基于简缩极化SAR的溢油检测与分类方法

舒思京孟俊敏张 晰刘根旺

(1.自然资源部 第一海洋研究所,山东 青岛266061;2.自然资源部 海洋工程技术创新中心,山东 青岛266061)

合成孔径雷达(Synthetic Aperture Radar,SAR)具有全天时、全天候、高分辨率成像的优势,是目前海上溢油监视监测的重要手段[1]。当海面发生溢油事故时,油膜对海面的中短波和毛细波有较强的抑制作用(马朗戈尼效应,Marangoni Effect),导致雷达回波强度减弱,海上溢油覆盖区域在SAR图像中呈暗斑特征[2]。因此,早期的SAR溢油检测是通过探测海面中的暗区域进行的[3-5]。

尽管全极化SAR有较好的溢油探测能力,但由于全极化SAR幅宽远小于单极化SAR数据(如RADARSAT-2的全极化SAR数据幅宽仅有25或50 km,而单极化ScanSAR模式的幅宽为500 km),且系统结构复杂、成本高,极大的限制了全极化SAR的应用。为克服全极化SAR的缺陷,简缩极化SAR于2005年被提出[13-14],其采用特殊的双极化SAR结构,不仅能实现大幅宽观测(可达350 km),还能获取接近全极化的极化散射信息。鉴于简缩极化SAR的独特优势,加拿大的“雷达卫星星座任务”(Radarsat Constellation Mission,RCM)、印度RISAT卫星以及日本的ALOS-2卫星都已支持了简缩极化模式。

在简缩极化SAR溢油探测方面,最早有Zhang等利用简缩极化的一致性参数(conformity coefficient)进行了溢油检测[15];Shirvany等引入简缩极化度开展C波段和X波段SAR溢油检测[16]。近5 a来,Salberg等和Nunziata等将部分全极化SAR极化特征引入到简缩极化SAR溢油检测中[17],此外还进行了简缩极化m-χ分解得到极化度和椭圆率,并将其用于溢油检测[18];Xie等基于简缩极化特征值参数简缩极化熵、简缩极化比和简缩极化基准高度等进行溢油检测[19]。这些研究证明了简缩极化SAR在溢油探测中有较大的应用潜力。

然而,在简缩极化SAR海面溢油探测研究方面还有问题未解决:1)简缩极化SAR已发展了较多溢油检测特征,但对于众多的特征尚未进行全面的对比分析;2)尚未有利用简缩极化SAR开展溢油分类的研究。因此,本文将针对上述2个问题开展研究:首先利用简缩极化SAR数据提取常用的36个极化特征,通过对比分析这36个简缩极化特征图像中不同类型油膜和清洁海面间的欧式距离,分别筛选出最优的溢油检测和油膜类型(包括疑似溢油)区分的特征;然后,基于筛选的最优特征,提出了一种基于二叉树原理的溢油检测与分类的方法;最后利用模拟的简缩极化SAR数据开展方法有效性评估。

1 实验与数据

本文利用2次在欧洲海域开展的海上溢油实验获取的同步星载SAR数据(2次实验分别获取了1景Radarsat-2和3景SIR-C全极化数据),重构出所需的简缩极化SAR数据。其中,实验一于1994-04-02在北海附近海域(5°21′E,54°38′N)开展,数据源于“奋进号”航天飞机进行的STS-59任务(1994年4月)和STS-68任务(1994年10月),其中数据影像PR17041(图1a)和PR44327(图1b)中的暗斑为人工铺设的Olay alcohol原油,数据影像PR41370(图1c)中的暗斑为疑似溢油。详细的数据参数见表1。实验二为NOFO公司(Norwegian Clean Seas Association for Operating Companies)于2011-06-06—09在北海(2°27′E,59°59′N)开展的海上溢油实验。此实验在海上布放了植物油、乳化油和原油三种类型的油品。其中,植物油为Radiagreen ebo植物油,成分主要为油酸2-乙基己酯,在20℃时,密度为865 kg/m3,此时动态黏度为6.92 m Pa·s。由于该植物油成分中的酯基构成分子具有亲水性,使得此植物油具有与天然浮油相似的结构和属性。因此,本实验中选择该植物油的目的是用于模拟天然单分子生物浮油,也即疑似溢油。实验使用的原油为Barlder原油,根据2001年Barlder等的实验研究,此原油的密度为0.914 g/m L,在13℃时,动态黏度为219 mPa·s。乳化油为Oseberg blend原油和5%中性燃油(IFO380)的混合液,经样本分析可知,乳化油在实验过程中含水量为69%,黏度为4860 m Pa·s。详细的油品属性见表2。图1d为油膜区域的总功率SPAN图像,尽管此时风速较低(1.6～3.3 m/s),但3种油膜依然清晰可见,图中自左向右依次为植物油、乳化油和原油,并且在图中由植物油模拟的生物油膜在视觉上与原油/乳化油无显著差别。原油油膜附近的高亮点为实验协同船只,图中方框选取的区域将用于下文数据分析。

