CN113869287A - 一种低风速海面溢油检测方法 - Google Patents
一种低风速海面溢油检测方法 Download PDFInfo
- Publication number
- CN113869287A CN113869287A CN202111450986.9A CN202111450986A CN113869287A CN 113869287 A CN113869287 A CN 113869287A CN 202111450986 A CN202111450986 A CN 202111450986A CN 113869287 A CN113869287 A CN 113869287A
- Authority
- CN
- China
- Prior art keywords
- pixel
- polarization
- wind speed
- oil spill
- sea surface
- 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.)
- Granted
Links
Images
Landscapes
- Radar Systems Or Details Thereof (AREA)
Abstract
本发明公开了一种低风速海面溢油检测方法,定义新极化比特征识别低风速海面溢油的技术,基于新极化比特征确定阈值T对目标海域海面新极化比特征进行阈值分割,当海面像元新极化比特征大于等于阈值T,判定为溢油,否则判定为海水。其中T略大于低风速海水暗区“似然物”的新极化比特征值,能够有效避免低风速对溢油识别的干扰。本发明为污染物监测技术提供一种物理识别方法,该方法是鉴于溢油和海水的介电常数差异性,以及海水和溢油散射机制不同,针对现有算法普遍存在的溢油区与低风速海水暗区“似然物”识别困难的问题,利用新极化比特征识别溢油和海水,该方法能避免低风速海水暗区“似然物”对溢油识别的干扰,成功识别96%以上的溢油。
Description
技术领域
本发明属于海洋技术领域,具体涉及一种低风速海面溢油检测方法。
背景技术
海上石油的勘探、开采、加工、运输、储存等过程中时有意外发生,造成溢油事故,产生重大环境问题。因此,对于海面溢油的遥感监测成为研究热点,其中利用合成孔径雷达(SAR)卫星进行溢油监测是一种全天候高分辨监测的有效手段。尽管学者们在海面溢油算法领域取得了很大的进展,现有的算法仍具有一定的局限性。似然物(look-alike)在SAR影像上表现为暗斑,对溢油的识别工作有很大的干扰,其中低风速海水暗区出现频率高、面积较大,现有算法大都无法有效识别海面低风速低NRCS区域和海面溢油,尤其当风速在3m/s以下时,溢油的准确识别工作难以完成。为此,我们基于溢油和海水的电磁散射机制差异,提出一种利用新极化比特征识别低风速海面溢油的方法。
发明内容
本发明的目的在于克服现有技术的不足,基于四极化SAR图像获取低风速区,并提供一种新极化特征进行海面溢油识别的方法,该方法可以有效避免低风速海水暗区“似然物”对溢油识别的干扰。
本发明采取的技术方案为:
一种低风速海面溢油检测方法,基于目标海域海面的四极化SAR图像,执行以下步骤,避免低风速海水暗区干扰海面溢油像元的识别,进而判定目标海域海面各个像元的油水情况:
步骤S3,分别针对各个像元对应的优化VV极化后向散射系数和优化HH极化后向散射系数,得到各个像元分别对应的极化比值;
步骤S4,分别针对各个像元对应的极化比值,进行均值滤波,更新各个像元分别对应的极化比值;
步骤S5,分别针对各个像元对应的极化比值,结合目标海域海面各个像元中对应的最小极化比值,得到各个像元分别对应的新极化比特征值;
步骤S6,针对各个像元分别对应的新极化比特征值,与预设阈值进行比较,若像元对应的新极化比特征值大于等于预设阈值,则判定该像元为溢油像元;若像元对应的新极化比特征值小于预设阈值,则判定该像元为海水像元。
作为本发明的一种优选技术方案,所述步骤S1中,针对目标海域海面的四极化SAR图像,进行辐射定标、几何校正、多视处理,采用Lee滤波方法,去除目标海域海面四极化SAR图像的噪声,得到目标海域海面预处理后的四极化SAR图像。
作为本发明的一种优选技术方案,所述步骤S3中,各个像元分别对应的极化比值PR_dB为:
作为本发明的一种优选技术方案,所述步骤S5中,各个像元分别对应的新极化比特征值PR r 为:
其中,PR_dB min 为目标海域海面的各个像元中对应的最小极化比值。
