一種sar遙感影像溢油檢測識別方法
【技術領域】
[0001] 本發(fā)明屬于圖像檢測識別技術領域，具體設及一種SAR遙感影像溢油檢測識別方 法。
【背景技術】
[0002] 圖像檢測識別是運用非常廣泛的技術，在所有設及圖像處理的領域中最終都是要 進行圖像的檢測與識別，它是一個圖像處理的體系。其中包含很多方面的圖像處理技術，只 是為了最終達到檢測識別的目地。所W對于圖像的檢測識別系統(tǒng)往往都是大體流程相似， 分別要進行圖像預處理、圖像分割、目標特征提取、（目標訓練檢測）分類器訓練、目標識別 虛警剔除。但是對于每一個系統(tǒng)分支步驟來說可W運用不同的方法達到所預期的圖像處理 目的。
[0003] 對于SAR遙感影像溢油檢測識別系統(tǒng)來說，往往都是先進行同質區(qū)域的提取。 在SAR遙感影像中油膜呈現(xiàn)的是比較暗的區(qū)域與暗海區(qū)域在亮度值上比較相似，在SAR 影像受乘性噪聲干擾比較嚴重的情況下，同質區(qū)提取變得很難，往往采用Bottomhat operation(底帽操作）提取出SAR影像中的暗區(qū)域。并對暗區(qū)域進行特征提取進行檢測識 另IJ，但是該中方法沒有排除乘性噪聲對于目標的影響往往受到乘性噪聲的干擾使得特征提 取不夠準確導致檢測識別結果置信度不高。

【發(fā)明內容】

[0004] 本發(fā)明為了解決乘性噪聲帶來的干擾，不能夠準確檢測識別影像中溢油區(qū)域的問 題，提出了一套比較有效的SAR影像溢油檢測識別方法。該方法通過視覺頻率直方圖更好 的表達了油膜目標在SAR影像中呈現(xiàn)的特征，并且在通過視覺頻率直方圖檢測識別，最后 加入了上下文特征的MRF模型進一步的進行虛警剔除和溢油區(qū)域的檢測得到了更加精確 的檢測識別結果。
[0005] 本發(fā)明方法是通過下述技術方案實現(xiàn)的：
[0006] 一種SAR遙感影像溢油檢測識別方法，其基本實施過程如下：
[0007] 步驟一、利用GammaMAP濾波器對SAR影像濾波，再對其進行Sobel濾波；對Sobel 濾波后得到的梯度圖，進行分水嶺算法實現(xiàn)海陸分割；
[000引步驟二、利用海面區(qū)域圖像的均值對陸地區(qū)域進行填充，再利用C-V算法對填充 后的圖像進行同質區(qū)內的目標區(qū)域分割提取；
[0009] 步驟S、提取目標區(qū)域灰度共生矩陣、小波分解的紋理特性、灰度特征及形狀特征 構建視覺頻率直方圖，利用訓練得到的SVM分類器模型對視覺頻率直方圖進行分類，從目 標區(qū)域中剔除疑似溢油區(qū)域，實現(xiàn)初次虛警剔除；
[0010] 步驟四、將初次虛警剔除的結果作為初始標號場，基于所述初始標號場，利用MRF 的上下文模型中的特征場，進行進一步的虛警剔除，從而實現(xiàn)SAR遙感影像溢油檢測識別 方法。
[001U 本發(fā)明中，所述SVM分類器模型采用下述過程獲得：
[0012]101、利用Gamma MAP濾波器對SAR影像濾波，再對其進行Sobel濾波；對Sobel濾 波后得到的梯度圖，進行分水嶺算法實現(xiàn)海陸分割；
[0013] 102、利用海面部分圖像的均值對陸地區(qū)域進行填充，利用C-V算法對填充后的圖 像進行同質區(qū)內的目標區(qū)域分割提??；
