專利名稱：一種sar陰暗影圖像中溢油和疑似物的識(shí)別方法
技術(shù)領(lǐng)域：
本發(fā)明涉及一種SAR陰暗影圖像中溢油和疑似物的識(shí)別方法，屬于微波海洋遙感技術(shù)領(lǐng)域。
背景技術(shù)：
海洋與人類的經(jīng)濟(jì)活動(dòng)息息相關(guān)。然而海洋溢油污染具有影響海域范圍廣、持續(xù)時(shí)間長(zhǎng)、對(duì)海洋生物和生態(tài)環(huán)境破壞大的特點(diǎn)?，F(xiàn)有技術(shù)中，直接探測(cè)和遙感探測(cè)是溢油監(jiān)測(cè)的兩種主要方法。合成孔徑雷達(dá)(SAR, synthetic aperture radar)屬于遙感探測(cè),它具有全天時(shí)、全天候、高分辨率和大觀測(cè)范圍的優(yōu)點(diǎn)。由于油膜覆蓋區(qū)域的散射回波強(qiáng)度較低，在SAR圖像上常表現(xiàn)為陰暗影特征。然而低風(fēng)速海面、鋒面、潮流剪切區(qū)及內(nèi)波等諸多海洋現(xiàn)象也可表現(xiàn)為陰暗影特征，將其統(tǒng)稱為疑似物。在溢油與疑似物的識(shí)別過(guò)程中所產(chǎn)生的高虛警率問(wèn)題一直是SAR海面溢油監(jiān)測(cè)系統(tǒng)的難點(diǎn)，該問(wèn)題仍未得到徹底的解決。目前，許多識(shí)別方法是以圖像的幾何特征(如溢油的面積、周長(zhǎng)及與船只的距離等)、統(tǒng)計(jì)特性(如圖像的均值、方差等)及極化特征(如Muller矩陣等)作為分類器的輸入特征向量。特征向量的選擇直接影響分類器的分類準(zhǔn)確度。研究表明，分形模型可揭示海面、溢油及疑似物產(chǎn)生的非線性機(jī)理；海面和SAR海面圖像均表現(xiàn)一定的分形特征。文獻(xiàn)(M. Bertacca, F. Berizzi, E. D. Mese. AFARIMA-basedtechnique for oil slick and low-wind areas discrimination in sea SAR imagery.IEEE Trans. Geosci. Remote Sensing, 2005, 43 (11) : 2484-2493)利用分形模型在頻譜域中也具有分?jǐn)?shù)階的特性，提出了基于分?jǐn)?shù)階ARMA模型來(lái)計(jì)算徑向功率譜密度，并選用徑向功率譜密度作為識(shí)別溢油和低風(fēng)速海面的特征，該方法的不足之處在于識(shí)別準(zhǔn)確度依賴于ARMA模型的階數(shù)，而且選擇的識(shí)別特征過(guò)于簡(jiǎn)單，其他分形特征沒(méi)有考慮。

發(fā)明內(nèi)容
發(fā)明目的為了克服現(xiàn)有SAR海面溢油監(jiān)測(cè)系統(tǒng)的高虛警率問(wèn)題，本發(fā)明提供了一種SAR陰暗影圖像中溢油和疑似物的識(shí)別方法。技術(shù)方案一種SAR陰暗影圖像中溢油和疑似物的識(shí)別方法，包括以下步驟步驟1，輸入SAR圖像，根據(jù)先驗(yàn)信息建立溢油圖像庫(kù)和疑似物圖像庫(kù)；在已知類別的SAR圖像中的陰暗影區(qū)域內(nèi)，選擇圖像大小均為KXK的R個(gè)溢油區(qū)域和個(gè)疑似物區(qū)域分別組成溢油圖像庫(kù)和疑似物圖像庫(kù)；其中先驗(yàn)信息是指SAR圖像中溢油和疑似物的區(qū)域是已知的；通常，K取17 31之間的奇數(shù)，R和H取3(T60之間的整數(shù)。步驟2，從溢油圖像庫(kù)和疑似物圖像庫(kù)中隨機(jī)選取M幅圖像，組成訓(xùn)練樣本圖像庫(kù)，采用差分盒計(jì)數(shù)法和小波變換模極大值法對(duì)訓(xùn)練樣本圖像庫(kù)中的每幅圖像計(jì)算分形特征向量，組成訓(xùn)練樣本集X 二沄丨；I1 ；
從溢油圖像庫(kù)和疑似物圖像庫(kù)中隨機(jī)選取M幅圖像，組成訓(xùn)練樣本圖像庫(kù)，其中，M > R，M > H，對(duì)訓(xùn)練樣本圖像庫(kù)中的第i幅圖像計(jì)算分形特征向量足二[1 ，￡>9，/ ]，其中，D為盒維數(shù)，Dq為擴(kuò)展分形維數(shù)，fa為擴(kuò)展分形譜，i = 1，2，. . .，M ;把第i幅圖像分成s X S子塊，根據(jù)差分盒計(jì)數(shù)法，計(jì)算盒維數(shù)
權(quán)利要求
