1.一种基于C波段极化SAR影像的海面溢油探测方法,其特征在于,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。
2.根据权利要求1所述的一种基于C波段极化SAR影像的海面溢油探测方法,其特征在于: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。
3.根据权利要求2所述的一种基于C波段极化SAR影像的海面溢油探测方法,其特征在于: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,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。
4.根据权利要求3所述的一种基于C波段极化SAR影像的海面溢油探测方法,其特征在于: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:
人工勾选海面类别,从从勾取的每类中提取监督样本,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,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分类,通过阈值获取海水-暗目标判别结果。
5.根据权利要求4所述的一种基于C波段极化SAR影像的海面溢油探测方法,其特征在于: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。
6.根据权利要求5所述的一种基于C波段极化SAR影像的海面溢油探测方法,其特征在于: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。
7.根据权利要求4所述的一种基于C波段极化SAR影像的海面溢油探测方法,其特征在于: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:
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:
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,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:
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:
同样采用Gaussian核函数进行加权:
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,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:
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:
代入Y=UTX,则上述优化问题变为矩阵特征分解问题:
其中L*=L(W)-βL(B)。