基于ResNet的SAR图像海面溢油区识别研究

发布时间：2022-01-15 02:06

　　油膜和类油膜（生物油和乳化油）在全极化SAR（合成孔径雷达）数据上都表现为暗斑特征,而且二者具有高度一致性,在识别时容易产生混淆。而对于SAR图像而言,不同特征对每种类油膜有不同的区分效果,因此选取合适的特征对区分SAR图像上的油膜和类油膜尤为重要。在本文中,我们重点应用多种特征和深度残差网络（ResNet）相结合的方式区分全极化SAR数据上的油膜和类油膜。本文主要研究内容可以概括如下:首先,对全极化SAR图像上的暗斑区域（包括油膜和类油膜）提取20种特征并进行分析,然后选取区分性较好的特征作为网络输入的依据。经过实验和分析,最终选择极化散射熵（Entropy）,极化散射角（Alpha）和单次反射特征值相对差异度（SERD）三种极化特征作为网络输入的依据。其次,在确定的三种极化特征对应的特征图上选取多个感兴趣区域作为ResNet网络的训练集和测试集。最后本文实验所用训练集由3600个原油样本,3600个生物油样本和3600个乳化油样本（共计10800个）组合而成。测试集由600个原油样本,600个生物油样本和600个乳化油样本（共计1800个）组合而成,最终得到97.56%的分类精度。... 

【文章来源】：大连海事大学辽宁省 211工程院校

【文章页数】：79 页

【学位级别】：硕士

【部分图文】：

图１．１海面溢油与类似溢油ＳＡＲ图像??Ｆｉｇ．?１．１?ＳＡＲ?ｉｍａｇｅｓ?ｏｆ?ｏｉｌ?ｓｌｉｃｋｓ?ａｎｄ?ｌｏｏｋ－ａｌｉｋｅｓ??

分类，并对分类结果进行对比分析。??（开始）??ｖ?士?乂????阁像预处理??Ｐａｕｌｉ分解，Ｂｏｘｃａｒ滤波??ｊ???Ｉ???暗斑检测??Ｉ奸？相」几何特征，纹理特征和极Ｉ??匕＿：—＿—＿：—＿」?｜?Ｉ?＿＿＇＿?Ｉ?最５特征丨且合?！??ｊ研５甲产一、?深度残差网络（ＲｅｓＮｅｔ）??Ｊ??＿二二广?Ｉ分类和类油膜?｜?；??｜—??二１—？＞丨与ＡｌｅｘＮｅｔ和?ＶＧＧ算法进ｔＪ？对比?｜??（结束）?＇?＂??图１．２论文研宄思路??Ｆｉｇ．?１．２?Ｔｈｅｓｉｓ?ｒｅｓｅａｒｃｈ?ｉｄｅａｓ??１．４章节安排??全文共六章，各章内容如下：??第１章引言。主要介绍了选题的背景以及该课题的研究价值，目前己有研究的??现状以及本文的研究思路。??第２章数据集的制作及预处理。介绍了本文实验所用五幅全极化ＳＡＲ图像并??介绍了数据的预处理过程以及样本的采集。??第３章对本文实验所使用的ＳＡＲ实验数据进行特征提取，经过分析选取出??区分性好的特征作为网络输入的依据。??第４章基于多种特征与ＲｅｓＮｅｔ结合的溢油分类。首先对深度残差网络的结??构和工作原理进行详细介绍，最后确定本文实验中所使用的ＲｅｓＮｅｔ５０的结构。??第５章实验结果分析。介绍了基于本文所提算法和ＡｌｅｘＮｅｔ、ＶＧＧ算法对ＳＡＲ??数据上暗区的识别效果，并对结果进行了比较和分析，以及验证本文提出算法的??有效性。??第６章总结与展望。本章总结了本文的研宄内容，分析了本研宄内容还存在??的不足，并确定了下一步的研宄方向。??－７?－??

