油膜和類油膜（生物油和乳化油）在全極化SAR（合成孔徑雷達(dá)）數(shù)據(jù)上都表現(xiàn)為暗斑特征,而且二者具有高度一致性,在識(shí)別時(shí)容易產(chǎn)生混淆。而對(duì)于SAR圖像而言,不同特征對(duì)每種類油膜有不同的區(qū)分效果,因此選取合適的特征對(duì)區(qū)分SAR圖像上的油膜和類油膜尤為重要。在本文中,我們重點(diǎn)應(yīng)用多種特征和深度殘差網(wǎng)絡(luò)（ResNet）相結(jié)合的方式區(qū)分全極化SAR數(shù)據(jù)上的油膜和類油膜。本文主要研究?jī)?nèi)容可以概括如下:首先,對(duì)全極化SAR圖像上的暗斑區(qū)域（包括油膜和類油膜）提取20種特征并進(jìn)行分析,然后選取區(qū)分性較好的特征作為網(wǎng)絡(luò)輸入的依據(jù)。經(jīng)過(guò)實(shí)驗(yàn)和分析,最終選擇極化散射熵（Entropy）,極化散射角（Alpha）和單次反射特征值相對(duì)差異度（SERD）三種極化特征作為網(wǎng)絡(luò)輸入的依據(jù)。其次,在確定的三種極化特征對(duì)應(yīng)的特征圖上選取多個(gè)感興趣區(qū)域作為ResNet網(wǎng)絡(luò)的訓(xùn)練集和測(cè)試集。最后本文實(shí)驗(yàn)所用訓(xùn)練集由3600個(gè)原油樣本,3600個(gè)生物油樣本和3600個(gè)乳化油樣本（共計(jì)10800個(gè)）組合而成。測(cè)試集由600個(gè)原油樣本,600個(gè)生物油樣本和600個(gè)乳化油樣本（共計(jì)1800個(gè)）組合而成,最終得到97.56%的分類精度。... 

【文章來(lái)源】：大連海事大學(xué)遼寧省 211工程院校

【文章頁(yè)數(shù)】：79 頁(yè)

【學(xué)位級(jí)別】：碩士

【部分圖文】：

圖１．１海面溢油與類似溢油ＳＡＲ圖像??Ｆｉｇ．?１．１?ＳＡＲ?ｉｍａｇｅｓ?ｏｆ?ｏｉｌ?ｓｌｉｃｋｓ?ａｎｄ?ｌｏｏｋ－ａｌｉｋｅｓ??

分類，并對(duì)分類結(jié)果進(jìn)行對(duì)比分析。??（開(kāi)始）??ｖ?士?乂????閣像預(yù)處理??Ｐａｕｌｉ分解，Ｂｏｘｃａｒ?yàn)V波??ｊ???Ｉ???暗斑檢測(cè)??Ｉ奸？相」幾何特征，紋理特征和極Ｉ??匕＿：—＿—＿：—＿」?｜?Ｉ?＿＿＇＿?Ｉ?最５特征丨且合?！??ｊ研５甲產(chǎn)一、?深度殘差網(wǎng)絡(luò)（ＲｅｓＮｅｔ）??Ｊ??＿二二廣?Ｉ分類和類油膜?｜?；??｜—??二１—？＞丨與ＡｌｅｘＮｅｔ和?ＶＧＧ算法進(jìn)ｔＪ？對(duì)比?｜??（結(jié)束）?＇?＂??圖１．２論文研宄思路??Ｆｉｇ．?１．２?Ｔｈｅｓｉｓ?ｒｅｓｅａｒｃｈ?ｉｄｅａｓ??１．４章節(jié)安排??全文共六章，各章內(nèi)容如下：??第１章引言。主要介紹了選題的背景以及該課題的研究?jī)r(jià)值，目前己有研究的??現(xiàn)狀以及本文的研究思路。??第２章數(shù)據(jù)集的制作及預(yù)處理。介紹了本文實(shí)驗(yàn)所用五幅全極化ＳＡＲ圖像并??介紹了數(shù)據(jù)的預(yù)處理過(guò)程以及樣本的采集。??第３章對(duì)本文實(shí)驗(yàn)所使用的ＳＡＲ實(shí)驗(yàn)數(shù)據(jù)進(jìn)行特征提取，經(jīng)過(guò)分析選取出??區(qū)分性好的特征作為網(wǎng)絡(luò)輸入的依據(jù)。??第４章基于多種特征與ＲｅｓＮｅｔ結(jié)合的溢油分類。首先對(duì)深度殘差網(wǎng)絡(luò)的結(jié)??構(gòu)和工作原理進(jìn)行詳細(xì)介紹，最后確定本文實(shí)驗(yàn)中所使用的ＲｅｓＮｅｔ５０的結(jié)構(gòu)。??第５章實(shí)驗(yàn)結(jié)果分析。介紹了基于本文所提算法和ＡｌｅｘＮｅｔ、ＶＧＧ算法對(duì)ＳＡＲ??數(shù)據(jù)上暗區(qū)的識(shí)別效果，并對(duì)結(jié)果進(jìn)行了比較和分析，以及驗(yàn)證本文提出算法的??有效性。??第６章總結(jié)與展望。本章總結(jié)了本文的研宄內(nèi)容，分析了本研宄內(nèi)容還存在??的不足，并確定了下一步的研宄方向。??－７?－??

