一種基于全極化合成孔徑雷達(dá)圖像的海面溢油檢測(cè)方法
【專利摘要】本發(fā)明公開(kāi)了一種基于全極化合成孔徑雷達(dá)(SAR)圖像的海面溢油檢測(cè)方法，包括以下步驟：對(duì)需要分析的極化SAR數(shù)據(jù)進(jìn)行預(yù)處理，得到全極化SAR協(xié)方差矩陣；對(duì)協(xié)方差矩陣進(jìn)行精制極化Lee濾波；基于濾波后的協(xié)方差矩陣或通過(guò)其計(jì)算出的Stokes向量，提取六個(gè)極化特征，構(gòu)成特征組合；將有地面驗(yàn)證標(biāo)簽信息的訓(xùn)練樣本特征輸入極大似然分類器，對(duì)分類器進(jìn)行訓(xùn)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(duì)油膜進(jìn)行檢測(cè)與分類；對(duì)分類結(jié)果進(jìn)行基于形態(tài)學(xué)處理，利用實(shí)測(cè)的驗(yàn)證信息對(duì)分類精度進(jìn)行評(píng)估。本發(fā)明能夠提高海面溢油檢測(cè)與分類方法的性能，促進(jìn)全極化SAR在海面溢油監(jiān)測(cè)等實(shí)際工程問(wèn)題中的應(yīng)用。
【專利說(shuō)明】
一種基于全極化合成孔徑雷達(dá)圖像的海面溢油檢測(cè)方法
技術(shù)領(lǐng)域
[0001] 本發(fā)明屬于海洋遙感技術(shù)領(lǐng)域，特別涉及一種監(jiān)測(cè)海面溢油的雷達(dá)衛(wèi)星遙感方 法。
【背景技術(shù)】
[0002] 海洋溢油是目前最為常見(jiàn)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(zhǎng)。溢油事故會(huì)使?jié)O業(yè)及海產(chǎn)養(yǎng)殖業(yè)蒙巨大經(jīng)濟(jì)損失，甚至還會(huì)通過(guò)食 物鏈的傳導(dǎo)危害人類的健康。及時(shí)、準(zhǔn)確的海面溢油監(jiān)測(cè)和早期預(yù)警，可以使事故在影響擴(kuò) 大之前得到及早處置，有效地降低事故帶來(lái)的負(fù)面影響。實(shí)效性強(qiáng)的溢油監(jiān)測(cè)手段能夠?yàn)?追究肇事船只和企業(yè)的責(zé)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(cè)主要依賴于飛機(jī)和船舶的海上定點(diǎn)巡邏監(jiān)視等方法，這些方法不 僅費(fèi)用昂貴，需要大量人力物力，而且效率較低，受到天氣、時(shí)間等自然條件的約束。與地 基、?；^測(cè)等傳統(tǒng)方式相比，航空、航天遙感極大地?cái)U(kuò)大了海面監(jiān)視的范圍。隨著科技的 進(jìn)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(cè)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(jiàn)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(guò)大氣窗口，對(duì)海洋進(jìn)行全天時(shí)、全天候 的觀測(cè)，不受云雨光照等自然條件影響。目前，微波遙感手段中應(yīng)用最為廣泛的技術(shù)就是合 成孔徑雷達(dá)(SAR)，由于其具有高分辨率、寬覆蓋等優(yōu)勢(shì)，已成為對(duì)地觀測(cè)領(lǐng)域的前沿技術(shù)， 越來(lái)越多地被用在全球環(huán)境監(jiān)測(cè)中。
[0004] 利用SAR可以精密地測(cè)量海面的粗糙度。由于海面油膜抑制海面毛細(xì)波，削弱對(duì)雷 達(dá)后向散射起主要貢獻(xiàn)的布拉格散射，因此在SAR圖像中形成"暗區(qū)"，從而被檢測(cè)出來(lái)。但 是，由于SAR的成像原理，圖像中會(huì)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(yán)重的問(wèn)題是:一些自然現(xiàn)象，例如海面禁風(fēng)區(qū)、生物油膜、淡水層、波浪陰影等也會(huì)在SAR 圖像中產(chǎn)生相似的"暗區(qū)"，為SAR溢油檢測(cè)的實(shí)際應(yīng)用帶來(lái)一定的困難。
