[发明专利]深度学习与浅层学习决策融合的海面溢油检测方法

权利要求书

1.一种深度学习与浅层学习决策融合的海面溢油检测方法，其特征在于，包括：

获取目标海域的高光谱图像，作为待检测图像；

将所述待检测图像输入预训练的目标深度学习模型，预测出所述待检测图像中存在油膜的区域，得到第一检测图像；

将所述待检测图像输入预训练的目标浅层学习模型，预测出所述待检测图像中存在油膜的区域，得到第二检测图像；

采用基于模糊隶属度的决策级融合策略，融合所述第一检测图像和所述第二检测图像，得到目标检测图像，所述目标检测图像表征所述待检测图像中存在油膜的目标区域，其中，所述第一检测图像、所述第二检测图像与所述目标检测图像中的像元数量相同。

2.根据权利要求1所述的深度学习与浅层学习决策融合的海面溢油检测方法，其特征在于，采用基于模糊隶属度的决策级融合策略，融合所述第一检测图像和所述第二检测图像，得到目标检测图像，包括：

遍历所述第一检测图像，确定出所述第一检测图像中各像元的第一分类类型；

遍历所述第二检测图像，确定出所述第二检测图像中各像元的第二分类类型；

若所述第一检测图像和所述第二检测图像中位置相同的像元的第一分类类型与第二分类类型相同，则将该像元的第一分类类型或第二分类类型确定为该像元在所述目标检测图像中的目标分类类型。

3.根据权利要求2所述的深度学习与浅层学习决策融合的海面溢油检测方法，其特征在于，若所述第一检测图像和所述第二检测图像中位置相同的像元的第一分类类型与第二分类类型不同，则执行如下步骤：

以所述像元为中心，构建预设尺寸的滑窗；

从所述第一检测图像中提取出所述滑窗中各像元的分类类型，得到第一分类类型集，并将所述第一分类类型集中数量最多的分类类型确定为所述像元的第一参考分类类型；

从所述第二检测图像中提取出所述滑窗中各像元的分类类型，得到第二分类类型集，并将所述第二分类类型集中数量最多的分类类型确定为所述像元的第二参考分类类型；

若所述像元的第一分类类型与第二检测图像中位置相同的像元的第二参考分类类型相同，则将该像元的第一分类类型或所述第二参考分类类型确定为该像元在所述目标检测图像中的目标分类类型；

若所述像元的第一分类类型与第二检测图像中位置相同的像元的第二参考分类类型不同，则比较该像元的第一参考分类类型与第二检测图像中对应位置像元的第二分类类型，若相同，则将该像元的第一参考分类类型或第二分类类型确定为该像元在所述目标检测图像中的目标分类类型。

4.根据权利要3所述的深度学习与浅层学习决策融合的海面溢油检测方法，其特征在于，若所述第一检测图像和所述第二检测图像中位置相同的像元的第一分类类型与所述第二参考分类类型不同，且所述第一参考分类类型与所述第二分类类型不同，则比较所述第一参考分类类型与所述第二参考分类类型，若所述像元的第一参考分类类型与第二参考分类类型相同，则将该像元的第一参考分类类型或第二参考分类类型确定为该像元在所述目标检测图像中的目标分类类型。

5.根据权利要求4所述的深度学习与浅层学习决策融合的海面溢油检测方法，其特征在于，若所述第一参考分类类型与所述第二参考分类类型不同，则执行如下步骤：

基于预设的隶属度函数分别确定所述像元对应的各分类类型的隶属度P_r，所述隶属度函数为如下公式：

式中，P_r表示所述像元在所述目标检测图像中对应类型r的隶属度，n表示检测图像的个数，表示所述像元在所述第一检测图像或所述第二检测图像中对应类型r的隶属度，α为奇数，ω_t表示每个单目标特征的权重，且满足所述目标深度学习模型和所述浅层学习模型的溢油检测精度分别为a和b，则

将隶属度最高的分类类型确定为所述像元在所述目标检测图像中的目标分类类型。

6.根据权利要求1所述的深度学习与浅层学习决策融合的海面溢油检测方法，其特征在于，所述目标深度学习模型包括卷积神经网络或深度置信网络。