基于边界驱动双潜扩散的SAR图像溢油检测方法及系统

本发明涉及遥感图像处理，特别是涉及一种基于边界驱动双潜扩散的sar图像溢油检测方法及系统。

背景技术：

1、合成孔径雷达（sar）具备全天候、全天时、大范围监测的优势，是海面溢油应急处置、污染评估与生态监测的核心技术手段。依托机载、星载sar设备获取的海面图像，可提取溢油分布范围与边界特征，为海上溢油事故溯源、扩散预判及应急管控提供重要数据支撑。

2、当前海面溢油自动分割技术多采用u-net、deeplabv3+、segformer等判别式分割网络，依靠提取图像低频语义特征，实现溢油区域宏观定位，可满足常规海况下的基础检测需求。但复杂海况下极化sar图像存在诸多干扰，固有相干斑噪声易掩盖油水细微特征，海面薄油膜对比度低、形态碎片化，同时低风速区、涌浪等假目标易引发误检、漏检，大幅降低模型分割精度。

3、现有技术进行溢油检测存在显著缺陷，如采用判别式网络为单次前向推理，无迭代纠错机制，易丢失薄油膜细节、造成边界偏移；现有生成式扩散模型缺少溢油边缘专属引导策略，仅对图像整体无差别重构，难以精准复原断裂、离散的油膜轮廓，难以满足高精度溢油监测、污染量化评估的工程应用需求。

技术实现思路

1、为了解决现有技术的不足，本发明提供了一种基于边界驱动双潜扩散的sar图像溢油检测方法及系统，通过双潜扩散去噪分支、条件隐式细化模块（clrm）、边界到掩码交互网络（e2m-net）及定向梯度路由，实现了sar图像高精度的溢油区域与边缘精细化重构，有效解决了现有技术边界模糊、微弱结构丢失及缺乏迭代纠错机制的问题。

2、一方面，提供了一种基于边界驱动双潜扩散的sar图像溢油检测方法，包括：

3、获取待检测sar图像，进行预处理得到sar图像的初始粗分割掩码、真值掩码以及连续边缘目标；将sar图像、初始粗分割掩码、真值掩码及连续边缘目标映射为隐特征，构建配对时间步的双潜正向扩散过程；

4、构建相互独立的边缘去噪分支与掩码去噪分支，在掩码去噪分支、边缘去噪分支中分别配置条件隐式细化模块；根据配对时间步的双潜正向扩散过程以及条件隐式细化模块，得到条件残差；

5、将边缘去噪分支得到的条件残差注入边缘去噪分支的u-net解码器，得到边缘去噪分支的预测噪声；

6、构建边界到掩码交互网络，在每一个u-net尺度上，e2m-net输入条件化后的边缘特征；条件化边缘特征经过零初始化卷积和投影层后生成跨注意力机制中的键特征与值特征，掩码分支特征则提供跨注意力机制中的查询特征；通过跨注意力计算生成单向定向残差；在掩码去噪u-net解码阶段，将单向定向残差、掩码分支特征与掩码去噪分支的条件隐式细化模块中的条件残差共同累加后输入解码器，得到掩码去噪分支的预测噪声；

7、根据边缘去噪分支的预测噪声和掩码去噪分支的预测噪声，基于ddim确定性反向采样推导，得到细化溢油掩码图与连续边缘图。

8、进一步地，将sar图像、初始粗分割掩码、真值掩码及连续边缘目标映射为隐特征，包括：

9、构建共享且参数冻结的标签空间投影网络φ(·)；

10、利用预训练且已冻结参数的变分自编码器，将标准化后的sar图像i、粗掩码、真值掩码以及连续边缘目标统一映射为四通道的隐空间特征：图像隐特征、粗掩码隐特征、真值掩码隐特征、连续边缘目标隐特征。

11、进一步地，所述条件隐式细化模块用于得到条件残差，包括：

12、使用共享的条件编码器c对图像隐特征与粗掩码隐特征进行多尺度特征提取，得到图像条件特征和粗掩码条件特征；在u-net的每一个特征尺度上，将图像条件特征和粗掩码条件特征在通道维度进行拼接，构成多尺度联合条件特征；

13、掩码去噪u-net与边缘去噪u-net的编码器各自独立接受对应的加噪潜变量与时间嵌入，提取编码特征，，表示掩码去噪分支，表示边缘去噪分支；

14、在每个clrm模块内部，拼接后的联合条件特征经过零初始化卷积与线性投影生成跨注意力机制中的键特征与值特征，而当前分支的u-net特征则提供跨注意力机制中的查询特征以及恒等映射分支；