[0005] 早期的SAR溢油檢測(cè)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(wèn)題，近些年越來(lái) 越多的研究考慮利用多極化SAR來(lái)進(jìn)行溢油監(jiān)測(cè)。這是因?yàn)樵诓煌臉O化信號(hào)照射下地物 會(huì)產(chǎn)生不同特性的回波，而通過(guò)這些極化信息可以提高目標(biāo)識(shí)別的準(zhǔn)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(guò)利用新一代的SAR衛(wèi)星提供多極化的探測(cè)能力，溢油檢測(cè)的錯(cuò)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(yīng)用為油 膜分類提供了新的特征集，提高了溢油檢測(cè)的準(zhǔn)確度。
[0006] 目前基于SAR圖像的海面溢油檢測(cè)算法主要分為三步，即黑斑檢測(cè)、特征提取、以 及油膜與似然物的分類。在黑斑檢測(cè)上主要有基于全局或者局部自適應(yīng)的閾值法，以及基 于能量泛函的水平集法等。基于對(duì)檢測(cè)出的黑斑的分析，可以提取出絕對(duì)灰度、對(duì)比度等特 征，長(zhǎng)寬比、復(fù)雜度等形態(tài)學(xué)參數(shù)，以及紋理等特征。利用這些特征，可以利用特征級(jí)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(jìn)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(jī)(SVM)以及人工神經(jīng)網(wǎng)絡(luò)(ANN)等。最近的一些研究證實(shí)，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(cè)算 法的有效性雖然已被許多研究與實(shí)際應(yīng)用所證實(shí)，但是仍然存在較大的改進(jìn)空間。廣泛使 用的溢油檢測(cè)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(guò)程中需要提取 特征級(jí)的信息。而極化特征的引入使得黑斑檢測(cè)的步驟變得并非必要，因?yàn)闃O化特征提供 了對(duì)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(cè)算法中，基于灰度的黑斑 檢測(cè)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(shí)，三步法處 理流程較長(zhǎng)，需要提取特征級(jí)的信息，需要較大的計(jì)算量，這給大范圍海面溢油近實(shí)時(shí)檢測(cè) 帶來(lái)一定的挑戰(zhàn)。

【發(fā)明內(nèi)容】

[0007] 針對(duì)目前利用合成孔徑雷達(dá)（SAR)衛(wèi)星圖像檢測(cè)海面溢油存在的似然物難以區(qū) 分，算法復(fù)雜需要處理時(shí)間長(zhǎng)等技術(shù)問(wèn)題，本發(fā)明的目的是提供基于全極化合成孔徑雷達(dá) 圖像的海面溢油檢測(cè)方法，以提高海面溢油檢測(cè)與分類方法的性能，便于全極化SAR在海面 溢油監(jiān)測(cè)等實(shí)際工程問(wèn)題中的應(yīng)用。
[0008] 為實(shí)現(xiàn)上述目的，本發(fā)明采用的技術(shù)方案為：
[0009] -種基于全極化合成孔徑雷達(dá)圖像的海面溢油檢測(cè)方法，包括以下步驟：
[0010] 步驟1:從全極化合成孔徑雷達(dá)圖像中獲取需要處理的極化SAR數(shù)據(jù)，對(duì)需要處理 的極化SAR數(shù)據(jù)進(jìn)行預(yù)處理，得到全極化SAR協(xié)方差矩陣(C);
[0011] 步驟2:對(duì)上述步驟得到的協(xié)方差矩陣進(jìn)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(guò)其計(jì)算出的Stokes向量，提取六個(gè)極化特 征，構(gòu)成特征組合；
[0013] 步驟4:將有地面驗(yàn)證信息的訓(xùn)練樣本特征輸入極大似然分類器，對(duì)分類器進(jìn)行訓(xùn) 練，并優(yōu)化其參數(shù)；
[0014] 步驟5:將需要進(jìn)行溢油檢測(cè)圖像的極化特征作為輸入，利用極大似然分類器對(duì)油 膜進(jìn)行檢測(cè)與分類；
[0015] 步驟6:對(duì)分類結(jié)果進(jìn)行基于形態(tài)學(xué)的處理，去除面積過(guò)小的區(qū)域及填補(bǔ)閉合區(qū)域 中的孔洞，利用實(shí)測(cè)的驗(yàn)證信息對(duì)分類精度進(jìn)行評(píng)估。
[0016] 進(jìn)一步的，步驟1中，極化SAR數(shù)據(jù)進(jìn)行預(yù)處理包括格式轉(zhuǎn)換、定標(biāo)。
[0017] 進(jìn)一步的，步驟1中，若得到的是四通道SAR復(fù)極化散射矩陣（S)，則通過(guò)下述方法 轉(zhuǎn)化為協(xié)方差矩陣：
