基于多尺度決策融合的SAR圖像溢油檢測方法分析

王丹華

基于多尺度決策融合的SAR圖像溢油檢測方法分析

王丹華

（河海大學(xué)商學(xué)院，江蘇南京，211100）

本文以墨西哥灣溢油事故的一幅SAR溢油影像數(shù)據(jù)為信息源，通過多尺度分析和基于灰度共生矩陣的紋理特征提取，最后引入多尺度決策融合策略，對各尺度獲得的檢測結(jié)果進行融合，從而形成統(tǒng)一的溢油檢測框架。

多尺度分析；SAR圖像；溢油檢測

0 引言

近年來，海洋石油開采業(yè)以及海洋運輸業(yè)等海上作業(yè)發(fā)展加快，在給人類帶來利益的同時也伴隨著危險，溢油事故頻頻發(fā)生造成海洋環(huán)境的嚴(yán)重污染以及海洋生態(tài)的破壞。SAR圖像溢油檢測中存在多種同樣具有后向散射的特性非溢油區(qū)域，如低風(fēng)速區(qū)、生物油膜，海洋內(nèi)波等，同時也存在大量的斑點噪聲。為更好的應(yīng)對這一問題，應(yīng)充分利用不同對象在不同尺度下表現(xiàn)出的不同特征信息，用多尺度工具深刻分析油膜區(qū)域、類油膜區(qū)域與非油膜區(qū)域，從而提高檢測精度與檢測的穩(wěn)定性。

目前，SAR海洋溢油檢測已經(jīng)成為一個非常活躍的研究方向。迄今為止，國內(nèi)外專家和學(xué)者提出的油污檢測方法主要針對三個方面：溢油圖像的分割、特征提取和海面溢油與疑似溢油的識別。例如Barni等(1995)利用模糊C-均值聚類結(jié)合多尺度的方法來分割SAR溢油圖像。馬秀麗等提出基于分水嶺-譜聚類的SAR圖像分割方法。另外，許多學(xué)者利用大量的SAR圖像對不同的海區(qū)的溢油進行統(tǒng)計分析。Guido等(2009)根據(jù)EGEMP對海上溢油的SAR圖像進行了分析；Andersen等(2010)利用SAR監(jiān)視和模型追蹤沿海水域的溢油事件。

本文將基于輪廓波的多尺度圖像分割及紋理參數(shù)選擇，將單一尺度檢測結(jié)果進行多尺度決策融合。既引入了多尺度分析工具，又考慮了單一尺度上的檢測效率，同時選擇的紋理參數(shù)也更加有效且可靠。

圖1 圖像檢測簡單流程圖

1 方法

本文采用的方法包括三個層次：第一個層次，確定分解次數(shù)，對SAR圖像進行多尺度輪廓波分解，在每一尺度下進行快速分割進而獲得多尺度分割圖像。第二個層次，通過對分割區(qū)域的紋理特征提取及多尺度分析，確定最佳紋理參數(shù)，結(jié)合幾何參數(shù)、風(fēng)速等其他數(shù)據(jù)作為神經(jīng)網(wǎng)絡(luò)的輸入數(shù)據(jù)。測試經(jīng)典模型，獲得多尺度的溢油識別結(jié)果，綜合比較后選擇較優(yōu)的神經(jīng)網(wǎng)絡(luò)模型納入檢測框架。第三個層次，對單一尺度檢測結(jié)果進行決策級多尺度融合獲得最終檢測結(jié)果，形成統(tǒng)一的檢測框架。

1.1 SAR圖像分割

首先建立輪廓波尺度分解次數(shù)自適應(yīng)快速選擇算法，最佳分解尺度應(yīng)使后期的多尺度分析取得運算時間與檢測精度的平衡。在此基礎(chǔ)上，研究一種尺度自適應(yīng)分割方法，對不同尺度上的低頻子圖像進行快速分割預(yù)處理，進而在每一尺度上構(gòu)建基于分割結(jié)果（區(qū)域塊）的相似性矩陣，計算特征值及特征向量，構(gòu)建此分割方法，從而獲得單一尺度的分割結(jié)果。對每一尺度獨立進行分割，提取油膜或類油膜在多個尺度下所在的區(qū)域。本文首先采用Contourlet變換對圖像做去噪處理。設(shè)為高斯加性噪聲模型：

p=o+n （1）

o為原圖像；n為高斯白噪聲；p 為含噪圖像。

利用 Contourlet 變換方法去除噪聲分為三步：進行Contourlet 變換，將噪聲圖像進行處理；按照一定規(guī)則修正Contourlet 變換系數(shù)，反變換得到去噪后的圖像；對第二步的Contourlet 變換系數(shù)進行修正。

