CN104102926B - 一种海面油膜识别方法 - Google Patents

Abstract

本发明公开了一种海面油膜识别方法，如下：收集并处理原始图像形成样本图像存入图像库。处理样本图像形成黑白样本图像存入油膜识别特征数据库。计算黑白样本图像获得a个特征值并存入油膜识别特征数据库。处理被识别测试图像形成被识别测试黑白图像，计算、提取被识别测试黑白图像的a个特征值。被识别测试黑白图像的特征值分别与油膜识别特征数据库内的黑白样本图像的a个特征值比对、筛选，提取与被识别测试图像的a个特征值相似程度大的a组黑白样本图像。a组黑白样本图像生成图像集合计算并得出图像集合中每个黑白样本图像与被识别测试图像的相似程度。相似程度最大的黑白样本图像对应的原始图像的属性对被识别测试图像进行判断是否为油膜。

Description

一种海面油膜识别方法

技术领域

本发明涉及图像分析和识别方法，具体涉及一种海面油膜识别方法。

背景技术

海洋资源是我国自然资源的主要组成部分，伴随着海洋资源的不断开发，海上溢油已经成为一个日益严重的问题。海上溢油污染在海面大多数以海面油膜的形式存在。海面油膜会使得海洋生产力降低，同时破坏海洋的生态平衡。因此能否准确及时的检测海上溢油已经变得越来越重要。遥感技术已经成为检测海面溢油的主要方法之一，而其中卫星遥感和航空遥感是目前普遍采用的方法。卫星遥感主要以合成孔径雷达(SyntheticAperture Radar，简称SAR)为主。它可以根据油膜特性导致的黑色斑块特征来判断是否存在溢油。然而，并不是所有黑色斑块特征都是油膜造成。有些是其他自然现象造成。比如例如低风速雨区、自然油膜、背风区、海藻。因此，为了更精确的监测油膜，迫切需要一种识别航空遥感海面油膜的方式，进行对具有类似现象的区域进行进一步的识别。

发明内容

本发明的目的在于提供一种识别航空遥感海面油膜的方法。气候的变化会影响水面的颜色和形状，比如光线的改变会影响成像后水面的亮度；风向的改变会影响成像后水面的形状。因此，颜色和形状都不是识别油膜的鉴别性特征。油滴是从中心开始扩散的，因此油污表面会出现很多一圈一圈的形状，这种形状会在水面成像的纹理上体现出来。本发明是根据图像的黑像素连续度、黑像素连续度的角度粒度和像素变换粒度密度三方面的特征来提取图像特征，进行油膜的识别。当海面油膜出现时，根据水面的这些特征的改变差异进行数字化比较，来识别区分油膜和非油膜。

为了达到上述目的，本发明通过以下技术方案实现：

一种海面油膜识别方法，其特点是，该识别方法包含如下步骤：

步骤1，收集并处理多个原始航拍油膜图像、原始非油膜图像形成多个样本图像存入图像库。

步骤2，将上述的每个样本图像经二值化处理、去噪处理形成黑白样本图像并存入油膜识别特征数据库。

步骤3，将上述的每个黑白样本图像经计算处理获得a个特征值，并将上述的a个特征值存入上述的油膜识别特征数据库。

步骤4，将被识别测试图像进行处理形成被识别测试黑白图像，并计算、提取该被识别测试黑白图像的a个特征值。

步骤5，将上述的被识别测试黑白图像的a个特征值分别与上述的油膜识别特征数据库内的所有黑白样本图像的a个特征值比对、筛选，提取与被识别测试图像的a个特征值相似程度大的a组黑白样本图像，每组图像个数大于1并且小于所有样本图像总数。

步骤6，将上述的a组黑白样本图像生成图像集合，并根据与上述的被识别测试图像的每个特征值相似程度的大小对上述的图像集合进行排序生成a组排序图集。

步骤7，根据上述的被识别测试图像的特征值的权重值、上述的a组排序图集中每个黑白样本图像的排序位置，计算并得出上述的图像集合中每个黑白样本图像与该被识别测试图像的相似程度。

