CN102096070B - 一种全极化合成孔径雷达海面溢油检测方法 - Google Patents

Abstract

本发明公开了一种全极化合成孔径雷达海面溢油检测方法，具体步骤为：首先，对全极化SAR图像进行自适应阈值分割，得到除去海面的全极化SAR图像；然后从除去海面的全极化SAR图像中选择训练样本和测试样本；接着训练SVM检测器，归一化处理由散射熵H、散射角α、反熵A、共极化比γ、交叉极化比η、去极化比δ、共极化相位差φ_HH-VV以及交叉极化相位差φ_HH-HV组成的检测器的极化特征向量；最后用SVM检测器对溢油和疑似物进行检测识别，输出检测结果。本发明具有检测速度快，虚警率低的特点，适用于合成孔径雷达海面溢油检测。

Description

一种全极化合成孔径雷达海面溢油检测方法

技术领域

本发明属于海洋遥感技术领域，具体地涉及了一种全极化合成孔径雷达海面溢油检测方法。

背景技术

海面溢油监测主要有直接探测和遥感探测两种方法，合成孔径雷达(SAR，synthetic aperture radar)属于遥感探测法。与直接探测方法相比，SAR在海面溢油监测方面具有以下独特的优势：1.SAR能够在夜间工作，因此可监测到非法/故意/恶意排泄油污的商业行为；2.在在任何气候条件下，SAR能够跟踪大面积油污的动态变化情况，从而为清理油污制定出科学合理的方案；3.利用SAR图像，可找到油污泄漏的来源，即确定事故的主体，可提供索赔依据。

海面对SAR回波散射主要是由短重力波所贡献的。由于油膜对短重力波的抑制作用，使得被油膜覆盖区域的海面散射回波强度很低，因而溢油区域在SAR图像上表现为阴暗影特征。然而许多其他海洋现象也会在SAR图像上产生明显的阴暗影特征，如低风速海面、表面流、生物浮油以及内波等等。在SAR海面溢油检测中，常把这些现象统称为疑似物。

SAR海面溢油检测的关键问题是如何选取检测器中的溢油特征。目前常采用图像的几何特性和统计特性作为检测器的检测依据。由于溢油和疑似物在SAR图像上均表现为阴暗影特征，导致了这类方法具有较高的虚警率。当对检测器进行改进时，如用人工神经网络检测器代替最小距离检测器，高虚警率虽有所抑制，但这也是以牺牲检测速度为代价换来的。总之，SAR海面溢油检测中的高虚警率问题仍未得到彻底的解决。

发明内容

为了克服现有技术中的不足，本发明的目的在于提出一种全极化合成孔径雷达海面溢油检测方法，解决现有技术中海面溢油检测的高虚警率问题。

为解决上述技术问题，达到上述技术目的，本发明采用如下技术方案：

一种全极化合成孔径雷达海面溢油检测方法，具体步骤如下：

步骤1)读入全极化SAR图像，记为

和

其中，HH为水平极化发射且水平极化接收，VV为垂直极化发射且垂直极化接收，HV为水平极化发射且垂直极化接收。采用自适应阈值算法对全极化SAR图像进行分割，得到除去海面后的全极化SAR图像S_VV、S_HH和S_HV，自适应阈值T＝μ+kσ，其中，μ全极化SAR图像均值，σ为全极化SAR图像标准差，k是与海况有关的系数。

步骤2)根据先验信息，从除去海面后的全极化SAR图像S_VV、S_HH和S_HV中选择训练样本和测试样本。训练样本属于溢油类别和疑似物类别。测试样本的数量和其在图像中的位置根据实际需要选择。

步骤3)极化特征向量

是由Cloude极化分解和极化系数两部分构成的。方法如下：对图像进行Cloude极化分解，得到关于溢油和疑似物散射类型的参数：散射熵H、散射角α以及反熵A。极化系数的计算：共极化比γ、交叉极化比η、去极化比δ、共极化相位差φ_HH-VV以及交叉极化相位差φ_HH-HV，其中，

以及

<·>表示多视的平均运算，∠表示相位角运算。‘*’表示共轭运算。联合Cloude极化分解和极化系数作为检测器的极化特征向量

对其进行归一化处理。

步骤4)用训练样本对支持向量机进行训练，得到SVM决策函数

中的支持向量

和最优参数{α_j，b}|_{j＝1，2，...，m}，其中，m为支持向量的个数，下标j为支持向量的索引数，b为超平面的平移量：根据先验信息，先对训练样本建立集合其中n为训练样本的点数，

