前言

📅大四是整个大学期间最忙碌的时光,一边要忙着准备考研,考公,考教资或者实习为毕业后面临的就业升学做准备,一边要为毕业设计耗费大量精力。近几年各个学校要求的毕设项目越来越难,有不少课题是研究生级别难度的,对本科同学来说是充满挑战。为帮助大家顺利通过和节省时间与精力投入到更重要的就业和考试中去,学长分享优质的选题经验和毕设项目与技术思路。

🚀对毕设有任何疑问都可以问学长哦!

本次分享的课题是

🎯机器学习的溢油特征提取与识别

课题背景与意义

在过去的几十年里，石油泄漏污染是一个值得关注的问题，因为它影响环境，经济，生命周期，人类食物链，因此构成了一个至关重要的环境和社会经济问题。石油泄漏会严重破坏海滩，沼泽地和脆弱的海洋生态系统。之所以会发生这种情况，是因为石油 - 石油烃中含有许多有毒化合物，这些化合物会对植被、海洋生物造成巨大的影响

课题实现技术思路

SAR溢油检测的三个步骤：黑斑检测、特征提取、以及油膜与似然物的分类。

（1）黑斑检测：识别黑斑

下面是关于黑斑检测的两种方法：阈值算法和语义分割

阈值算法

有许多阈值算法，如：

Niblack 阈值：此方法在固定大小的窗口中根据局部均值和标准差调整阈值。

Multi-Otsu 阈值：该算法详尽地搜索最小化类内方差的阈值。

Niblack 对于单个对象的文本识别很有用，而 Multi-Otsu 更擅长分离不同的对象。

语义分割

将像素按照图像中表达语义含义的不同进行分组（Grouping）／分割（Segmentation）

（2）特征提取

一般情况下，通过机理分析可以提取出绝对灰度、对比度等特征，长宽比、复杂度等形态学参数，以及纹理等特征。对于在原始数据中获取最相关的信息，并在较低维空间中表示该信息。选择特征的标准是：特征应该包含区分类别所需的信息。根据我们构建的模型自动进行特征提取。尽管如此，模型如何提取特征仍然是一个黑匣子。

可视化过滤器：黑色方块表示小权重。浅色方块表示大权重。

可视化特征图：了解输入的哪些特征在特征图中被检测或保留

（3）特征分类：油膜与似然物的分类

经典的机器学习算法称为卷积神经网络 (CNN)。这里有一些 CNN 中使用的一些常见层，然而，CNNs 有一个限制：它只能接受来自全连接层的固定大小的输入。

因此，需要另一种机器学习结构，称为全卷积网络（FCN）。FCN可以接受任意尺寸的输入图像，采用反卷积层对最后一个卷基层的特征图（进行上采样，使它恢复到输入图像相同的尺寸，从而可以对每一个像素都产生一个预测，同时保留了原始输入图像中的空间信息，最后奇偶在上采样的特征图进行像素的分类。以下是 FCN 的示例：

溢油密度图的生成：

采用K-means 算法，K-Means算法是无监督的聚类算法，它实现起来比较简单，聚类效果也不错，因此应用很广泛。对于给定的样本集，按照样本之间的距离大小，将样本集划分为K个簇。让簇内的点尽量紧密的连在一起，而让簇间的距离尽量的大。这里使用 K=3 的 K-means 算法后，、图像具有白色、灰色和黑色的颜色。

为了检测SAR图像，介绍了溢油检测的三个步骤：黑斑检测、特征提取和特征分类。第一步，我们可以使用阈值算法或语义分割。第二步，我们可以通过可视化过滤器和特征图来观察模型如何提取特征。在最后一步中，引入了一种称为全卷积网络的机器学习模型。对于密度图，使用 K-means 算法来检测黑斑。最后得到密度图。

🚀海浪学长的作品示例:

大数据算法项目