一種基于全極化合成孔徑雷達圖像的海面溢油檢測方法
【專利摘要】本發(fā)明公開了一種基于全極化合成孔徑雷達(SAR)圖像的海面溢油檢測方法，包括以下步驟：對需要分析的極化SAR數(shù)據(jù)進行預處理，得到全極化SAR協(xié)方差矩陣；對協(xié)方差矩陣進行精制極化Lee濾波；基于濾波后的協(xié)方差矩陣或通過其計算出的Stokes向量，提取六個極化特征，構(gòu)成特征組合；將有地面驗證標簽信息的訓練樣本特征輸入極大似然分類器，對分類器進行訓練，并優(yōu)化其參數(shù)；將極化特征作為輸入，利用極大似然分類器對油膜進行檢測與分類；對分類結(jié)果進行基于形態(tài)學處理，利用實測的驗證信息對分類精度進行評估。本發(fā)明能夠提高海面溢油檢測與分類方法的性能，促進全極化SAR在海面溢油監(jiān)測等實際工程問題中的應用。
【專利說明】
一種基于全極化合成孔徑雷達圖像的海面溢油檢測方法
技術領域
[0001] 本發(fā)明屬于海洋遙感技術領域，特別涉及一種監(jiān)測海面溢油的雷達衛(wèi)星遙感方 法。
【背景技術】
[0002] 海洋溢油是目前最為常見的海洋污染之一，它使海洋環(huán)境和生態(tài)系統(tǒng)受到破壞， 威脅海洋生物的生長。溢油事故會使?jié)O業(yè)及海產(chǎn)養(yǎng)殖業(yè)蒙巨大經(jīng)濟損失，甚至還會通過食 物鏈的傳導危害人類的健康。及時、準確的海面溢油監(jiān)測和早期預警，可以使事故在影響擴 大之前得到及早處置，有效地降低事故帶來的負面影響。實效性強的溢油監(jiān)測手段能夠為 追究肇事船只和企業(yè)的責任提供依據(jù)，從而為維持海岸帶及海洋生態(tài)系統(tǒng)的健康和可持續(xù) 發(fā)展提供支持。
[0003] 傳統(tǒng)的溢油檢測主要依賴于飛機和船舶的海上定點巡邏監(jiān)視等方法，這些方法不 僅費用昂貴，需要大量人力物力，而且效率較低，受到天氣、時間等自然條件的約束。與地 基、?；^測等傳統(tǒng)方式相比，航空、航天遙感極大地擴大了海面監(jiān)視的范圍。隨著科技的 進步，目前航空及衛(wèi)星遙感已經(jīng)成為海面及岸帶遙感監(jiān)測的有效手段。按照傳感器的工作 波段，可將遙感分類為，紫外遙感，可見光遙感，紅外遙感以及微波遙感。其中微波遙感是海 洋遙感的最佳手段之一，其主要原因是微波可以穿過大氣窗口，對海洋進行全天時、全天候 的觀測，不受云雨光照等自然條件影響。目前，微波遙感手段中應用最為廣泛的技術就是合 成孔徑雷達(SAR)，由于其具有高分辨率、寬覆蓋等優(yōu)勢，已成為對地觀測領域的前沿技術， 越來越多地被用在全球環(huán)境監(jiān)測中。
[0004] 利用SAR可以精密地測量海面的粗糙度。由于海面油膜抑制海面毛細波，削弱對雷 達后向散射起主要貢獻的布拉格散射，因此在SAR圖像中形成"暗區(qū)"，從而被檢測出來。但 是，由于SAR的成像原理，圖像中會難以避免地存在相干斑噪聲，影響油膜區(qū)域的提取。更為 嚴重的問題是:一些自然現(xiàn)象，例如海面禁風區(qū)、生物油膜、淡水層、波浪陰影等也會在SAR 圖像中產(chǎn)生相似的"暗區(qū)"，為SAR溢油檢測的實際應用帶來一定的困難。
[0005] 早期的SAR溢油檢測主要基于單極化圖像，盡管利用灰度，紋理以及形狀等信息可 以排除一部分似然物，但這些方法往往難以排除一些虛警。為了解決這一問題，近些年越來 越多的研究考慮利用多極化SAR來進行溢油監(jiān)測。這是因為在不同的極化信號照射下地物 會產(chǎn)生不同特性的回波，而通過這些極化信息可以提高目標識別的準確度。已經(jīng)有許多研 究發(fā)現(xiàn)，溢油與某些似然物，特別是生物油膜引起的暗斑，具有非常不同的極化散射特征。 因此通過利用新一代的SAR衛(wèi)星提供多極化的探測能力，溢油檢測的錯誤率可以被顯著降 低。有研究表明，同極化相位差(cro)能夠有效地區(qū)分溢油與生物油膜，而從極化相干矩陣 中提取出的一些參數(shù)如極化熵、alpha角等也能提高溢油分類的性能。極化SAR的應用為油 膜分類提供了新的特征集，提高了溢油檢測的準確度。
