本发明属于极化雷达遥感图像处理
技术领域：
，是一种基于C波段极化SAR(PolarimetricSyntheticApertureRadar，POLSAR)影像对海面溢油进行探测的新方法。
背景技术：
：我国具有漫长的海岸线基带，领海面积庞大，而且经济发展迅速，海洋运输繁忙，但随之而来的海洋输油管道破裂、油船泄漏、碰撞与非法排污等突发性溢油事故频发，给沿海与近海生态环境、海洋资源与海洋经济造成了重大损害，严重影响了我国海洋可持续发展战略的实施。统计数字表明，1973至2010年，中国沿海共发生船舶溢油大小事故3000多起，平均每四天发生1起，船舶溢油总量达4万多吨。如2010年7月16日大连新港输油管线爆炸起火事故，至少已造成附近海域50平方公里的海面污染；2011年6月渤海湾油田发生漏油事故，对养殖、旅游、生态造成了重大影响，事故已经造成累计5500平方公里海面遭受污染。海洋溢油发生后，能否及时并且准确的检测到溢油对保护海洋环境和生态资源具有重要意义。卫星遥感具有快速获取大面积地球观察的能力，已经成为溢油检测技术中最有效和最重要的手段。相比光学卫星，由于海洋情况复杂，全天时、全天候的合成孔径雷达(SAR)卫星在应急响应与长时序动态观察方面具有更大的优势。目前，利用SAR卫星进行大范围溢油探测越来越受到重视，各国研究机构均开展了相关研究，并搭建了业务运行系统，如：挪威Kongsberg卫星中心开发的KSAT系统、加拿大Satlantic公司开发的OMW系统、法国BoostTechnologies公司开发的SARTool系统等。我国由于起步相对较晚，现有业务系统采用的溢油检测方法效率与精度都存在不足，难以在应急响应中为决策部门提供准确信息。相对于陆地石油泄漏，海洋溢油情况往往较为复杂。当石油溢入海洋之后，在海洋特有的环境条件下，有着复杂的物理、化学和生物变化过程，并通过这些变化，最终从海洋环境中消失。这些变化有扩散、漂移、蒸发、分散、乳化、光化学氧化分解、沉积以及生物降解等。因此海洋溢油在SAR卫星影像上的表现由多种因素综合决定，单纯依靠微波遥感手段往往不能获取较好的探测精度，结合局部海域风速、海浪，甚至光学传感器可以很好地提高溢油检测精度。技术实现要素：本发明综合考虑溢油区的实际情况，针对传统方法中溢油散射特征与识别精度关系不明确、识别精度较低等问题进行研究。在SAR溢油探测中引入待检测区局部风速、海浪、极化等多源信息，将溢油区与疑似溢油区的极化特征与海洋物理特征相结合，构建高维度过完备特征描述集，在监督样本引导下进行线性拉普拉斯映射图降维，去除冗余信息、构建溢油检测规则，根据规则的构建结果对待检测区域进行综合判断，提高溢油检测精度。本发明采用如下技术方案：一种基于C波段极化SAR影像的海面溢油探测方法，包括以下步骤：步骤1：雷达影像预处理；步骤2：构建高维度极化特征集合；步骤3：构建线性拉普拉斯映射图降维器降维并进行k-mean分类；步骤4：海面风场数据辅助溢油检测；步骤5：精度评价。所述步骤1的雷达影像预处理过程；包括头文件解析、选取入射角度在23-55度之间的SAR影像进行海面溢有检测、多视降噪处理。所述步骤2构建高维度极化特征集合的具体过程如下：对全极化SAR影像进行极化分解，因为极化参数对海面溢油提取具有较好的辅助作用，对全极化SAR影像采用多种极化特征提取方法获取多个过完备极化特征，极化分解得到多维参数。所述步骤3构建线性拉普拉斯映射图降维器降维并进行k-mean分类，其具体过程如下：每类提取监督样本(每个样本多于30个像素)，利用人工监督信息对特征集进行降维，获取更具溢油判别能力的新特征，构建LDLE降维器进行降维，为了实现基于高维散射特征的信息提取，本发明首先引入LDLE进行降维，经过LDLE降维到5维，去除冗余信息，然后对降维后特征进行K-mean(K均值)分类，通过阈值(阈值的划分过程中提出采用极化熵的值来进行)获取海水-暗目标判别结果(暗目标中包含溢油、低风速区或其他海面目标等)。