为训练样本的极化特征向量，当训练样本属于溢油类别时，y_i＝1；当训练样本属于疑似物类别时，y_i＝-1；SVM的决策函数为其中，SV为支持向量，sgn(·)为符号函数，

为高斯径向基核函数。采用序列最小优化算法来求解SVM的决策函数中的支持向量

和最优参数{α_j，b}|_{j＝1，2，...，m}。

步骤5)使用训练过的SVM检测器对测试样本进行检测，并输出检测结果。把测试样本的极化特征向量送入到SVM的决策函数

中，当

时，则测试样本

属于溢油；当

时，测试样本

属于疑似物。

与现有技术相比，本发明的一种全极化合成孔径雷达海面溢油检测方法，具有如下优点：

1.本发明采用了全极化SAR图像，与单极化和多极化SAR图像相比，一方面在全极化SAR图像中含有更丰富的极化信息，即共极化、交叉极化及其扩展信息；另一方面从Cloude极化分解中可提取目标的散射类型。

2.与基于图像的几何特性和统计特性作为检测器的特征向量相比，极化特征向量既包含了溢油和疑似物在散射机理上的差异，也包含了极化信息上的差异。因此本发明可以解决SAR海面溢油检测中的高虚警率问题。

3.本发明首先采用自适应阈值算法对图像进行分割，虑除大部分的海面数据，然后对溢油和疑似物进行检测，因此检测速度会显著提高。

下面结合附图和具体实施方式对本专利作进一步的说明。

附图说明

图1为本发明涉及的一种全极化合成孔径雷达海面溢油检测方法的流程图。

具体实施方式

现结合附图对本发明进行详细的阐述。

本发明的一种全极化合成孔径雷达海面溢油检测方法包括以下步骤：

1.读入全极化SAR图像，记为

和

其中，HH为水平极化发射且水平极化接收，VV为垂直极化发射且垂直极化接收，HV为水平极化发射且垂直极化接收。采用自适应阈值算法对全极化SAR图像进行分割，得到除去海面后的全极化SAR图像S_VV、S_HH和S_HV，阈值T＝μ+kσ，其中μ为全极化SAR图像的均值，σ为全极化SAR图像的标准差，k是与海况有关的系数。

2.根据先验信息，从除去海面后的全极化SAR图像S_VV、S_HH和S_HV中选择训练样本和测试样本。从溢油和疑似物类别中选择训练样本，数量为1000个样本点。测试样本的数量和其在图像中的位置可根据实际需要，进行合理选择。

3.极化特征向量

是由Cloude极化分解和极化系数两部分构成的。获取方法如下：对图像进行Cloude极化分解，得到关于溢油和疑似物散射类型的参数：散射熵H、散射角α以及反熵A。极化系数的计算：共极化比γ、交叉极化比η、去极化比δ、共极化相位差φ_HH-VV以及交叉极化相位差φ_HH-HV，其中

$\mathrm{\&eta;}=\frac{\&lang;S_{\mathrm{HV}}{S}_{\mathrm{HV}}^{*}\&rang;}{\&lang;S_{\mathrm{HH}}{S}_{\mathrm{HH}}^{*}\&rang;},$ $\mathrm{\&delta;}=\frac{\&lang;S_{\mathrm{HV}}{S}_{\mathrm{HV}}^{*}\&rang;}{\&lang;S_{\mathrm{HH}}{S}_{\mathrm{HH}}^{*}\&rang;+\&lang;S_{\mathrm{VV}}{S}_{\mathrm{VV}}^{*}\&rang;},$ ${\mathrm{\&phi;}}_{\mathrm{HH}-\mathrm{VV}}=\&angle;\&lang;S_{\mathrm{HH}}{S}_{\mathrm{VV}}^{*}\&rang;$ 以及 ${\mathrm{\&phi;}}_{\mathrm{HH}-\mathrm{HV}}=\&angle;\&lang;S_{\mathrm{HH}}{S}_{\mathrm{HV}}^{*}\&rang;;$ <·>表示多视的平均运算，∠表示相位角运算。‘*’表示共轭运算。检测器的极化特征向量

对其进行归一化处理；极化特征向量

的归一化处理，有利于加快SVM的收敛速度，提高检测速度。

4.用训练样本对支持向量机进行训练，得到SVM决策函数

中的支持向量

和最优参数{α_j，b}|_{j＝1，2，...，m}，其中，m为支持向量的个数，下标j为支持向量的索引数，b为超平面的平移量。根据先验信息，先对训练样本建立集合

