[發(fā)明專利]SAR圖像溢油檢測方法

在審

• 申請?zhí)枺?/td>: 202310006712.3
• 申請日: 2023-01-04
• 公開（公告）號: CN115984697A
• 公開（公告）日: 2023-04-18
• 發(fā)明（設(shè)計(jì)）人: 魏雪云;陳思遠(yuǎn);張貞凱;鄭威;靳標(biāo);奚彩萍;尚尚
• 申請（專利權(quán)）人: 江蘇科技大學(xué)
• 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(lián)知識產(chǎn)權(quán)代理有限公司 32243
• 代理人: 李寰

本發(fā)明涉及合成孔徑雷達(dá)圖像溢油分割領(lǐng)域，具體地說，是一種SAR圖像溢油檢測方法，采用數(shù)據(jù)增強(qiáng)技術(shù)擴(kuò)增數(shù)據(jù)集，充分訓(xùn)練模型中的參數(shù)，提高模型的泛化能力與魯棒性，減小過擬合；小波閾值變換(WTT)用來消除噪聲，突出全局特征；在原始的U?Net網(wǎng)絡(luò)中添加殘差模塊(ResidualModel)、SE注意力模塊、帶有空洞卷積的特征金字塔模塊(ASPP)，有效提取SAR圖像中存在的有用目標(biāo)特征，同時(shí)減少模型中參數(shù)的數(shù)量，縮短訓(xùn)練時(shí)間，優(yōu)化模型性能；并在跳躍連接處嵌入?yún)f(xié)調(diào)注意力模塊(CA)，消除冗余的低層特征。與現(xiàn)有技術(shù)相比，本發(fā)明提出的方法效果更好。

技術(shù)領(lǐng)域

本發(fā)明涉及合成孔徑雷達(dá)圖像溢油分割領(lǐng)域，具體地說，是一種SAR圖像溢油檢測方法，該方法基于協(xié)調(diào)注意力機(jī)制特征融合U-Net。

背景技術(shù)

石油泄漏造成的污染對海洋生態(tài)系統(tǒng)造成了不可逆的損害。溢油區(qū)分割是SAR圖像溢油檢測的關(guān)鍵步驟。合成孔徑雷達(dá)(SAR)已經(jīng)成為監(jiān)測海洋溢油現(xiàn)象的一項(xiàng)重要技術(shù)。合成孔徑雷達(dá)(SAR)可以提供電磁信息用于探測海洋溢油。SAR通過散射機(jī)制獲得海面上的電磁信息。散射機(jī)制發(fā)生在被浮油覆蓋的表面和干凈的海面上時(shí)，獲得的信息是不同的。對于清潔的海面，發(fā)生強(qiáng)烈的布拉格散射，在SAR圖像中顯示為明亮。當(dāng)溢油發(fā)生時(shí)，它減弱了布拉格散射，在SAR圖像中顯示為暗色。傳統(tǒng)方法具有不可避免的局限性：(1)閾值分割的參數(shù)選擇受主觀因素或經(jīng)驗(yàn)影響較大；(2)單一的特征信息無法代表全局的特征，會影響分割的效果；(3)傳統(tǒng)方法多采用圖像的低層次信息來完成分割任務(wù)，難以提取圖像的深層語義信息。這些局限性導(dǎo)致了基于傳統(tǒng)方法的溢油圖像分割的準(zhǔn)確性不高。

近年來，一些深度學(xué)習(xí)模型被用于SAR圖像的海洋溢油檢測，深度學(xué)習(xí)作為機(jī)器學(xué)習(xí)的一個(gè)分支，致力于通過神經(jīng)網(wǎng)絡(luò)模型解決機(jī)器學(xué)習(xí)任務(wù)。與傳統(tǒng)的機(jī)器學(xué)習(xí)算法不同，深度神經(jīng)網(wǎng)絡(luò)通過其深度網(wǎng)絡(luò)層逐層提取圖像特征。深度特征通常比較抽象，包含深層語義信息。而且，特征提取過程是自動(dòng)的，不需要人工參與，大大提高了效率。盡管深度學(xué)習(xí)模型在溢油檢測任務(wù)中取得了較好的檢測結(jié)果，但在進(jìn)一步提高檢測精度方面仍存在一些局限性。由于模型深度的原因，特征提取不足，接收場小，導(dǎo)致目標(biāo)信息的損失以及模型會產(chǎn)生冗余的信息。

發(fā)明內(nèi)容

為了解決上述技術(shù)問題，本發(fā)明提供了一種基于協(xié)調(diào)注意力機(jī)制的特征融合U-Net的SAR圖像溢油檢測方法，該方法用小波閾值變換去除圖像噪聲，并與原始圖像進(jìn)行特征融合。通過在原始網(wǎng)絡(luò)中嵌入?yún)f(xié)調(diào)注意力模塊，提取圖像中的高層特征，減少冗余的特征，強(qiáng)調(diào)重要的特征，提高分割的精度。

為實(shí)現(xiàn)上述目的，本發(fā)明提供如下技術(shù)方案：

一種SAR圖像溢油檢測方法，包括如下步驟：

步驟1：從歐洲航天局(ESA)溢油檢測數(shù)據(jù)集中選取750幅圖片作為訓(xùn)練集，250幅作為測試集，再隨機(jī)選取90％的訓(xùn)練集用于實(shí)驗(yàn)訓(xùn)練，10％的訓(xùn)練集用于實(shí)驗(yàn)驗(yàn)證；

步驟2：對步驟1選取的訓(xùn)練集進(jìn)行預(yù)處理，即對訓(xùn)練集進(jìn)行隨機(jī)裁剪與拼接：原始SAR圖像格式為1250×650，將預(yù)處理后的數(shù)據(jù)集圖片大小重塑成256×256，特征通道數(shù)為3；

步驟3：用小波閾值變換(WTT)對步驟2得到的訓(xùn)練集進(jìn)行去噪；

步驟4：搭建基于協(xié)調(diào)注意力機(jī)制的特征融合U-Net模型，隨機(jī)各選取步驟2和步驟3得到的50％訓(xùn)練集圖片作為網(wǎng)絡(luò)模型的輸入，進(jìn)行全局特征提取與融合；

步驟5：使用殘差模塊(Residual?Model)，并在部分殘差塊后增加擠壓和激勵(lì)模塊(SE)，使模型自主學(xué)習(xí)各個(gè)通道的權(quán)重系數(shù)；

步驟6：在跳躍連接處嵌入?yún)f(xié)調(diào)注意力機(jī)制模塊(CA)，消除冗余的信息；

步驟7：帶有空洞卷積的空間金字塔結(jié)構(gòu)(ASPP)作為底層網(wǎng)絡(luò)，增大感受野的同時(shí)，提取更加廣泛的特征信息；