張曉曉，牛 福，毛健平，安居白，郭 浩

1.大連海事大學(xué) 信息科學(xué)技術(shù)學(xué)院，遼寧 大連116026

2.山東交通學(xué)院 汽車工程學(xué)院，濟(jì)南250357

隨著海洋石油資源開發(fā)的不斷增加，溢油事故發(fā)生較為頻繁，對(duì)海洋和沿海地區(qū)造成了嚴(yán)重的環(huán)境和經(jīng)濟(jì)影響，為了防止溢油災(zāi)害，必須檢測(cè)溢油的位置。SAR以其廣域、全天候的監(jiān)視能力，被認(rèn)為是最適合漏油監(jiān)測(cè)的傳感器之一[1]。然而在全極化SAR 圖像中經(jīng)常出現(xiàn)“類油膜”（如生物油膜、低風(fēng)速區(qū)、乳化油膜、大氣重力波等）現(xiàn)象，在全極化SAR圖像上類油膜與油膜均呈現(xiàn)為暗色區(qū)域，兩者的后向散射系數(shù)和灰度值很相似，在識(shí)別時(shí)易對(duì)兩者產(chǎn)生混淆，對(duì)利用SAR 圖像進(jìn)行海面溢油區(qū)檢測(cè)產(chǎn)生了嚴(yán)重影響。所以對(duì)全極化SAR圖像上的類油膜和油膜現(xiàn)象進(jìn)行高效的分類對(duì)降低海面溢油監(jiān)測(cè)的虛警率尤為重要。

近幾年隨著在圖像分類和模式識(shí)別方面深度學(xué)習(xí)不斷取得巨大成就。多位學(xué)者和專家將深度學(xué)習(xí)應(yīng)用到了上述問題當(dāng)中。Singha等人[2]通過人工神經(jīng)網(wǎng)絡(luò)算法（ANN）正確識(shí)別出了91.6%的溢油數(shù)據(jù)和98.3%的類油膜數(shù)據(jù)。但是ANN 隱藏層的學(xué)習(xí)過程無法觀察到，對(duì)于得到的結(jié)果很難解釋。Li等人[3]在訓(xùn)練數(shù)據(jù)樣本數(shù)量有限的情況下，提出將SAE 和DBN 深度學(xué)習(xí)算法結(jié)合進(jìn)行分類，結(jié)果表明其分類性能比SVM和ANN略勝一籌。Song 等人[4]將多個(gè)全極化SAR 圖像數(shù)據(jù)結(jié)合優(yōu)化后的小波神經(jīng)網(wǎng)絡(luò)分類器（WNN），開發(fā)出一種新的識(shí)別溢油的方法。Guo等人[5]提出將三種極化特征結(jié)合CNN分類油膜和類油膜，提高了識(shí)別準(zhǔn)確性，分類精度達(dá)到91.33%。Orfanidis 等人[6]提出了將深度神經(jīng)網(wǎng)絡(luò)（DCNN）與SAR圖像相結(jié)合的方法，提供了一個(gè)全自動(dòng)的溢油識(shí)別系統(tǒng)。Xiong 等人[7]提出了一種基于DenseNet卷積神經(jīng)網(wǎng)絡(luò)的密集連接網(wǎng)絡(luò)模型，通過提取SAR 圖像的多尺度特征，提高了分類和識(shí)別的準(zhǔn)確性。以上研究方法使用的均是淺層網(wǎng)絡(luò)，數(shù)據(jù)表達(dá)能力較弱，分類準(zhǔn)確度不高，不能有效地進(jìn)行推廣應(yīng)用，而且較少有學(xué)者對(duì)多種分類方法進(jìn)行對(duì)比分析[8]?；谝陨蠁栴}，本文提出使用多特征融合與深度殘差網(wǎng)絡(luò)（Residual Network，ResNet）相結(jié)合的方式對(duì)溢油和類油膜進(jìn)行分類，同時(shí)將分類結(jié)果與AlexNet、VGG 網(wǎng)絡(luò)進(jìn)行比較分析。結(jié)果表明，在區(qū)分油膜和類油膜方面，深度殘差網(wǎng)絡(luò)分類準(zhǔn)確性優(yōu)于其他網(wǎng)絡(luò)。