[0006] 目前基于SAR圖像的海面溢油檢測算法主要分為三步，即黑斑檢測、特征提取、以 及油膜與似然物的分類。在黑斑檢測上主要有基于全局或者局部自適應的閾值法，以及基 于能量泛函的水平集法等。基于對檢測出的黑斑的分析，可以提取出絕對灰度、對比度等特 征，長寬比、復雜度等形態(tài)學參數(shù)，以及紋理等特征。利用這些特征，可以利用特征級的監(jiān)督 與非監(jiān)督分類將礦物油與生物油膜等似然物進行分類。目前常用的分類器有非監(jiān)督的K均 值法，監(jiān)督的支持向量機(SVM)以及人工神經(jīng)網(wǎng)絡(ANN)等。最近的一些研究證實，在分類中 引入極化特征可以有效地提高油膜分類的精度，降低誤分的概率。傳統(tǒng)的海面溢油檢測算 法的有效性雖然已被許多研究與實際應用所證實，但是仍然存在較大的改進空間。廣泛使 用的溢油檢測算法大都分具有以上三步的原因是，在溢油與似然物的分類過程中需要提取 特征級的信息。而極化特征的引入使得黑斑檢測的步驟變得并非必要，因為極化特征提供 了對于油膜與似然物的充足區(qū)分度。在基于極化特征的油膜檢測算法中，基于灰度的黑斑 檢測或者分割有可能忽視某些非典型或者面積較小的礦物油膜，形成漏警。同時，三步法處 理流程較長，需要提取特征級的信息，需要較大的計算量，這給大范圍海面溢油近實時檢測 帶來一定的挑戰(zhàn)。

【發(fā)明內(nèi)容】

[0007] 針對目前利用合成孔徑雷達（SAR)衛(wèi)星圖像檢測海面溢油存在的似然物難以區(qū) 分，算法復雜需要處理時間長等技術問題，本發(fā)明的目的是提供基于全極化合成孔徑雷達 圖像的海面溢油檢測方法，以提高海面溢油檢測與分類方法的性能，便于全極化SAR在海面 溢油監(jiān)測等實際工程問題中的應用。
[0008] 為實現(xiàn)上述目的，本發(fā)明采用的技術方案為：
[0009] -種基于全極化合成孔徑雷達圖像的海面溢油檢測方法，包括以下步驟：
[0010] 步驟1:從全極化合成孔徑雷達圖像中獲取需要處理的極化SAR數(shù)據(jù)，對需要處理 的極化SAR數(shù)據(jù)進行預處理，得到全極化SAR協(xié)方差矩陣(C);
[0011] 步驟2:對上述步驟得到的協(xié)方差矩陣進行精制極化Lee濾波；
[0012] 步驟3:基于濾波后的協(xié)方差矩陣或通過其計算出的Stokes向量，提取六個極化特 征，構(gòu)成特征組合；
[0013] 步驟4:將有地面驗證信息的訓練樣本特征輸入極大似然分類器，對分類器進行訓 練，并優(yōu)化其參數(shù)；
[0014] 步驟5:將需要進行溢油檢測圖像的極化特征作為輸入，利用極大似然分類器對油 膜進行檢測與分類；
[0015] 步驟6:對分類結(jié)果進行基于形態(tài)學的處理，去除面積過小的區(qū)域及填補閉合區(qū)域 中的孔洞，利用實測的驗證信息對分類精度進行評估。
[0016] 進一步的，步驟1中，極化SAR數(shù)據(jù)進行預處理包括格式轉(zhuǎn)換、定標。
[0017] 進一步的，步驟1中，若得到的是四通道SAR復極化散射矩陣（S)，則通過下述方法 轉(zhuǎn)化為協(xié)方差矩陣：
[0019]其中下標i，j分別代表發(fā)射和接收的極化方式，h為水平極化，v為垂直極化；
[0021] 1:代表散射向量(假設對于單站系統(tǒng)，互易定理成立，即Shv = Svh)，T代表矩陣轉(zhuǎn)置；
[0023] 其中上標*T代表共輒轉(zhuǎn)置，〈〉表示用一定大小的窗口（例如5X5)對數(shù)據(jù)進行空域 平均。
[0024] 進一步的，步驟2中，對協(xié)方差矩陣進行精制極化Lee濾波算法包括如下步驟：（1) 在SPAN圖像上進行邊緣模板匹配，選取方向窗口；（2)在該方向窗口內(nèi)應用局部統(tǒng)計濾波器 對協(xié)方差矩陣進行濾波處理。
