CN105372658A - 基于极化分解技术的溢油检测方法及装置 - Google Patents

Abstract

本发明提供了基于极化分解技术的溢油检测方法及装置，涉及石油领域，该基于极化分解技术的溢油检测方法，采用复合检测的方式，先计算出了极化参数组合值，其中，极化参数组合值是由散射熵和极化反熵所组成的，在利用该极化参数组合值进行溢油检测，提高了检测结果的准确程度。

Description

基于极化分解技术的溢油检测方法及装置

技术领域

本发明涉及石油领域，具体而言，涉及基于极化分解技术的溢油检测方法及装置。

背景技术

随着我国经济的快速发展，对石油消费的剧增，导致海上运输石油量大增，同时增加海上重大溢油事故发生的可能性。溢油事故往往造成大面积海面石油污染，不仅使海洋、大气自然环境、生态资源受到损害，造成海洋生物的大量死亡，经济蒙受损失，而且严重危害人体健康。溢油事故引发的火灾，还可能会导致海上和沿岸设施、船舶等的损坏。溢油对近海海域的污染，已引起各国政府的重视。2006年以来，我国管辖海域每年均有多起溢油事件发生，尤其是2010年7月大连新港输油管道破裂造成海上溢油，对环境造成巨大的危害。2011年6月渤海PL19-3石油平台发生溢油事故，时间长，影响范围广，危害大，溢油对近海海域的污染，已引起了全国的广泛重视。

为了避免溢油所产生的危害扩大，首要的是针对溢油进行处理，而进行处理的前提便是要侦测到溢油。由于海上溢油对海洋毛细波具有阻尼作用，因而在SAR(syntheticapertureradar)影像上呈现出暗色，由此，应用遥感技术开展溢油监测已成为主要手段之一。多数学者应用SAR数据开展了溢油的检测等方面的研究，研究内容主要集中于溢油的图像处理方面，运用雷达与光学数据协同下的溢油信息提取流程以及判别准则，构建基于多源遥感信息的溢油应急构架，进行了多种信息提取的算法研究，开展了溢油信息提取。对溢油遥感探测的另一部分研究主要是基于极化SAR的特性，进行了溢油极化分解研究，建立了溢油探测特征参数，计算了海水与溢油的相位差与相位标准差，开展溢油探测研究，以此来提取溢油信息。目前大多学者单独利用极化分解参数H与A，设计了多种算法来进行溢油的监测，但应用单参数进行溢油探测的效果并不理想，经常会出现虚警(错误报警)的情况。

由此可见，相关技术中针对溢油探测的技术有一定缺陷。

发明内容

本发明的目的在于提供基于极化分解技术的溢油检测方法和装置，以提高海面溢油检测的准确度。

第一方面，本发明实施例提供了基于极化分解技术的溢油检测方法，包括：

获取目标图像所对应的极化反熵和散射熵；

针对目标图像中的包含溢油和海水的区域进行采样，以获取目标采样样本；

根据所述极化反熵和散射熵，计算所述目标采样样本的极化参数组合值；

使用所述极化参数组合值进行第一溢油检测。

结合第一方面，本发明实施例提供了第一方面的第一种可能的实施方式，其中，所述使用所述极化参数组合值进行溢油检测包括：

使用以下一个或多个参数进行溢油检测：

HA、H(1-A)、(1-H)A，和(1-H)(1-A)，其中，H为散射熵，A为极化反熵。

结合第一方面，本发明实施例提供了第一方面的第二种可能的实施方式，其中，还包括：

判断散射熵是否大于预设的标准阈值，若大于，则执行步骤所述使用所述极化参数组合值进行溢油检测。

结合第一方面，本发明实施例提供了第一方面的第三种可能的实施方式，其中，所述使用所述极化参数组合值进行第一溢油检测包括：

选择检测程度超过阈值的极化参数组合值进行第一溢油检测，其中，所述检测程度是分别使用HA、H(1-A)、(1-H)A，和(1-H)(1-A)对候选采样样本进行第二溢油检测后得到的，其中H为散射熵，A为极化反熵。

