CN106022288B - 基于sar图像的海洋溢油信息识别与提取方法 - Google Patents

基于sar图像的海洋溢油信息识别与提取方法 Download PDF

Info

Publication number
CN106022288B
CN106022288B CN201610370277.2A CN201610370277A CN106022288B CN 106022288 B CN106022288 B CN 106022288B CN 201610370277 A CN201610370277 A CN 201610370277A CN 106022288 B CN106022288 B CN 106022288B
Authority
CN
China
Prior art keywords
sar image
gray
value
image
average
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
Application number
CN201610370277.2A
Other languages
English (en)
Other versions
CN106022288A (zh
Inventor
陈彦
赵鹏
赵讯
童玲
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
University of Electronic Science and Technology of China
Original Assignee
University of Electronic Science and Technology of China
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by University of Electronic Science and Technology of China filed Critical University of Electronic Science and Technology of China
Priority to CN201610370277.2A priority Critical patent/CN106022288B/zh
Publication of CN106022288A publication Critical patent/CN106022288A/zh
Application granted granted Critical
Publication of CN106022288B publication Critical patent/CN106022288B/zh
Expired - Fee Related legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/10—Terrestrial scenes
    • G06V20/13—Satellite images
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T3/00—Geometric image transformations in the plane of the image
    • G06T3/40—Scaling of whole images or parts thereof, e.g. expanding or contracting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T9/00—Image coding
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/30—Noise filtering
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
    • G06V10/443—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components by matching or filtering
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10032—Satellite or aerial image; Remote sensing
    • G06T2207/10044—Radar image
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20024—Filtering details
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20036—Morphological image processing
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30181—Earth observation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/24—Aligning, centring, orientation detection or correction of the image
    • G06V10/247—Aligning, centring, orientation detection or correction of the image by affine transforms, e.g. correction due to perspective effects; Quadrilaterals, e.g. trapezoids

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Multimedia (AREA)
  • Data Mining & Analysis (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Mathematical Physics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Software Systems (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Computational Linguistics (AREA)
  • Health & Medical Sciences (AREA)
  • Evolutionary Biology (AREA)
  • Astronomy & Astrophysics (AREA)
  • Remote Sensing (AREA)
  • Image Processing (AREA)
  • Radar Systems Or Details Thereof (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了一种基于SAR图像的海洋溢油信息识别与提取方法，通过预处理消除星载SAR图像的噪声和畸变，然后进行图像的普适性处理将非海面区域遮掩，接着使用二维最大类间方差法分割图像获取感兴趣的区域，在此基础上利用形态学滤波矫正误分割现象，进一步从图像分割区域提取选定的特征参量，最后结合先验知识利用经过同样处理的样本图像集训练的BP神经网络对图像分割的结果进行分类，区分海面溢油与疑似溢油，准确提取海洋溢油信息。

