CN109919123A - 基于多尺度特征深度卷积神经网络的海面溢油检测方法 - Google Patents

Abstract

本发明提供了一种基于多尺度特征深度卷积神经网络的海面溢油检测方法，包括如下步骤：建立用于海面溢油检测的深度卷积神经网络结构；构建深度卷积神经网络模型并选取训练样本对深度卷积神经网络模型进行训练；通过图像利用训练好的深度卷积神经网络模型进行海面溢油检测；图像为对原始的高光谱海面图像基于Daubechies小波变换进行小波重构得到的具有多尺度特征的融合图像。本发明提出的基于多尺度特征深度卷积神经网络的海面溢油检测方法考虑了单一尺度特征受海面耀斑干扰较大的问题，多尺度空间特征的联合，可抑制耀斑、噪声等高频成分，提高溢油检测的精度。

Description

基于多尺度特征深度卷积神经网络的海面溢油检测方法

技术领域

本发明涉及遥感应用领域，具体涉及一种基于多尺度特征深度卷积神经网络的海面溢油高光谱遥感检测方法。

背景技术

溢油是海洋石油勘探、开发、运输过程中，造成原油或油品外泄而形成的，已被列为美国科学院公布的2030年前待解决的32个科学问题之一。近年来，全球范围内海面溢油事件频发，海洋环境遭受严重污染，公众健康面临巨大威胁，对海面溢油进行精准监测成为采取快速应对与反制措施的前提和基础。

高光谱具有图谱合一的优势，通过光谱波段的细分可以提高溢油的检测和识别能力，多用于海面溢油检测。目前，国内外学者主要围绕光谱解混和机器学习算法展开检测研究，在光谱解混方面，利用改进的N-FINDR算法和光谱角度填图(SpectralAngle Mapping,SAM)方法提取端元，实现混合像元分解。机器学习方面，将高光谱图像丰富的空间信息和光谱信息应用于主动轮廓模型(Active ContourModel,ACM)，一定程度上遏制了海面耀斑和阴影对分割的影响，提升了检测溢油的能力。此外，有学者基于最小噪声分离变换(MinimumNoise Fraction,MNF)的决策树溢油信息提取方法，对Hyperion高光谱数据的油膜识别能力进行评估。由于观测几何、海上风浪等因素的限制，遥感影像中通常包含大量的太阳耀斑，相关学者发现海面耀斑严重影响溢油检测精度，耀斑抑制后检测精度有所提高，但应用的增强Lee滤波算法仅使用了单一的滤波窗口。然而，上述溢油检测方法均局限于“浅层学习”和“单一尺度”的层面，难以满足复杂海况下海面溢油精准检测的需求，尤其是海面耀斑的影响。深度神经网络是机器学习领域的前沿，能够自动地学习得到深层次的特征信息，从而更有利于分类，卷积神经网络是其中最突出的模型，成为近年来高光谱遥感分类的研究热点，相关学者开展了利用深度学习检测溢油的研究，但绝大部分是基于SAR影像，基于高光谱开展深度学习溢油检测的工作还不多见，应用于DCNN结合多尺度开展海面溢油检测方法尚未受到关注。

发明内容

本发明的目的在于针对现有溢油检测方法存在的单一尺度特征受耀斑干扰较大、检测精度低的缺陷，提供一种检测精度高的基于多尺度特征DCNN的海面溢油高光谱遥感检测方法。为了对披露的实施例的一些方面有一个基本的理解，下面给出了简单的概括。该概括部分不是泛泛评述，也不是要确定关键/重要组成元素或描绘这些实施例的保护范围。其唯一目的是用简单的形式呈现一些概念，以此作为后面的详细说明的序言。