1 數(shù)據(jù)集及預(yù)處理

1.1 數(shù)據(jù)集介紹

本文中的實(shí)驗(yàn)數(shù)據(jù)來自以下3幅全極化SAR圖像，如圖1和圖2所示。其中NO.1拍攝于2010年墨西哥灣溢油事件，如圖1所示，（a）中的黑色區(qū)域?yàn)樵湍ぃ╞）為漏油的地理坐標(biāo)。NO.2、NO.3來源于2011年歐洲北海溢油實(shí)驗(yàn)，分別將生物油膜、乳化油膜和原油灑在北海上，圖2 為溢油數(shù)據(jù)，（a）中包含生物油膜和乳化油膜；（b）包含生物油膜、乳化油膜和原油膜。

圖1 2010年墨西哥灣溢油數(shù)據(jù)（NO.1）

圖2 2011年歐洲北海溢油數(shù)據(jù)（NO.2、NO.3）

1.2 數(shù)據(jù)預(yù)處理

噪聲對(duì)雷達(dá)圖像會(huì)產(chǎn)生一定的干擾，因此使用正交條件下的Pauli分解[9]，在一定程度上可以降低噪聲對(duì)雷達(dá)圖像的影響，對(duì)檢測(cè)暗區(qū)有幫助。具體的步驟如下所述：

（1）先將原始的實(shí)驗(yàn)數(shù)據(jù)進(jìn)行Pauli分解；

（2）再對(duì)Pauli分解后的圖像進(jìn)行Boxcar濾波處理。

1.2.1 Pauli分解

在相干分解中[10]，用于目標(biāo)分解的四個(gè)Pauli基矩陣分別為。四個(gè)Pauli基對(duì)應(yīng)于不同的實(shí)際散射機(jī)制，其中P1表示平面一次散射，P2和P3分別表示0°和45°相對(duì)取向的二面角反射器的二次散射，P4表示反對(duì)稱分量。

對(duì)于任意2×2 維度的復(fù)數(shù)矩陣S，其Pauli 分解式為：

式中，ki表示S在Pauli基Pi上的投影。

對(duì)矩陣所求的跡用Tr 表示，則ki可表示為：

對(duì)于大多數(shù)雷達(dá)目標(biāo)，其理論后向散射矩陣均滿足互異性定理，因此理論后向散射矩陣在Pauli基P4上的投影均為0。故對(duì)于大多數(shù)雷達(dá)目標(biāo)的理論后向散射矩陣，Pauli分解的正交基為P1、P2、P3。將目標(biāo)理論相對(duì)散射矩陣Sj在正交條件下的投影向量記為：

式中，T 代表向量的轉(zhuǎn)置。

然而在實(shí)際測(cè)量中，由于雷達(dá)天線極化隔離度不理想和變極化作用引入的交叉極化串?dāng)_和極化增益失衡，需進(jìn)一步通過外部定標(biāo)體來校準(zhǔn)雷達(dá)系統(tǒng)。在實(shí)際的雷達(dá)系統(tǒng)中，極化測(cè)量可以更準(zhǔn)確地描述為：

其中，G是2×2的極化雷達(dá)接收通道增益矩陣；⊙表示Hadamard 點(diǎn)積運(yùn)算；R和T是2×2 發(fā)送和接收失真矩陣；S是2×2目標(biāo)極化散射矩陣；I是包括雜波、噪聲和干擾等不良信號(hào)的誤差矩陣；Sm表示實(shí)際測(cè)量的目標(biāo)極化散射矩陣。

目標(biāo)實(shí)際測(cè)量的相對(duì)散射矩陣不一定滿足互異性定理，因此需要在四個(gè)Pauli 基上進(jìn)行分解。目標(biāo)實(shí)際測(cè)量的相對(duì)散射矩陣在四個(gè)Pauli 基上的投影向量記為：

