基于ResNet的SAR图像海面溢油区识别研究

发布时间:2022-01-15 02:06
  油膜和类油膜(生物油和乳化油)在全极化SAR(合成孔径雷达)数据上都表现为暗斑特征,而且二者具有高度一致性,在识别时容易产生混淆。而对于SAR图像而言,不同特征对每种类油膜有不同的区分效果,因此选取合适的特征对区分SAR图像上的油膜和类油膜尤为重要。在本文中,我们重点应用多种特征和深度残差网络(ResNet)相结合的方式区分全极化SAR数据上的油膜和类油膜。本文主要研究内容可以概括如下:首先,对全极化SAR图像上的暗斑区域(包括油膜和类油膜)提取20种特征并进行分析,然后选取区分性较好的特征作为网络输入的依据。经过实验和分析,最终选择极化散射熵(Entropy),极化散射角(Alpha)和单次反射特征值相对差异度(SERD)三种极化特征作为网络输入的依据。其次,在确定的三种极化特征对应的特征图上选取多个感兴趣区域作为ResNet网络的训练集和测试集。最后本文实验所用训练集由3600个原油样本,3600个生物油样本和3600个乳化油样本(共计10800个)组合而成。测试集由600个原油样本,600个生物油样本和600个乳化油样本(共计1800个)组合而成,最终得到97.56%的分类精度。... 

【文章来源】:大连海事大学辽宁省 211工程院校

【文章页数】:79 页

【学位级别】:硕士

【部分图文】:

基于ResNet的SAR图像海面溢油区识别研究


图1.1海面溢油与类似溢油SAR图像??Fig.?1.1?SAR?images?of?oil?slicks?and?look-alikes??

论文,思路


分类,并对分类结果进行对比分析。??(开始)??v?士?乂????阁像预处理??Pauli分解,Boxcar滤波??j???I???暗斑检测??I奸?相」几何特征,纹理特征和极I??匕_:—_—_:—_」?|?I?__'_?I?最5特征丨且合?!??j研5甲产一、?深度残差网络(ResNet)??J??_二二广?I分类和类油膜?|?;??|—??二1—?>丨与AlexNet和?VGG算法进tJ?对比?|??(结束)?'?"??图1.2论文研宄思路??Fig.?1.2?Thesis?research?ideas??1.4章节安排??全文共六章,各章内容如下:??第1章引言。主要介绍了选题的背景以及该课题的研究价值,目前己有研究的??现状以及本文的研究思路。??第2章数据集的制作及预处理。介绍了本文实验所用五幅全极化SAR图像并??介绍了数据的预处理过程以及样本的采集。??第3章对本文实验所使用的SAR实验数据进行特征提取,经过分析选取出??区分性好的特征作为网络输入的依据。??第4章基于多种特征与ResNet结合的溢油分类。首先对深度残差网络的结??构和工作原理进行详细介绍,最后确定本文实验中所使用的ResNet50的结构。??第5章实验结果分析。介绍了基于本文所提算法和AlexNet、VGG算法对SAR??数据上暗区的识别效果,并对结果进行了比较和分析,以及验证本文提出算法的??有效性。??第6章总结与展望。本章总结了本文的研宄内容,分析了本研宄内容还存在??的不足,并确定了下一步的研宄方向。??-7?-??

墨西哥湾,数据,生物油,乳化油


?大连海事大学硕士学位论文???(a)?NO.l??(a)?Radarsat-2?data?of?8m??图2.1墨西哥湾数据??Fig.?2.1?Radarsat-2?data?in?Mexico?Bay?area??2.1.2欧洲北海数据介绍(NO.2?NO.3)??H?1^1??(a)N0.2?(b)?No.3??(a)?Radarsat-2?data?of?8m?(b)?Radarsat-2?data?of?8m??图2.2欧洲北海数据??Fig.?2.2?Radarsat-2?data?in?North?Sea?of?Europe??图2.2?(a)和(b)?(NO.2和NO.3)是2011年6月6日至9日获得的,两个场??景中有泼洒了三种物质(即原油,乳化油和生物油)。N0.2图像数据入射角为??46.20°,局部风速约为1.6-3.3m/s。图像在浮油泼洒后2小时获得,其中图像中的??乳化油是化学合成物,生物油膜是释放的生物油在海面经过短暂的时间形成的浮??油区域,它是一种模拟海洋表面因藻类等生物形成的油膜。N0.3是在浮油释放后??9小时获取的,其入射角为34.62°,局部风速为1.6-3.3m/s。图2.2(b)中从左到??右分为生物油、乳化油和原油[19]。??-9?-??

【参考文献】:
期刊论文
[1]纹理与几何特征信息在高空间分辨率遥感影像分类中的应用[J]. 马长辉,黄登山.  测绘地理信息. 2019(06)
[2]基于极化特征SERD的SAR溢油检测[J]. 郑洪磊,张彦敏,王运华.  海洋湖沼通报. 2015(04)
[3]结合灰度和基于动态窗口的纹理特征的遥感影像分类[J]. 黄祥,杨武年.  测绘科学技术学报. 2015(03)
[4]基于Pauli基分解的极化校准算法[J]. 何密,李永祯,王雪松,肖顺平,李志坚.  宇航学报. 2011(12)
[5]Boxcar滤波器和极化Refined Lee滤波器对极化SAR分类精度影响的评估[J]. 宋海平,卢战伟,赵松.  影像技术. 2011(05)
[6]简单多边形的最小外接矩形算法[J]. 刘玉珍,刘润涛.  哈尔滨理工大学学报. 2008(02)

博士论文
[1]基于SAR图像的海面溢油检测研究[D]. 冯景.北京理工大学 2015

硕士论文
[1]基于深度残差网络的人眼视觉估计算法的研究[D]. 崔志斌.哈尔滨理工大学 2019
[2]基于多特征融合的图像匹配算法及应用[D]. 郭玉坤.济南大学 2017
[3]基于恒虚警率和几何特征的SAR影像海洋溢油检测方法研究[D]. 杜伟娜.辽宁工程技术大学 2016
[4]基于极化特征的SAR溢油检测研究[D]. 郑洪磊.中国海洋大学 2015
[5]SAR图像海面溢油检测技术研究[D]. 王栋.国防科学技术大学 2014
[6]极化SAR图像伪彩色增强与可视化方法研究[D]. 余磊.解放军信息工程大学 2012
[7]基于纹理分析的溢油SAR图像分类研究[D]. 梁小祎.大连海事大学 2007



本文编号:3589677

论文下载
论文发表

本文链接:http://www.bigengculture.com/shoufeilunwen/xixikjs/3589677.html

相关文章提示点击查看相关文章
论文发表
专著教材出书