[發明專利]SAR圖像溢油檢測方法

在審

• 申請號: 202310006712.3
• 申請日: 2023-01-04
• 公開（公告）號: CN115984697A
• 公開（公告）日: 2023-04-18
• 發明（設計）人: 魏雪云;陳思遠;張貞凱;鄭威;靳標;奚彩萍;尚尚
• 申請（專利權）人: 江蘇科技大學
• 主分類號: G06V20/10
• 分類號: G06V20/10;G06V10/30;G06V10/774;G06V10/80;G06V10/82;G06N3/0464;G06N3/048;G06N3/091
• 代理公司: 南京正聯知識產權代理有限公司 32243
• 代理人: 李寰

1.一種SAR圖像溢油檢測方法，其特征在于，包括如下步驟：

步驟1、選取現有溢油檢測數據庫存中的圖片作為訓練集；

步驟2、對步驟1選取的訓練集進行預處理，即對訓練集進行隨機裁剪與拼接；

步驟3、用小波閾值變換對經過步驟2得到的訓練集進行去噪；

步驟4、搭建基于協調注意力機制的特征融合U-Net模型，隨機各選取步驟2和步驟3得到的50％訓練集圖片作為網絡模型的輸入，進行全局特征提取與融合；

步驟5、使用殘差模塊，并在部分殘差塊后增加擠壓和激勵模塊，使模型自主學習各個通道的權重系數；

步驟6、在跳躍連接處嵌入協調注意力機制模塊，消除冗余的信息；

步驟7、帶有空洞卷積的空間金字塔結構作為底層網絡，增大感受野的同時，提取更加廣泛的特征信息；

步驟8、將選取好的測試集輸入到訓練好的基于協調注意力機制的特征融合U-Net模型中進行測試，得到網絡的分割結果。

2.根據權利要求1所述的SAR圖像溢油檢測方法，其特征在于，所述步驟1的具體流程為：從歐洲航天局溢油檢測數據集中選取750幅圖片作為訓練集，250幅作為測試集，再隨機選取90％的訓練集用于實驗訓練，10％的訓練集用于實驗驗證。

3.根據權利要求2所述的SAR圖像溢油檢測方法，其特征在于，所述步驟2的具體流程為：對步驟1選取的訓練集進行預處理，即對訓練集進行隨機裁剪與拼接：原始SAR圖像格式為1250×650，將預處理后的數據集圖片大小重塑成256×256，特征通道數為3；具體數據增強操作包括隨機裁剪出來的圖片大小是原來圖片大小的0.2倍到0.4倍之間，裁剪長寬比為1：2，再將裁剪出來的圖片兩兩拼接，并重塑成256×256×3格式。

4.根據權利要求3所述的SAR圖像溢油檢測方法，其特征在于，所述步驟3提出的小波閾值函數引入變量，使得函數整體連續可導，在閾值處相對平滑，所述的小波閾值函數如下：

其中，m和k是變量，m∈[0，1]，k為正整數。

5.根據權利要求4所述的SAR圖像溢油檢測方法，其特征在于，所述步驟4的具體流程如下：

4.1、基于協調注意力機制特征融合U-Net模型采用17個卷積層，4個下采樣層，4個上采樣層以及4個裁剪和復制層，輸入圖像的格式為256×256×3，卷積層兩兩構成一個殘差塊，每個卷積層采用3×3大小的卷積核，激活函數為swish，采用全零填充，擠壓激勵模塊被放置于殘差塊后用來提升模型對特征的辨別力，下采樣層采用最大池化的方法，抽樣的窗口大小為2×2，步長為2，帶有空洞卷積的金字塔結構置于網絡底層，增大感受野，上采樣層采用反置卷積，卷積核大小為3×3，步長為2，使用全零填充，協調注意力模塊嵌入跳躍連接中，消除冗余的特征，最后，一個1×1的卷積層對圖像進行降維，輸出分割結果；

4.2、隨機各選取步驟2和步驟3所得到的50％訓練集圖像作為網絡的輸入，即將去噪后圖像的高維特征和原始圖像的高維特征進行融合。