作为本发明的一种优选技术方案,针对目标海域判定各个像元的油水情况前,执行以下步骤,得到判断海面像元油水情况的阈值:
首先,基于预先所选各类型特征的海域样本,分别针对各海域样本的四极化SAR图像,结合交叉极化模型与CMOD5.N地球物理模式函数,进行SAR风场反演,其中,风速在3m/s以上的像元为非低风速像元,风速在3m/s以下的像元为低风速像元;
然后,针对全部海域样本的各个像元风速情况的判断,基于低风速海水暗区像元、非低风速海水像元、溢油像元分别执行步骤S1至S5得到对应的新极化比特征值PR r ,进行数值统计分析,进而选择大于低风速暗区的PR r 值作为判断海面像元油水情况的阈值。
作为本发明的一种优选技术方案,所述预设阈值T=1.1225。
本发明的有益效果是:本发明提出的一种低风速海面溢油检测方法,为提高油水反差,先对四极化SAR归一化雷达散射截面(NRCS)取对数进行分贝化,在此基础上得到分贝化后的极化比,再基于分贝化后的极化比进行下一步运算,用影像中各个像元的极化比分别和同一幅影像的最小极化比进行比值运算,定义为新极化比特征。按照SAR风场反演结果筛选出低风速区,对海水样本(包括低风速海水暗区“似然物”)和溢油样本分别进行PR r 数值统计,取得T=1.1225,以T为阈值对PR r 进行阈值分割,当SAR图像的PR r 大于等于阈值T,判定为溢油,否则判定为海水。其中T略大于低风速海水暗区“似然物”的PR r 值,能够有效避免低风速区对溢油识别的干扰。本发明计算方法为污染物监测技术提供一种物理识别方法。该方法是鉴于溢油和海水的介电常数差异性,以及海水和溢油散射机制不同,针对现有算法普遍存在的溢油区域与低风速海水暗区“似然物”识别困难的问题,利用新极化比特征识别溢油和海水的方法,该方法能避免低风速海水暗区“似然物”对溢油识别的干扰,以目视解译作为参照,对不同阈值的溢油识别结果进行精度分析,本方法得到的溢油识别结果能达到最高精度,成功识别96%以上的溢油。
附图说明
图1为SAR的低风速海面溢油识别流程图;
图2b为SAR图像低风速海面溢油识别案例中基于PR r 的识别结果;
图2c为SAR图像低风速海面溢油识别案例中案例的风场反演结果;
图3b为SAR图像低风速海水面识别案例中基于PR r 的识别结果;
图3c为SAR图像低风速海水面识别案例中案例的风场反演结果。
具体实施方式
下面结合附图和具体实施例,进一步阐明本发明,应理解这些实例仅用于说明本发明而不用于限制本发明的范围,在阅读了本发明之后,本领域技术人员对本发明的各种等价形式的修改均落于本申请所附权利要求所限定的范围。
本发明基于四极化(垂直发射垂直接收极化:VV;水平发射水平接收极化:HH;水平发射垂直接收极化:HV;垂直发射水平接收极化VH)SAR图像获取低风速区并提供一种新极化特征进行海面溢油识别的方法,低风速海水暗区作为溢油似然物对溢油识别有很大干扰,该方法可以有效避免低风速海水暗区“似然物”对溢油识别的干扰。
利用四极化SAR归一化雷达散射截面(NRCS),进行SAR风场反演并获取低风速区;计算出分贝化后的SAR图像极化比(分贝化后的垂直极化NRCS与水平极化NRCS之间的比值,表示为PR_dB);基于PR_dB定义新极化比特征(影像像元的PR_dB和此幅影像的PR_dB最小值之间的比值);以新极化比特征PR r 为判据,以略大于低风速海水暗区“似然物”的PR r 值为阈值,当SAR图像的PR r 小于所选阈值时,判定为海水,否则判定为溢油。具体包括以下步骤,如图1所示。
一种低风速海面溢油检测方法,基于目标海域海面的四极化SAR图像,执行以下步骤,避免低风速暗区“似然物”干扰海面溢油像元的识别,判定目标海域海面各个像元是否为溢油像元:
VV极化和HH极化通道比交叉极化通道更能体现溢油的信息,
步骤S1,针对目标海域海面的四极化SAR图像,进行辐射定标、几何校正、多视处
理,采用Lee滤波方法,去除目标海域海面四极化SAR图像的噪声,得到目标海域海面预处理
后的四极化SAR图像。针对目标海域海面的各个像元,基于目标海域海面预处理后的四极化
SAR图像,得到各个像元分别对应的VV极化后向散射系数和HH极化后向散射系数。
步骤S2,为了提高油水的反差,分别针对各个像元对应的VV极化后向散射系数
和HH极化后向散射系数,取对数进行分贝化,得到各个像元分别对应的优化VV极化后
向散射系数和优化HH极化后向散射系数,分别为。
步骤S3,分别针对各个像元对应的优化VV极化后向散射系数和优化HH极化后向散射系数,得到各个像元分别对应的极化比值,为
