技术领域
[0001] 本
发明涉及溢油检测技术领域，尤其涉及基于特征融合与SVM的极化SAR溢油检测方法。
背景技术
[0002] 海上石油
泄漏往往造成大规模的海洋污染，对海洋
生态系统和环境、渔业、野生动物和其他社会利益造成严重危害，开展及时有效的海洋溢油监测具有重要意义。其中，
合成孔径雷达(Synthetic Aperture Radar,SAR)由于不受阳光、
云层的影响，且具有全天时、全天候的工作特点及大范围观测以及高
分辨率的优势，已成为海洋溢油检测的主要手段；
[0003] 近年来，Po1-SAR海面溢油检测已成为研究热点，许多研究证实了Pol-SAR在海面溢油检测方面的有效性。然而，在Pol-SAR图像目标检测和分类中地物特征的自动提取和选择特征是一项长期的挑战，随着
深度学习在光学
图像识别中的成功应用，其在SAR目标识别方面的研究工作也已经开始，基于深度学习的识别技术具有多级特征表达和非线性数据拟合的能
力，它可以自动挖掘更具有
鉴别性和代表性的特征，从而保证了分类性能，其中CNN能够挖掘数据中的空间相关性；
[0004] 目前大多数研究都是基于目标
电磁波散射特性从Pol-SAR数据中人工的提取特征并进行检测，溢油检测的准确性在很大程度上取决于提取的特征的优劣，人工提取特征复杂且耗时，需要长期的研究和丰富的Pol-SAR
图像处理经验，且提取的特征可能存在信息涵盖不全面或存在冗余等现象，且不同的特征在不同的海况下性能会有较大的差异，从而导致溢油检测性能不高，因此，本发明提出基于特征融合与SVM的极化SAR溢油检测方法，以解决
现有技术中的不足之处。
发明内容
[0005] 针对上述问题，本发明提出基于特征融合与SVM的极化SAR溢油检测方法，避免了传统方法需要手动提取并选择特征的复杂过程，通过CNN网络自动的从原始Pol-SAR数据中提取鲁棒的有辨别性的特征，考虑了
像素周边邻域信息，能够有效的减少相干斑噪声的影响，减少溢油检测的虚警率，提取出CNN网络的两层高层特征，通过PCA
降维，对两层特征进行特征融合，涵盖的信息更加丰富，可以有效地区分溢油与
生物油膜，提高溢油检测
精度。
[0006] 本发明提出基于特征融合与SVM的极化SAR溢油检测方法，包括以下步骤：
[0007] 步骤一：对Pol-SAR数据进行预处理，首先构建Pol-SAR数据
块，然后构建溢油样本数据集，保证Pol-SAR数据适应CNN网络的输入；
[0008] 步骤二：搭建CNN网络，并从Pol-SAR数据中
抽取训练样本对CNN网络模型进行训练；
[0009] 步骤三：利用步骤二中训练好的CNN网络模型，先保存整个CNN网络模型，将CNN网络模型中的每一个卷积
池化层当作是一个特征提取层，然后对Pol-SAR数据进行深度特征提取，提取高层次的特征，并引入主成分分析进行特征降维；
[0010] 步骤四：将步骤三中得到的不同的高层次的特征进行融合，最后利用带有RBF核函数的SVM分类器进行分类。
[0011] 进一步改进在于：所述步骤一中构建Pol-SAR数据块的具体过程为：Pol-SAR数据中的每个像素呈现为2×2散射矩阵，包含用于描述相干性或纯散射体的丰富的潜在信息，在多视和互易假设下，将单站Pol-SAR由对称的3×3复数相干矩阵T3进行表示，复数相干矩阵T3形式如公式(1)所示：
[0012]
[0013] 其中，T11,T22,T33是实数，其他矩阵元素均是复数；
[0014] 将矩阵复数相干矩阵T3作为CNN的输入，让对于每个像素，极化数据可以定义为矢量t，其表达如公式(2)所示：
[0015] t＝[T11,T22,T33,Re(T12),Im(T12),Re(T13),Im(T13),Re(T23),Im(T23)] (2)[0016] 其中，Re表示
实部，Im表示
虚部；