其中，n为训练样本的点数，

为训练样本的极化特征向量，当训练样本属于溢油类别时，y_i＝1；当训练样本属于疑似物类别时，y_i＝-1；SVM的决策函数为

其中SV为支持向量，sgn(·)为符号函数，

为高斯径向基核函数，即

其中σ为常数，可设置σ＝0.5。采用序列最小优化算法来求解SVM的决策函数

中的支持向量

和最优参数{α_j，b}|_{j＝1，2，...，m}。

5.使用训练过的SVM检测器对测试样本进行检测，并输出检测结果。把测试样本的极化特征向量

送入到SVM的决策函数

中，当时，则测试样本

属于溢油；当

时，测试样本

属于疑似物。

上述实施例只是为了说明本发明的技术构思及特点，其目的是在于让本领域内的普通技术人员能够了解本发明的内容并据以实施，并不能以此限制本发明的保护范围。凡是根据本发明内容的实质所作出的等效的变化或修饰，都应涵盖在本发明的保护范围内。

Claims (4)

1.一种全极化合成孔径雷达海面溢油检测方法，其特征在于，包含以下步骤：

步骤1)读入全极化SAR图像，记为 

和 

采用自适应阈值算法对全极化SAR图像进行分割，得到除去海面后的全极化SAR图像，记为S_VV、S_HH和S_HV，其中， 

和S_VV的VV为垂直极化发射且垂直极化接收； 

和S_HH的HH为水平极化发射且水平极化接收； 

和S_HV的HV为水平极化发射且垂直极化接收；

步骤2)根据先验信息，从除去海面后的全极化SAR图像S_VV、S_HH和S_HV中选择训练样本和测试样本，其中，训练样本从溢油类别和疑似物类别中选得，测试样本的数量和其在图像中的位置根据实际需要选择；

步骤3)对图像进行Cloude极化分解，得到关于溢油和疑似物散射类型的参数：散射熵H、散射角α以及反熵A；利用极化系数的计算公式计算得到极化系数：共极化比γ、交叉极化比η、去极化比δ、共极化相位差φ_HH-VV以及交叉极化相位差φ_HH-HV；联合Cloude极化分解得到关于溢油和疑似物散射类型的参数和极化系数作为检测器的极化特征向量 

对其进行归一化处理；

步骤4)用训练样本对支持向量机进行训练，获得支持向量机决策函数 

中的支持向量 

和最优参数{α_j，b}|_{j＝1，2，...，m}，其中m为支持向量的个数，下标j为支持向量的索引数，b为超平面的平移量：根据先验信息，先对训练样本建立集合 

其中，n为训练样本的点数， 为训练样本的极化特征向量，当训练样本属于溢油类别时，y_i＝1；当训练样本属于疑似物类别时，y_i＝-1；SVM的决策函数为 

其中，SV为支持向量，sgn(·)为 符号函数，

为高斯径向基核函数，采用序列最小优化算法来求解SVM的决策函数 

中的支持向量 

和最优参数{α_j，b}|_{j＝1，2，...，m}；

步骤5)使用训练过的支持向量机检测器对测试样本进行检测，并输出检测结果：把测试样本的极化特征向量 

送入到SVM的决策函数 

中，当 

时，则测试样本 

属于溢油；当 时，测试样本 

属于疑似物。

2.根据权利要求1所述的一种全极化合成孔径雷达海面溢油检测方法，其特征在于，所述步骤1)中，自适应阈值算法中的自适应阈值T的取值为T＝μ+kσ，其中，μ为全极化SAR图像的均值，σ为全极化SAR图像的标准差，k是与海况有关的系数。

3.根据权利要求1所述的一种全极化合成孔径雷达海面溢油检测方法，其特征在于，所述步骤1)中，自适应阈值算法中的自适应阈值T的取值为T＝μ+kσ，其中，μ为全极化SAR图像的均值，σ为全极化SAR图像的标准差，k是与海况有关的系数。

4.根据权利要求1所述的一种全极化合成孔径雷达海面溢油检测方法，其特征在于，所述步骤3)中，极化系数的计算公式为：共极化比 

交叉极化比 去极化比 

共极化相位差 

以及交叉极化相位差 <·>表示多视的平均运算，∠表示相位角运算，‘*’表示共轭运算。