基于边缘增强注意力融合的SAR图像海上溢油暗斑高效检测方法

本文提出一种边缘增强注意力融合网络（EAF-Net），通过残差瓶颈注意力模块（RBAM）、增强通道融合模块（ECFM）和深度监督优化模块（DSRM）的协同设计，在合成孔径雷达（SAR）图像中实现溢油暗斑边缘的高精度检测，显著提升计算效率与边界识别能力，为海洋环境监测提供关键技术支撑。

　　

Section snippets

Related work

为了更好地理解本研究，本节介绍两项核心技术：轻量化网络MobileNet-v2和注意力机制。

Methods

本文提出一种新颖的端到端卷积神经网络EAF-Net，专为高效精准检测海面溢油SAR图像暗斑设计。该网络采用轻量化编码器-解码器架构，集成多模块以提升检测精度。编码器部分主要负责输入图像的特征提取与下采样，最终输出浅层与深层特征至解码器。

Dataset

实验采用公开的Deep-SAR Oil Spill（SOS）溢油检测数据集，包含墨西哥湾区域14幅SAR图像和波斯湾区域7幅SAR图像。墨西哥湾溢油数据由ALOS卫星搭载的水平-水平（HH）极化相控阵L波段合成孔径雷达（PALSAR）采集，波斯湾数据则由Sentinel-1卫星获取。

Discussion

为系统评估本方法性能优势，针对高噪声条件下合成孔径雷达图像分割任务开展了对比实验。鉴于当前公开SAR数据缺乏精确标注的真实噪声数据，本研究参考Espeseth等人（2020）方案，采用合成噪声进行验证。使用Sentinel-1数据集模拟加性和乘性噪声场景，通过量化噪声鲁棒性验证模型泛化能力。

Conclusion

针对SAR图像暗斑边缘检测难题及现有深度学习算法在计算资源占用与准确率间难以平衡的问题，本文提出EAF-Net用于海上SAR图像暗斑检测。通过RBAM、ECFM和DSRM三个子模块协同捕捉边缘特征，在保持轻量化特性的同时显著提升边界识别精度与噪声鲁棒性。