一种基于C波段极化SAR影像的海面溢油探测方法与流程

技术特征：

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,…,x_M}∈R^N×M，Y＝{y₁,y₂,…,y_M}∈R^d×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＝U^TX，其中U∈R^N×d；LDLE中“降维后同类别样本距离最小”表示为：

$\arg \underset{Y}{\min }\underset{ij}{\Σ}\left|\right|y_i-y_j|{|}^2{W}_{ij}^{\left(W\right)}$

y_i和y_j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：

$W_{ij}^{\left(W\right)}=\left\{\begin{array}{cc}\exp \left(-\left|\right|x_i-x_j|{|}^2/t\right),& if{x}_i\∈N_{k_1}^{+}\left(x_j\right)or{x}_j\∈N_{k_1}^{+}\left(x_i\right)\\ 0,& else\end{array}\right.$

其中，t为热核参数；x_i和x_j分别表示选取的M个样本数据中的2个不同样本，表示第x_i个样本与它类别相同、最邻近的k₁个样本x_j，表示x_j个属于与x_i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：

$\arg \underset{Y}{\min }tr\left({\mathrm{YL}}^{\left(W\right)}{Y}^T\right)$

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：

$\arg \underset{Y}{max}\underset{ij}{\Σ}\left|\right|y_i-y_j|{|}^2{W}_{ij}^{\left(B\right)}$

同样采用Gaussian核函数进行加权：

$W_{ij}^{\left(B\right)}=\left\{\begin{array}{cc}\exp \left(-\left|\right|x_i-x_j|{|}^2/t\right),& if{x}_i\∈N_{k_2}^{-}\left(x_j\right)or{x}_j\∈N_{k_2}^{-}\left(x_i\right)\\ 0,& else\end{array}\right.$

其中，表示第x_i个样本与它类别不相同、最邻近的k₂个样本x_j，表示x_j属于与x_i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：

$\arg \underset{Y}{max}tr\left({\mathrm{YL}}^{\left(B\right)}{Y}^T\right)$

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：

$\arg \underset{Y}{\min }tr\[Y(L^{\left(W\right)}-{\mathrm{\βL}}^{\left(B\right)})Y^T\]$

代入Y＝U^TX，则上述优化问题变为矩阵特征分解问题：

$\begin{array}{ccc}\arg \underset{U}{\min }tr\left(U^T{\mathrm{XL}}^{*}{X}^{T}U\right)& s.t.& U^T{\mathrm{XX}}^{T}U=I\end{array}$

其中L^*＝L^(W)-βL^(B)。