Description

基于SAR图像的海洋溢油信息识别与提取方法
技术领域
本发明属于图像处理技术领域，更为具体地讲，涉及一种基于SAR图像的海洋溢油信息识别与提取方法。
背景技术
随着人类海洋活动的逐渐增加，石油开采、船舶事故等海上溢油事件频繁发生，给海洋生态环境造成了巨大的威胁，同时也给社会经济造成了重大的损失。海上溢油发生以后，对溢油进行检测的实时性和准确性对保护海洋生态环境、减少社会经济损失具有重要的意义。微波遥感技术是利用波长为1毫米到1米的电磁波远距离检测目标地物信息的技术，通常采用合成孔径雷达(Synthetic Aperture Radar，SAR)运行平台。与光学遥感技术相比，微波遥感技术具有明显优势：不依赖光照，能够穿透云、雨、雪、雾，因此具有全天时、全天候工作的能力。运用微波遥感技术监测海面溢油开始于20世纪70年代，不同型号遥感卫星的升空提供了多种监测海面溢油的途径，许多专家学者应用SAR平台监测海面溢油，取得了良好效果。随着SAR技术与各种检测算法日益完善，微波遥感技术已经成为海面溢油监测中不可或缺的方式，同时为海洋环保部门做出最佳的灾害方案提供了最有力的支持。
由于星载SAR系统投入业务化运行，与海上溢油相关的SAR图像数据量急剧增加，日常化、业务化地监测海上溢油已经远远超出传统的专家解译过程的工作量。在处理海量的与海洋上溢油相关的SAR图像数据时，为了能够及时准确地进行监测，需要建立一套完善的利用SAR图像数据自动监测海上溢油的系统。
海面油膜阻尼了溢油海面的毛细波、短重力波，降低了其表面粗糙度，相较于清洁海面，溢油海面的后向散射强度较低，在SAR图像上表现为阴影区域。同时，存在其他的一些海洋现象在SAR图像上表现出相似的情形。例如海面低风速区域、背风区域、浅海区域、海洋生物活动形成的生物油膜、海洋内波区域等与溢油区域具有相似的微波散射特性，在SAR图像上也表现为阴影区域，对海上溢油信息的识别与提取造成了不可忽视的影响，产生极高的虚警率。因此，快速而准确地区分溢油和疑似溢油区域已经成为海上溢油识别亟待解决的热门问题。
发明内容
本发明的目的在于克服现有技术的不足，提供一种基于SAR图像的海洋溢油信息识别与提取方法，利用BP神经网络来实现高精度、快速获取海上溢油信息。
为实现上述发明目的，本发明为一种基于SAR图像的海洋溢油信息识别与提取方法，其特征在于，包括以下步骤：
(1)、获取原始SAR图像
通过星载SAR传感器，在待监测区域获取原始SAR图像；
(2)、图像预处理
使用ENVI软件对原始SAR图像依次进行辐射定标、地理编码及滤波，得到初始SAR图像；
(3)、对初始SAR图像进行普适性处理
(3.1)、使用掩膜遮蔽初始SAR图像中包含大片陆地的区域，得到海洋区域SAR图像；
(3.2)、对海洋区域SAR图像中舰船、岛屿形成的高亮区域进行处理：引入正态分布的3σ原理，设定上限灰度值：
limit＝μ+3σ
其中，μ为初始SAR图像灰度均值，σ为初始SAR图像灰度标准差；
搜索海洋区域SAR图像中灰度值超过该上限灰度值的像素点，再使用灰度值未超过该上限灰度值的邻近像素点进行替换，得到经过普适性处理的标准SAR图像；
(4)、对标准SAR图像进行分割
(4.1)、将标准SAR图像中与后向散射系数相关的像素点的灰度值映射到0到255的整数范围内，得到像素点的灰度阈值s，同时引入像素点的n*n邻域灰度均值阈值t，组成二维阈值(s，t)；
(4.2)、根据二维阈值(s，t)，建立二维灰度直方图；利用二维灰度直方图将灰度值小于s且邻域灰度均值小于t的区域设置为目标，将灰度值大于s且邻域灰度均值大于t的区设置为背景，其它区域设置为噪声；
(4.3)、利用二维灰度直方图计算类间方差d(s，t)：