[0025] 進一步的，步驟3中，基于濾波后的協(xié)方差矩陣或通過其計算出的Stokes向量，提 取如下六個極化特征構(gòu)成特征組合：
[0026] a)極化度：
[0028] 其中，g*為Stokes向量(* = 0，1，2,3);
[0029] b)-致性系數(shù)：
[0033]其中arg()表示求復數(shù)角度；
[0034] d)極化熵：
[0038]其中，h (i = 1，2，3)是極化相干矩陣T的特征值；
[0039] e)歸一化極化基座高度
[0041] f)相關系數(shù)
[0043]進一步的，步驟4中，采用監(jiān)督分類的方法，基于極化特征將油膜與海面及其似然 物進行分類;訓練樣本及分類結(jié)果都只包含兩類，即礦物油膜和非油膜;分類操作前需要獲 取訓練樣本，樣本應在與待處理圖像相似的海況下獲得，包含不同的海面目標類型，并經(jīng)人 工解譯或者地面調(diào)查信息進行驗證;對包含訓練樣本的數(shù)據(jù)進行1-3步操作，提取極化特 征，將這些特征輸入極大似然(ML)分類器，對分類器進行訓練，并優(yōu)化其參數(shù)。
[0044]進一步的，步驟6中，通過形態(tài)學處理去除面積過小的區(qū)域已及填補閉合區(qū)域中的 孔洞:利用圓形模板，對分類結(jié)果的二值圖像先進行閉運算，再進行開運算，再去除面積過 小的區(qū)域。
[0045] 本發(fā)明的有益效果是：
[0046] (1)本發(fā)明利用全極化合成孔徑雷達圖像所提供的海面場景信息，通過基于訓練 樣本的監(jiān)督分類對海面油膜進行檢測，與傳統(tǒng)基于單極化圖像的海面溢油檢測算法相比， 能更好地區(qū)分油膜和似然物，具有更高的檢測性能。
[0047] (2)本發(fā)明利用極化濾波器對全極化SAR海面場景圖像進行預處理，極大地抑制了 斑點噪聲，解決了其對海面油膜檢測與分類算法性能影響的問題。
[0048] (3)本發(fā)明省略了傳統(tǒng)三步法溢油檢測流程中的黑斑提取步驟，將似然油膜的提 取與油膜和似然物的分類同時進行，提高了算法的效率，縮短了處理時間，同時降低了漏警 率。
[0049] (4)本發(fā)明基于極化SAR圖像的協(xié)方差矩陣與Stokes向量，選取具有最佳分類性能 的6個特征作為特征組合，很好地平衡了分類算法性能與特征維數(shù)復雜度的問題，進一步提 高了算法的效率。
【附圖說明】
[0050] 圖1為本發(fā)明的方法流程圖；
[0051 ]圖2為實例區(qū)域的功率灰度圖像，其中，左側(cè)圖像中包含生物油膜，右側(cè)圖像中包 含礦物油；
[0052]圖3為極化濾波后圖像；
[0053]圖4為極化特征圖（歸一化顯示）：a極化基座，b極化熵，c極化度，d相關系數(shù)，e-致 性系數(shù)f同極化相位差的標準差；
[0054]圖5為極大似然分類結(jié)果示意圖；
[0055]圖6為最終油膜檢測結(jié)果示意圖。
【具體實施方式】
[0056]本發(fā)明中提出了一種利用合成孔徑雷達監(jiān)測海面溢油的遙感圖像快速處理方法， 以NASA航天飛機雷達實驗中獲取的SIR-C圖像為例，結(jié)合實際數(shù)據(jù)驗證方法的有效性。 [0057] 具體處理步驟如下：
[0058] 1、數(shù)據(jù)獲取與預處理
[0059]從全極化合成孔徑雷達圖像中獲取需要處理的極化SAR數(shù)據(jù)，對需要處理的極化 SAR數(shù)據(jù)進行格式轉(zhuǎn)換、定標等預處理(如需要），得到全極化SAR協(xié)方差矩陣(C)。若得到的 是復極化散射矩陣(S)，則通過以下方法將其轉(zhuǎn)化為協(xié)方差矩陣：
[0061]其中下標i，j分別代表發(fā)射和接收的極化方式，h為水平極化，v為垂直極化。
[0063] |代表散射向量(假設對于單站系統(tǒng)，互易定理成立，即Shv = Svh)，T代表矩陣轉(zhuǎn)置；
