基于面向对象和模糊逻辑的SAR溢油检测算法

苏腾飞，李永香，李洪玉



基于面向对象和模糊逻辑的SAR溢油检测算法

苏腾飞1，2，李永香3*，李洪玉1

(1. 内蒙古农业大学 水利与土木建筑工程学院，内蒙古自治区 呼和浩特 010018；2. 国家海洋局第一海洋研究所，山东 青岛 266061；3. 内蒙古师范大学 地理科学学院，内蒙古自治区 呼和浩特 010022)

摘要：星载合成孔径雷达(Synthetic Aperture Radar，SAR)具有全天时、全天候的工作能力，已被众多学者认为是非常适合探测海面溢油污染的遥感器。然而在SAR影像中经常出现“类油膜”现象，这严重干扰了SAR溢油检测的精度。因此，如何有效区分SAR影像中的油膜和类油膜，对提升溢油检测精度具有重要意义。本文利用面向对象图像分析的方法，从20景ENVISAT ASAR影像中提取了较多的溢油和类油膜样本，对其基于对象的形状、物理和纹理特征进行了综合分析，找出了适合区分溢油和类油膜的特征量。利用特征分析的结论，本文建立了一种基于模糊逻辑的溢油检测算法。该算法可以有效区分SAR影像中的溢油和类油膜，还可以给出暗斑被判定为溢油的概率。溢油检测实验说明，本文方法能够得到令人满意的效果。

关键词：合成孔径雷达；特征分析；溢油分类；面向对象图像分析；模糊逻辑

1引言

海洋溢油事故监测是海洋溢油污染防治中非常重要的环节。传统监测方式，如飞机、船舶、浮标等，实施成本较高、观测范围有限，难以满足海洋监测中大面积、实时监测的要求[1—2]。卫星遥感技术的兴起，为这一难题提供了有效的解决方案。众多学者的研究表明，合成孔径雷达(Synthetic Aperture Radar，SAR)是溢油遥感监测的最为有效的遥感器之一[2—4]。星载SAR具有全天时、全天候、覆盖范围大、近实时获取数据等特点，因此，SAR是及时、准确、大范围监测海洋溢油污染的有力工具。利用SAR遥感技术，可以提取海上溢油的位置与面积等信息，从而有效指导海上溢油清理工作。

溢油的存在会抑制海面Bragg波，从而在SAR影像中以“暗区域”的形式呈现[2，5]。但在SAR影像中，存在很多“类油膜”现象，例如低风速区、锋面、雨团等，给SAR影像溢油识别带来困难，甚至造成误判[2，6]。因此，发展SAR溢油检测算法，区分类油膜现象，对客观、准确的溢油监测具有重要意义。

近年来，经过众多学者的不断努力，已经形成了较为成熟的SAR溢油检测技术流程[2]：(1)暗斑检测，(2)特征提取，(3)溢油检测。第一步是探测SAR影像中的暗斑现象，包括油膜和类油膜，这实际上是通过图像分割技术来实现的[5，7—8]。但是，SAR影像中存在斑点噪声，它会影响SAR图像分割的效果，进而降低SAR溢油检测精度[9]。所以，选用适用于SAR溢油检测的图像分割算法，可以有效提高SAR溢油检测的精度。第二步是将暗斑的众多特征提取出来，分析溢油和类油膜各个特征的区别，是提高溢油检测精度的关键步骤。如何选用关键的特征量来提高溢油检测精度，避免因输入特征量过多而导致的“维数灾难”，这是需要众多学者们关注的问题。第三步利用模式识别的分类方法，以SAR影像中暗斑的各个特征量作为输入，判定其是否为溢油。目前，众多分类方法均应用到了溢油检测中，如人工神经网络[10—11]、最大似然[12]、马氏距离[13]、SVM[14]等。然而，以上研究主要解决的问题是如何从SAR影像中区分溢油和海水，而对于如何有效区分溢油和类油膜的研究却较少。

