论文部分内容阅读
近年来,海上溢油事故频繁发生,对经济和生态环境都造成了重大损失,采取有效的方法检测溢油成为国内外研究热点。合成孔径雷达(Synthetic Aperture Radar,SAR)具有全天时、全天候、大范围、高精度等特点,为溢油检测提供了有效手段;深度学习是近年来发展迅速的一种机器学习方法,能够通过学习样本的特征从而建立模型进行溢油检测,而卷积神经网络(Convolutional Neural Network,CNN)是深度学习中应用较为广泛的模型,在目标检测等方面取得了较为成功的应用。本文基于深度学习方法对SAR影像进行溢油检测,研究内容概括如下:1)对经典的溢油检测算法开展了实验研究,实现了基于支持向量机(Support Vector Machine,SVM)和主成分分析(Principal Component Analysis,PC A)方法的溢油检测算法。研究分析SVM的基本原理,根据样本特征选择适合检测溢油的核函数并构建了检测模型,开展了溢油检测实验,该算法的检测结果精度在66%以上;研究分析PCA的基本原理,分别提取溢油和海水的主成分,并将待检测样本的主成分与之作比较,实现了溢油提取,该算法的检测结果精度在80%以上。2)对CNN模型中的反向传播算法进行优化研究。研究分析CNN模型中反向传播梯度下降法的特点,为了克服局部最优的局限,本文将反向误差传播中用一次偏导计算残差推广为二次偏导求残差,将梯度下降计算中一次偏导数的方法替换为二次偏导。本文结合CNN模型中代价函数与激励函数特点,对公式进行了推导并开展了效率评估实验,实验结果只在训练1000次以下比较理想。3)实现了基于灰度共生矩阵与CNN结合的溢油检测算法。研究分析了 CNN模型的原理、构建流程、训练方法与实验数据需求,针对不同极化方式下SAR影像溢油特征,统计分析不同样本灰度共生矩阵特征值,构建了针对多极化SAR溢油的CNN检测模型,参数包括卷积核的数量、尺寸、网络层数等,并分别选取了 L波段下HH、VV、HV极化方式下的SAR影像,开展了溢油检测实验,算法的检测结果精度在85%以上。4)探索研究了 PCA与CNN结合的溢汕检测算法。本文设计的基于灰度共共生矩阵与CNN结合的溢汕检测算法精度较高,但运算时间较长,因此利用PCA方法的降维特性,设计了 PCA与CNN结合的溢油检测算法,基于PCA提取灰度共生矩阵特征值主成分,有效降低了输入到CNN模型中特征向量的维度。该算法的检测效率有一定提升,但检测精度比改进前低。