若三個(gè)目標(biāo)的投影向量線性無關(guān)，則這三個(gè)目標(biāo)滿足正交條件，均可選作定標(biāo)體。記矩陣K=[k1,k2,k3]，，其中kj表示第j個(gè)定標(biāo)體的理論相對(duì)散射矩陣Sj在正交基上的投影向量，因此K是3×3的矩陣，表示定標(biāo)體實(shí)際測(cè)量的相對(duì)散射矩陣在四個(gè)Pauli 基上的投影向量，所以Km是4×3 的矩陣，K與Km滿足以下關(guān)系：

式中，4×3 的誤差矩陣C包含失真矩陣R、T和增益矩陣G的全部信息。如果三個(gè)定標(biāo)體滿足正交條件，則K可逆，于是

由于任何矩陣右乘可逆矩陣后矩陣的秩不變，列滿秩矩陣Km與K-1的乘積C也是列滿秩矩陣，從而矩陣C的左偽逆矩陣Lc存在。

記待校準(zhǔn)目標(biāo)的實(shí)際測(cè)量相對(duì)散射矩陣為在四個(gè)Pauli基上的投影向量為：

則校準(zhǔn)后的投影向量為：

根據(jù)公式（9）和散射矩陣與投影向量的關(guān)系式（2），從而目標(biāo)校準(zhǔn)后的相對(duì)散射矩陣為[11]：

1.2.2 Boxcar濾波

Boxcar 濾波是一種在滑動(dòng)窗口內(nèi)取平均像素值的濾波方法[12]。對(duì)于單極化SAR 圖像，濾波后的像素值與滑動(dòng)窗口內(nèi)的像素值的關(guān)系如下：

Y為SAR圖像中第(i,j)個(gè)像素的強(qiáng)度值，N為濾波窗口的大小，i和j分別為圖像中被濾波的像素所在的行號(hào)和列號(hào)。

對(duì)于全極化SAR 數(shù)據(jù)可用Sinclair 散射矩陣S表達(dá)，數(shù)據(jù)通常以4個(gè)通道的文件Shh、Shv、Svh、Svv的形式給出。在進(jìn)行濾波前，極化SAR 數(shù)據(jù)一般要處理成協(xié)方差矩陣C或相干矩陣T的形式：

其中，KP和KL分別是散射矩陣S的lexicographic 矢量展開和Paul矢量展開，式中右上角標(biāo)*表示共軛轉(zhuǎn)置，右上角標(biāo)T表示轉(zhuǎn)置。

在互易的情況下，Shv=Svh，KL和KP簡(jiǎn)化為三維向量：

Boxcar濾波對(duì)相干矩陣T或協(xié)方差矩陣C的各個(gè)元素分別進(jìn)行濾波。對(duì)于對(duì)角線的元素，由于是實(shí)數(shù)，所以對(duì)于對(duì)角線元素生成的圖像可以直接進(jìn)行濾波；非對(duì)角線元素由于是復(fù)數(shù)，則實(shí)部和虛部分別進(jìn)行窗口濾波。由于T或C矩陣是共軛對(duì)稱的，故總共需要過濾3+3×2=9 個(gè)通道的圖像。每個(gè)通道濾波后的像素值與滑動(dòng)窗口內(nèi)的像素值的關(guān)系如下：

式中，Y為SAR 圖像中第(n,m)個(gè)像素的強(qiáng)度值，nm代表矩陣T或C的第n行，第m列元素。

在本文實(shí)驗(yàn)中給全極化SAR圖像數(shù)據(jù)進(jìn)行了Boxcar 濾波，濾波窗口的大小對(duì)后續(xù)的分類精度會(huì)產(chǎn)生一定的影響。通過實(shí)驗(yàn)發(fā)現(xiàn)數(shù)據(jù)的對(duì)比度越強(qiáng)對(duì)暗斑的檢測(cè)精度越高，而濾波窗口的大小又會(huì)對(duì)圖像對(duì)比度產(chǎn)生影響（對(duì)比度指的是一幅圖像中明暗區(qū)域最亮的白和最暗的黑之間不同亮度層級(jí)的測(cè)量，即指一幅圖像灰度反差的大小。差異范圍越大代表對(duì)比越大，差異范圍越小代表對(duì)比越?。?。為了選擇一個(gè)合適的濾波窗口大小，進(jìn)行了一個(gè)參數(shù)分析實(shí)驗(yàn)，分別將濾波滑動(dòng)窗口設(shè)置為3×3、5×5 和7×7，當(dāng)窗口大小設(shè)置為1 時(shí)認(rèn)為是不進(jìn)行濾波。表1 展現(xiàn)的是對(duì)同一SAR 數(shù)據(jù)進(jìn)行不同大小濾波窗口后的對(duì)比度值，由表可以得出窗口大小為3×3 時(shí)有較高的對(duì)比度，所以實(shí)驗(yàn)中選擇3×3 大小的濾波窗口。

