CN113516657B - 一种基于自适应权重的全极化sar影像海面溢油检测方法 - Google Patents
一种基于自适应权重的全极化sar影像海面溢油检测方法 Download PDFInfo
- Publication number
- CN113516657B CN113516657B CN202111071270.8A CN202111071270A CN113516657B CN 113516657 B CN113516657 B CN 113516657B CN 202111071270 A CN202111071270 A CN 202111071270A CN 113516657 B CN113516657 B CN 113516657B
- Authority
- CN
- China
- Prior art keywords
- polarization
- pixel
- oil
- oil spilling
- characteristic
- 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.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
-
- 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
-
- 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
- G06T2207/20081—Training; Learning
-
- 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
- G06T2207/20084—Artificial neural networks [ANN]
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Quality & Reliability (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Radar Systems Or Details Thereof (AREA)
Abstract
本发明涉及遥感目标识别技术领域,提供了一种基于自适应权重的全极化SAR影像海面溢油检测方法,包括以下步骤:提取全极化SAR溢油影像中溢油区域和非溢油区域的多个极化特征,计算溢油区域各极化特征熵及其特征权重,生成溢油像素判别公式,利用判别公式对待检测像素点逐一判定为溢油像素或待确定像素,溢油区域和非溢油区域的极化特征导入U‑Net模型中,对模型进行训练,将不确定像素点的极化特征导入训练好的模型中,对其类别进行判定。本发明对极化特征进行了充分利用,并逐像素对全极化SAR影像海面溢油进行检测,能够进一步提高全极化SAR海面溢油检测的准确率,具有科学合理、易于实现、精度高等优点。
Description
技术领域
本发明涉及遥感目标识别技术领域,特别涉及全极化SAR影像目标检测的应用,具体涉及一种基于自适应权重的全极化SAR影像海面溢油检测方法。
背景技术
海洋拥有丰富的石油资源,且海上钻井平台诸多。随着经济快速发展,海洋运输繁忙,船只撞击、输油船泄漏、海洋输油管道破裂、油田井喷和钻井平台爆炸等海洋溢油事故的发生,导致大量油污进入海洋,不仅对海洋、自然环境和生态系统资源造成严重的破坏,还造成海洋生物大量死亡,严重破坏了海洋生态环境。
合成孔径雷达(SAR)技术由于不受云雾遮盖和光照限制,具有全天时、全天候等特点,此外,全极化SAR具有更为丰富的极化信息,可更好地反应海面目标的特征差异,已被证明是一种有效的海洋溢油检测手段。
以往研究通过相关实验证明,不同的SAR极化特征可以辅助海面溢油检测,例如极化度、极化总功率、同极化功率比等极化特征、结合水平集或主动轮廓等方法在图像级提取溢油区域。但并未涉及像素级的溢油检测及对不同极化特征重要性的利用,全极化SAR海面溢油检测精度不够高。
发明内容
基于上述背景技术,本发明的目的是提供一种基于自适应权重的全极化SAR影像海面溢油检测方法,该方法能够对极化特征进行充分利用,并逐像素对全极化SAR影像海面溢油进行检测,能够进一步提高全极化SAR海面溢油检测的准确率。
为实现以上目的,本发明采用以下的技术方案:
一种基于自适应权重的全极化SAR影像海面溢油检测方法,包括以下步骤:
(1)特征提取,在含有溢油区域的全极化SAR影像中选取大小为M×N溢油区域Io,提取n个极化特征,得到n个M×N的特征矩阵Ci,同时选取大小为M×N非溢油区域Iv,提取n个特征,得到n个M×N的特征矩阵Di,i=1,2,3…n;
其中,i表示极化特征的序号;
进一步地,步骤(1)中,n为9,9个特征分别为:极化总功率、几何强度、同极化功率比、同极化相关系数、同极化交叉积的实部、一致性参数、极化特征P、布拉格散射占比和极化度。
进一步地,利用极化协方差矩阵提取极化总功率、同极化功率比、同极化相关系数、同极化交叉积的实部和一致性参数特征;利用极化相关矩阵提取几何强度、极化特征P、布拉格散射占比和极化度特征。