鉴于以上因素，本文利用面向对象图像分析(Object-Based Image Analysis，OBIA)和大量溢油SAR影像数据开展了溢油斑块特征分析，以找出区分油膜和类油膜能力较强的特征。利用特征分析的结果，发展了一种基于模糊逻辑(Fuzzy Logic，FL)的溢油检测算法，以快速、准确探测海上溢油。

2基于OBIA的溢油特征分析

2.1OBIA与SAR影像暗斑提取

OBIA是21世纪初兴起的一种图像分析方法。不同于传统的基于像素的图像分析，OBIA从对象的层面对图像目标特征进行分析，因此可以将目标的几何形状、空间位置等信息结合到目标识别、地物分类等图像分析中，因此可以有效地模拟人类解译图像的过程。SAR影像中的溢油和类油膜等暗斑都可以被看作目标，相比于基于像素的图像分析，利用基于目标的特征可以提高溢油和类油膜区分的效果。

OBIA中的第一个步骤是目标提取，这一步通常由图像分割技术实现。为了提取SAR影像中的暗斑目标，本文采用了一种基于凝聚层次聚类的溢油SAR图像分割算法[7]，该算法的参数设置可以参照文献[7]。图1显示了一个SAR影像溢油暗斑样本的分割结果，图像尺寸为338×352(像素)，形状、紧凑型和尺度参数分别为0.1、0.5、150。可见，虽然图中溢油的形状很不规则，但分割结果很好地提取了其形状，可见所采用的分割算法能够满足面向对象图像分析中对于暗斑目标提取的要求。

2.2暗斑特征选择与提取

获取暗斑对象后，需要提取其各类特征。SAR影像中油膜和类油膜的特征主要分为3类：形状、物理以及纹理特征。本文选取了较为常用的共计20种特征量，其中形状和物理特征分别为5、15种，其定义与计算方法见表1、2。纹理特征借鉴了Haralick于1979年提出的14种基于灰度共生矩阵的图像纹理特征量，这些特征量在文献[10，15]中被成功地应用到溢油SAR图像的纹理分析中。本文从中选用了常用的5种特征，其具体定义见表3。

图1　一个溢油样本图像的分割结果Fig.1　A segmentation result of an oil spill sample

特征(符号)描述面积(A)暗斑区域的面积周长(P)暗斑的边界长度长宽比(r)暗斑长度与宽度的比值矩形度(R)反映了暗斑对其外接矩形的填充程度,其最大值为1圆形度(C)描述暗斑边界的复杂程度,暗斑越接近圆形,其值越小

表2　物理特征

表3　纹理特征

3基于FL的SAR溢油检测算法

FL的提出可以追溯到20世纪60年代，它是一种有效的建模工具，可模拟错综复杂、变量繁多的系统，帮助专家处理不确定性信息。传统的逻辑学只是考察一个对象是否属于“真，假”集合，而FL系统需要对对象信息进行一系列处理，来决定该对象在模糊集中的位置。FL系统的流程包括3个步骤[8]：(1)模糊化，将输入与输出变量分解为一个或多个模糊集合。(2)模糊推论，通过一系列“IF…THEN…”规则，处理输入变量。每个规则包含两部分：条件与行为。条件部分用输入变量模糊集构成，而行为部分由输出变量模糊集构成。(3)去模糊化，该过程的目的是将模糊输出转化为明确值的输出。

3.1输入和输出变量

FL溢油分类器的输入是暗斑的特征量。每一个特征量可以被定义为一个模糊集合，它由若干词语组成，而每个词语代表了该输入变量的某种含义或特性。例如，溢油暗斑通常具有较低的矩形度(定义见表1)，则对于特征量R，可以定义其模糊集为“低，高”，分别表示暗斑被分为溢油的概率高和概率低。

输入变量的选用是非常关键的，因为只有区分能力强的特征量被用来进行算法构建，才能得到较高的溢油检测精度。另外，选用太多的特征量会增大系统的复杂度。一般而言，5个特征量较佳。根据4.2节的特征分析结论，本文选用了5种特征作为输入变量。