表1 不同滑動(dòng)窗口大小下的對(duì)比度值

2 特征提取

全極化SAR圖像的特征提取是進(jìn)行油膜和類油膜分類的核心步驟。先提取特征再對(duì)提取的特征進(jìn)行分析，最終篩選出最佳的特征組合成最優(yōu)特征子集作為網(wǎng)絡(luò)的輸入，本實(shí)驗(yàn)中選取了極化散射熵，極化散射角和SERD 三種極化特征[13]作為最優(yōu)特征子集作為網(wǎng)絡(luò)的輸入。

極化SAR數(shù)據(jù)包含極化信息，如極化特征矩陣、極化散射向量等。與單極化SAR 圖像相比，全極化SAR圖像包含更多的物理特性，從而可以更全面地表達(dá)目標(biāo)區(qū)域的特征。

本文中的三種極化特征（Entropy，Alpha，SERD）是由大小為3×3的相干矩陣T3求出的。

通過計(jì)算相干矩陣的特征矢量，可以將相干矩陣分解為3種相互正交的散射機(jī)制貢獻(xiàn)之和，特征值對(duì)應(yīng)散射機(jī)制的權(quán)重系數(shù)。

式中，λi表示特征值，μi表示λi對(duì)應(yīng)的特征向量。

本文中所提取的三種極化特征定義[14]分別如下：

（1）極化散射熵（Entropy）：

其中，Entropy∈[0,1]，當(dāng)潔凈的海面被雷達(dá)波束照射時(shí)，Entropy值比較小，因?yàn)橹粫?huì)發(fā)生一種散射機(jī)制并且其值不會(huì)超過0.4；如果海面被油膜覆蓋，此時(shí)會(huì)發(fā)生多種散射機(jī)制，此時(shí)Entropy值在0.8以上。

（2）極化散射角（Alpha）：

公式（24）中ei(1)表示[T3]極化相干矩陣的特征向量的首個(gè)元素，Alpha 的取值為0°～90°，Alpha 可以區(qū)分海面目標(biāo)的不同散射機(jī)制。有油膜覆蓋的海水區(qū)域的Alpha值大于干凈的海水區(qū)域，其值大于42.5°。

（3）SERD特征：

式中，λinos表示[T3]相干矩陣的特征值，可根據(jù)λ1nos和λ2nos求出αi,αi表示散射角。若，則λs=λ1nos；若，則λs=λ2nos。SERD 對(duì)粗糙度非常敏感，而油膜的存在導(dǎo)致海水表面不同的粗糙程度，進(jìn)而影響散射機(jī)制。在沒有油膜的海面區(qū)域，SERD值較大因?yàn)橹挥袉未紊⑸?，而有油膜覆蓋的區(qū)域，散射機(jī)制比較復(fù)雜，單次散射機(jī)制所占比例較小，所以SERD值也較小。因此SERD 值的大小可以被用來區(qū)分全極化SAR圖像上的油膜和類油膜。

