CN117095308A - 一种基于遗传算法的全极化sar影像海面溢油检测方法 - Google Patents
一种基于遗传算法的全极化sar影像海面溢油检测方法 Download PDFInfo
- Publication number
- CN117095308A CN117095308A CN202311352973.7A CN202311352973A CN117095308A CN 117095308 A CN117095308 A CN 117095308A CN 202311352973 A CN202311352973 A CN 202311352973A CN 117095308 A CN117095308 A CN 117095308A
- Authority
- CN
- China
- Prior art keywords
- oil spill
- polarization
- population
- genetic algorithm
- 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
- 239000003305 oil spill Substances 0.000 title claims abstract description 96
- 238000001514 detection method Methods 0.000 title claims abstract description 65
- 230000002068 genetic effect Effects 0.000 title claims abstract description 39
- 230000010287 polarization Effects 0.000 claims abstract description 55
- 238000012549 training Methods 0.000 claims abstract description 32
- 238000010606 normalization Methods 0.000 claims abstract description 8
- 238000012545 processing Methods 0.000 claims abstract description 8
- 239000011159 matrix material Substances 0.000 claims description 26
- 238000000034 method Methods 0.000 claims description 23
- 238000012360 testing method Methods 0.000 claims description 19
- 238000004364 calculation method Methods 0.000 claims description 15
- 230000035772 mutation Effects 0.000 claims description 12
- 238000005457 optimization Methods 0.000 claims description 4
- 230000003044 adaptive effect Effects 0.000 claims description 3
- 238000005388 cross polarization Methods 0.000 claims description 3
- 238000000605 extraction Methods 0.000 claims description 3
- 238000001914 filtration Methods 0.000 claims description 3
- 238000004519 manufacturing process Methods 0.000 claims description 3
- 229940125944 selective estrogen receptor degrader Drugs 0.000 claims description 3
- 230000006870 function Effects 0.000 description 19
- 238000002474 experimental method Methods 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 3
- 238000011161 development Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000011056 performance test Methods 0.000 description 1
- 208000024891 symptom Diseases 0.000 description 1
