一种SAR阴暗影图像中溢油和疑似物的识别方法

摘要

本发明公开一种SAR阴暗影图像中溢油和疑似物的识别方法，包括输入SAR图像，建立溢油图像库和疑似物图像库；随机选取M幅图像，组成训练样本图像库，采用差分盒计数法和小波变换模极大值法对训练样本图像库中的每幅图像计算分形特征向量，组成训练样本集；用训练样本集及其所属的标号对SVM分类器进行训练；采用自适应阈值法确定SAR图像中待识别的阴暗影区域，在阴暗影区域内，逐像素点扫描并计算其分形特征向量，组成测试样本集；使用训练过的SVM分类器对测试样本进行分类，并输出分类结果。本发明具有较高的运算效率，可用于SAR阴暗影图像中溢油和疑似物的识别和分类。

说明书

技术领域

本发明涉及一种SAR阴暗影图像中溢油和疑似物的识别方法，属于微波海洋遥感技术领域。

背景技术

海洋与人类的经济活动息息相关。然而海洋溢油污染具有影响海域范围广、持续时间长、对海洋生物和生态环境破坏大的特点。

现有技术中，直接探测和遥感探测是溢油监测的两种主要方法。合成孔径雷达（SAR,synthetic aperture radar）属于遥感探测，它具有全天时、全天候、高分辨率和大观测范围的优点。由于油膜覆盖区域的散射回波强度较低，在SAR图像上常表现为阴暗影特征。然而低风速海面、锋面、潮流剪切区及内波等诸多海洋现象也可表现为阴暗影特征，将其统称为疑似物。在溢油与疑似物的识别过程中所产生的高虚警率问题一直是SAR海面溢油监测系统的难点，该问题仍未得到彻底的解决。

目前，许多识别方法是以图像的几何特征（如溢油的面积、周长及与船只的距离等）、统计特性（如图像的均值、方差等）及极化特征（如Muller矩阵等）作为分类器的输入特征向量。特征向量的选择直接影响分类器的分类准确度。

研究表明，分形模型可揭示海面、溢油及疑似物产生的非线性机理；海面和SAR海面图像均表现一定的分形特征。文献（M.Bertacca,F.Berizzi，E.D.Mese.AFARIMA-based technique for oil slick and low-wind areas discrimination in sea SARimagery.IEEE Trans.Geosci.Remote Sensing,2005,43(11):2484-2493）利用分形模型在频谱域中也具有分数阶的特性，提出了基于分数阶ARMA模型来计算径向功率谱密度，并选用径向功率谱密度作为识别溢油和低风速海面的特征，该方法的不足之处在于识别准确度依赖于ARMA模型的阶数，而且选择的识别特征过于简单，其他分形特征没有考虑。

发明内容

发明目的：为了克服现有SAR海面溢油监测系统的高虚警率问题，本发明提供了一种SAR阴暗影图像中溢油和疑似物的识别方法。

技术方案：一种SAR阴暗影图像中溢油和疑似物的识别方法，包括以下步骤：

步骤1，输入SAR图像，根据先验信息建立溢油图像库和疑似物图像库；

在已知类别的SAR图像中的阴暗影区域内，选择图像大小均为K×K的R个溢油区域和个疑似物区域分别组成溢油图像库和疑似物图像库；

其中先验信息是指SAR图像中溢油和疑似物的区域是已知的；通常，K取17~31之间的奇数，R和H取30~60之间的整数。

步骤2，从溢油图像库和疑似物图像库中随机选取M幅图像，组成训练样本图像库，采用差分盒计数法和小波变换模极大值法对训练样本图像库中的每幅图像计算分形特征向量，组成训练样本集

从溢油图像库和疑似物图像库中随机选取M幅图像，组成训练样本图像库，其中，M＞R,M＞H，对训练样本图像库中的第i幅图像计算分形特征向量其中，D为盒维数，D_q为扩展分形维数，f_α为扩展分形谱，i＝1,2,...,M；

把第i幅图像分成s×s子块，根据差分盒计数法，计算盒维数其中，N_r为覆盖整个图像所需的盒子数；对于s，不同的SAR图像，其取值有明显的差异，采用试猜法来定。

采用小波变换模极大值算法计算扩展分形维数D_q和扩展分形谱f_α，首先，对图像进行小波变换；在尺度空间内，采用阈值法沿着尺度方向计算小波系数模的极大值，并将模极大值点相连，得到模极大值曲线；然后，沿着模极大值曲线计算配分函数其中，q为参数，TW_f(a,b;Ψ)表示函数f在小波函数Ψ上作尺度为a、平移为b的变换，|·|表示取模运算，sup表示上确界；