表1 实验数据列表Table 1 Experimental data

图1 溢油区域及选择感兴趣区域Fig.1 Oil spill area and selected regions of interest

表2 实验二中植物油、原油和乳化油的油膜属性Table 2 Oil film properties of plant oil,crude and emulsion

2 简缩极化SAR理论

2.1 简缩极化构建

简缩极化SAR实质上是一种特殊的双极化SAR。典型的工作方式为发射左/右旋圆单极化电磁波,然后用水平和垂直双极化接收。由于目前缺乏真实的简缩极化SAR数据,大部分研究是利用全极化SAR数据重构生成简缩极化SAR数据,由极化散射矩阵得到简缩极化散射矢量[20]:

式中:下标C表示圆极化、下标L表示左圆极化、下标R表示右圆极化;“+”表示系统发射左圆极化波(LHC);“-”表示系统发射右圆极化波(RHC)。

本文采用右旋圆极化发射,水平和垂直线极化接收的模式。由式(1)可知,右圆极化的简缩极化SAR协方差矩阵表示为

杭州以山水及人文景观为主要特色，整个城市弥漫着休闲的气息，被称为人间天堂，乾隆帝视其为“礼乐名邦”。杭州的景观不论是一级目录还是二级目录的数量都以绝对的优势遥遥领先，分别为47、89项，山水如云栖、西湖和龙井等，佛寺如灵隐寺、云栖寺和韬光庵等，园林如圣因寺行宫、安澜园和西湖园林群等，祠庙如岳王庙、表忠观和陆贽祠等，都吸引了康、乾二帝反复游览。

式中:T表示矩阵转置,“*”表示复共轭,“＜＞”表示空间集平均。

2.2 简缩极化H-α分解理论

类似于全极化H-α分解理论,Clonde等于2012年基于协方差矩阵C2提出了简缩极化H-α分解方法[21]:

式中:U2为2×2的可逆矩阵为U2的逆矩阵,该分解能够得到极化协方差矩阵的特征值λi和概率p i,并且特征值满足λ1≥λ2。利用简缩极化特征值,可以获取一系列基于特征值的参数,例如简缩极化熵[21]、简缩极化比[22]和简缩极化基准高度[23]等。

2.3 m-χ分解理论

简缩极化SAR除了用散射矢量与协方差矩阵表示,还可以使用Stokes矢量表示。Raney等给出了简缩极化模式下的Stokes矢量表达式[24]:

式中:g0表示电磁波总功率;g1表示水平或垂直线极化分量功率值;g2表示倾角为45°或135°时的线极化分量功率值;g3为右旋圆极化分量的功率值;Re和Im分别表示复数的实部和虚部。

利用Stokes矢量可以得到极化度m、圆度χ和相对相位δ:

基于此Raney提出了一种基于m-χ的三分量分解方法,其分解公式为

式中:V R、V G和V B分别为偶次散射系数、体散射系数和奇次散射系数。

为分析简缩极化SAR特征的溢油检测和疑似溢油区分能力,本文共提取了36种极化特征,详细特性见表3。

表3 提取的简缩极化特征Table 3 The extracted compact polarization features

3 特征筛选

为了定量地比较36个极化特征(表3)的溢油检测和油膜类型区分能力,采用欧式距离(D)度量清洁海面和不同油膜之间的对比度。欧式距离的定义[25]:

