[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

说明书

深度学习与浅层学习决策融合的海面溢油检测方法。获取目标海域的高光谱图像，作为待检测图像；将待检测图像输入训练好的目标深度学习模型，预测出待检测图像中存在油膜的区域，得到第一检测图像；将待检测图像输入训练好的目标浅层学习模型，预测出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，融合第一检测图像和第二检测图像，得到目标检测图像，目标检测图像表征待检测图像中存在油膜的目标区域，其中，第一检测图像、第二检测图像与目标检测图像中的像元数量相同。可以结合深度学习模型和浅层学习模型在样本学习泛化能力上的优势，提高海面溢油检测的精度。

技术领域

本发明涉及海洋探测领域，特别涉及一种深度学习与浅层学习决策融合的海面溢油检测方法。

背景技术

海上溢油突发事件会污染海域和滨海旅游区，威胁海洋生物资源，破坏水产养殖，且对海洋生态环境造成的破坏在很长时间内都难以修复，已严重危及到了海洋生态环境和社会经济发展。

海面溢油具有高动态性和低识别度的特点，受天气限制和复杂的海面环境、光照条件的影响，光学遥感在溢油事故期间获取到的样本数据有限，在有限样本情形下，单一分类模型挖掘样本特征的能力有限，导致溢油范围检测的精度较低。

目前，深度学习是机器学习领域中的热门，近年来成为高光谱遥感影像分类检测的热点方法之一，其中以卷积神经网络和深度置信网络最具代表性，并成功应用于滨海湿地、海面溢油、赤潮检测等领域。不同分类器在样本学习泛化能力上各有优劣。然而，目前多是将深度学习模型作为示单一的分类器应用于溢油检测，没有充分利用分类器之间的互补性。

发明内容

有鉴于此，本发明提供一种深度学习与浅层学习决策融合的海面溢油检测方法，以解决现有技术中利用单一分类器检测溢油的精度较低的问题。

本发明提供的一种深度学习与浅层学习决策融合的海面溢油检测方法的技术方案是：

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；将待检测图像输入训练好的深度学习模型，预测出待检测图像中存在油膜的区域，得到第一检测图像；将待检测图像输入训练好的浅层学习模型，预测出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，融合第一检测图像和第二检测图像，得到目标检测图像，目标检测图像表征待检测图像中存在油膜的目标区域，其中，第一检测图像、第二检测图像与目标检测图像中的像元数量相同。

可选的，采用基于模糊隶属度的决策级融合策略，融合第一检测图像和第二检测图像，得到目标检测图像，包括：遍历第一检测图像，确定出第一检测图像中各像元的第一分类类型；遍历第二检测图像，确定出第二检测图像中各像元的第二分类类型；若第一检测图像和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目标检测图像中的目标分类类型。

可选的，若第一检测图像和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：以像元为中心，构建预设尺寸的滑窗；从第一检测图像中提取出滑窗中各像元的分类类型，得到第一分类类型集，并将第一分类类型集中数量最多的分类类型确定为像元的第一参考分类类型；从第二检测图像中提取出滑窗中各像元的分类类型，得到第二分类类型集，并将第二分类类型集中数量最多的分类类型确定为像元的第二参考分类类型；若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第二参考分类类型确定为该像元在目标检测图像中的目标分类类型；若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目标检测图像中的目标分类类型。