一种基于全极化SAR图像的海面溢油检测模型构建方法

一种基于全极化sar图像的海面溢油检测模型构建方法
技术领域
1.本发明涉及遥感目标识别技术领域，特别是涉及全极化sar图像目标检测的应用，具体涉及一种基于全极化sar图像的海面溢油检测模型构建方法。


背景技术：

2.海洋拥有丰富的石油资源，且海上钻井平台诸多。随着世界经济和海洋运输业的快速发展，输油管道破裂、油轮碰撞及钻井平台爆炸引起的海上溢油事故频繁发生。自1970年以来，全球万吨以上的溢油污染事故几乎年年发生，导致海洋生物大量死亡，严重破坏了海洋生态环境。因此对海面溢油进行快速且有效的检测显得尤为重要。
3.合成孔径雷达（sar）不受阳光、云层的影响，具有全天时、全天候、大范围、高分辨率的优势而被广泛应用。此外，全极化sar图像不仅含有后向散射信息，而且还包含特征信息，能够有效地获取海面目标的全极化特征，更好地反应海面目标的特征差异，已被证实是一种有效的海面溢油检测手段。
4.相关研究表明，全极化sar图像的特征可以辅助海面溢油检测，例如极化度、极化总功率和各向异性等特征结合水平集或主动轮廓等方法在图像级提取溢油区域，但并未涉及像素级的溢油检测及对特征的充分利用，导致海面溢油检测精度较低。


技术实现要素：

5.基于上述背景技术，本发明提供一种基于全极化sar图像的海面溢油检测模型构建方法，该方法充分利用了全极化sar图像的各向异性特征，并构建像素特征p，能够提高全极化sar图像海面溢油检测精度。
6.为实现以上目的，本发明采用以下的技术方案：一种基于全极化sar图像的海面溢油检测模型构建方法，包括以下步骤：（1）提取全极化sar图像的各向异性特征；进一步地，利用相干矩阵t3提取各向异性特征；（2）从步骤（1）的各向异性特征中选取m个溢油像素和非溢油像素作为训练样本，组成矩阵a；其中，溢油像素的数量为，且为偶数，a为m
×
1的矩阵，a(t)为训练样本中第t个像素的各向异性特征，t = 1，2，3，
…
，m；（3）对a(t)进行归一化处理得到a(t)，计算公式为：其中，表示-范数，max表示矩阵a的最大值，min表示矩阵a的最小值；
（4）计算像素权重e，计算公式为：其中，k为常数系数，定义为：；（5）计算像素特征p，计算公式为：（5）计算像素特征p，计算公式为：其中，为训练样本中第t个像素的像素特征，为m个的集合；（6）将像素特征p作为训练集，0和1作为训练集标签，0代表非溢油像素，1代表溢油像素，导入支持向量机模型中进行训练，得到溢油检测模型。
7.本发明具有的有益效果是：本发明充分利用了全极化sar图像的各向异性特征，并构建像素特征p，能够提高全极化sar图像海面溢油检测精度，具有科学合理、易于实现、精度高等优点。
附图说明
8.图1为本发明一种基于全极化sar图像的海面溢油检测模型构建方法的步骤流程图；图2为实验图像真实溢油区域图，其中白色为溢油区域，黑色为非溢油区域；图3为待检测全极化sar图像的各向异性特征海面溢油检测结果图；图4为待检测全极化sar图像的像素特征p海面溢油检测结果图。
具体实施方式
9.下面结合附图对本发明进行具体的说明：结合图1，一种基于全极化sar图像的海面溢油检测模型构建方法，具体实施步骤如下：（1）提取全极化sar图像的各向异性特征；1.1）利用polsarpro软件计算全极化sar图像的相干矩阵t3；1.2）将相干矩阵t3导入polsarpro软件计算全极化sar图像的各向异性特征；（2）从步骤（1）的各向异性特征中选取m个溢油像素和非溢油像素作为训练样本，组成矩阵a；其中，溢油像素的数量为，且为偶数，a为m
×
1的矩阵，a(t)为训练样本中第t个像素的各向异性特征，t = 1，2，3，
…
，m；（3）对a(t)进行归一化处理得到a(t)，计算公式为：
其中，表示-范数，max表示矩阵a的最大值，min表示矩阵a的最小值；（4）计算像素权重e，计算公式为：其中，k为常数系数，定义为：；（5）计算像素特征p，计算公式为：（5）计算像素特征p，计算公式为：其中，为训练样本中第t个像素的像素特征，为m个的集合；（6）将像素特征p作为训练集，0和1作为训练集标签，0代表非溢油像素，1代表溢油像素，导入支持向量机模型中进行训练，得到溢油检测模型。
10.本发明的效果可通过以下实验结果与分析进一步说明：实验采用的图像为2010年5月8日采集的墨西哥湾某溢油区域radarsat-2全极化sar图像（参见图2，为实验图像真实溢油区域图，白色为溢油区域，黑色为非溢油区域）。实验利用本发明和各向异性特征进行全极化sar图像海面溢油检测，并对检测结果进行定量评价对比。
11.本发明按照上述步骤进行，其中，m=65536。各向异性特征和像素特征p分别作为训练集导入支持向量机模型，模型的核函数为rbf，degree的取值为3，gamma的取值为0.5，对模型进行训练，得到各向异性特征和像素特征p的溢油检测模型。选取该图像中除m个溢油像素和非溢油像素以外的像素组成待检测全极化sar图像，提取待检测全极化sar图像的各向异性特征，组成矩阵b并进行归一化处理，计算像素权重e'和像素特征p'，具体实施步骤如下：（1）提取待检测全极化sar图像的各向异性特征，组成矩阵b；其中，b为n
×
1的矩阵，n为待检检测全极化sar图像的像素个数，b(b)为待检测全极化sar图像中第b个像素的各向异性特征，b = 1，2，3，
…
，n；（2）对b(b)进行归一化处理得到c(b)，计算公式为：其中，max{b}表示矩阵b的最大值，min{b}表示矩阵b的最小值；（3）计算像素权重e'，计算公式为：
其中，k'为常数系数，；（4）计算像素特征p'，计算公式为：（4）计算像素特征p'，计算公式为：其中，为待检测全极化sar图像中第b个像素的像素特征，为n个的集合。
12.将待检测全极化sar图像的各向异性特征和像素特征p'分别导入相对应的溢油检测模型中进行检测，判定待检测全极化sar图像中的像素为溢油像素或非溢油像素，实验结果为各向异性特征的检测准确率是89.57%，像素特征p'的检测准确率是95.36%。溢油像素标记为1，非溢油像素标记为0，通过图像输出并显示该全极化sar图像的溢油区域，溢油区域表现为白色，非溢油区域表现为黑色。
13.图3为待检测全极化sar图像的各向异性特征海面溢油检测结果图，图4为待检测全极化sar图像的像素特征p'海面溢油检测结果图。以上所述实验均在matlab（2020b）平台运行。
14.通过实验结果可以得到，利用本发明的检测准确率高于各向异性特征的检测准确率，由此证明本发明对全极化sar图像海面溢油具有较高的检测精度，对海面溢油检测技术的发展具有重要的意义。
15.当然，上述说明并非是对本发明的限制，本发明也并不仅限于上述举例，本技术领域的技术人员在本发明的实质范围内所做出的变化、改型、添加或替换，也应属于本发明的保护范围。