3 基于ResNet的溢油分類

3.1 ResNet簡(jiǎn)介

本文采用ResNet50 作為訓(xùn)練本文實(shí)驗(yàn)?zāi)Ｐ偷幕揪W(wǎng)絡(luò)。ResNet加入了殘差學(xué)習(xí)框架，這種殘差結(jié)構(gòu)不僅易于優(yōu)化并且計(jì)算量很小。設(shè)計(jì)殘差結(jié)構(gòu)是為了解決隨著層數(shù)的加深網(wǎng)絡(luò)退化和梯度消失問題，進(jìn)而可以在增加深度的同時(shí)提高網(wǎng)絡(luò)的性能[15]。ResNet 網(wǎng)絡(luò)不僅可以極大地加深卷積神經(jīng)網(wǎng)絡(luò)的層數(shù)，而且可以有效地解決由于層疊加而導(dǎo)致訓(xùn)練誤差增加的問題。

殘差模塊結(jié)構(gòu)如圖3 所示，在ResNet 結(jié)構(gòu)中，輸入為x，輸出為F(x)+x，擬合目標(biāo)為H(x)-x，訓(xùn)練目標(biāo)為F(x)=H(x)-x即所謂的殘差。為了不斷改變淺層網(wǎng)絡(luò)，需要訓(xùn)練使F(x)=x,即目標(biāo)變成了讓F(x)+x=x,這也就相當(dāng)于使F(x)=0。這比最初的訓(xùn)練目標(biāo)要簡(jiǎn)單得多，因?yàn)榫W(wǎng)絡(luò)每一層的參數(shù)初始化通常偏向于0。與更新網(wǎng)絡(luò)層的參數(shù)來學(xué)習(xí)H(x)=x相比，更新冗余層的參數(shù)來學(xué)習(xí)F(x)=0 更快。

圖3 殘差模塊結(jié)構(gòu)示意圖

殘差結(jié)構(gòu)如圖3所示，定義為：

其中，x和y是網(wǎng)絡(luò)層的輸入和輸出向量，函數(shù)F(x,{Wi})表示要學(xué)習(xí)的殘差映射。

對(duì)于圖3 中兩層網(wǎng)絡(luò)的示例，函數(shù)F(x,{Wi})可以表示多個(gè)卷積層。為了簡(jiǎn)化符號(hào)，省略了relu激活函數(shù)（Rectified Linear Unit，線性整流函數(shù)）和偏差。F(x)+x操作通過快捷連接和逐個(gè)通道執(zhí)行逐元素加法實(shí)現(xiàn)。假設(shè)這個(gè)兩層神經(jīng)網(wǎng)絡(luò)，在l層進(jìn)行激活，得到xl+1，則可簡(jiǎn)單地寫成如下形式：

通過不斷堆疊網(wǎng)絡(luò)層數(shù)，可以得到任意深層單元L特征的表達(dá)：

假定ε為損失函數(shù)，由反向傳播的鏈?zhǔn)椒▌t可得下式：

本文用于油膜和類油膜分類的ResNet50 的結(jié)構(gòu)如圖4所示。

圖4 ResNet50結(jié)構(gòu)示意圖

3.2 數(shù)據(jù)集制作

因?yàn)镽esNet 屬于CNN 模型，因此圖像可以直接作為網(wǎng)絡(luò)的輸入，在本文所有作為網(wǎng)絡(luò)輸入的樣本都是基于像素的。圖5 展示的是實(shí)驗(yàn)所用的三幅全極化SAR數(shù)據(jù)對(duì)應(yīng)的三種極化特征圖。在一幅數(shù)據(jù)上選取一個(gè)感興趣區(qū)域即可在其對(duì)應(yīng)的三種極化特征圖的對(duì)應(yīng)位置上得到三個(gè)感興趣區(qū)域，由于所用SAR 數(shù)據(jù)上海水占大多數(shù)面積，因此需要將大部分海水區(qū)域去除，選擇出包含油膜和類油膜的區(qū)域即可。因此先用ENVI軟件在前三幅數(shù)據(jù)對(duì)應(yīng)的特征圖上選取暗斑區(qū)域，然后對(duì)上一步選取的暗斑區(qū)域用MATLAB 軟件進(jìn)行滑塊操作，滑塊的步長設(shè)置為20×20，最終實(shí)驗(yàn)中共選取了12 600個(gè)實(shí)驗(yàn)樣本，并從中隨機(jī)挑選10 800 個(gè)組成訓(xùn)練集，其余1 800 個(gè)組成測(cè)試集。訓(xùn)練集由3 600 個(gè)原油樣本、3 600個(gè)生物油樣本和3 600個(gè)乳化油樣本組合而成（其中Entropy 樣本、Alpha 樣本和SERD 樣本各3 600 個(gè)）。測(cè)試集的樣本分布與訓(xùn)練集相同。其中特征融合指訓(xùn)練網(wǎng)絡(luò)模型所用的訓(xùn)練集和測(cè)試網(wǎng)絡(luò)模型所用的測(cè)試集是由三種特征的樣本共同組成的而不是單一的一種樣本。實(shí)驗(yàn)中每一個(gè)樣本大小為50×50（參數(shù)大小確定過程詳見表2）。