所述步骤4海面风场数据辅助溢油检测的具体过程如下：对C波段全极化SAR数据，利用CMOD5模式函数进行海面风速、风场反演，如果不是C波段数据则需要外源浮标与星载海面风场数据的辅助；最终根据风场数据去除可疑的低风速暗影区，精化溢油判别结果。所述步骤5的精度评价过程如下：以钩画的海面真实溢油数据GroundTruth为基准，结合步骤4中的分类结果，利用传统的混淆矩阵评价方法得到溢油检测结果进行精度评价。所述步骤3中特征集降维的LDLE方法具体实现方式如下：假设有维数N的M样本X＝{x1,x2,…,xM}∈RN×M，Y＝{y1,y2,…,yM}∈Rd×M为降维后数据维度为d的低维空间数据，则LDLE降维操作表述为矩阵乘积变换Y＝UTX，其中U∈RN×d；LDLE中“降维后同类别样本距离最小”表示为：argminYΣij||yi-yj||2Wij(W)]]>yi和yj分别表示降维后的M样本数据中的2个不同样本，在衡量样本距离时采用Gaussian核函数进行加权,权函数如下：Wij(W)=exp(-||xi-xj||2/t),ifxi∈Nk1+(xj)orxj∈Nk1+(xi)0,else]]>其中，t为热核参数；xi和xj分别表示选取的M个样本数据中的2个不同样本，表示第xi个样本与它类别相同、最邻近的k1个样本xj；考虑L(W)＝D(W)-W(W)与L(W)表示在“降维后同类别样本距离最小”时的权函数、样本函数临近的k1个样本的权函数和及临近样本权函数和与样权本函数差，则式“降维后同类别样本距离最小”可排列为：argminYtr(YL(W)YT)]]>LDLE中“降维后不同类别样本距离最大”可表示为：argminYΣij||yi-yj||2Wij(B)]]>同样采用Gaussian核函数进行加权：Wij(B)=exp(-||xi-xj||2/t),ifxi∈Nk2+(xj)orxj∈Nk2+(xi)0,else]]>其中，表示第xi个样本与它类别不相同、最邻近的k2个样本xj；考虑L(B)＝D(B)-W(B)与L(W)表示在“降维后不同类别样本距离最大”时的权函数、样本函数临近的k1个样本的权函数和及临近样本权函数和与样权本函数差，则式“降维后不同类别样本距离最大”可排列为：argminYtr(YL(B)YT)]]>定义权重β作为衡量“降维后同类别样本距离最小”与“降维后不同类别样本距离最大”的贡献程度，合并公式后则有：argminYtr[Y(L(W)-βL(B))YT]]]>代入Y＝UTX，则上述优化问题变为矩阵特征分解问题：argminYtr(UTXL*XTU)s.t.UTXXTU=I]]>其中L*＝L(W)-βL(B)。与现有技术相比，本发明的创新之处在于：基于后向散射功率阈值分割的方法往往不能很好区分溢油区与无溢油覆盖的海水，在阈值划分的过程中通过引入极化熵可尽可能排除小风浪情况下水体对溢油的影响，从而有效提高溢油识别准确度；将溢油区与疑似溢油区的极化特征与海洋物理特征相结合，构建高维度过完备特征描述集，在监督样本引导下进行线性拉普拉斯映射图降维，去除冗余信息、构建溢油检测规则，便于后续溢油检测；利用构建的溢油检测规则对待检测区域疑似溢油判别，对海面暗目标进行疑似溢油打分评估，根据探测结果对输入的高维度过完备特征集进行评估，筛选出对溢油判别最有利的特征辅助后续研究。溢油检测效率和精度大大提高。附图说明图1是本发明实施例的流程图。具体实施方式以下结合附图和实施例详细说明本发明技术方案。本发明技术方案可采用计算机技术实现自动运行，如图1所示，本发明实施例的流程包括以下几个步骤：步骤1：POLSAR影像的选取及预处理。在溢油探测之前，本发明需要对原始的POLSAR数据进行头文件解析，选取入射角度在23-55度之间的SAR影像，随后对其进行多视去噪，方位向和距离向上做5*5的多视来降低相干斑噪声。步骤2：构建高维度极化特征集合。对全极化SAR影像进行极化分解，因为极化参数对海面溢油提取具有较好的辅助作用。对极化影像采用多种极化特征提取方法获取大量过完备极化特征。极化分解得到多维参数(多维是指极化特征集表中的(a),(b),(d),(h),(i),(k)特征进行必选，其它特征可以任意选择构成高维数据)；本实施例中提取的极化分解参数如下表所示，共49维。