[0019]其中下標(biāo)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(shè)對(duì)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(biāo)*T代表共輒轉(zhuǎn)置，〈〉表示用一定大小的窗口（例如5X5)對(duì)數(shù)據(jù)進(jìn)行空域 平均。
[0024] 進(jìn)一步的，步驟2中，對(duì)協(xié)方差矩陣進(jìn)行精制極化Lee濾波算法包括如下步驟：（1) 在SPAN圖像上進(jìn)行邊緣模板匹配，選取方向窗口；（2)在該方向窗口內(nèi)應(yīng)用局部統(tǒng)計(jì)濾波器 對(duì)協(xié)方差矩陣進(jìn)行濾波處理。
[0025] 進(jìn)一步的，步驟3中，基于濾波后的協(xié)方差矩陣或通過(guò)其計(jì)算出的Stokes向量，提 取如下六個(gè)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(fù)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(guān)系數(shù)
[0043]進(jìn)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(jìn)行分類;訓(xùn)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(xùn)練樣本，樣本應(yīng)在與待處理圖像相似的海況下獲得，包含不同的海面目標(biāo)類型，并經(jīng)人 工解譯或者地面調(diào)查信息進(jìn)行驗(yàn)證;對(duì)包含訓(xùn)練樣本的數(shù)據(jù)進(jìn)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(duì)分類器進(jìn)行訓(xùn)練，并優(yōu)化其參數(shù)。
[0044]進(jìn)一步的，步驟6中，通過(guò)形態(tài)學(xué)處理去除面積過(guò)小的區(qū)域已及填補(bǔ)閉合區(qū)域中的 孔洞:利用圓形模板，對(duì)分類結(jié)果的二值圖像先進(jìn)行閉運(yùn)算，再進(jìn)行開(kāi)運(yùn)算，再去除面積過(guò) 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(dá)圖像所提供的海面場(chǎng)景信息，通過(guò)基于訓(xùn)練 樣本的監(jiān)督分類對(duì)海面油膜進(jìn)行檢測(cè)，與傳統(tǒng)基于單極化圖像的海面溢油檢測(cè)算法相比， 能更好地區(qū)分油膜和似然物，具有更高的檢測(cè)性能。
[0047] (2)本發(fā)明利用極化濾波器對(duì)全極化SAR海面場(chǎng)景圖像進(jìn)行預(yù)處理，極大地抑制了 斑點(diǎn)噪聲，解決了其對(duì)海面油膜檢測(cè)與分類算法性能影響的問(wèn)題。
[0048] (3)本發(fā)明省略了傳統(tǒng)三步法溢油檢測(cè)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(shí)進(jìn)行，提高了算法的效率，縮短了處理時(shí)間，同時(shí)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(gè)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(fù)雜度的問(wèn)題，進(jìn)一步提 高了算法的效率。
【附圖說(shuō)明】
[0050] 圖1為本發(fā)明的方法流程圖；
[0051 ]圖2為實(shí)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(guān)系數(shù)，e-致 性系數(shù)f同極化相位差的標(biāo)準(zhǔn)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(cè)結(jié)果示意圖。
【具體實(shí)施方式】
[0056]本發(fā)明中提出了一種利用合成孔徑雷達(dá)監(jiān)測(cè)海面溢油的遙感圖像快速處理方法， 以NASA航天飛機(jī)雷達(dá)實(shí)驗(yàn)中獲取的SIR-C圖像為例，結(jié)合實(shí)際數(shù)據(jù)驗(yàn)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(yù)處理