(2)归一化处理,根据步骤(1)对特征矩阵Ci进行归一化处理得到特征矩阵ci,计算公式为:
其中,(s,t)表示溢油区域中任意像素点,s=1,2,3…M,t=1,2,3…N,Ci(s,t)为溢油影像(s,t)在第i个特征的值,ci(s,t)为归一化处理后溢油影像(s,t)在第i个特征的值,溢油影像第i个特征所有像素点值的集合组成{Ci(s,t)};
(3)计算特征矩阵ci中第i个极化特征的特征熵Ei,计算公式为:
(4)根据步骤(3)得到的特征熵,计算自适应权重的全极化SAR影像溢油区域极化特征熵权重ei,计算公式为:
进一步地,步骤(4)中,常数系数P的取值为大于等于e。
进一步地,步骤(4)中,常数系数P的取值为2.718。
上述技术方案中,通过计算,Qi为大于0且小于1的自然数,故log2 Qi的取值范围为(-∞,0),为方便后续计算,减少计算量,需保证ei中由此,P的取值范围为大于等于自然数e;而为进一步方便计算,例如实际应用中,需要使用手算等情况的应用,由此,常数系数P取e的前四位有效数字2.718以保证且能够适用于使用计算机计算及手工计算等各种情况,计算更加便捷。
(5)生成溢油像素判别公式G,即:
(6)用溢油像素判别公式遍历溢油区域特征矩阵ci,计算G的取值范围g,即g∈[a,b],其中,a为最小值,b为最大值;
(8)将Ci和Di导入语义分割模型U-Net中,对该模型进行训练,将待确定像素点的特征矩阵导入训练好的U-Net模型中以判定其为溢油像素或非溢油像素;
进一步地,根据步骤(7)和(8),将溢油像素点赋值为255,非溢油像素点赋值为0,通过二值图像输出并显示该全极化SAR影像的溢油区域。
进一步地,二值图像输出并显示该全极化SAR影像的溢油区域,溢油像素表现为白色,非溢油像素表现为黑色。
本发明具有的有益效果是:
本申请方法综合考虑不同极化特征的重要性并构建基于自适应权重的全极化SAR影像溢油区域特征熵及其特征权重,生成溢油像素判别公式,将待检测像素点判定为溢油像素或待确定像素;再利用语义分割模型U-Net学习溢油区域和非溢油区域的极化特征,将待确定像素点的特征矩阵导入训练好的U-Net模型中,判定其为溢油像素或非溢油像素。
本申请方法对极化特征进行了充分的利用,并逐像素对全极化SAR影像海面溢油进行检测,能够进一步提高全极化SAR海面溢油检测的准确率。
本申请基于像素级对海面溢油进行检测,具有科学合理、易于实现、精度高等优点。
附图说明
图1为本发明实施的步骤流程示意图;
图2为实验数据真实溢油区域图;
图3为支持向量机的检测结果图;
图4为U-Net的检测结果图;
图5为本发明的检测结果图。
具体实施方式
下面结合附图对本发明进行具体的说明:
结合图1,一种基于自适应权重的全极化SAR影像海面溢油检测方法,其实施包括以下步骤:
(1)特征提取,在含有溢油区域的全极化SAR影像中选取大小为M×N溢油区域Io,提取n个极化特征,得到n个M×N的特征矩阵Ci,同时选取大小为M×N非溢油区域Iv,提取n个特征,得到n个M×N的特征矩阵Di,i=1,2,3…n;
其中,i表示极化特征的序号,n为9,9个特征分别为:极化总功率、几何强度、同极化功率比、同极化相关系数、同极化交叉积的实部、一致性参数、极化特征P、布拉格散射占比、极化度;
1.1)利用极化协方差矩阵提取极化总功率、同极化功率比、同极化相关系数、同极化交叉积的实部、一致性参数五个特征;
1.2)利用极化相关矩阵提取几何强度、极化特征P、布拉格散射占比和极化度四个特征;
(2)归一化处理,根据步骤(1)对特征矩阵Ci进行归一化处理得到特征矩阵ci,计算公式为:
其中,(s,t)表示溢油区域中任意像素点,s=1,2,3…M,t=1,2,3…N,Ci(s,t)为溢油影像(s,t)在第i个特征的值,ci(s,t)为归一化处理后溢油影像(s,t)在第i个特征的值,溢油影像第i个特征所有像素点值的集合组成{Ci(s,t)};
(3)计算特征矩阵ci中第i个极化特征的特征熵Ei,计算公式为:
(4)根据步骤(3)得到的特征熵,计算自适应权重的全极化SAR影像溢油区域极化特征熵权重ei,计算公式为:
(5)生成溢油像素判别公式G,即:
(6)用溢油像素判别公式遍历溢油区域特征矩阵ci,计算G的取值范围g,即g∈[a,b],其中,a为最小值,b为最大值;
(8)将Ci和Di导入语义分割模型U-Net中,对该模型进行训练,将待确定像素的特征矩阵导入训练好的U-Net模型中以判定其为溢油像素或非溢油像素;
(9)根据步骤(7)和(8),将溢油像素点赋值为255,非溢油像素点赋值为0,通过二值图像输出并显示该全极化SAR影像的溢油区域。
本发明的效果可通过以下实验结果与分析进一步说明:
实验采用的数据为2010年5月8日采集的墨西哥湾某溢油区域Radarsat-2影像图像(参见图2,为实验数据真实溢油区域二值图),实验利用本发明方法、支持向量机和U-Net模型分别进行全极化SAR影像海面溢油检测,并对检测结果进行定量评价对比。
本发明按照上述步骤进行,支持向量机和U-Net模型所用到的模型训练数据为Ci和Di,其中U-Net模型的训练参数如表1所示(该参数与本发明中U-Net模型的训练参数一致)表2为不同方法的检测精度。支持向量机的检测结果图参见图3所示;U-Net的检测结果图参见图4所示;利用本发明方法的检测结果图参见图5所示。以上所述方法均在MATLAB2020B上运行。