表2 不同像素值的分類精確度和Kappa系數(shù)

圖5 三幅數(shù)據(jù)的三種極化特征圖

3.3 輸入圖像大小確定

樣本的大小也會(huì)對(duì)分類結(jié)果產(chǎn)生影響。若輸入圖像太小，則網(wǎng)絡(luò)不能充分捕捉圖像上下文信息從而導(dǎo)致網(wǎng)絡(luò)學(xué)習(xí)到的圖像特征不夠充分。但是輸入圖像太大又會(huì)增加網(wǎng)絡(luò)負(fù)擔(dān)，導(dǎo)致花費(fèi)太多的時(shí)間在訓(xùn)練模型上，所以必須選擇合適的輸入圖像大小。

在本實(shí)驗(yàn)中，根據(jù)輸入圖像大小對(duì)分類精度的影響確定輸入圖像的大小。實(shí)驗(yàn)中將ResNet的其他參數(shù)固定，測(cè)試不同大小樣本得到的分類精度，結(jié)果如表2 所示。結(jié)果表明，分類的精度會(huì)隨著輸入圖像大小的增大而增大。這是因?yàn)楫?dāng)圖像過小時(shí)網(wǎng)絡(luò)提取到的上下文信息不夠充分導(dǎo)致的。但是隨著圖像的增大當(dāng)輸入圖像大小為50×50時(shí)精度開始趨于穩(wěn)定，繼續(xù)增大圖像精度開始下降，因此實(shí)驗(yàn)中最終將輸入圖像大小確定為50×50。

4 實(shí)驗(yàn)結(jié)果與分析

本實(shí)驗(yàn)分別在Entropy、Alpha、SERD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)域作為網(wǎng)絡(luò)的訓(xùn)練集和測(cè)試集。其中訓(xùn)練集由3 600個(gè)原油樣本、3 600個(gè)生物油樣本和3 600個(gè)乳化油樣本（共計(jì)10 800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)1 800 個(gè)）組合而成，最終得到97.56%的分類精度。

4.1 分類結(jié)果比較與分析

將相同的訓(xùn)練集和測(cè)試集應(yīng)用于AlexNet 和VGG模型中，最后將分類結(jié)果與ResNet50進(jìn)行比較，結(jié)果如表3所示。

表3 本文所提算法與AlexNet、VGG的比較

在ResNet50 網(wǎng)絡(luò)模型分類結(jié)果中8 個(gè)原油樣本被分類為生物油樣本，6個(gè)原油樣本被分類為乳化油樣本，20 個(gè)生物油樣本被分為乳化油樣本，10 個(gè)乳化油樣本被分為生物油膜樣本；在AlexNet 網(wǎng)絡(luò)分類結(jié)果中6 個(gè)原油樣本被分類為乳化油樣本，12個(gè)生物油樣本被分類為原油樣本，12個(gè)生物油樣本被分為乳化油樣本，29個(gè)乳化油樣本被分類為原油樣本，7個(gè)乳化油樣本被分類為生物油樣本。在VGG網(wǎng)絡(luò)模型分類結(jié)果中4個(gè)原油樣本被分類為生物油樣本，20個(gè)原油樣本被分類為乳化油樣本，41個(gè)生物油樣本被分類為原油樣本，11個(gè)生物油樣本被分為乳化油樣本，10個(gè)乳化油樣本被分類為原油樣本，22個(gè)乳化油樣本被分類為生物油樣本。