1.一種SAR陰暗影圖像中溢油和疑似物的識(shí)別方法，包括以下步驟 步驟1，輸入SAR圖像，根據(jù)先驗(yàn)信息建立溢油圖像庫(kù)和疑似物圖像庫(kù)； 在已知類別的SAR圖像中的陰暗影區(qū)域內(nèi)，選擇圖像大小均為KXK的R個(gè)溢油區(qū)域和H個(gè)疑似物區(qū)域分別組成溢油圖像庫(kù)和疑似物圖像庫(kù)； 步驟2，從溢油圖像庫(kù)和疑似物圖像庫(kù)中隨機(jī)選取M幅圖像，組成訓(xùn)練樣本圖像庫(kù)，采用差分盒計(jì)數(shù)法和小波變換模極大值法對(duì)訓(xùn)練樣本圖像庫(kù)中的每幅圖像計(jì)算分形特征向量，組成訓(xùn)練樣本集X = 從溢油圖像庫(kù)和疑似物圖像庫(kù)中隨機(jī)選取M幅圖像，組成訓(xùn)練樣本圖像庫(kù)，其中，M >R，M > H，對(duì)訓(xùn)練樣本圖像庫(kù)中的第i幅圖像計(jì)算分形特征向量為=[￡>，％/ ]，其中，D為盒維數(shù)，Dq為擴(kuò)展分形維數(shù)，fa為擴(kuò)展分形譜，i = 1，2，. . .，M ; 步驟3，用訓(xùn)練樣本集X = ^g1及其所屬的標(biāo)號(hào)對(duì)SVM分類器進(jìn)行訓(xùn)練； 步驟4，根據(jù)分類的要求，采用自適應(yīng)閾值法確定SAR圖像中待識(shí)別的陰暗影區(qū)域I' (m, n)； 步驟5，在陰暗影區(qū)域I' (m，n)內(nèi)，逐像素點(diǎn)掃描并計(jì)算其分形特征向量，組成測(cè)試樣本集X'； 像素點(diǎn)(m，n)分形特征向量的計(jì)算方法是以像素點(diǎn)(m，n)為中心，選取wXw的窗口，按照步驟2所述的方法，計(jì)算像素點(diǎn)(m，n)的分形特征向量； 在陰暗影區(qū)域I' (m，n)內(nèi)，按照索引的順序，逐像素點(diǎn)掃描并計(jì)算其分形特征向量，組成測(cè)試樣本集X'； 步驟6，使用訓(xùn)練過(guò)的SVM分類器對(duì)測(cè)試樣本進(jìn)行分類，并輸出分類結(jié)果。
2.如權(quán)利要求I所述的SAR陰暗影圖像中溢油和疑似物的識(shí)別方法，其特征在于步A/驟2中把第i幅圖像分成sXs子塊，根據(jù)差分盒計(jì)數(shù)法，計(jì)算盒維數(shù)D = Iim7^，其中， In rr = I，隊(duì)為覆蓋整個(gè)圖像所需的盒子數(shù)。
3.如權(quán)利要求I所述的SAR陰暗影圖像中溢油和疑似物的識(shí)別方法，其特征在于步驟2中采用小波變換模極大值算法計(jì)算擴(kuò)展分形維數(shù)Dq和擴(kuò)展分形譜fa，首先，對(duì)圖像進(jìn)行小波變換；在尺度空間內(nèi)，采用閾值法沿著尺度方向計(jì)算小波系數(shù)模的極大值，并將模極大值點(diǎn)相連，得到模極大值曲線；然后，沿著模極大值曲線計(jì)算配分函數(shù) ，其中，q為參數(shù)，Tfff (a, b ；^)表示函數(shù)f在小波函數(shù)W上 作尺度為a、平移為b的變換，I I表示取模運(yùn)算，sup表示上確界。
4.如權(quán)利要求I所述的SAR陰暗影圖像中溢油和疑似物的識(shí)別方法，其特征在于步驟2中根據(jù)配分函數(shù)Z(q，a)，采用最小二乘法擬合質(zhì)量指數(shù)T (q)，則擴(kuò)展分形維數(shù) ，擴(kuò)展分形譜 fa = q a - T (q)。
5.如權(quán)利要求I所述的SAR陰暗影圖像中溢油和疑似物的識(shí)別方法，其特征在于訓(xùn)練樣本集X = [x,匕是由歸一化的分形特征向量七組成。
6.如權(quán)利要求I所述的SAR陰暗影圖像中溢油和疑似物的識(shí)別方法，其特征在于步驟3中，用訓(xùn)練樣本集X = g,匕中的第i個(gè)訓(xùn)練樣本無(wú)及其所屬的標(biāo)號(hào)Ii = U，-1}，對(duì)SVM分類器進(jìn)行訓(xùn)練，其中，I表示溢油，-I表示疑似物；在SVM分類器中采用高斯徑向基核函數(shù)。
全文摘要
本發(fā)明公開(kāi)一種SAR陰暗影圖像中溢油和疑似物的識(shí)別方法，包括輸入SAR圖像，建立溢油圖像庫(kù)和疑似物圖像庫(kù)；隨機(jī)選取M幅圖像，組成訓(xùn)練樣本圖像庫(kù)，采用差分盒計(jì)數(shù)法和小波變換模極大值法對(duì)訓(xùn)練樣本圖像庫(kù)中的每幅圖像計(jì)算分形特征向量，組成訓(xùn)練樣本集；用訓(xùn)練樣本集及其所屬的標(biāo)號(hào)對(duì)SVM分類器進(jìn)行訓(xùn)練；采用自適應(yīng)閾值法確定SAR圖像中待識(shí)別的陰暗影區(qū)域，在陰暗影區(qū)域內(nèi)，逐像素點(diǎn)掃描并計(jì)算其分形特征向量，組成測(cè)試樣本集；使用訓(xùn)練過(guò)的SVM分類器對(duì)測(cè)試樣本進(jìn)行分類，并輸出分類結(jié)果。本發(fā)明具有較高的運(yùn)算效率，可用于SAR陰暗影圖像中溢油和疑似物的識(shí)別和分類。
文檔編號(hào)G06K9/66GK102831444SQ20121027057
公開(kāi)日2012年12月19日 申請(qǐng)日期2012年8月1日 優(yōu)先權(quán)日2012年8月1日
發(fā)明者楊永紅, 奚彩萍, 凌霖 申請(qǐng)人:江蘇科技大學(xué)