基于简缩极化SAR的溢油检测与分类方法

针对简缩极化SAR在海上溢油的检测与分类应用开展研究,利用欧式距离全面分析了简缩极化SAR的36种极化特征在溢油检测与油膜分类中的性能,发现简缩极化特征中的奇次散射系数的溢油检测性能最好,简缩极化熵的疑似溢油鉴别性能最好。在此基础上,提出了结合二叉树原理的简缩极化SAR溢油检测与油膜分类算法,并分析了RADARSAT-2和SIR-C全极化溢油数据模拟的简缩极化数据。结果表明,此方法对溢油的检测精度可达95.67%,对于疑似溢油的识别精度可达95.71%,证明了简缩极化SAR在溢油检测与分类中具有较好的应用前景。     

基于GA-WNN的极化SAR海洋溢油检测方法研究

海洋溢油对海洋生态和人类生活带来严重的影响。由于合成孔径雷达(Synthetic Aperture Radar,SAR)具有全天时全天候的工作能力,在海洋溢油检测中发挥重要作用。目前,极化SAR是SAR探测技术的先进手段。本文利用6个极化特征进行溢油检测,通过对比分析这些特征对不同溢油的检测能力,得出单一极化特征在溢油检测中存在不足。通过J-M特征优选方法,提取出溢油检测识别度较高的特征影像,并利用遗传算法优化的小波神经网络(Genetic Algorithm-Wavelet Neural Network,GA-WNN)进行溢油检测。利用2套Radarsat-2全极化数据进行了方法验证,结果表明,该方法优于其他检测方法,溢油检测精度分别达到90.31%和95.42%。     

基于SAR极化比和纹理特征的海面溢油识别方法

针对海洋表面SAR影像的特点，采用基于灰度共生矩阵的纹理特征方法是提取海面溢油信息的常用方法，但实际海洋表面复杂的信息使得SAR图像上产生类似溢油现象的暗斑区域，这导致在利用纹理特征方法提取溢油信息时存在虚警率，降低了溢油信息的提取精度。基于RADARSAT-2 SAR四极化影像，本文提出基于SAR极化比影像的纹理特征识别方法对海面油膜进行识别提取。结果显示，基于SAR极化比影像的纹理特征识别方法可以有效且准确地提取海面溢油信息，相比于VV极化影像的纹理特征识别方法，溢油监测过程中的虚警率降低了17.96%，溢油监测总体精度达到96.83%。     

基于极化参数的SVM海上溢油识别

溢油对海洋环境造成的危害越来越大,及早发现对于减灾防灾具有重要意义。目前,运用极化SAR进行溢油探测已成为遥感监测的一个重要方面,本文基于SIR-C数据,开展极化SAR的溢油监测,提取极化参数熵H,散射角α和反熵A,运用SVM监督分类方法,进行溢油信息提取。结果表明,基于SVM的分类精度要强于基于H-α分类的分类结果。     

全极化SAR图像中溢油极化特征研究

相比于单极化SAR图像,全极化SAR图像不仅能体现海面目标的几何特征、后向散射特征,还能体现目标的极化特征。因此,在溢油检测方面,极化SAR更具优势。特征提取作为溢油检测的关键步骤,直接影响到溢油检测的精度。在本文中,我们分析了全极化SAR图像中海面溢油的极化特征,如极化散射熵、平均散射角等。并提出了新的极化特征P,该特征参数能够反映海面目标电磁散射过程中布拉格散射机制和镜面散射机制的比例。为了研究极化特征溢油检测的能力,本文基于SIR-C/X-SAR和Radarsat-2全极化SAR图像开展了相关实验,并对比分析了溢油的多种极化特征。实验结果显示,在中低风速情况下,C波段溢油探测效果优于L波段;本文提出的极化特征P对海面散射机制敏感;基准高度和特征参数P在C波段比其他极化特征更适于溢油检测。     

