器选择 Adam 自适应学习率优化器。
-
此外，模型的精度评估主要基于验证集进行。精度评价指标选择精确率 P、召回率 R 和 F1-score。其中，精确率越高，虚警的个数越少；而召回率越高，漏检的个数越少；F1-score 是精确率和召回率的调和平均数，让二者取一个平衡。
-
式中：TP 表示检测正确的 SAR 海洋内波检测框数量；FP 表示虚警的检测框数量；FN 表示真实目标漏检的数量。
-
2 内波自动检测实验
-
2.1 ReDet 网络检测结果
-
ReDet 网络训练结束后，可得到基于 ReDet 的 SAR 海洋内波检测模型。将该模型应用于未参与模型训练的 SAR 遥感图像，通过统计验证和个例分析来评估算法性能。ReDet 在输出 SAR 海洋内波检测结果时，会同时输出检测框的置信度，即该检测框中包含海洋内波概率。置信度设置越低，检测到 SAR 海洋内波的个数越多，但是虚警目标的数量也会增多；置信度设置过高，虽然虚警的目标数量会减少，但是漏检的 SAR 海洋内波数量也会增多。为得到最佳 SAR 海洋内波检测结果，本文基于不同置信度设置下海洋内波的检测结果，计算了 P、R、F1-score3 个精度评价指标，图4（a）–（c）分别给出了不同置信度情况下的 P、R、F1-score 的变化曲线。
-
图4 基于 ReDet 检测结果的 P、R 和 F1-score 随置信度变化图
-
Fig.4 Change curves of P，R and F1-score values under different confidence settings based on ReDet test results
-
从图4 结果可以看出，当置信度设置为 0.6 时， F1-score 的值较高，且此时精确率和召回率的值均较高，海洋内波的检测效果较为理想。因此，本研究在保证检测正确的情况下，确保虚警和漏检目标都较少，选择置信度为 0.6 作为 ReDet 网络检测结果的输出阈值。
-
2.2 YOLOv8 网络检测结果
-
为验证 ReDet 旋转目标检测对 SAR 海洋内波自动检测适用性，本文还使用 YOLOv8 模型对 SAR 海洋内波进行水平目标检测。YOLOv8 模型的核心思想是直接将整张图像作为网络的输入，直接在输出层回归边界框的位置和所属类别；YOLOv8 的网络结构分为 Backbone、 Neck、Head 3 部分，Backbone 为主干网络，其作用为提取图像中的特征，供后面的网络使用； Neck 部分可以更好地融合/提取主干网络给出的特征，提高检测的准确性和效率；Head 部分则主要用于生成初始检测框，及对检测框进行筛选剔除。
-
在使用 YOLOv8 训练 SAR 海洋内波检测模型时，同样使用迁移学习方法。YOLOv8 提供了在 COCO 数据集进行过训练的预训练模型。本文直接将 YOLOv8 模型在 COCO 数据集上学习到的大量知识应用到 SAR 海洋内波特征提取中。训练过程其他网络参数设置和 ReDet 保持相同，得到最终 YOLOv8 SAR 海洋内波检测模型。为检验 YOLOv8 模型对 SAR 海洋内波的检测效果，本文同样计算了不同置信度下 P、R、F1-score3 个精度指标的值 （图5（a）–（c）所示）。
-
由图5 可知，虽然 YOLOv8 对 SAR 海洋内波检测的精确率较高，但是召回率与 ReDet 模型相比较低，这也意味着漏检的 SAR 海洋内波较多。当置信度为 0.1 时，F1-score 的值较高，且同时精确率和召回率的值均较高，海洋内波的检测效果较为理想，因此选择置信度 0.1 作为 YOLOv8 网络检测结果的输出阈值，图6 给出了基于 YOLOv8 网络模型的 SAR 海洋内波检测结果（白框所示）。
-
图5 基于 YOLOv8 检测结果的 P、R 和 F1-score 随置信度变化图
-
Fig.5 Change curves of P，R and FI-score values under different confidence settings based on YOLOv8 test results
-
2.3 自动检测结果对比分析
-
图6 给出了基于 ReDet 网络模型的 SAR 海洋内波检测结果（红框所示）。分析图6（a）–（d） SAR 海洋内波自动检测结果可以见，在 YOLOv8 模型漏检的情况下，ReDet 模型可以将 SAR 遥感图像中几组波长和尺度均较小海洋内波自动检测出来；针对 SAR 遥感图像上表现不太明显的海洋内波（图6（e）–（h）所示），ReDet 算法同样也可以较好的将其检测出来；而针对背景较为复杂的 SAR 海洋内波遥感图像（图6（i）–（j）所示）， ReDet 能够保证较准确的检测效果，而 YOLOv8 检测会出现虚警。
-
图6 基于 ReDet 模型（红框所示）和 YOLOv8 模型 （白框所示）的 SAR 海洋内波检测结果图
-
Fig.6 SAR internal wave detection results based on ReDet model（shown in red boxes）and YOLOv8 model （shown in white boxes）