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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/12—Computing arrangements based on biological models using genetic models
- G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
-
- 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)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Multimedia (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Software Systems (AREA)
- Computing Systems (AREA)
- Biophysics (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Databases & Information Systems (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Genetics & Genomics (AREA)
- Astronomy & Astrophysics (AREA)
- Physiology (AREA)
- Remote Sensing (AREA)
- Biomedical Technology (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Molecular Biology (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Radar Systems Or Details Thereof (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及遥感目标检测领域，公开了一种基于遗传算法的全极化SAR影像海面溢油检测方法，包含以下步骤：提取全极化SAR影像极化特征，对归一化处理后的极化特征进行编码并初始化遗传算法，根据适应度值，利用选择、交叉、自适应变异概率函数、逆转等操作更新种群，并达到最大迭代次数，确定重复次数最多的极化特征组合，选取其前L个极化特征为最优特征集，将溢油像素点与非溢油像素点的最优特征集导入SVM模型中训练得到溢油检测模型，将待检测像素点的最优特征集导入溢油检测模型中判断像素点类别。本发明对遗传算法进行改进，具有科学合理易于实现等优点，有效提高了全极化SAR影像海面溢油的检测精度。
Description
技术领域
本发明涉及遥感目标检测领域，具体涉及一种基于遗传算法的全极化SAR影像海面溢油检测方法。
背景技术
合成孔径雷达（Synthetic Aperture Radar，SAR）具有全天候、全天时的工作特点，随着极化分解技术的发展，利用全极化SAR影像可以获得后向散射、几何强度等多种极化特征，以及计算目标复散射矩阵获得目标的全息信息，且影像中含有更丰富的极化信息，能够更好的反应海上溢油目标的特异性。因此，全极化SAR已成为监测海上溢油的重要技术手段。
目前基于全极化SAR影像提取极化特征进行溢油检测，尚有许多弊端。例如：使用单一极化特征进行检测时，所含信息少，导致溢油像素与非溢油像素区分度小、识别溢油的能力弱，需要增加极化特征以提高溢油检测精度；极化特征过多时，极易造成数据冗余，使目标检测复杂化，同时还会降低目标检测精度。
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遗传算法的全极化SAR影像海面溢油检测方法，基于遗传算法对极化特征进行优选，确定最优特征集，利用SVM模型进行溢油检测，以寻找最优特征集，进而提高海面溢油检测精度，且在遗传算法的变异操作中使用所提自适应变异概率函数，以加快收敛速度。
本发明采用以下的技术方案：
一种基于遗传算法的全极化SAR影像海面溢油检测方法，包括以下步骤：（1）特征提取，选取含有海面溢油的全极化SAR影像，大小为/>，提取极化特征并组成特征矩阵，其中/>为极化特征的数量。
进一步地，步骤（1）中，极化特征的数量为22个，22个极化特征为：平均散射角、各向异性、A12、布拉格散射占比、交叉极化比、一致性系数、相干系数、共极化相位差、CT、极化度、极化熵、最大特征值、Muller滤波、极化特征P、基座高度、同极化功率比、同极化交叉项的实部、同极化相关系数、SERD、极化总功率、几何强度、VV强度。