为了实现该目的，本发明采用如下技术方案：

一种基于多尺度特征深度卷积神经网络的海面溢油检测方法，包括如下步骤：

建立用于海面溢油检测的深度卷积神经网络结构；

构建深度卷积神经网络模型并选取训练样本对深度卷积神经网络模型进行训练；

通过图像利用训练好的深度卷积神经网络模型进行海面溢油检测；

其中，所述图像为对原始的高光谱海面图像基于Daubechies小波变换进行小波重构得到的具有多尺度特征的融合图像。

优选地，对原始的高光谱海面图像基于Daubechies小波变换进行小波重构得到具有多尺度特征的融合图像具体为：

选择db7小波基作为小波分解函数，在第一分解层上，小波变换将原始的高光谱海面图像分解为第一高频分量、第一低频分量、第一垂直分量和第一水平分量，在第二分解层上，第一高频分量保持不变，仅对第一低频分量进行分解，分解出第二高频分量、第二低频分量、第二垂直分量和第二水平分量，通过小波逆变换实现多级小波重构，经db7小波1级和2级变换得到所述具有多尺度特征的融合图像。

优选地，所述深度卷积神经网络模型的输入为将所述具有多尺度特征的融合图像的光谱特征信息联合1级小波变换低频分量、光谱特征信息联合1级和2级小波变换后的低频分量。

优选地，所述深度卷积神经网络结构包括1个输入层、2个卷积层、2个降采样层、1个全连接层和1个输出层。

优选地，所述卷积层通过sigmoid函数激活。

优选地，所述降采样层采用最大池化法。

优选地，所述输出层采用softmax函数。

优选地，2个卷积层特征图的数量分别为10和8，尺寸分别为24X24和8X8，卷积核的尺寸均为5X5。

优选地，2个降采样层特征图的数量分别为10和8，尺寸分别为12X12和8X8，采样尺寸分别为2X2和1X1。

本发明提出的基于多尺度特征深度卷积神经网络的海面溢油检测方法考虑了单一尺度特征受海面耀斑干扰较大的问题，多尺度空间特征的联合，可抑制耀斑、噪声等高频成分，提高溢油检测的精度。

附图说明

为了更清楚地说明本申请实施例或现有技术中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明中记载的一些实施例，对于本领域普通技术人员来讲，还可以根据这些附图获得其他的附图。

图1示出基于多尺度特征深度卷积神经网络的海面溢油检测方法的流程示意图；

图2示出原始的高光谱海面图像；

图3示出小波1级变换后的低频分量图像；

图4示出小波2级变换后的低频分量图像；

图5示出深度卷积神经网络结构示意图。

具体实施方式

以下描述和附图充分地示出本发明的具体实施方案，以使本领域的技术人员能够实践它们。其他实施方案可以包括结构的、逻辑的、电气的、过程的以及其他的改变。实施例仅代表可能的变化。除非明确要求，否则单独的部件和功能是可选的，并且操作的顺序可以变化。一些实施方案的部分和特征可以被包括在或替换其他实施方案的部分和特征。本发明的实施方案的范围包括权利要求书的整个范围，以及权利要求书的所有可获得的等同物。在本文中，各实施方案可以被单独地或总地用术语“发明”来表示，这仅仅是为了方便，并且如果事实上公开了超过一个的发明，不是要自动地限制该应用的范围为任何单个发明或发明构思。本文中，诸如第一和第二等之类的关系术语仅仅用于将一个实体或者操作与另一个实体或操作区分开来，而不要求或者暗示这些实体或操作之间存在任何实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法或者设备中还存在另外的相同要素。本文中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的方法、产品等而言，由于其与实施例公开的方法部分相对应，所以描述的比较简单，相关之处参见方法部分说明即可。