式中:m和σ分别表示样本均值和方差。欧式距离满足D＞0,欧式距离值越大,表明2种样本间的可分性越强,反之则越难区分。区域间的均值差异越大,方差越小,欧式距离越大,可分性越强。

本文以Radarsat-2数据为例,根据图1中黄色方框选取原油、植物油、乳化油和清洁海面四种区域的样本,统计每个简缩极化特征图像中各区域样本的均值和方差,再根据式(9)计算各区域间的欧氏距离。其中,油膜(原油、植物油、乳化油)与清洁海面之间的欧氏距离用于度量每个特征的溢油检测能力,不同油膜相互之间的欧氏距离用于度量每个特征的油膜分类能力。

3.1 溢油检测

溢油检测是基于油膜与清洁海面之间的差异进行,差异越大,越容易区分,故在极化特征图像中两者间的欧氏距离越大,代表该特征的溢油检测能力越强。图2分别给出了计算的植物油与清洁海面(DP-W)、原油与清洁海面(DC-W)以及乳化油与清洁海面(DE-W)间的欧式距离。由图2可知,大部分特征的DC-W最大,DE-W次之,DP-W最小,并且DC-W和DE-W两者差异较小,造成此现象的主要原因是原油和乳化油同属于矿物质油,油膜性质相近,其对波浪的抑制作用强于植物油。DC-W、DE-W和DP-W三者都相对较大的特征:奇次散射系数V B,简缩极化熵H C,C22,总功率Span,矢量g0,特征值λ1,C12和矢量g3等特征具有很好的溢油检测能力。其中,奇次散射系数V B表现最优,并且在以往的溢油检测研究中并未考虑该特征,本文首次提出将奇次散射系数引入简缩极化SAR溢油检测中,其定义如下:

由式(10)可知,V B对表面粗糙度非常敏感,其值越大说明目标散射机制中单次散射越强。当雷达波束照射到海水表面时,主要以布拉格散射机制为主,去极化效应弱,极化度m大,单次散射较强,V B大。当雷达波束照射到油膜时,其表面以非布拉格散射为主[4],去极化效应强,极化度m低,单次散射较弱,V B小。基于上述差异,因此奇次散射系数可以有效地区分油膜和海水。

图2 油膜与清洁海面之间的欧氏距离Fig.2 Euclidean distances between oil film and clean seawater

3.2 油膜分类

本文中油膜分类主要是植物油、原油和乳化油三者间的区分,其中原油和乳化油属于溢油,植物油模拟生物油膜属于疑似溢油。图3分别给出了计算的原油与植物油(DC-P)、原油与乳化油(DC-E)以及乳化油与植物油(DE-P)间的欧式距离。可以看出,大部分特征下DC-P最大,其次为DE-P,最小为DC-E,并且DC-E最大值小于1,可见原油和乳化油可分性较低,这是由于两者都是矿物质油,性质相近的缘故。因此,后续的油膜分类中首先将原油和乳化油作为一类与植物油区分。所有特征中,DC-P和DE-P都相对最大的特征为简缩极化熵,DC-E相对最大的特征为简缩极化基准高度PHC。因此,本文提出利用简缩极化熵HC区分溢油(原油和乳化油)与疑似溢油(植物油);利用简缩极化基准高度区分乳化油与原油。

图3 原油、植物油和乳化油三种类型相互间的欧氏距离Fig.3 Euclidean distances among crude,plant oil and emulsion

4 检测与分类方法

4.1 基于二叉树的检测与分类方法

图4 基于简缩极化SAR特征和二叉树原理的溢油检测与油膜分类算法流程Fig.4 Flow chart for oil film detection and classification algorithm based on compact polarization SAR feature and binary tree principle

本节利用奇次散射系数V B、简缩极化熵H C和简缩极化基准高度PH C等简缩极化特征,结合二叉树原理的对海上溢油实验获取的Radarsat-2 SAR溢油影像进行分类:由于奇次散射系数特征图像中DC-W、DE-W和DP-W三者都相对较大,因此,首先利用该特征分割海水和油膜,其中油膜包括原油、乳化油、植物油;再利用DC-P和DE-P都相对最大的简缩极化熵HC识别溢油与疑似溢油,其中溢油包括原油和乳化油,疑似溢油为植物油;最后利用DC-E最大的简缩极化基准高度PHC区分原油和乳化油。每一次分类过程只得到2种类别,依次逐步分类,直到把所有油膜类型都区分出来。相较于一次区分多种类别的方法,这种方法可有效提高分类精度。图4为本文提出的基于简缩极化SAR特征和二叉树原理的溢油检测与油膜分类算法流程图。

