[发明专利]基于特征融合与SVM的极化SAR溢油检测方法

说明书

本发明公开了基于特征融合与SVM的极化SAR溢油检测方法，包括以下步骤：构建Pol‑SAR数据块，然后构建溢油样本数据集；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；利用训练好的CNN网络模型，对Pol‑SAR数据进行深度特征提取，提取高层次的特征；将不同的高层次的特征进行融合，利用带有RBF核函数的SVM分类器进行分类；本发明方法避免了传统方法需要手动提取并选择特征的复杂过程，能够有效的减少相干斑噪声的影响，减少溢油检测的虚警率，提取出CNN网络的两层高层特征，通过PCA降维对两层特征进行特征融合，可以有效地区分溢油与生物油膜，提高溢油检测精度。

技术领域

本发明涉及溢油检测技术领域，尤其涉及基于特征融合与SVM的极化SAR溢油检测方法。

背景技术

海上石油泄漏往往造成大规模的海洋污染，对海洋生态系统和环境、渔业、野生动物和其他社会利益造成严重危害，开展及时有效的海洋溢油监测具有重要意义。其中，合成孔径雷达(Synthetic Aperture Radar,SAR)由于不受阳光、云层的影响，且具有全天时、全天候的工作特点及大范围观测以及高分辨率的优势，已成为海洋溢油检测的主要手段；

近年来，Po1-SAR海面溢油检测已成为研究热点，许多研究证实了Pol-SAR在海面溢油检测方面的有效性。然而，在Pol-SAR图像目标检测和分类中地物特征的自动提取和选择特征是一项长期的挑战，随着深度学习在光学图像识别中的成功应用，其在SAR目标识别方面的研究工作也已经开始，基于深度学习的识别技术具有多级特征表达和非线性数据拟合的能力，它可以自动挖掘更具有鉴别性和代表性的特征，从而保证了分类性能，其中CNN能够挖掘数据中的空间相关性；

目前大多数研究都是基于目标电磁波散射特性从Pol-SAR数据中人工的提取特征并进行检测，溢油检测的准确性在很大程度上取决于提取的特征的优劣，人工提取特征复杂且耗时，需要长期的研究和丰富的Pol-SAR图像处理经验，且提取的特征可能存在信息涵盖不全面或存在冗余等现象，且不同的特征在不同的海况下性能会有较大的差异，从而导致溢油检测性能不高，因此，本发明提出基于特征融合与SVM的极化SAR溢油检测方法，以解决现有技术中的不足之处。

发明内容

针对上述问题，本发明提出基于特征融合与SVM的极化SAR溢油检测方法，避免了传统方法需要手动提取并选择特征的复杂过程，通过CNN网络自动的从原始Pol-SAR数据中提取鲁棒的有辨别性的特征，考虑了像素周边邻域信息，能够有效的减少相干斑噪声的影响，减少溢油检测的虚警率，提取出CNN网络的两层高层特征，通过PCA降维，对两层特征进行特征融合，涵盖的信息更加丰富，可以有效地区分溢油与生物油膜，提高溢油检测精度。

本发明提出基于特征融合与SVM的极化SAR溢油检测方法，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；