基于深度学习的SAR影像海上溢油检测研究

发布时间：2020-06-09 13:27

【摘要】：近年来,海上溢油事故频繁发生,对经济和生态环境都造成了重大损失,采取有效的方法检测溢油成为国内外研究热点。合成孔径雷达(Synthetic Aperture Radar,SAR)具有全天时、全天候、大范围、高精度等特点,为溢油检测提供了有效手段;深度学习是近年来发展迅速的一种机器学习方法,能够通过学习样本的特征从而建立模型进行溢油检测,而卷积神经网络(Convolutional Neural Network,CNN)是深度学习中应用较为广泛的模型,在目标检测等方面取得了较为成功的应用。本文基于深度学习方法对SAR影像进行溢油检测,研究内容概括如下:1)对经典的溢油检测算法开展了实验研究,实现了基于支持向量机(Support Vector Machine,SVM)和主成分分析(Principal Component Analysis,PC A)方法的溢油检测算法。研究分析SVM的基本原理,根据样本特征选择适合检测溢油的核函数并构建了检测模型,开展了溢油检测实验,该算法的检测结果精度在66%以上;研究分析PCA的基本原理,分别提取溢油和海水的主成分,并将待检测样本的主成分与之作比较,实现了溢油提取,该算法的检测结果精度在80%以上。2)对CNN模型中的反向传播算法进行优化研究。研究分析CNN模型中反向传播梯度下降法的特点,为了克服局部最优的局限,本文将反向误差传播中用一次偏导计算残差推广为二次偏导求残差,将梯度下降计算中一次偏导数的方法替换为二次偏导。本文结合CNN模型中代价函数与激励函数特点,对公式进行了推导并开展了效率评估实验,实验结果只在训练1000次以下比较理想。3)实现了基于灰度共生矩阵与CNN结合的溢油检测算法。研究分析了 CNN模型的原理、构建流程、训练方法与实验数据需求,针对不同极化方式下SAR影像溢油特征,统计分析不同样本灰度共生矩阵特征值,构建了针对多极化SAR溢油的CNN检测模型,参数包括卷积核的数量、尺寸、网络层数等,并分别选取了 L波段下HH、VV、HV极化方式下的SAR影像,开展了溢油检测实验,算法的检测结果精度在85%以上。4)探索研究了 PCA与CNN结合的溢汕检测算法。本文设计的基于灰度共共生矩阵与CNN结合的溢汕检测算法精度较高,但运算时间较长,因此利用PCA方法的降维特性,设计了 PCA与CNN结合的溢油检测算法,基于PCA提取灰度共生矩阵特征值主成分,有效降低了输入到CNN模型中特征向量的维度。该算法的检测效率有一定提升,但检测精度比改进前低。
【图文】：

结构图,结构图,预分类,多层次结构

图１－３邋ＤＢＮ结构图逡逑Ｆｉｇｕｒｅ邋１－３邋ＤＢＮ邋ｓｔｒｕｃｔｕｒｅ逡逑如图１－３所示，ＤＢＮ在无标签的情况下，利用模型自助获取数据的特征，逡逑通过模型多层次结构，层层将特征传递到下一层网络，输出预分类结构［３５］；最后逡逑通过设置数据标签，对特征权值进行微调，从第一层依次传递，利用微调后的权逡逑值进行分类。逡逑与之前的神经网络所不同的是，ＤＢＮ设置了多层的无标签训练过程减少算逡逑法复杂度［３６］。逡逑（２）

网络结构图,生成对,网络结构,生成模型

丨邋0邋Ｐｈ３＾限制玻尔兹曼机逡逑一＾灥逡逑图１－４ＤＢＭ结构逡逑Ｆｉｇｕｒｅ邋１－４邋ＤＢＭ邋ｓｔｒｕｃｔｕｒｅ逡逑其结构如图１－４所示，ＤＢＭ结构包含多个表示层［４°］，分为隐藏层和可视层，逡逑最底层为输入层，ＤＢＭ网络各层连接为无向图。逡逑（４）生成对抗网络逡逑生成对抗网络（Ｇｅｎｅｒａｔｉｖｅ邋Ａｄｖｅｒｓａｒｉａｌ邋Ｎｅｔｗｏｒｋｓ，ＧＡＮ）的思想来源于博弈逡逑论，由Ｇｏｏｄｆｅｌｌｏｗ于２０１４年在论文《Ｇｅｎｅｒａｔｉｖｅ邋Ａｄｖｅｒｓａｒｉａｌ邋Ｎｅｔｓ》中开创性地提逡逑出。逡逑在这个对抗网络框架中，最突出的就是同时训练两个模型：一个是生成模型逡逑Ｇ邋（ｇｅｎｅｒａｔｉｖｅ邋ｍｏｄｅｌ），它用于获取原始信息的分布情况；另一个是对抗模型Ｄ逡逑（ｄｉｓｃｒｉｍｉｎａｔｉｖｅ邋ｍｏｄｅｌ），它用于估计某个样本是来自于训练数据而不是生成模型逡逑的概率。在训练时
【学位授予单位】：山东科技大学
【学位级别】：硕士
【学位授予年份】：2018
【分类号】：U698.7;TN957.52;TP18

【相似文献】