（2）归一化处理，对步骤（1）的特征矩阵进行归一化处理，得到特征矩阵，计算公式为：/>；其中，/>为极化特征序号，，/>为影像/>中任意像素点位置，/>，/>，为/>像素点在第/>个特征矩阵的值，/>为归一化处理后/>像素点在第/>个特征矩阵的值，/>为特征矩阵/>的最大值，/>为特征矩阵/>的最小值。
（3）初始化遗传算法，影像中随机选取/>个溢油像素点，其位置表示为，提取每个溢油像素点所对应的/>个极化特征/>并组成大小为/>的特征矩阵/>，对/>个极化特征进行编码，定义最大迭代次数MAXGEN和个体数量NIND。
进一步地，步骤（3）中，。若选取溢油像素点较少时，所含溢油信息量过少，则无法找到最优解，而随溢油点数量的增加会增加不必要的时间消耗，且冗余信息会对最优解的寻找造成干扰。
进一步地，步骤（3）中，最大迭代次数MAXGEN为200，个体数量NIND为100。
（4）迭代寻优，以任意溢油像素点为例，定义为当前迭代次数，，定义/>为第/>次迭代中第/>个个体，/>，定义/>为第/>次迭代种群，随机产生第1代种群/>，利用适应度函数计算个体适应度值，利用选择、交叉、自适应变异概率函数、逆转等操作进行更新，寻找当前迭代次数中最优个体，并进行下一次迭代，直至达到最大迭代次数MAXGEN。
进一步地，（4.1）适应度函数的计算公式为：；其中，/>为第gen次迭代种群中第/>个个体的适应度值，/>为第/>次迭代种群中第/>个个体的第/>个特征值，/>为第/>次迭代种群中第/>个个体的第/>个特征值。
（4.2）定义为第/>次迭代中选择后的种群，定义/>为第/>次迭代中交叉后的种群，定义/>为第/>次迭代中变异后的种群，定义/>为第/>次迭代中逆转后的种群，/>为个体序号，/>，/>为选择的个体数量，/>，其中/>为选择概率。
（4.3）从第次迭代种群/>中取/>个适应度函数值最高的个体，组成第次迭代中选择后的种群/>。
（4.4）对进行交叉，每两个个体为一组，若设置的交叉概率/>大于或等于随机概率/>，其中/>，则组内的两个个体进行交叉，遍历全部组，形成第/>次迭代中交叉后种群/>。
（4.5）变异操作，以中任意个体为例，该个体的自适应变异概率函数计算公式为：/>；其中，/>，/>为第gen次迭代种群中第/>个个体的变异概率，/>为最小变异概率，/>为最大变异概率，/>为第gen次迭代种群的平均适应度值，/>为第gen次迭代种群的最大适应度值。
若变异概率大于或等于随机概率/>，则改变该个体任意位置处的特征，遍历/>中全部个体，形成第/>次迭代中变异后种群/>。
（4.6）逆转操作，对各个体任意连续位置的特征进行逆序排列，若逆转后个体适应度值比逆转前优，则更新该个体，形成第/>次迭代中逆转后种群/>。
（4.7）从第次迭代种群/>中取出/>个适应度值最高的个体与逆转后种群/>组成第/>次迭代种群/>，并进行下一次迭代，直至达到最大迭代次数MAXGEN。
（5）确定最优解，计算第MAXGEN代种群中各个个体的适应度值，找出该溢油像素点上重复次数最多且适应度值最优的解，并记录该溢油像素点的收敛代数。
（6）重复步骤（4）、（5）直至个溢油像素点全部计算完毕，得到重复次数最多且适应度值最优的解/>。
（7）选取中前/>个极化特征为最优特征并组成最优特征集/>，其中/>，/>为最优特征序号，/>。
（8）影像中随机选取/>个溢油像素点和/>个非溢油像素点，并从最优特征集/>中取出所选像素点对应的极化特征组成大小为/>的训练集/>并制作训练标签，从除训练集/>之外的/>中随机选取n个像素点的特征矩阵，组成大小为/>的测试集/>并制作测试标签。
（9）将训练集和训练标签导入SVM模型中进行训练，得到溢油检测模型，将测试集/>导入溢油检测模型以判定像素点类别，并计算溢油检测率与溢油虚警率，即完成海面溢油检测。
进一步地，还包括步骤（10），将步骤（9）的预测结果以二值图像的形式显示并输出，训练标签与测试标签中0代表非溢油像素，1代表溢油像素，溢油像素点赋值为255，非溢油像素点赋值为0，使得溢油区域为白色，非溢油区域为黑色。
进一步地，溢油检测率的计算公式为：/>，其中，/>为本属于溢油类被检测为溢油类的像素点个数，/>为本属于溢油类被检测为非溢油类的像素点个数。
溢油虚警率的计算公式为：/>，其中，/>为本属于非溢油类被检测为非溢油类的像素点个数，/>为本属于非溢油类被检测为溢油类的像素点个数。
本发明具有的有益效果是：
（1）提供一种基于遗传算法的全极化SAR影像海面溢油检测方法，基于遗传算法对极化特征进行优选，确定最优特征集，利用SVM模型进行溢油检测，以寻找最优特征集，进而提高海面溢油检测精度。
（2）综合考虑不同极化特征的重要性，利用适应度函数计算遗传算法种群中各个体的适应度值，利用选择、交叉、自适应变异概率函数、逆转等操作进行更新，得到最优特征组合，取其中前个极化特征组成最优特征集。从最优特征集中随机选取训练集与测试集并制作训练标签与测试标签，将训练集与训练标签导入SVM模型进行训练，得到溢油检测模型，将测试集导入溢油检测模型以判定像素点类别，有效提高了溢油检测精度。
