[发明专利]SAR图像溢油检测方法

说明书

本发明涉及合成孔径雷达图像溢油分割领域，具体地说，是一种SAR图像溢油检测方法，采用数据增强技术扩增数据集，充分训练模型中的参数，提高模型的泛化能力与鲁棒性，减小过拟合；小波阈值变换(WTT)用来消除噪声，突出全局特征；在原始的U‑Net网络中添加残差模块(ResidualModel)、SE注意力模块、带有空洞卷积的特征金字塔模块(ASPP)，有效提取SAR图像中存在的有用目标特征，同时减少模型中参数的数量，缩短训练时间，优化模型性能；并在跳跃连接处嵌入协调注意力模块(CA)，消除冗余的低层特征。与现有技术相比，本发明提出的方法效果更好。

技术领域

本发明涉及合成孔径雷达图像溢油分割领域，具体地说，是一种SAR图像溢油检测方法，该方法基于协调注意力机制特征融合U-Net。

背景技术

石油泄漏造成的污染对海洋生态系统造成了不可逆的损害。溢油区分割是SAR图像溢油检测的关键步骤。合成孔径雷达(SAR)已经成为监测海洋溢油现象的一项重要技术。合成孔径雷达(SAR)可以提供电磁信息用于探测海洋溢油。SAR通过散射机制获得海面上的电磁信息。散射机制发生在被浮油覆盖的表面和干净的海面上时，获得的信息是不同的。对于清洁的海面，发生强烈的布拉格散射，在SAR图像中显示为明亮。当溢油发生时，它减弱了布拉格散射，在SAR图像中显示为暗色。传统方法具有不可避免的局限性：(1)阈值分割的参数选择受主观因素或经验影响较大；(2)单一的特征信息无法代表全局的特征，会影响分割的效果；(3)传统方法多采用图像的低层次信息来完成分割任务，难以提取图像的深层语义信息。这些局限性导致了基于传统方法的溢油图像分割的准确性不高。

近年来，一些深度学习模型被用于SAR图像的海洋溢油检测，深度学习作为机器学习的一个分支，致力于通过神经网络模型解决机器学习任务。与传统的机器学习算法不同，深度神经网络通过其深度网络层逐层提取图像特征。深度特征通常比较抽象，包含深层语义信息。而且，特征提取过程是自动的，不需要人工参与，大大提高了效率。尽管深度学习模型在溢油检测任务中取得了较好的检测结果，但在进一步提高检测精度方面仍存在一些局限性。由于模型深度的原因，特征提取不足，接收场小，导致目标信息的损失以及模型会产生冗余的信息。

发明内容

为了解决上述技术问题，本发明提供了一种基于协调注意力机制的特征融合U-Net的SAR图像溢油检测方法，该方法用小波阈值变换去除图像噪声，并与原始图像进行特征融合。通过在原始网络中嵌入协调注意力模块，提取图像中的高层特征，减少冗余的特征，强调重要的特征，提高分割的精度。

为实现上述目的，本发明提供如下技术方案：

一种SAR图像溢油检测方法，包括如下步骤：

步骤1：从欧洲航天局(ESA)溢油检测数据集中选取750幅图片作为训练集，250幅作为测试集，再随机选取90％的训练集用于实验训练，10％的训练集用于实验验证；

步骤2：对步骤1选取的训练集进行预处理，即对训练集进行随机裁剪与拼接：原始SAR图像格式为1250×650，将预处理后的数据集图片大小重塑成256×256，特征通道数为3；

步骤3：用小波阈值变换(WTT)对步骤2得到的训练集进行去噪；

步骤4：搭建基于协调注意力机制的特征融合U-Net模型，随机各选取步骤2和步骤3得到的50％训练集图片作为网络模型的输入，进行全局特征提取与融合；

步骤5：使用残差模块(Residual Model)，并在部分残差块后增加挤压和激励模块(SE)，使模型自主学习各个通道的权重系数；

步骤6：在跳跃连接处嵌入协调注意力机制模块(CA)，消除冗余的信息；

步骤7：带有空洞卷积的空间金字塔结构(ASPP)作为底层网络，增大感受野的同时，提取更加广泛的特征信息；