步骤8，将上述的图像集合中所有黑白样本图像的相似程度进行排序，根据相似程度最大的黑白样本图像对应的上述的图像库内的原始图像的属性对上述的被识别测试图像进行判断；当该原始图像为油膜时，该被识别测试图像即为油膜图像；当该原始图像为非油膜图像时，该被识别测试图像为非油膜图像。

上述的海面油膜识别方法，其特点是，上述的步骤3包含如下步骤：

步骤3.1，上述的每个黑白样本图像根据下述黑像素连续度公式计算，获取该黑白样本图像的多个黑像素连续度co(x,y,θ)、多个黑像素连续度均值μ_co_θ及多个黑像素连续度方差σ_co_θ。

其中，p(x,y)--图像的像素点，p(x,y)＝1为全黑像素，否则为p(x,y)＝0；

θ--图像像素的倾角方向，分别为0°，45°，90°，135°；

k--以像素点p(x,y)为中心，前后对称的像素值为1的像素点组成区间的半径的值；

i，j--像素的位置信息；

其中，D--方向θ上黑像素连续度的值co(x,y,θ)＞0点的集合；

s--方向θ上黑白样本图像的黑像素连续度非零值的像素点的个数。

步骤3.2，上述的每个黑白样本图像根据下述黑像素连续度的角度粒度均值、方差公式计算，获取该黑白样本图像的多个黑像素连续度的角度粒度的均值μ_cf₁、μ_cf₂，方差σ_cf₁、σ_cf₂。

其中，co(x,y,θ₁)-co(x,y,θ₂)--正交相关粒度。

D—方向θ₁，θ₂上黑像素连续度的值co(x,y,θ₁),co(x,y,θ₂)至少一个非零值的点的集合；

s--方向θ₁，θ₂上黑白样本图像的黑像素连续度非零值的像素点的个数；

步骤3.3，上述的每个黑白样本图像根据下述像素变换粒度公式、像素变换粒度密度公式计算及像素变换粒度方差公式，获取该黑白样本图像的多个像素变换粒度Tc(l,θ)，多个像素变换粒度密度μ_T_θ，多个像素变换粒度方差σ_T_θ。

Tc(l,0°)＝|{x||p(x,l)-p(x+1,l)|＝1}|；

Tc(l,45°)＝|{x||p(x,x+l)-p(x+1,x+l+1)|＝1}|；

Tc(l,90°)＝|{x||p(l,y)-p(l+1,y)|＝1}|；

Tc(l,135°)＝|{x||p(l-y,y)-p(l-y-1,y+1)|＝1}|；

其中，Tc(l,θ)--计算θ方向上第l条扫描线的转折像素点的个数和；R—在θ方向上所有扫描线上具有Tc(l,θ)≠0的扫描线的集合。

步骤3.4，上述的每个黑白样本图像的20个特征值根据是否满足特征值要求公式筛选是否并存入所述的油膜识别特征数据库中。

上述的海面油膜识别方法，其特点是，上述的步骤3.4具体如下：

将计算获得的上述的多个黑像素连续度平均值μ_co_θ、方差值σ_co_θ，多个黑像素连续度的角度粒度的均值μ_cf₁、μ_cf₂，方差值σ_cf₁、σ_cf₂，多个像素变换粒度密度值μ_T_θ及多个像素变换粒度方差σ_T_θ；当分别满足下述特征值要求公式时，取该特征值作为黑白样本图像的多个特征值之一：

|μ_2r-μ_1r|＞λ₁σ_1r+λ₂σ_2r

其中，λ₁、λ₂为常数；

μ_1r--在油膜识别特征数据库内所有油膜黑白样本图像的第r个特征值的均值，(1≤r≤20)；

μ_2r--在油膜识别特征数据库内所有非油膜黑白样本图像的第r个特征值的均值；

σ_1r--在油膜识别特征数据库内所有油膜黑白样本图像的第r个特征值的方差值；

σ_2r--在油膜识别特征数据库内所有非油膜黑白样本图像的第r个特征值的方差值；

根据上述公式，将从20个特征值中筛选满足上述公式要求的图像特征值共a个，并将a个特征值存入所述的油膜识别特征数据库中。

上述的海面油膜识别方法，其特点是，上述的步骤4包含如下步骤：

步骤4.1，将被识别测试图像进行二次化处理、去噪处理形成被识别测试黑白样本图像。

步骤4.2，根据上述黑像素连续度均值公式、黑像素连续度方差公式、黑像素连续度的角度粒度均值公式、黑像素连续度的角度粒度方差公式、像素变换粒度密度公式获取与所述的步骤3.4中对应的a个该被识别测试黑白图像的特征值。

