[发明专利]基于特征融合与SVM的极化SAR溢油检测方法

权利要求书

1.基于特征融合与SVM的极化SAR溢油检测方法，其特征在于，包括以下步骤：

步骤一：对Pol-SAR数据进行预处理，首先构建Pol-SAR数据块，然后构建溢油样本数据集，保证Pol-SAR数据适应CNN网络的输入；

步骤二：搭建CNN网络，并从Pol-SAR数据中抽取训练样本对CNN网络模型进行训练；

步骤三：利用步骤二中训练好的CNN网络模型，先保存整个CNN网络模型，将CNN网络模型中的每一个卷积池化层当作是一个特征提取层，然后对Pol-SAR数据进行深度特征提取，获得深度特征，并引入主成分分析进行特征降维；

所述步骤三中的具体过程为：

(1)首先确定一个滑动窗口，大小为15×15，从步骤一中构建的原始的Pol-SAR数据块的左上角第一个像素(x,y),x∈m,y∈n开始，边界部分采用镜像模式填充，取出15×15×9的小数据块，输入到步骤二中训练好的CNN网络模型中；

(2)提取CNN网络第3个卷积层后并拉伸为1维的输出值，该输出是一个1×80的特征向量，记为fea_1，再初始化一个三维矩阵F1(m,n,80)，将fea_1保存到相应的位置(x,y),x∈m,y∈n中；

(3)提取全连接层的输出值，记为fea_2，其大小为1×240，然后构建一个用于保存该特征的三维矩阵F2(m,n,240)，将fea_2填入到相应的位置(x,y)中；

(4)对于x+1,y+1，重复上述步骤(1)-(3)，直到遍历完整个图像；

(5)对于F1和F2，引入PCA分别对两个数据进行降维，取降维后的前3个主成分作为降维特征，记为PCA_fea_1,PCA_fea_2，尺寸大小均为m×n×3；

步骤四：将步骤(5)中得到的降维特征进行融合，将降维特征进行堆叠，得到融合后的特征，记为fuse_fea，尺寸大小为m×n×6，最后利用带有RBF核函数的SVM分类器进行分类。

2.根据权利要求1所述的基于特征融合与SVM的极化SAR溢油检测方法，其特征在于：所述步骤一中构建Pol-SAR数据块的具体过程为：Pol-SAR数据中的每个像素呈现为2×2散射矩阵，包含用于描述相干性或纯散射体的丰富的潜在信息，在多视和互易假设下，将单站Pol-SAR由对称的3×3复数相干矩阵T₃进行表示，复数相干矩阵T₃形式如公式(1)所示：

其中，T₁₁,T₂₂,T₃₃是实数，其他矩阵元素均是复数；

将矩阵复数相干矩阵T₃作为CNN的输入，让对于每个像素，极化数据可以定义为矢量t，其表达如公式(2)所示：

t＝[T₁₁,T₂₂,T₃₃,Re(T₁₂),Im(T₁₂),Re(T₁₃),Im(T₁₃),Re(T₂₃),Im(T₂₃)]    (2)

其中，Re表示实部，Im表示虚部；

Pol-SAR数据为一个包含9个通道的图像数据块D(m,n,bands)，其中：m表示图像的长，n表示宽度，bands表示图像的通道数，该图像数据块用于生成样本，作为CNN的输入。

3.根据权利要求2所述的基于特征融合与SVM的极化SAR溢油检测方法，其特征在于：所述步骤一中构建溢油样本数据集的具体过程为：对步骤一中产生的9个通道的图像数据块，从每一类地物中随机选取4000个样本点，取其周围15*15的小块作为一个样本，记为patch，其中心像素点对应的标签作为该样本的标签，记为label(i),i∈N,N为地物类别数。

4.根据权利要求1所述的基于特征融合与SVM的极化SAR溢油检测方法，其特征在于：所述步骤二中搭建CNN网络的具体过程为：搭建一个适合于从PolSAR数据中自动的提取深度特征的CNN网络模型，该CNN网络包含3个卷积层、两个最大池化层、一个扁平化层、一个全连接层以及连接到输出的Softmax分类器。