CN114882371A - 一种基于全极化sar图像的海面溢油检测模型构建方法 - Google Patents

一种基于全极化sar图像的海面溢油检测模型构建方法 Download PDF

Info

Publication number
CN114882371A
CN114882371A CN202210796854.XA CN202210796854A CN114882371A CN 114882371 A CN114882371 A CN 114882371A CN 202210796854 A CN202210796854 A CN 202210796854A CN 114882371 A CN114882371 A CN 114882371A
Authority
CN
China
Prior art keywords
pixel
oil
sar image
spilling
matrix
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
Application number
CN202210796854.XA
Other languages
English (en)
Other versions
CN114882371B (zh
Inventor
王大伟
万剑华
刘善伟
许明明
崔建勇
郑红霞
曾喆
任鹏
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.)
China University of Petroleum East China
Original Assignee
China University of Petroleum East 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 China University of Petroleum East China filed Critical China University of Petroleum East China
Priority to CN202210796854.XA priority Critical patent/CN114882371B/zh
Publication of CN114882371A publication Critical patent/CN114882371A/zh
Application granted granted Critical
Publication of CN114882371B publication Critical patent/CN114882371B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

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
    • 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
    • G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
    • G06V10/774—Generating sets of training patterns; Bootstrap methods, e.g. bagging or boosting

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Multimedia (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Databases & Information Systems (AREA)
  • Computing Systems (AREA)
  • Software Systems (AREA)
  • Data Mining & Analysis (AREA)
  • Health & Medical Sciences (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Radar Systems Or Details Thereof (AREA)

Abstract

本发明涉及遥感目标识别技术领域，提供了一种基于全极化SAR图像的海面溢油检测模型构建方法，包括以下步骤：提取全极化SAR图像的各向异性特征，选取溢油像素和非溢油像素的各向异性特征作为训练样本，组成矩阵A并进行归一化处理得到a(t)，由a(t)计算像素权重E，由a(t)和像素权重E计算像素特征P，将像素特征P作为训练集，0和1作为训练集标签，0代表非溢油像素，1代表溢油像素，导入支持向量机模型，对模型进行训练，得到溢油检测模型。本发明充分利用了全极化SAR图像的各向异性特征，并构建像素特征P，提高了全极化SAR图像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