设二维灰度直方图中的像素点总数为N，设灰度值为同时n*n邻域灰度均值为的像素点个数为那么这一类像素点出现的概率为：
那么当阈值为(s，t)时，目标区域和背景区域发生的概率分别为：
其中，下角标a代表目标区域，b代表背景区域；
那么两区域对应的灰度均值分别为：
其中，分别表示目标区域和背景区域的灰度均值和邻域灰度均值的平均值；
二维灰度直方图的灰度均值和邻域灰度均值的平均值为：
由此可得，类间方差d(s，t)为：
d(s,t)＝ωa[(μai-μi)2+(μai-μi)2]+ωb[(μbi-μi)2+(μbi-μi)2]；
(4.4)、利用灰度阈值s和邻域灰度均值阈值t分别遍历1到254，获得使d(S，T)在所有的d(s，t)中取得最大值的最优阈值(S，T)；
(4.5)、根据最优阈值(S，T)对标准SAR图像中的像素点按照步骤(4.2)所述方法进行分类，分割出标准SAR图像中的目标、背景和噪声，得到目标SAR图像；
(5)、提取特征参量
先利用形态学滤波器对目标SAR图像进行多次形态学滤波，再提取几何、灰度、纹理三方面的9类特征参量值；
(6)、利用BP神经网络分类来区分溢油与疑似溢油
(6.1)、将经过形态学滤波后的目标SAR图像作为训练样本图像，使用训练样本图样中提取的9个特征参量构成特征向量组作为未经过训练的BP神经网络的输入，根据先验知识确定滤波后的目标SAR图像的阴影区域是否属于溢油，如果是溢油则设置输出“1 0”，如果是疑似溢油则设置输出“0 1”，并作为该BP神经网络的输出，通过调整内部的权值和阈值，训练BP神经网络；
(6.2)、将待监测的原始SAR图像经过上述步骤(1)到步骤(5)处理后提取的特征参量构成特征向量组，输入经过训练后的BP神经网络，根据BP神经网络的输出结果确定出目标区域属于溢油还是疑似溢油。
本发明的发明目的是这样实现的：
本发明基于SAR图像的海洋溢油信息识别与提取方法，通过预处理消除星载SAR图像的噪声和畸变，然后进行图像的普适性处理将非海面区域遮掩，接着使用二维最大类间方差法分割图像获取感兴趣的区域，在此基础上利用形态学滤波矫正误分割现象，进一步从图像分割区域提取选定的特征参量，最后结合先验知识利用经过同样处理的样本图像集训练的BP神经网络对图像分割的结果进行分类，区分海面溢油与疑似溢油，准确提取海洋溢油信息。
同时，本发明基于SAR图像的海洋溢油信息识别与提取方法还具有以下有益效果：
(1)、通过对SAR图像使用针对海洋场景区域的普适性处理技术进行处理，能够使其适应提出的基于SAR图像的海洋溢油信息识别与提取方法，扩展了该方法的适用范围，一定程度上避免了两种典型的误分割现象，提高了图像分割算法的精度。
(2)对通过2D-Otsu算法分割获取的目标区域SAR图像进行多次形态学滤波处理，在预处理的基础上进一步抑制了SAR图像斑点噪声对溢油信息提取与分类结果的影响，保留了目标区域SAR图像的几何和纹理特征。
(3)结合大量的样本数据，多次训练调整内部权值和阈值，获取了稳定的BP人工神经网络，对溢油和疑似溢油进行了有效地分类，经过验证，分类准确度达到80％以上。
附图说明
图1是本发明基于SAR图像的海洋溢油信息识别与提取方法流程图；
图2是原始SAR图像；
图3是海洋区域SAR图像；
图4是经过普适性处理的标准SAR图像；
图5是二维灰度直方图的底座划分示意图；
图6图像分割后的目标SAR图像；
图7是多次形态学滤波后的效果图；
图8是特征参量提取结果图；
图9是特征参量输入到BP神经网络时的结构示意图；
图10是BP神经网络分类结果的示意图。
具体实施方式
下面结合附图对本发明的具体实施方式进行描述，以便本领域的技术人员更好地理解本发明。需要特别提醒注意的是，在以下的描述中，当已知功能和设计的详细描述也许会淡化本发明的主要内容时，这些描述在这里将被忽略。
