CN106443593B - 基于相参雷达慢扫增强的自适应溢油信息提取方法 - Google Patents

Abstract

本发明公开了基于相参雷达慢扫增强的自适应溢油信息提取方法，包括步骤为：采用FFT相干积累技术，对雷达溢油回波图像进行慢扫增强；对雷达溢油回波图像进行坐标变换并插值；利用Gamma滤波技术对雷达溢油回波图像进行滤波；结合风速影响因子，建立溢油特征的概率统计模型；利用建立的概率统计模型识别溢油目标区域。本发明的优势在于：采用了FFT相干积累技术手段对雷达溢回波油图像进行增强，提高溢油区域和背景区域的对比度，从而提高了溢油目标区域的可识别程度；在建立溢油特征概率统计模型时加入了风速影响因子，提高了溢油目标的识别精度。

Description

基于相参雷达慢扫增强的自适应溢油信息提取方法

技术领域

本发明涉及海洋遥感领域，特别是一种基于相参雷达慢扫增强的自适应溢油信息提取方法。

背景技术

在溢油监测技术领域，雷达溢油监测技术具备实时性好、监测范围大、全天候工作的优势，在海洋科学研究中有着巨大的应用价值。

雷达溢油监测的基本原理是当海面有溢油现象存在时，会抑制海表面波张力导致海杂波信噪比偏弱，在雷达图像上形成所谓的“暗区”。中国专利CN101915910A“利用航海雷达识别海上溢油目标的方法及系统”提供了一种基于溢油图像的纹理特征，利用最小距离欧式法来提取溢油目标的方法。该发明专利的溢油信息提取技术是基于非相参雷达，无法获取溢油回波相位信息，其中相位信息包含了丰富的海面溢油信息；另外该发明专利没有涉及到海面风场对雷达溢油探测的影响；同时在利用溢油图像的特征方面，只是利用到溢油图像的纹理特征和灰度特征，这样，海洋内波、生物油膜、船舶尾迹、低风速区等都有可能在雷达图像上形成所谓的暗区，造成溢油区域的误判。

发明内容

本发明要解决的技术问题是针对上述现有技术的不足，而提供一种基于相参雷达慢扫增强的自适应溢油信息提取方法，该基于相参雷达慢扫增强的自适应溢油信息提取方法通过相干积累技术手段对雷达溢油图像进行增强，提高溢油区域和背景区域的对比度；然后，基于图像的几何特征、纹理特征和灰度特征，建立概率统计模型，建模的同时加入了风速影响因子；最后采用贝叶斯分类技术来提取溢油目标区域。因此，溢油目标区域提取准确度高，不易误判。

为解决上述技术问题，本发明采用的技术方案是：

一种基于相参雷达慢扫增强的自适应溢油信息提取方法，包括如下步骤：

步骤1，增强雷达溢油回波图像：采用FFT相干积累技术对雷达溢油回波图像进行增强。

步骤2，补全雷达溢油回波图像中的缺失像素点：将步骤1中增强后的雷达溢油回波图像，由极坐标形式转化为笛卡尔坐标形式；然后，利用三次样条插值技术，对位于笛卡尔坐标形式下的雷达溢油回波图像中的缺失像素点进行补全。

步骤3，溢油雷达回波图像滤波：对步骤2中补全后的溢油雷达回波图像进行Gamma滤波，降低噪声斑点对溢油目标区域提取的影响。

步骤4，初步提取溢油目标区域：采用阈值分割方法OSTU算法将步骤3滤波后的溢油雷达回波图像进行分割，并初步提取溢油区域；本步骤中，初步提取的溢油区域包括溢油目标区域和疑似溢油样本区域。

步骤5，对步骤4中提取的溢油目标区域和疑似溢油样本区域，分别提取对应目标图像的几何特征和纹理特征；几何特征包括复杂度和形状因子，其中，复杂度的计算公式为：

式中，COM表示复杂度，P为目标图像的周长，S为目标图像的面积；

形状因子的计算公式为：

式中，SPE表示形状因子，W为目标图像的宽度，L为目标图像的长度；

纹理特征包括角二阶矩ASM、对比度CON、倒数差分矩IDF和二阶熵ESO。

步骤6，结合风速影响因子，建立溢油样本和疑似溢油样本的概率统计模型P_fwt；概率统计模型P_fwt中的f表示样本特征，取值范围为1～6，分别代表[COM,SPE,ASM,CON,IDF,ESO]；概率统计模型P_fwt中的w表示风速区间段，将风速范围分为c个区间段，则w取值为1～c；概率统计模型P_fwt中的t表示样本目标类型，包括溢油和疑似溢油，t取自然数。

