张晓晓，牛 福，毛健平，安居白，郭 浩

1.大连海事大学 信息科学技术学院，辽宁 大连116026

2.山东交通学院 汽车工程学院，济南250357

随着海洋石油资源开发的不断增加，溢油事故发生较为频繁，对海洋和沿海地区造成了严重的环境和经济影响，为了防止溢油灾害，必须检测溢油的位置。SAR以其广域、全天候的监视能力，被认为是最适合漏油监测的传感器之一[1]。然而在全极化SAR 图像中经常出现“类油膜”（如生物油膜、低风速区、乳化油膜、大气重力波等）现象，在全极化SAR图像上类油膜与油膜均呈现为暗色区域，两者的后向散射系数和灰度值很相似，在识别时易对两者产生混淆，对利用SAR 图像进行海面溢油区检测产生了严重影响。所以对全极化SAR图像上的类油膜和油膜现象进行高效的分类对降低海面溢油监测的虚警率尤为重要。

近几年随着在图像分类和模式识别方面深度学习不断取得巨大成就。多位学者和专家将深度学习应用到了上述问题当中。Singha等人[2]通过人工神经网络算法（ANN）正确识别出了91.6%的溢油数据和98.3%的类油膜数据。但是ANN 隐藏层的学习过程无法观察到，对于得到的结果很难解释。Li等人[3]在训练数据样本数量有限的情况下，提出将SAE 和DBN 深度学习算法结合进行分类，结果表明其分类性能比SVM和ANN略胜一筹。Song 等人[4]将多个全极化SAR 图像数据结合优化后的小波神经网络分类器（WNN），开发出一种新的识别溢油的方法。Guo等人[5]提出将三种极化特征结合CNN分类油膜和类油膜，提高了识别准确性，分类精度达到91.33%。……