极化散射特征集步骤3：构建LDLE(LinearDiscriminativeLaplacianEigenmaps)降维器降维并进行k-mean分类。人工勾选海面类别，从从勾取的每类中提取监督样本30个像素，利用人工监督信息对特征集进行降维，从而获取更具溢油判别能力的新特征构建LDLE降维器进行降维，为了实现基于高维散射特征的信息提取，本发明首先引入线性拉普拉斯映射图降维器(LinearDiscriminativeLaplacianEigenmaps，LDLE)进行降维。为便于实施参考起见，提供实施例的特征集降维的LDLE(线性拉普拉斯映射图降维器(LinearDiscriminativeLaplacianEigenmaps，LDLE)方法具体实现方式如下：假设有维数N的M样本X＝{x1,x2,…,xM}∈RN×M，Y＝{y1,y2,…,yM}∈Rd×M为降维后数据维度为d的低维空间数据。则LDLE降维操作可表述为矩阵乘积变换Y＝UTX，其中U∈RN×d。监督LDLE的核心思想在于：对于每一个样本数据以及其周围若干邻域样本，寻找一个投影变换矩阵U，在该投影空间下属于同一类别的样本距离尽可能小、属于不同类别的样本距离尽可能大，使降维数据具有很好的可分性。LDLE中“降维后同类别样本距离最小”可表示为：argminYΣij||yi-yj||2Wij(W)]]>yi和yj分别表示降维后的M样本数据中的2个不同样本，在衡量样本距离时采用Gaussian核函数进行加权,权函数如下：Wij(W)=exp(-||xi-xj||2/t),ifxi∈Nk1+(xj)orxj∈Nk1+(xi)0,else]]>其中t为热核参数；xi和xj分别表示选取的M个样本数据中的2个不同样本，表示xi个属于与xj类别相同、最邻近的k1个样本；表示xj个属于与xi类别相同、最邻近的k1个样本。考虑L(W)＝D(W)-W(W)与则式“降维后同类别样本距离最小”可排列为：argminYtr(YL(W)YT)]]>其中，L(W)表示在“降维后同类别样本距离最小”时的权函数、样本函数临近的k1个样本的权函数和及临近样本权函数和与样权本函数差；LDLE中“降维后不同类别样本距离最大”可表示为：argminYΣij||yi-yj||2Wij(B)]]>同样采用Gaussian核函数进行加权：Wij(B)=exp(-||xi-xj||2/t),ifxi∈Nk2+(xj)orxj∈Nk2+(xi)0,else]]>其中表示xi属于与xj类别不相同、最邻近的k2个样本；其中表示xj属于与xi类别不相同、最邻近的k2个样本。考虑L(B)＝D(B)-W(B)与则式“降维后不同类别样本距离最大”可排列为：argminYtr(YL(B)YT)]]>其中，L(B)表示在“降维后不同类别样本距离最大”时的权函数、样本函数临近的k1个样本的权函数和及临近样本权函数和与样权本函数差；定义权重β作为衡量“降维后同类别样本距离最小”与“降维后不同类别样本距离最大”的贡献程度，合并公式后则有：argminYtr[Y(L(W)-βL(B))YT]]]>代入Y＝UTX，则上述优化问题变为矩阵特征分解问题：argminUtr(UTXL*XTU)s.t.UTXXTU=I]]>其中L*＝L(W)-βL(B)。经过LDLE降维到5维，去除了冗余信息，然后对降维后特征进行K-mean分类(MATLAB软件)，通过阈值(阈值的划分过程中通过引入极化熵)获取海水-暗目标判别结果(暗目标中包含溢油、低风速区或其他海面目标等)。步骤4：海面风场数据辅助溢油检测。如果SAR数据为C波段，则对其进行CMOD5模型海面风速、风场反演(采用现有NEST软件)，如果不是C波段数据则需要外源浮标与星载海面风场数据的辅助；最终根据风场数据去除可疑的低风速区暗影，精化溢油判别结果。步骤5：精度评价。以钩画的GroundTruth(真实数据)为基准，结合步骤4中的分类结果，利用传统的混淆矩阵评价方法得到溢油检测结果进行精度评价。当前第1页1 2 3