[0017] Pol-SAR数据为一个包含9个通道的图像数据块D(m,n,bands)，其中：m表示图像的长，n表示宽度，bands表示图像的通道数，该图像数据块用于生成样本，作为CNN的输入。
[0018] 进一步改进在于：所述步骤一中构建溢油样本数据集的具体过程为：对步骤一中产生的9个通道的图像数据块，从每一类地物中随机选取4000个样本点，取其周围15*15的小块作为一个样本，记为patch，其中心像素点对应的标签作为该样本的标签，记为label(i),i∈N,N为地物类别数。
[0019] 进一步改进在于：所述步骤二中搭建CNN网络的具体过程为：搭建一个适合于从PolSAR数据中自动的提取深度特征的CNN网络模型，该CNN网络包含3个卷积层、两个最大池化层、一个扁平化层、一个全连接层以及连接到输出的Softmax分类器。
[0020] 进一步改进在于：所述CNN网络包含的3个卷积层中前2个卷积层分别包含30和60个卷积核，大小为3×3，用于从输入数据中自动提取特征；前2个卷积层后面分别接着一个最大池化层，池大小为2×2，步长为2个像素；第3个卷积层采用了1×1卷积，卷积核的个数为20，用于删除冗余特征并提高特征的代表性，降低计算复杂度，然后对所有的卷积层均进行L2正则化，再将得到的特征图拉伸为一个1维向量，用于输入全连接网络；所述全连接层的神经元个数为240，最后一层神经元个数为待分类的个数，并在所述全连接层后增加了Dropout操作；所述Softmax分类器用于计算每个类的概率。
[0021] 进一步改进在于：所述步骤二中对CNN网络模型进行训练的具体过程为：将取出的溢油训练样本输入搭建好的搭建CNN网络中，经过卷积层、最大池化层、扁平化层、一个全连接层前向传播，然后得到CNN网络的预测概率值，最后基于预测值和真实的样本标签值计算损失函数，计算公式如公式(4)所示：
[0022]
[0023] 其中，y表示样本的真实标签；表示网络预测的概率值；N表示样本的数量；
[0024] 然后根据Back Propagation
算法对CNN网络参数进行
迭代更新，在反向传播中，采用随机梯度下降算法，并在梯度下降的过程中使用Adadelta
优化算法进行自适应调整学习率，最后得到一个预估结果。
[0025] 进一步改进在于：所述步骤三中的具体过程为：
[0026] (1)首先确定一个滑动窗口，大小为15×15，从步骤一中构建的原始的Pol-SAR数据块的左上
角第一个像素(x,y),x∈m,y∈n开始，边界部分采用镜像模式填充，取出15×15×9的小数据块(patch)，输入到步骤二中训练好的CNN网络模型中；
[0027] (2)提取CNN网络第3个卷积层后并拉伸为1维的输出值，该输出是一个1×80的
特征向量，记为fea_1，再初始化一个三维矩阵F1(m,n,80)，将fea_1保存到相应的
位置(x,y),x∈m,y∈n中；
[0028] (3)提取全连接层的输出值，记为fea_2，其大小为1×240，然后构建一个用于保存该特征的三维矩阵F2(m,n,240)，将fea_2填入到相应的位置(x,y)中；
[0029] (4)对于x+1,y+1，重复上述步骤(1)-(3)，直到遍历完整个图像；
[0030] (5)对于F1和F2，引入PCA分别对两个数据进行降维，取降维后的前3个主成分作为新的特征，记为PCA_fea_1,PCA_fea_2，尺寸大小均为m×n×3；
[0031] 将步骤(5)中得到的两个特征进行融合，将两个特征进行堆叠，得到融合后的特征，记为fuse_fea，尺寸大小为m×n×6。
[0032] 进一步改进在于：所述步骤四中具体过程为：基于CNN网络模型，利用卷积池化层从Pol-SAR图像中提取深度特征，然后使用全连接层和Softmax层对特征进行分类，并在分类时引入RBF-SVM算法，对提取的深度融合特征进行分类，设T＝{(x1,y1),(x2,y2)...,(xn,yn)}为待分类的样本，RBF-SVM算法的数学模型如公式(5)所示：