（3）利用自适应变异概率函数计算个体的变异概率，有效加快了收敛速度且提高了全极化SAR影像海面溢油检测的精度。具有科学合理、易于实现等优点。
附图说明
图1为本发明的总体流程图。
图2为实验数据的真实二值图。
图3为本发明的检测结果图。
图4为传统遗传算法的检测结果图。
具体实施方式
下面结合附图对本发明进行具体的说明。
作为其中的一个实施例，结合图1，一种基于遗传算法的全极化SAR影像海面溢油检测方法，包括以下步骤：（1）特征提取，选取含有海面溢油的全极化SAR影像，大小为，提取极化特征并组成特征矩阵/>；其中，极化特征总数为22，22个极化特征为：平均散射角、各向异性、A12、布拉格散射占比、交叉极化比、一致性系数、相干系数、共极化相位差、CT、极化度、极化熵、最大特征值、Muller滤波、极化特征P、基座高度、同极化功率比、同极化交叉项的实部、同极化相关系数、SERD、极化总功率、几何强度、VV强度。
（2）归一化处理，对步骤（1）的特征矩阵进行归一化处理，得到特征矩阵，计算公式为：/>，其中，/>为极化特征序号，，/>为影像/>中任意像素点位置，/>，/>，为/>像素点在第/>个特征矩阵的值，/>为归一化处理后/>像素点在第/>个特征矩阵的值，/>为特征矩阵/>的最大值，/>为特征矩阵/>的最小值。
（3）初始化遗传算法，影像中随机选取5000个溢油像素点，其位置表示为，提取每个溢油像素点所对应的22个极化特征/>并组成大小为/>的特征矩阵/>，对22个极化特征进行编码，定义最大迭代次数MAXGEN为200，个体数量NIND为100。
（4）迭代寻优，以任意溢油像素点为例，定义为当前迭代次数，，定义/>为第/>次迭代中第/>个个体，/>，定义/>为第/>次迭代种群，随机产生第1代种群/>，利用适应度函数计算个体适应度值，利用选择、交叉、自适应变异概率函数、逆转等操作进行更新，寻找当前迭代次数中最优个体，并进行下一次迭代，直至达到最大迭代次数MAXGEN。
（4.1）适应度函数的计算公式为：，其中，/>为第gen次迭代种群中第/>个个体的适应度值，/>为第/>次迭代种群中第/>个个体的第/>个特征值，/>为第/>次迭代种群中第/>个个体的第/>个特征值。
（4.2）定义为第/>次迭代中选择操作后的种群，定义/>为第/>次迭代中交叉后种群，定义/>为第/>次迭代中变异后种群，定义/>为第/>次迭代中逆转后种群，/>为个体序号，/>，/>为被选择的个体数量，，其中/>为选择概率。
（4.3）选择操作，从第次迭代种群/>中取/>个适应度值最高的个体，组成第/>次迭代中选择后种群/>。
（4.4）对进行交叉，每两个个体为一组，若设置的交叉概率/>大于或等于随机概率/>，其中/>，则组内的两个个体进行交叉，遍历全部组，形成第/>次迭代中交叉后种群/>。
（4.5）变异操作，以中任意个体为例，该个体的变异概率计算公式为：，其中，，/>为第gen次迭代种群中第/>个个体的变异概率，/>为最小变异概率，/>为最大变异概率，/>为第gen次迭代种群的平均适应度值，/>为第gen次迭代种群的最大适应度值。
若变异概率大于或等于随机概率/>，则改变该个体任意位置处的特征，遍历/>中全部个体，形成第/>次迭代中变异后种群/>。
（4.6）逆转操作，对各个体任意连续位置的特征进行逆序排列，若逆转后个体适应度值比逆转前优，则更新该个体，形成第/>次迭代中逆转后种群/>。
（4.7）从第次迭代种群/>中取出/>个适应度值最高的个体与逆转后种群/>组成第/>次迭代种群/>，并进行下一次迭代，直至达到最大迭代次数MAXGEN。
（5）确定最优解，计算第200代种群中各个体的适应度值，找出该溢油像素点上重复次数最多且适应度值最优的解。
（6）重复步骤（4）、（5）直至5000个溢油像素点全部计算完毕，得到重复次数最多且适应度值最优的解。
（7）选取中前10个极化特征为最优特征并组成最优特征集/>，其中/>，/>为最优特征序号，/>。
（8）影像中随机选取10000个溢油像素点与10000个非溢油像素点，并从最优特征集/>中取出所选像素点对应的极化特征组成大小为/>的训练集/>并制作训练标签，从除训练集/>之外的/>中随机选取n个像素点的特征矩阵，组成大小为/>的测试集并制作测试标签。
（9）将训练集和训练标签导入到SVM模型中进行训练，得到溢油检测模型，将测试集/>导入溢油检测模型以判定像素点类别，并计算溢油检测率与溢油虚警率。其中，训练标签与测试标签中0代表非溢油像素，1代表溢油像素。
（10）将预测结果以二值图像的形式显示并输出，溢油像素点赋值为255，非溢油像素点赋值为0，使得溢油区域为白色，非溢油区域为黑色。
使用溢油检测率和溢油虚警率两个评价指标对检测结果进行说明：溢油检测率的计算公式为：/>，其中，/>为本属于溢油类被检测为溢油类的像素点个数，/>为本属于溢油类被检测为非溢油类的像素点个数。溢油虚警率/>的计算公式为：/>，其中，/>为本属于非溢油类被检测为非溢油类的像素点个数，为本属于非溢油类被检测为溢油类的像素点个数。
本发明的效果可以通过以下实验结果与分析做进一步的说明。