上述的海面油膜识别方法，其特点是，上述的步骤6包含如下步骤：

步骤6.1，将a组黑白样本图像进行合并操作，并删除重复的黑白样本图像，生成一个图像集合。

步骤6.2，该被识别测试黑白样本图像的每个特征值与上述的图像集合中的所有黑白样本图像的相应特征值比对，并根据相似程度大小对该图像集合中的所有黑白样本图像进行排序，并生成a组排序图集。

上述的海面油膜识别方法，其特点是，上述的步骤7包含如下步骤：

步骤7.1，根据下述特征值权重公式，计算出上述的识别测试黑白样本图像的a个特征值在识别过程中所占权重W^t；

H^t＝|μ_t1-μ_t2|-σ_t1-σ_t2

C＝min{H^t}；

其中，H^t--第t个特征值的中间变量，(1≤t≤a)；

C--中间变量；

μ_1t--在油膜识别特征数据库内所有油膜黑白样本图像的第t个特征值的均值；

μ_2t--在油膜识别特征数据库内所有非油膜黑白样本图像的第t个特征值的均值；

σ_1t--在油膜识别特征数据库内所有油膜黑白样本图像的第t个特征值的方差值；

σ_2t--在油膜识别特征数据库内所有非油膜黑白样本图像的第t个特征值的方差值；

步骤7.2，根据该识别测试黑白样本图像的每个特征值的权重W^t、上述的a组排序图像的排列次序，计算出该图像集合内每个黑白样本图像的相似程度B_q；

G^t(q)--表示图像q幅在第t个特征值组的排序位置值；

--表示图像q在第t个特征值组的排序位置；

W^t--表示第t个特征值在识别过程中所占比例，即所占权重；

N_set--图像集合的所有图像数量。

本发明与现有技术相比具有以下优点：本发明能够一定程度上克服SAR检测油污时导致的误判断。同时，本发明提供的一种海面油膜识别方法计算量较小，本算法提出了多个图像的特征值，该算法具有较高的识别准确率，并对被识别测试图像没有具体规格、属性要求。

附图说明

图1为本发明一种识别航空遥感海面油膜的方法的整体流程图。

具体实施方式

以下结合附图，通过详细说明一个较佳的具体实施例，对本发明做进一步阐述。

如图1所示一种海面油膜识别方法，该识别方法包含如下步骤：

步骤1，收集并处理多个原始航拍油膜图像、原始非油膜图像形成多个样本图像存入图像库。

将收集到的每个原始航拍油膜图像、原始非油膜图像经手动删除处理原始图像的噪声形成样本图像，并将原始图像、样本图像均存入图像库中。

步骤2，将每个样本图像经二值化处理、去噪处理形成黑白样本图像并存入油膜识别特征数据库。

本发明中，假设某个像素点p颜色RGB值为(p.red,p.green,p.blue),那么灰色值p.grey公式为：

根据上述二值化处理公式将样本图像转化为黑白样本图像，并对该图像中的孤立点、毛刺通过图像开运算处理去除。

步骤3，将每个黑白样本图像经计算处理获得a个特征值，并将上述的a个特征值存入上述的油膜识别特征数据库。该步骤包含如下步骤：

步骤3.1，每个黑白样本图像根据下述黑像素连续度公式计算，获取该黑白样本图像的多个黑像素连续度co(x,y,θ)、多个黑像素连续度均值μ_co_θ及多个黑像素连续度方差σ_co_θ。

实际情况中，与有油膜的水面相比，无油膜的水面的纹理更具连贯性，由于油膜会使得表面呈现更复杂的纹理特性。将图像中连续黑色像素组成的黑色团块状称为光谱，则可以根据海水表面纹理的黑色团块分布来描述图像的特征。油污包含的黑色块状会比水面的更大一些。因此，根据黑白样本图像的像素点在不同方向的黑像素连续性，即黑像素连续度co(x,y,θ)作为本识别方法的图像特征值之一。