表1U-Net模型的训练参数
参数 | 数值 |
LearningRate | 0.05 |
MiniBatchSize | 16 |
PatchesPerImage | 160 |
Momentum | 0.9 |
GradientThreshold | 0.05 |
表2不同方法的检测精度
方法 | 检测精度(%) |
支持向量机 | 91.52 |
U-Net | 75.48 |
本发明 | 93.60 |
通过实验可以得到,利用本发明方法的检测精度高于其他两种方法,由此证明本发明方法优于其他两种方法,对全极化SAR影像海面溢油具有较高的检测精度,对海面溢油更加精准检测技术的发展具有重要的意义。
本发明方法综合考虑不同极化特征的重要性并构建基于自适应权重的全极化SAR影像溢油区域特征熵及其特征权重,生成溢油像素判别公式,将待检测像素点判定为溢油像素或待确定像素;再利用语义分割模型U-Net学习溢油区域和非溢油区域的极化特征,将待确定像素点的特征矩阵导入训练好的U-Net模型中,判定其为溢油像素或非溢油像素。对极化特征进行了充分的利用,并逐像素对全极化SAR影像海面溢油进行检测,进一步提高了全极化SAR海面溢油检测的准确率。
当然,上述说明并非是对本发明的限制,本发明也并不仅限于上述举例,本技术领域的技术人员在本发明的实质范围内所做出的变化、改型、添加或替换,也应属于本发明的保护范围。
Claims (6)
1.一种基于自适应权重的全极化SAR影像海面溢油检测方法,其特征在于,包括以下步骤:
(1)特征提取,在含有溢油区域的全极化SAR影像中选取大小为M×N溢油区域Io,提取n个极化特征,得到n个M×N的特征矩阵Ci,同时选取大小为M×N非溢油区域Iv,提取n个特征,得到n个M×N的特征矩阵Di,i=1,2,3…n;
其中,i表示极化特征的序号;
(2)归一化处理,根据步骤(1)对特征矩阵Ci进行归一化处理得到特征矩阵ci,计算公式为:
其中,(s,t)表示溢油区域中任意像素点,s=1,2,3…M,t=1,2,3…N,Ci(s,t)为溢油影像(s,t)在第i个特征的值,ci(s,t)为归一化处理后溢油影像(s,t)在第i个特征的值,溢油影像第i个特征所有像素点值的集合组成{Ci(s,t)};
(3)计算特征矩阵ci中第i个极化特征的特征熵Ei,计算公式为:
(4)根据步骤(3)得到的特征熵,计算自适应权重的全极化SAR影像溢油区域极化特征熵权重ei,计算公式为:
(5)生成溢油像素判别公式G,即:
(6)用溢油像素判别公式遍历溢油区域特征矩阵ci,计算G的取值范围g,即g∈[a,b],其中,a为最小值,b为最大值;
(8)将Ci和Di导入语义分割模型U-Net中,对该模型进行训练,将待确定像素点的特征矩阵导入训练好的U-Net模型中以判定其为溢油像素或非溢油像素;
2.根据权利要求1所述的一种基于自适应权重的全极化SAR影像海面溢油检测方法,其特征在于,步骤(1)中,n为9,9个特征分别为:极化总功率、几何强度、同极化功率比、同极化相关系数、同极化交叉积的实部、一致性参数、极化特征P、布拉格散射占比和极化度。
3.根据权利要求2所述的一种基于自适应权重的全极化SAR影像海面溢油检测方法,其特征在于,利用极化协方差矩阵提取极化总功率、同极化功率比、同极化相关系数、同极化交叉积的实部和一致性参数特征;利用极化相关矩阵提取几何强度、极化特征P、布拉格散射占比和极化度特征。
4.根据权利要求1所述的一种基于自适应权重的全极化SAR影像海面溢油检测方法,其特征在于,步骤(4)中,常数系数P的取值为2.718。
5.根据权利要求1所述的一种基于自适应权重的全极化SAR影像海面溢油检测方法,其特征在于,根据步骤(7)和(8),将溢油像素赋值为255,非溢油像素赋值为0,通过二值图像输出并显示该全极化SAR影像的溢油区域。
6.根据权利要求5所述的一种基于自适应权重的全极化SAR影像海面溢油检测方法,其特征在于,二值图像输出并显示该全极化SAR影像的溢油区域,溢油像素表现为白色,非溢油像素表现为黑色。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111071270.8A CN113516657B (zh) | 2021-09-14 | 2021-09-14 | 一种基于自适应权重的全极化sar影像海面溢油检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111071270.8A CN113516657B (zh) | 2021-09-14 | 2021-09-14 | 一种基于自适应权重的全极化sar影像海面溢油检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113516657A CN113516657A (zh) | 2021-10-19 |
CN113516657B true CN113516657B (zh) | 2021-12-10 |
Family
ID=78063083