实验采用的数据为Radarsat-2卫星2010年5月8日在墨西哥湾海域获取的全极化SAR影像，如图2所示为溢油区域真实的二值图像，影像的大小为：6281×3920，测试集中随机选取的像素点个数为：/>，其中包含990000个溢油像素点，624916个非溢油像素点。
实验使用本发明方法与传统遗传算法分别进行特征优选及溢油检测，并对比分析两种方法的检测结果，传统遗传算法使用的适应度函数为：，其中，/>为第gen次迭代种群中第/>个个体的适应度值，/>为第/>次迭代种群中第个个体的第/>个特征值，/>为第/>次迭代种群中第/>个个体的第/>个特征值。
本发明按照上述步骤进行，本发明与传统遗传算法均在溢油特征矩阵上寻找最优特征组合，并验证所提自适应变异概率函数相较于固定变异概率的优势，记录5000个溢油像素点上寻找最优解的平均收敛代数，本发明与传统遗传算法的训练集/>与测试集/>从各自找到的最优特征集上随机选取，且选取的像素点位置对应相同。
表1本实验参数设置
实验中所使用的参数如表1所示（本发明与传统遗传算法均使用相同参数），利用本发明方法的检测结果参见图3所示，利用传统遗传算法的检测结果参见图4所示。以上所述方法均在MATLAB 2021A上运行，软件配置为Windows 10操作系统，硬件配置为Intel(R)Core(TM)i7-10700处理器，运行内存为16GB。本发明与传统遗传算法进行溢油检测的精度如表2所示。
表2不同实验方法的检测精度
由实验结果可以看出本发明的溢油检测精度高于传统遗传算法，由此证明本发明方法优于传统遗传算法，本发明提出的一种基于遗传算法的全极化SAR影像海面溢油检测方法能够有效选择最优极化特征，在溢油检测中获得更好的检测精度，对遥感目标检测技术的发展具有重要意义。
固定变异概率与自适应变异概率函数进行对比实验的结果如表3所示，本发明中使用自适应变异概率函数计算变异概率能够更快收敛。
表3 收敛性能测试结果
本发明方法综合考虑不同极化特征的重要性，利用适应度函数计算遗传算法种群中各个体的适应度值，利用选择、交叉、自适应变异概率函数、逆转等操作进行更新，得到最优特征组合，取其中前10个极化特征组成最优特征集。从最优特征集中随机选取训练集与测试集并制作训练标签与测试标签，将训练集与训练标签导入SVM模型进行训练，得到溢油检测模型，将测试集导入溢油检测模型以判定像素点类别。利用本发明方法筛选出10个极化特征组成最优特征集，并利用SVM模型进行像素级检测，有效提高了溢油检测精度。利用自适应变异概率函数计算个体的变异概率，可以加快收敛速度。
上述实施例用来解释本发明，而不是对本发明进行限制，在本发明的精神和权利要求的保护范围内，对本发明做出的任何修改和改变，都落入本发明的保护范围。
Claims (10)
1.一种基于遗传算法的全极化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，选取含有海面溢油的全极化SAR影像，大小为/>，提取极化特征并组成特征矩阵/>，其中/>为极化特征的数量；
（2）归一化处理，对步骤（1）的特征矩阵进行归一化处理，得到特征矩阵，计算公式为：/>；其中，/>为极化特征序号，，/>为影像/>中任意像素点位置，/>，/>，为/>像素点在第/>个特征矩阵的值，/>为归一化处理后/>像素点在第/>个特征矩阵的值，/>为特征矩阵/>的最大值，/>为特征矩阵/>的最小值；
（3）初始化遗传算法，影像中随机选取/>个溢油像素点，其位置表示为，提取每个溢油像素点所对应的/>个极化特征/>并组成大小为/>的特征矩阵/>，对/>个极化特征进行编码，定义最大迭代次数MAXGEN和个体数量NIND；
（4）迭代寻优，以任意溢油像素点为例，定义为当前迭代次数，，定义/>为第/>次迭代中第/>个个体，/>，定义/>为第/>次迭代种群，随机产生第1代种群/>，利用适应度函数计算个体适应度值，利用选择、交叉、自适应变异概率函数、逆转操作进行更新，寻找当前迭代次数中最优个体，并进行下一次迭代，直至达到最大迭代次数MAXGEN；
（5）确定最优解，计算第MAXGEN代种群中各个个体的适应度值，找出该溢油像素点上重复次数最多且适应度值最优的解，并记录该溢油像素点的收敛代数；
（6）重复步骤（4）、（5）直至个溢油像素点全部计算完毕，得到重复次数最多且适应度值最优的解/>；
（7）选取中前/>个极化特征为最优特征并组成最优特征集/>，其中/>，/>为最优特征序号，/>；
（8）影像中随机选取/>个溢油像素点和/>个非溢油像素点，并从最优特征集中取出所选像素点对应的极化特征组成大小为/>的训练集/>并制作训练标签，从除训练集/>之外的/>中随机选取n个像素点的特征矩阵，组成大小为/>的测试集/>并制作测试标签；
（9）将训练集和训练标签导入SVM模型中进行训练，得到溢油检测模型，将测试集/>导入溢油检测模型以判定像素点类别，并计算溢油检测率与溢油虚警率，即完成海面溢油检测。