定义p(x,y)是图像中一个像素点，如果该像素点是全黑则定义p(x,y)＝1,否则p(x,y)＝0.存在四个方向：垂直、水平、向左倾斜和向右倾斜，它们可以用如下角度来表示θ＝0°，θ＝45°，θ＝90°，θ＝135°。具体可以定义为：

图像的黑像素连续度是计算像素p(x,y)前后邻近对称区域连续出现p(x,y)＝1的像素点组成区间的半径的最大值，则黑像素连续度公式计算如下：

其中，θ--图像像素的倾角方向，分别为0°，45°，90°，135°；

k--以像素点p(x,y)为中心，前后对称的像素值为1的像素点组成区间的半径的值；

i，j--像素的位置信息；

假设黑白样本图像的分辨率为m×n，则方向θ上(θ分别为0°，45°，90°，135°)的黑像素连续度中非零值的像素有s(s＜m×n)个，这s个像素组成集合D，则黑像素连续度均值μ_co_θ和方差σ_co_θ公式定义为：

其中，D—方向θ上黑像素连续度的值co(x,y,θ)＞0点的集合；

s--方向θ上黑白样本图像的黑像素连续度非零值的像素点的个数。

步骤3.2，每个黑白样本图像根据下述黑像素连续度的角度粒度均值、方差公式计算，获取该黑白样本图像的多个黑像素连续度的角度粒度的均值μ_cf₁、μ_cf₂，方差σ_cf₁、σ_cf₂。

在实际拍摄图像中，由于受风的影响，无油膜的水面一般由具有一定方向的条状带纹理组成，而油滴的散射造成油膜表面一般由圆形的或者弧形的环状组成。因此，无油膜水面一般有明显的与风有关的方向性，而油膜会改变这个方向性。因此，本识别方法根据黑白样本图像的像素点在不同方向的方向粒度，即黑像素连续度的角度粒度co(x,y,θ)作为本识别方法的图像特征值之一。

假设θ₁，θ₂方向上有s(s＜m×n)个黑像素连续度的值co(x,y,θ₁)＞0或者co(x,y,θ₂)＞0的点，这s个点组成集合D，则两个方向粒度的均值μ_cf₁、μ_cf₂和方差σ_cf₁、σ_cf₂定义为：

其中，co(x,y,θ₁)-co(x,y,θ₂)--正交相关粒度。

D—方向θ₁，θ₂上黑像素连续度的值co(x,y,θ₁),co(x,y,θ₂)至少一个非零值的点的集合；

s--方向θ₁，θ₂上黑白样本图像的黑像素连续度非零值的像素点的个数。

步骤3.3，每个黑白样本图像根据下述像素变换粒度公式、像素变换粒度密度公式及及像素变换粒度方差公式计算，获取该黑白样本图像的多个像素变换粒度Tc(l,θ)，多个像素变换粒度密度μ_T_θ及多个像素变换粒度方差σ_T_θ。

对于经二值化处理的图像，当扫描线垂直或者水平穿过这幅图像的过程中，会出现0和1交错的转折像素点(从0变成1或者从1变成0)。这类特殊点出现的密集度可以作为区分油膜和非油膜的特征之一。因为油膜的存在，会出现部分有弧度的块状，从而使得这些转折点的规律发生改变。一般规律上，无油膜的水面成像后出现的转折点会比有油膜水面要密集。即引入了像素变换粒度作为本识别方法的图像特征值之一。定义像素变换粒度为指定方向上的密度，也即扫描线上转折像素点(从0变成1或者从1变成0)的平均数量。同样有四个方向θ＝0°，θ＝45°，θ＝90°和θ＝135°。对于每个方向，分别计算出这个扫描线上的转折像素点(从0变成1或者从1变成0)的个数。

假设黑白样本图像的分辨率为m×n，则四个方向(θ分别为0°，45°，90°，135°)的扫描线条数分别为l条，则每个黑白样本图像的像素变换粒度Tc(l,θ)、像素变换粒度密度μ_T_θ及像素变换粒度方差σ_T_θ分别为：