结合第一方面，本发明实施例提供了第一方面的第四种可能的实施方式，其中，判断散射熵是否大于预设的标准阈值包括：

判断散射熵是否大于0.7。

结合第一方面，本发明实施例提供了第一方面的第五种可能的实施方式，其中，所述使用所述极化参数组合值进行溢油检测包括：

使用(1-H)A和(1-H)(1-A)进行溢油检测，其中，H为散射熵，A为极化反熵。

结合第一方面，本发明实施例提供了第一方面的第六种可能的实施方式，其中，所述获取目标图像所对应的极化反熵和散射熵包括：

获取目标图像的C3或T3矩阵；

根据C3或T3矩阵，计算所述极化反熵和散射熵。

结合第一方面，本发明实施例提供了第一方面的第七种可能的实施方式，其中，所述根据C3矩阵，计算所述极化反熵和散射熵包括：

使用p_i＝λ_i/(λ₁+λ₂+λ₃)和计算所述散射熵和所述极化反熵，其中，λ₁、λ₂和λ₃为C3矩阵的特征向量，H为散射熵，A为极化反熵。

结合第一方面，本发明实施例提供了第一方面的第八种可能的实施方式，其中，所述使用所述极化参数组合值进行第一溢油检测包括：

分别使用HA、H(1-A)、(1-H)A，和(1-H)(1-A)进行第一溢油检测，其中，H为散射熵，A为极化反熵；

将所述第一溢油检测结果中，检测结果的明显程度超过预定阈值的检测结果作为最终检测结果。

第二方面，本发明实施例还提供了基于极化分解技术的溢油检测装置，包括：

获取模块，用于获取目标图像所对应的极化反熵和散射熵；

采样模块，用于针对目标图像中的包含溢油和海水的区域进行采样，以获取目标采样样本；

计算模块，用于根据所述极化反熵和散射熵，计算所述目标采样样本的极化参数组合值；

检测模块，用于使用所述极化参数组合值进行第一溢油检测。

本发明实施例提供的基于极化分解技术的溢油检测方法，采用复合检测的方式，与现有技术中的单独使用极化分解参数H和A进行溢油检测，导致检测出的结果出现较多的虚警相比，其先获取了目标图像的极化反熵和散射熵，再针对目标图像中的包含溢油和海水的区域进行采样，进而获取到目标采样样本；之后，利用所述极化反熵和散射熵，计算所述目标采样样本的极化参数组合值，其中极化参数组合值是由散射熵和极化反熵共同构成的；最后，使用所述极化参数组合值进行第一溢油检测，由于采用了极化参数组合值进行了溢油检测，使得检测的结果同时受到了散射熵和极化反熵的约束，使得检测的结果更为准确，提高了正确报警的概率。

为使本发明的上述目的、特征和优点能更明显易懂，下文特举较佳实施例，并配合所附附图，作详细说明如下。

附图说明

为了更清楚地说明本发明实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本发明的某些实施例，因此不应被看作是对范围的限定，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他相关的附图。

