1.一种基于伴方差修正模型的海洋目标特征提取方法，其特征在于，构建OceanTD深度学习模型，基于OceanTD深度学习模型对海洋目标特征进行初步检测，然后提出一种伴方差修正模型，基于伴方差修正模型使用CFAR算法提取海洋目标特征，并对提取的海洋目标特征作可视化处理；

OceanTD深度学习模型包含4个卷积层、1个卷积组和3个全连接层；每个卷积层的组织形式是Convolution2D‑ReLU‑Dropout‑Maxpooling；

卷积组的组织形式是(Convolution2D‑ReLU‑Dropout)*2‑Maxpooling；3个全连接层中，前两个全连接层的组织形式是Dense‑ReLU‑Dropout，最后一个全连接层的组织形式是Dense；

OceanTD深度学习模型的训练过程为：

S101.对海洋目标样本特征数据x进行归一化处理，采用的归一化公式如下：其中，μ为特征的期望，σ为方差；

S102.配置训练优化算法、损失函数、监控参数；

S103.加载数据集，验证数据的合法性；

S104.将数据集分为多个周期，每个周期分为多个批次；

S105.将每个周期按批次打混索引，进行批次循环；

S106.计算交叉熵，采用反向传播算法和所改进的梯度下降算法WinR‑Adagrad，以0.01的学习速率不断地修改变量以最小化交叉熵；

S107.对批次指定的样本数进行训练，学习权重、偏置，计算损失、精度直到一个周期的批次都循环结束，再进入下一个周期进行批循环；

S108.直到循环完所有周期，保存模型及训练损失、精度；

OceanTD深度学习模型损失函数采用目标分类和模型预测分类之间的交叉熵，其公式为：式中，y‑i是第i个样本的输入值，hθ(xi)是第i个样本x的输出值，参数θ0的初值设置为

0.1，θ1的初值设置为标准差为0.1的正态分布浮点数；

所述伴方差修正模型对对数逻辑分布函数进行方差修正，具体公式为：式中，x∈[0，+∞]，是像素值；α>0，是尺度参数；β>2，是形状参数；ε∈[0，1]，是修正参数。

2.根据权利要求1所述的基于伴方差修正模型的海洋目标特征提取方法，其特征在于，基于伴方差修正模型采用CFAR算法提取海洋目标特征的具体方法为：(1)调用初步检测的结果，以疑似目标为中心点构建窗口；

(2)提取(1)中窗口中不是疑似目标的次数最多的单元影像；

(3)筛选(2)中提取的单元影像；

(4)绘制像素数组的直方图，提取直方图中，最小像素值到最大像素值间的有效像素及有效像素对应的频数，将提取的有效像素及其频数作为拟合数据，将拟合数据保存到拟合数组中；

(5)调用伴方差修正模型拟合(4)中的拟合数组，求出拟合曲线的α、β、ε参数值并计算拟合优度；

(6)计算拟合曲线有效像素的积分，当积分值达到阈值时，输出临界像素Xtb，否则重新计算积分直至达到阈值；

(7)以像素值大于Xtb的像素值作为检测条件，检测(1)中窗口中的影像，将疑似目标保存到疑似目标数组中，聚簇疑似目标像素，保存各个目标簇的参数；

(8)当目标簇在坐标轴上的长度、宽度及纵横比满足目标簇阈值时，对目标簇进行直线拟合和椭圆拟合，提取目标簇的实际长度、实际宽度、实际纵横比和像素值；

满足实际长度、实际宽度、实际纵横比的目标簇的相应参数即为提取的目标参数。

3.根据权利要求1所述的基于伴方差修正模型的海洋目标特征提取方法，其特征在于，具体为：S1.确定海洋目标特征提取的研究区域，获得研究区域的SAR数据；

S2.基于OceanTD深度学习模型对海洋目标特征进行初步检测，生成疑似目标和背景；

标记SAR数据中每个单元影像经所有检测后不是疑似目标的次数；

通过疑似目标直方图和背景直方图分析概率密度分布的长尾特征；

S3.在具有长尾特征的概率分布模型中，选择用于拟合修正SAR数据的最佳概率分布模型；

S4.根据最佳概率分布模型构建伴方差修正模型；

S5.基于伴方差修正模型使用CFAR算法提取海洋目标特征；

S6.对提取的海洋目标特征作可视化处理；

S7.完成基于伴方差修正模型的海洋目标特征提取。

4.根据权利要求2所述的基于伴方差修正模型的海洋目标特征提取方法，其特征在于，筛选(2)中提取的单元影像包括：若不存在所有检测次数中都不是疑似目标的影像，则对窗口中的每个影像作分割，然后对分割后的影像重新检测，直到出现检测结果为非疑似目标的影像并对该影像重新执行筛选(2)中提取的单元影像；

若存在所有检测次数中都不是疑似目标的影像，则将单元影像的像素值保存到像素数组中。

5.根据权利要求2所述的基于伴方差修正模型的海洋目标特征提取方法，其特征在于，拟合曲线有效像素的积分计算公式为： 当积分值达到阈值时，输出临界像素Xtb。

6.根据权利要求3所述的基于伴方差修正模型的海洋目标特征提取方法，其特征在于，采用基于LogLogistic分布作为S4中的最佳概率分布模型，然后构建伴方差修正模型，基于伴方差修正模型使用CFAR算法提取海洋目标特征。