一种基于全极化SAR图像的海面溢油检测模型构建方法
技术领域
本发明涉及遥感目标识别技术领域，特别是涉及全极化SAR图像目标检测的应用，具体涉及一种基于全极化SAR图像的海面溢油检测模型构建方法。
背景技术
海洋拥有丰富的石油资源，且海上钻井平台诸多。随着世界经济和海洋运输业的快速发展，输油管道破裂、油轮碰撞及钻井平台爆炸引起的海上溢油事故频繁发生。自1970年以来，全球万吨以上的溢油污染事故几乎年年发生，导致海洋生物大量死亡，严重破坏了海洋生态环境。因此对海面溢油进行快速且有效的检测显得尤为重要。
合成孔径雷达（SAR）不受阳光、云层的影响，具有全天时、全天候、大范围、高分辨率的优势而被广泛应用。此外，全极化SAR图像不仅含有后向散射信息，而且还包含特征信息，能够有效地获取海面目标的全极化特征，更好地反应海面目标的特征差异，已被证实是一种有效的海面溢油检测手段。
相关研究表明，全极化SAR图像的特征可以辅助海面溢油检测，例如极化度、极化总功率和各向异性等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特征的充分利用，导致海面溢油检测精度较低。
发明内容
基于上述背景技术，本发明提供一种基于全极化SAR图像的海面溢油检测模型构建方法，该方法充分利用了全极化SAR图像的各向异性特征，并构建像素特征P，能够提高全极化SAR图像海面溢油检测精度。
为实现以上目的，本发明采用以下的技术方案：
一种基于全极化SAR图像的海面溢油检测模型构建方法，包括以下步骤：
（1）提取全极化SAR图像的各向异性特征；
进一步地，利用相干矩阵T3提取各向异性特征；
（2）从步骤（1）的各向异性特征中选取m个溢油像素和非溢油像素作为训练样本，组成矩阵A；
其中，溢油像素的数量为
Figure 868172DEST_PATH_IMAGE001
，
Figure 65935DEST_PATH_IMAGE002
且为偶数，A为m×1的矩阵，A(t)为训练样本中第t个像素的各向异性特征，t = 1，2，3，…，m；
（3）对A(t)进行归一化处理得到a(t)，计算公式为：
Figure 3804DEST_PATH_IMAGE003
其中，
Figure 970623DEST_PATH_IMAGE004
表示
Figure 476691DEST_PATH_IMAGE005
-范数，max
Figure 286384DEST_PATH_IMAGE006
表示矩阵A的最大值，min
Figure 637731DEST_PATH_IMAGE006
表示矩阵A的最小值；
（4）计算像素权重E，计算公式为：
Figure 583690DEST_PATH_IMAGE007
其中，k为常数系数，定义为：
Figure 260659DEST_PATH_IMAGE008
；
（5）计算像素特征P，计算公式为：
Figure 433015DEST_PATH_IMAGE009
Figure 588053DEST_PATH_IMAGE010
其中，
Figure 919677DEST_PATH_IMAGE011
为训练样本中第t个像素的像素特征，
Figure 767547DEST_PATH_IMAGE012
为m个
Figure 427198DEST_PATH_IMAGE011
的集合；
（6）将像素特征P作为训练集，0和1作为训练集标签，0代表非溢油像素，1代表溢油像素，导入支持向量机模型中进行训练，得到溢油检测模型。
本发明具有的有益效果是：
本发明充分利用了全极化SAR图像的各向异性特征，并构建像素特征P，能够提高全极化SAR图像海面溢油检测精度，具有科学合理、易于实现、精度高等优点。
附图说明
图1为本发明一种基于全极化SAR图像的海面溢油检测模型构建方法的步骤流程图；
图2为实验图像真实溢油区域图，其中白色为溢油区域，黑色为非溢油区域；
图3为待检测全极化SAR图像的各向异性特征海面溢油检测结果图；
图4为待检测全极化SAR图像的像素特征P
Figure 651506DEST_PATH_IMAGE013
海面溢油检测结果图。
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1，一种基于全极化SAR图像的海面溢油检测模型构建方法，具体实施步骤如下：
（1）提取全极化SAR图像的各向异性特征；
1.1）利用PolSARpro软件计算全极化SAR图像的相干矩阵T3；
1.2）将相干矩阵T3导入PolSARpro软件计算全极化SAR图像的各向异性特征；
（2）从步骤（1）的各向异性特征中选取m个溢油像素和非溢油像素作为训练样本，组成矩阵A；
其中，溢油像素的数量为
Figure 447424DEST_PATH_IMAGE001
，
Figure 590829DEST_PATH_IMAGE002
且为偶数，A为m×1的矩阵，A(t)为训练样本中第t个像素的各向异性特征，t = 1，2，3，…，m；
（3）对A(t)进行归一化处理得到a(t)，计算公式为：
Figure 737777DEST_PATH_IMAGE003
其中，
Figure 500197DEST_PATH_IMAGE004
表示
Figure 416200DEST_PATH_IMAGE005
-范数，max
Figure 464928DEST_PATH_IMAGE006
表示矩阵A的最大值，min
Figure 99171DEST_PATH_IMAGE006
表示矩阵A的最小值；
（4）计算像素权重E，计算公式为：
Figure 399703DEST_PATH_IMAGE007
其中，k为常数系数，定义为：
Figure 701371DEST_PATH_IMAGE008
；
（5）计算像素特征P，计算公式为：
Figure 796366DEST_PATH_IMAGE009
Figure 776960DEST_PATH_IMAGE010
其中，
Figure 881182DEST_PATH_IMAGE011
为训练样本中第t个像素的像素特征，
Figure 771778DEST_PATH_IMAGE012
为m个
Figure 162308DEST_PATH_IMAGE011
的集合；
（6）将像素特征P作为训练集，0和1作为训练集标签，0代表非溢油像素，1代表溢油像素，导入支持向量机模型中进行训练，得到溢油检测模型。
本发明的效果可通过以下实验结果与分析进一步说明：
实验采用的图像为2010年5月8日采集的墨西哥湾某溢油区域RADARSAT-2全极化SAR图像（参见图2，为实验图像真实溢油区域图，白色为溢油区域，黑色为非溢油区域）。实验利用本发明和各向异性特征进行全极化SAR图像海面溢油检测，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，其中，m=65536。各向异性特征和像素特征P分别作为训练集导入支持向量机模型，模型的核函数为RBF，degree的取值为3，gamma的取值为0.5，对模型进行训练，得到各向异性特征和像素特征P的溢油检测模型。选取该图像中除m个溢油像素和非溢油像素以外的像素组成待检测全极化SAR图像，提取待检测全极化SAR图像的各向异性特征，组成矩阵B并进行归一化处理，计算像素权重E'和像素特征P'，具体实施步骤如下：
（1）提取待检测全极化SAR图像的各向异性特征，组成矩阵B；
其中，B为n×1的矩阵，n为待检检测全极化SAR图像的像素个数，B(b)为待检测全极化SAR图像中第b个像素的各向异性特征，b = 1，2，3，…，n；
（2）对B(b)进行归一化处理得到c(b)，计算公式为：
Figure 771144DEST_PATH_IMAGE014
其中，max{B}表示矩阵B的最大值，min{B}表示矩阵B的最小值；
（3）计算像素权重E'，计算公式为：
Figure 679057DEST_PATH_IMAGE015
其中，k'为常数系数，
Figure 424159DEST_PATH_IMAGE016
；
（4）计算像素特征P'，计算公式为：
Figure 126536DEST_PATH_IMAGE017
Figure 81723DEST_PATH_IMAGE018
其中，
Figure 527747DEST_PATH_IMAGE019
为待检测全极化SAR图像中第b个像素的像素特征，
Figure 127356DEST_PATH_IMAGE020
为n个
Figure 634DEST_PATH_IMAGE019
的集合。
将待检测全极化SAR图像的各向异性特征和像素特征P'分别导入相对应的溢油检测模型中进行检测，判定待检测全极化SAR图像中的像素为溢油像素或非溢油像素，实验结果为各向异性特征的检测准确率是89.57%，像素特征P'的检测准确率是95.36%。溢油像素标记为1，非溢油像素标记为0，通过图像输出并显示该全极化SAR图像的溢油区域，溢油区域表现为白色，非溢油区域表现为黑色。
图3为待检测全极化SAR图像的各向异性特征海面溢油检测结果图，图4为待检测全极化SAR图像的像素特征P'海面溢油检测结果图。以上所述实验均在MATLAB（2020B）平台运行。
通过实验结果可以得到，利用本发明的检测准确率高于各向异性特征的检测准确率，由此证明本发明对全极化SAR图像海面溢油具有较高的检测精度，对海面溢油检测技术的发展具有重要的意义。
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 (1)

