CN105866775A - 一种基于全极化合成孔径雷达图像的海面溢油检测方法 - Google Patents

Abstract

本发明公开了一种基于全极化合成孔径雷达(SAR)图像的海面溢油检测方法，包括以下步骤：对需要分析的极化SAR数据进行预处理，得到全极化SAR协方差矩阵；对协方差矩阵进行精制极化Lee滤波；基于滤波后的协方差矩阵或通过其计算出的Stokes向量，提取六个极化特征，构成特征组合；将有地面验证标签信息的训练样本特征输入极大似然分类器，对分类器进行训练，并优化其参数；将极化特征作为输入，利用极大似然分类器对油膜进行检测与分类；对分类结果进行基于形态学处理，利用实测的验证信息对分类精度进行评估。本发明能够提高海面溢油检测与分类方法的性能，促进全极化SAR在海面溢油监测等实际工程问题中的应用。

Description

一种基于全极化合成孔径雷达图像的海面溢油检测方法

技术领域

本发明属于海洋遥感技术领域，特别涉及一种监测海面溢油的雷达卫星遥感方法。

背景技术

海洋溢油是目前最为常见的海洋污染之一，它使海洋环境和生态系统受到破坏，威胁海洋生物的生长。溢油事故会使渔业及海产养殖业蒙巨大经济损失，甚至还会通过食物链的传导危害人类的健康。及时、准确的海面溢油监测和早期预警，可以使事故在影响扩大之前得到及早处置，有效地降低事故带来的负面影响。实效性强的溢油监测手段能够为追究肇事船只和企业的责任提供依据，从而为维持海岸带及海洋生态系统的健康和可持续发展提供支持。

传统的溢油检测主要依赖于飞机和船舶的海上定点巡逻监视等方法，这些方法不仅费用昂贵，需要大量人力物力，而且效率较低，受到天气、时间等自然条件的约束。与地基、海基观测等传统方式相比，航空、航天遥感极大地扩大了海面监视的范围。随着科技的进步，目前航空及卫星遥感已经成为海面及岸带遥感监测的有效手段。按照传感器的工作波段，可将遥感分类为，紫外遥感，可见光遥感，红外遥感以及微波遥感。其中微波遥感是海洋遥感的最佳手段之一，其主要原因是微波可以穿过大气窗口，对海洋进行全天时、全天候的观测，不受云雨光照等自然条件影响。目前，微波遥感手段中应用最为广泛的技术就是合成孔径雷达(SAR)，由于其具有高分辨率、宽覆盖等优势，已成为对地观测领域的前沿技术，越来越多地被用在全球环境监测中。

利用SAR可以精密地测量海面的粗糙度。由于海面油膜抑制海面毛细波，削弱对雷达后向散射起主要贡献的布拉格散射，因此在SAR图像中形成“暗区”，从而被检测出来。但是，由于SAR的成像原理，图像中会难以避免地存在相干斑噪声，影响油膜区域的提取。更为严重的问题是：一些自然现象，例如海面禁风区、生物油膜、淡水层、波浪阴影等也会在SAR图像中产生相似的“暗区”，为SAR溢油检测的实际应用带来一定的困难。

早期的SAR溢油检测主要基于单极化图像，尽管利用灰度，纹理以及形状等信息可以排除一部分似然物，但这些方法往往难以排除一些虚警。为了解决这一问题，近些年越来越多的研究考虑利用多极化SAR来进行溢油监测。这是因为在不同的极化信号照射下地物会产生不同特性的回波，而通过这些极化信息可以提高目标识别的准确度。已经有许多研究发现，溢油与某些似然物，特别是生物油膜引起的暗斑，具有非常不同的极化散射特征。因此通过利用新一代的SAR卫星提供多极化的探测能力，溢油检测的错误率可以被显著降低。有研究表明，同极化相位差(CPD)能够有效地区分溢油与生物油膜，而从极化相干矩阵中提取出的一些参数如极化熵、alpha角等也能提高溢油分类的性能。极化SAR的应用为油膜分类提供了新的特征集，提高了溢油检测的准确度。