?大连海事大学硕士学位论文???（ａ）?ＮＯ．ｌ??（ａ）?Ｒａｄａｒｓａｔ－２?ｄａｔａ?ｏｆ?８ｍ??图２．１墨西哥湾数据??Ｆｉｇ．?２．１?Ｒａｄａｒｓａｔ－２?ｄａｔａ?ｉｎ?Ｍｅｘｉｃｏ?Ｂａｙ?ａｒｅａ??２．１．２欧洲北海数据介绍（ＮＯ．２？ＮＯ．３）??Ｈ?１＾１??（ａ）Ｎ０．２?（ｂ）?Ｎｏ．３??（ａ）?Ｒａｄａｒｓａｔ－２?ｄａｔａ?ｏｆ?８ｍ?（ｂ）?Ｒａｄａｒｓａｔ－２?ｄａｔａ?ｏｆ?８ｍ??图２．２欧洲北海数据??Ｆｉｇ．?２．２?Ｒａｄａｒｓａｔ－２?ｄａｔａ?ｉｎ?Ｎｏｒｔｈ?Ｓｅａ?ｏｆ?Ｅｕｒｏｐｅ??图２．２?（ａ）和（ｂ）?（ＮＯ．２和ＮＯ．３）是２０１１年６月６日至９日获得的，两个场??景中有泼洒了三种物质（即原油，乳化油和生物油）。Ｎ０．２图像数据入射角为??４６．２０°，局部风速约为１．６－３．３ｍ／ｓ。图像在浮油泼洒后２小时获得，其中图像中的??乳化油是化学合成物，生物油膜是释放的生物油在海面经过短暂的时间形成的浮??油区域，它是一种模拟海洋表面因藻类等生物形成的油膜。Ｎ０．３是在浮油释放后??９小时获取的，其入射角为３４．６２°，局部风速为１．６－３．３ｍ／ｓ。图２．２（ｂ）中从左到??右分为生物油、乳化油和原油［１９］。??－９?－??

【参考文献】：
期刊论文
[1]纹理与几何特征信息在高空间分辨率遥感影像分类中的应用[J]. 马长辉,黄登山.  测绘地理信息. 2019(06)
[2]基于极化特征SERD的SAR溢油检测[J]. 郑洪磊,张彦敏,王运华.  海洋湖沼通报. 2015(04)
[3]结合灰度和基于动态窗口的纹理特征的遥感影像分类[J]. 黄祥,杨武年.  测绘科学技术学报. 2015(03)
[4]基于Pauli基分解的极化校准算法[J]. 何密,李永祯,王雪松,肖顺平,李志坚.  宇航学报. 2011(12)
[5]Boxcar滤波器和极化Refined Lee滤波器对极化SAR分类精度影响的评估[J]. 宋海平,卢战伟,赵松.  影像技术. 2011(05)
[6]简单多边形的最小外接矩形算法[J]. 刘玉珍,刘润涛.  哈尔滨理工大学学报. 2008(02)

博士论文
[1]基于SAR图像的海面溢油检测研究[D]. 冯景.北京理工大学 2015

硕士论文
[1]基于深度残差网络的人眼视觉估计算法的研究[D]. 崔志斌.哈尔滨理工大学 2019
[2]基于多特征融合的图像匹配算法及应用[D]. 郭玉坤.济南大学 2017
[3]基于恒虚警率和几何特征的SAR影像海洋溢油检测方法研究[D]. 杜伟娜.辽宁工程技术大学 2016
[4]基于极化特征的SAR溢油检测研究[D]. 郑洪磊.中国海洋大学 2015
[5]SAR图像海面溢油检测技术研究[D]. 王栋.国防科学技术大学 2014
[6]极化SAR图像伪彩色增强与可视化方法研究[D]. 余磊.解放军信息工程大学 2012
[7]基于纹理分析的溢油SAR图像分类研究[D]. 梁小祎.大连海事大学 2007



本文编号：3589677