[0033]
[0034]
[0035] 其中，w表示法向量，决定了
超平面的方向；b表示偏移量，决定了超平面与原点之间的距离；yi是正确的分类标签；C代表惩罚系数；ξi是松弛系数；
[0036] 将公式(4)的数学模型
变形为拉格朗日对偶问题，七表达式如公式(6)所示：
[0037]
[0038]
[0039] 其中，αi代表拉格朗日权重；k(xi,xj)表示RBF-SVM的核函数。
[0040] 本发明的有益效果为：避免了传统方法需要手动提取并选择特征的复杂过程，将
卷积神经网络引入到溢油检测中，通过CNN网络自动的从原始Pol-SAR数据中提取鲁棒的有辨别性的特征，学习到的深度特征，考虑了像素周边邻域信息，能够有效的减少相干斑噪声的影响，减少溢油检测的虚警率，此外，对于一般的深度学习方法未能融合多层深度特征，本发明方法提取出CNN网络的两层高层特征，通过PCA降维，对两层特征进行特征融合，涵盖的信息更加丰富，最后将融合得到的特征输入到SVM分类器得到最终检测结果，本发明方法可以有效地区分溢油与生物油膜，提高溢油检测精度。
附图说明
[0041] 图1为本发明方法流程示意图；
[0042] 图2为本发明中PolSAR数据的9-通道形式结构示意图；
[0043] 图3为本发明中CNN网络结构图；
[0044] 图4为本发明中数据1的海洋溢油检测分类结果示意图；其中，(a)T3-SVM；(b)PF-SVM；(c)T3-CNN；(d)本发明方法；(e)解译图；(Oilspill：溢油、Seawater：
海水)；
[0045] 图5本发明中数据2的海洋溢油检测分类结果示意图。
具体实施方式
[0046] 为了加深对本发明的理解，下面将结合
实施例对本发明做进一步详述，本实施例仅用于解释本发明，并不构成对本发明保护范围的限定。
[0047] 根据图1、2、3、4、5所示，本实施例提出基于特征融合与SVM的极化SAR溢油检测方法，包括以下步骤：
[0048] 步骤一：对Pol-SAR数据进行预处理，首先构建Pol-SAR数据块，然后构建溢油样本数据集，保证Pol-SAR数据适应CNN网络的输入；
[0049] 构建Pol-SAR数据块的具体过程为：Pol-SAR数据中的每个像素呈现为2×2散射矩阵，包含用于描述相干性或纯散射体的丰富的潜在信息，在多视和互易假设下，将单站Pol-SAR由对称的3×3复数相干矩阵T3进行表示，复数相干矩阵T3形式如公式(1)所示：
[0050]
[0051] 其中，T11,T22,T33是实数，其他矩阵元素均是复数；
[0052] 将矩阵复数相干矩阵T3作为CNN的输入，让对于每个像素，极化数据可以定义为矢量t，其表达如公式(2)所示：
[0053] t＝[T11,T22,T33,Re(T12),Im(T12),Re(T13),Im(T13),Re(T23),Im(T23)] (2)[0054] 其中，Re表示实部，Im表示虚部；
[0055] Pol-SAR数据为一个包含9个通道的图像数据块D(m,n,bands)，其中：m表示图像的长，n表示宽度，bands表示图像的通道数，该图像数据块用于生成样本，作为CNN的输入；
[0056] 构建溢油样本数据集的具体过程为：对步骤一中产生的9个通道的图像数据块，从每一类地物中随机选取4000个样本点，取其周围15*15的小块作为一个样本，记为patch，其中心像素点对应的标签作为该样本的标签，记为label(i),i∈N,N为地物类别数；
[0057] 步骤二：搭建CNN网络，并从Pol-SAR数据中抽取训练样本对CNN网络模型进行训练；
[0058] CNN的基本结构由