步骤S4,分别针对各个像元对应的极化比值,进行均值滤波,抑制噪声,更新各个像元分别对应的极化比值。
步骤S5,为了进一步提高油水反差,分别针对各个像元对应的极化比值,结合目标海域海面各个像元中对应的最小极化比值,得到各个像元分别对应的新极化比特征值,为:
其中,PR_dB min 为目标海域海面的各个像元中对应的最小极化比值。
步骤S6,针对各个像元分别对应的新极化比特征值,与预设阈值进行比较,若像元对应的新极化比特征值大于等于预设阈值,则判定该像元为溢油像元;若像元对应的新极化比特征值小于预设阈值,则判定该像元为海水像元。
针对目标海域判定各个像元的油水情况前,执行以下步骤,得到判断海面像元油水情况的阈值:
首先,基于预先所选各类型特征的海域样本,分别针对各海域样本的四极化SAR图像,结合交叉极化模型与CMOD5.N地球物理模式函数(GMF),进行SAR风场反演,其中,风速在3m/s以上的像元为非低风速像元,风速在3m/s以下的像元为低风速像元;
然后,针对全部海域样本的各个像元风速情况的判断,基于低风速海水暗区像元、非低风速海水像元、溢油像元分别执行步骤S1至S5得到对应的新极化比特征值PR r ,进行数值统计分析,进而选择大于低风速暗区的PR r 值作为判断海面像元油水情况的阈值。基于海水样本像元(其中包括17万余个像元为低风速海水暗区“似然物”)和13万余个溢油样本像元分别对应的新极化比特征值PR r 进行数值统计分析,非低风速海水像元PR r 值最小,溢油像元的PR r 值更大,低风速暗区“似然物”像元的PR r 值介于前两类之间,进而选择略大于低风速暗区“似然物”的值作为预设阈值。
或者,所述判断海面像元油水情况的阈值T=1.1225。T是一个有代表性的值,在其他的案例中是可以通用的,并不是仅仅针对已知是油是水(包括低风速区)的情况,对已经分好类的个例适用,解决了区分低风速海水暗区“似然物”和溢油的情况。
目前VV和HH的后向散射系数相比作为实测极化比这一方法在溢油识别中还没有取得好的效果。在本设计中使用的方法是对相关原理的创新,把分贝化的实测极化比作为了识别方法的辅助手段和中间步骤,鉴于溢油和海水的介电常数差异性,以及海水和溢油散射机制不同,针对现有算法普遍存在的溢油区域与低风速海水暗区“似然物”识别困难的问题,利用新极化比特征识别溢油和海水的方法。
利用本方法,案例计算结果如图2a至2c和图3a至3c所示。
其中图2a至2c为溢油案例:图2a为分贝化后的;图2b为案例基于PR r 的识别结果,值为1(白色区域)表示溢油,值为0(黑色区域)表示海水;图2c为案例的风
场反演结果,作为案例分析辅助数据,其中风速在3m/s以上的部分为nan。
其中图3a至3c为没有溢油的低风速海面案例:图3a为分贝化后的
;图3b为案例基于PR r 的识别结果,值为1(白色区域)表示溢油,值为0(黑色区域)表示海水,
如图3b所示,使用本方法不会将低风速海水暗区误判为溢油;图3c为案例的风场反演结果,
作为案例分析辅助数据,其中风速在3m/s以上的部分为nan。因此,可得NRCS的识别结果中
有一定的低风速区误判为溢油,而PR r 的识别结果更准确。
本发明设计的一种低风速海面溢油检测方法,为提高油水反差,先对四极化SAR归一化雷达散射截面(NRCS)取对数进行分贝化,在此基础上得到分贝化后的极化比,再基于分贝化后的极化比进行下一步运算,用影像中各个像元的极化比分别和同一幅影像的最小极化比进行比值运算,定义为新极化比特征。按照SAR风场反演结果筛选出低风速区,对海水样本(包括低风速海水暗区“似然物”)和溢油样本分别进行PR r 数值统计,取得T=1.1225,以T为阈值对PR r 进行阈值分割,当SAR图像中各个像元的PR r 大于等于阈值T,判定为溢油,否则判定为海水。其中T略大于低风速海水暗区“似然物”的PR r 值,能够有效避免低风速区对溢油识别的干扰。本发明计算方法为污染物监测技术提供一种物理识别方法。该方法是鉴于溢油和海水的介电常数差异性,以及海水和溢油散射机制不同,针对现有算法普遍存在的溢油区域与低风速海水暗区“似然物”识别困难的问题,利用新极化比特征识别溢油和海水的方法,该方法能避免低风速海水暗区“似然物”对溢油识别的干扰,以目视解译作为参照,对不同阈值的溢油识别结果进行精度分析,本方法得到的溢油识别结果能达到最高精度,成功识别96%以上的溢油。
以上结合附图对本发明的实施方式做出详细说明,但本发明不局限于所描述的实施方式。对本领域的普通技术人员而言,在本发明的原理和技术思想的范围内,对这些实施方式进行多种变化、修改、替换和变形仍落入本发明的保护范围内。
