基于神經(jīng)網(wǎng)絡(luò)的海面溢油圖像分類算法

鄒云

（南京航空航天大學(xué) 江蘇 南京 210016）

海上溢油污染是各種人為海洋污染重、發(fā)生頻率較高、分布面積較廣、危害程度較嚴(yán)重的一種。而如何對(duì)海面溢油SAR圖像中的物質(zhì)進(jìn)行準(zhǔn)確分類就顯得尤為重要。馬來(lái)西亞的Mansor等[1]以SAR圖像為數(shù)據(jù)源，建立了SAR溢油探測(cè)技術(shù)流程和分類算法。Solberg等[2]給出了一個(gè)可對(duì)油膜概率較大的目標(biāo)直接進(jìn)行自動(dòng)檢測(cè)的半自動(dòng)探測(cè)分類器。Fiscella等[3]使用預(yù)處理工具從SAR影像中提取像素目標(biāo)，根據(jù)統(tǒng)計(jì)標(biāo)準(zhǔn)對(duì)其進(jìn)行分類。由于油膜、類油膜和海水具有不同的紋理特征，因此在SAR圖像信息提取中廣泛應(yīng)用紋理分析的方法[4]。與此同時(shí)，人工神經(jīng)網(wǎng)絡(luò)ANN(Artificial Neural Network)自提出以來(lái)就得到了快速發(fā)展，其中徑向基函數(shù)RBF(Radial Basis Function)神經(jīng)網(wǎng)絡(luò)具有良好的非線性映射、自學(xué)習(xí)能力和收斂性，因此被越來(lái)越多地運(yùn)用于對(duì)目標(biāo)的分類當(dāng)中，取得了較好的分類效果[5-7]。

Gabor變換是頻域分析方法之一，是一種強(qiáng)大的紋理分析工具。主成分分析PCA(Principal Component Analysis)是一類效果較好的提取圖像特征信息的方法，為了降低PCA的存儲(chǔ)空間和計(jì)算復(fù)雜度，Bernhard等提出了核主成分分析KPCA(Kernel Principal Component Analysis)法[8]，用于提取圖像特征具有獨(dú)特的優(yōu)勢(shì)。本文結(jié)合Gabor變換、KPCA和神經(jīng)網(wǎng)絡(luò)的各自優(yōu)點(diǎn)，提出了一種基于三者的海面溢油SAR圖像分類方法。

1 二維Gabor濾波器設(shè)計(jì)

2DGabor濾波器是以2DGabor函數(shù)作為基函數(shù)，二維Gabor濾波器是一種線性濾波器，且可以看做是一種小波濾波器，可以表示為Gabor函數(shù)和復(fù)正弦波函數(shù)的乘積，空間域表達(dá)式為：

其中 x′=xcosθ+ysinθ；y′=-xsinθ+ycosθ。 θ 和 λ 分別為正弦波的方向和波長(zhǎng)。σx，σy為高斯包絡(luò)在x和y方向上的標(biāo)準(zhǔn)差。利用Gabor濾波器對(duì)圖像進(jìn)行濾波就是將圖像函數(shù)和φ(x,y,θ,λ)做卷積，得到響應(yīng)值 R，即：

Gabor濾波器的參數(shù)有極向中心頻率f、方向角θ及由σ決定的高斯包絡(luò)大小等，改變這些參數(shù)即可得到不同的濾波器。使用該Gabor濾波器對(duì)二維信號(hào)在不同方向、尺度上進(jìn)行濾波，得到的信息可以全面反映出該信號(hào)的頻率空間特性[9]。將二維圖像信號(hào)與2DGabor函數(shù)求卷積，若只取Gabor函數(shù)的實(shí)部與圖像求卷積則為實(shí)Gabor濾波，只取虛部與圖像求卷積則為虛Gabor濾波。本文采用12方向的實(shí)環(huán)形Gabor濾波器對(duì)海面溢油圖像進(jìn)行濾波，由于Gabor濾波器在頻域具有共軛對(duì)稱性，故只需在0度到180度內(nèi)選擇方向參數(shù)，即方向角分別為 0、π/6、π/3、2π/3、5π/6、π。

2 核主成分分析

KPCA作為PCA的改進(jìn)型，它的基本思想是利用一種非線性映射函數(shù)將圖像的初始數(shù)據(jù)映射到高維的特征空間中，然后引入核函數(shù)，對(duì)該特征空間進(jìn)行主成分分析。

設(shè)初始數(shù)據(jù)xi，經(jīng)函數(shù)Φ映射到高維空間中為Φ(xi)。現(xiàn)令

式中Φ(xi)為模版樣本的高維映射函數(shù)，xi為模版樣本數(shù)。

模版樣本的協(xié)方差矩陣為

現(xiàn)計(jì)算C的特征值λ及λ對(duì)應(yīng)的特征向量γ

又因?yàn)?/p>

式中ai為常數(shù)。

定義 N×N 維矩陣 K=(Kij)N×N

則模版樣本在高維空間的投影，也即是圖像的主成分為

如果式(4-1)不滿足，則核矩陣式(4-5)要調(diào)整為

3 算法實(shí)現(xiàn)

