[发明专利]一种多任务生成对抗网络的SAR影像溢油分类和语义分割方法

说明书

一种多任务生成对抗网络的SAR影像溢油分类和语义分割方法，属于海洋遥感与人工智能交叉技术领域。包括溢油与溢油相似物的分类识别和溢油图像的语义分割。首先，将生成对抗网络的判别器和分类器进行结合，实现了对溢油和溢油相似物的分类判别；其次，经过判别后的溢油图像，进入下一个生成对抗网络；最后，利用生成器去生成溢油图像的分割图，从而实现语义分割。本发明能够解决溢油和溢油相似物难以分辨以及溢油检测精度不高的问题。整个模型框架既能实现溢油和溢油相似物的分类，又能实现对溢油图像的语义分割。所有任务在可以一个框架内完成。本发明提出的方法在溢油分类任务上以及溢油区域检测上都取得较高的精度、可利用该方法对SAR影像中海洋溢油进行监测。

技术领域

本发明属于海洋遥感与人工智能交叉技术领域，涉及一种多任务生成对抗网络的SAR影像溢油分类和语义分割方法。

背景技术

海洋是人类的宝贵资源，为人类提供丰富的矿产资源，水生物资源等。随着科技的快速的发展，海洋在遭受不同程度的污染，其中石油污染在海洋污染中的表现较为突出。在海洋上出现石油泄漏，不仅对海洋环境造成严重的影响，还会危害海洋生物。利用卫星遥感对海洋溢油进行监测可及时发现溢油情况，在灾害形成之前及时解决，更好地减少对海洋的污染。基于合成孔径雷达(Synthetic Aperture Radar,SAR)遥感影像具有全天时、全天候对地实施观测能力，而且覆盖面积，所以在溢油遥感监测方法中，SAR影像成为石油泄漏监测的重要手段。

海洋溢油在SAR影像中呈现黑色区域，在利用SAR影像进行溢油监测时，目前还存在的难点是溢油和溢油相似物难以分辨。因为在SAR影像中会出现大量的溢油相似物，比如一些低风区、海洋内波和漩涡也在SAR影像中呈现出黑色区域，导致识别错误。因此，使用SAR图像进行提取溢油范围面积之前的一个主要挑战是如何正确的区分溢油和溢油相似物。

在进行溢油区域提取时，传统的机器学习方法并不能保证有效的进行溢油检测。近年来，深度学习在溢油检测中取得了很好的效果，但是大多数都需要依赖大量的训练数据来保证检测结果的准确性。然而大量的溢油数据在现实中却难以获取，所以，目前深度学习仍然存在的局限性是如何解决小样本训练深度学习网络的问题。

针对以上两个问题，目前还尚未开展既能实现溢油分类识别又能进行溢油区域信息提取的研究。所以设计了一种多任务生成对抗网络(Generative Adversarial Nets,GAN)，在一个框架既可以实现溢油分类识别又可以实现溢油区域信息提取。利用生成对抗网络的判别器实现溢油和溢油相似物的准确判别，利用生成器不仅可以生成溢油区域的语义分割图，而且可以拓展样本数量，增加对抗样本，来提升判别泛化能力。实现在训练过程中只需要少量的训练样本作为训练集的效果。因此，利用多任务GANs网络既可以作为一种溢油分类识别的方法，也可以生成溢油检测结果，进行溢油分割任务，有效地提高溢油检测精度。

发明内容

本发明主要解决在海洋溢油中溢油和溢油相似物难以识别以及溢油区域检测的问题。提出了一种多任务生成对抗网络的SAR影像溢油分类和语义分割方法，采用两个生成对抗网络搭建模型，第一个生成对抗网络，实现对溢油和溢油相似物的分类识别，第二个生成对抗网络，实现对溢油图像的语义分割。在一个框架既可以实现溢油分类识别又可以实现溢油区域的分割。

为了达到上述目的，本发明采用的技术方案为：

一种多任务生成对抗网络的SAR影像溢油分类和语义分割方法，包括溢油与溢油相似物的分类识别和溢油图像的语义分割两部分。分类识别实现原理是将生成对抗网络的判别器和分类器进行结合，从而实现了对溢油和溢油相似物的分类判别。经过判别后的溢油图像，进入下一个生成对抗网络，利用生成器去生成溢油图像的分割图，从而实现语义分割。通过两个生成对抗网络，最终构建了多任务GANs网络模型。包括以下步骤：

第一步，遥感图像预处理，对SAR数据处理操作采用热噪声去除、辐射定标、相干斑滤波和地形校正。溢油和溢油相似物数据都要进行数据预处理操作。