1.一种基于全极化SAR图像的海面溢油检测模型构建方法，其特征在于，包括以下步骤：
（1）提取全极化SAR图像的各向异性特征；
（2）从步骤（1）的各向异性特征中选取m个溢油像素和非溢油像素作为训练样本，组成矩阵A；
其中，溢油像素的数量为
Figure 126365DEST_PATH_IMAGE001
，
Figure 128957DEST_PATH_IMAGE002
且为偶数，A为m×1的矩阵，A(t)为训练样本中第t个像素的各向异性特征，t = 1，2，3，…，m；
（3）对A(t)进行归一化处理得到a(t)，计算公式为：
Figure 652342DEST_PATH_IMAGE003
其中，
Figure 347765DEST_PATH_IMAGE004
表示
Figure 714025DEST_PATH_IMAGE005
-范数，max
Figure 254727DEST_PATH_IMAGE006
表示矩阵A的最大值，min
Figure 163778DEST_PATH_IMAGE006
表示矩阵A的最小值；
（4）计算像素权重E，计算公式为：
Figure 498944DEST_PATH_IMAGE007
其中，k为常数系数，定义为：
Figure 493445DEST_PATH_IMAGE008
；
（5）计算像素特征P，计算公式为：
Figure 572259DEST_PATH_IMAGE009
Figure 335816DEST_PATH_IMAGE010
其中，
Figure 982829DEST_PATH_IMAGE011
为训练样本中第t个像素的像素特征，
Figure 199047DEST_PATH_IMAGE012
为m个
Figure 347131DEST_PATH_IMAGE011
的集合；
（6）将像素特征P作为训练集，0和1作为训练集标签，0代表非溢油像素，1代表溢油像素，导入支持向量机模型中进行训练，得到溢油检测模型。
CN202210796854.XA 2022-07-08 2022-07-08 一种基于全极化sar图像的海面溢油检测模型构建方法 Active CN114882371B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210796854.XA CN114882371B (zh) 2022-07-08 2022-07-08 一种基于全极化sar图像的海面溢油检测模型构建方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210796854.XA CN114882371B (zh) 2022-07-08 2022-07-08 一种基于全极化sar图像的海面溢油检测模型构建方法

