1、溢油和類似溢油現(xiàn)象（生物油和乳化油）在全極化SAR圖像上都顯示為暗斑區(qū)域，并且二者具有很高的一致性。所以，對于SAR圖像而言，只是使用單特征難以對圖像上的溢油和類似溢油現(xiàn)象進行分類。
　　在本文中，重點應用多特征融合和卷積神經網絡(CNN)相結合的思想分類全極化SAR圖像上溢油和類似溢油現(xiàn)象。本文主要的工作概括如下:
　　首先，對溢油和類似溢油區(qū)域提取18種特征并進行分析，選取區(qū)分性較好的特征組成優(yōu)化特征子集。根據(jù)實驗分析結

2、果，本文選擇C波段下的:極化散射熵(Entropy)，極化散射角(Alpha)和單次反射特征值相對差異度(SERD)這三種極化特征組合成優(yōu)化特征子集。
　　其次，在確定的三種極化特征的特征圖上選取多個感興趣區(qū)域作為CNN的訓練樣本和測試樣本。最后本文的網絡模型由5400個樣本(1800個原油膜樣本，1800個生物油膜樣本和1800個乳化油膜樣本)訓練而成。測試樣本數(shù)據(jù)集包含900個樣本(300個原油膜樣本，300個生物油膜樣本和3

3、00個乳化油膜樣本)，最終得到的分類精確度為91.33％。
　　最后，用同樣的實驗數(shù)據(jù)采用人工神經網絡(ANN)分類算法進行溢油區(qū)和類似溢油區(qū)的分類，并與CNN分類算法分類結果進行對比。考慮到應避免網絡模型的過擬合現(xiàn)象以獲得更可靠的實驗效果，本文還進行了K-交叉驗證和ROC曲線實驗。通過實驗可以發(fā)現(xiàn)，在實驗數(shù)據(jù)不充分的情況下，本文的實驗模型的確會存在過擬合現(xiàn)象，因此在后續(xù)的研究中應注意實驗數(shù)據(jù)的豐富和擴充。
　　實驗結果表明