基于多特征融合与ResNet的海面溢油区识别研究

摘要：

近年来,合成孔径雷达(SAR)在改善溢油检测方面得到了广泛应用.然而,由于其特殊的成像机理,乘性相干斑噪声和其他物理现象引起的暗斑一直影响着溢油检测的精度.单独使用一种特征很难对图像上的油膜和类油膜现象进行区分,针对这一问题提出了利用多特征融合结合深度残差网络(ResNet)的方式来区分全极化图像上的油膜和类油膜现象.实验中将C波段的三种极化特征:极化散射熵(Entropy)、平均散射角(Alpha)和单次散射特征值相对差异度(SERD)组合在一起,形成一个优化特征子集,在确定的三种极化特征对应的特征图上选取多个感兴趣区域作为ResNet网络的训练集和测试集.该实验所用训练集由3600个原油样本、3600个生物油样本和3600个乳化油样本(共计10800个)组合而成.测试集由600个原油样本、600个生物油样本和600个乳化油样本(共计1800个)组合而成,最终得到97.56％的分类精度.用同样的实验数据采用同是深度学习的VGG和AlexNet分类算法进行油膜和类油膜的分类,并与ResNet算法分类结果进行对比分析.为了减弱过拟合现象以及获得更可靠的实验结果,分别进行了K-交叉验证和ROC曲线实验.结果表明所提出的算法是有效的.

关键词：全极化SAR图像、多特征融合、油膜、类油膜、深度残差网络

所属期刊栏目：57

分类号：TP391.41(计算技术、计算机技术)

资助基金：国家自然科学基金61471079

在线出版日期：2021-07-22（万方平台首次上网日期，不代表论文的发表时间）

页数：共8页

页码：267-274