1)根據(jù)圖像特點(diǎn)，對(duì)于第一個(gè)輸入向量K1=(k11,k02,k20,k12,k21)來(lái)說(shuō)，此時(shí)神經(jīng)網(wǎng)絡(luò)的隱藏端只有一個(gè)節(jié)點(diǎn)，中心為K1。現(xiàn)設(shè)定一個(gè)參數(shù)α（該參數(shù)會(huì)根據(jù)實(shí)驗(yàn)結(jié)果進(jìn)行適當(dāng)調(diào)整），對(duì)于第二個(gè)輸入向量K2，計(jì)算其與K1之間的歐氏距離D，若 D＞a，則 K2也成為一個(gè)中心；若 D≤a，則 K1為此處的中心。對(duì)于第N個(gè)輸入向量Kn，此時(shí)已有M個(gè)中心，現(xiàn)分別計(jì)算Kn與這個(gè)M中心的歐式距離，其中D0為其中的最小值，若D0＞a，則Kn成為新一個(gè)中心；若D0≤a，則中心數(shù)仍為M個(gè)。

2)因?yàn)楸疚倪x取的徑向基函數(shù)為高斯函數(shù)，所以可通過(guò)下式直接求取寬度

3）隱藏端至輸出端的連接權(quán)值可直接用ROLS（Recumive Orthogonal Least Square）法求得

4 實(shí)驗(yàn)結(jié)果及分析

本文選擇3類物質(zhì)：油膜、類油膜和海水作為研究對(duì)象。每一類隨機(jī)選取100個(gè)樣本，分別采用最小距離分類方法、最大似然分類方法以及本文方法來(lái)判別各樣本所屬類別。采用總體分類精度來(lái)對(duì)實(shí)驗(yàn)結(jié)果進(jìn)行評(píng)價(jià)，它表示分類結(jié)果與對(duì)應(yīng)區(qū)域的實(shí)際所屬類別相一致的概率。本文方法的檢驗(yàn)結(jié)果如表1所示。

表1 本文方法檢驗(yàn)結(jié)果Tab 1 Test results of the paper

3種不同分類方法的總體精度、油膜的過(guò)程精度、類油膜的過(guò)程精度，詳細(xì)情況如表2所示。

本文中最小距離分類、最大似然分類方法以及基于Gabor、KPCA以及神經(jīng)網(wǎng)絡(luò)的方法均采用相同的試驗(yàn)樣本。但從表2中明顯可以看出，本文所提方法無(wú)論是在總體精度，還是過(guò)程精度上，均優(yōu)于前兩種方法，雖然算法時(shí)間略長(zhǎng)，但在可接受范圍內(nèi)，所以說(shuō)，本文所提方法是一種有效的海面溢油SAR圖像分類方法。

5 結(jié)論

針對(duì)國(guó)內(nèi)對(duì)海面溢油SAR圖像分類研究還很少以及現(xiàn)有研究的缺點(diǎn)，本文結(jié)合Gabor變換、KPCA和神經(jīng)網(wǎng)絡(luò)的各自優(yōu)點(diǎn)，提出了一種基于三者的海面溢油SAR圖像分類方法。首先對(duì)海面溢油SAR圖像進(jìn)行Gabor變換，得出不同方向?yàn)V波所得的特征參數(shù)；然后進(jìn)行KPCA的提取，提取出圖像特征；最后利用神經(jīng)網(wǎng)絡(luò)對(duì)提取的特征進(jìn)行分類。實(shí)驗(yàn)結(jié)果證實(shí)該方法可以獲得比最小距離分類方法以及最大似然分類方法更高精度的分類結(jié)果。

表2 3種分類方法的分類精度總結(jié)對(duì)比Tab 2 Comparative summary about classification accuracy of three methods

[1]朱立松.應(yīng)用紋理分析和神經(jīng)網(wǎng)絡(luò)方法分類海上SAR溢油圖像[D].大連：大連海事大學(xué),2005.

[2]Anne H.S Solberg,Rune Solberg.A large-scale evaluation of features for automatic detection of oil spill in ERS SAR images[C].Proc.IEEE Symposium Geoscience Remote Sensing(IGASS),1996.

[3]李瓊.SAR圖像海面油膜提取與分類研究[D].北京：中國(guó)地質(zhì)大學(xué)(北京),2011.

[4]薛浩潔.SAR圖像海洋表面油膜檢測(cè)方法研究[D].北京：中國(guó)科學(xué)院研究生院(電子學(xué)研究所),2004.

[5]吳煒,楊曉敏,何小海,等.基于主向量分析重建的人臉識(shí)別算法研究[J].光電子·激光,2008,19(2):246-248.WU Wei,YANG Xiao-min,HE Xiao-hai,et al.Face recognition based on PCA reconstruction[J].Journal of Optoelectronics and Laser,2008,19(2):246-248.

[6]楊俊,陳賢富.基于KPCA和RBF網(wǎng)絡(luò)的文本分類研究[J].微電子學(xué)與計(jì)算機(jī),2010,27(3):122-125.YANG Jun,CHEN Xian-fu.Text categorization based on KPCA and RBF neural network [J].Microelectronics&Computer,2010,27(3):122-125.

[7]Zhi J,Zhang D M.Based on PCA of genetic neural network prediction of stock index [J].Computer Engineering and Applications,2009,45(26):210-212.

[8]李曉輝,謝建紅,高鑫.基于Brushlet和RBF網(wǎng)絡(luò)的SAR圖像分類[J].微計(jì)算機(jī)信息,2009,25(2-3):295-297.LI Xiao-hui,XIE Jian-hong,GAO Xin.SAR image classification using complex feature of Brushlet and RBF neural network[J].Microelectronics&Computer,2009,25(2-3):295-297.

[9]李鵬，來(lái)新泉.基于雙機(jī)熱備的航天發(fā)動(dòng)機(jī)控制器設(shè)計(jì)[J].火箭推進(jìn)，2011（3）：58-62.LI Peng,LAI Xin-quan.Design of dual-processor hot standby aerospace engine controller[J].Journal of Rocket Propulsion,2011（3）：58-62.