Claims (7)
1.一种低风速海面溢油检测方法,其特征在于:基于目标海域海面的四极化SAR图像,执行以下步骤,避免低风速海水暗区干扰海面溢油像元的识别,进而判定目标海域海面各个像元的油水情况:
步骤S3,分别针对各个像元对应的优化VV极化后向散射系数和优化HH极化后向散射系数,得到各个像元分别对应的极化比值;
步骤S4,分别针对各个像元对应的极化比值,进行均值滤波,更新各个像元分别对应的极化比值;
步骤S5,分别针对各个像元对应的极化比值,结合目标海域海面各个像元中对应的最小极化比值,得到各个像元分别对应的新极化比特征值;
步骤S6,针对各个像元分别对应的新极化比特征值,与预设阈值进行比较,若像元对应的新极化比特征值大于等于预设阈值,则判定该像元为溢油像元;若像元对应的新极化比特征值小于预设阈值,则判定该像元为海水像元。
2.根据权利要求1所述的一种低风速海面溢油检测方法,其特征在于:所述步骤S1中,针对目标海域海面的四极化SAR图像,进行辐射定标、几何校正、多视处理,采用Lee滤波方法,去除目标海域海面四极化SAR图像的噪声,得到目标海域海面预处理后的四极化SAR图像。
6.根据权利要求1所述的一种低风速海面溢油检测方法,其特征在于:针对目标海域判定各个像元的油水情况前,执行以下步骤,得到判断海面像元油水情况的阈值:
首先,基于预先所选各类型特征的海域样本,分别针对各海域样本的四极化SAR图像,结合交叉极化模型与CMOD5.N地球物理模式函数,进行SAR风场反演,其中,风速在3m/s以上的像元为非低风速像元,风速在3m/s以下的像元为低风速像元;
然后,针对全部海域样本的各个像元风速情况的判断,基于低风速海水暗区像元、非低风速海水像元、溢油像元分别执行步骤S1至S5得到对应的新极化比特征值PR r ,进行数值统计分析,进而选择大于低风速暗区的PR r 值作为判断海面像元油水情况的阈值。
7.根据权利要求1所述的一种低风速海面溢油检测方法,其特征在于:所述预设阈值T=1.1225。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111450986.9A CN113869287B (zh) | 2021-12-01 | 2021-12-01 | 一种低风速海面溢油检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111450986.9A CN113869287B (zh) | 2021-12-01 | 2021-12-01 | 一种低风速海面溢油检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113869287A true CN113869287A (zh) | 2021-12-31 |
CN113869287B CN113869287B (zh) | 2022-03-11 |
Family
ID=78985400
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111450986.9A Active CN113869287B (zh) | 2021-12-01 | 2021-12-01 | 一种低风速海面溢油检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113869287B (zh) |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20140050355A1 (en) * | 2012-08-20 | 2014-02-20 | Behavioral Recognition Systems, Inc. | Method and system for detecting sea-surface oil |
CN111257875A (zh) * | 2020-01-19 | 2020-06-09 | 浙江海洋大学 | 一种基于sar的海面溢油监测方法及装置 |
-
2021
- 2021-12-01 CN CN202111450986.9A patent/CN113869287B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20140050355A1 (en) * | 2012-08-20 | 2014-02-20 | Behavioral Recognition Systems, Inc. | Method and system for detecting sea-surface oil |