[0014] 103、提取目標區(qū)域中溢油區(qū)域的灰度共生矩陣、小波分解的紋理特性、灰度特征 及形狀特征形成頻率直方圖構建詞包模型；
[0015] 104、利用Kmean方法對103所提取的特征進行聚類，然后根據聚類后的每一維特 征訓練視覺頻率直方圖，將訓練得到的結果作為SVM分類器的輸入再去訓練得到SVM分類 器模型。
[0016] 有益效果；
[0017] 本發(fā)明方法，通過加入Sobel算子對噪聲進行抑制為分水嶺算法進行海陸分割創(chuàng) 造條件，也為后續(xù)的同質區(qū)域提取創(chuàng)造好有利的條件；通過C-V算法對候選區(qū)域的提取再 通過視覺頻率直方圖很好的對溢油區(qū)域進行檢測識別，再對檢測識別結果進行上下文特征 的再確認和進一步的虛警剔除，具有更高的檢測識別精度的效果。提取的灰度共生矩陣和 小波系數能對油膜表面紋理進行更好的描述，使得視覺頻率直方圖（即詞袋模型）對識別 效果產生更好的增益效果。
【附圖說明】
[001引圖1為本發(fā)明SAR遙感影像溢油檢測識別方法的流程圖。
【具體實施方式】
[0019] 下面結合附圖對本發(fā)明方法的實施方式做詳細說明。
[0020] 本發(fā)明的設計思想為：通過GammaMAP濾波去除SAR圖像中乘性噪聲的影響、改進 分水嶺算法進行同質區(qū)提取的大視場分割、C-V(水平集）算法進行海洋中暗區(qū)域的提取、 通過視覺頻率直方圖對提取出的暗區(qū)域進行虛警剔除、最后再通過上下文信息的MRF(馬 爾科夫隨機場）模型進一步進行上下文信息的虛警剔除完成SAR遙感影像大視場的溢油檢 測識別。
[0021] 如圖1所示，本發(fā)明一種SAR遙感影像溢油檢測識別方法，其具體步驟包括：
[0022] 一、SAR巡感影像濾波階段，相干斑乘性噪聲屬于Gamma分布，通過Gamma MAP最 大后驗概率濾波器對SAR遙感影像進行濾波，實現(xiàn)對乘性噪聲的抑制。
[0023] 二、對濾波后的SAR遙感影像進行Sobel濾波，將SAR遙感影像中的目標邊緣提取 出來，又因為Sobel算子是二階算子所W對于噪聲有抑制作用；為分水嶺算法進行分割提 供前提條件，避免因噪聲產生嚴重的過分割。
[0024] =、對Sobel濾波得到的梯度圖，進行分水嶺算法的海陸分割拓撲學運算，實現(xiàn)海 面與陸地的分離提取出海面部分。
[0025] 四、截取海面部分圖像區(qū)域，計算海面部分圖像的均值，并將計算得到的均值填充 到分割出的陸地部分圖像區(qū)域完成同質區(qū)的提取，在圖像上形成只有背景區(qū)域（海面區(qū) 域）和目標區(qū)域（包括海面中的油膜區(qū)域和疑似油膜區(qū)域）。五、設置初始輪廓，并使初始 輪廓盡量涵蓋全圖，一般初始輪廓可w為圓形或是正方形。通過c-v算法約束目標區(qū)域（油 膜區(qū)域和疑似油膜區(qū)域）內的能量為正，約束海面區(qū)域的能量為負，再利用變分法和偏微 分方程描述曲線的驅動力，通過所述驅動力使初始輪廓落在目標區(qū)域的邊緣處，從而使目 標區(qū)域（油膜區(qū)域和疑似油膜區(qū)域）被很好的提取出來。
[0026] 六、針對目標區(qū)域提取特征，主要提取的特征為灰度共生矩陣、小波分解的紋理特 征、灰度特征及形狀特征作為構建視覺頻率直方圖。利用訓練得到的SVM分類器模型對視 覺頻