实施例
图1是本发明基于SAR图像的海洋溢油信息识别与提取方法流程图。
在本实施例中，如图1所示，本发明提出一种基于SAR图像的海洋溢油信息识别与提取方法，包括以下步骤：
S1、获取原始SAR图像
通过星载SAR传感器，在待监测区域获取原始SAR图像；在本实施例中，通过搭载C波段SAR传感器的高分辨率商用卫星RADARSAT-2获取的高分辨率的原始SAR图像，如图2所示。
S2、图像预处理
使用NEST软件对原始SAR图像依次进行辐射定标、地理编码及增强型Lee滤波，得到初始SAR图像。
S3、对初始SAR图像进行普适性处理
S3.1、海面溢油现象有时发生在海岸线附近，这种情况下，与海面溢油相关的SAR图像通常包含一部分陆地区域，图像分割算法一般会将陆地视为背景区域，导致无法有效获取海面阴影区。因此，在分割包含大片陆地区域的初始SAR图像前，使用掩膜遮蔽，得到海洋区域SAR图像，具体的掩膜可以通过感兴趣区域获取，如图3所示；
S3.2、截取感兴趣的海洋区域时，不可避免的存在包含由于大的舰船，小的岛屿等后向散射系数明显高于海水的典型地物的像素点，在海洋区域SAR图像中表现为高亮区域。此类像素点达到一定规模时，针对海洋溢油的图像分割算法通常将高亮区域划分为背景，其他区域划分为目标。
解决该问题的方法是引入正态分布的3σ原理，设定上限灰度值：
limit＝μ+3σ
其中，μ为初始SAR图像灰度均值，σ为初始SAR图像灰度标准差；
搜索海洋区域SAR图像中灰度值超过该上限灰度值的像素点，再使用灰度值未超过该上限灰度值的邻近像素点进行替换，得到经过普适性处理的标准SAR图像，如图4所示；
S4、对标准SAR图像进行分割
S4.1、为了适应2D-Otsu图像分割算法的适用条件，首先将标准SAR图像中与后向散射系数相关的像素点的灰度值映射到0到255的整数范围内，得到像素点的灰度阈值s，其映射关系为：
其中，Aij为标准SAR图像中像素点(i，j)的灰度值，Bij为该像素点映射到0～255时的灰度值，Amin和Amax分别为标准SAR图像的所有像素点中的最小、最大灰度值，round()为取整符号；
同时，引入像素点的n*n邻域灰度均值阈值t，进而组成二维阈值(s，t)；在本实施例中，n邻域的取值一般为3、5、7；
S4.2、根据二维阈值(s，t)，建立二维灰度直方图，再利用二维灰度直方图将灰度值小于s且邻域灰度均值小于t的区域设置是目标，将灰度值大于s且邻域灰度均值大于t的区设置为是背景，其它区域设置为噪声；
其中，二维灰度直方图的底座是由灰度值与邻域灰度均值形成的二维平面，在二维平面上的数据绝大部分集中在其对角线附近，因此可根据阈值将底座划分为4个区域，如图所示5；
S4.3、利用二维灰度直方图计算类间方差d(s，t)：
设二维灰度直方图中的像素点总数为N，设灰度值为同时n*n邻域灰度均值为的像素点个数为那么这一类像素点出现的概率为：
那么当阈值为(s，t)时，目标区域和背景区域发生的概率分别为：
其中，下角标a代表目标区域，b代表背景区域；
那么两区域对应的灰度均值分别为：
其中，分别表示目标区域和背景区域的灰度均值和邻域灰度均值的平均值；
二维灰度直方图的灰度均值和邻域灰度均值的平均值为：
由此可得，类间方差d(s，t)为：
d(s,t)＝ωa[(μai-μi)2+(μai-μi)2]+ωb[(μbi-μi)2+(μbi-μi)2]；
S4.4、利用灰度阈值s和邻域灰度均值t分别遍历1到254，获得使d(S，T)在所有的d(s，t)中取得最大值的最优阈值(S，T)；
S4.5、根据最优阈值(S，T)对标准SAR图像中的像素点按照步骤S4.2所述方法进行分类，分割出标准SAR图像中的目标、背景和噪声，得到目标SAR图像，如图6所示；
