(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202211397192.5 (22)申请日 2022.11.09 (71)申请人 烟台大学 地址 264003 山东省烟台市莱山区清泉路 30号 (72)发明人 牟春晓　翟基锭　侯永超　王莹洁　 迟浩坤　 (74)专利代理 机构 烟台双联专利事务所(普通 合伙) 37225 专利代理师 贡丽妙 (51)Int.Cl. G06T 7/00(2017.01) G06T 7/10(2017.01) G06T 7/187(2017.01) G06V 10/74(2022.01)G06T 5/30(2006.01) G06N 3/04(2006.01) G06N 3/08(2006.01) (54)发明名称 利用自注 意力分析SAR图像获取海 上溢油区 域的方法 (57)摘要 本发明公开了一种利用自注 意力分析SAR图 像获取海上溢油区域的方法， 包括如下步骤： 建 立样本数据集， 对深度学习自注 意力溢油检测模 型进行训练； 获取SAR原始数据， 采用VV极化作为 溢油检测的原始图像， 以滑动窗口的方式将所述 原始图像划分为多个子图像； 将划分好的子图像 作为特征图输入到已经训练好的深度学习自注 意力溢油检测模 型中， 输出图像作为溢油区域检 测结果。 本发明提高了溢油检测模型的识别精 度， 实现了精 准识别具有模糊和复杂边界形状的 SAR图像中的溢油区域。 权利要求书3页 说明书8页 附图4页 CN 115546199 A 2022.12.30 CN 115546199 A 1.一种利用自注意力分析SAR图像获取海上溢油区域的方法， 其特征在于， 包括如下步 骤： S1： 建立样本数据集， 对深度学习自注意力溢油检测模型进行训练； S2： 获取SAR原始数据， 采用VV极化作为溢油检测的原始图像， 以滑动窗口的方式将所 述原始图像划分为多个子图像； S3： 将划分好的子图像作为特征图输入到已经训练好的深度 学习自注意力溢油检测模 型中， 输出图像作为溢油区域检测结果。 2.如权利要求1所述的利用自注意力分析SAR图像获取海上溢油区域的方法， 其特征在 于： 所述深度学习自注意力溢油检测模 型包括编码器、 膨胀卷积模块和解码 器， 所述编 码器 包括4个依次相连的编码器模块， 所述编码器模块分层排列， 所述解码器包括4个与所述编 码器模块一一对应的解码 器模块， 第一层编码器模块的输出结果与第二层解码器模块的输 出结果加和 后作为第一层解码器模块的输入量， 第二层编 码器模块的输出结果与第三层解 码器模块的输出结果加和 后作为第二层解码 器模块的输入量， 第三层编码器模块的输出结 果与第四层解码 器模块的输出结果加和 后作为第三层解码器模块的输入量， 第四层编 码器 模块的输出结果输入至所述膨胀卷积模块， 膨胀卷积模块的输出结果与第四层编 码器模块 的输出结果加和后作为第四层解码器模块的输入量。 3.如权利要求2所述的利用自注意力分析SAR图像获取海上溢油区域的方法， 其特征在 于： 所述编码 器模块包括多个残差模块、 一个空间注意力模块和一个通道注意力模块， 特征 图输入所述编码器模块后， 首先经过多个残差模块， 然后分别输入所述空间注意力模块和 通道注意力模块， 并将空间注意力模块的输出结果和通道注意力模块的输出结果进行矩阵 加法运算， 得到编码器模块的输出 结果。 4.如权利要求3所述的利用自注意力分析SAR图像获取海上溢油区域的方法， 其特征在 于： 所述步骤S3中， 特 征图M∈RC×H×W输入所述空间注意力模块后执 行如下操作： S31： 将特征图M∈ RC×H×W送入三个卷积层， 得到三个新的特征图分别为{A,B}∈ Rc×H×W,G ∈RC×H×W， 其中RC×H×W表示通道数为C， 高为H， 宽为W的矩阵， 表示将通道数为C的特征 图压缩为 通道数为 的特征图； S32： 将A,B重塑为{ A,B}∈RC×N， 其中N＝H ×W， 再将重塑后的A的转置与重塑后的B相乘， 经过Softmax得到空间注意特 征图S∈RN×N： 其中， sji表示第i个像素值和第j个像素值之间的关联程度， Ai表示A中的第i个像素， Bj 表示B中的第j个 像素； 同时将G∈RC×H×W重塑为G∈RC×N； S33： 将重塑后的G与S相乘， 运算结果重塑为GS∈RC×H×W,然后将重塑结果GS乘以 比例参 数α， 并与M执 行元素求和运 算， 得到所述空间注意力模块的输出 结果E∈RC×H×W： 权　利　要　求　书 1/3 页 2 CN 115546199 A 2其中α 初始化 为0。 5.如权利要求3所述的利用自注意力分析SAR图像获取海上溢油区域的方法， 其特征在 于： 所述步骤S3中， 特 征图M∈RC×H×W输入所述 通道注意力模块后执 行如下操作： S31'： 将特征图M∈RC×H×W重塑为M∈RC×N， 然后将重塑后的M与重塑后的M的转置做矩阵 乘法运算， 再经过Softmax层获得通道 注意力图X∈RN×N： 其中xji表示特征图M的第i个通道与第j个通道之间的关联程度； S32'： 将重塑后的M与X相乘， 运算结果重塑为MX∈RC×H×W， 然后将重塑结果MX乘以比例 参数β， 并与M执 行元素求和运 算， 得到所述 通道注意力模块的输出 结果F∈RC×H×W： 其中β 初始化 为0。 6.如权利要求1所述的利用自注意力分析SAR图像获取海上溢油区域的方法， 其特征在 于： 所述步骤S1对深度学习自注意力溢油检测模型进行训练时采用以下损失函数： L＝LBCE+LDice+LGP 其中LBCE和LDice的计算方式为： 其中target 表示像素点实际值， pt 表示像素点的预测值； LGP的计算方式为： 其中G(E)表示从模型输出的标记图像的掩码， E表示实际标记图像掩码， C表示每个图 像通道， (·)T是矩阵的转置， t race(·)是L2归一 化， H表示图像的高度， W表示图像的宽度。 7.如权利要求6所述的利用自注意力分析SAR图像获取海上溢油区域的方法， 其特征在 于： 所述步骤S1采用以下 方式对深度学习自注意力溢油检测模型进行训练： S11： 将所述样本数据集按一定比例划分为训练集和 测试集； S12： 使用训练集对当前深度学习自注意力溢油检测模型进行训练， 利用损失函数L计 算预测结果和真实结果之间的损失值， 利用当前损失值调节模型参数； S13： 重复步骤S12， 直到训练集中的图像数据全部训练完毕， 视为一轮训练结束， 并计 算所有预测结果和真实结果之间的平均损失值； S14： 判断完成当前轮次训练后计算的平均损失值是否小于完成上一轮次训练后计算 的平均损失值， 是则判定模 型损失不收敛， 重复步骤S12～S13继续训练， 否则判定模 型损失权　利　要　求　书 2/3 页 3 CN 115546199 A 3