图1示出了本发明实施例所提供的基于极化分解技术的溢油检测方法的基本流程图；

图2示出了本发明实施例所提供的基于极化分解技术的溢油检测方法中，使用散射熵进行检测的结果；

图3示出了本发明实施例所提供的基于极化分解技术的溢油检测方法中，使用极化反熵进行检测的结果；

图4示出了本发明实施例所提供的基于极化分解技术的溢油检测方法中，使用第一种散射熵与极化反熵的组合值进行检测的结果；

图5示出了本发明实施例所提供的基于极化分解技术的溢油检测方法中，使用第二种散射熵与极化反熵的组合值进行检测的结果；

图6示出了本发明实施例所提供的基于极化分解技术的溢油检测方法中，使用第三种散射熵与极化反熵的组合值进行检测的结果；

图7示出了本发明实施例所提供的基于极化分解技术的溢油检测方法中，使用第四种散射熵与极化反熵的组合值进行检测的结果；

图8示出了本发明实施例所提供的基于极化分解技术的溢油检测方法中，样本值分布结果图；

图9A和图9B示出了本发明实施例所提供的基于极化分解技术的溢油检测方法中，不同的溢油信息提取方法所得到的结果。

具体实施方式

下面将结合本发明实施例中附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。因此，以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围，而是仅仅表示本发明的选定实施例。基于本发明的实施例，本领域技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都属于本发明保护的范围。

相关技术中，已经出现使用散射熵和极化反熵进行溢油检测的方法，但这些方法大多是单独使用散射熵进行检测，或者是单独使用极化反熵进行检测。但这种检测方法容易出现虚警，导致溢油报警的可信度降低。

相关技术中已出现一种SVM方法的溢油检测方法，下面对该种方法进行简要介绍：

支持向量机(supportvectormachine，SVM)是一种基于结构风险最小化原则的，以样本间的某种距离作为划分依据的模型识别方法，它可以在高维空间中构造较低VC维德函数集，从而获得较好的推广能力。其具体可以分为如下两种情况：

1，线性可分的情况。

在结构风险最小化原则下的最优超平面可以通过得到。按照最优化理论中的二次规划的解法，采用拉格朗日乘子，最优超平面可以表示为：

$f\left(x\right)=\mathrm{sgn}\left(\right(w\·x)+b)=\mathrm{sgn}({\Σ}_{i=1}^n{y}_i{a}_i^{*}\left(x_i\·x\right)+b^{*});$

其中：sgn为符号函数，xi、yi为样本，w、b为确定超平面的值，ai为拉格朗日乘子。

2，线性不可分的情况。

对于无法利用1条简单直线将两类划分开来，称为线性不可分问题，必须使用非线性分类学习机。对于此类问题，需要将样本通过非线性函数映射到高维特征空间中，使其线性可分，再在该特征空间中建立优化超平面(公式为x与y坐标的方程加上截距)。于是，原本空间的二元模式分类问题可以表示为：

支持向量机(SVM)利用核函数简单地解决了这个问题，只要核函数K(x_i，x_j)满足Mercer条件，它就对应某一变换空间的内积，即此时的二次优化相应的判别函数为：

$f\left(x\right)=\mathrm{sgn}\[{\Σ}_{i=1}^l{a}_i^{*}{y}_{i}K(x_i,x)+b^{*}\];$

目前，常用的3个核函数为：

(1)多项式核函数，K(x_i，x)＝[(x_i·x)+1]^d；其中，xi为样本，d为任意的正整数。

(2)径向基函数，也称Gauss径向基核。其中，xi为样本，σ为标准方差。

(3)多层感知机，K(x_i，x)＝tanh(k(x_i·x)+v)；其中，k>0,v<0，函数tanh返回指定角度的双曲正切值。

使用SVM方法进行溢油信息提取的具体说明如下：

由于H-α分类平面中固定散射机制边界可能与实际地物分布不符合从而导致分类结果中出现大量分类噪声的情况，而溢油散射的样本为小样本，采用阀值的方法受到图像处理的影响大，存在计算量大与精度不高的问题，故采用SVM方法进行监督分类。根据散射特征，通过感兴趣区域(RegionofInterest)选取溢油与类似溢油的样本。选取散射参数熵H，散射角α，反熵A为特征向量进行计算。通过对多项式核函数、径向基核函数、多层感知基核函数分类比较，选取SVM的多层感知基核函数进行分类。利用VC与Matlab结合进行开发，基于SVM算法提取溢油信息。

对比基于H-α分类结果图与基于SVM方法提取样本，并对比原影像图可知，基于H-α分类图中没有提取出的溢油信息在基于SVM方法中可提取出。也就是使用SVM方法能够一定程度上弥补H-α方式提取的漏洞。

