CN113920445B 基于多核分类模型决策融合的海面溢油检测方法 （自然资源部第一海洋研究所）

基于多核分类模型决策融合的海面溢油检本公开的实施例公开了基于多核分类模型取目标海域的多光谱遥感图像，作为待检测图果，多核决策融合算法能够将各单核的优势互2若多个分类结果在该像元的所属类别相同，则将这一类别赋予该像元的决策融合结若多个分类结果在该像元的所属类别不同，则获取多个分类2.根据权利要求1所述的基于多核分类模型决策融合的海面溢油检测方法，其特征在3.根据权利要求2所述的基于多核分类模型决策融合的海面溢油检测方法，其特征在将所述多个预设波段数据以及所述预定数量的波段组合确定为4.根据权利要求2所述的基于多核分类模型决策融合的海面溢油检测方法，其特征在5.根据权利要求4所述的基于多核分类模型决策融合的海面溢油检测方法，其特征在6.根据权利要求4所述的基于多核分类模型决策融合的海面溢油检测方法，其特征在7.根据权利要求1至6任一项所述的基于多核分类模型决策融合的海面溢油检测方法，筛选出油-水巴氏距离较大的特征作为最佳溢油空8.根据权利要求1至6任一项所述的基于多核分类模型决策融合的海面溢油检测方法，9.根据权利要求1至6任一项所述的基于多核分类模型决策融合的海面溢油检测方法，34[0003]支持向量机(SupportVectorMachine,SVM)在遥感图像研究中具有良好的计算[0005]本发明提供的一种基于多核分类模型决策融合的海面溢油检测方法的技术方案5[0032]在一些实施例中，所述多个单核函数的分类模型包括RBF核函数的SVM分类模型、[0035]图1是本发明具体实施例提供的基于多核分类模型决策融合的海面溢油检测方法[0036]图2是本发明具体实施例提供的基于多个分类结果得到决策融合结果的原理示意[0038]图4是本发明具体实施例提供的基于多核分类模型决策融合的海面溢油检测方法[0039]图5a至图5e依次示出RBF核函数的SVM分类模型、Linear核函数的SVM分类模型、Polynomial核函数的SVM分类模型Sigmoid核函数的SVM分类模型、多核分类模型的溢油检6的问题，本实施例提供了一种基于多核分类模型决策融合的海面溢油检测方法，如图1所[0064]进一步地，步骤S202具体为：基于灰度共生矩阵(Gray-levelCo-occurrence[0065]作为示例，基于灰度共生矩阵(Gray-levelCo-occurrenceMatrix，GLCM)分别7[0072]巴氏距离(BhattacharyyaDistBD从大到小排列的前20个特征量作为最佳溢油空谱特8[0087]对于多个分类结果中同一位置的像元，判定融合后该像元的所属类别的方法包他分类结果在所述预定窗口中最多的类别相同，则将这一类别赋予该像元的决策融合结[0095]图4示出基于多核分类模型决策融合的海面溢油检测方法首先基于最佳指数因子(OIF)构建光谱特征指数提取海面溢油光谱特征，基于灰度共生矩9[0096]下面对本发明提供的基于多核分类模型决策融合的海面溢油检测方法进行性能介质(包括但不限于磁盘存储器和光学存储器等)上实施的计算机现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定[0102]这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一碟、光盘、只读存储记忆体(Read-OnlyMemory，ROM)或随机存储记忆体(Random需要付出创造性劳动即可做出的各种修改或变形仍在本公开的保