FL溢油分类器的输出变量为暗斑是溢油的概率。其模糊集定义为：“低、中、高”，词语项分别表示：非油、类油膜、溢油。

3.2成员函数

为输入、输出变量模糊集的词语项建立成员函数，以计算一个明确值属于该词语项的程度。最简单的成员函数是标准成员函数，它由线性分段函数组成，其中最简单的形式是三角成员函数，这类函数仅用3个点和连接它们的直线构成。标准成员函数有3个显著的优点：(1)虽然简单，却足以模拟大多数复杂系统；(2)简单易懂，容易理解；(3)易于设计和实现，计算效率高。

成员函数的类型还包括高斯类型和门形函数，它们的函数曲线光滑，可以更好地模拟模糊集，但是它们不能表示非对称的模糊集类型。另外，多项式类型的成员函数也属于标准成员函数，并具有光滑曲线的特点，但他们较难实现，且计算效率偏低。

标准成员函数包含4种类型：z、π、λ和s。其中，π类型可以看做λ类型的拓展，即典型值的范围是一个区间，而非一个点。三角成员函数仅包含z、λ和s3种类型。本文采用三角成员函数，该类型虽然简单，但是足以表示大多数复杂的模糊集。为一个输入变量设计三角成员函数包含4个步骤：(1)对于每一个词语项，搞清其最典型的数值范围；最适合某词语项的数值，其对应成员函数值为1。例如，当暗斑矩形度小于0.2时，矩形度“低”的成员函数等于1；(2)对于一个词语项后续的词语项，其最典型值的起始位置就是前一词语项成员函数为0的位置。例如，对于暗斑矩形度，“低”的下一个词语项为“高”，“高”的典型值起始位置为0.6，所以“低”成员函数为0的位置为0.6；(3)连接各成员函数值为0和值为1的点。例如，矩形度“低”的成员函数，连接(0.2，1)和(0.6，0)两点；(4)对于各成员函数最左和最右的部分，其数值属于最靠近词语项的典型值。例如，暗斑矩形度[0，0.2]的区间属于“低”，且在该区间内成员函数为1。

3.3规则建立

规则是FL溢油分类器设计的关键，它的设计需要大量的先验知识和专家经验。基于特征分析的结论，经过不断实验，本文共定义了72条规则(具体请见附录)。为了使系统易于理解和实现，所有规则的IF语句部分均采用了“AND”操作符。

本文对规则的处理采用Max-Min方法。该方法的Max是指，对于THEN部分相同的多个规则，选取IF部分最大的，用该规则的输入变量计算输出，即：对于每一种结果，选择最可能的条件进行结果计算；Min是指在输出变量的各个成员函数叠加时，采用“剪切”的处理方法。

输出变量各成员函数叠加完成后，即可进行去模糊化计算，得到暗斑是溢油的概率。这可由多种方法实现，包括重心法、二等分法、中心最值法和最小值法。其中，重心法最为常用，它返回的是输出成员函数曲线的重心，本文采用该方法进行去模糊化计算。

4特征分析与FL成员函数构建

4.1数据集

本文利用了20景2010年墨西哥湾溢油事故的ENVISAT ASAR影像数据，对油膜和类油膜进行了特征分析。所采用数据的时间范围是2010年5月2日至7月24日，均为C波段，VV极化，WSM模式，该模式可以提供400多千米的刈幅宽度，很适合大范围的海上溢油监测。

美国国家海洋和大气管理局(NOAA)主要负责对墨西哥湾溢油事故进行监测与治理，其官方网站提供了溢油位置专题图(http://www.noaa.gov/deepwater/-horizon/.)。本文对SAR影像中油膜与类油膜的鉴别，就是基于该网站所提供的溢油专题图数据进行的。图2为墨西哥湾溢油影响区域，即为本文的研究区域。本文选取的溢油和类油膜样本数分别为145和134个。