表3 中的時(shí)間是指訓(xùn)練10 800 個(gè)樣本迭代一次所用時(shí)間，在模型訓(xùn)練過程中將迭代次數(shù)設(shè)置為300，將Batch_size 設(shè)置為15。接著將1 800 個(gè)測(cè)試樣本輸入網(wǎng)絡(luò)模型對(duì)模型進(jìn)行測(cè)試。從實(shí)驗(yàn)結(jié)果可以看出，在分類油膜和類油膜方面，由于深度殘差網(wǎng)絡(luò)具有較深的層數(shù)，因此在運(yùn)行時(shí)間上多于其他兩種深度學(xué)習(xí)算法，但正是因?yàn)闅埐罹W(wǎng)絡(luò)特有的殘差結(jié)構(gòu)使得網(wǎng)絡(luò)可以在增加網(wǎng)絡(luò)深度提高分類精度的同時(shí)又能保證網(wǎng)絡(luò)模型不退化，因此在分類精度上明顯優(yōu)于AlexNet和VGG。尤其在大規(guī)模數(shù)據(jù)集上會(huì)有更好的適用性。其分類的有效性從kappa系數(shù)和ROC曲線圖（圖5）也可以看出。

4.2 ROC曲線評(píng)價(jià)

由于本文研究的是一個(gè)圖像二分類問題，即識(shí)別區(qū)分SAR 圖像上的油膜和類油膜現(xiàn)象，所以可以借助ROC 曲線[16]來評(píng)估和比較本文所提算法與AlexNet、VGG的分類效果。

為了確保油膜和類油膜是等概率的，本文隨機(jī)選取4 200個(gè)訓(xùn)練樣本組成訓(xùn)練集（包括2 100個(gè)油膜樣本和2 100個(gè)類油膜樣本）和700個(gè)測(cè)試樣本組成測(cè)試集（包括350 個(gè)油膜樣本和350 個(gè)類油膜樣本）用于ROC 實(shí)驗(yàn)。結(jié)果本文所提算法和AlexNet、VGG的ROC曲線如圖6所示。從圖中可知，本文所提算法ResNet50的敏感度明顯更高，AlexNet 其次，VGG 的敏感度相對(duì)最低。由此可見，本文所采取的識(shí)別方法具有較高的敏感性?？梢愿玫貙?duì)全極化SAR數(shù)據(jù)上的油膜和類油膜進(jìn)行區(qū)分。

圖6 ResNet50與AlexNet、VGG的ROC曲線圖

4.3 過擬合分析

為防止因數(shù)據(jù)不足導(dǎo)致的過度擬合現(xiàn)象，又做了另外兩組實(shí)驗(yàn)。在這兩組分析過度擬合的實(shí)驗(yàn)中，油膜樣本和類油膜樣本具有相同的概率。第一種網(wǎng)絡(luò)模型是由3 600 個(gè)原油樣本、3 600 個(gè)生物油樣本和3 600 個(gè)乳化油樣本（共10 800個(gè)樣本）訓(xùn)練得到的，訓(xùn)練樣本來自于前三幅數(shù)據(jù)。而第二種網(wǎng)絡(luò)模型是由2 000個(gè)原油樣本、2 000個(gè)生物油樣本和2 000個(gè)乳化油樣本（共6 000個(gè)樣本）訓(xùn)練得到的，訓(xùn)練樣本只基于第三幅數(shù)據(jù)。所有測(cè)試樣本都選自于第三幅數(shù)據(jù)，由200 個(gè)原油樣本、200 個(gè)生物油樣本和200 個(gè)乳化油樣本（共600 個(gè)樣本）組成。用同一測(cè)試集對(duì)這兩種網(wǎng)絡(luò)模型分別進(jìn)行測(cè)試，結(jié)果三種油膜經(jīng)過這兩種模型測(cè)試得到的分類精度如表4所示。通過分類結(jié)果可以分析得出，第二種網(wǎng)絡(luò)模型無論對(duì)哪種油膜的分類精度都比第一種網(wǎng)絡(luò)模型的分類精度高。通過實(shí)驗(yàn)結(jié)果可以得出，若訓(xùn)練樣本不夠充足，三種深度學(xué)習(xí)算法訓(xùn)練得到的網(wǎng)絡(luò)模型都會(huì)發(fā)生過擬合。為了避免發(fā)生過擬合現(xiàn)象，在以后的研究中非常有必要擴(kuò)充訓(xùn)練樣本數(shù)據(jù)。