步骤7：利用贝叶斯分类方法提取最终的溢油目标区域：分别计算步骤6中各样本目标类型的联合概率，计算出的联合概率最大值所对应的样本目标类型则为溢油目标区域；各样本目标类型的联合概率S_t的计算公式为：

式中，P_fwt为步骤5中计算的概率统计模型。

所述步骤4中，采用阈值分割方法OSTU算法将滤波后的溢油雷达回波图像进行分割的方法为：假定分割阈值为n,将图像的灰度级划分为两类，灰度值小于n像素的点为溢油区，记为A；灰度值大于n像素的点为背景区，记为B，分别计算A和B类的概率，记为w_A和w_B；然后，再分别计算A和B的平均灰度u_A和u_B；最后计算全图的平均灰度为u，则溢油区和背景区的类间方差定义为：

分割阈值n^*则为：

上式表示在雷达图像灰度区间遍历n值，使得溢油区和背景区的类间方差最大。

所述步骤4中，疑似溢油样本区域包括生物油膜区域和静海杂波雷达区域，则步骤6中样本目标类型t取值为1～3，分别对应为生物油膜类型、溢油目标类型和静海杂波雷达。

所述步骤6中，风速范围分为5个区间段，风速区间段w取值为1～5；5个区间段分别为2～4m/s，4～6m/s，6～8m/s，8～10m/s，10～12m/s。

在2～4m/s的风速条件下，溢油目标类型复杂度的概率密度函数为：

式中，x_COM为样本复杂度特征值，u、σ分别为样本集合复杂度的平均值和标准差。

所述步骤5中，对应目标图像的纹理特征提取方法为：将步骤4初步提取的溢油区域分割成m×m个溢油小目标，采用灰度共生矩阵来提取各溢油小目标的纹理特征；灰度共生矩阵用图像位置关系的灰度级之间的联合条件概率密度函数P(i,j,d,θ)来表示，该联合条件概率密度函数表示起始点灰度为i,在给定像素空间距离d及方向θ上出现灰度级为j的概率。

所述步骤5中，纹理特征提取时，将联合条件概率密度函数P(i,j,d,θ)中的d设定为1，θ设定为0°；然后，对得到的灰度共生矩阵进行角二阶矩ASM、对比度CON、倒数差分矩IDF和二阶熵ESO的提取，其中：

角二阶矩ASM的计算公式为：

对比度CON的计算公式为：

倒数差分矩IDF的计算公式为：

二阶熵ESO的计算公式为：

上述M代表目标图像的灰度级数。

所述步骤2中，将雷达溢油图像从极坐标形式转化为笛卡尔坐标形式的转化公式为：

式中，x、y为笛卡尔坐标形式中的横坐标和纵坐标，r、θ为极坐标形式中的半径和极角。

所述步骤3中，对补全后的溢油雷达回波图像进行Gamma滤波时，滤波窗口大小选择为5*5～12*12mm。

本发明采用上述方法后，采用了FFT相干积累技术手段对雷达溢油回波图像进行增强，提高溢油区域和背景区域的对比度，从而提高了溢油区域的可识别程度；在建立溢油特征概率统计模型时加入了风速影响因子，提高了溢油目标的识别精度。

具体实施方式

下面就具体较佳实施方式对本发明作进一步详细的说明。

一种基于相参雷达慢扫增强的自适应溢油信息提取方法，包括如下7个步骤。

步骤1，增强雷达溢油回波图像：采用FFT相干积累技术对雷达溢油回波图像进行增强。

首先，设定雷达为慢扫扫描模式(1r/min)，雷达重频PRF，相干积累脉冲数为N_p；然后，利用FFT相干积累技术对相关积累脉冲数做相干积累，从而获得相参雷达慢扫模式下的极坐标雷达回波图像，距离分辨率为δr(由雷达脉宽决定)，则角度分辨率δθ由以下公式计算得出：