图2　墨西哥湾溢油事故影响区域Fig.2　Gulf of Mexico oil spill accident impacted area

4.2特征分析结果

表4列出了20种特征对油膜和类油膜的区分效果，该效果是通过观察各特征量的数值分布来确定的。图3显示了所有特征中5个区分能力最好的特征量的数值分布概率图，从中可见矩形度的效果最好，因为大部分溢油和类油膜样本的数值混淆程度较低。各特征量数值分布概率图中，溢油和类油膜在各个区间的混淆程度是衡量表4区分效果“好，一般，差”的标准。具体标准是：对于一个特征量，若溢油和类油膜样本在各区间混淆的部分占据了总样本量的60%以下，则认为区分效果“好”；若在60%以上，80%以下，则认为“一般”；其余为区分效果“差”。

图3　较好特征量的数值分布(a-e分别为R，C，μO，σO，σB，CONmax的特征量分布)Fig.3　Numerical distribution of the features with good separability (a-e are feature value distributions of R，C，μO，σO，σB，CONmax，respectively)

进一步观察表4可以发现，区分效果较好的特征量主要为形状和物理特征，共计8个(表4中区分效果是“好”与“一般”的特征)。其中，形状特征包含3个效果较好的特征量；物理特征中有5个特征量交过较好。纹理特征的效果都很差，这主要是因为SAR影像中溢油区域的纹理表现不明显。本文选取了矩形度、圆形度、暗斑sigma0均值、暗斑背景标准差和暗斑最大对比度作为FL分类器的输入变量。

表4　各个特征区分油膜和类油膜的效果

4.3成员函数构建

在确定了输入变量之后，就可以按照3.2节的步骤，为各输入变量模糊集设定成员函数。构建的各个成员函数曲线如图4所示。各个成员函数的定义域为对应特征量的数值，而值域范围均是0～1，表示该词语项在模糊集中的位置。图4f显示了输出变量成员函数。与输入不同的是，输出变量各词语项的成员函数均为λ类型。与其他类型相比，λ类型函数最适合模拟暗斑是溢油的概率。

关于输出变量的成员函数，需要说明的是：根据输出成员函数的定义(图4f，可以给出溢油、类油膜和非油的确定阈值。由图4f可知，在[0%，37.5%)、[37.5%，62.5%)、[62.5%，100%]这3个区间，非油、类油膜和溢油的概率分别是最高的，因此我们规定：当本文方法输出的溢油概率Poil<37.5%时，为非油；当37.5≤Poil<62.5%时，为类油膜；当Poil≥62.5%时，为溢油。

5实验验证

利用2010年5月28日的ASAR影像开展了溢油检测案例分析实验。从整景数据中选取了5个暗斑样本，它们在ASAR影像中的位置如图5所示。其中，暗斑1、2、3为确定的溢油，4、5为类油膜。根据专家经验的解译结果可以判定：4为雨团；5为大气环流，它是海气边界层相互作用产生的现象，它可在低风速的情况出现，当海表温度高于大气温度时，海面气流会发生垂直方向的运动，使得海面粗糙度发生变化，在SAR影像中产生暗斑。

图5显示了5个暗斑的分割情况，依据暗斑的形状特征，对分割参数进行了调整，其具体分割参数见表5。表6列举了各个暗斑的特征量和被分为溢油的概率。图6、7分别为NOAA提供的近岸和离岸溢油轨迹预测图，对比溢油轨迹的预测范围和5个暗斑的位置，可以直观的看出本文算法的溢油检测精度。

暗斑1、2的溢油概率分别为100.0%和97.3%；1和2在NOAA的溢油轨迹预测图中处在轻油的位置上；暗斑3仅为67.2%，结果偏低，这是因为其圆形度和背景标准差较低，与类油膜相似；3在NOAA的溢油轨迹范围中，也处在轻油的位置。暗斑4、5是类油膜，其溢油概率分别为40.8%和50.0%；其中4的处在溢油轨迹预测图中的不确定区的边缘，5完全在溢油轨迹范围之外。通过以上分析，可见本文算法的溢油检测结果与NOAA溢油轨迹的实测数据是吻合的。

为了进一步验证本文算法的精度，在本文数据集又选取了50个暗斑样本(不同于特征分析的样本)来开展溢油检测，其中包含23个溢油、27个类油膜。本文算法的结果是：共有38个样本分类正确，总精度为76.0%，其中溢油、类油膜分类正确的数分别为18、20。可见，本文方法可以有效区分溢油和类油膜。

