CN102831444B - 一种sar阴暗影图像中溢油和疑似物的识别方法 - Google Patents
一种sar阴暗影图像中溢油和疑似物的识别方法 Download PDFInfo
- Publication number
- CN102831444B CN102831444B CN201210270576.0A CN201210270576A CN102831444B CN 102831444 B CN102831444 B CN 102831444B CN 201210270576 A CN201210270576 A CN 201210270576A CN 102831444 B CN102831444 B CN 102831444B
- Authority
- CN
- China
- Prior art keywords
- image
- sar
- oil spilling
- training sample
- fractal
- 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)
- Image Analysis (AREA)
Abstract
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。
Description
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,Dq为扩展分形维数,fα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,Nr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Dq和扩展分形谱fα,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,TWf(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fα=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li={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,Dq为扩展分形维数,fα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,Nr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Dq和扩展分形谱fα,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,TWf(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fα=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li={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。
Claims (4)
1.一种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H个疑似物区域分别组成溢油图像库和疑似物图像库;
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,Dq为扩展分形维数,fα为扩展分形谱,i=1,2,...,M;
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;
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;
步骤2还包括以下特征,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,Nr为覆盖整个图像所需的盒子数。
2.如权利要求1所述的SAR阴暗影图像中溢油和疑似物的识别方法,其特征在于:步骤2中采用小波变换模极大值算法计算扩展分形维数Dq和扩展分形谱fα,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,TWf(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;
步骤2中根据配分函数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fα=qα-τ(q),其中,
3.如权利要求1所述的SAR阴暗影图像中溢油和疑似物的识别方法,其特征在于:训练样本集是由归一化的分形特征向量组成。
4.如权利要求1所述的SAR阴暗影图像中溢油和疑似物的识别方法,其特征在于:步骤3中,用训练样本集中的第i个训练样本及其所属的标号li={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。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201210270576.0A CN102831444B (zh) | 2012-08-01 | 2012-08-01 | 一种sar阴暗影图像中溢油和疑似物的识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201210270576.0A CN102831444B (zh) | 2012-08-01 | 2012-08-01 | 一种sar阴暗影图像中溢油和疑似物的识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN102831444A CN102831444A (zh) | 2012-12-19 |
CN102831444B true CN102831444B (zh) | 2015-02-18 |
Family
ID=47334570
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201210270576.0A Expired - Fee Related CN102831444B (zh) | 2012-08-01 | 2012-08-01 | 一种sar阴暗影图像中溢油和疑似物的识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN102831444B (zh) |
Families Citing this family (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103488992B (zh) * | 2013-08-28 | 2016-09-07 | 北京理工大学 | 一种面向复杂sar图像场景的溢油检测方法 |
CN104050489B (zh) * | 2014-06-27 | 2017-04-19 | 电子科技大学 | 一种基于多核最优化的合成孔径雷达自动目标识别方法 |
CN107369171B (zh) * | 2017-05-31 | 2020-09-04 | 三亚中科遥感研究所 | 一种基于相位相关和分形维数的遥感影像配准方法 |
CN110348459B (zh) * | 2019-06-28 | 2021-11-16 | 西安理工大学 | 基于多尺度快速地毯覆盖法声呐图像分形特征提取方法 |
CN114882371B (zh) * | 2022-07-08 | 2022-10-18 | 中国石油大学(华东) | 一种基于全极化sar图像的海面溢油检测模型构建方法 |
-
2012
- 2012-08-01 CN CN201210270576.0A patent/CN102831444B/zh not_active Expired - Fee Related
Non-Patent Citations (3)
Title |
---|
《Automatic Detection of Oil Spills in ERS SAR Images》;Anne H. Schistad Solberg 等;《IEEE TRANSACTIONS ON GEOSCIENCE AND REMOTE SENSING》;19990731;第37卷(第4期);第1916-1924页 * |
《On the Mueller Scattering Matrix for SAR Sea Oil Slick Observation》;Ferdinando Nunziata 等;《IEEE GEOSCIENCE AND REMOTE SENSING LETTERS》;20081031;第5卷(第4期);第691-695页 * |
石立坚,赵朝方,刘朋.《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》.2009,第39卷(第6期),第1269-1274页,第1314页. * |
Also Published As
Publication number | Publication date |
---|---|
CN102831444A (zh) | 2012-12-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN102831444B (zh) | 一种sar阴暗影图像中溢油和疑似物的识别方法 | |
CN104036239B (zh) | 基于特征融合和聚类的高分辨sar图像快速舰船检测方法 | |
CN108600135B (zh) | 一种信号调制方式的识别方法 | |
CN110378308B (zh) | 改进的基于Faster R-CNN的港口SAR图像近岸舰船检测方法 | |
CN102034239B (zh) | 一种基于局部灰度突变的红外小目标检测方法 | |
CN102073879B (zh) | 基于半监督学习的海岸海洋遥感影像特征地类的识别方法 | |
CN103353989B (zh) | 基于先验和融合灰度与纹理特征的sar图像变化检测方法 | |
CN103810704B (zh) | 基于支持向量机和判别随机场的sar图像变化检测方法 | |
CN101975940A (zh) | 基于分割组合的sar图像自适应恒虚警率目标检测方法 | |
CN109117802A (zh) | 面向大场景高分遥感影像的舰船检测方法 | |
CN101587189B (zh) | 用于合成孔径雷达图像的纹理基元特征提取方法 | |
CN111639587B (zh) | 基于多尺度谱空卷积神经网络的高光谱图像分类方法 | |
CN104732215A (zh) | 一种基于信息向量机的遥感影像海岸线提取方法 | |
CN108256471B (zh) | 一种基于双层分类网的高分辨率合成孔径雷达船只识别方法 | |
CN107239751A (zh) | 基于非下采样轮廓波全卷积网络的高分辨sar图像分类方法 | |
CN104951799A (zh) | 一种sar遥感影像溢油检测识别方法 | |
CN106443593B (zh) | 基于相参雷达慢扫增强的自适应溢油信息提取方法 | |
CN105844298A (zh) | 一种基于Fuzzy ARTMAP神经网络的高光谱溢油影像分类方法 | |
CN107230214B (zh) | 基于递归otsu算法的sar图像水域自动检测方法 | |
CN105389826A (zh) | 珊瑚岛礁岸线高分sar遥感提取方法 | |
CN112784757B (zh) | 海上sar舰船目标显著性检测与识别方法 | |
CN103886332A (zh) | 一种检测与识别金属网栅缺陷的方法 | |
CN105512622A (zh) | 一种基于图分割和监督学习的可见光遥感图像海陆分割方法 | |
Xie et al. | Fast ship detection from optical satellite images based on ship distribution probability analysis | |
CN107748361A (zh) | 基于截断杂波统计的sar图像双参数cfar检测方法 |
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 | ||
CF01 | Termination of patent right due to non-payment of annual fee | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20150218 Termination date: 20190801 |