[发明专利]基于卷积神经网络的海面太阳耀斑区溢油多光谱探测方法

说明书

发明提供一种基于卷积神经网络的海面太阳耀斑区溢油多光谱探测方法，所述探测方法包括：对海面太阳耀斑区油膜图像的多光谱数据进行去噪处理得到去噪数据；将所述去噪数据转化为二维光谱矩阵；将所述二维光谱矩阵作为输入数据，输入卷积神经网络；利用所述卷积神经网络进行特征提取和分类，输出分类结果。本发明通过构建基于卷积神经网络(CNN)的海面太阳耀斑区溢油提取模型，实现了对海面太阳耀斑区油膜的提取，卷积神经网络模型对于海面太阳耀斑区溢油的分类具有更高的精度与一致性，卷积神经网络的局部连接、权值共享等特点使得它能够自动挖掘溢油图像的深层信息，学习到更多更本质的特征，从而获得最优的分类准确率。

技术领域

本发明涉及海洋探测领域，特别地涉及一种基于卷积神经网络的海面太阳耀斑区溢油多光谱探测方法。

背景技术

根据国际油船所有者污染联盟(ITOPF)的数据统计，在20世纪90年代，共有358次大、中型溢油事故，造成约113万吨石油泄漏。在20世纪初，有181次大、中型溢油事故，造成19.6万吨石油泄漏。2010年至2018年的九年期间，发生了59起大、中型的溢油事故，造成了16.3万吨石油泄漏。海面溢油会污染海洋，严重破坏海洋生态。2010年4月，墨西哥湾深水地平线石油平台发生泄漏，污染了路易斯安那州160多千米的海岸线，破坏了海滩，杀死了大量的鱼类，破坏了整个墨西哥湾生态系统。2011年6月，山东省蓬莱19-3油田漏油事件，污染了油田周围及其西北部海域海域。

海上溢油检测主要以卫星遥感为主，主要包括微波遥感和多光谱遥感两种手段。在发生海面大面积溢油事故时，由于太阳耀斑区的存在，溢油在海面的油膜会在遥感影像上发生明暗的变化，对遥感影像的分类会产生严重的干扰，如何在在海面太阳耀斑区准确地检测出溢油是目前海面溢油检测面临的难题。

为了解决噪声影响溢油遥感检测问题，一些研究首先进行图像滤波，进而特征提取，然后利用该特征对溢油进行分类。许多研究人员采用传统的模式识别方法，如支持矢量机(SVM)、光谱角度匹配法(SAM)、人工神经网络(ANN)算法等。如孙元芳等辅加纹理特征量的光谱角度匹配法进行油膜提取，精度高达90％以上。G.Calabres等提出了一种用于ERS-SAR图像中溢油半自动检测的神经网络方法。但采用现有的识别方法的精度已经难以进一步提高而陷入瓶颈。

综上所述，现有技术中的探测方的难以再进一步提高精度，因此，迫切需要一种能够提高探测精度的方法。

发明内容

有鉴于此，本发明提供一种基于卷积神经网络的海面太阳耀斑区溢油多光谱探测方法，以解决现有技术中测量方法存在的探测精度难以提高的问题。

为达上述目的，本发明提供的一种基于卷积神经网络的海面太阳耀斑区溢油多光谱探测方法的技术方案是：

一种基于卷积神经网络的海面太阳耀斑区溢油多光谱探测方法，所述探测方法包括：

对海面太阳耀斑区油膜图像的多光谱数据进行去噪处理得到去噪数据；

将所述去噪数据转化为二维光谱矩阵；

将所述二维光谱矩阵作为输入数据，输入卷积神经网络；

利用所述卷积神经网络进行特征提取和分类，输出分类结果。

优选地，所述去噪处理方法为，采用中值滤波器对所述多光谱数据进行滤波处理。

优选地，将所述去噪数据转化为二维光谱矩阵的方法包括：

对所述去噪数据进行矩阵重塑和降维操作得到光谱矢量；

对所述光谱矢量进行波段运算得到扩展后的光谱矢量；

对扩展后的光谱矢量进行升维操作得到所述二维光谱矩阵。

优选地，所述卷积神经网络包括输入层、第一卷积层、第二卷积层、全连接层和输出层。