目前基于SAR图像的海面溢油检测算法主要分为三步，即黑斑检测、特征提取、以及油膜与似然物的分类。在黑斑检测上主要有基于全局或者局部自适应的阈值法，以及基于能量泛函的水平集法等。基于对检测出的黑斑的分析，可以提取出绝对灰度、对比度等特征，长宽比、复杂度等形态学参数，以及纹理等特征。利用这些特征，可以利用特征级的监督与非监督分类将矿物油与生物油膜等似然物进行分类。目前常用的分类器有非监督的K均值法，监督的支持向量机(SVM)以及人工神经网络(ANN)等。最近的一些研究证实，在分类中引入极化特征可以有效地提高油膜分类的精度，降低误分的概率。传统的海面溢油检测算法的有效性虽然已被许多研究与实际应用所证实，但是仍然存在较大的改进空间。广泛使用的溢油检测算法大都分具有以上三步的原因是，在溢油与似然物的分类过程中需要提取特征级的信息。而极化特征的引入使得黑斑检测的步骤变得并非必要，因为极化特征提供了对于油膜与似然物的充足区分度。在基于极化特征的油膜检测算法中，基于灰度的黑斑检测或者分割有可能忽视某些非典型或者面积较小的矿物油膜，形成漏警。同时，三步法处理流程较长，需要提取特征级的信息，需要较大的计算量，这给大范围海面溢油近实时检测带来一定的挑战。

发明内容

针对目前利用合成孔径雷达(SAR)卫星图像检测海面溢油存在的似然物难以区分，算法复杂需要处理时间长等技术问题，本发明的目的是提供基于全极化合成孔径雷达图像的海面溢油检测方法，以提高海面溢油检测与分类方法的性能，便于全极化SAR在海面溢油监测等实际工程问题中的应用。

为实现上述目的，本发明采用的技术方案为：

一种基于全极化合成孔径雷达图像的海面溢油检测方法，包括以下步骤：

步骤1：从全极化合成孔径雷达图像中获取需要处理的极化SAR数据，对需要处理的极化SAR数据进行预处理，得到全极化SAR协方差矩阵(C)；

步骤2：对上述步骤得到的协方差矩阵进行精制极化Lee滤波；

步骤3：基于滤波后的协方差矩阵或通过其计算出的Stokes向量，提取六个极化特征，构成特征组合；

步骤4：将有地面验证信息的训练样本特征输入极大似然分类器，对分类器进行训练，并优化其参数；

步骤5：将需要进行溢油检测图像的极化特征作为输入，利用极大似然分类器对油膜进行检测与分类；

步骤6：对分类结果进行基于形态学的处理，去除面积过小的区域及填补闭合区域中的孔洞，利用实测的验证信息对分类精度进行评估。

进一步的，步骤1中，极化SAR数据进行预处理包括格式转换、定标。

进一步的，步骤1中，若得到的是四通道SAR复极化散射矩阵(S)，则通过下述方法转化为协方差矩阵：

$S=\left(\begin{array}{cc}{S}_{hh}& S_{hv}\\ S_{vh}& S_{vv}\end{array}\right)$

其中下标i,j分别代表发射和接收的极化方式，h为水平极化，v为垂直极化；

$\stackrel{\→}{k}={\[S_{hh},\sqrt{2}{S}_{hv},S_{vv}\]}^T$

代表散射向量(假设对于单站系统，互易定理成立，即S_hv＝S_vh)，T代表矩阵转置；

$C=<\stackrel{\&RightArrow;}{k}{\stackrel{\&RightArrow;}{k}}^{*T}>=\left[\begin{array}{ccc}<|S_{hh}{|}^2>& <\sqrt{2}{S}_{hh}{S}_{hv}^{*}>& <S_{hh}{S}_{vv}^{*}>\\ <\sqrt{2}{S}_{hv}{S}_{hh}^{*}>& <2|S_{hv}{|}^2>& <2|S_{hv}{|}^2>\\ <2|S_{hv}{|}^2>& <\sqrt{2}{S}_{vv}{S}_{hv}^{*}>& <|S_{vv}{|}^2>\end{array}\right]$

其中上标*T代表共轭转置，〈〉表示用一定大小的窗口(例如5×5)对数据进行空域平均。

进一步的，步骤2中，对协方差矩阵进行精制极化Lee滤波算法包括如下步骤：(1)在SPAN图像上进行边缘模板匹配，选取方向窗口；(2)在该方向窗口内应用局部统计滤波器对协方差矩阵进行滤波处理。