S5、形态学滤波
基于形态学理论，先利用抑制相干斑点噪声的滤波器对目标SAR图像进行多次的形态学滤波，在目标SAR图像的滤波处理中，1次开运算加一次闭运算作为1次滤波过程；为了取得更好的相干斑点噪声抑制效果，需要逐步加大选择的结构体尺寸，进行多次滤波，滤波后的目标SAR图像如图7所示。
S6、提取特征参量
根据形态学滤波后的目标SAR图像，可以准确的分割出目标和背景两部分，再从中提取几何、灰度、纹理三方面的9类特征参量值，其提取结果如图8所示；
在滤波后的目标SAR图像中，疑似溢油区域与溢油区域呈现近似的灰度值，都表现为阴影区域，因此需要提取该SAR图像中几何、灰度、纹理三方面的多种特征参量进行进一步的判断，但是，过多的特征参量不仅增加运算成本，而且与海上溢油特征关系较小的参量对分类会产生消极影响，降低判定准确性。因此，需要对各种的SAR图像特征参量进行取舍，本实施例中，提取出9类特征参量值包括：
a、几何特征
面积(Area)：由于低风速区海面的后向散射系数非常小而面积非常大，因此，面积在一定程度上反映了目标区域的大小特征。
复杂度(complexity,COM)：不同海面目标呈现各不相同的形状特征。油田溢油形成粗条带或较大面积的溢油区域；船舶漏油在SAR图像中表现为白亮点后的由细到粗的条带或较粗的均匀条带；自然界的生物油膜一般呈不规则的形状，周长较大而面积较小。因此，复杂度在一定程度上反映了目标区域的形状特征。
b、灰度特征
灰度对比度(RBIO)：目标区、背景区后向散射系数均值的比值。
RBSDO：背景区后向散射系数均值与其方差的比值。
边缘梯度(Gradient of edge,GOE)：目标区、背景区的边界处梯度的均值。
c、纹理特征
灰度共生矩阵(GLCM)中的元素表示图像中灰度值为的像素点，在指定的像素空间d及方向θ上出现灰度值为的像素点的概率，取d＝1，θ＝0°时,简记为
角二阶矩(Angular Second Moment,ASM)：图像灰度分布均匀性的度量。当图像纹理粗糙时，ASM取值较大；图像纹理平滑时，ASM取值较小；GLCM中各元素值相等时，ASM取得最小值，其计算公式为：
纹理对比度(Contrast,CON)：图像明暗对比的度量值。图像的局部灰度值的差别越大，纹理对比度越大，视觉效果也越清晰，其计算公式为：
纹理熵(Entropy,ENT)：图像具有的信息量的度量，表征了图像纹理的复杂度。图像纹理越细腻，熵值越大；纹理越粗糙，熵值越小，其计算公式为：
倒数差分矩(Reciprocal Difference Moment,RDM)：图像整体对比度的度量。图像整体对比度较低时，RDM值较大；整体对比度较高，RDM较小其计算公式为：
S7、利用BP神经网络分类来区分溢油与疑似溢油
S7.1、将滤波后的目标SAR图像作为训练样本图像，将提取的9个特征参量构成特征向量组，再将特征向量组作为未经过训练的BP神经网络的输入，如图9所示，根据先验知识确定滤波后的目标SAR图像的阴影区域是否属于溢油，如果是溢油输出为“1 0”，如果是疑似溢油输出“0 1”，并作为该BP神经网络的输出，调整内部的权值和阈值，训练BP神经网络；
S7.2、将待监测的原始SAR图像经过上述处理后构成特征向量组，再输入经过训练后的BP神经网络，根据BP神经网络的输出结果确定出目标区域属于溢油还是疑似溢油，其最终的分类结果如图10所示。
尽管上面对本发明说明性的具体实施方式进行了描述，以便于本技术领域的技术人员理解本发明，但应该清楚，本发明不限于具体实施方式的范围，对本技术领域的普通技术人员来讲，只要各种变化在所附的权利要求限定和确定的本发明的精神和范围内，这些变化是显而易见的，一切利用本发明构思的发明创造均在保护之列。