图4　成员函数(a-f分别为μO，R，C，σB，CONmax和溢油概率的成员函数)Fig.4　Membership functions (a-f are membership functions for μO，R，C，σB，CONmax，and oil spill probability，respectively)

图5　用于实验的SAR影像中的子影像及其分割结果Fig.5　Subsets of SAR image used in the experiment and their dark spot segmentation

暗斑编号形状参数紧凑性参数尺度参数10.10.530020.10.527030.10.515040.10.530050.50.5500

表6　2010年5月28日ASAR数据暗斑样本分类结果

图6　2010年5月28日NOAA近岸溢油轨迹数据Fig.6　Near-shore oil spill trajectory map of 28th May 2010 provided by NOAA

图7　2010年5月28日NOAA离岸溢油轨迹数据Fig.7　Off-shore oil spill trajectory map of 28th May 2010 provided by NOAA

6结论

本文进行了SAR溢油检测算法构建。首先统计和分析了大量油膜和类油膜特征，找出适合溢油检测的特征量；然后利用面向对象图像分析的方法，提出并实现了一种基于FL的溢油检测算法；经大量实验验证，本文算法可以有效区分油膜和类油膜。本文主要结论如下：

(1)适用于溢油检测的特征量为矩形度、圆形度、背景标准差、后向散射均值以及暗斑与背景的最大对比度；

(2)基于FL的溢油检测算法运行速度快，检测精度高，能够给出暗斑是溢油的概率，能有效区分油膜和类油膜；

(3)低后向散射均值和低矩形度的暗斑，其溢油概率较大。

本文在进行特征分析时，仅利用了C波段VV极化的SAR数据。然而SAR还包括其他工作波段和极化状态，且油膜在不同波段和极化的SAR影像中存在特征差异。要提高本文算法的普适性，需要采用更多波段的SAR影像数据，开展油膜和类油膜特征分析。

参考文献：

[1]石立坚. SAR及MODIS数据海面溢油监测方法研究[D]. 青岛: 中国海洋大学，2008．

Shi Lijian. Sea surface oil spill detection method by SAR and MODIS[D]. Qingdao: Ocean University of China，2008．

[2]Brekke C，Solberg A. Oil spill detection by satellite remote sensing[J]. Remote Sensing of Environment，2005，95(1): 1-13．

[3]邹亚荣，梁超，陈江麟，等. 基于SAR的海上溢油监测最佳探测参数分析[J]. 海洋学报，2011，33(1): 36-44．

Zou Yarong，Liang Chao，Chen Jianglin，et al. An optimal parametric analysis of monitormg oil spill based on SAR[J]. Haiyang Xuebao，2011，33(1): 36-44．

[4]邹亚荣，邹斌，梁超. 应用极化合成孔径雷达检测海上溢油研究进展[J]. 海洋学报，2014，36(9): 1-6．

Zou Yarong，Zou Bin，Liang Chao. Research on progress of oil spill detection using polarization SAR data[J]. Haiyang Xuebao，2014，36(9): 1-6．

[5]Alpers W，Huhnerfuss H. Radar signatures of oil films floating on the sea surface and the marangoni effect[J]. Journal of Geophysical Research，1988，93(C4): 3642-3648．

[6]Fanny G，Mercier G，Collard F，et al: Operational oil-slick characterization by SAR imagery and synergistic data[J]. IEEE Journal of Oceanic Engineering，2005，30: 487-495．

[7]苏腾飞，张杰，张晰. 基于HAC的溢油SAR图像分割算法[J]. 海洋科学进展，2013，31(2): 256-265．

Su Tengfei，Zhang Jie，Zhang Xi. A segmentation algorithm for oil spill SAR image based on hierarchical agglomerative clustering[J]. Advances in Marine Science，2013，31(2): 256-265．

[8]Liu P，Zhao C，Li X，et al. Identification of ocean oil spills in SAR imagery based on fuzzy logic algorithm[J]. International Journal of Remote Sensing，2010，31(17/18): 4819-4833．