一幅圖像的灰度共生矩陣(Gray Level Co- occurrence Matrix，是N×N方陣)是以一定距離d（灰度值設(shè)為i）和一定角度θ（灰度值設(shè)為j）分開的兩個像元, 其中i，j=0,1,…,N;N為待測圖像區(qū)域中的灰度max。θ可取0°、45°、90°和135°四種不同的角度，它表示兩個不同像元分開的角度。在具體操作中，為了降低計算量，分割SAR圖像時，使用8至16個灰階足以。

在確定了溢油所在位置后，本文采用基于形態(tài)學(xué)的分水嶺變換對圖像進行分割。首先按灰度值的大小排列圖像中的像素，然后從最小點注水，等到產(chǎn)生交匯，直到最高點就能看到由“堤壩”形狀組成的分水嶺，完成整個分割過程。

1.2 投票決策融合算法

本文采用決策級數(shù)據(jù)融合的一種方法即多數(shù)投票法，分別令輸入輸出分類器為X，j和k，隨后用總體判決函數(shù)E(X)表示，于是有E(X)=j見公式（2）。為了易于說明, 把ek(X)換方式表達。二值特征函數(shù)Tk(X)可以用公式（1）表示:

2 實驗與分析

2.1 實驗

本文采用一幅ENVISAT-1 ASAR數(shù)據(jù)進行實驗，通過在檢測結(jié)果中重新選擇樣本集，比較所選最佳紋理參數(shù)的有效性與穩(wěn)定性。通過建立混淆矩陣，根據(jù)Kappa系數(shù)、總體精度、誤檢率和漏檢率等精度指標(biāo)進行評定，并優(yōu)化特征級融合策略的相關(guān)參數(shù)。

實驗選用墨西哥灣溢油事故當(dāng)時拍攝的一幅SAR溢油圖，并從中選取感興趣的區(qū)域見下圖2：

先對此區(qū)域進行分割得到下圖3：

圖3 分割后的圖像

按本文框架所設(shè)計的方法得到的圖像如下圖4：

圖4 溢油檢測圖

2.2 分析

從總體精度，誤檢率，漏檢率，以及Kappa系數(shù)等等參數(shù)將本文所用方法的結(jié)果與一般方法的結(jié)果進行比較。綜合得出的數(shù)據(jù)圖如圖5：

圖5 實驗結(jié)果對比圖

表1 結(jié)果對比分析

圖2 “DeepWater Horiom”溢油事故SAR溢油圖

3 結(jié)論

本文以SAR圖像分割與融合為中心進行展開，利用多尺度方法進行分析和研究，通過多尺度對象級溢油檢測與多尺度決策級融合策略相結(jié)合，建立統(tǒng)一的檢測框架，并通過仿真實驗所得到的結(jié)果精度更高，誤檢率更低，一致性更好。需要指出的是多尺度分析方法本身正處于初步應(yīng)用的發(fā)展階段，需要進行更為深層的理論研究和實際應(yīng)用。

[1] Barni,M.,Beti,M.,and Mecocci,A.,1995,A fuzzy approach to oil spill detection on SAR images. Proc.IGARSS'95,vol.1, pp.157-159.

[2] 馬秀麗，焦李成.基于分水嶺-譜聚類的SAR圖像分割[J].紅外與毫米波學(xué)報，2008,27(6):452-456.

[3] Guido Ferraro,Bjorn Baschek,Geraldine de Montpellier,2009,On the SAR derived alert in the detection of oil spills according to the analysis of the EGEMP.In:Marine Pollution Bulletin 60 (2010) 91-102.

[4] Yongcun Cheng,Xiaofeng Li,Ole Baltazar Andersen, 2010,SAR observation and model tracking of an oil spill event in coastal waters.In:Marine Pollution Bulletin 62(2011)350-356.

王丹華（1987年出生），女，江蘇南京，河海大學(xué)商學(xué)院，研究方向：基礎(chǔ)設(shè)施投融資

SAR image analysis of oil spill detection method based on multiscale decision fusion

Wang Danhua
（Business school of Hohai university，Jiangsu Nanjing，211100）

Make SAR image data of the Mexico Gulf oil spill as the information source,through multi-scale analysis and based on GLCM texture feature extraction.Finally,introducing multi-scale decision fusion strategy,fusing the test results obtained in different scales,so as to form a unified framework for oil spill detection.

Multiscale analysis;SAR image;Oil Spill Detection