论文部分内容阅读
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。最后,用同样的实验数据采用同是深度学习的VGG和AlexNet分类算法进行油膜和类油膜的分类,并与ResNet算法分类结果进行对比分析。为了减弱过拟合现象以及获得更可靠的实验结果,本文还分别进行了 K-交叉验证和ROC曲线实验。结果表明本文所选用的算法是有效的,不仅可以精确的识别全极化SAR图像上的油膜和类油膜,还能对全极化SAR数据上的非结构暗斑现象进行区分。但是通过实验我们发现当数据量不充足时,本文训练的实验模型存在过拟合现象,因此在后续的研究中有必要对实验数据的进行丰富和扩充。