溢油和类似溢油现象(生物油和乳化油)在全极化SAR图像上都显示为暗斑区域,并且二者具有很高的一致性。所以,对于SAR图像而言,只是使用单特征难以对图像上的溢油和类似溢油现象进行分类。在本文中,我们重点应用多特征融合和卷积神经网络(CNN)相结合的思想分类全极化SAR图像上溢油和类似溢油现象。本文主要的工作概括如下:首先,对溢油和类似溢油区域提取18种特征并进行分析,选取区分性较好的特征组成优化特征子集。根据实验分析结果,本文选择C波段下的:极化散射熵(Entropy),极化散射角(Alpha)和单次反射特征值相对差异度(SERD)这三种极化特征组合成优化特征子集。其次,在确定的三种极化特征的特征图上选取多个感兴趣区域作为CNN的训练样本和测试样本。最后本文的网络模型由5400个样本(1800个原油膜样本,1800个生物油膜样本和1800个乳化油膜样本)训练而成。测试样本数据集包含900个样本(300个原油膜样本,300个生物油膜样本和300个乳化油膜样本),最终得到的分类精确度为91.33%。最后,用同样的实验数据采用人工神经网络(ANN)分类算法进行溢油区和类似溢油区的分类,并与CNN分类算法分类结果进行对比。考虑到应避免网络模型的过拟合现象以获得更可靠的实验效果,本文还进行了 K-交叉验证和ROC曲线实验。通过实验我们可以发现,在实验数据不充分的情况下,本文的实验模型的确会存在过拟合现象,因此在后续的研究中应注意实验数据的丰富和扩充。实验结果表明本文所提出的算法是有效的,而且证实了本文所提算法既可以准确地对全极化SAR图像上的暗斑进行识别,还能对全极化SAR图像上的具有非结构特性的溢油和类似溢油现象进行区分。