输入层、卷积层、池化层和全连接层堆叠组成，所有层都是
串联连接的，每一层的输入数据是前一层的输出数据，输入层用于接收图像数据，由于层级连接结构，CNN可以从低级特征中提取高级特征，
[0059] 其中卷积层也称为特征提取层，通过对输入数据进行卷积操作得到特征图，假设第l层为卷积层，则第l层第j个特征图的计算公式如下所示：
[0060]
[0061] 其中， 表示第l-1层第i个特征图，Mj表示输入的特征图， 表示卷积操作后得到的输出特征图， 表示第l-1层的第i个特征图与第l层第j个特征图之间的卷积核； 表示偏差，f(·)代表非线性激活函数，如sigmoid函数和整
流线性单位(ReLU)；
[0062] 搭建CNN网络的具体过程为：搭建一个适合于从PolSAR数据中自动的提取深度特征的CNN网络模型，该CNN网络包含3个卷积层、两个最大池化层、一个扁平化层、一个全连接层以及连接到输出的Softmax分类器；
[0063] 所述CNN网络包含的3个卷积层中前2个卷积层分别包含30和60个卷积核，大小为3×3，用于从输入数据中自动提取特征；前2个卷积层后面分别接着一个最大池化层，池大小为2×2，步长为2个像素；第3个卷积层采用了1×1卷积，卷积核的个数为20，用于删除冗余特征并提高特征的代表性，降低计算复杂度，然后对所有的卷积层均进行L2正则化，再将得到的特征图拉伸为一个1维向量，用于输入全连接网络；所述全连接层的神经元个数为240，最后一层神经元个数为待分类的个数，本实施例中设置为，并在所述全连接层后增加了Dropout操作，Dropout参数设置为0.5；所述Softmax分类器用于计算每个类的概率，ReLU激活函数应用于所有的卷积层以及全连接层；
[0064] 对CNN网络模型进行训练的具体过程为：将取出的溢油训练样本输入搭建好的搭建CNN网络中，经过卷积层、最大池化层、扁平化层、一个全连接层前向传播，然后得到CNN网络的预测概率值，最后基于预测值和真实的样本标签值计算损失函数，计算公式如公式(4)所示：
[0065]
[0066] 其中，y表示样本的真实标签；表示网络预测的概率值；N表示样本的数量；
[0067] 然后根据Back Propagation算法对CNN网络参数进行迭代更新，在反向传播中，采用随机梯度下降算法，并在梯度下降的过程中使用Adadelta优化算法进行自适应调整学习率，其中batchsize设置为64，最后得到一个预估结果
[0068] 步骤三：利用步骤二中训练好的CNN网络模型，先保存整个CNN网络模型，将CNN网络模型中的每一个卷积池化层当作是一个特征提取层，然后对Pol-SAR数据进行深度特征提取，提取高层次的特征，并引入主成分分析进行特征降维；
[0069] (1)首先确定一个滑动窗口，大小为15×15，从步骤一中构建的原始的Pol-SAR数据块的左上角第一个像素(x,y),x∈m,y∈n开始，边界部分采用镜像模式填充，取出15×15×9的小数据块(patch)，输入到步骤二中训练好的CNN网络模型中；
[0070] (2)提取CNN网络第3个卷积层后并拉伸为1维的输出值，该输出是一个1×80的特征向量，记为fea_1，再初始化一个三维矩阵F1(m,n,80)，将fea_1保存到相应的位置(x,y),x∈m,y∈n中；
[0071] (3)提取全连接层的输出值，记为fea_2，其大小为1×240，然后构建一个用于保存该特征的三维矩阵F2(m,n,240)，将fea_2填入到相应的位置(x,y)中；
[0072] (4)对于x+1,y+1，重复上述步骤(1)-(3)，直到遍历完整个图像；
[0073] (5)对于F1和F2，引入PCA分别对两个数据进行降维，取降维后的前3个主成分作为新的特征，记为PCA_fea_1,PCA_fea_2，尺寸大小均为m×n×3；
