[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

说明书

本发明公开了一种基于特征融合的深度学习SAR影像溢油区识别方法，包括：利用ToZero阈值分割方法进行全局特征提取；将全局特征与源数据进行融合；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；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；获得图像分割的结果。本发明的方法提高了原模型分割准确率并且降低了过拟合现象，提供了一种新型的提高模型识别精度的方法。

技术领域

本发明涉及图像分割技术领域，特别涉及一种基于Tozero阈值分割与UNet深度学习两种算法融合的海洋溢油自动监测方法。

背景技术

海洋以后问题近些年来越来越严重，随着海洋石油的进一步开采和海洋原油运输量持续增加，海洋生态环境的破坏也愈发严重。对海洋溢油的监测是及时控制溢油污染扩散，减少海洋溢油带来的经济损失和环境污染的有效方法。

主要有两类对溢油区识别的方式，一种是人工提取方式，另一种是自动提取方法。利用深度学习模型自动且准确地识别海洋溢油成为近些年来的研究热点，一些基于深度学习的语义分割模型，例如UNet、SegNet等，在这个领域已经有了较为广泛的应用，但是识别有效性不足，且模型会出现过拟合问题。

发明内容

本发明针对现有技术的缺陷，提供了一种基于特征融合的深度学习SAR影像溢油区的识别方法。

为了实现以上发明目的，本发明采取的技术方案如下：

一种基于特征融合的深度学习SAR影像溢油区的识别方法，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；

步骤2，将全局特征与下载获得的源数据集(SAR溢油数据集)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；

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；

步骤5，获得图像分割的结果。

进一步地，ToZero阈值分割方法阈值大小为75。

进一步地，全局特征与源数据特征融合是在维度上的叠加融合。

进一步地，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。

与现有技术相比，本发明的优点在于：

提高了UNet、SegNet模型的识别准确率并缓解模型过拟合问题，融合后的模型获得了更多的特征，这有利于做出更准确的决策。基于UNet和ToZero融合的FMNet模型提高了0.26个百分点，达到了98.40％，过拟合现象缓解了0.53个百分点，差值从4.89％降低到4.36％。

附图说明

图1是本发明实施例FMNet模型框架图；

图2是本发明实施例训练中准确率与误差的变化过程；

图3是本发明实施例实验中准确率与误差的变化过程；

图4是本发明实施例在测试样本中的结果I，图中：(a)为Dataset，(b)为Label，(c)为BaselineUNet，(d)为BinaryFMNet，(e)为TruncFMNet，(f)为ToZeroFMNet，(g)为OSTUFMNet，(h)为TriangleFMNet。