[0065]其中上標*T代表共輒轉(zhuǎn)置，〈〉表示用一定大小的窗口（例如5X5)對數(shù)據(jù)進行空域 平均。
[0066]圖2是實驗所用SAR數(shù)據(jù)的功率灰度像，其中，左側(cè)圖像中包含生物油膜，右側(cè)圖像 中包含礦物油。
[0067] 2、精制極化Lee濾波
[0068] 對協(xié)方差矩陣進行精制極化Lee濾波算法主要包括如下步驟：1.在極化總功率 SPAN圖像上進行邊緣模板匹配，選取方向窗口；2.在該方向窗口內(nèi)應用局部統(tǒng)計濾波器對 協(xié)方差矩陣進行濾波處理。極化濾波結(jié)果見圖3。具體方法可參見論文：
[0069] Lee J S，Grunes M R,Grandi G De.Polarimetric SA R speckle filtering and its implication for classif ica tion[C]//IEEE Trans . on Geosci. Remote Sensing,1999,37(5):2363-2373.
[0070] 3、極化特征提取
[0071] 基于濾波后的協(xié)方差矩陣或通過其計算出的Stokes向量，提取如下六個極化特征 構(gòu)成特征組合。極化特征的示意圖見圖4。
[0072] a)極化度（Degree of polarization)
[0073] 極化向量表示為：
[0075]這里|"f,因此Stokes向量表示為：
[0079] 其中，g*為Stokes向量(* = 0，1，2,3);
[0080] b)-致性系數(shù)（Conformity coefficient)
[0082] c)同極化相位差的標準差(Std.of Co-polarized Phase Difference)
[0083]
[0084] 其中arg〇表示求復數(shù)角度；
[0085] d)極化熵（Entropy)
[0089] 其中，M(i = l，2,3)是極化相干矩陣T的特征值；
[0090] e)歸一化極化基座高度(Normalized Pedestal height)
[0092] f)相關系數(shù)（Correlation coefficient)
[0094] 4、極大似然分類
[0095] 采用監(jiān)督分類的方法，基于極化特征將油膜與海面及其似然物進行分類。訓練樣 本及分類結(jié)果都只包含兩類，即礦物油膜和非油膜。分類操作前需要獲取一定量的訓練樣 本，樣本應在與待處理圖像相似的海況下獲得，包含不同的海面目標類型，并經(jīng)人工解譯或 者地面調(diào)查信息進行驗證。對包含訓練樣本的數(shù)據(jù)進行1-3步操作，提取極化特征，將這些 特征輸入極大似然(ML)分類器，對分類器進行訓練，并優(yōu)化其參數(shù)。
[0096] 然后從要進行溢油檢測圖像中提取極化特征，輸入極大似然分類器進行油膜檢測 與分類。分類結(jié)果如圖5。
[0097]根據(jù)貝葉斯(Bayes)準則，事件ω的后驗概率P(i| ω)，由伴隨其發(fā)生的事件的先 驗概率P(i)及其發(fā)生的條件概率Ρ( ω | i)計算出：
[0099]在本方法中，ω代表圖像中提取出的特征組合，即特征向量，而i代表類。根據(jù)極大 似然分類法則，像元X被分為i類的判決準則是：
[0100] Xei，若對于所有的j乒i有P(i| co)>P(j| ω)
[0101] 5、形態(tài)學后處理
[0102] 最后通過形態(tài)學處理去除面積過小的區(qū)域已及填補閉合區(qū)域中的孔洞:利用圓形 模板，對分類結(jié)果的二值圖像先進行閉運算，再進行開運算，再去除面積過小的區(qū)域。最終 油膜檢測結(jié)果如圖6。圓形模板以及小面積區(qū)域的半徑可根據(jù)實際情況，由實驗或者經(jīng)驗決 定。