[0059]從全極化合成孔徑雷達(dá)圖像中獲取需要處理的極化SAR數(shù)據(jù)，對(duì)需要處理的極化 SAR數(shù)據(jù)進(jìn)行格式轉(zhuǎn)換、定標(biāo)等預(yù)處理(如需要），得到全極化SAR協(xié)方差矩陣(C)。若得到的 是復(fù)極化散射矩陣(S)，則通過(guò)以下方法將其轉(zhuǎn)化為協(xié)方差矩陣：
[0061]其中下標(biāo)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(shè)對(duì)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(biāo)*T代表共輒轉(zhuǎn)置，〈〉表示用一定大小的窗口（例如5X5)對(duì)數(shù)據(jù)進(jìn)行空域 平均。
[0066]圖2是實(shí)驗(yàn)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(duì)協(xié)方差矩陣進(jìn)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(jìn)行邊緣模板匹配，選取方向窗口；2.在該方向窗口內(nèi)應(yīng)用局部統(tǒng)計(jì)濾波器對(duì) 協(xié)方差矩陣進(jìn)行濾波處理。極化濾波結(jié)果見(jiàn)圖3。具體方法可參見(jiàn)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(guò)其計(jì)算出的Stokes向量，提取如下六個(gè)極化特征 構(gòu)成特征組合。極化特征的示意圖見(jiàn)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(biāo)準(zhǔn)差(Std.of Co-polarized Phase Difference)
[0083]
[0084] 其中arg〇表示求復(fù)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(guān)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(jìn)行分類。訓(xùn)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(xùn)練樣 本，樣本應(yīng)在與待處理圖像相似的海況下獲得，包含不同的海面目標(biāo)類型，并經(jīng)人工解譯或 者地面調(diào)查信息進(jìn)行驗(yàn)證。對(duì)包含訓(xùn)練樣本的數(shù)據(jù)進(jìn)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(duì)分類器進(jìn)行訓(xùn)練，并優(yōu)化其參數(shù)。
[0096] 然后從要進(jìn)行溢油檢測(cè)圖像中提取極化特征，輸入極大似然分類器進(jìn)行油膜檢測(cè) 與分類。分類結(jié)果如圖5。
[0097]根據(jù)貝葉斯(Bayes)準(zhǔn)則，事件ω的后驗(yàn)概率P(i| ω)，由伴隨其發(fā)生的事件的先 驗(yàn)概率P(i)及其發(fā)生的條件概率Ρ( ω | i)計(jì)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(zhǔn)則是：
[0100] Xei，若對(duì)于所有的j乒i有P(i| co)>P(j| ω)
[0101] 5、形態(tài)學(xué)后處理
[0102] 最后通過(guò)形態(tài)學(xué)處理去除面積過(guò)小的區(qū)域已及填補(bǔ)閉合區(qū)域中的孔洞:利用圓形 模板，對(duì)分類結(jié)果的二值圖像先進(jìn)行閉運(yùn)算，再進(jìn)行開(kāi)運(yùn)算，再去除面積過(guò)小的區(qū)域。最終 油膜檢測(cè)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(shí)際情況，由實(shí)驗(yàn)或者經(jīng)驗(yàn)決 定。
[0103] 以上所述僅是本發(fā)明的優(yōu)選實(shí)施方式，應(yīng)當(dāng)指出：對(duì)于本技術(shù)領(lǐng)域的普通技術(shù)人 員來(lái)說(shuō)，在不脫離本發(fā)明原理的前提下，還可以做出若干改進(jìn)和潤(rùn)飾，這些改進(jìn)和潤(rùn)飾也應(yīng) 視為本發(fā)明的保護(hù)范圍。
【主權(quán)項(xiàng)】