下面结合附图对本发明提供的基于多尺度特征DCNN的海面溢油高光谱遥感检测方法进一步详细的说明。

参考图1，本发明提供的基于多尺度特征DCNN的海面溢油高光谱遥感检测方法包括如下步骤：

在步骤S110中，建立用于海面溢油检测的深度卷积神经网络DCNN结构；

在步骤S120中，构建深度卷积神经网络模型并选取训练样本对深度卷积神经网络模型进行训练；

在步骤S130中，通过图像利用训练好的深度卷积神经网络模型进行海面溢油检测；

其中，图像为对原始的高光谱海面图像基于Daubechies小波变换进行小波重构得到的具有多尺度特征的融合图像。

本发明提出的基于多尺度特征DCNN的海面溢油高光谱遥感检测方法考虑了单一尺度特征受海面耀斑干扰较大的问题，多尺度空间特征的联合，可抑制耀斑、噪声等高频成分，提高溢油检测的精度。

在海面上的溢油扩散过程中，由于风、浪等环境影响，溢油覆盖区域厚度不均一，因此呈现出来的光谱特性也有所差异，基于此，本申请的原始图像采用高光谱海面图像，具有高光谱分辨率，从而具有精细识别溢油信息的能力。

基于Daubechies小波变换进行小波重构，Daubechies小波变换为离散小波变换，离散小波变换具有良好的时频局部化分析特性，其实质是通过逐步细化空间域采样步长提取图像的细节信息，分离不同尺度的空间特征图像并且反映在不同分辨率的细节影像上，具有较好的尺度化特征和方向性特征。Daubechies小波变换是紧支撑正交小波，函数有速降性，信号能量集中，正交性可避免各个分量的信息掺杂在一起，使信号分析更加便利，另外，Daubechies小波变换具有较好的正则性，即该小波作为稀疏基所引入的光滑误差不容易被察觉，能在信号或图像的重构中获得较好的平滑效果，减小量化或舍入误差的视觉影响，随着阶次N的增大消失矩阶数越大，其中消失矩越高光滑性就越好，频域的局部化能力就越强，频带的划分效果越好。

其中的深度卷积神经网络(DCNN)结构能有效地学习高光谱数据的深层光谱特征，其包括7个信息层，分别为1个输入层、2个卷积层、2个降采样层、1个全连接层和1个输出层，优选地，卷积层通过sigmoid函数激活，sigmoid函数也叫Logistic函数，用于隐层神经元输出，可以将一个实数映射到(0,1)的区间，在特征相差比较复杂或是相差不是特别大时效果比较好。降采样层采用最大池化法，最大池化能减小卷积层参数误差造成估计均值的偏移，更多的保留纹理信息。输出层采用softmax函数，softmax建模使用的分布是多项式分布，适合于多分类问题。这种7层网络结构的深度卷积神经网络分类算法能够提取溢油信息的多尺度空间特征，同时在一定程度上具有克服图像耀斑和噪声的能力，另外，对于不同的输入图像和输入条件下，DCNN网络结构都会有所差异，本发明设计的DCNN网络结构仅适用于特定的输入图像和输入条件，应用本发明设计的DCNN网络结构可高精度检测海面溢油，通过DCNN算法可直接获取溢油检测结果，从而进一步提高溢油检测的精度。

其中，Daubechies小波是Daubechies从两尺度方程系数出发设计出来的离散正交小波，一般简写为dbN，N是小波的阶数。小波和尺度函数中的支撑区为2N-1，的消失矩为N。dbN没有显式表达式(除N＝1外)，但{h_k}的传递函数的模的平方有显示表达式，见公式(1)。假设其中，为二项式的系数，则有

其中，本申请中，对原始的高光谱海面图像基于Daubechies小波变换进行小波重构得到具有多尺度特征的融合图像具体为：

选择db7小波基作为小波分解函数，在第一分解层上，小波变换将原始的高光谱海面图像分解为第一高频分量、第一低频分量、第一垂直分量和第一水平分量，在第二分解层上，第一高频分量保持不变，仅对第一低频分量进行分解，分解出第二高频分量、第二低频分量、第二垂直分量和第二水平分量，通过小波逆变换实现多级小波重构，经db7小波1级和2级变换得到所述具有多尺度特征的融合图像。而深度卷积神经网络模型的输入为将具有多尺度特征的融合图像的光谱特征信息联合1级小波变换低频分量、光谱特征信息联合1级和2级小波变换后的低频分量。低频分量能够保存图像大部分低频信息，可以消除噪音，从而提高溢油检测的精确度。

