1.一种基于HOG特征与GLCM特征融合的航海雷达油膜检测方法，其特征在于，包括：获取航海雷达图像数据；

对所述航海雷达图像数据进行预处理，获取预处理后的图像；

将预处理后的图像进行切割，获取多个子图像；

提取每个子图像的方向梯度直方图，并对获得的多个方向梯度直方图进行特征降维；包括：对每个子图像进行归一化；将每个子图像划分为多个胞元，再将每个胞元的梯度方向均分成多个方向块，并计算每个像素的梯度；统计每个胞元的方向梯度直方图，进而获取每个子图像的方向梯度直方图；计算每个子图像中每个胞元的方差σi，并利用下式计算每个胞元的权重系数Wi：其中，m表示每个子图像中胞元数量；

将每个子图像中每个胞元每个方向的方向梯度直方图与权重系数Wi进行融合，得到低维度新特征vij'：其中，vij表示第i个胞元第j个方向的直方图梯度；

提取每个子图像的灰度共生矩阵中的多个特征；

采用因子分析方法，将降维后的多个方向梯度直方图与灰度共生矩阵中的多个特征进行融合，获取融合后的特征；

将融合后的特征输入预先训练好的分类器中进行分类，获取溢油检测有效区域；

利用基于模拟退火算法的改进粒子群优化算法对溢油检测有效区域进行分割，获取油膜提取结果。

2.根据权利要求1所述的一种基于HOG特征与GLCM特征融合的航海雷达油膜检测方法，其特征在于，所述提取每个子图像的灰度共生矩阵中的多个特征包括能量、对比度、逆差矩、熵、自相关。

3.根据权利要求1所述的一种基于HOG特征与GLCM特征融合的航海雷达油膜检测方法，其特征在于，所述采用因子分析方法，将降维后的多个方向梯度直方图与灰度共生矩阵中的多个特征进行融合的过程包括：将降维后多个方向梯度直方图与灰度共生矩阵中多个特征中的每个特征进行标准化处理，并计算标准化处理后的相关系数矩阵；

将每个特征表示成公共因子的线性函数与特殊因子之和，并采用最大似然估计法计算获得每个特征对应的因子载荷矩阵；

基于所述相关系数矩阵和所述因子载荷矩阵计算获得因子得分系数；

根据所述因子得分系数将降维后多个方向梯度直方图与灰度共生矩阵中的多个特征融合为三个特征。

4.根据权利要求1所述的一种基于HOG特征与GLCM特征融合的航海雷达油膜检测方法，其特征在于，所述预先训练好的分类器为基于随机森林算法的分类器。

5.根据权利要求1所述的一种基于HOG特征与GLCM特征融合的航海雷达油膜检测方法，其特征在于，所述利用基于模拟退火算法的改进粒子群优化算法对溢油检测有效区域进行分割，获取油膜提取结果包括：根据种群粒子初始状态设置初始温度、退火常数、模拟退火迭代总数、最大迭代次数；

种群粒子在每次迭代中进行速度更新和位置更新；计算当前位置xi的适应度值f(xi)；若f(xi)＜f(Pbest.i)，则设置第i个粒子个体最优位置Pbest.i＝xi，并对比f(Pbest.i)与f(Gbest.i)，Gbest.i表示种群最优位置，若f(Pbest.i)

若f(xi)＞f(Pbest.i)，则利用模拟退火接受概率pi进行麦尔特罗夫准则判定，若概率pi大于[0,1]区间的随机数，则仍接受状态Pbest.i＝xi；若不成立，则重新更新速度和位置；

检验是否达到最大迭代次数，若达到则Gbest.i为全局最优分割阈值；若没有达到，则利用退火函数公式更新温度Ti，并继续进行迭代；

基于获得的全局最优分割阈值对真实油膜与疑似油膜进行分割，获取油膜提取结果。

6.根据权利要求5所述的一种基于HOG特征与GLCM特征融合的航海雷达油膜检测方法，其特征在于，所述模拟退火接受概率pi的计算公式为：式中，Ei表示当前状态i的能量；Eg表示当前种群最优点的内能；

所述退火函数公式为：

Ti＝Ti-1*0.95k

式中，Ti表示当前状态对应的温度；Ti-1表示上一个状态对应的温度；k等于模拟退火迭代总数减去迭代次数。

7.一种基于HOG特征与GLCM特征融合的航海雷达油膜检测系统，其特征在于，包括：图像获取模块，其配置成获取航海雷达图像数据，并对所述航海雷达图像数据进行预处理，获取预处理后的图像；

图像分割模块，其配置成将预处理后的图像进行切割，获取多个子图像；

HOG特征提取模块，其配置成提取每个子图像的方向梯度直方图，并对获得的多个方向梯度直方图进行特征降维；包括：对每个子图像进行归一化；将每个子图像划分为多个胞元，再将每个胞元的梯度方向均分成多个方向块，并计算每个像素的梯度；统计每个胞元的方向梯度直方图，进而获取每个子图像的方向梯度直方图；所述对获得的多个方向梯度直方图进行特征降维包括：计算每个子图像中每个胞元的方差σi，并利用下式计算每个胞元的权重系数Wi：其中，m表示每个子图像中胞元数量；

将每个子图像中每个胞元每个方向的方向梯度直方图与权重系数Wi进行融合，得到低维度新特征vij'：其中，vij表示第i个胞元第j个方向的直方图梯度；

GLCM特征提取模块，其配置成提取每个子图像的灰度共生矩阵中的多个特征；

特征融合模块，其配置成采用因子分析方法，将降维后的多个方向梯度直方图与灰度共生矩阵中的多个特征进行融合，获取融合后的特征；

分类模块，其配置成将融合后的特征输入预先训练好的分类器中进行分类，获取溢油检测有效区域；

油膜提取模块，其配置成利用基于模拟退火算法的改进粒子群优化算法对溢油检测有效区域进行分割，获取油膜提取结果。