基于深度学习的SAR影像海上溢油检测研究

摘要

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（PrincipalComponentAnalysis，PCA）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结合的溢油检测算法。本文设计的基于灰度共生矩阵与CNN结合的溢油检测算法精度较高，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。

目录

第一个书签之前

摘要

ABSTRACT

Contents

1 绪论

1.1 研究背景及意义

1.2 研究主要内容

1.3 国内外研究现状

1.3.1 基于SAR的海上溢油检测算法研究现状

2 SAR数据处理与分析

2.1 SAR影像基本特征

2.2 样本数据制作方法

2.2.1 原图像处理

2.2.2 样本图像制作

3 基于支持向量机和主成分分析方法的溢油检测算法分析

3.1 基于支持向量机的海上溢油检测算法

3.1.1 支持向量机

3.1.2 基于支持向量机的溢油检测算法实验分析

3.2 基于主成分分析方法的海上溢油检测算法

3.2.1 主成分分析方法

3.2.2 基于主成分分析方法的溢油检测算法实验分析

4 CNN优化算法改进研究

4.1 CNN结构与训练流程分析

4.2 常见的CNN优化算法分析

4.2.1 梯度下降法

4.2.2 牛顿法

4.2.3 拟牛顿法

4.3 CNN优化算法的改进与实验

4.3.1 梯度（一次导数）推导过程

4.3.2 梯度（二次导数）推导过程

4.3.3 将CNN中一次偏导换成二次偏导

5 基于深度学习的SAR影像海上溢油检测算法

5.1 基于灰度共生矩阵与CNN结合的溢油检测算法分析

5.1.1 灰度共生矩阵

5.1.2 基于灰度共生矩阵与CNN结合的溢油检测算法实验分析

5.2 基于PCA与CNN结合的溢油检测算法分析

5.2.1 算法流程

5.2.2 结果分析

5.3 实验分析

6 总结与展望

6.1 总结

6.2 展望

参考文献

致 谢

攻读硕士学位期间主要成果