进一步的，步骤3中，基于滤波后的协方差矩阵或通过其计算出的Stokes向量，提取如下六个极化特征构成特征组合：

a)极化度：

$P=\frac{\sqrt{g_1^2+g_2^2+g_3^2}}{g_0^2}$

其中，g*为Stokes向量(*＝0,1,2,3)；

b)一致性系数：

$Conf\&cong;\frac{2\left(\mathrm{Re}\right(S_{HH}{S}_{VV}^{*})-\left|S_{HV}{|}^2\right)}{\left(\right|S_{HH}{|}^2+2|S_{HV}{|}^2+|S_{VV}{|}^2)}$

c)同极化相位差的标准差：

$\mathrm{CPD}=\arg \left(S_{\mathrm{HH}}\right)-\arg \left(S_{\mathrm{VV}}\right)=\arg \left(S_{\mathrm{HH}}{S}_{\mathrm{VV}}^{*}\right)$

其中arg()表示求复数角度；

d)极化熵：

$H=\underset{i=1}{\overset{3}{\&Sigma;}}-P_i{\log }_3{P}_i$

其中P_i由下式求得：

$P_i=\frac{{\mathrm{\&lambda;}}_i}{\underset{j}{\&Sigma;}{\mathrm{\&lambda;}}_i}$

其中，λ_i(i＝1,2,3)是极化相干矩阵T的特征值；

e)归一化极化基座高度

$NPH=\frac{\min ({\mathrm{\&lambda;}}_1,{\mathrm{\&lambda;}}_2,{\mathrm{\&lambda;}}_3)}{\max ({\mathrm{\&lambda;}}_1,{\mathrm{\&lambda;}}_2,{\mathrm{\&lambda;}}_3)}$

f)相关系数

${\mathrm{\&rho;}}_{hh/vv}=\left|\frac{<S_{hh}{S}_{vv}^{*}>}{<S_{hh}^2><S_{vv}^2>}\right|.$

进一步的，步骤4中，采用监督分类的方法，基于极化特征将油膜与海面及其似然物进行分类；训练样本及分类结果都只包含两类，即矿物油膜和非油膜；分类操作前需要获取训练样本，样本应在与待处理图像相似的海况下获得，包含不同的海面目标类型，并经人工解译或者地面调查信息进行验证；对包含训练样本的数据进行1-3步操作，提取极化特征，将这些特征输入极大似然(ML)分类器，对分类器进行训练，并优化其参数。

进一步的，步骤6中，通过形态学处理去除面积过小的区域已及填补闭合区域中的孔洞：利用圆形模板，对分类结果的二值图像先进行闭运算，再进行开运算，再去除面积过小的区域。

本发明的有益效果是：

(1)本发明利用全极化合成孔径雷达图像所提供的海面场景信息，通过基于训练样本的监督分类对海面油膜进行检测，与传统基于单极化图像的海面溢油检测算法相比，能更好地区分油膜和似然物，具有更高的检测性能。

(2)本发明利用极化滤波器对全极化SAR海面场景图像进行预处理，极大地抑制了斑点噪声，解决了其对海面油膜检测与分类算法性能影响的问题。

(3)本发明省略了传统三步法溢油检测流程中的黑斑提取步骤，将似然油膜的提取与油膜和似然物的分类同时进行，提高了算法的效率，缩短了处理时间，同时降低了漏警率。

(4)本发明基于极化SAR图像的协方差矩阵与Stokes向量，选取具有最佳分类性能的6个特征作为特征组合，很好地平衡了分类算法性能与特征维数复杂度的问题，进一步提高了算法的效率。

附图说明

图1为本发明的方法流程图；

图2为实例区域的功率灰度图像，其中，左侧图像中包含生物油膜，右侧图像中包含矿物油；

图3为极化滤波后图像；

图4为极化特征图(归一化显示):a极化基座，b极化熵，c极化度，d相关系数，e一致性系数f同极化相位差的标准差；

图5为极大似然分类结果示意图；

图6为最终油膜检测结果示意图。

具体实施方式

本发明中提出了一种利用合成孔径雷达监测海面溢油的遥感图像快速处理方法，以NASA航天飞机雷达实验中获取的SIR-C图像为例，结合实际数据验证方法的有效性。

具体处理步骤如下：

1、数据获取与预处理

从全极化合成孔径雷达图像中获取需要处理的极化SAR数据，对需要处理的极化SAR数据进行格式转换、定标等预处理(如需要)，得到全极化SAR协方差矩阵(C)。若得到的是复极化散射矩阵(S)，则通过以下方法将其转化为协方差矩阵：