[9]Migliaccio M，Tranfaglia M，Ermolov S. A physical approach for the observation of oil spills in SAR images[J]. IEEE Journal of Oceanic Engineering，2005，30(3): 496-507．

[10]孙健，胥亚，陈方玺，等. 基于合成孔径雷达回波信号的海洋溢油监测方法研究[J]. 海洋学报，2014，36(9): 97-105．

Sun Jian，Xu Ya，Chen Fangxi，et al. Research on offshore petroleum oil spilling detection using SAR echo signal[J]. Haiyang Xuebao，2014，36(9): 97-105．

[11]梁小祎，张杰，孟俊敏. 溢油SAR图像分类中的纹理特征选择[J]. 海洋科学进展，2007，25(3): 346-356．

Liang Xiaowei，Zhang Jie，Meng Junmin. Selection of texture characteristics in classifying oil spill SAR images[J]. Advances in Marine Science，2007，25(3): 346-356．

[12]Chang L，Tang Z，Chang S，et al. A region-based GLRT detection of oil spills in SAR images[J]. Pattern Recognition Letters，2008，29(14): 1915-1923．

[13]周慧，陈澎. 利用Mahalanobis距离的SAR图像溢油识别[J]. 计算机工程与应用，2011，47(18): 195-203．

Zhou Hui，Chen Peng. Oil spill identification in SAR image using mahalobis distance[J]. Computer Engineering and Applications，2011，47(18): 195-203．

[14]曲海超，薄华，张伟伟. 基于纹理特征和SVM的SAR图像溢油检测方法[J]. 信息技术，2010，19(11): 90-93．

Qu Haichao，Bo Hua，Zhang Weiwei. SAR image oil spill detection based on texture feature and support vector machine[J]. Information Technology，2010，19(11): 90-93．

[15]魏铼，胡卓玮. 基于合成孔径雷达影像的海洋溢油纹理特征参数分析[J]. 海洋学报，2013，35(1): 94-103．

Wei Lai，Hu Zhuowei. Parameter analysis of texture feature in oil spill detection based on SAR[J]. Haiyang Xuebao，2013，35(1): 94-103．

附录：本文FL分类器的规则

规则IFTHEN1μO=LowANDR=LowANDC=HighANDσB=LowANDCONmax=LowProboil=HigpμO=LowANDR=LowANDC=HighANDσB=LowANDCONmax=Mid3μO=LowANDR=LowANDC=HighANDσB=LowANDCONmax=HigpμO=LowANDR=LowANDC=HighANDσB=MidANDCONmax=Low5μO=LowANDR=LowANDC=HighANDσB=MidANDCONmax=Mid6μO=LowANDR=LowANDC=HighANDσB=MidANDCONmax=High7μO=LowANDR=LowANDC=HighANDσB=HighANDCONmax=Low8μO=LowANDR=LowANDC=HighANDσB=HighANDCONmax=Mid9μO=LowANDR=LowANDC=HighANDσB=HighANDCONmax=High10μO=LowANDR=LowANDC=MidANDσB=LowANDCONmax=Low11μO=LowANDR=LowANDC=MidANDσB=LowANDCONmax=Mid12μO=LowANDR=LowANDC=MidANDσB=LowANDCONmax=High13μO=LowANDR=LowANDC=MidANDσB=MidANDCONmax=Low14μO=LowANDR=LowANDC=MidANDσB=MidANDCONmax=Mid15μO=LowANDR=LowANDC=MidANDσB=MidANDCONmax=High16μO=LowANDR=LowANDC=MidANDσB=HighANDCONmax=Low17μO=LowANDR=LowANDC=MidANDσB=HighANDCONmax=Mid18μO=LowANDR=LowANDC=MidANDσB=HighANDCONmax=High19μO=LowANDR=LowANDC=LowANDσB=LowANDCONmax=LowProboil=Mid20μO=LowANDR=LowANDC=LowANDσB=LowANDCONmax=Mid21μO=LowANDR=LowANDC=LowANDσB=LowANDCONmax=Higp2μO=LowANDR=LowANDC=LowANDσB=MidANDCONmax=Low23μO=LowANDR=LowANDC=LowANDσB=MidANDCONmax=Mid24μO=LowANDR=LowANDC=LowANDσB=MidANDCONmax=Higp5μO=LowANDR=LowANDC=LowANDσB=HighANDCONmax=Low26μO=LowANDR=LowANDC=LowANDσB=HighANDCONmax=Mid27μO=LowANDR=LowANDC=LowANDσB=HighANDCONmax=Higp8μO=LowANDR=HighANDC=HighANDσB=LowANDCONmax=Low29μO=LowANDR=HighANDC=HighANDσB=LowANDCONmax=Mid30μO=LowANDR=HighANDC=HighANDσB=LowANDCONmax=High11μO=LowANDR=HighANDC=HighANDσB=MidANDCONmax=Low32μO=LowANDR=HighANDC=HighANDσB=MidANDCONmax=Mid33μO=LowANDR=HighANDC=HighANDσB=MidANDCONmax=High14μO=LowANDR=HighANDC=HighANDσB=HighANDCONmax=Low35μO=LowANDR=HighANDC=HighANDσB=HighANDCONmax=Mid36μO=LowANDR=HighANDC=HighANDσB=HighANDCONmax=High17μO=HighANDR=HighANDC=MidANDσB=LowANDCONmax=LowProboil=Low38μO=HighANDR=HighANDC=MidANDσB=LowANDCONmax=Mid