Tc(l,0°)＝|{x||p(x,l)-p(x+1,l)|＝1}|x＝0,1,2…m-2；l＝0,1,2,…n-1；

Tc(l,45°)＝|{x||p(x,l)-p(x+l+1,l+1)|＝1}|

x＝0,1…m-1；l＝-m,-m+1,…,0,1,…n-2；

Tc(l,90°)＝|{x||p(l,y)-p(l+1,y)|＝1}|l＝0,1,…m-2；y＝0,2,…n-1；

Tc(l,135°)＝|{x||p(l-y,y)-p(l-y-1,y+1)|＝1}|l＝0,1…m+n-1；y＝0,1,…n-1；

其中，Tc(l,θ)--计算θ方向上第l条扫描线的转折像素点的个数和；R—在θ方向上所有扫描线上具有Tc(l,θ)≠0的扫描线的集合。

步骤3.4，上述的每个黑白样本图像的20个特征值根据是否满足特征值要求公式筛选是否并存入所述的油膜识别特征数据库中。

将计算获得的上述的多个黑像素连续度平均值μ_co_θ、方差值σ_co_θ，多个黑像素连续度的角度粒度的均值μ_cf₁、μ_cf₂，方差值σ_cf₁、σ_cf₂，多个像素变换粒度密度值μ_T_θ及多个像素变换粒度方差σ_T_θ；当分别满足下述特征值要求公式时，取该特征值作为黑白样本图像的a个特征值之一；

|μ_2r-μ_1r|＞λ₁σ_1r+λ₂σ_2r

其中，λ₁、λ₂为常数，且λ₁≥1，λ₂≥1；

μ_1r--在油膜识别特征数据库内所有油膜黑白样本图像的第r个特征值的

均值，(1≤r≤20)；

μ_2r--在油膜识别特征数据库内所有非油膜黑白样本图像的第r个特征值的均值；

σ_1r--在油膜识别特征数据库内所有油膜黑白样本图像的第r个特征值的方差值；

σ_2r--在油膜识别特征数据库内所有非油膜黑白样本图像的第r个特征值的方差值；

根据上述公式，将从20个特征值中筛选满足上述公式要求的图像特征值共a个，并将a个特征值存入所述的油膜识别特征数据库中。

本实施例中，油膜识别特征数据库内共计226幅黑白样本图像，针对被识别测试图像的每个特征值，根据特征值要求公式：

|μ_2r-μ_1r|＞λ₁σ_1r+λ₂σ_2r

判断满足上述公式要求的图像特征值共12个，分别为：μ_co_θ(θ＝45°,90°,135°)，σ_co_θ(θ＝45°,90°,135°)，μ_cf₁,μ_cf₂,σ_cf₂,μ_T_θ(θ＝45°,90°,135°)。

步骤4，将被识别测试图像进行处理形成被识别测试黑白图像，并计算、提取该被识别测试黑白图像的a个特征值。该步骤包含如下步骤：

步骤4.1，将被识别测试图像进行二次化处理、去噪处理形成被识别测试黑白样本图像。

步骤4.2，根据上述黑像素连续度均值公式、黑像素连续度方差公式、黑像素连续度的角度粒度均值公式、黑像素连续度的角度粒度方差公式、像素变换粒度密度公式获取与所述的步骤3.4中对应的a个该被识别测试黑白图像的特征值。

本实施例中，根据上述黑像素连续度均值公式、黑像素连续度方差公式、黑像素连续度的角度粒度均值公式、黑像素连续度的角度粒度方差公式、像素变换粒度密度公式获取该被识别测试黑白图像的12个特征值：μ_co_θ(θ＝45°,90°,135°)，σ_co_θ(θ＝45°,90°,135°)，μ_cf₁,μ_cf₂,σ_cf₂,μ_T_θ(θ＝45°,90°,135°)。

步骤5，将被识别测试黑白图像的a个特征值分别与油膜识别特征数据库内的所有黑白样本图像的a个特征值比对、筛选，提取与被识别测试图像的a个特征值相似程度大的a组黑白样本图像，每组图像个数大于1小于并且所有样本图像总数。

本实施例中，油膜识别特征数据库内共计226幅黑白样本图像，针对被识别测试图像的每个特征值，分别从该油膜识别特征数据库内比对、选取2幅相似程度大的黑白样本图像；每组2幅黑白样本图像，共计选出12组24幅黑白样本图像。对于每组图像，根据与被识别测试黑白图像的特征值相似程度的大小顺序进行排列。

