基于PolSAR海面溢油和類似溢油區(qū)的分類研究.pdf

1、溢油和類似溢油現(xiàn)象（生物油和乳化油）在全極化SAR圖像上都顯示為暗斑區(qū)域，并且二者具有很高的一致性。所以，對(duì)于SAR圖像而言，只是使用單特征難以對(duì)圖像上的溢油和類似溢油現(xiàn)象進(jìn)行分類。
　　在本文中，重點(diǎn)應(yīng)用多特征融合和卷積神經(jīng)網(wǎng)絡(luò)(CNN)相結(jié)合的思想分類全極化SAR圖像上溢油和類似溢油現(xiàn)象。本文主要的工作概括如下:
　　首先，對(duì)溢油和類似溢油區(qū)域提取18種特征并進(jìn)行分析，選取區(qū)分性較好的特征組成優(yōu)化特征子集。根據(jù)實(shí)驗(yàn)分析結(jié)

2、果，本文選擇C波段下的:極化散射熵(Entropy)，極化散射角(Alpha)和單次反射特征值相對(duì)差異度(SERD)這三種極化特征組合成優(yōu)化特征子集。
　　其次，在確定的三種極化特征的特征圖上選取多個(gè)感興趣區(qū)域作為CNN的訓(xùn)練樣本和測(cè)試樣本。最后本文的網(wǎng)絡(luò)模型由5400個(gè)樣本(1800個(gè)原油膜樣本，1800個(gè)生物油膜樣本和1800個(gè)乳化油膜樣本)訓(xùn)練而成。測(cè)試樣本數(shù)據(jù)集包含900個(gè)樣本(300個(gè)原油膜樣本，300個(gè)生物油膜樣本和3

3、00個(gè)乳化油膜樣本)，最終得到的分類精確度為91.33％。
　　最后，用同樣的實(shí)驗(yàn)數(shù)據(jù)采用人工神經(jīng)網(wǎng)絡(luò)(ANN)分類算法進(jìn)行溢油區(qū)和類似溢油區(qū)的分類，并與CNN分類算法分類結(jié)果進(jìn)行對(duì)比。考慮到應(yīng)避免網(wǎng)絡(luò)模型的過(guò)擬合現(xiàn)象以獲得更可靠的實(shí)驗(yàn)效果，本文還進(jìn)行了K-交叉驗(yàn)證和ROC曲線實(shí)驗(yàn)。通過(guò)實(shí)驗(yàn)可以發(fā)現(xiàn)，在實(shí)驗(yàn)數(shù)據(jù)不充分的情況下，本文的實(shí)驗(yàn)?zāi)Ｐ偷拇_會(huì)存在過(guò)擬合現(xiàn)象，因此在后續(xù)的研究中應(yīng)注意實(shí)驗(yàn)數(shù)據(jù)的豐富和擴(kuò)充。
　　實(shí)驗(yàn)結(jié)果表明