[发明专利]一种基于特征融合的深度学习SAR影像溢油区识别方法

权利要求书

1.一种基于特征融合的深度学习SAR影像溢油区识别方法，其特征在于，包括以下步骤：

步骤1，利用ToZero阈值分割方法进行全局特征提取并得到源数据集；阈值分割按照像素灰度值划分等级，利用简单的聚类原理将不同的类别从数值上进行区分，作用是提取影像的全局特征，并且加强局部特征；将相似的像元值通过阈值转换为相同

步骤2，将全局特征与下载获得的源数据集在维度上进行融合；

步骤3，利用卷积神经网络对融合的数据进行高维特征提取，并记录池化过程中最大值的位置；

SAR影像的高维特征提取过程以及后续的反卷积过程采用的是UNet图像分割方法；

所述卷积神经网络为UNet网络模型，包含两个部分，网络的左侧是由卷积核MaxPooling构成的压缩路径，主要目的是提取特征；压缩路径由4个block组成，每个block使用了3个有效卷积核1个Max Pooling，每次降采样后feature map的个数翻倍；网络的右侧部分称作扩展路径，由4个block组成，每个block开始之前，通过卷积将feature map的尺寸乘2，同时将其个数减半，最后一层稍微不同，然后与左侧压缩路径的feature map合并，U-Net是通过将压缩路径的Feature Map裁剪到和扩展路径相同尺寸的Feature Map进行归一化的；

步骤4，反卷积利用记录的最大值位置特征将高维小尺寸特征恢复到原图像尺寸；

将源数据与特征数据输入到Encoder Network网络中，利用卷积操作进行高维特征抽取；使用的卷积核大小是3*3，并对卷积结果进行归一化和激活操作；然后做最大池化操作，用2*2池化核，步长设置为2；在最大池化同时对最大值的位置的索引进行记录；Featuremaps包含源数据高维特征全局特征的高维特征被Encoder network最后输出；

接下来对Feature maps进行上采样，即decoder操作；在每一个block内部都将输入的feature maps的尺寸扩展为2倍，同时将其数量减半；随后将其和左侧对称的压缩路径的feature maps裁剪到和扩展路径的feature maps具有相同尺寸，并进行归一化处理；这其中上采样采用的反卷积核大小是2*2；步骤5，获得图像分割的结果；得到k个与原图像大小相同的预测结果输入到softmax层进行最终的类别判别。

2.根据权利要求1所述的一种基于特征融合的深度学习SAR影像溢油区识别方法，其特征在于：ToZero阈值分割方法阈值大小为75。

3.根据权利要求1所述的一种基于特征融合的深度学习SAR影像溢油区识别方法，其特征在于：全局特征与源数据特征融合是在维度上的叠加融合。