4.2 溢油检测结果

本文算法的第一步为溢油检测,即区分油膜和清洁海面,提取出油膜区域。主要使用阈值分割法对溢油进行检测,阈值是通过最大类间方差法(OTSU)[19]确定。图5和图6分别为Radarsat-2数据和SIR-C数据中简缩极化奇次散射系数的特征图像以及溢油检测结果。特征图像中油膜与清洁海面有明显的目视差异,这说明该奇次散射系数VB能够用于溢油检测。从检测结果图像中可知,VB能够突出溢油区域,增大溢油与海杂波的差异,同时也能够有效地保持油膜边缘细节。

图5 基于奇次散射系数对Radarsat-2数据进行溢油检测的结果Fig.5 Oil spill detection results for Radarsat-2 data based on odd-order scattering coefficients

图6 基于奇次散射系数对SIR-C数据进行溢油检测的结果Fig.6 Oil spill detection results for SIR-C data based on odd-order scattering coefficients

为对检测结果进行精度评价,本文依据文献[19]和文献[26]中记载的现场实验信息确定溢油类型和油膜中心位置,再结合专家经验知识对分别对图5和图6中的溢油区域进行目视解译,将各数据的溢油检测结果与专家目视解译结果进行逐像元精确判定,得到溢油检测精度(表4),其中由于图6a中油膜分布不集中,文中仅对联通面积较大区域进行精度评价。由表4中可知,PR44327(图6c)的溢油检测精度最高为95.67%,所有检测结果的平均检测精度为92.61%。结合4景数据的检测结果,可以看出简缩极化特征奇次散射系数V B在溢油检测中具有很大的应用潜力。

表4 基于简缩极化奇次散射系数的溢油检测精度Table 4 Oil spill detection accuracy of odd-order scattering coefficients

4.3 油膜分类结果

将提取的油膜区域(图5b)对油膜区域进行分类:首先我们对提取的油膜区域像素利用简缩极化熵H C区分植物油与原油/乳化油,也即疑似溢油的鉴别。分类结果如图7a所示,为了便于观察,我们将分割后的植物油和乳化油/原油区域以不同颜色置于一幅图中,绿色主要为植物油,红色主要为乳化油/原油,图中植物油和乳化油/原油绝大部分区域被分割开,仅有少数乳化油/原油区域边缘被分为植物油,这可能是由于边缘区域油膜较薄,在图像中此区域的特征与植物油相近的缘故。然后,基于上述提取的红色区域再利用简缩极化基准高度PH C区分乳化油和原油。结果如图7b所示,同样的将两者以不同颜色置于一幅图中,白色主要为乳化油,红色主要为原油,图中白色与红色混叠,没有明显的划分,这可能是由于原油和乳化油同属于矿物质油、性质相近的缘故,总体分类结果见图7c。

图7 分类方法的油膜分类结果Fig.7 Oil film classification results of proposed classification method

为进行对比分析,将本文分类方法与经典的Wishart极化SAR监督分类方法结果进行比较,后者结果见图8。图8a中红色为油膜,黑色为清洁海面,紫色为船只,其中原油/乳化油的检测结果基本与图5b相同,但植物油仅有部分与清洁海面分离,效果不及本文提出的基于奇次散射系数的溢油检测结果。图8b中,绿色主要为植物油,红色主要为原油/乳化油,可知植物油与清洁海面混淆较为严重。对比图7a和图8b,可知在植物油与原油/乳化油的区分上,本文提出的分类方法优于Wishart极化SAR监督分类方法。图8c中绿色主要为植物油,白色主要为乳化油,红色主要为原油,黑色主要为清洁海面,对比图7c可以看出2种方法的分类结果中,原油与乳化油混淆较为严重,但总体上本文的分类方法受海面的影响较小。

