论文部分内容阅读
类油膜(如:大气重力波、船尾痕迹、低风速区、生物油膜、背风岬角)与溢油在SAR图像上都表现为暗斑特性,在识别时容易发生混淆,提高了海面溢油检测的误报率。近年来,深度学习方法在图像分类上取得了很大的进展。成功的深度学习应用往往依赖于充足的样本集,但是雷达卫星过境频率普遍偏低,加之海面溢油的高污染性需要及时清理,导致样本数量往往不充足。基于此本文重点进行了基于小样本空间SAR溢油图像的分类研究,设计提出了一种改进的深度置信网络(DBN)——级联前向深度置信网络(CF-DBN),并通过实验初步验证了该模型的有效性。本文具体工作如下:(1)对HH通道下的五景SAR图像进行去噪,几何校正,ROI提取等预处理,再通过滑块的方式对图像进行分割,切割成合适的大小以方便后续的特征提取。最终得到包含1500个样本的小样本空间数据集(500个溢油样本,500个类油膜样本,500个海水样本)。(2)对数据集进行特征提取,共提取了 Tamura、灰度共生矩阵(GLCM)、灰度-梯度共生矩阵(GLGCM)、灰度差分统计(GLDS)四类共33个纹理特征,并从中选出区分度较好的10个特征组成特征向量作为模型的输入。(3)提出一种改进的深度置信神经网络(DBN)——CF-DBN,改进点是将传统DBN模型中的BP神经网络替换为级联前向神经网络。级联前向神经网络学习速度快,有着更好的非线性拟合特性,能有效减少模型训练时间并提高分类正确率。用CF-DBN对SAR溢油图像进行分类。同时将相同的数据集应用于DBN、CNN和其他三种传统机器学习方法(BPNN、SVM、CART),根据分类结果进行比较。(4)综合准确率、运行时间、Kappa系数以及ROC曲线等评估标准,证明了 CF-DBN在小样本空间的SAR溢油图像分类上的有效性。虽然相比BPNN、SVM、CART等传统机器学习算法所用时间相对多一些,但是相比DBN、CNN等深度学习算法,训练速度提高了 10倍左右。CF-DBN在整体上很好的区分了 SAR图像上的溢油和类油膜区域。