2.根据权利要求1所述的一种基于遗传算法的全极化SAR影像海面溢油检测方法，其特征在于，步骤（1）中，极化特征的数量为22个，22个极化特征为：平均散射角、各向异性、A12、布拉格散射占比、交叉极化比、一致性系数、相干系数、共极化相位差、CT、极化度、极化熵、最大特征值、Muller滤波、极化特征P、基座高度、同极化功率比、同极化交叉项的实部、同极化相关系数、SERD、极化总功率、几何强度、VV强度。
3.根据权利要求1所述的一种基于遗传算法的全极化SAR影像海面溢油检测方法，其特征在于，步骤（3）中，。
4.根据权利要求1所述的一种基于遗传算法的全极化SAR影像海面溢油检测方法，其特征在于，步骤（3）中，最大迭代次数MAXGEN为200，个体数量NIND为100。
5.根据权利要求1所述的一种基于遗传算法的全极化SAR影像海面溢油检测方法，其特征在于，步骤（4）中，适应度函数的计算公式为：；其中，/>为第gen次迭代种群中第/>个个体的适应度值，/>为第/>次迭代种群中第/>个个体的第/>个特征值，/>为第/>次迭代种群中第/>个个体的第/>个特征值。
6.根据权利要求5所述的一种基于遗传算法的全极化SAR影像海面溢油检测方法，其特征在于，自适应变异概率函数计算公式为：
，其中，，/>为第gen次迭代种群中第/>个个体的变异概率，/>为最小变异概率，/>为最大变异概率，/>为第gen次迭代种群的平均适应度值，/>为第gen次迭代种群的最大适应度值。
7.根据权利要求6所述的一种基于遗传算法的全极化SAR影像海面溢油检测方法，其特征在于，定义为第/>次迭代中选择后的种群，定义/>为第/>次迭代中交叉后的种群，定义/>为第/>次迭代中变异后的种群，定义/>为第/>次迭代中逆转后的种群，/>为个体序号，/>，/>为选择的个体数量，/>，其中/>为选择概率；
从第次迭代种群/>中取/>个适应度函数值最高的个体，组成第/>次迭代中选择后的种群/>；
对进行交叉，每两个个体为一组，若设置的交叉概率/>大于或等于随机概率，其中/>，则组内的两个个体进行交叉，遍历全部组，形成第/>次迭代中交叉后种群/>；
若变异概率大于或等于随机概率/>，则改变该个体任意位置处的特征，遍历中全部个体，形成第/>次迭代中变异后种群/>；
逆转操作，对各个体任意连续位置的特征进行逆序排列，若逆转后个体适应度值比逆转前优，则更新该个体，形成第/>次迭代中逆转后种群/>；
从第次迭代种群/>中取出/>个适应度值最高的个体与逆转后种群组成第/>次迭代种群/>，并进行下一次迭代，直至达到最大迭代次数MAXGEN。
8.根据权利要求1所述的一种基于遗传算法的全极化SAR影像海面溢油检测方法，其特征在于，还包括步骤（10），将步骤（9）的预测结果以二值图像的形式显示并输出，训练标签与测试标签中0代表非溢油像素，1代表溢油像素，溢油像素点赋值为255，非溢油像素点赋值为0，使得溢油区域为白色，非溢油区域为黑色。
9.根据权利要求1所述的一种基于遗传算法的全极化SAR影像海面溢油检测方法，其特征在于，溢油检测率的计算公式为：/>，其中，/>为本属于溢油类被检测为溢油类的像素点个数，/>为本属于溢油类被检测为非溢油类的像素点个数。
10.根据权利要求1或9所述的一种基于遗传算法的全极化SAR影像海面溢油检测方法，其特征在于，溢油虚警率的计算公式为：/>，其中，/>为本属于非溢油类被检测为非溢油类的像素点个数，/>为本属于非溢油类被检测为溢油类的像素点个数。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311352973.7A CN117095308B (zh) | 2023-10-19 | 2023-10-19 | 一种基于遗传算法的全极化sar影像海面溢油检测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311352973.7A CN117095308B (zh) | 2023-10-19 | 2023-10-19 | 一种基于遗传算法的全极化sar影像海面溢油检测方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117095308A true CN117095308A (zh) | 2023-11-21 |
| CN117095308B CN117095308B (zh) | 2024-01-05 |
Family
ID=88780060
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311352973.7A Active CN117095308B (zh) | 2023-10-19 | 2023-10-19 | 一种基于遗传算法的全极化sar影像海面溢油检测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117095308B (zh) |
Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR101503509B1 (ko) * | 2014-02-25 | 2015-03-18 | 대한민국 | 수동형 마이크로파 인공위성 자료를 이용한 해상풍 산출 시스템 및 이를 이용한 산출방법 |
| CN105488528A (zh) * | 2015-11-26 | 2016-04-13 | 北京工业大学 | 基于改进自适应遗传算法的神经网络图像分类方法 |
| CN105975986A (zh) * | 2016-05-03 | 2016-09-28 | 河海大学 | 基于改进遗传算法的全极化sar图像监督分类方法 |
| 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 |
| CN110991257A (zh) * | 2019-11-11 | 2020-04-10 | 中国石油大学(华东) | 基于特征融合与svm的极化sar溢油检测方法 |
| WO2021027295A1 (zh) * | 2019-08-12 | 2021-02-18 | 岭南师范学院 | 一种基于改进自适应遗传算法的人体体成分预测方法 |
| CN112906890A (zh) * | 2021-03-18 | 2021-06-04 | 北京工商大学 | 一种基于互信息和改进遗传算法的用户属性特征选择方法 |
| 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 |
| CN114882371A (zh) * | 2022-07-08 | 2022-08-09 | 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 |
| CN116894999A (zh) * | 2023-07-18 | 2023-10-17 | 中国石油大学(华东) | 基于条件参数化卷积的溢油极化sar检测方法和装置 |
-
2023
- 2023-10-19 CN CN202311352973.7A patent/CN117095308B/zh active Active
Patent Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR101503509B1 (ko) * | 2014-02-25 | 2015-03-18 | 대한민국 | 수동형 마이크로파 인공위성 자료를 이용한 해상풍 산출 시스템 및 이를 이용한 산출방법 |
| CN105488528A (zh) * | 2015-11-26 | 2016-04-13 | 北京工业大学 | 基于改进自适应遗传算法的神经网络图像分类方法 |
| CN105975986A (zh) * | 2016-05-03 | 2016-09-28 | 河海大学 | 基于改进遗传算法的全极化sar图像监督分类方法 |
| 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 |
| WO2021027295A1 (zh) * | 2019-08-12 | 2021-02-18 | 岭南师范学院 | 一种基于改进自适应遗传算法的人体体成分预测方法 |
| CN110991257A (zh) * | 2019-11-11 | 2020-04-10 | 中国石油大学(华东) | 基于特征融合与svm的极化sar溢油检测方法 |
| CN112906890A (zh) * | 2021-03-18 | 2021-06-04 | 北京工商大学 | 一种基于互信息和改进遗传算法的用户属性特征选择方法 |
| 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 |
| CN114882371A (zh) * | 2022-07-08 | 2022-08-09 | 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 |
| CN116894999A (zh) * | 2023-07-18 | 2023-10-17 | 中国石油大学(华东) | 基于条件参数化卷积的溢油极化sar检测方法和装置 |
Non-Patent Citations (3)
| Title |
|---|
| MARGHANY MAGED: "Automatic Mexico Gulf Oil Spill Detection from Radarsat-2 SAR Satellite Data Using Genetic Algorithm", 《ACTA GEOPHYSICA》, vol. 64, no. 5, pages 1916 - 1941, XP036121008, DOI: 10.1515/acgeo-2016-0047 * |
| 王刚;余洁;朱腾;张中山;赵争;: "改进的遗传算法用于极化合成孔径雷达影像非监督分类", 遥感技术与应用, no. 01, pages 68 - 74 * |
