基于超像素深层图卷积网络的 SAR 图像暗斑检测

合成孔径雷达（SAR）是用于检测海面油膜的主要仪器。在 SAR 图像中，受海洋现象（如雨团、上升流和内波）影响的部分区域，或溢油排放区域，在图像上呈现为暗斑。暗斑检测是溢油检测的第一步，其结果为油膜候选区域。暗斑分割的精度最终影响油膜识别的精度。尽管一些以像素为处理单元的先进深度学习方法在遥感图像语义分割中表现良好，但从含噪 SAR 图像中检测一些边界微弱的暗斑仍是一项巨大挑战。本文提出一种基于超像素深层图卷积网络（SGDCN）的暗斑检测方法，该方法以超像素为处理单元并提取每个超像素的特征。由超像素区域计算得到的特征比固定像素邻域的特征更鲁棒。为降低学习任务的难度，我们丢弃无关特征并获得最优特征子集。超像素分割后，图像被转换为以超像素为节点的图，并输入深层图卷积神经网络进行节点分类。该图神经网络使用可微聚合函数聚合节点与邻居的特征以形成更高级的特征。这是首次将其用于暗斑检测。为验证我们的方法，我们在覆盖波罗的海的六幅 SAR 图像上标注了所有暗斑，并构建了暗斑检测数据集，该数据集已公开（https://drive.google.com/drive/folders/12UavrntkDSPrItISQ8iGefXn2gIZHxJ6?usp=sharing）。实验结果表明，我们提出的 SGDCN 鲁棒且有效。