基于神經網絡的海面溢油圖像分類算法

鄒云

（南京航空航天大學 江蘇 南京 210016）

海上溢油污染是各種人為海洋污染重、發生頻率較高、分布面積較廣、危害程度較嚴重的一種。而如何對海面溢油SAR圖像中的物質進行準確分類就顯得尤為重要。馬來西亞的Mansor等[1]以SAR圖像為數據源，建立了SAR溢油探測技術流程和分類算法。Solberg等[2]給出了一個可對油膜概率較大的目標直接進行自動檢測的半自動探測分類器。Fiscella等[3]使用預處理工具從SAR影像中提取像素目標，根據統計標準對其進行分類。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用紋理分析的方法[4]。與此同時，人工神經網絡ANN(Artificial Neural Network)自提出以來就得到了快速發展，其中徑向基函數RBF(Radial Basis Function)神經網絡具有良好的非線性映射、自學習能力和收斂性，因此被越來越多地運用于對目標的分類當中，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的存儲空間和計算復雜度，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特的優勢。本文結合Gabor變換、KPCA和神經網絡的各自優點，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濾波器設計

2DGabor濾波器是以2DGabor函數作為基函數，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函數和復正弦波函數的乘積，空間域表達式為：

其中 x′=xcosθ+ysinθ；y′=-xsinθ+ycosθ。 θ 和 λ 分別為正弦波的方向和波長。σx，σy為高斯包絡在x和y方向上的標準差。利用Gabor濾波器對圖像進行濾波就是將圖像函數和φ(x,y,θ,λ)做卷積，得到響應值 R，即：

Gabor濾波器的參數有極向中心頻率f、方向角θ及由σ決定的高斯包絡大小等，改變這些參數即可得到不同的濾波器。使用該Gabor濾波器對二維信號在不同方向、尺度上進行濾波，得到的信息可以全面反映出該信號的頻率空間特性[9]。將二維圖像信號與2DGabor函數求卷積，若只取Gabor函數的實部與圖像求卷積則為實Gabor濾波，只取虛部與圖像求卷積則為虛Gabor濾波。本文采用12方向的實環形Gabor濾波器對海面溢油圖像進行濾波，由于Gabor濾波器在頻域具有共軛對稱性，故只需在0度到180度內選擇方向參數，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的改進型，它的基本思想是利用一種非線性映射函數將圖像的初始數據映射到高維的特征空間中，然后引入核函數，對該特征空間進行主成分分析。

設初始數據xi，經函數Φ映射到高維空間中為Φ(xi)?，F令

式中Φ(xi)為模版樣本的高維映射函數，xi為模版樣本數。

模版樣本的協方差矩陣為

現計算C的特征值λ及λ對應的特征向量γ

又因為

式中ai為常數。

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)要調整為

3 算法實現

1)根據圖像特點，對于第一個輸入向量K1=(k11,k02,k20,k12,k21)來說，此時神經網絡的隱藏端只有一個節點，中心為K1?，F設定一個參數α（該參數會根據實驗結果進行適當調整），對于第二個輸入向量K2，計算其與K1之間的歐氏距離D，若 D＞a，則 K2也成為一個中心；若 D≤a，則 K1為此處的中心。對于第N個輸入向量Kn，此時已有M個中心，現分別計算Kn與這個M中心的歐式距離，其中D0為其中的最小值，若D0＞a，則Kn成為新一個中心；若D0≤a，則中心數仍為M個。

2)因為本文選取的徑向基函數為高斯函數，所以可通過下式直接求取寬度

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

4 實驗結果及分析

本文選擇3類物質：油膜、類油膜和海水作為研究對象。每一類隨機選取100個樣本，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判別各樣本所屬類別。采用總體分類精度來對實驗結果進行評價，它表示分類結果與對應區域的實際所屬類別相一致的概率。本文方法的檢驗結果如表1所示。

表1 本文方法檢驗結果Tab 1 Test results of the paper

3種不同分類方法的總體精度、油膜的過程精度、類油膜的過程精度，詳細情況如表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以及神經網絡的方法均采用相同的試驗樣本。但從表2中明顯可以看出，本文所提方法無論是在總體精度，還是過程精度上，均優于前兩種方法，雖然算法時間略長，但在可接受范圍內，所以說，本文所提方法是一種有效的海面溢油SAR圖像分類方法。

5 結論

針對國內對海面溢油SAR圖像分類研究還很少以及現有研究的缺點，本文結合Gabor變換、KPCA和神經網絡的各自優點，提出了一種基于三者的海面溢油SAR圖像分類方法。首先對海面溢油SAR圖像進行Gabor變換，得出不同方向濾波所得的特征參數；然后進行KPCA的提取，提取出圖像特征；最后利用神經網絡對提取的特征進行分類。實驗結果證實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果。

表2 3種分類方法的分類精度總結對比Tab 2 Comparative summary about classification accuracy of three methods

[1]朱立松.應用紋理分析和神經網絡方法分類海上SAR溢油圖像[D].大連：大連海事大學,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：中國地質大學(北京),2011.

[4]薛浩潔.SAR圖像海洋表面油膜檢測方法研究[D].北京：中國科學院研究生院(電子學研究所),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網絡的文本分類研究[J].微電子學與計算機,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網絡的SAR圖像分類[J].微計算機信息,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，來新泉.基于雙機熱備的航天發動機控制器設計[J].火箭推進，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.