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111071270.8A Active CN113516657B (zh) | 2021-09-14 | 2021-09-14 | 一种基于自适应权重的全极化sar影像海面溢油检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113516657B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114882371B (zh) * | 2022-07-08 | 2022-10-18 | 中国石油大学(华东) | 一种基于全极化sar图像的海面溢油检测模型构建方法 |
CN117095308B (zh) * | 2023-10-19 | 2024-01-05 | 中国石油大学(华东) | 一种基于遗传算法的全极化sar影像海面溢油检测方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102608604A (zh) * | 2012-03-14 | 2012-07-25 | 清华大学 | 基于共极化特征功率图的海面溢油检测方法 |
CN104574427A (zh) * | 2015-02-04 | 2015-04-29 | 中国石油大学(华东) | 一种海面溢油图像分割方法 |
CN109490886A (zh) * | 2018-11-28 | 2019-03-19 | 北京工业大学 | 一种极化合成孔径雷达遥感海面溢油区域精确提取方法 |
Family Cites Families (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8533270B2 (en) * | 2003-06-23 | 2013-09-10 | Microsoft Corporation | Advanced spam detection techniques |
CN102096070B (zh) * | 2010-11-16 | 2013-04-03 | 苏州科技学院 | 一种全极化合成孔径雷达海面溢油检测方法 |
CN105866775B (zh) * | 2016-03-28 | 2018-01-02 | 南京信息工程大学 | 一种基于全极化合成孔径雷达图像的海面溢油检测方法 |
CN108509835B (zh) * | 2018-01-25 | 2020-04-07 | 西安电子科技大学 | 基于DFIC超像素的PolSAR图像地物分类方法 |
CN109886971A (zh) * | 2019-01-24 | 2019-06-14 | 西安交通大学 | 一种基于卷积神经网络的图像分割方法及系统 |
CN110516728B (zh) * | 2019-08-20 | 2022-12-06 | 西安电子科技大学 | 基于去噪卷积神经网络的极化sar地物分类方法 |
CN111814693A (zh) * | 2020-07-10 | 2020-10-23 | 江南大学 | 一种基于深度学习的海上船舶识别方法 |
CN113052216B (zh) * | 2021-03-15 | 2022-04-22 | 中国石油大学(华东) | 基于双路图u-net卷积网络的溢油高光谱图像检测方法 |
CN113221818B (zh) * | 2021-05-27 | 2024-03-29 | 大连海事大学 | 一种海面溢油特征智能检测方法及系统 |
CN113361373A (zh) * | 2021-06-02 | 2021-09-07 | 武汉理工大学 | 一种农业场景下的航拍图像实时语义分割方法 |
-
2021
- 2021-09-14 CN CN202111071270.8A patent/CN113516657B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102608604A (zh) * | 2012-03-14 | 2012-07-25 | 清华大学 | 基于共极化特征功率图的海面溢油检测方法 |
CN104574427A (zh) * | 2015-02-04 | 2015-04-29 | 中国石油大学(华东) | 一种海面溢油图像分割方法 |
CN109490886A (zh) * | 2018-11-28 | 2019-03-19 | 北京工业大学 | 一种极化合成孔径雷达遥感海面溢油区域精确提取方法 |
Also Published As
Publication number | Publication date |
---|---|
CN113516657A (zh) | 2021-10-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
WO2021243743A1 (zh) | 基于深度卷积神经网络的沉底油声呐探测图像识别方法 | |
CN113516657B (zh) | 一种基于自适应权重的全极化sar影像海面溢油检测方法 | |