Claims (1)

1.一种基于SAR图像的海洋溢油信息识别与提取方法，其特征在于，包括以下步骤：
(1)、获取原始SAR图像
通过星载SAR传感器，在待监测区域获取原始SAR图像；
(2)、图像预处理
使用ENVI软件对原始SAR图像依次进行辐射定标、地理编码及滤波，得到初始SAR图像；
(3)、对初始SAR图像进行普适性处理
(3.1)、使用掩膜遮蔽初始SAR图像中包含大片陆地的区域，得到海洋区域SAR图像；
(3.2)、对海洋区域SAR图像中舰船、岛屿形成的高亮区域进行处理：引入正态分布的3σ原理，设定上限灰度值：
lim it＝μ+3σ
其中，μ为初始SAR图像灰度均值，σ为初始SAR图像灰度标准差；
搜索海洋区域SAR图像中灰度值超过该上限灰度值的像素点，再使用灰度值未超过该上限灰度值的邻近像素点进行替换，得到经过普适性处理的标准SAR图像；
(4)、对标准SAR图像进行分割
(4.1)、将标准SAR图像中与后向散射系数相关的像素点的灰度值映射到0到255的整数范围内，得到像素点的灰度阈值s；
映射关系为：
其中，Aij为标准SAR图像中像素点(i，j)的灰度值，Bij为该像素点映射到0～255时的灰度值，Amin和Amax分别为标准SAR图像的所有像素点中的最小、最大灰度值，round()为取整符号；
同时引入像素点的n*n邻域灰度均值阈值t，组成二维阈值(s，t)，其中，n为邻域取值大小；
(4.2)、根据二维阈值(s，t)，建立二维灰度直方图；利用二维灰度直方图将灰度值小于s且邻域灰度均值小于t的区域设置为目标，将灰度值大于s且邻域灰度均值大于t的域区设置为背景，其它区域设置为噪声；
(4.3)、利用二维灰度直方图计算类间方差d(s，t)：
设二维灰度直方图中的像素点总数为N，设灰度值为同时n*n邻域灰度均值为的像素点个数为那么这一类像素点出现的概率为：
那么当阈值为(s，t)时，目标区域和背景区域发生的概率分别为：
其中，下角标a代表目标区域，b代表背景区域；
那么两区域对应的灰度均值分别为：
其中，分别表示目标区域的灰度均值和邻域灰度均值的平均值； 分别表示背景区域的灰度均值和邻域灰度均值的平均值；
二维灰度直方图的灰度均值和邻域灰度均值的平均值为：
由此可得，类间方差d(s，t)为：
(4.4)、利用灰度阈值s和邻域灰度均值阈值t分别遍历1到254，获得使d(S，T)在所有的d(s，t)中取得最大值的最优阈值(S，T)；
(4.5)、根据最优阈值(S，T)对标准SAR图像中的像素点按照步骤(4.2)所述方法进行分类，分割出标准SAR图像中的目标、背景和噪声，得到目标SAR图像；
(5)、提取特征参量
先利用形态学滤波器对目标SAR图像进行多次形态学滤波，再提取几何、灰度、纹理三方面的9类特征参量值；
(6)、利用BP神经网络分类来区分溢油与疑似溢油
(6.1)、将经过形态学滤波后的目标SAR图像作为训练样本图像，使用训练样本图样中提取的9个特征参量构成特征向量组作为未经过训练的BP神经网络的输入，根据先验知识确定滤波后的目标SAR图像的阴影区域是否属于溢油，如果是溢油则设置输出“1 0”，如果是疑似溢油则设置输出“0 1”，并作为该BP神经网络的输出，通过调整内部的权值和阈值，训练BP神经网络；
(6.2)、将待监测的原始SAR图像经过上述步骤(1)到步骤(5)处理后提取的特征参量构成特征向量组，输入经过训练后的BP神经网络，根据BP神经网络的输出结果确定出目标区域属于溢油还是疑似溢油。
CN201610370277.2A 2016-05-30 2016-05-30 基于sar图像的海洋溢油信息识别与提取方法 Expired - Fee Related CN106022288B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201610370277.2A CN106022288B (zh) 2016-05-30 2016-05-30 基于sar图像的海洋溢油信息识别与提取方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201610370277.2A CN106022288B (zh) 2016-05-30 2016-05-30 基于sar图像的海洋溢油信息识别与提取方法