Publications (2)

Publication Number Publication Date
CN114882371A true CN114882371A (zh) 2022-08-09
CN114882371B CN114882371B (zh) 2022-10-18

Family

ID=82682612

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210796854.XA Active CN114882371B (zh) 2022-07-08 2022-07-08 一种基于全极化sar图像的海面溢油检测模型构建方法

Country Status (1)

Country Link
CN (1) CN114882371B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116206203A (zh) * 2023-03-08 2023-06-02 中国石油大学(华东) 基于SAR与Dual-EndNet的溢油检测方法
CN117095308A (zh) * 2023-10-19 2023-11-21 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 (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102831444A (zh) * 2012-08-01 2012-12-19 江苏科技大学 一种sar阴暗影图像中溢油和疑似物的识别方法
KR20190133442A (ko) * 2018-05-23 2019-12-03 한국해양과학기술원 인공위성 sar 영상기반 인공신경망을 이용한 오일 유출 탐지 방법
US20210012146A1 (en) * 2019-07-12 2021-01-14 Wuyi University Method and apparatus for multi-scale sar image recognition based on attention mechanism
CN113516657A (zh) * 2021-09-14 2021-10-19 中国石油大学(华东) 一种基于自适应权重的全极化sar影像海面溢油检测方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102831444A (zh) * 2012-08-01 2012-12-19 江苏科技大学 一种sar阴暗影图像中溢油和疑似物的识别方法
KR20190133442A (ko) * 2018-05-23 2019-12-03 한국해양과학기술원 인공위성 sar 영상기반 인공신경망을 이용한 오일 유출 탐지 방법
US20210012146A1 (en) * 2019-07-12 2021-01-14 Wuyi University Method and apparatus for multi-scale sar image recognition based on attention mechanism
CN113516657A (zh) * 2021-09-14 2021-10-19 中国石油大学(华东) 一种基于自适应权重的全极化sar影像海面溢油检测方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
陈伟民等: "基于GA-WNN的极化SAR海洋溢油检测方法研究", 《海洋科学》 *

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116206203A (zh) * 2023-03-08 2023-06-02 中国石油大学(华东) 基于SAR与Dual-EndNet的溢油检测方法
CN116206203B (zh) * 2023-03-08 2023-08-18 中国石油大学(华东) 基于SAR与Dual-EndNet的溢油检测方法
CN117095308A (zh) * 2023-10-19 2023-11-21 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
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

Also Published As

Publication number Publication date
CN114882371B (zh) 2022-10-18

Similar Documents

Publication Publication Date Title
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
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
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
CN107506729B (zh) 一种基于深度学习的能见度检测方法
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
Ghorbani et al. Monitoring offshore oil pollution using multi-class convolutional neural networks
CN102073879A (zh) 基于半监督学习的海岸海洋遥感影像特征地类的识别方法
CN106443593A (zh) 基于相参雷达慢扫增强的自适应溢油信息提取方法
Tuzcu Kokal et al. Detection of mucilage phenomenon in the Sea of Marmara by using multi-scale satellite data
CN102768356B (zh) 一种利用多时相雷达数据检测海上静止目标的方法
Yang et al. Evaluation and mitigation of rain effect on wave direction and period estimation from X-band marine radar images
Shi et al. Obstacles modeling method in cluttered environments using satellite images and its application to path planning for USV
CN116343113A (zh) 基于极化sar特征与编解码网络的溢油检测方法及系统
Li et al. Detection and monitoring of oil spills using moderate/high-resolution remote sensing images
CN108319913A (zh) 一种基于空谱联合的栈式自编码水上油膜提取方法及系统
Wang et al. An improved semantic segmentation model based on SVM for marine oil spill detection using SAR image
Zhu et al. A change type determination method based on knowledge of spectral changes in land cover types
Liu et al. Ship detection and classification based on cascaded detection of hull and wake from optical satellite remote sensing imagery
Yang et al. Identification of marine oil spill pollution using hyperspectral combined with thermal infrared remote sensing
CN110097562A (zh) 海面溢油区域图像探测方法
CN106291555A (zh) 一种基于c波段极化sar影像的海面溢油探测方法
Fan et al. Multifeature semantic complementation network for marine oil spill localization and segmentation based on sar images
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
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