基于PSO-SVM的MODIS数据海上云检测

为利用中分辨率成像光谱仪(MODIS)数据实现海上云的检测,提出一种结合粒子群优化算法(PSO)与支持向量机(SVM)的检测方法。根据海洋下垫面的特点,选取了合适的特征量,利用具有较强全局搜索能力的粒子群优化算法对支持向量机中的参数进行优化调整,改善了支持向量机的分类性能,试验结果表明,该方法能获得较高的分类精度,可以较好的实现海上云的检测。     

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%。     

基于模糊C均值聚类-支持向量机的海底沉积物分类识别

在总结了目前海底底质分类研究的基础之上,率先提出利用计算机数值模拟技术对海底底质进行分类识别研究。相较于目前海底底质分类研究中所使用的水槽实验法,提出采用计算机数值正演技术模拟实际地震勘探中数据采集过程。在分类识别算法上,分别采用支持向量机(SVM)和模糊C均值聚类(FCM)算法对采集的数据进行分类,为使支持向量机分类识别率达到最大,引入差分进化算法对支持向量机中关键参数进行最优化搜索,并研究了向原始地震记录中加入10%,30%,50%的高斯白噪音时算法的稳定性。在分析了这两种算法分类识别的正确率及其各自的优缺点后,提出了海底底质分类识别的两步法,即(1)先利用模糊C均值聚类进行一粗糙的预测分类,在每一类中挑选聚类性较好的数据作为支持向量机的训练样本;(2)将上一步中筛选的样本作为支持向量机的训练样本,并用差分进化算法优化支持向量机分类参数,再利用训练好的支持向量机对其余数据做预测分类。鉴于计算机数值模拟的可重复性、高效快速性及本文提出的模糊C均值聚类-支持向量机方法的鲁棒性,为便于开展进一步研究,归纳总结了一套行之有效的采用计算机数值模拟技术开展海底底质分类识别研究的一般化流程。     

海上溢油合成孔径雷达探测研究

在合成孔径雷达(SAR)图像中区分溢油和类油现象是溢油SAR探测的关键任务。实现该任务一般可分为3步:首先是提取油膜和类油膜的特征;然后筛选出有助于油膜和类油膜分类的关键特征;最后构造有效的分类器进行模式识别以便做出准确的判别。本文基于2011年蓬莱19-3油田溢油事故期间的15景SAR图像提取了138个油膜和类油膜样本的几何特征、背景特征、散射特征和纹理特征,将Fisher判别率和序列前向选择方法相结合,筛选出背景后向散射系数标准差、逆差距、能量和后向散射系数的均值四个关键特征组成的特征子集。在此基础上,为提高分类器的精度,将决策树模型CART算法与Bagging技术相结合,通过随机抽样给出多个维数相同大小的训练数据集从而建立多个决策树模型,以投票的方式对油膜和类油膜样本进行分类;最后,文中采用了五折和十折交叉验证方法对油膜和类油膜的分类结果进行评估,研究显示基于Bagging的决策树方法的油膜和类油膜分类的平均精度在85%以上,且将文中所用基于Bagging的CART决策树分类算法与经典CART决策树分类算法及神经网络分类算法相比较,发现本文所用方法的分类精度较高,从而表明了该方法在溢油SAR探测方面的可行性。     

基于HAC的溢油SAR图像分割算法

图像分割是SAR溢油检测中的关键步骤,但由于SAR影像中存在斑点噪声,使得一般的图像分割算法难以收到理想的效果,严重影响溢油检测的精度.发展一种基于凝聚层次聚类(Hierarchical Agglomerative Clustering,HAC)的溢油SAR图像分割算法.该算法利用多尺度分割的思想,能够有效保持SAR影像中溢油斑块的形状特征,并能减少细碎斑块的产生.利用2010年墨西哥湾的Envisat ASAR影像开展了溢油SAR图像分割实验,并将该算法和Canny边缘检测、OTSU阈值分割、FCM分割、水平集分割等方法进行了对比.结果显示,HAC方法可以有效减少细碎斑块的产生,有助于提高SAR溢油检测的精度.     

基于合成孔径雷达回波信号的海洋溢油监测方法研究

海洋油污染是各类海洋污染中最常见、分布面积最广且危害程度最大的污染之一。近年来,海洋特别是近海人类活动频繁,且随着海上运输和石油加工业的发展,油田井喷、钻井平台爆炸、船舶碰撞等所造成的溢油事故增多,因而,监测海洋溢油具有重要的经济和社会现实意义。研究采用MatLAB工具,通过图像预处理(图像校正和增强)、特征提取和神经网络识别等方法,对合成孔径雷达(SAR)海洋溢油图像进行处理,最终期望实现半自动区分SAR图像上各类目标,并进行多种神经网络方法效果比较。研究首先对SAR海洋溢油图像进行初步人工识别;然后进行图像预处理(几何校正、滤波处理等)和基于灰度共生矩阵的特征值计算;最后,借助神经网络方法对溢油区域和疑似溢油区域进行分类,输出分类处理后的图像。通过输出图像分析发现,神经网络能对SAR海洋溢油图像中溢油、海水、土地3类目标进行明确分类,且RBF神经网络模型精度高于BP神经网络。本文提出的半自动分类方法不仅能提高SAR图像处理效率,将分类目标扩充有溢油和非溢油扩充到溢油、海水、土地3类,提高图像处理的全面性,同时通过比较RBF和BP神经网络在SAR溢油图像分类上的具体优劣,有着较好实际意义。     

基于SVM的海底声纳图像底质识别*

对海底底质声纳图像分割,提取单元特征向量进行主成份分析,选取均值、标准差、对比度、相关系数、能量及同质性作为训练特征向量,优化支持向量机(SVM)参数.利用多分类 SVM 对砂、礁石、泥进行训练,有效、快速地分离出了3种底质类型,测试精度高于80%,表明该方法可有效用于海底底质声纳图像的识别和分类.     

基于模糊理论的SAR图像海面油膜识别

合成孔径雷达(SAR)已成为检测海洋表面油膜的重要手段之一。本文应用模式识别领域中的模糊逻辑理论,在SAR海上溢油图像中选择33个图像特征进行分析,根据方差分析方法和模糊理论的特点筛选出其中的4个特征参量,建立区分海面溢油与疑似溢油的检测模型。通过对27个测试样本试验,有效识别率达到83%。说明本论文采用的方法对于区分溢油和疑似溢油可行,对业务化海洋遥感溢油检测具有参考价值。     

一种改进的图像场景识别算法

基于图像的场景识别是目前计算机视觉研究的热点之一,然而此前的场景识别算法存在分类结果准确率不高的问题。针对图像场景识别首先提出一种改进的高斯差分采样特征,在对图像进行高斯差分滤波的基础上,根据预先设定的模板进行采样并作为图像的基本特征,之后通过词袋模型和空间金字塔算法生成图像的特征直方图。其次,提出了一种基于K近邻修正的模糊支持向量机图像场景分类算法,算法对现有的支持向量机算法进行改进,引入K近邻算法对结果进行修正,实验结果证明提出的特征的分类准确率较高,而且改进分类算法的结果也优于现有的算法。