CN102096070B - 一种全极化合成孔径雷达海面溢油检测方法 - Google Patents
一种全极化合成孔径雷达海面溢油检测方法 Download PDFInfo
- Publication number
- CN102096070B CN102096070B CN 201010544381 CN201010544381A CN102096070B CN 102096070 B CN102096070 B CN 102096070B CN 201010544381 CN201010544381 CN 201010544381 CN 201010544381 A CN201010544381 A CN 201010544381A CN 102096070 B CN102096070 B CN 102096070B
- Authority
- CN
- China
- Prior art keywords
- polarization
- sar
- support vector
- training sample
- oil spilling
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Expired - Fee Related
Links
Landscapes
- Radar Systems Or Details Thereof (AREA)
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φHH-VV以及交叉极化相位差φHH-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
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SVV、SHH和SHV,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SVV、SHH和SHV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φHH-VV以及交叉极化相位差φHH-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{αj,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,yi=1;当训练样本属于疑似物类别时,yi=-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{αj,b}|j=1,2,...,m。
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SVV、SHH和SHV,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SVV、SHH和SHV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φHH-VV以及交叉极化相位差φHH-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。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{αj,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,yi=1;当训练样本属于疑似物类别时,yi=-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{αj,b}|j=1,2,...,m。
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SVV、SHH和SHV,其中, 和SVV的VV为垂直极化发射且垂直极化接收; 和SHH的HH为水平极化发射且水平极化接收; 和SHV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SVV、SHH和SHV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φHH-VV以及交叉极化相位差φHH-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{αj,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,yi=1;当训练样本属于疑似物类别时,yi=-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{αj,b}|j=1,2,...,m;
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。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN 201010544381 CN102096070B (zh) | 2010-11-16 | 2010-11-16 | 一种全极化合成孔径雷达海面溢油检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN 201010544381 CN102096070B (zh) | 2010-11-16 | 2010-11-16 | 一种全极化合成孔径雷达海面溢油检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN102096070A CN102096070A (zh) | 2011-06-15 |
CN102096070B true CN102096070B (zh) | 2013-04-03 |
Family
ID=44129240
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN 201010544381 Expired - Fee Related CN102096070B (zh) | 2010-11-16 | 2010-11-16 | 一种全极化合成孔径雷达海面溢油检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN102096070B (zh) |
Families Citing this family (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102608604B (zh) * | 2012-03-14 | 2014-02-19 | 清华大学 | 基于共极化特征功率图的海面溢油检测方法 |
BR102012010659B1 (pt) | 2012-05-04 | 2022-04-12 | Oil-Finder - Serviços De Sensoriamento Remoto E Modelagem Computacional Ltda | Processo para identificação e classificação de áreas de exsudações de óleo no fundo do mar através de modelagem inversa |
CN102798860B (zh) * | 2012-07-13 | 2013-12-04 | 江苏科技大学 | 具有相干斑特性的任意形状sar海面溢油图像的模拟方法 |
CN104123563B (zh) * | 2014-07-17 | 2017-04-12 | 电子科技大学 | 一种基于Cloude分解的极化SAR图像分类方法 |
CN104240253A (zh) * | 2014-09-22 | 2014-12-24 | 国家卫星海洋应用中心 | 一种极化分解的溢油探测方法 |
CN105372658A (zh) * | 2015-12-16 | 2016-03-02 | 国家卫星海洋应用中心 | 基于极化分解技术的溢油检测方法及装置 |
CN105701481B (zh) * | 2016-02-26 | 2019-02-26 | 民政部国家减灾中心 | 一种倒塌建筑物提取方法 |
CN105866775B (zh) * | 2016-03-28 | 2018-01-02 | 南京信息工程大学 | 一种基于全极化合成孔径雷达图像的海面溢油检测方法 |
CN108257119B (zh) * | 2018-01-08 | 2020-09-01 | 浙江大学 | 一种基于近紫外图像处理的近岸海域漂浮危化品检测预警方法 |