表4 基于兩種模型的分類精度 %

4.4 K 交叉驗(yàn)證

在深度學(xué)習(xí)中，網(wǎng)絡(luò)模型訓(xùn)練之前會(huì)進(jìn)行采樣，然后將總體樣本劃分為訓(xùn)練集和測(cè)試集，然而訓(xùn)練集和測(cè)試集的樣本數(shù)量比例會(huì)一定程度上影響網(wǎng)絡(luò)模型的訓(xùn)練和測(cè)試效果，如果兩者的比例太大，有可能使模型發(fā)生過度學(xué)習(xí)現(xiàn)象，并且網(wǎng)絡(luò)訓(xùn)練的時(shí)間會(huì)增長，增加網(wǎng)絡(luò)訓(xùn)練的負(fù)擔(dān)，但是若比例過小，又會(huì)導(dǎo)致訓(xùn)練出的網(wǎng)絡(luò)模型與實(shí)際模型相差較大，進(jìn)而使測(cè)試精度降低。因此為了找到合適的樣本比例。本文進(jìn)行了K-CV實(shí)驗(yàn)，即將制作的數(shù)據(jù)集樣本均分為K份，然后任取一份作為網(wǎng)絡(luò)模型的測(cè)試數(shù)據(jù)集，其余的K-1 份用來訓(xùn)練網(wǎng)絡(luò)模型。K為整數(shù)并且K值通常大于3。

組內(nèi)實(shí)驗(yàn)所用數(shù)據(jù)集樣本均來自前三景數(shù)據(jù)，實(shí)驗(yàn)中本文的數(shù)據(jù)集共包含12 600 個(gè)樣本，在K-交叉驗(yàn)證實(shí)驗(yàn)中，分別將K值設(shè)置為3、5、7、9，然后通過實(shí)驗(yàn)得出了每一個(gè)K值對(duì)應(yīng)的暗斑分類精度的均值和方差，結(jié)果表明隨著K值的增大分類結(jié)果的穩(wěn)定性逐步得到提升，當(dāng)K值增大到7以后，分類結(jié)果的變化趨于平緩，考慮到網(wǎng)絡(luò)訓(xùn)練的成本，將K值確定為7，即測(cè)試集和訓(xùn)練集的樣本比例為1∶6。具體驗(yàn)證結(jié)果如表5所示。

表5 不同K 值對(duì)應(yīng)的分類精度的均值和方差

5 結(jié)論

本文主要采用多特征融合（即數(shù)據(jù)集由三種特征的樣本組成）和ResNet 相結(jié)合的方法區(qū)分SAR 圖像上的油膜和類油膜現(xiàn)象。所用數(shù)據(jù)集包含10 800 個(gè)訓(xùn)練樣本和1 800 個(gè)測(cè)試樣本，最后得到的分類精確度為97.56%。同時(shí)將分類結(jié)果與AlexNet、VGG的分類結(jié)果進(jìn)行對(duì)比。結(jié)果表明，雖然Resnet在耗時(shí)上多于其他深度學(xué)習(xí)方法，但是其在準(zhǔn)確率方面明顯優(yōu)于其他算法，在大規(guī)模數(shù)據(jù)集上有更好的適用性，在以后的研究中，將進(jìn)一步擴(kuò)充數(shù)據(jù)集，增加類油膜的種類，并提取更多的特征，選出更好的特征子集，改進(jìn)ResNet 模型，將其與更多的模型算法進(jìn)行對(duì)比分析，使其可以有更高的分類精確度和更好的時(shí)間性能，可以更好地應(yīng)用于不同SAR圖像上油膜和類油膜的分類。