基于多尺度决策融合的SAR图像溢油检测方法分析
2014-02-16王丹华
王丹华
基于多尺度决策融合的SAR图像溢油检测方法分析
王丹华
(河海大学商学院,江苏南京,211100)
本文以墨西哥湾溢油事故的一幅SAR溢油影像数据为信息源,通过多尺度分析和基于灰度共生矩阵的纹理特征提取,最后引入多尺度决策融合策略,对各尺度获得的检测结果进行融合,从而形成统一的溢油检测框架。
多尺度分析;SAR图像;溢油检测
0 引言
近年来,海洋石油开采业以及海洋运输业等海上作业发展加快,在给人类带来利益的同时也伴随着危险,溢油事故频频发生造成海洋环境的严重污染以及海洋生态的破坏。SAR图像溢油检测中存在多种同样具有后向散射的特性非溢油区域,如低风速区、生物油膜,海洋内波等,同时也存在大量的斑点噪声。为更好的应对这一问题,应充分利用不同对象在不同尺度下表现出的不同特征信息,用多尺度工具深刻分析油膜区域、类油膜区域与非油膜区域,从而提高检测精度与检测的稳定性。
目前,SAR海洋溢油检测已经成为一个非常活跃的研究方向。迄今为止,国内外专家和学者提出的油污检测方法主要针对三个方面:溢油图像的分割、特征提取和海面溢油与疑似溢油的识别。例如Barni等(1995)利用模糊C-均值聚类结合多尺度的方法来分割SAR溢油图像。马秀丽等提出基于分水岭-谱聚类的SAR图像分割方法。另外,许多学者利用大量的SAR图像对不同的海区的溢油进行统计分析。Guido等(2009)根据EGEMP对海上溢油的SAR图像进行了分析;Andersen等(2010)利用SAR监视和模型追踪沿海水域的溢油事件。
本文将基于轮廓波的多尺度图像分割及纹理参数选择,将单一尺度检测结果进行多尺度决策融合。既引入了多尺度分析工具,又考虑了单一尺度上的检测效率,同时选择的纹理参数也更加有效且可靠。
图1 图像检测简单流程图
1 方法
本文采用的方法包括三个层次:第一个层次,确定分解次数,对SAR图像进行多尺度轮廓波分解,在每一尺度下进行快速分割进而获得多尺度分割图像。第二个层次,通过对分割区域的纹理特征提取及多尺度分析,确定最佳纹理参数,结合几何参数、风速等其他数据作为神经网络的输入数据。测试经典模型,获得多尺度的溢油识别结果,综合比较后选择较优的神经网络模型纳入检测框架。第三个层次,对单一尺度检测结果进行决策级多尺度融合获得最终检测结果,形成统一的检测框架。
1.1 SAR图像分割
首先建立轮廓波尺度分解次数自适应快速选择算法,最佳分解尺度应使后期的多尺度分析取得运算时间与检测精度的平衡。在此基础上,研究一种尺度自适应分割方法,对不同尺度上的低频子图像进行快速分割预处理,进而在每一尺度上构建基于分割结果(区域块)的相似性矩阵,计算特征值及特征向量,构建此分割方法,从而获得单一尺度的分割结果。对每一尺度独立进行分割,提取油膜或类油膜在多个尺度下所在的区域。本文首先采用Contourlet变换对图像做去噪处理。设为高斯加性噪声模型:
p=o+n (1)
o为原图像;n为高斯白噪声;p 为含噪图像。
利用 Contourlet 变换方法去除噪声分为三步:进行Contourlet 变换,将噪声图像进行处理;按照一定规则修正Contourlet 变换系数,反变换得到去噪后的图像;对第二步的Contourlet 变换系数进行修正。
一幅图像的灰度共生矩阵(Gray Level Co- occurrence Matrix,是N×N方阵)是以一定距离d(灰度值设为i)和一定角度θ(灰度值设为j)分开的两个像元, 其中i,j=0,1,…,N;N为待测图像区域中的灰度max。θ可取0°、45°、90°和135°四种不同的角度,它表示两个不同像元分开的角度。在具体操作中,为了降低计算量,分割SAR图像时,使用8至16个灰阶足以。
在确定了溢油所在位置后,本文采用基于形态学的分水岭变换对图像进行分割。首先按灰度值的大小排列图像中的像素,然后从最小点注水,等到产生交汇,直到最高点就能看到由“堤坝”形状组成的分水岭,完成整个分割过程。
1.2 投票决策融合算法
本文采用决策级数据融合的一种方法即多数投票法,分别令输入输出分类器为X,j和k,随后用总体判决函数E(X)表示,于是有E(X)=j见公式(2)。为了易于说明, 把ek(X)换方式表达。二值特征函数Tk(X)可以用公式(1)表示:
2 实验与分析
2.1 实验
本文采用一幅ENVISAT-1 ASAR数据进行实验,通过在检测结果中重新选择样本集,比较所选最佳纹理参数的有效性与稳定性。通过建立混淆矩阵,根据Kappa系数、总体精度、误检率和漏检率等精度指标进行评定,并优化特征级融合策略的相关参数。
实验选用墨西哥湾溢油事故当时拍摄的一幅SAR溢油图,并从中选取感兴趣的区域见下图2:
先对此区域进行分割得到下图3:
图3 分割后的图像
按本文框架所设计的方法得到的图像如下图4:
图4 溢油检测图
2.2 分析
从总体精度,误检率,漏检率,以及Kappa系数等等参数将本文所用方法的结果与一般方法的结果进行比较。综合得出的数据图如图5:
图5 实验结果对比图
表1 结果对比分析
图2 “DeepWater Horiom”溢油事故SAR溢油图
3 结论
本文以SAR图像分割与融合为中心进行展开,利用多尺度方法进行分析和研究,通过多尺度对象级溢油检测与多尺度决策级融合策略相结合,建立统一的检测框架,并通过仿真实验所得到的结果精度更高,误检率更低,一致性更好。需要指出的是多尺度分析方法本身正处于初步应用的发展阶段,需要进行更为深层的理论研究和实际应用。
[1] Barni,M.,Beti,M.,and Mecocci,A.,1995,A fuzzy approach to oil spill detection on SAR images. Proc.IGARSS'95,vol.1, pp.157-159.
[2] 马秀丽,焦李成.基于分水岭-谱聚类的SAR图像分割[J].红外与毫米波学报,2008,27(6):452-456.
[3] Guido Ferraro,Bjorn Baschek,Geraldine de Montpellier,2009,On the SAR derived alert in the detection of oil spills according to the analysis of the EGEMP.In:Marine Pollution Bulletin 60 (2010) 91-102.
[4] Yongcun Cheng,Xiaofeng Li,Ole Baltazar Andersen, 2010,SAR observation and model tracking of an oil spill event in coastal waters.In:Marine Pollution Bulletin 62(2011)350-356.
王丹华(1987年出生),女,江苏南京,河海大学商学院,研究方向:基础设施投融资
SAR image analysis of oil spill detection method based on multiscale decision fusion
Wang Danhua
(Business school of Hohai university,Jiangsu Nanjing,211100)
Make SAR image data of the Mexico Gulf oil spill as the information source,through multi-scale analysis and based on GLCM texture feature extraction.Finally,introducing multi-scale decision fusion strategy,fusing the test results obtained in different scales,so as to form a unified framework for oil spill detection.
Multiscale analysis;SAR image;Oil Spill Detection