$S=\left(\begin{array}{cc}{S}_{hh}& S_{hv}\\ S_{vh}& S_{vv}\end{array}\right)$

其中下标i,j分别代表发射和接收的极化方式，h为水平极化，v为垂直极化。

$\stackrel{\&RightArrow;}{k}={\&lsqb;S_{hh},\sqrt{2}{S}_{hv},S_{vv}\&rsqb;}^T$

代表散射向量(假设对于单站系统，互易定理成立，即S_hv＝S_vh)，T代表矩阵转置；

$C=<\stackrel{\&RightArrow;}{k}{\stackrel{\&RightArrow;}{k}}^{*T}>=\left[\begin{array}{ccc}<|S_{hh}{|}^2>& <\sqrt{2}{S}_{hh}{S}_{hv}^{*}>& <S_{hh}{S}_{vv}^{*}>\\ <\sqrt{2}{S}_{hv}{S}_{hh}^{*}>& <2|S_{hv}{|}^2>& <2|S_{hv}{|}^2>\\ <2|S_{hv}{|}^2>& <\sqrt{2}{S}_{vv}{S}_{hv}^{*}>& <|S_{vv}{|}^2>\end{array}\right]$

其中上标*T代表共轭转置，〈〉表示用一定大小的窗口(例如5×5)对数据进行空域平均。

图2是实验所用SAR数据的功率灰度像，其中，左侧图像中包含生物油膜，右侧图像中包含矿物油。

2、精制极化Lee滤波

对协方差矩阵进行精制极化Lee滤波算法主要包括如下步骤：1.在极化总功率SPAN图像上进行边缘模板匹配，选取方向窗口；2.在该方向窗口内应用局部统计滤波器对协方差矩阵进行滤波处理。极化滤波结果见图3。具体方法可参见论文：

Lee J S,Grunes M R,Grandi G De.Polarimetric SA R speckle filteringand its implication for classifica tion[C]//IEEE Trans.on Geosci.RemoteSensing,1999,37(5):2363-2373.

3、极化特征提取

基于滤波后的协方差矩阵或通过其计算出的Stokes向量，提取如下六个极化特征构成特征组合。极化特征的示意图见图4。

a)极化度(Degree of polarization)

极化向量表示为：

$\stackrel{\&RightArrow;}{E}=\left[\begin{array}{c}{E}_h\\ E_v\end{array}\right]$

这里因此Stokes向量表示为：

$g=\left[\begin{array}{c}{g}_0\\ g_1\\ g_2\\ g_3\end{array}\right]=\left[\begin{array}{c}<|E_v{|}^2+|E_h{|}^2>\\ <|E_v{|}^2-|E_h{|}^2>\\ 2\mathrm{Re}<E_h{E}_v^{*}>\\ 2\mathrm{Im}<E_h{E}_v^{*}>\end{array}\right]$

进而计算出极化度：

$P=\frac{\sqrt{g_1^2+g_2^2+g_3^2}}{g_0^2}$

其中，g_*为Stokes向量(*＝0,1,2,3)；

b)一致性系数(Conformity coefficient)

$Conf\&cong;\frac{2\left(\mathrm{Re}\right(S_{HH}{S}_{VV}^{*})-\left|S_{HV}{|}^2\right)}{\left(\right|S_{HH}{|}^2+2|S_{HV}{|}^2+|S_{VV}{|}^2)}$

c)同极化相位差的标准差(Std.of Co-polarized Phase Difference)

$\mathrm{CPD}=\arg \left(S_{\mathrm{HH}}\right)-\arg \left(S_{\mathrm{VV}}\right)=\arg \left(S_{\mathrm{HH}}{S}_{\mathrm{VV}}^{*}\right)$

其中arg()表示求复数角度；

d)极化熵(Entropy)