步骤6，将上述的a组黑白样本图像生成图像集合，并根据与上述的被识别测试图像的每个特征值相似程度的大小对上述的图像集合进行排序生成a组排序图集。该步骤包含如下步骤：

步骤6.1，将a组黑白样本图像进行合并操作，并删除重复的黑白样本图像，生成一个图像集合。

本实施例中，12组黑白样本图像中，有3幅图像重复，即最终形成的图像集合共计21幅黑白样本图像。

步骤6.2，该被识别测试黑白样本图像的每个特征值与上述的图像集合中的所有黑白样本图像的相应特征值比对，并根据相似程度大小对该图像集合中的所有黑白样本图像进行排序，并生成a组排序图集。

本实施例中，根据12组黑白样本图像生成图像集合，并根据与被识别测试图像的每个特征值相似程度的大小对图像集合进行排序生成12组排序图集。

针对被识别测试黑白样本图像的每个特征值的相似程度大小，上述图像集合中21幅黑白样本图像进行排序，针对该特征值记录每个黑白样本图像排序位置(表示图像q在第t个特征值组的排序位置)。

步骤7，根据上述的被识别测试图像的特征值的权重值、上述的a组排序图集中每个黑白样本图像的排序位置计算并得出上述的图像集合中每个黑白样本图像与该被识别测试图像的相似程度。该步骤包含如下步骤：

步骤7.1，根据下述特征值权重公式，计算出上述的识别测试黑白样本图像的a个特征值在识别过程中所占权重W^t。

H^t＝|μ_t1-μ_t2|-σ_t1-σ_t2

C＝min{H^t}；

其中，H^t--第t个特征值的中间变量，(1≤t≤a)；

C--中间变量；

μ_1t--在油膜识别特征数据库内所有油膜黑白样本图像的第t个特征值的均值；

μ_2t--在油膜识别特征数据库内所有非油膜黑白样本图像的第t个特征值的均值；

σ_1t--在油膜识别特征数据库内所有油膜黑白样本图像的第t个特征值的方差值；

σ_2t--在油膜识别特征数据库内所有非油膜黑白样本图像的第t个特征值的方差值。

本实施例中，t的取值范围为：1≤t≤12。

步骤7.2，根据该识别测试黑白样本图像的每个特征值的权重W^t、上述的a组排序图像的排列次序，计算出该图像集合内每个黑白样本图像的相似程度B_q。

G^t(q)--表示图像q幅在第t个特征值组的排序位置值；

--表示图像q在第t个特征值组的排序位置；

W^t--表示第t个特征值在识别过程中所占比例，即所占权重；

N_set--图像集合的所有图像数量。本实施例中N_set＝21。

步骤8，将上述的图像集合中所有黑白样本图像的相似程度进行排序，根据相似程度最大的黑白样本图像对应的图像库内的原始图像的属性对上述的被识别测试图像进行判断；当该原始图像为油膜时，该被识别测试图像即为油膜图像；当该原始图像为非油膜图像时，该被识别测试图像为非油膜图像。

尽管本发明的内容已经通过上述优选实施例作了详细介绍，但应当认识到上述的描述不应被认为是对本发明的限制。在本领域技术人员阅读了上述内容后，对于本发明的多种修改和替代都将是显而易见的。因此，本发明的保护范围应由所附的权利要求来限定。

Claims (6)

1.一种海面油膜识别方法，其特征在于，该识别方法包含如下步骤：

步骤1，收集并处理多个原始航拍油膜图像、原始非油膜图像形成多个样本图像存入图像库；

步骤2，将所述的每个样本图像经二值化处理、去噪处理形成黑白样本图像并存入油膜识别特征数据库；

步骤3，将所述的每个黑白样本图像经计算处理获得a个特征值，并将所述的a个特征值存入所述的油膜识别特征数据库；

步骤4，将被识别测试图像进行处理形成被识别测试黑白图像，并计算、提取该被识别测试黑白图像的a个特征值；

步骤5，将所述的被识别测试图像的a个特征值分别与所述的油膜识别特征数据库内的所有黑白样本图像的a个特征值比对、筛选，提取与被识别测试图像的a个特征值相似程度大的a组黑白样本图像，每组黑白样本图像的数量大于1并且小于所有样本图像总数；