步骤2，补全雷达溢油回波图像中的缺失像素点：将步骤1中增强后的雷达溢油回波图像，由极坐标形式转化为笛卡尔坐标形式；然后，利用三次样条插值技术，对位于笛卡尔坐标形式下的雷达溢油回波图像中的缺失像素点进行补全。

本步骤2中，将雷达溢油图像从极坐标形式转化为笛卡尔坐标形式的转化公式为：

式中，x、y为笛卡尔坐标形式中的横坐标和纵坐标，r、θ为极坐标形式中的半径和极角。

步骤3，溢油雷达回波图像滤波：对步骤2中补全后的溢油雷达回波图像进行Gamma滤波，滤波窗口大小选择为5*5～12*12mm，从而降低噪声斑点对溢油目标区域提取的影响。

步骤4，初步提取溢油目标区域：由于海面溢油对海面张力的抑制作用，导致溢油区域在雷达图像上呈现所谓的暗区，即回波强度明显低于周边海杂波区域。故本发明采用阈值分割方法OSTU算法将步骤3滤波后的溢油雷达回波图像进行分割，并初步提取溢油区域；本步骤中，初步提取的溢油区域包括溢油目标区域和疑似溢油样本区域。

疑似溢油样本区域包括生物油膜区域和静海杂波雷达区域等。

上市采用阈值分割方法OSTU算法将滤波后的溢油雷达回波图像进行分割的方法具体为：假定分割阈值为n,将图像的灰度级划分为两类，灰度值小于n像素的点为溢油区，记为A；灰度值大于n像素的点为背景区，记为B，分别计算A和B类的概率，记为w_A和w_B；然后，再分别计算A和B的平均灰度u_A和u_B；最后计算全图的平均灰度为u，则溢油区和背景区的类间方差定义为：

分割阈值n^*则为：

上式表示在雷达图像灰度区间遍历n值，使得溢油区和背景区的类间方差最大。

步骤5，对步骤4中提取的溢油目标区域和疑似溢油样本区域，分别提取对应目标图像的几何特征和纹理特征。

单纯的依靠溢油图像的灰度特征并不能准确的提取溢油区域，原因是海洋内波、生物油膜、船舶尾迹、低风速区都有可能在雷达图像上形成所谓的暗区，造成溢油区域的误判，所以需要进一步的从溢油区域的几何和纹理特征并结合实际风速的大小对步骤4初步提取的溢油区域进行进一步的判别

对应目标图像的几何特征包括复杂度和形状因子，其中，复杂度的计算公式为：

式中，COM表示复杂度，P为目标图像的周长，S为目标图像的面积。一般情况下，低风区的复杂度比溢油区小的多，生物油膜复杂度比溢油区大的多。

形状因子的计算公式为：

式中，SPE表示形状因子，W为目标图像的宽度，L为目标图像的长度。一般海面溢油均呈现出长条带状特征，所以溢油区域的形状因子要比低风区和生物油膜小的多。

上述对应目标图像的纹理特征提取方法为：将步骤4初步提取的溢油区域分割成m×m个溢油小目标，采用灰度共生矩阵来提取各溢油小目标的纹理特征；灰度共生矩阵用图像位置关系的灰度级之间的联合条件概率密度函数P(i,j,d,θ)来表示，该联合条件概率密度函数表示起始点灰度为i,在给定像素空间距离d及方向θ上出现灰度级为j的概率。

对应目标图像的纹理特征包括角二阶矩ASM、对比度CON、倒数差分矩IDF和二阶熵ESO。

本发明中，将联合条件概率密度函数P(i,j,d,θ)中的d设定为1，θ设定为0°；然后，对得到的灰度共生矩阵进行角二阶矩ASM、对比度CON、倒数差分矩IDF和二阶熵ESO的提取。

其中，角二阶矩是图像灰度分布均匀性的度量，角二阶矩ASM的计算公式为：

对比度反应了目标图像纹理明暗的对比，对比度CON的计算公式为：

倒数差分矩是目标图像整体对比度的一个度量值，倒数差分矩IDF的计算公式为：

二阶熵是目标图像纹理疏密程度的一个度量值，二阶熵ESO的计算公式为：

上述M代表目标图像的灰度级数。

步骤6，结合风速影响因子，建立溢油样本和疑似溢油样本的概率统计模型P_fwt。

提取可能的溢油区域的特征之后，需要利用样本数据建立各特征的概率统计模型，样本数据包含生物油膜区域数据、溢油区域数据、净海杂波区域数据3类。考虑到海面风速对各类型目标区域的纹理和几何特征影响很大，所以建立各特征的概率统计模型，需要加入风速影响因子。