CN111257875A (zh) * | 2020-01-19 | 2020-06-09 | 浙江海洋大学 | 一种基于sar的海面溢油监测方法及装置 |
Non-Patent Citations (1)
Title |
---|
陈韩等: "基于SAR极化比和纹理特征的海面溢油识别方法", 《海洋学报》 * |
Also Published As
Publication number | Publication date |
---|---|
CN113869287B (zh) | 2022-03-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Leng et al. | A bilateral CFAR algorithm for ship detection in SAR images | |
Wesche et al. | Iceberg signatures and detection in SAR images in two test regions of the Weddell Sea, Antarctica | |
KR20190133442A (ko) | 인공위성 sar 영상기반 인공신경망을 이용한 오일 유출 탐지 방법 | |
CN109633633B (zh) | 一种基于分段分类增强处理的生命信号增强方法 | |
US20090110320A1 (en) | Methods and Systems for Glyph-Pixel Selection | |
CN110889843B (zh) | 基于最大稳定极值区域的sar图像舰船目标检测方法 | |
CN109284709B (zh) | 一种基于耀光反射差异的海面溢油光学遥感检测方法 | |
CN115063430B (zh) | 基于图像处理的电气管道裂纹检测方法 | |
Stankov et al. | Building detection in very high spatial resolution multispectral images using the hit-or-miss transform | |
CN116309599B (zh) | 基于污水前置处理的水质视觉监测方法 | |
CN114782329A (zh) | 一种基于图像处理的轴承缺陷损伤程度评估方法及系统 | |
CN106646469A (zh) | 基于变异系数法的sar船只检测优化方法 | |
CN106803078B (zh) | 一种sar图像舰船目标分割方法 | |
CN116152115B (zh) | 基于计算机视觉的垃圾图像去噪处理方法 | |
CN111738256A (zh) | 基于改进分水岭算法的复合材料ct图像分割方法 | |
CN115909256B (zh) | 基于道路视觉图像的道路病害检测方法 | |
CN115601368A (zh) | 一种建材装备钣金件缺陷检测方法 | |
CN113869287B (zh) | 一种低风速海面溢油检测方法 | |
CN111860534A (zh) | 一种基于图像显著性分析的sar图像溢油检测方法 | |
US8223395B2 (en) | Methods and systems for refining text color in a digital image | |
Akbari et al. | Iceberg detection in open water and sea ice using C-band radar polarimetry | |
CN115546199B (zh) | 利用自注意力分析sar图像获取海上溢油区域的方法 | |
Wang et al. | An automatic thresholding method for water body detection from SAR image | |
CN106778774B (zh) | 一种高分辨率遥感影像人工地物轮廓检测方法 | |
CN109886133B (zh) | 一种基于光学遥感图像的船只检测方法及系统 |
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 |