步骤6，将所述的a组黑白样本图像生成图像集合，并根据与所述的被识别测试图像的每个特征值相似程度的大小对所述的图像集合进行排序生成a组排序图集；

步骤7，根据所述的被识别测试图像的特征值的权重值、所述的a组排序图集中每个黑白样本图像的排序位置，计算并得出所述的图像集合中每个黑白样本图像与该被识别测试图像的相似程度；

步骤8，将所述的图像集合中所有黑白样本图像的相似程度进行排序，根据相似程度最大的黑白样本图像对应的所述的图像库内的原始图像的属性对所述的被识别测试图像进行判断；当该原始图像为油膜时，该被识别测试图像即为油膜图像；当该原始图像为非油膜图像时，该被识别测试图像为非油膜图像。

2.如权利要求1所述的海面油膜识别方法，其特征在于，所述的步骤3包含如下步骤：

步骤3.1，所述的每个黑白样本图像根据下述黑像素连续度公式计算，获取该黑白样本图像的多个黑像素连续度co(x，y，θ)、多个黑像素连续度均值μ_co_θ及多个黑像素连续度方差σ_co_θ；

其中，p(x，y)--图像的像素点，p(x，y)＝1为全黑像素，否则为p(x，y)＝0；

θ--图像像素的倾角方向，分别为0°，45°，90°，135°；

k--以像素点p(x，y)为中心，前后对称的像素值为1的像素点组成区间的半径的值；

i，j--像素的位置信息；

$\mathrm{\μ}\_{\mathrm{co}}_{\mathrm{\θ}}=\frac{1}{s}\underset{(x,y)\∈D}{\Σ}co(x,y,\mathrm{\θ})\mathrm{\σ}\_{\mathrm{co}}_{\mathrm{\θ}}\sqrt{\underset{(x,y)\∈D}{\Σ}{\[co(x,y,\mathrm{\θ})-\mathrm{\μ}\_{\mathrm{co}}_{\mathrm{\θ}}\]}^2}$

其中，D—方向θ上黑像素连续度的值co(x，y，θ)＞0点的集合；

s--方向θ上黑白样本图像的黑像素连续度非零值的像素点的个数；

步骤3.2，所述的每个黑白样本图像根据下述黑像素连续度的角度粒度均值、方差公式计算，获取该黑白样本图像的多个黑像素连续度的角度粒度的均值μ_cf₁、μ_cf₂，方差σ_cf₁、σ_cf₂；

其中，co(x，y，θ₁)-co(x，y，θ₂)--正交相关粒度；

D—方向θ₁，θ₂上黑像素连续度的值co(x，y，θ₁)，co(x，y，θ₂)至少一个非零值的点的集合；

s--方向θ₁，θ₂上黑白样本图像的黑像素连续度非零值的像素点的个数；

步骤3.3，所述的每个黑白样本图像根据下述像素变换粒度公式、像素变换粒度密度公式计算，获取该黑白样本图像的多个像素变换粒度Tc(l，θ)，多个像素变换粒度密度μ_T_θ，多个像素变换粒度方差σ_T_θ；

Tc(l，0°)＝|{x||p(x，l)-p(x+1，l)|＝1}|；

Tc(l，45°)＝|{x||p(x，x+l)-p(x+1，x+l+1)|＝1}|；

Tc(l，90°)＝|{x||p(l，y)-p(l+1，y)|＝1}|；

Tc(l，135°)＝|{x||p(l-y，y)-p(l-y-1，y+1)|＝1}|；

$\mathrm{\μ}\_T_{\mathrm{\θ}}=\frac{1}{0.8\×\left|R\right|}\underset{l\∈R}{\Σ}Tc(l,\mathrm{\θ})$

$\mathrm{\σ}\_T_{\mathrm{\θ}}=\sqrt{\underset{k\∈D}{\Σ}{\left(Tc\right(l,\mathrm{\θ})-\mathrm{\μ}\_T_{\mathrm{\θ}})}^2}$