?大連海事大學(xué)碩士學(xué)位論文???（ａ）?ＮＯ．ｌ??（ａ）?Ｒａｄａｒｓａｔ－２?ｄａｔａ?ｏｆ?８ｍ??圖２．１墨西哥灣數(shù)據(jù)??Ｆｉｇ．?２．１?Ｒａｄａｒｓａｔ－２?ｄａｔａ?ｉｎ?Ｍｅｘｉｃｏ?Ｂａｙ?ａｒｅａ??２．１．２歐洲北海數(shù)據(jù)介紹（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??圖２．２歐洲北海數(shù)據(jù)??Ｆｉｇ．?２．２?Ｒａｄａｒｓａｔ－２?ｄａｔａ?ｉｎ?Ｎｏｒｔｈ?Ｓｅａ?ｏｆ?Ｅｕｒｏｐｅ??圖２．２?（ａ）和（ｂ）?（ＮＯ．２和ＮＯ．３）是２０１１年６月６日至９日獲得的，兩個(gè)場(chǎng)??景中有潑灑了三種物質(zhì)（即原油，乳化油和生物油）。Ｎ０．２圖像數(shù)據(jù)入射角為??４６．２０°，局部風(fēng)速約為１．６－３．３ｍ／ｓ。圖像在浮油潑灑后２小時(shí)獲得，其中圖像中的??乳化油是化學(xué)合成物，生物油膜是釋放的生物油在海面經(jīng)過(guò)短暫的時(shí)間形成的浮??油區(qū)域，它是一種模擬海洋表面因藻類等生物形成的油膜。Ｎ０．３是在浮油釋放后??９小時(shí)獲取的，其入射角為３４．６２°，局部風(fēng)速為１．６－３．３ｍ／ｓ。圖２．２（ｂ）中從左到??右分為生物油、乳化油和原油［１９］。??－９?－??

【參考文獻(xiàn)】：
期刊論文
[1]紋理與幾何特征信息在高空間分辨率遙感影像分類中的應(yīng)用[J]. 馬長(zhǎng)輝,黃登山.  測(cè)繪地理信息. 2019(06)
[2]基于極化特征SERD的SAR溢油檢測(cè)[J]. 鄭洪磊,張彥敏,王運(yùn)華.  海洋湖沼通報(bào). 2015(04)
[3]結(jié)合灰度和基于動(dòng)態(tài)窗口的紋理特征的遙感影像分類[J]. 黃祥,楊武年.  測(cè)繪科學(xué)技術(shù)學(xué)報(bào). 2015(03)
[4]基于Pauli基分解的極化校準(zhǔn)算法[J]. 何密,李永禎,王雪松,肖順平,李志堅(jiān).  宇航學(xué)報(bào). 2011(12)
[5]Boxcar濾波器和極化Refined Lee濾波器對(duì)極化SAR分類精度影響的評(píng)估[J]. 宋海平,盧戰(zhàn)偉,趙松.  影像技術(shù). 2011(05)
[6]簡(jiǎn)單多邊形的最小外接矩形算法[J]. 劉玉珍,劉潤(rùn)濤.  哈爾濱理工大學(xué)學(xué)報(bào). 2008(02)

博士論文
[1]基于SAR圖像的海面溢油檢測(cè)研究[D]. 馮景.北京理工大學(xué) 2015

碩士論文
[1]基于深度殘差網(wǎng)絡(luò)的人眼視覺(jué)估計(jì)算法的研究[D]. 崔志斌.哈爾濱理工大學(xué) 2019
[2]基于多特征融合的圖像匹配算法及應(yīng)用[D]. 郭玉坤.濟(jì)南大學(xué) 2017
[3]基于恒虛警率和幾何特征的SAR影像海洋溢油檢測(cè)方法研究[D]. 杜偉娜.遼寧工程技術(shù)大學(xué) 2016
[4]基于極化特征的SAR溢油檢測(cè)研究[D]. 鄭洪磊.中國(guó)海洋大學(xué) 2015
[5]SAR圖像海面溢油檢測(cè)技術(shù)研究[D]. 王棟.國(guó)防科學(xué)技術(shù)大學(xué) 2014
[6]極化SAR圖像偽彩色增強(qiáng)與可視化方法研究[D]. 余磊.解放軍信息工程大學(xué) 2012
[7]基于紋理分析的溢油SAR圖像分類研究[D]. 梁小祎.大連海事大學(xué) 2007



本文編號(hào)：3589677