$H=\underset{i=1}{\overset{3}{\&Sigma;}}-P_i{\log }_3{P}_i$

其中P_i由下式求得：

$P_i=\frac{{\mathrm{\&lambda;}}_i}{\underset{j}{\&Sigma;}{\mathrm{\&lambda;}}_i}$

其中，λ_i(i＝1,2,3)是极化相干矩阵T的特征值；

e)归一化极化基座高度(Normalized Pedestal height)

$NPH=\frac{\min ({\mathrm{\&lambda;}}_1,{\mathrm{\&lambda;}}_2,{\mathrm{\&lambda;}}_3)}{\max ({\mathrm{\&lambda;}}_1,{\mathrm{\&lambda;}}_2,{\mathrm{\&lambda;}}_3)}$

f)相关系数(Correlation coefficient)

${\mathrm{\&rho;}}_{hh/vv}=\left|\frac{<S_{hh}{S}_{vv}^{*}>}{<S_{hh}^2><S_{vv}^2>}\right|$

4、极大似然分类

采用监督分类的方法，基于极化特征将油膜与海面及其似然物进行分类。训练样本及分类结果都只包含两类，即矿物油膜和非油膜。分类操作前需要获取一定量的训练样本，样本应在与待处理图像相似的海况下获得，包含不同的海面目标类型，并经人工解译或者地面调查信息进行验证。对包含训练样本的数据进行1-3步操作，提取极化特征，将这些特征输入极大似然(ML)分类器，对分类器进行训练，并优化其参数。

然后从要进行溢油检测图像中提取极化特征，输入极大似然分类器进行油膜检测与分类。分类结果如图5。

根据贝叶斯(Bayes)准则，事件ω的后验概率P(i|ω)，由伴随其发生的事件的先验概率P(i)及其发生的条件概率P(ω|i)计算出：

$P\left(i\right|\mathrm{\&omega;})=\frac{P\left(\mathrm{\&omega;}\right|i)P\left(i\right)}{P\left(\mathrm{\&omega;}\right)}$

在本方法中，ω代表图像中提取出的特征组合，即特征向量，而i代表类。根据极大似然分类法则，像元x被分为i类的判决准则是：

X∈i，若对于所有的j≠i有P(i|ω)＞P(j|ω)

5、形态学后处理

最后通过形态学处理去除面积过小的区域已及填补闭合区域中的孔洞：利用圆形模板，对分类结果的二值图像先进行闭运算，再进行开运算，再去除面积过小的区域。最终油膜检测结果如图6。圆形模板以及小面积区域的半径可根据实际情况，由实验或者经验决定。

以上所述仅是本发明的优选实施方式，应当指出：对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。

Claims (7)

1.一种基于全极化合成孔径雷达图像的海面溢油检测方法，其特征在于：包括以下步骤：

步骤1：从全极化合成孔径雷达图像中获取需要处理的极化SAR数据，对需要处理的极化SAR数据进行预处理，得到全极化SAR协方差矩阵(C)；

步骤2：对上述步骤得到的协方差矩阵进行精制极化Lee滤波；

步骤3：基于上述步骤滤波后的协方差矩阵或通过其计算出的Stokes向量，提取六个极化特征，构成特征组合；

步骤4：将有地面验证信息的训练样本特征输入极大似然分类器，对分类器进行训练，并优化其参数；

步骤5：将需要进行溢油检测图像的极化特征作为输入，利用极大似然分类器对油膜进行检测与分类；

步骤6：对分类结果进行基于形态学的处理，去除面积过小的区域及填补闭合区域中的孔洞，利用实测的验证信息对分类精度进行评估。

2.如权利要求1所述的基于全极化合成孔径雷达图像的海面溢油检测方法，其特征在于：步骤1中，极化SAR数据进行预处理包括格式转换、定标。

3.如权利要求1所述的基于全极化合成孔径雷达图像的海面溢油检测方法，其特征在于：步骤1中，若得到的是四通道SAR复极化散射矩阵(S)，则通过下述方法转化为协方差矩阵：