基于极化特征SERD的SAR溢油检测

与单极化SAR(Synthetic Aperture Radar)相比,全极化SAR图像中不仅包含散射目标的几何特征和后向散射特征,还包含散射目标的极化特征。因此,基于极化特征的SAR图像分类能够更全面地描述海面目标的物理特性。单次反射特征值相对差异度(Single Bounce Eigenvalue Relative Difference,SERD)能够比较单次散射机制的相对大小,并且可以反映散射表面的粗糙度情况。而海面油膜的存在抑制了海面的短重力波和毛细波,改变了海表面的粗糙度。基于此,本文将SERD应用到海面溢油检测中。利用两景Radarsat-2全极化SAR数据对比分析了SERD与极化散射熵的溢油检测效果,实验发现:(1)SERD能够较好地区分溢油与海水。(2)对原油而言,SERD的油水对比度与极化散射熵的油水对比度在数值上差异较小;对生物油膜而言,SERD的油水对比度在数值上远小于极化散射熵。利用这一特性,SERD在区分生物油膜与原油方面更具优势。     

应用极化合成孔径雷达检测海上溢油研究进展

海上溢油给海洋生态环境带来严重的影响,快速准确地探测溢油对于防灾减灾具有重要的意义。利用卫星遥感探测溢油已成为目前主要的检测手段,大多采用合成孔径雷达(SAR)数据,运用图像处理的方法,开展了多种溢油提取算法的研究,取得了较好的结果,但由于海洋的类溢油现象存在,造成提取信息的精度达不到要求。近年来,国内外运用极化SAR数据开展溢油信息提取研究,从极化分解与相位差等角度对溢油特性分析,能有效地区分一些类溢油现象,得到了较理想的结果。分析了应用SAR数据开展溢油信息提取的研究状况,总结了溢油极化SAR探测的研究,指出了目前研究中存在的不足,并提出了今后溢油极化SAR遥感监测的方向。     

海洋溢油合成孔径雷达图像特征提取及其关键度分析

就SAR图像溢油检测的方法论而言,用于识别溢油和疑似现象的定性或定量的统计特征量选择,通常是任意的。对于不同的分类模型,所选用的特征量也不尽相同。主要是进行海洋SAR图像特征提取及其关键度分析。其目的是将"最小距离"判别法应用于海上溢油和疑似溢油的识别研究。首先,针对海洋SAR图像溢油检测常用的特征量,进行冗余处理;然后,引入关键系数,定量地研究特征量的关键度,提取显著特征量;藉以构造一个多维的特征矢量空间,以适于最小距离判别法在特征矢量空间中进行溢油和疑似溢油的识别研究。     

基于改进Faster R-CNN模型的SAR图像溢油检测方法

SAR（synthetic aperture radar）图像溢油暗斑准确识别对海上溢油应急工作具有重要的意义。为减少SAR图像特征提取、特征选择过程中人为因素对溢油检测精度的影响,本文将Faster R-CNN卷积神经网络模型引入SAR图像溢油检测并进行了改进。针对溢油暗斑形状多样及SAR图像背景复杂的特点,选用结构一致且实用性强的VGG16卷积网络获取图像特征,并使用软化非极大值抑制算法（Soft-NMS）进行优化。同时基于相同的数据集,提取常用的SAR图像几何特征、灰度特征和纹理特征,构建反向传播（backpropagation,BP）人工神经网络溢油检测方法并与Faster R-CNN方法进行对比。实验结果表明,基于改进Faster-RCNN模型的溢油检测方法溢油检测率达到0.78,且溢油检测虚警率低于0.25,相比BP人工神经网络溢油检测方法样本识别率、溢油检测率分别提高了4%和5%,溢油虚警率降低了5%。     

基于极化散射特征的极化合成孔径雷达海冰分类方法研究:以渤海海冰分类为例

海冰监视监测的关键是提取海冰类型,准确提取海冰类型对于评估海冰冰情、保证航海及海洋作业安全具有重要的意义。利全极化合成孔径雷达影像(SAR)的优势,提取海冰的极化散射特征;在此基础上结合二叉树分类思想,开展极化SAR海冰类型的分类算法研究,提高SAR海冰分类精度;与传统的海冰分类方法相比较,验证了本方法的有效性。     