其中，f表示样本特征，取值范围为1～6，分别为[COM,SPE,ASM,CON,IDF,ESO]。

概率统计模型P_fwt中的w表示风速区间段，将风速范围分为c个区间段，则w取值为1～c。

由于，一般雷达溢油风速工作范围在2～12m/s左右，故将风速范围分为5个区间段，分别为[2,4m/s]、[4,6m/s]、[6-8m/s]、[8,10m/s]、[10,12m/s]。因而，风速区间段w取值对应为1～5。

概率统计模型P_fwt中的t表示样本目标类型，包括溢油和疑似溢油，而疑似溢油包括生物油膜和静海杂波雷达。t取自然数，本发明中t取值为1～3，分别对应为：生物油膜类型、溢油目标类型和静海杂波雷达。

以在2～4m/s的风速条件下，溢油目标类型复杂度的概率密度函数P₁₁₂为例，计算方式为：首先选择风速为2～4m/s的溢油样本数据，利用步骤5的方法提取样本的复杂度特征，然后求取样本集合复杂度的平均值u和标准差σ，则在2～4m/s的风速条件下，溢油目标类型复杂度的概率密度函数为：

式中，x_COM为样本复杂度特征值，u、σ分别为样本集合复杂度的平均值和标准差。

步骤7：利用贝叶斯分类方法提取最终的溢油目标区域。

获取海面风速信息，当海面风速处于2～12m/s之间时，利用步骤1～6的方式提取待测样本的特征值集合[x_COM,x_SAP,x_ASM,x_CON,x_IDF,x_ESO]，根据实际的风速信息，选择不同的概率统计模型求各样本目标类型的联合概率，计算出的联合概率最大值所对应的样本目标类型则为溢油目标区域；各样本目标类型的联合概率S_t的计算公式为：

式中，P_fwt为步骤5中计算的概率统计模型。

下面以海面风速值为5m/s为例进行详细说明。

海面风速值为5m/s时，则选择风速区间4～6m/s，所对应的特征概率模型为P_f2t，各目标类型的联合特征统计概率分别为：

生物油膜联合概率统计：

溢油联合概率统计：

净海杂波联合概率统计：

则最终的目标类型为：t^*＝argmax(S_t)。

经过计算，当t＝2时，S_t＝2最大，也即确定该区域为溢油目标区域。

以上详细描述了本发明的优选实施方式，但是，本发明并不限于上述实施方式中的具体细节，在本发明的技术构思范围内，可以对本发明的技术方案进行多种等同变换，这些等同变换均属于本发明的保护范围。

Claims (7)

1.一种基于相参雷达慢扫增强的自适应溢油信息提取方法，其特征在于：包括如下步骤：

步骤1，增强雷达溢油回波图像：采用FFT相干积累技术对雷达溢油回波图像进行增强；

步骤2，补全雷达溢油回波图像中的缺失像素点：将步骤1中增强后的雷达溢油回波图像，由极坐标形式转化为笛卡尔坐标形式；然后，利用三次样条插值技术，对位于笛卡尔坐标形式下的雷达溢油回波图像中的缺失像素点进行补全；

步骤3，溢油雷达回波图像滤波：对步骤2中补全后的溢油雷达回波图像进行Gamma滤波，降低噪声斑点对溢油目标区域提取的影响；

步骤4，初步提取溢油目标区域：采用阈值分割方法OSTU算法将步骤3滤波后的溢油雷达回波图像进行分割，并初步提取溢油区域；本步骤中，初步提取的溢油区域包括溢油目标区域和疑似溢油样本区域；