15、经8头跨注意力机制与feed-forward子网络计算，并由零初始化输出卷积映射得到条件残差。

16、进一步地，所述边缘去噪分支的预测噪声由边缘u-net解码器直接计算：

17、

18、其中，表示边缘去噪u-net的解码器；l表示参与解码的多尺度编码特征的总层数；表示边缘去噪u-net提取的编码特征，表示边缘去噪分支在第个尺度上得到的条件残差；表示边缘去噪分支的中间特征；表示边缘去噪分支clrm生成的条件残差；表示边缘去噪分支的时间嵌入。

19、进一步地，根据边缘去噪分支的预测噪声和掩码去噪分支的预测噪声，基于ddim确定性反向采样推导，得到细化溢油掩码图与连续边缘图，包括：

20、按照ddim采样时间步序列，独立采样初始化掩码分支高斯噪声与边缘分支高斯噪声；

21、对于每个采样步，依次评估边缘去噪预测与掩码去噪预测的干净潜变量，并采用确定性ddim公式更新潜变量；

22、将最终潜变量除以vae缩放因子s，送入冻结的解码器与共享标签解码器，求解类别概率分布；

23、最后通过阈值判定类别概率分布得到细化溢油掩码图及连续边缘图。

24、进一步地，总联合损失函数包括：

25、；；

26、其中，表示数学期望，表示掩码去噪分支的噪声预测均方误差损失；表示边缘去噪分支的噪声预测均方误差损失，表示为弱边界正则化权重；表示掩码去噪分支的预测噪声；分别表示掩码去噪分支与边缘去噪分支的高斯白噪声；表示边缘去噪分支的预测噪声。

27、另一方面，提供了一种基于边界驱动双潜扩散的sar图像溢油检测系统，包括：

28、隐空间编码及正向扩散模块：获取待检测sar图像，进行预处理得到sar图像的初始粗分割掩码、真值掩码以及连续边缘目标；将sar图像、初始粗分割掩码、真值掩码及连续边缘目标映射为隐特征，构建配对时间步的双潜正向扩散过程；

29、条件隐式细化模块：构建相互独立的边缘去噪分支与掩码去噪分支，在掩码去噪分支、边缘去噪分支中分别配置条件隐式细化模块；根据配对时间步的双潜正向扩散过程以及条件隐式细化模块，得到条件残差；

30、边缘去噪分支模块：将边缘去噪分支得到的条件残差注入边缘去噪分支的u-net解码器，得到边缘去噪分支的预测噪声；

31、掩码去噪分支模块：构建边界到掩码交互网络，在每一个u-net尺度上，e2m-net输入条件化后的边缘特征；条件化边缘特征经过零初始化卷积和投影层后生成跨注意力机制中的键特征与值特征，掩码分支特征则提供跨注意力机制中的查询特征；通过跨注意力计算生成单向定向残差；在掩码去噪u-net解码阶段，将单向定向残差、掩码分支特征与掩码去噪分支的条件隐式细化模块中的条件残差共同累加后输入解码器，得到掩码去噪分支的预测噪声；

32、结果图生成模块：根据边缘去噪分支的预测噪声和掩码去噪分支的预测噪声，基于ddim确定性反向采样推导，得到细化溢油掩码图与连续边缘图。

33、再一方面，还提供了一种电子设备，包括：

34、存储器，用于非暂时性存储计算机可读指令；以及

35、处理器，用于运行所述计算机可读指令，

36、其中，所述计算机可读指令被所述处理器运行时，执行上述第一方面所述的方法。

37、再一方面，还提供了一种存储介质，非暂时性存储计算机可读指令，其中，当非暂时性计算机可读指令由计算机执行时，执行第一方面所述方法。

38、再一方面，还提供了一种计算机程序产品，包括计算机程序，所述计算机程序当在一个或多个处理器上运行的时候用于实现上述第一方面所述的方法。

39、上述技术方案具有如下优点或有益效果：

40、本发明提供了一种基于边界驱动双潜扩散的sar图像溢油检测方法及系统，通过基于边界驱动的双潜扩散细化架构bdlr-net，将获取的sar图像、初始粗分割掩码、真值掩码及连续边缘目标映射为隐特征，构建配对时间步的双潜正向扩散过程，通过边缘去噪分支与掩码去噪分支分别得到的预测噪声，基于ddim确定性反向采样推导，得到细化溢油掩码图与连续边缘图。本发明显式解耦了海面溢油区域掩码与边界轮廓的重构任务，掩码去噪分支专注于区域覆盖，边缘去噪分支专注于稀疏边界线段的精确定位，打破了传统单一模型在区域与边界拟合上的参数冲突。