-
基于验证集计算的 2 个模型对海洋内波检测的精确率、召回率、F1-score 的值如表1 所示。在精确率相差不大情况下，ReDet 模型可以同时保证较高的召回率。虽然基于旋转框的 ReDet 模型 SAR 海洋内波自动检测在上述训练条件下也会出现漏检或错检，但相比于同训练条件下的水平框 YOLOv8 模型检测，不仅能检测出更多的海洋内波，而且漏检的海洋内波更少。
-
实验结果表明，对于 SAR 海洋内波自动检测任务，旋转目标检测训练的效率要高于水平目标检测，更适用于海量 SAR 海洋内波自动检测。其主要原因是由于海洋内波形状为不规则弧形，在用水平框标注 SAR 海洋内波时会有大量的干扰或冗余信息被一起标注为海洋内波，从而在深度学习训练过程时造成影响，使得模型在提取 SAR 海洋内波特征时遇到较多干扰信息。而旋转框标注可以避免额外信息的干扰，有利于模型在训练时更精确的学习海洋内波特征，从而使得旋转目标检测模型可以获得比水平目标检测模型更高的学习效率，得到更为优异的检测效果。
-
3 结束语
-
本文基于 Sentinel-1 SAR 海洋内波遥感图像建立了用于星载 SAR 海洋内波自动检测的训练与验证数据集，结合旋转目标检测算法 ReDet，使用迁移学习方法对模型进行训练，建立了基于旋转框的海洋内波自动检测模型，并将检测结果与 YOLOv8 的检测结果进行对比表明，对于 SAR 海洋内波自动检测任务，旋转目标检测训练的效率要高于水平目标检测，更适用于海量 SAR 海洋内波自动检测。本文的主要结论如下：
-
1）利用旋转框标注 SAR 海洋内波的不规则特征，可以避免额外信息的干扰，有利于模型在训练时更精确的学习海洋内波特征。从而使得旋转目标检测模型相较于水平目标检测模型可以获得更高的学习效率，得到更为优异的检测效果，其自动检测精确率为 93.06%、召回率为 90.24%。
-
2）对于尺度较小的海洋内波、遥感图像上表现不太明显的海洋内波或复杂海洋背景下的 SAR 海洋内波自动检测，旋转目标检测算法 ReDet 具有一定的抗干扰能力，能够保证较准确的检测效果。
-
基于旋转目标检测模型的 SAR 海洋内波自动检测为海量星载 SAR 海洋内波自动快速检测提供了一种新技术手段，该方法在检测海洋内波的同时还可提取内波传播方向信息，进而为针对性开展海洋内波动力学参数反演和过程研究提供了技术基础。在后续研究过程中，可以增加更多复杂背景条件和弱特征 SAR 海洋内波样本来提高旋转目标检测算法对不同表征内波特征的自动检测能力；同时，通过增减包含海洋锋面和（次）中尺度涡旋等负样本，提升旋转目标检测算法的抗干扰能力。
-
参考文献
-
[1] SILVA J C B，ERMAKOV S A，ROBINSON I S，et al.Role of surface films in ERS SAR signatures of internal waves on the shelf：1.short-period internal waves[J].Journal of Geophysical Research，1998，103（C4）：8009-8031.
-
[2] 林珲，范开国，申珲，等.星载SAR海洋内波遥感研究进展[J].地球物理学进展，2010，25（3）：1081-1091.
-
[3] 范开国，陈鹏，顾艳镇，等.星载合成孔径雷达海洋遥感与图像解译[M].北京：海洋出版社，2017.
-
[4] 范开国，周晓中，徐青，等.合成孔径雷达海洋内波遥感探测技术与应用[M].北京：海洋出版社，2017.
-
[5] RODENAS A，GARELLO R.Internal wave detection and location in SAR images using wavelet transform[J].IEEE Transactions on Geoscience and Remote Sensing，1998，36（5）：1494-1507.
-
[6] RODENAS J A，CABARROCAS D，GARELLO R.Internal waves detection from ERS-1 SAR images using the 2-D wavelet transform[C]//1997 International Geoscience and Remote Sensing Symposium.Singapore：IEEE，1997.
-
[7] KANG J，ZHANG J，SONG P J，et al.The application of two-dimensional EMD to extracting internal waves in SAR images[C]//2008 International Conference on Computer Science and Software Engineering.Wuhan：IEEE，2008.