但，使用传统的SVM方法进行溢油检测，依旧会发生虚警的问题。有鉴于此，本申请提供了基于极化分解技术的溢油检测方法，如图1所示，包括如下步骤：

S101，获取目标图像所对应的极化反熵和散射熵；

S102，针对目标图像中的包含溢油和海水的区域进行采样，以获取目标采样样本；

S103，根据极化反熵和散射熵，计算目标采样样本的极化参数组合值；

S104，使用极化参数组合值进行第一溢油检测。

下面对步骤S101进行具体说明，目标图像是进行溢油检测的基础，首先，可以根据已经获取到的信息，计算得到目标图像的C3或T3矩阵(C3是协方差矩阵，通过C3矩阵或者是T3矩阵均能够计算出极化反熵和散射熵，后文中只以C3矩阵为例进行说明，但应注意的是，使用T3矩阵同样可以完成计算的任务)。之后，通过根据C3矩阵计算极化反熵和散射熵(实际上，是使用C3矩阵中的多个特征向量来计算极化反熵和散射熵)。也就是步骤S101可以分为如下两个子步骤：

获取目标图像的C3矩阵；

根据C3矩阵，计算所述极化反熵和散射熵。

具体的计算公式为：

使用计算散射熵，其中，p_i＝λ_i/(λ₁+λ₂+λ₃)，λ₁、λ₂和λ₃为C3矩阵的特征向量；

使用计算极化反熵，其中，λ₂和λ₃为C3矩阵的特征向量。

步骤S102中，需要对溢油与海水的位置进行采样，实际上，目标图像上，是同时含有海水和溢油的。该采样步骤可以理解为建立一个后续步骤能够使用的样本，采样所得到的目标采样样本并不必然比目标图像小，或者说目标采样样本可能与目标图像是相同的，采样的过程并未将目标图像进行实质性改动。

步骤S103是该方法中比较重要的步骤，即，计算得到由极化反熵和散射熵所组成的极化参数组合值，该极化参数组合值中同时包含了反射熵和极化反熵这两个数值，同时，由于反射熵和极化反熵的组合形式并不唯一，因此极化参数组合值可能是有多个。具体的，极化参数组合值可以是如下的一种或多种，HA、H(1-A)、(1-H)A，和(1-H)(1-A)，其中，H为散射熵，A为极化反熵。第一种是HA，第二种是H(1-A)，第三种是(1-H)A，第四种是(1-H)(1-A)。

在进行溢油检测的时候，可以使用不同的极化参数组合值共同进行，也可以是只使用某一种极化参数组合值进行。如，可以组合HA和(1-H)(1-A)进行溢油检测，也可以组合H(1-A)和(1-H)A进行溢油检测。这些检测方式中，较为合理的是使用组合(1-H)A、(1-H)(1-A)进行溢油检测。

当然，由于不同的极化参数组合值对溢油的表现不一(也可以说不同的极化参数组合值对不同溢油区域、状况的表现敏感程度不同)，在具体进行溢油检测的时候，可以先使用这些极化参数组合值进行比较和分析，也就是先进行第二溢油检测，根据检测的结果来确定应当使用何种极化参数组合值进行第一溢油检测。即，步骤S104，所述使用所述极化参数组合值进行第一溢油检测包括：

选择检测程度超过阈值的极化参数组合值进行第一溢油检测，其中，所述检测程度是分别使用HA、H(1-A)、(1-H)A，和(1-H)(1-A)对候选采样样本进行第二溢油检测后得到的，其中H为散射熵，A为极化反熵。