[0074] 将步骤(5)中得到的两个特征进行融合，将两个特征进行堆叠，得到融合后的特征，记为fuse_fea，尺寸大小为m×n×6
[0075] 步骤四：将步骤三中得到的不同的高层次的特征进行融合，最后利用带有RBF核函数的SVM分类器进行分类；
[0076] 基于CNN网络模型，利用卷积池化层从Pol-SAR图像中提取深度特征，然后使用全连接层和Softmax层对特征进行分类，并在分类时引入RBF-SVM算法，对提取的深度融合特征进行分类，设T＝{(x1,y1),(x2,y2)...,(xn,yn)}为待分类的样本，RBF-SVM算法的数学模型如公式(5)所示：
[0077]
[0078]
[0079] 其中，w表示法向量，决定了超平面的方向；b表示偏移量，决定了超平面与原点之间的距离；yi是正确的分类标签；C代表惩罚系数；ξi是松弛系数；
[0080] 将公式(4)的数学模型变形为拉格朗日对偶问题，七表达式如公式(6)所示：
[0081]
[0082]
[0083] 其中，αi代表拉格朗日权重；k(xi,xj)表示RBF-SVM的核函数。
[0084] 为了验证本发明方法的有效性，设置了对比实验；
[0085] 对比实验1：基于T3原始数据的SVM分类方法(T3-SVM)；
[0086] 对比实验2：基于极化特征和SVM的分类方法(PF-SVM)，选取了几种溢油检测中较为常用的极化特征组合作为SVM的输入，分别是Span，H，α，μ，DoP；
[0087] 对比实验3：基于CNN的分类方法(T3-CNN)；
[0088] 以两景RADARSAT-2全极化SAR溢油数据作为实验数据1和数据2，图4和图5分别是本发明方法和其他算法的检测结果，表1和表2是精度评定结果，其中，OA(Overall accuracy)代表总体分类精度，Kappa为Kappa系数；
[0089] 表1数据1溢油检测分类精度
[0090]
[0091] 表2数据2溢油检测分类精度
[0092]
[0093] 由图4、图5以及表1和表2的结果可以比较直观的看出，本发明方法在目视效果上纯净度较高，在海面部分存在较少的杂斑，
海水错分为溢油的部分较其他方法大大减少，相比于其他方法，本发明方法有效的融合了两层高层特征，并使用SVM分类器替换了CNN中较弱的softmax分类器，增强了解决非线性问题的能力；表1可以看到本发明方法OA和kappa系数均都高于其他方法，分别为99.19％和0.9587；
[0094] 对于图4，主要用于验证本发明方法对于溢油与生物油膜的区分能力，本发明方法检测效果最好，OA和kappa系数最高，分别为97.56％和0.7795，与其他方法相比，不仅明显降低了海面的杂斑，而且对于生物油膜也能够很好的区分，此外还减少了生物油膜误分为溢油的现象，说明本发明方法能够有效提高溢油的分类精度。
[0095] 本发明的有益效果为：避免了传统方法需要手动提取并选择特征的复杂过程，将卷积神经网络引入到溢油检测中，通过CNN网络自动的从原始Pol-SAR数据中提取鲁棒的有辨别性的特征，学习到的深度特征，考虑了像素周边邻域信息，能够有效的减少相干斑噪声的影响，减少溢油检测的虚警率，此外，对于一般的深度学习方法未能融合多层深度特征，本发明方法提取出CNN网络的两层高层特征，通过PCA降维，对两层特征进行特征融合，涵盖的信息更加丰富，最后将融合得到的特征输入到SVM分类器得到最终检测结果，本发明方法可以有效地区分溢油与生物油膜，提高溢油检测精度。
[0096] 以上显示和描述了本发明的基本原理、主要特征和优点。本行业的技术人员应该了解，本发明不受上述实施例的限制，上述实施例和
说明书中描述的只是说明本发明的原理，在不脱离本发明精神和范围的前提下，本发明还会有各种变化和改进，这些变化和改进都落入要求保护的本发明范围内。本发明要求保护范围由所附的
权利要求书及其等效物界定。