步骤5，对步骤4中提取的溢油目标区域和疑似溢油样本区域，分别提取对应目标图像的几何特征和纹理特征；几何特征包括复杂度和形状因子，其中，复杂度的计算公式为：

式中，COM表示复杂度，P为目标图像的周长，S为目标图像的面积；

形状因子的计算公式为：

式中，SPE表示形状因子，W为目标图像的宽度，L为目标图像的长度；

纹理特征包括角二阶矩ASM、对比度CON、倒数差分矩IDF和二阶熵ESO；

对应目标图像的纹理特征提取方法为：将步骤4初步提取的溢油区域分割成m×m个溢油小目标，采用灰度共生矩阵来提取各溢油小目标的纹理特征；灰度共生矩阵用图像位置关系的灰度级之间的联合条件概率密度函数P(i,j,d,θ)来表示，该联合条件概率密度函数表示起始点灰度为i,在给定像素空间距离d及方向θ上出现灰度级为j的概率；

纹理特征提取时，将联合条件概率密度函数P(i,j,d,θ)中的d设定为1，θ设定为0°；然后，对得到的灰度共生矩阵进行角二阶矩ASM、对比度CON、倒数差分矩IDF和二阶熵ESO的提取，其中：

角二阶矩ASM的计算公式为：

对比度CON的计算公式为：

倒数差分矩IDF的计算公式为：

二阶熵ESO的计算公式为：

上述M代表目标图像的灰度级数；

步骤6，结合风速影响因子，建立溢油样本和疑似溢油样本的概率统计模型P_fwt；概率统计模型P_fwt中的f表示样本特征，取值范围为1～6，分别代表[COM,SPE,ASM,CON,IDF,ESO]；概率统计模型P_fwt中的w表示风速区间段，将风速范围分为c个区间段，则w取值为1～c；概率统计模型P_fwt中的t表示样本目标类型，包括溢油和疑似溢油，t取自然数；

步骤7：利用贝叶斯分类方法提取最终的溢油目标区域：分别计算步骤6中各样本目标类型的联合概率，计算出的联合概率最大值所对应的样本目标类型则为溢油目标区域；各样本目标类型的联合概率S_t的计算公式为：

式中，P_fwt为步骤5中计算的概率统计模型。

2.根据权利要求1所述的基于相参雷达慢扫增强的自适应溢油信息提取方法，其特征在于：所述步骤4中，采用阈值分割方法OSTU算法将滤波后的溢油雷达回波图像进行分割的方法为：假定分割阈值为n,将图像的灰度级划分为两类，灰度值小于n像素的点为溢油区，记为A；灰度值大于n像素的点为背景区，记为B，分别计算A和B类的概率，记为w_A和w_B；然后，再分别计算A和B的平均灰度u_A和u_B；最后计算全图的平均灰度为u，则溢油区和背景区的类间方差定义为：

分割阈值n^*则为：

上式表示在雷达图像灰度区间遍历n值，使得溢油区和背景区的类间方差最大。

3.根据权利要求1所述的基于相参雷达慢扫增强的自适应溢油信息提取方法，其特征在于：所述步骤4中，疑似溢油样本区域包括生物油膜区域和静海杂波雷达区域，则步骤6中样本目标类型t取值为1～3，分别对应为生物油膜类型、溢油目标类型和静海杂波雷达。

4.根据权利要求3所述的基于相参雷达慢扫增强的自适应溢油信息提取方法，其特征在于：所述步骤6中，风速范围分为5个区间段，风速区间段w取值为1～5；5个区间段分别为2～4m/s，4～6m/s，6～8m/s，8～10m/s，10～12m/s。

5.根据权利要求4所述的基于相参雷达慢扫增强的自适应溢油信息提取方法，其特征在于：在2～4m/s的风速条件下，溢油目标类型复杂度的概率密度函数为：

式中，x_COM为样本复杂度特征值，u、σ分别为样本集合复杂度的平均值和标准差。

6.根据权利要求1所述的基于相参雷达慢扫增强的自适应溢油信息提取方法，其特征在于：所述步骤2中，将雷达溢油图像从极坐标形式转化为笛卡尔坐标形式的转化公式为：

式中，x、y为笛卡尔坐标形式中的横坐标和纵坐标，r、θ为极坐标形式中的半径和极角。

7.根据权利要求1所述的基于相参雷达慢扫增强的自适应溢油信息提取方法，其特征在于：所述步骤3中，对补全后的溢油雷达回波图像进行Gamma滤波时，滤波窗口大小选择为5*5～12*12mm。