需要说明的是，第二溢油检测可以理解为针对非目标采样样本的采样样本进行的检测，此种情况下，主要是考虑到某种(如某海域，某海水类别等)溢油区域(溢油样本)有其特有的属性，使用四种极化参数组合值对不同种溢油区域进行检测的时候，不同极化参数组合值的检测明显程度(主要指区分噪声的程度)不同。如针对第一种溢油区域，HA和H(1-A)检测结果较为明显，对于第二种区域，(1-H)A，和(1-H)(1-A)的检测结果较为明显。因此，可以先使用这四种极化参数组合值分别针对某一种溢油区域(候选采样样本)进行检测，并且通过分析检测结果，来确定哪种极化参数组合值对该种溢油区域进行检测更有有利，在确定了之后(确定了检测程度超过阈值的极化参数组合值后)，便可以使用检测程度超过阈值的极化参数组合值来执行第一溢油检测，其中目标采样样本是属于候选采样样本中的一个。

当然，第一溢油检测和第二溢油检测可以是同一个检测(此时，候选采样样本和目标采样样本是同一个样本)，也就是分别使用各个极化参数组合值对目标样本进行检测，并且选择检测程度(检测的明显程度，主要指是否能够有效区分噪声)足够好的极化参数组合值作为最终的检测结果。具体的，步骤S104还可以理解为：分别使用HA、H(1-A)、(1-H)A，和(1-H)(1-A)进行第一溢油检测，并且使用这四个检测结果(HA的检测结果、H(1-A)检测结果、(1-H)A检测结果，和(1-H)(1-A)检测结果)中，检测程度(检测的明显程度，主要指是否能够有效区分噪声)足够好的检测结果所对应的极化参数组合值进行溢油检测，并且将这个检测程度足够好的检测结果作为溢油检测的最终结果。

具体的，散射熵如果低于某个具体的阈值，则会导致检测出的结果出现明显的造成，因此，在进行检测之前，应当先判断散射熵是否超过预定的阈值，该阈值通常在0.6-0.75之间，优选的，该阈值为0.7。如果散射熵高于0.7，则可以执行步骤S104，即，只有散射熵大于0.7的时候，使用极化反熵进行检测才有意义。相应的，如果散射熵小于或等于0.7，则应当只使用散射熵来进行溢油检测。

下面，对本申请所提供的基于极化分解技术的溢油检测方法进行整体性说明：可以分为如下几个步骤：

11，极化相干矩阵的计算，

通过对全极化的SAR数据计算，得到极化相干矩阵[T]3×3。

12.极化参数分解计算，

基于Cloude1986年提出了相干矩阵的特征矢量分析方法，是能够包含所有散射机制的分解定理。据该分解方法，可由极化相干矩阵的特征值及特征向量产生三个具有明显物理含义的特征参量：散射角α、散射熵H及极化反熵A。

其中，关于散射角α的计算，

散射角α的值与散射过程的物理机制相互联系，对应着从奇次散射(表面散射)(α＝0°)到偶极子散射(体散射)(α＝45°)到偶次散射(二面角散射)(α＝90°)的变化。

其中，关于散射熵H的计算，

散射熵(Entropy)(0≤H≤1)表示了散射介质由各向同性散射(H＝0)到完全随机散射(H＝1)的随机性。

若H值很低(H＜0.3)，则系统弱去极化，优势散射机制为最大特征值对应的特征向量；若H值很高，则说明目标去极化效应较强；若H值为1，则极化信息为0，目标散射实际上是一个随机噪声过程。计算公式为：

p_i＝λ_i/(λ₁+λ₂+λ₃)，其中：λ1、λ2、λ3为相干矩阵的特征向量；

其中，关于极化反熵A的计算，

极化散射熵提供了同一分辨单元内总体散射机制的信息，然而，在低熵或中等熵(λ₁＞λ₂,λ₃)情况下，散射熵不能提供有关两个较小特征值λ₂,λ₃之间的关系，此时需进一步考虑极化反熵A。极化反熵的计算式如下：