[0103] 以上所述僅是本發(fā)明的優(yōu)選實施方式，應當指出：對于本技術領域的普通技術人 員來說，在不脫離本發(fā)明原理的前提下，還可以做出若干改進和潤飾，這些改進和潤飾也應 視為本發(fā)明的保護范圍。
【主權項】
1. 一種基于全極化合成孔徑雷達圖像的海面溢油檢測方法，其特征在于:包括以下步 驟： 步驟1:從全極化合成孔徑雷達圖像中獲取需要處理的極化SAR數(shù)據(jù)，對需要處理的極 化SAR數(shù)據(jù)進行預處理，得到全極化SAR協(xié)方差矩陣(C); 步驟2:對上述步驟得到的協(xié)方差矩陣進行精制極化Lee濾波； 步驟3:基于上述步驟濾波后的協(xié)方差矩陣或通過其計算出的Stokes向量，提取六個極 化特征，構(gòu)成特征組合； 步驟4:將有地面驗證信息的訓練樣本特征輸入極大似然分類器，對分類器進行訓練， 并優(yōu)化其參數(shù)； 步驟5:將需要進行溢油檢測圖像的極化特征作為輸入，利用極大似然分類器對油膜進 行檢測與分類； 步驟6:對分類結(jié)果進行基于形態(tài)學的處理，去除面積過小的區(qū)域及填補閉合區(qū)域中的 孔洞，利用實測的驗證信息對分類精度進行評估。2. 如權利要求1所述的基于全極化合成孔徑雷達圖像的海面溢油檢測方法，其特征在 于:步驟1中，極化SAR數(shù)據(jù)進行預處理包括格式轉(zhuǎn)換、定標。3. 如權利要求1所述的基于全極化合成孔徑雷達圖像的海面溢油檢測方法，其特征在 于:步驟1中，若得到的是四通道SAR復極化散射矩陣(S)，則通過下述方法轉(zhuǎn)化為協(xié)方差矩 陣：其中下標i，j分別代表發(fā)射知按階的秘仆卞'式丄先★承?仆·ν為垂直極化；代表散射向量(假設對于單站系統(tǒng)，互易定理成立，即Shv = Svh)，T代表矩陣轉(zhuǎn)置；其中上標*T代表共輒轉(zhuǎn)置，〈>表示用窗口對數(shù)據(jù)進行空域平均。4. 如權利要求1所述的基于全極化合成孔徑雷達圖像的海面溢油檢測方法，其特征在 于：步驟2中，對協(xié)方差矩陣進行精制極化Lee濾波算法包括如下步驟：（1)在極化總功率 SPAN圖像上進行邊緣模板匹配，選取方向窗口；（2)在該方向窗口內(nèi)應用局部統(tǒng)計濾波器對 協(xié)方差矩陣進行濾波處理。5. 如權利要求1所述的基于全極化合成孔徑雷達圖像的海面溢油檢測方法，其特征在 于:步驟3中，基于濾波后的協(xié)方差矩陣或通過其計算出的Stokes向量，提取如下六個極化 特征構(gòu)成特征組合： a) 極化度：其中，g*為Stokes向量(* = 0,1，2,3); b) -致性系數(shù)：c) 同極化相位差的標準差：其中arg()表示求復數(shù)角度； d) 極化熵：其中Pi由下式求得：其中，M(i = l，2,3)是極化相干矩陣T的特征值，； e) 歸一化極化基座高度f) 相關系數(shù)6. 如權利要求1所述的基于全極化合成孔徑雷達圖像的海面溢油檢測方法，其特征在 于:步驟4中，采用監(jiān)督分類的方法，基于極化特征將油膜與海面及其似然物進行分類;訓練 樣本及分類結(jié)果都只包含兩類，即礦物油膜和非油膜;分類操作前需要獲取訓練樣本，樣本 應在與待處理圖像相似的海況下獲得，包含不同的海面目標類型，并經(jīng)人工解譯或者地面 調(diào)查信息進行驗證;對包含訓練樣本的數(shù)據(jù)進行1-3步操作，提取極化特征，將這些特征輸 入極大似然(ML)分類器，對分類器進行訓練，并優(yōu)化其參數(shù)。7. 如權利要求1所述的基于全極化合成孔徑雷達圖像的海面溢油檢測方法，其特征在 于：步驟6中，通過形態(tài)學處理去除面積過小的區(qū)域已及填補閉合區(qū)域中的孔洞：利用圓形 模板，對分類結(jié)果的二值圖像先進行閉運算，再進行開運算，再去除面積過小的區(qū)域。
【文檔編號】G06K9/62GK105866775SQ201610183160
【公開日】2016年8月17日
【申請日】2016年3月28日
【發(fā)明人】張淵智, 李煜, 何宜軍
【申請人】南京信息工程大學