Publications (2)

Publication Number Publication Date
CN106022288A CN106022288A (zh) 2016-10-12
CN106022288B true CN106022288B (zh) 2019-07-12

Family

ID=57092571

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201610370277.2A Expired - Fee Related CN106022288B (zh) 2016-05-30 2016-05-30 基于sar图像的海洋溢油信息识别与提取方法

Country Status (1)

Country Link
CN (1) CN106022288B (zh)

Families Citing this family (19)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106845347A (zh) * 2016-12-19 2017-06-13 航天恒星科技有限公司 海上油膜识别提取方法及系统
CN106845434B (zh) * 2017-02-09 2020-05-05 东华大学 一种基于支持向量机的图像型机房漏水监测方法
CN108334937A (zh) * 2018-02-06 2018-07-27 大连海事大学 一种基于卷积神经网络的水上油膜相对厚度提取方法及系统
CN108596065A (zh) * 2018-04-13 2018-09-28 深圳职业技术学院 一种基于深度语义分割海洋溢油检测系统与方法
CN110443823A (zh) * 2018-05-03 2019-11-12 西南科技大学 一种水面漂浮物前景分割方法
CN109034081A (zh) * 2018-08-02 2018-12-18 中国民航大学 机场跑道橡胶胶痕检测系统及检测方法
CN109493332B (zh) * 2018-11-06 2021-06-22 北京京航计算通讯研究所 基于envi的优化矢量选取roi遥感影像预处理系统
CN110189280A (zh) * 2019-06-28 2019-08-30 南京硕基信息科技有限公司 一种雷达溢油探测系统及其探测方法
CN110689027B (zh) * 2019-10-08 2020-07-10 中国石油大学(华东) 一种可应用sar多维极化特征的主动轮廓水平集溢油提取方法
JP7369018B2 (ja) * 2019-11-27 2023-10-25 株式会社Ihi 油膜検出装置及び油膜検出方法
CN111462086B (zh) * 2020-03-31 2024-04-26 推想医疗科技股份有限公司 图像分割方法及装置、神经网络模型的训练方法及装置
CN111797518B (zh) * 2020-06-23 2023-04-18 电子科技大学 一种压缩机低频转矩补偿下的载荷求解方法
CN112035679B (zh) * 2020-09-10 2021-02-23 广东新禾道信息科技有限公司 一种遥感监测自然灾害数据处理方法及装置
CN113160173B (zh) * 2021-04-22 2022-02-01 哈尔滨市科佳通用机电股份有限公司 基于Laws纹理特征的抗蛇形减震器漏油检测方法及系统
CN113902748B (zh) * 2021-08-26 2024-04-26 中国石油大学(华东) 一种基于改进U-net的无人机海上溢油路径识别方法及装置
CN116012769A (zh) * 2022-09-07 2023-04-25 广东海洋大学 一种基于GLCM与K-means聚类算法的船载雷达图像溢油识别方法
CN115661649B (zh) * 2022-10-26 2023-05-23 广东海洋大学 一种基于bp神经网络的船载微波雷达图像溢油探测方法及系统
CN116433666B (zh) * 2023-06-14 2023-08-15 江西萤火虫微电子科技有限公司 板卡线路缺陷在线识别方法、系统、电子设备及存储介质
CN117635610B (zh) * 2024-01-25 2024-04-09 青岛正大正电力环保设备有限公司 一种液压张紧机构油管漏油视觉检测方法