其中，Tc(l，θ)--计算θ方向上第l条扫描线的转折像素点的个数和；R—在θ方向上所有扫描线上具有Tc(l，θ)≠0的扫描线的集合；

步骤3.4，所述的每个黑白样本图像的20个特征值根据是否满足特征值要求公式筛选是否并存入所述的油膜识别特征数据库中。

3.如权利要求2所述的海面油膜识别方法，其特征在于，所述的步骤3.4具体如下：

将计算获得的所述的多个黑像素连续度平均值μ_co_θ、方差值σ_co_θ，多个黑像素连续度的角度粒度的均值μ_cf₁、μ_cf₂，方差值σ_cf₁、σ_cf₂及多个像素变换粒度密度值、μ_T_θ及多个像素变换粒度方差σ_T_θ；当分别满足所述的特征值要求公式时，取该特征值作为黑白样本图像的多个特征值之一；

|μ_2r-μ_1r|＞λ₁σ_1r+λ₂σ_2r

其中，λ₁、λ₂为常数；

μ_1r--在油膜识别特征数据库内所有油膜黑白样本图像的第r个特征值的均值，(1≤r≤20)；

μ_2r--在油膜识别特征数据库内所有非油膜黑白样本图像的第r个特征值的均值；

σ_1r--在油膜识别特征数据库内所有油膜黑白样本图像的第r个特征值的方差值；

σ_2r--在油膜识别特征数据库内所有非油膜黑白样本图像的第r个特征值的方差值；

根据上述公式，将从20个特征值中筛选满足上述公式要求的图像特征值共a个，并将a个特征值存入所述的油膜识别特征数据库中。

4.如权利要求3所述的海面油膜识别方法，其特征在于，所述的步骤4包含如下步骤：

步骤4.1，将被识别测试图像进行二次化处理、去噪处理形成被识别测试黑白图像；

步骤4.2，根据上述黑像素连续度均值公式、黑像素连续度方差公式、黑像素连续度的角度粒度均值公式、黑像素连续度的角度粒度方差公式、像素变换粒度密度公式获取与所述的步骤3.4中对应的a个该被识别测试黑白图像的特征值。

5.如权利要求4所述的海面油膜识别方法，其特征在于，所述的步骤6包含如下步骤：

步骤6.1，将a组黑白样本图像进行合并操作，并删除重复的黑白样本图像，生成一个图像集合；

步骤6.2，该被识别测试黑白图像的每个特征值与所述的图像集合中的所有黑白样本图像的相应特征值比对，并根据相似程度大小对该图像集合中的所有黑白样本图像进行排序，并生成a组排序图集。

6.如权利要求5所述的海面油膜识别方法，其特征在于，所述的步骤7包含如下步骤：

步骤7.1，根据下述特征值权重公式，计算出所述的识别测试黑白图像的a个特征值在识别过程中所占权重W^t；

H^t＝|μ_1t-μ_2t|-σ_1t-σ_2t

C＝min{H^t}；

$W^t=\frac{H^t-C+1}{\underset{t=1}{\overset{12}{\Σ}}{H}^t-C+1}$

其中，H^t-第t个特征值的中间变量(1≤t≤a)；

C--中间变量；

μ_1t--在油膜识别特征数据库内所有油膜黑白样本图像的第t个特征值的均值；

μ_2t--在油膜识别特征数据库内所有非油膜黑白样本图像的第t个特征值的均值；

σ_lt--在油膜识别特征数据库内所有油膜黑白样本图像的第t个特征值的方差值；

σ_2t--在油膜识别特征数据库内所有非油膜黑白样本图像的第t个特征值的方差值；

步骤7.2，根据该识别测试黑白样本图像的每个特征值的权重W^t、上述的a组排序图像的排列次序，计算出该图像集合内每个黑白样本图像的相似程度B_q：

$G^t\left(q\right)=\left|N_{set}\right|-d_q^t+1$

$B_q=\underset{t=1}{\overset{12}{\Σ}}{W}^t\·G^t\left(q\right)$

G^t(q)--表示图像q幅在第t个特征值组的排序位置值；

--表示图像q在第t个特征值组的排序位置；

W^t--表示第t个特征值在识别过程中所占比例，即所占权重；

N_set--图像集合的所有图像数量。