下面结合具体的实施例介绍本申请提供的基于多尺度特征DCNN的海面溢油高光谱遥感检测方法。

本实施例采用的数据以中国海监北海航空支队在蓬莱19-3油田C平台执法中获取的AISA+机载高光谱溢油影像为例，包括如下过程：

1.建立用于海面溢油检测的深度卷积神经网络结构

该深度卷积神经网络结构包括1个输入层、2个卷积层、2个降采样层、1个全连接层和1个输出层，具体介绍如下：

a.卷积层

为了提取输入特征图上不同的特征，使用不同的卷积核进行卷积操作，每个卷积核检测特征图上所有位置上的特定特征，实现同一个输入特征图上的权值共享。卷积层的前向传播计算如公式(2)所示：

其中表示在特征层t层中输出特征图s的激活值，V代表特征层t层中的特征图，代表卷积核，连接着特征层t-1层的输入特征图r与特征层t层的输出特征图s，为特征层t层中与输出特征图s相关的偏置，*代表卷积运算，f(·)代表sigmoid激活函数，见公式(3)：

b.降采样层

降采样层被周期性地引进卷积层之间，主要目的是减少卷积层输出的特征图参数，且模糊增加特征的旋转不变性，降采样过程如公式(4)所示：

其中,为t层中特征图s的乘法偏置，为t层中特征图s的加法偏置，每一个特征图都有自己的加法和乘法偏置，down(·)为t层的下采样函数，该函数将在输入特征图上的每个不同的斑块上求和，使得输出特征图在两个空间维度上都小x倍。池化操作后，输出特征图的分辨率降低，但能较好地保持高分辨率特征图描述的特征。

c.梯度下降

训练样本定义为(x,y)，x是输入特征，y是样本标签，输入样本通过激励函数得到输出f(w,b,x)，见公式(5)，用a表示。代价函数J公式如(6)所示。

f(w,b,x)＝a＝sigmoid(∑_ix_iw_i+b) (5)

其中,w,b分别为权值和偏置，令首先通过求代价函数J关于中间变量a和z的偏导进而求得J对w和b的偏导数，如公式(7)和(8)所示。

根据sigmoid函数的定义可得

根据链导法则，可以求得J关于W和b的偏导数，即W和b的梯度，见公式(9)和(10)。

2.构建多尺度特征DCNN模型并选取训练样本进行训练

算法结构参见图5，其中，Cn代表第n个卷积层，Sn代表第n个降采样层，C1、S1、C2和S2特征图的数量分别为10、10、8和8，尺寸分别为24X24、12X12、8X8和8X8，C1和C2卷积核的尺寸均为5X5，S1和S2采样尺寸分别为2X2、1X1。

3.基于Daubechies小波变换进行小波重构得到的具有多尺度特征的融合图像

原始的高光谱海面图像如图2所示，经db7小波1级变换后的低频分量图像如图3所示，经db7小波2级变换后的低频分量图像如图4所示。

4.开展海面溢油检测

基于小波变换后的多尺度特征，分别将光谱特征信息联合1级小波变换低频分量、光谱特征信息联合1级和2级小波变换后的低频分量作为深度卷积神经网络模型的输入，根据前面建立的深度卷积神经网络模型开展海面溢油检测。

5.多尺度DCNN模型海面溢油检测精度评价

为验证多尺度DCNN模型检测溢油的精度，将基于多尺度特征的DCNN溢油检测的结果与基于Radial Basis Function核的SVM检测结果进行比较，值得注意的是，DCNN模型和SVM算法采用相同的训练样本开展溢油检测，并以溢油遥感解译图为基准，从整体全局上开展精度评价。采用的评价指标是品质因素，见公式(11)，基于不同尺度特征的两种算法检测精度详见表1。

