海面溢油自动监测中的油膜与类油膜特征分析

2020-06-08舒迟宋莎莎

船海工程 2020年2期

舒迟，宋莎莎

(1.烟台海事局, 山东烟台 264000；2.中海油能源发展股份有限公司安全环保分公司，天津 300452)

对SAR海面溢油做过长期的持续性研究，或参与SAR溢油监测系统研制的主要团队有：Solberg团队、Fiscella团队、Topouzelis团队、Singha团队。Solberg团队选用的特征参数有3类，包括灰度特征、几何特征和空间特征，并未选用纹理特征。自1997年以来，Solberg团队在特征数量和特征参数上保持着较好的稳定性[1]。Fiscella团队使用的特征参数仅有几何特征和灰度特征两类，空间特征和纹理特征均未涉及，特征个数也较稳定[2]。Topouzelis于2003年首次尝试利用eCognition算法对SAR图像暗目标分割，并用12个特征和模糊逻辑分类器进行溢油识别[3]。Topouzelis等与Stathakis合作发表的论文中，采用包含有几何、灰度和纹理3类特征的25个特征参数的特征集合。Singha团队在基于决策树进行溢油识别研究中，特征参数选用几何特征为23个，灰度特征为5个，并增加了8个纹理特征和5个空间特征[4]。综上，同一研究团队在使用相同的分类器时，选用的特征参数一般变化不大。

1 油膜与类油膜

由于海洋环境复杂、海面大气影响，水体对电磁波的散射与吸收作用，海面油膜遥感信息较弱，导致海面油膜信息提取时存在“同物异谱，同谱异物”的现象。随着遥感技术的出现和发展，针对海面油膜信息的遥感探测技术研究也得到不断发展，该技术可获取地物目标近乎连续的反射光谱，从而根据光谱特征差异来区分海水与溢油目标。

1.1 油膜

海洋油膜的存在改变了海面张力，给海面毛细波和短重力波的产生带来阻尼作用，改变了海面粗糙度，从而使得海面变得光滑。被油膜覆盖的海面会降低雷达接收到的后向散射回波，使得雷达图像灰度降低，从而导致溢油区在影像上表现为明显的暗斑。

1.2 类油膜

SAR图像上并非所有的暗斑都是由海洋油膜引起，在SAR影像上，疑似现象有很多，包括淡水注入、低风速区、漂浮水草、生物油膜、油脂状冰、内波、上升流、雨团、锋面、大气重力波等。

2 海上溢油特征分析方法

遥感图像中溢油或疑似溢油目标表现为特定像素的集合，将这个像素的集合作为一个整体来对待，对于分割出来的每个目标个体，通过计算都可以得到其几何特征、灰度特征和纹理特征，如果考虑目标个体的空间位置及目标间的空间关系还可以得到其空间特征[5-6]。

为了区分溢油和疑似现象，针对SAR海面溢油检测的各种自动或半自动算法被实践检验。这些算法通常包括如下步骤。

1)SAR图像分割。感兴趣区域从原始SAR影像的分离,通常包括目标本身和局部背景。

2)特征提取与选择。计算每个目标的特征属性，并选择出区分度高的特征[7]。

3)目标分类。基于各种分类器方法对目标类别进行判断。

3 基于多种特征的溢油分析

基于烟台海事局自建样本库中的溢油样本和疑似溢油样本，从统计学角度观测SAR图像中这2类目标不同特征的分布情况，见图1、2。

图1 样本库中典型的溢油样本

图2 样本库中典型的疑似溢油样本

3.1 几何特征分析

几何特征参数是对暗目标几何形状的度量，在SAR溢油文献中使用较为广泛的几何特征包括：面积、周长、归一化周长面积比、目标的不对称性，见图3。

图3 几何特征的概率密度分布比较

从图3可见，2类样本在面积、周长、归一化周长面积比上差别不显著。溢油样本的不对称性明显高于疑似现象。

3.2 灰度特征分析

灰度特征参数是针对目标子图像中的不同区域的灰度或灰度梯度数值集合计算的统计量，常用的灰度特征包括：暗目标灰度均值、标准差、均值标准差比，背景的灰度均值、标准差、均值标准差比，目标背景均值比、标准差比，边缘梯度均值、标准差。见图4。

图4 灰度特征的概率密度分布比较

从对比结果来看，背景灰度均值、边缘梯度均值表现出显著差异。

3.3 纹理特征分析

纹理特征参数用于描述图像中颜色和灰度的空间排列方式，在图像处理中常用共生矩阵来量化描述纹理，关注的是图像中某一像素对重复出现的情况，本质上反映的是图像的空间频率特性。溢油文献中采用的纹理特征包括基于灰度共生矩阵的角二阶矩、对比度、逆差矩、熵、自相关、和方差、和均值、最大相关系数、最大概率。根据图中的统计结果，纹理特征中角二阶矩、自相关、和方差、和均值、最大概率等的分布曲线都表现出一定差异。见图5。