图8 基于Wishart极化SAR监督分类方法的油膜分类结果Fig.8 Classification results of wishart Pol-SAR supervised classification

为对2种分类方法进行定量的评价,本文采用逐像元判别的方式计算分类精度。文中采用的Radarsat-2数据来自卫星同步的海上溢油实验,文献[26]详细介绍了实验过程,乳化油,植物油和原油的布放时间分别为6月7日12:15,6月8日04:10和08:23,卫星过境时刻(17:27)实验精确记录了3种油膜中心位置,根据航拍图像及各油膜中心位置给出粗略人工分类结果。本文基于上述实验的观测信息和专家经验知识,对图1作了高精度的溢油类型专家解译图(图9),图中绿色为植物油,白色为乳化油,红色为原油,黑色为清洁海面。下文以此溢油类型专家解译图,对本算法进行了定量评价。

图9 溢油类型专家解译结果Fig.9 Oil spill types from expert interpretation

参照溢油类型专家解译图(图9),对溢油分类结果图7c和图8c中所有像元进行逐点精确判定,得到本文分类方法和Wishart极化SAR监督分类方法的溢油分类精度(表5和表6)。由表5和表6可知,在本文提出的溢油分类方法中,清洁水面的识别精度最高,精度达到96.24%,而Wishart监督分类中植物油与清洁海面的混淆较为严重,精度仅为83.57%;本文分类方法的植物油识别精度可达到95.71%,优于Wishart监督分类方法的93.59%;然而对于原油和乳化油的区分,2种方法的精度均不理想,乳化油的分类精度分别为63.21%和65.40%,原油的分类精度分别为56.62%和50.56%,这可能是原油和乳化油成分相似,性质相近的缘故。此外,考察两种分类方法的结果可知,原油和乳化油区域边缘与植物油发生混淆,这可能是由于边缘区域油膜较薄,在图像中此区域的特征与植物油相近的缘故,但两者主体部分有明显的区分。总之,本文的分类方法优于Wishart极化SAR监督分类方法。

表5 本文提出方法的分类结果混淆矩阵(%)Table 5 Confusion matrix of proposed classification method(%)

表6 Wishart极化SAR监督分类的混淆矩阵(%)Table 6 Confusion matrix of Wishart supervised classification(%)

综上所述,我们提出的基于简缩极化SAR特征和二叉树原理的溢油检测与油膜分类算法可以准确的区分海水和疑似溢油,由于目前没有能够有效区分原油和乳化油的简缩极化特征,所以最终实验结果中原油和乳化油发生混淆,分类精度低。本文引入的简缩极化特征奇次散射系数在溢油检测中具有较大优势,以及简缩极化熵在过滤生物油膜中具有很大的应用潜力;利用奇次散射系数和简缩极化熵,结合二叉树分类思想的溢油分类方法能够有效地检测溢油并过滤疑似溢油。

5 结 语

简缩极化SAR作为极化SAR新兴的方向,在大范围海洋溢油检测方面具有很大的应用潜力。为了更好地利用简缩极化SAR进行海洋溢油检测,我们针对简缩极化SAR溢油检测特征筛选问题和简缩极化SAR溢油油膜分类应用开展研究。首先,本文利用简缩极化SAR数据提取了常用的36个简缩极化特征,并且基于特征图像中原油、植物油、乳化油和清洁海面四种区域间的欧氏距离,分别筛选出溢油检测和油膜类型区分的最优特征;然后,利用全极化SIR-C和Radarsat-2数据生成的模拟简缩极化SAR数据,对本文提出的基于简缩极化特征和二叉树原理的溢油检测与分类方法的有效性进行评估。实验结果表明,本文中的简缩极化特征奇次散射系数能有效区分油膜和清洁海面,具有很大的溢油检测应用潜力;利用奇次散射系数和简缩极化熵,结合二叉树分类思想的溢油分类方法能有效过滤疑似溢油。对比分析多种简缩极化SAR特征为溢油监测极化特征的选择提供了参考,提出的溢油检测与分类方法对溢油的检测精度可达95.67%,对于疑似溢油的识别精度可达95.71%,该方法的应用有助于提高极化SAR溢油监测能力。