表1两种算法溢油检测精度

其中，Q代表品质因素，A为分类器正确检测出的溢油像元数，B为真实溢油像元数，C代表分类器检测出的溢油像元数。

由上表可以看出，本申请提供的基于海面溢油多尺度特征DCNN的高光谱遥感检测方法的监测精度由于基于Radial Basis Function核的SVM检测结果。

在此处所提供的说明书中，说明了大量具体细节。然而，能够理解，本发明的实施例可以在没有这些具体细节的情况下实践。在一些实例中，并未详细示出公知的方法、结构和技术，以便不模糊对本说明书的理解。

类似地，应当理解，为了精简本公开并帮助理解各个发明方面中的两个或两个以上，在上面对本发明的示例性实施例的描述中，本发明的各个特征有时被一起分组到单个实施例、图、或者对其的描述中。然而，并不应将该公开的方法解释成反映如下意图：即所要求保护的本发明要求比在每个权利要求中所明确记载的特征更多的特征。

应该注意的是，上述实施例是对本发明进行说明而不是对本发明进行限制，并且本领域技术人员在不脱离所附权利要求的范围的情况下可设计出替换实施例。在权利要求中，不应将位于括号之间的任何参考符号构造成对权利要求的限制。单词“包含”不排除存在未列在权利要求中的元件或者步骤等。位于元件之前的单词“一”或“一个”不排除存在多个这样的元件。本发明可以借助于包括有若干不同元件的硬件以及借助于适当编程的计算机来实现。在列举了若干系统的单元权利要求中，这些系统中的若干个可以是通过同一个硬件项来具体体现。单词第一、第二以及第三等的使用不表示任何顺序。可将这些单词解释为名称。

Claims (9)

1.一种基于多尺度特征深度卷积神经网络的海面溢油检测方法，其特征在于，包括如下步骤：

建立用于海面溢油检测的深度卷积神经网络DCNN结构；

构建深度卷积神经网络模型并选取训练样本对深度卷积神经网络模型进行训练；

通过图像利用训练好的深度卷积神经网络模型进行海面溢油检测；

其中，所述图像为对原始的高光谱海面图像基于Daubechies小波变换进行小波重构得到的具有多尺度特征的融合图像。

2.根据权利要求1所述的方法，其特征在于，对原始的高光谱海面图像基于Daubechies小波变换进行小波重构得到具有多尺度特征的融合图像具体为：

选择db7小波基作为小波分解函数，在第一分解层上，小波变换将原始的高光谱海面图像分解为第一高频分量、第一低频分量、第一垂直分量和第一水平分量，在第二分解层上，第一高频分量保持不变，仅对第一低频分量进行分解，分解出第二高频分量、第二低频分量、第二垂直分量和第二水平分量，通过小波逆变换实现多级小波重构，经db7小波1级和2级变换得到所述具有多尺度特征的融合图像。

3.根据权利要求2所述的方法，其特征在于，所述深度卷积神经网络模型的输入为将所述具有多尺度特征的融合图像的光谱特征信息联合1级小波变换低频分量、光谱特征信息联合1级和2级小波变换后的低频分量。

4.根据权利要求2所述的方法，其特征在于，所述深度卷积神经网络结构包括1个输入层、2个卷积层、2个降采样层、1个全连接层和1个输出层。

5.根据权利要求4所述的方法，其特征在于，所述卷积层通过sigmoid函数激活。

6.根据权利要求4所述的方法，其特征在于，所述降采样层采用最大池化法。

7.根据权利要求4所述的方法，其特征在于，所述输出层采用softmax函数。

8.根据权利要求4所述的方法，其特征在于，2个卷积层特征图的数量分别为10和8，尺寸分别为24X24和8X8，卷积核的尺寸均为5X5。

9.根据权利要求4所述的方法，其特征在于，2个降采样层特征图的数量分别为10和8，尺寸分别为12X12和8X8，采样尺寸分别为2X2和1X1。