基于合成孔径雷达影像的海洋溢油纹理特征参数分析

溢油已是当前海洋生态环境破坏的主要因素之一,因此对海洋溢油的检测分析是当前海洋环境保护的一个重要课题。传统的溢油提取仅仅是单独依靠光学影像的光谱信息或者合成孔径雷达(SAR)影像的后向散射系数信息进行提取,这会造成很多同谱异物或者粗糙度相近似的地物错分,因此除了利用传统的影像信息以外,还需结合影像的纹理信息,从而提高溢油提取的精度,减少错分地物的数量。选用2006年渤海地区的三景同轨SAR影像作为数据基础,应用基于灰度共生矩阵的方法对其进行纹理分析。该方法可以很好地对图像区域和表面进行感知并能够从像元的灰度相关性上对纹理特征进行详细描述,因此适合于SAR影像的海洋溢油检测。在纹理分析的过程中有很多的参数需要选择,参数选择的好坏将直接影响最终提取结果的精度。通过对纹理分析过程中的参数进行讨论、实验、选择与验证,最终确定了基于灰度共生矩阵纹理分析中各参数的值,并选择了局部平稳、非相似性、对比度、变化量4个特征量作为溢油提取的纹理特征统计量。将纹理特征与SAR自身的后向散射系数相结合,通过神经网络分类法对其进行分类,并计算出分类精度为80.65%,分类效果良好。由此说明了将影像的传统信息与纹理信息相结合进行溢油提取是一种可行而有效的方法,同时也为后续的海洋溢油检测工作奠定了一定的基础。     

基于DRLSE模型的SAR溢油提取方法

为提高海上溢油轮廓SAR提取精度,验证了FCM(Fuzzy C-Means Algorithm)与DRLSE(Distance Regularized Level Set Evolution)模型结合的方法提取SAR溢油信息的有效性;鉴于其无法避免细小噪音的影响以及薄油膜提取效果不好的问题,提出了阈值和DRLSE模型结合的溢油信息提取方法,通过阈值构建溢油区域初始轮廓,克服了图像细小噪声对溢油提取的影响,更有利于提取薄油膜信息,溢油提取精度优于H/A/alpha-Wishart非监督分类方法和FCM与DRLSE模型结合的方法。     

多极化SAR溢油探测影响因素分析研究

Polarimetric synthetic aperture radar(SAR) oil spill detection parameters conformity coefficient(μ), Muller matrix parameters(|C|, B_0), the eigenvalues of simplified coherency matrix(λ_(nos)) and the influence of SAR observing parameters, ocean environment and noise level are investigated. Radarsat-2 data are used to make systematic analysis of polarimetric parameters for different incidences, wind speeds, noise levels and the ocean phenomena(oil slick and look likes). The influence of the SAR observing parameters, the ocean environment and the noise level on the typical polarimetric SAR parameter conformity coefficient has been analyzed. The results indicate that conformity coefficient cannot be simply used for oil spill detection, which represents the image signal to the noise level to some extent. When the signals are below the noise level for the oil slick and the look likes, the conformity coefficients are negative; while the signals above the noise level corresponds to positive conformity coefficients. For dark patches(low wind and biogenic slick) with the signal below the noise,polarization features such as conformity coefficient cannot separate them with oil slick. For the signal above the noise, the oil slick, the look likes(low wind and biogenic slick) and clean sea all have positive conformity coefficients, among which, the oil slick has the smallest conformity coefficient, the look likes the second, and the clean sea the largest value. For polarimetric SAR data oil spill detection, the noise plays a significant role. So the polarimetric SAR data oil spill detection should be carried out on the basis of noise consideration.     

基于面向对象和模糊逻辑的SAR溢油检测算法

星载合成孔径雷达(Synthetic Aperture Radar,SAR)具有全天时、全天候的工作能力,已被众多学者认为是非常适合探测海面溢油污染的遥感器。然而在SAR影像中经常出现"类油膜"现象,这严重干扰了SAR溢油检测的精度。因此,如何有效区分SAR影像中的油膜和类油膜,对提升溢油检测精度具有重要意义。本文利用面向对象图像分析的方法,从20景ENVISAT ASAR影像中提取了较多的溢油和类油膜样本,对其基于对象的形状、物理和纹理特征进行了综合分析,找出了适合区分溢油和类油膜的特征量。利用特征分析的结论,本文建立了一种基于模糊逻辑的溢油检测算法。该算法可以有效区分SAR影像中的溢油和类油膜,还可以给出暗斑被判定为溢油的概率。溢油检测实验说明,本文方法能够得到令人满意的效果。     

Anew oil spill detection algorithm based on Dempster-Shafer evidence theory

Features of oil spills and look-alikes in polarimetric synthetic aperture radar(SAR)images always play an important role in oil spill detection.Many oil spill d...