其中，λ₂和λ₃为C3矩阵的特征向量；

反熵A反映了Cloude分解中优势散射机制以外的两个相对较弱的散射分量之间的大小关系，是极化熵的补充参量。仅当H＞0.7时，A(极化反熵)才可作为进一步识别的来源，否则A包含过高的随机噪声。H(散射熵)值变大，则极化可分类别数下降。H值越大，则A作为散射分类意义明显。

运用散射熵、反熵的乘积组合形成极化特征谱，具有4个部分，分为一种散射参数为(1-H)(1-A)；一种散射机制为主导，另两种散射相对较小的参数为H(1-A)；两种散射相对为HA；单次、偶次、随机散射相对一致为A(1-H)。

13.极化分解参数组合分析与溢油信息提取，

计算极化分解参数H与A，同时计算他们的结合值，当熵H的取值大于0.7，计算极化参数H与A，并对H与A的组合进行计算，得到HA、(1-H)A、H(1-A)、(1-H)(1-A)，分析这四个参数对溢油的表现，获得最利于溢油信息提取的极化参数(最能够有效区分、鉴别出噪声的极化参数)，利用支持向量机(SVM)，进行溢油信息的提取。

下面，以一个具体的实例来说明本申请所提供的基于极化分解技术的溢油检测方法。

1，计算极化分解参数H与A，同时计算他们的结合值，得到图2-7(图2为H的结果，图3为A的结果，图4为HA的结果，图5为(1-H)A的结果，图6为H(1-A)的结果，图7为(1-H)(1-A)的结果，其中，H为散射熵，A为极化反熵)，此时熵H的取值大于0.7，计算极化参数H与A，并对H与A的组合进行计算，得到HA、(1-H)A、H(1-A)、(1-H)(1-A)，以上6个对于溢油的表现不一，从图中看出，参数H、组合(1-H)A对溢油的表现明显，而参数A对溢油的表现不明显，且噪声严重。

2，计算溢油信息在Radarsat-2图像上表现，选取出溢油样本，为提取溢油信息，研究H与A的变化对于溢油的表现，需要H与A的值同为大或小，这样结合的参数在图像上表现为亮色或暗色，能够有效地反应出溢油的信息。为此，对Radarsat-2数据进行溢油采样，选取15个样本点，计算样本的熵、反熵以及4个特征量的值，具体如表1，和图8所示，示出了在HA、(1-H)A、H(1-A)、(1-H)(1-A)图像上选取样本，计算HA、(1-H)A、H(1-A)、(1-H)(1-A)的值。

表1

熵H与反熵A是两个极化分解的主要参数，两者的组合表现了溢油的极化特征谱，从数值看，从溢油样本的几个参数的均值分析，熵H值一般在0.7-1.0之间，H值低于0.7，则表现出较为强烈的噪声影响，溢油信息表现不明显；反熵A值一般小于0.2，当H值大于0.8时，(1-H)的值为最小，这样(1-H)A的为最小，从表1也可看出，(1-H)A的均值在其中为最小，图8可见，溢油在图像上的表现最明显。(1-H)(1-A)的值在这4个中为最低，溢油在图像上表现明显，H(1-A)均值为，处于较高值，表现并不明显。HA组合对溢油的表现在6个参数中为一般。不同的熵H与反熵A组合对溢油的变现不一样，当H<0.7时，溢油在图像上的噪声较大，溢油信息表现不明显。

3，采用SVM方法对H与A的联合特征值进行溢油信息提取，可以看出基于(1-A)(1-H)的溢油信息提取(图9A)，溢油边界清晰，信息明显，但图像中油井的信息也被提取，造成虚警，相比于其他几个参数，图像噪声较少。基于HA参数的溢油信息提取，溢油信息边界不清晰(图9B)，且油井信息被提取，信息不突出，图像噪声严重。其余两个参数(1-A)H、(1-H)A被用来提取溢油信息，图像上，溢油信息明显，但相比于(1-A)(1-H)参数的溢油提取，图像噪声严重，覆盖了部分油井信息。