续表

收稿日期：2015-01-06；

修订日期：2015-04-27。

基金项目：国家自然科学基金(60890075)。

作者简介：苏腾飞(1987—)，男，内蒙古自治区呼和浩特市人，主要从事遥感数据分析算法的研究。E-mail：zzjbaaa@163.com *通信作者：李永香(1975—)，女，讲师，内蒙古自治区四子王旗人，主要从事遥感与地理信息系统的应用研究。E-mail:lyx1975imnu@163.com

中图分类号:TP753

文献标志码：A

文章编号：0253-4193(2016)01-0069-13

Sea oil spill detection method by SAR imagery using object-based image analysis and fuzzy logic

Su Tengfei1，2，Li Yongxiang3,Li Hongyu1

(1.InnerMongolianAgriculturalUniversity，CollegeofWaterConservancyandCivilEngineering，Hohhot010018，China; 2.TheFirstInstituteofOceanography，StateOceanicAdministration，Qingdao266061，China; 3.CollegeofGeographicalScience,InnerMongoliaNormalUniversity,Hohhot010022,China)

Abstract:Synthetic aperture radar (SAR)，a sensor with all weather and day and night working capacity，has been widely considered as a powerful tool for sea surface oil spill detection. However，lookalikes frequently appear in SAR images，limiting the performance of SAR to detect oil spilled at sea. Thus it is important to study how to effectively differentiate oil spill from lookalike. By using Object-based Image Analysis (OBIA)，a number of oil spill and lookalike samples are extracted from 20 scenes of ENVISAT ASAR images. The object-based geometric，physical and textural features of the samples are analyzed with the objective of determining the best feature variables for oil spill and lookalike separation. The conclusions derived from feature analysis are utilized for the construction of an FL-based oil spill classifier. The proposed method can effectively single out oil spill from lookalike，giving the crisp probability of a dark segment being oil spill at the same time. Oil spill detection experiment indicates that our method can produce satisfactory result．

Key words:SAR; feature analysis; oil spill classification; OBIA; fuzzy logic

苏腾飞，李永香，李洪玉. 基于面向对象和模糊逻辑的SAR溢油检测算法[J]. 海洋学报，2016，38(1): 69-81，doi:10.3969/j.issn.0253-4193.2016.01.007

Su Tengfei，Li Yongxiang,Li Hongyu. Sea oil spill detection method by SAR imagery using object-based image analysis and fuzzy logic[J]. Haiyang Xuebao，2016，38(1): 69-81，doi:10.3969/j.issn.0253-4193.2016.01.007