Li et al. | SAR ship detection based on resnet and transfer learning | |
CN103236063B (zh) | 基于多尺度谱聚类及决策级融合的sar图像溢油检测方法 | |
CN110060248B (zh) | 基于深度学习的声呐图像水下管道检测方法 | |
CN107506729B (zh) | 一种基于深度学习的能见度检测方法 | |
CN114882371B (zh) | 一种基于全极化sar图像的海面溢油检测模型构建方法 | |
CN110647802A (zh) | 基于深度学习的遥感影像舰船目标检测方法 | |
He et al. | Ship detection without sea-land segmentation for large-scale high-resolution optical satellite images | |
CN101770583A (zh) | 一种基于场景全局特征的模板匹配方法 | |
Yang et al. | Evaluation and mitigation of rain effect on wave direction and period estimation from X-band marine radar images | |
Zhu et al. | DNN-based seabed classification using differently weighted MBES multifeatures | |
CN114821358A (zh) | 光学遥感图像海上舰船目标提取与识别方法 | |
Shi et al. | Obstacles modeling method in cluttered environments using satellite images and its application to path planning for USV | |
CN112084860A (zh) | 目标对象检测、火力发电厂检测方法和装置 | |
Xue et al. | Rethinking automatic ship wake detection: state-of-the-art CNN-based wake detection via optical images | |
CN116168240A (zh) | 基于注意力增强的任意方向密集舰船目标检测方法 | |
Li et al. | Detection and monitoring of oil spills using moderate/high-resolution remote sensing images | |
Du et al. | Semisupervised SAR ship detection network via scene characteristic learning | |
Wei et al. | Texture feature analysis in oil spill monitoring by SAR image | |
Haigang et al. | A novel ship detection method for large-scale optical satellite images based on visual LBP feature and visual attention model | |
Zhou et al. | Oil spills identification in SAR image using mRMR and SVM model | |
CN111951242B (zh) | 基于多波束测深声纳的气体泄露检测方法 | |
CN114663743A (zh) | 一种船舶目标重识别方法、终端设备及存储介质 | |
Yu et al. | A lightweight ship detection method in optical remote sensing image under cloud interference |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
CB03 | Change of inventor or designer information |
Inventor after: Wang Dawei Inventor after: Wan Jianhua Inventor after: Liu Shanwei Inventor after: Ren Peng Inventor after: Chen Yanlong Inventor before: Wang Dawei Inventor before: Wan Jianhua Inventor before: Liu Shanwei Inventor before: Ren Peng Inventor before: Chen Yanlong |
|
CB03 | Change of inventor or designer information |