CN109359509B (zh) * | 2018-08-27 | 2021-09-28 | 西安电子科技大学 | 基于OpenCL并行的极化SAR地物分类方法 |
CN109188435B (zh) * | 2018-09-05 | 2021-04-27 | 国家卫星海洋应用中心 | 一种溢油判断方法及装置 |
CN110221266B (zh) * | 2019-06-11 | 2022-12-13 | 哈尔滨工程大学 | 一种基于支持向量机的航海雷达目标快速检测方法 |
CN111025291B (zh) * | 2019-11-06 | 2021-07-16 | 中国石油大学(华东) | 一种基于全极化sar新特征的海洋溢油检测方法 |
CN111766565B (zh) * | 2020-07-09 | 2023-03-07 | 北京遥测技术研究所 | 一种基于极化比向量均值的箔条假目标干扰鉴别方法 |
CN113516657B (zh) * | 2021-09-14 | 2021-12-10 | 中国石油大学(华东) | 一种基于自适应权重的全极化sar影像海面溢油检测方法 |
-
2010
- 2010-11-16 CN CN 201010544381 patent/CN102096070B/zh not_active Expired - Fee Related
Non-Patent Citations (3)
Title |
---|
石立坚等.基于纹理分析和人工神经网络的SAR图像中海面溢油识别方法.《中国海洋大学学报(自然科学版) 》.2009,第39卷(第6期),1269-1274. * |
邹亚荣等.基于SAR后向散射的海上溢油检测研究.《遥感信息》.2010,(第4期),76-79. * |
马龙等.结合纹理的支持向量机合成孔径雷达溢油监测.《中国航海》.2010,第33卷(第1期),75-79. * |
Also Published As
Publication number | Publication date |
---|---|
CN102096070A (zh) | 2011-06-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN102096070B (zh) | 一种全极化合成孔径雷达海面溢油检测方法 | |
Yuan et al. | Large-scale solar panel mapping from aerial images using deep convolutional networks | |
Garcia-Pineda et al. | Oil spill mapping and measurement in the Gulf of Mexico with textural classifier neural network algorithm (TCNNA) | |
Misra et al. | Simple approaches to oil spill detection using sentinel application platform (SNAP)-ocean application tools and texture analysis: a comparative study | |
CN103198480B (zh) | 基于区域和Kmeans聚类的遥感图像变化检测方法 | |
Singha et al. | Detection and classification of oil spill and look-alike spots from SAR imagery using an artificial neural network | |
CN102608604B (zh) | 基于共极化特征功率图的海面溢油检测方法 | |
CN103236063A (zh) | 基于多尺度谱聚类及决策级融合的sar图像溢油检测方法 | |
CN107506729A (zh) | 一种基于深度学习的能见度检测方法 | |
Rogers et al. | Geomorphology as an indicator of the biophysical vulnerability of estuaries to coastal and flood hazards in a changing climate | |
CN105528619A (zh) | 基于小波变换和svm的sar遥感影像变化检测方法 | |
Kim et al. | Detection of the Hebei Spirit oil spill on SAR imagery and its temporal evolution in a coastal region of the Yellow Sea | |
CN102609701A (zh) | 基于最佳尺度的高分辨率合成孔径雷达遥感检测方法 | |
CN110263646A (zh) | 一种基于卷积神经网络的海面弱目标探测方法和系统 | |
Hou et al. | End-to-end automatic ship detection and recognition in high-resolution Gaofen-3 spaceborne SAR images | |
CN103971370A (zh) | 一种针对遥感大图像的海洋溢油智能检测方法 | |
Catalán et al. | Microwave backscattering from surf zone waves | |
Ajadi et al. | Oil spill detection in synthetic aperture radar images using Lipschitz-regularity and multiscale techniques | |
CN104268574A (zh) | 一种基于遗传核模糊聚类的sar图像变化检测方法 | |
Lang et al. | Dark-spot segmentation for oil spill detection based on multifeature fusion classification in single-pol synthetic aperture radar imagery | |
Li et al. | Detection and monitoring of oil spills using moderate/high-resolution remote sensing images | |
Xu et al. | Dynamic detection of offshore wind turbines by spatial machine learning from spaceborne synthetic aperture radar imagery | |
Baek et al. | Oil spill detection of Kerch strait in November 2007 from dual-polarized TerraSAR-X image using artificial and convolutional neural network regression models | |
Wang et al. | An improved semantic segmentation model based on SVM for marine oil spill detection using SAR image | |
Blondeau-Patissier et al. | Detection of marine oil-like features in Sentinel-1 SAR images by supplementary use of deep learning and empirical methods: Performance assessment for the Great Barrier Reef marine park |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C14 | Grant of patent or utility model | ||
GR01 | Patent grant | ||
C17 | Cessation of patent right | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20130403 Termination date: 20131116 |