根据配分函数Z(q,a)，采用最小二乘法拟合质量指数τ(q)，则扩展分形维数

扩展分形谱f_α＝qα-τ(q)；

训练样本集是由归一化的分形特征向量组成；

步骤3，用训练样本集及其所属的标号对SVM分类器进行训练；

用训练样本集中的第i个训练样本及其所属的标号l_i＝{1,-1}，对SVM分类器进行训练，其中，1表示溢油，-1表示疑似物；在SVM分类器中采用高斯径向基核函数；

步骤4，根据分类的要求，采用自适应阈值法确定SAR图像中待识别的阴暗影区域I′(m,n)；

步骤5，在阴暗影区域I′(m,n)内，逐像素点扫描并计算其分形特征向量，组成测试样本集X′；

像素点(m,n)分形特征向量的计算方法是：以像素点(m,n)为中心，选取w×w的窗口，按照步骤2所述的方法，计算像素点(m,n)的分形特征向量；

在阴暗影区域I′(m,n)内，按照索引的顺序，逐像素点扫描并计算其分形特征向量，组成测试样本集X′；

步骤6，使用训练过的SVM分类器对测试样本进行分类，并输出分类结果。

有益效果：与现有技术相比，本发明所提供的SAR阴暗影图像中溢油和疑似物的识别方法，是基于分形特征向量可揭示溢油和疑似物产生的非线性机理，并采用差分盒计数法和小波变换模极大值法来计算分形特征向量以及SVM分类器来识别溢油和疑似物。因此，本发明具有较高的运算效率，可用于SAR阴暗影图像中溢油和疑似物的识别和分类。

附图说明

图1为本发明实施例的流程图。

具体实施方式

下面结合具体实施例，进一步阐明本发明，应理解这些实施例仅用于说明本发明而不用于限制本发明的范围，在阅读了本发明之后，本领域技术人员对本发明的各种等价形式的修改均落于本申请所附权利要求所限定的范围。

如图1所示，SAR阴暗影图像中溢油和疑似物的识别方法，包括以下步骤：

1.输入SAR溢油图像，根据先验信息建立溢油图像库和疑似物图像库；

在已知类别的SAR图像中的阴暗影区域内，人工选择图像大小均为K×K的R个溢油区域和H个疑似物区域分别组成溢油图像库和疑似物图像库；

2.从溢油图像库和疑似物图像库中随机选取M幅图像，组成训练样本图像库，采用差分盒计数法和小波变换模极大值法对训练样本图像库中的每幅图像计算分形特征向量，组成训练样本集

从溢油图像库和疑似物图像库中随机选取M幅图像，组成训练样本图像库，其中，M＞R,M＞H，对训练样本图像库中的第i幅图像计算分形特征向量其中，D为盒维数，D_q为扩展分形维数，f_α为扩展分形谱，i＝1,2,...,M；

把第i幅图像分成s×s子块，根据差分盒计数法，计算盒维数其中，N_r为覆盖整个图像所需的盒子数；

采用小波变换模极大值算法计算扩展分形维数D_q和扩展分形谱f_α，首先，对图像进行小波变换；在尺度空间内，采用阈值法沿着尺度方向计算小波系数模的极大值，并将模极大值点相连，得到模极大值曲线；然后，沿着模极大值曲线计算配分函数其中，q为参数，TW_f(a,b；Ψ)表示函数f在小波函数Ψ上作尺度为a、平移为b的变换，|·|表示取模运算，sup表示上确界；

根据配分函数Z(q,a)，采用最小二乘法拟合质量指数τ(q)，则扩展分形维数$>D_q=\frac{\tau \left(q\right)}{q-1},$>

扩展分形谱f_α＝qα-τ(q)；

训练样本集是由归一化的分形特征向量组成；

3.用训练样本及其所属的标号对SVM分类器进行训练；

用训练样本集中的第i个训练样本及其所属的标号l_i＝{1,-1}，对SVM分类器进行训练，其中，1表示溢油，-1表示疑似物；在SVM分类器中采用高斯径向基核函数；

4.根据分类的要求，采用自适应阈值法确定SAR图像中待识别的阴暗影区域I′(m,n)；

5.在阴暗影区域I′(m,n)内，逐像素点扫描并计算其分形特征向量，组成测试样本集X′；

像素点(m,n)分形特征向量的计算方法是：以像素点(m,n)为中心，选取w×w的窗口，按照步骤2所述的方法，计算像素点(m,n)的分形特征向量；

在阴暗影区域I′(m,n)内，按照索引的顺序，逐像素点扫描并计算其分形特征向量，组成测试样本集X′；

6使用训练过的SVM分类器对测试样本进行分类，并输出分类结果。