[發(fā)明專利]一種SAR陰暗影圖像中溢油和疑似物的識別方法

有效

• 申請?zhí)枺?/td>: 201210270576.0
• 申請日: 2012-08-01
• 公開（公告）號: CN102831444A
• 公開（公告）日: 2012-12-19
• 發(fā)明（設(shè)計(jì)）人: 楊永紅;奚彩萍;凌霖
• 申請（專利權(quán)）人: 江蘇科技大學(xué)
• 主分類號: G06K9/66
• 分類號: G06K9/66
• 代理公司: 南京蘇高專利商標(biāo)事務(wù)所(普通合伙) 32204
• 代理人: 柏尚春

技術(shù)領(lǐng)域

本發(fā)明涉及一種SAR陰暗影圖像中溢油和疑似物的識別方法，屬于微波海洋遙感技術(shù)領(lǐng)域。

背景技術(shù)

海洋與人類的經(jīng)濟(jì)活動(dòng)息息相關(guān)。然而海洋溢油污染具有影響海域范圍廣、持續(xù)時(shí)間長、對海洋生物和生態(tài)環(huán)境破壞大的特點(diǎn)。

現(xiàn)有技術(shù)中，直接探測和遙感探測是溢油監(jiān)測的兩種主要方法。合成孔徑雷達(dá)（SAR,synthetic?aperture?radar）屬于遙感探測，它具有全天時(shí)、全天候、高分辨率和大觀測范圍的優(yōu)點(diǎn)。由于油膜覆蓋區(qū)域的散射回波強(qiáng)度較低，在SAR圖像上常表現(xiàn)為陰暗影特征。然而低風(fēng)速海面、鋒面、潮流剪切區(qū)及內(nèi)波等諸多海洋現(xiàn)象也可表現(xiàn)為陰暗影特征，將其統(tǒng)稱為疑似物。在溢油與疑似物的識別過程中所產(chǎn)生的高虛警率問題一直是SAR海面溢油監(jiān)測系統(tǒng)的難點(diǎn)，該問題仍未得到徹底的解決。

目前，許多識別方法是以圖像的幾何特征（如溢油的面積、周長及與船只的距離等）、統(tǒng)計(jì)特性（如圖像的均值、方差等）及極化特征（如Muller矩陣等）作為分類器的輸入特征向量。特征向量的選擇直接影響分類器的分類準(zhǔn)確度。

研究表明，分形模型可揭示海面、溢油及疑似物產(chǎn)生的非線性機(jī)理；海面和SAR海面圖像均表現(xiàn)一定的分形特征。文獻(xiàn)（M.Bertacca,F.Berizzi，E.D.Mese.AFARIMA-based?technique?for?oil?slick?and?low-wind?areas?discrimination?in?sea?SAR?imagery.IEEE?Trans.Geosci.Remote?Sensing,2005,43(11):2484-2493）利用分形模型在頻譜域中也具有分?jǐn)?shù)階的特性，提出了基于分?jǐn)?shù)階ARMA模型來計(jì)算徑向功率譜密度，并選用徑向功率譜密度作為識別溢油和低風(fēng)速海面的特征，該方法的不足之處在于識別準(zhǔn)確度依賴于ARMA模型的階數(shù)，而且選擇的識別特征過于簡單，其他分形特征沒有考慮。

發(fā)明內(nèi)容

發(fā)明目的：為了克服現(xiàn)有SAR海面溢油監(jiān)測系統(tǒng)的高虛警率問題，本發(fā)明提供了一種SAR陰暗影圖像中溢油和疑似物的識別方法。

技術(shù)方案：一種SAR陰暗影圖像中溢油和疑似物的識別方法，包括以下步驟：

步驟1，輸入SAR圖像，根據(jù)先驗(yàn)信息建立溢油圖像庫和疑似物圖像庫；

在已知類別的SAR圖像中的陰暗影區(qū)域內(nèi)，選擇圖像大小均為K×K的R個(gè)溢油區(qū)域和個(gè)疑似物區(qū)域分別組成溢油圖像庫和疑似物圖像庫；

其中先驗(yàn)信息是指SAR圖像中溢油和疑似物的區(qū)域是已知的；通常，K取17~31之間的奇數(shù)，R和H取30~60之間的整數(shù)。

步驟2，從溢油圖像庫和疑似物圖像庫中隨機(jī)選取M幅圖像，組成訓(xùn)練樣本圖像庫，采用差分盒計(jì)數(shù)法和小波變換模極大值法對訓(xùn)練樣本圖像庫中的每幅圖像計(jì)算分形特征向量，組成訓(xùn)練樣本集

從溢油圖像庫和疑似物圖像庫中隨機(jī)選取M幅圖像，組成訓(xùn)練樣本圖像庫，其中，M＞R,M＞H，對訓(xùn)練樣本圖像庫中的第i幅圖像計(jì)算分形特征向量其中，D為盒維數(shù)，D_q為擴(kuò)展分形維數(shù)，f_α為擴(kuò)展分形譜，i＝1,2,...,M；

把第i幅圖像分成s×s子塊，根據(jù)差分盒計(jì)數(shù)法，計(jì)算盒維數(shù)其中，N_r為覆蓋整個(gè)圖像所需的盒子數(shù)；對于s，不同的SAR圖像，其取值有明顯的差異，采用試猜法來定。

采用小波變換模極大值算法計(jì)算擴(kuò)展分形維數(shù)D_q和擴(kuò)展分形譜f_α，首先，對圖像進(jìn)行小波變換；在尺度空間內(nèi)，采用閾值法沿著尺度方向計(jì)算小波系數(shù)模的極大值，并將模極大值點(diǎn)相連，得到模極大值曲線；然后，沿著模極大值曲線計(jì)算配分函數(shù)其中，q為參數(shù)，TW_f(a,b;Ψ)表示函數(shù)f在小波函數(shù)Ψ上作尺度為a、平移為b的變換，|·|表示取模運(yùn)算，sup表示上確界；

根據(jù)配分函數(shù)Z(q,a)，采用最小二乘法擬合質(zhì)量指數(shù)τ(q)，則擴(kuò)展分形維數(shù)

擴(kuò)展分形譜f_α＝qα-τ(q)；

訓(xùn)練樣本集是由歸一化的分形特征向量組成；

步驟3，用訓(xùn)練樣本集及其所屬的標(biāo)號對SVM分類器進(jìn)行訓(xùn)練；

用訓(xùn)練樣本集中的第i個(gè)訓(xùn)練樣本及其所屬的標(biāo)號l_i＝{1,-1}，對SVM分類器進(jìn)行訓(xùn)練，其中，1表示溢油，-1表示疑似物；在SVM分類器中采用高斯徑向基核函數(shù)；

步驟4，根據(jù)分類的要求，采用自適應(yīng)閾值法確定SAR圖像中待識別的陰暗影區(qū)域I′(m,n)；