本申请还提供了与基于极化分解技术的溢油检测方法相对应的基于极化分解技术的溢油检测装置，包括：

获取模块，用于获取目标图像所对应的极化反熵和散射熵；

采样模块，用于针对目标图像中的包含溢油和海水的区域进行采样，以获取目标采样样本；

计算模块，用于根据所述极化反熵和散射熵，计算所述目标采样样本的极化参数组合值；

检测模块，用于使用所述极化参数组合值进行第一溢油检测。

所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的装置的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。

以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应所述以权利要求的保护范围为准。

Claims (10)

1.基于极化分解技术的溢油检测方法，其特征在于，包括：

获取目标图像所对应的极化反熵和散射熵；

针对目标图像中的包含溢油和海水的区域进行采样，以获取目标采样样本；

根据所述极化反熵和散射熵，计算所述目标采样样本的极化参数组合值；

使用所述极化参数组合值进行第一溢油检测。

2.根据权利要求1所述的基于极化分解技术的溢油检测方法，其特征在于，所述使用所述极化参数组合值进行溢油检测包括：

使用以下一个或多个参数进行溢油检测：

HA、H(1-A)、(1-H)A，和(1-H)(1-A)，其中，H为散射熵，A为极化反熵。

3.根据权利要求1所述的基于极化分解技术的溢油检测方法，其特征在于，还包括：

判断散射熵是否大于预设的标准阈值，若大于，则执行步骤所述使用所述极化参数组合值进行溢油检测。

4.根据权利要求2所述的基于极化分解技术的溢油检测方法，其特征在于，所述使用所述极化参数组合值进行第一溢油检测包括：

选择检测程度超过阈值的极化参数组合值进行第一溢油检测，其中，所述检测程度是分别使用HA、H(1-A)、(1-H)A，和(1-H)(1-A)对候选采样样本进行第二溢油检测后得到的，其中H为散射熵，A为极化反熵。

5.根据权利要求2所述的基于极化分解技术的溢油检测方法，其特征在于，判断散射熵是否大于预设的标准阈值包括：

判断散射熵是否大于0.7。

6.根据权利要求2所述的基于极化分解技术的溢油检测方法，其特征在于，所述使用所述极化参数组合值进行溢油检测包括：

使用(1-H)A和(1-H)(1-A)进行溢油检测，其中，H为散射熵，A为极化反熵。

7.根据权利要求1所述的基于极化分解技术的溢油检测方法，其特征在于，所述获取目标图像所对应的极化反熵和散射熵包括：

获取目标图像的C3或T3矩阵；

根据C3或T3矩阵，计算所述极化反熵和散射熵。

8.根据权利要求7所述的基于极化分解技术的溢油检测方法，其特征在于，所述根据C3矩阵，计算所述极化反熵和散射熵包括：

使用p_i＝λ_i/(λ₁+λ₂+λ₃)和计算所述散射熵和所述极化反熵，其中，λ₁、λ₂和λ₃为C3矩阵的特征向量，H为散射熵，A为极化反熵。

9.根据权利要求2所述的基于极化分解技术的溢油检测方法，其特征在于，所述使用所述极化参数组合值进行第一溢油检测包括：

分别使用HA、H(1-A)、(1-H)A，和(1-H)(1-A)进行第一溢油检测，其中，H为散射熵，A为极化反熵；

将所述第一溢油检测结果中，检测结果的明显程度超过预定阈值的检测结果作为最终检测结果。

10.基于极化分解技术的溢油检测装置，其特征在于，包括：

获取模块，用于获取目标图像所对应的极化反熵和散射熵；

采样模块，用于针对目标图像中的包含溢油和海水的区域进行采样，以获取目标采样样本；

计算模块，用于根据所述极化反熵和散射熵，计算所述目标采样样本的极化参数组合值；

检测模块，用于使用所述极化参数组合值进行第一溢油检测。