-
[8] 范开国，梁建军，韦道明，等.EMD 端点延拓新方法SAR遥感图像实例应用[J].地球物理学进展，2021，36（2）：458-463.
-
[9] 丁灿，张本涛，高国兴，等.合成孔径雷达图像中海洋内波的特征检测[J].海洋测绘，2012，32（5）：15-18.
-
[10] 陈捷，陈标，陶荣华，等.SAR 图像海洋内波参数自动提取方法[J].海洋技术学报，2014，33（6）：20-27.
-
[11] SURAMPUDI S，SASANKA S.Internal wave detection and characterization with SAR data[C]//2019 IEEE Recent Advances in Geoscience and Remote Sensing：Technologies，Standards and Applications.Kochi：IEEE，2019.
-
[12] 郑应刚，张洪生，李晓恋，等.基于遥感影像边界特性对南海海洋内波检测算法研究[J].热带海洋学报，2020（6）：41-56.
-
[13] 孟俊敏，龙瑞，孙丽娜，等.基于机器学习的内孤立波遥感探测研究综述[J].数字海洋与水下攻防，2024，7（1）：2-8.
-
[14] BAO S D，MENG J M，SUN L N，et al.Detection of ocean internal waves based on Faster R-CNN in SAR images[J].Journal of Oceanology and Limnology，2020，38（1）：57-65.
-
[15] LI X F，LIU B，ZHENG G，et al.Deep-learning-based information mining from ocean remote-sensing imagery[J].National Science Review，2020，7（10）：1584-1605.
-
[16] CELONA S，MERRIFIELD S T，PAOLO T，et al.Automated detection，classification，and tracking of internal wave signatures using X-band radar in the inner shelf[J].Journal of Atmospheric and Oceanic Technology，2021，38（4）：789-803.
-
[17] 孙宏亮，王怡然，贾童，等.基于 Faster R-CNN 的卫星SAR图像南海海洋内波自动检测[J].遥感学报，2023，27（4）：905-918.
-
[18] TAO M K，XU C J，GUO L X，et al.An internal waves data set from Sentinel-1 synthetic aperture radar imagery and preliminary detection[J].Earth and Space Science，2022，9：1-14.
-
[19] HAN J M，DING J，XUE N，et al.ReDet：a Rotationequivariant Detector for aerial object detection[C]//2021 IEEE/CVF Conference on Computer Vision and Pattern Recognition.Nashville：IEEE，2021.
-
[20] DONG Y B，ZHANG H，WANG C，et al.Fine-grained ship classification based on deep residual learning for high-resolution SAR images[J].Remote Sensing Letters，2019，10（11）：1095-1104.
-
摘要
海洋内波是由海水密度陡变和外力扰动所引起的一种海洋内部的波动，在合成孔径雷达 （Synthetic Aperture Radar，SAR）遥感图像上通常呈现出亮暗相间的条纹特征。基于 2014–2021 年的 390 景 Sentinel-1 SAR 海洋内波遥感图像建立训练与验证数据集，结合旋转目标检测算法，使用迁移学习方法对模型进行训练，得到基于旋转框的海洋内波自动检测模型，并将检测结果与 YOLOv8 的检测结果进行对比。研究结果表明，旋转目标检测模型较 YOLOv8 能够取得更为优异的海洋内波自动检测结果，其精确率达到 93.06%，召回率为 90.24%，在精确率较高同时还能保证较低虚警。旋转目标检测模型为海量星载 SAR 海洋内波自动快速检测提供了一种新手段，该方法在检测海洋内波的同时还可提取内波传播方向信息，为针对性开展海洋内波动力学参数反演和过程研究提供了技术基础。
Abstract
Internal waves are a kind of seawater fluctuation caused by steep change of seawater density and external disturbance，which are usually shown as bright and dark stripes on Synthetic Aperture Radar（SAR）remote sensing images. In this paper，a training and validation dataset is constructed based on 390 Sentinel-1 SAR internal wave remote sensing images from 2014 to 2021. Combined with the algorithm of Rotation Equivariant Detector （ReDet），the transfer learning method is used to train the model，and an automatic detection model for internal waves is obtained based on the rotating box. The detection results are compared with those from YOLOv8 model. The results show that the rotating target detection model performs better than YOLOv8 in automatic detection of internal waves，which yields an accuracy rate of 93.06% with a recall rate of 90.24% and achieves a high accuracy and a low false alarm at the same time. The rotating target detection model provides an innovative technical solution for automatic and rapid detection of internal waves among massive space-borne SAR images. The method can be used to extract the propagation direction information of internal waves，which provides a solid technical basis for dynamic parameter inversion and further process research of internal waves.