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103971370A (zh) * 2014-05-15 2014-08-06 中国科学院遥感与数字地球研究所 一种针对遥感大图像的海洋溢油智能检测方法

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103971370A (zh) * 2014-05-15 2014-08-06 中国科学院遥感与数字地球研究所 一种针对遥感大图像的海洋溢油智能检测方法

Non-Patent Citations (5)

* Cited by examiner, † Cited by third party
Title
一种基于截取法的灰度级等距离拉伸图像增强研究;彭佳琦 等;《激光与红外》;20081231;第38卷(第12期);第1255-1257页 *
一种改进的二维直方图的图像阈值分割方法;芦蓉 等;《系统工程与电子技术》;20041031;第26卷(第10期);第1487-1490页 *
基于SAR 图像的海洋溢油提取方法研究;刘兴权 等;《黑龙江科技信息》;20081231;第56-57页 *
基于合成孔径雷达回波信号的海洋溢油监测方法研究;孙健 等;《海洋学报》;20140930;第36卷(第9期);第103-110页 *
面向对象的SAR图像溢油信息提取研究;张明亮;《中国优秀硕士学位论文全文数据库 工程科技Ⅰ辑》;20160115;第10-57页 *

Also Published As

Publication number Publication date
CN106022288A (zh) 2016-10-12

Similar Documents

Publication Publication Date Title
CN106022288B (zh) 基于sar图像的海洋溢油信息识别与提取方法
CN109583293B (zh) 星载sar图像中的飞机目标检测与鉴别方法
Mazur et al. An object-based SAR image iceberg detection algorithm applied to the Amundsen Sea
Yang et al. Ship detection from optical satellite images based on sea surface analysis
CN106650812B (zh) 一种卫星遥感影像的城市水体提取方法
Stern et al. Seasonal evolution of the sea-ice floe size distribution in the Beaufort and Chukchi seas
CN105654501B (zh) 基于模糊阈值的自适应图像分割方法
CN102609701B (zh) 基于最佳尺度的高分辨率合成孔径雷达遥感检测方法
CN104217196B (zh) 一种遥感影像圆形油罐自动检测方法
CN109978869A (zh) 一种基于灰度共生矩阵和Hough变换的海天线检测方法与系统
CN108229342B (zh) 一种海面舰船目标自动检测方法
CN106709914A (zh) 一种基于双级dem海陆库的sar图像船舶检测虚警剔除方法
CN105844298A (zh) 一种基于Fuzzy ARTMAP神经网络的高光谱溢油影像分类方法
CN106709426A (zh) 基于红外遥感图像的舰船目标检测方法
CN111079596A (zh) 高分辨率遥感影像的海上典型人造目标识别系统及方法
CN105512622B (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
Hou et al. SAR image ship detection based on visual attention model
CN103778627A (zh) 一种基于sar图像的海域溢油检测方法
CN102819841A (zh) 用于目标图像分割的全局阈值分割方法
CN102175993A (zh) 基于卫星sar影像的雷达景象匹配特征参考图制备方法
CN107862271A (zh) 一种舰船目标的检测方法
CN106485673B (zh) 一种对海面sar图像的滤波方法
CN109635679B (zh) 一种实时的靶纸定位及环线识别方法
CN107729903A (zh) 基于区域概率统计和显著性分析的sar图像目标检测方法
CN102194224A (zh) 一种光学遥感图像坦克群的识别方法

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
C10 Entry into substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant
CF01 Termination of patent right due to non-payment of annual fee

Granted publication date: 20190712

CF01 Termination of patent right due to non-payment of annual fee