$S=\left(\begin{array}{cc}{S}_{hh}& S_{hv}\\ S_{vh}& S_{vv}\end{array}\right)$

其中下标i,j分别代表发射和接收的极化方式，h为水平极化，v为垂直极化；

$\stackrel{\&RightArrow;}{k}={\&lsqb;S_{hh},\sqrt{2}{S}_{hv},S_{vv}\&rsqb;}^T$

代表散射向量(假设对于单站系统，互易定理成立，即Shv＝Svh)，T代表矩阵转置；

$C=<\stackrel{\&RightArrow;}{k}{\stackrel{\&RightArrow;}{k}}^{*T}>=\left[\begin{array}{ccc}<|S_{hh}{|}^2>& <\sqrt{2}{S}_{hh}{S}_{hv}^{*}>& <S_{hh}{S}_{vv}^{*}>\\ <\sqrt{2}{S}_{hv}{S}_{hh}^{*}>& <2|S_{hv}{|}^2>& <2|S_{hv}{|}^2>\\ <2|S_{hv}{|}^2>& <\sqrt{2}{S}_{vv}{S}_{hv}^{*}>& <|S_{vv}{|}^2>\end{array}\right]$

其中上标*T代表共轭转置，< >表示用窗口对数据进行空域平均。

4.如权利要求1所述的基于全极化合成孔径雷达图像的海面溢油检测方法，其特征在于：步骤2中，对协方差矩阵进行精制极化Lee滤波算法包括如下步骤：(1)在极化总功率SPAN图像上进行边缘模板匹配，选取方向窗口；(2)在该方向窗口内应用局部统计滤波器对协方差矩阵进行滤波处理。

5.如权利要求1所述的基于全极化合成孔径雷达图像的海面溢油检测方法，其特征在于：步骤3中，基于滤波后的协方差矩阵或通过其计算出的Stokes向量，提取如下六个极化特征构成特征组合：

a)极化度：

$P=\frac{\sqrt{g_1^2+g_2^2+g_3^2}}{g_0^2}$

其中，g_*为Stokes向量(*＝0,1,2,3)；

b)一致性系数：

$Conf\&cong;\frac{2\left(\mathrm{Re}\right(S_{HH}{S}_{VV}^{*})-|S_{HV}{|}^2)}{\left(|S_{HH}{|}^2+2|S_{HV}{|}^2+|S_{VV}{|}^2\right)}$

c)同极化相位差的标准差：

$CPD=\arg \left(S_{HH}\right)-\arg \left(S_{VV}\right)=\arg \left(S_{HH}{S}_{VV}^{*}\right)$

其中arg( )表示求复数角度；

d)极化熵：

$H=\underset{i=1}{\overset{3}{\&Sigma;}}-P_i{\log }_3{P}_i$

其中P_i由下式求得：

$P_i=\frac{{\mathrm{\&lambda;}}_i}{\underset{j}{\&Sigma;}{\mathrm{\&lambda;}}_i}$

其中，λ_i(i＝1,2,3)是极化相干矩阵T的特征值，；

e)归一化极化基座高度

$NPH=\frac{min({\mathrm{\&lambda;}}_1,{\mathrm{\&lambda;}}_2,{\mathrm{\&lambda;}}_3)}{max({\mathrm{\&lambda;}}_1,{\mathrm{\&lambda;}}_2,{\mathrm{\&lambda;}}_3)}$

f)相关系数

${\mathrm{\&rho;}}_{hh/vv}=\left|\frac{<S_{hh}{S}_{vv}^{*}>}{<S_{hh}^2><S_{vv}^2>}\right|.$

6.如权利要求1所述的基于全极化合成孔径雷达图像的海面溢油检测方法，其特征在于：步骤4中，采用监督分类的方法，基于极化特征将油膜与海面及其似然物进行分类；训练样本及分类结果都只包含两类，即矿物油膜和非油膜；分类操作前需要获取训练样本，样本应在与待处理图像相似的海况下获得，包含不同的海面目标类型，并经人工解译或者地面调查信息进行验证；对包含训练样本的数据进行1-3步操作，提取极化特征，将这些特征输入极大似然(ML)分类器，对分类器进行训练，并优化其参数。

7.如权利要求1所述的基于全极化合成孔径雷达图像的海面溢油检测方法，其特征在于：步骤6中，通过形态学处理去除面积过小的区域已及填补闭合区域中的孔洞：利用圆形模板，对分类结果的二值图像先进行闭运算，再进行开运算，再去除面积过小的区域。