| 陈伟民;丁亚雄;宋冬梅;王斌;刘善伟;甄宗晋;张婷;杨敏;: "基于GA-WNN的极化SAR海洋溢油检测方法研究", 海洋科学, no. 01, pages 72 - 83 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117095308B (zh) | 2024-01-05 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110443281B (zh) | 基于hdbscan聚类的文本分类自适应过采样方法 | |
| CN109002848B (zh) | 一种基于特征映射神经网络的弱小目标检测方法 | |
| CN112164426A (zh) | 基于TextCNN的药物小分子靶点活性预测方法和装置 | |
| CN113221065A (zh) | 数据密度估计及回归方法、相应装置、电子设备、介质 | |
| CN116310812B (zh) | 基于半监督语义分割对比学习的高分辨遥感图像语义变化检测方法 | |
| CN116030357A (zh) | 一种高分辨率遥感图像变化检测深度网络及检测方法 | |
| Liu et al. | Learning multiple gaussian prototypes for open-set recognition | |
| CN114266982A (zh) | 一种网络参数和结构协同优化的sar图像变化检测方法 | |
| CN117911879B (zh) | 一种融合sam的细粒度高分遥感影像变化检测方法 | |
| CN111707999A (zh) | 一种基于多特征与集成学习结合的海面漂浮小目标检测方法 | |
| Zhang et al. | A machine learning approach to quality-control Argo temperature data | |
| Li et al. | Towards accurate and reliable change detection of remote sensing images via knowledge review and online uncertainty estimation | |
| Li et al. | OTB-AAE: Semi-supervised anomaly detection on industrial images based on adversarial autoencoder with output-turn-back structure | |
| Kong et al. | Collaborative model tracking with robust occlusion handling | |
| CN117095308B (zh) | 一种基于遗传算法的全极化sar影像海面溢油检测方法 | |
| CN117315543A (zh) | 一种基于置信度门控时空记忆网络的半监督视频目标分割方法 | |
| Liu et al. | A process-oriented spatiotemporal clustering method for complex trajectories of dynamic geographic phenomena | |
| Baghirli et al. | Satdm: Synthesizing realistic satellite image with semantic layout conditioning using diffusion models | |
| Abed Al Raoof et al. | Maximizing CNN Accuracy: A Bayesian Optimization Approach with Gaussian Processes | |
| CN116524291A (zh) | Sar图像dnn分类器的后门攻击设计及评估系统与方法 | |
| CN116665009A (zh) | 一种基于多尺度ssd网络的管道漏磁图像检测方法 | |
| CN115829996A (zh) | 基于深度特征图的无监督合成孔径雷达图像变化检测方法 | |
| Zhu et al. | Find gold in sand: Fine-grained similarity mining for domain-adaptive crowd counting | |
| CN109615007A (zh) | 基于粒子滤波的深度学习网络目标检测方法 | |
| CN108596206A (zh) | 基于多尺度多方向空间相关性建模的纹理图像分类方法 |
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 |