1. 一種基于全極化合成孔徑雷達(dá)圖像的海面溢油檢測(cè)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(dá)圖像中獲取需要處理的極化SAR數(shù)據(jù)，對(duì)需要處理的極 化SAR數(shù)據(jù)進(jìn)行預(yù)處理，得到全極化SAR協(xié)方差矩陣(C); 步驟2:對(duì)上述步驟得到的協(xié)方差矩陣進(jìn)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(guò)其計(jì)算出的Stokes向量，提取六個(gè)極 化特征，構(gòu)成特征組合； 步驟4:將有地面驗(yàn)證信息的訓(xùn)練樣本特征輸入極大似然分類器，對(duì)分類器進(jìn)行訓(xùn)練， 并優(yōu)化其參數(shù)； 步驟5:將需要進(jìn)行溢油檢測(cè)圖像的極化特征作為輸入，利用極大似然分類器對(duì)油膜進(jìn) 行檢測(cè)與分類； 步驟6:對(duì)分類結(jié)果進(jìn)行基于形態(tài)學(xué)的處理，去除面積過(guò)小的區(qū)域及填補(bǔ)閉合區(qū)域中的 孔洞，利用實(shí)測(cè)的驗(yàn)證信息對(duì)分類精度進(jìn)行評(píng)估。2. 如權(quán)利要求1所述的基于全極化合成孔徑雷達(dá)圖像的海面溢油檢測(cè)方法，其特征在 于:步驟1中，極化SAR數(shù)據(jù)進(jìn)行預(yù)處理包括格式轉(zhuǎn)換、定標(biāo)。3. 如權(quán)利要求1所述的基于全極化合成孔徑雷達(dá)圖像的海面溢油檢測(cè)方法，其特征在 于:步驟1中，若得到的是四通道SAR復(fù)極化散射矩陣(S)，則通過(guò)下述方法轉(zhuǎn)化為協(xié)方差矩 陣：其中下標(biāo)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(shè)對(duì)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(biāo)*T代表共輒轉(zhuǎn)置，〈>表示用窗口對(duì)數(shù)據(jù)進(jìn)行空域平均。4. 如權(quán)利要求1所述的基于全極化合成孔徑雷達(dá)圖像的海面溢油檢測(cè)方法，其特征在 于：步驟2中，對(duì)協(xié)方差矩陣進(jìn)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(jìn)行邊緣模板匹配，選取方向窗口；（2)在該方向窗口內(nèi)應(yīng)用局部統(tǒng)計(jì)濾波器對(duì) 協(xié)方差矩陣進(jìn)行濾波處理。5. 如權(quán)利要求1所述的基于全極化合成孔徑雷達(dá)圖像的海面溢油檢測(cè)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(guò)其計(jì)算出的Stokes向量，提取如下六個(gè)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(biāo)準(zhǔn)差：其中arg()表示求復(fù)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(wàn)) 相關(guān)系數(shù)6. 如權(quán)利要求1所述的基于全極化合成孔徑雷達(dá)圖像的海面溢油檢測(cè)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(jìn)行分類;訓(xùn)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(xùn)練樣本，樣本 應(yīng)在與待處理圖像相似的海況下獲得，包含不同的海面目標(biāo)類型，并經(jīng)人工解譯或者地面 調(diào)查信息進(jìn)行驗(yàn)證;對(duì)包含訓(xùn)練樣本的數(shù)據(jù)進(jìn)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(duì)分類器進(jìn)行訓(xùn)練，并優(yōu)化其參數(shù)。7. 如權(quán)利要求1所述的基于全極化合成孔徑雷達(dá)圖像的海面溢油檢測(cè)方法，其特征在 于：步驟6中，通過(guò)形態(tài)學(xué)處理去除面積過(guò)小的區(qū)域已及填補(bǔ)閉合區(qū)域中的孔洞：利用圓形 模板，對(duì)分類結(jié)果的二值圖像先進(jìn)行閉運(yùn)算，再進(jìn)行開(kāi)運(yùn)算，再去除面積過(guò)小的區(qū)域。
【文檔編號(hào)】G06K9/62GK105866775SQ201610183160
【公開(kāi)日】2016年8月17日
【申請(qǐng)日】2016年3月28日
【發(fā)明人】張淵智, 李煜, 何宜軍
【申請(qǐng)人】南京信息工程大學(xué)