基于多尺度決策融合的SAR圖像溢油檢測方法分析

王丹華

基于多尺度決策融合的SAR圖像溢油檢測方法分析

王丹華

（河海大學商學院，江蘇南京，211100）

本文以墨西哥灣溢油事故的一幅SAR溢油影像數據為信息源，通過多尺度分析和基于灰度共生矩陣的紋理特征提取，最后引入多尺度決策融合策略，對各尺度獲得的檢測結果進行融合，從而形成統一的溢油檢測框架。

多尺度分析；SAR圖像；溢油檢測

0 引言

近年來，海洋石油開采業以及海洋運輸業等海上作業發展加快，在給人類帶來利益的同時也伴隨著危險，溢油事故頻頻發生造成海洋環境的嚴重污染以及海洋生態的破壞。SAR圖像溢油檢測中存在多種同樣具有后向散射的特性非溢油區域，如低風速區、生物油膜，海洋內波等，同時也存在大量的斑點噪聲。為更好的應對這一問題，應充分利用不同對象在不同尺度下表現出的不同特征信息，用多尺度工具深刻分析油膜區域、類油膜區域與非油膜區域，從而提高檢測精度與檢測的穩定性。

目前，SAR海洋溢油檢測已經成為一個非常活躍的研究方向。迄今為止，國內外專家和學者提出的油污檢測方法主要針對三個方面：溢油圖像的分割、特征提取和海面溢油與疑似溢油的識別。例如Barni等(1995)利用模糊C-均值聚類結合多尺度的方法來分割SAR溢油圖像。馬秀麗等提出基于分水嶺-譜聚類的SAR圖像分割方法。另外，許多學者利用大量的SAR圖像對不同的海區的溢油進行統計分析。Guido等(2009)根據EGEMP對海上溢油的SAR圖像進行了分析；Andersen等(2010)利用SAR監視和模型追蹤沿海水域的溢油事件。

本文將基于輪廓波的多尺度圖像分割及紋理參數選擇，將單一尺度檢測結果進行多尺度決策融合。既引入了多尺度分析工具，又考慮了單一尺度上的檢測效率，同時選擇的紋理參數也更加有效且可靠。

圖1 圖像檢測簡單流程圖

1 方法

本文采用的方法包括三個層次：第一個層次，確定分解次數，對SAR圖像進行多尺度輪廓波分解，在每一尺度下進行快速分割進而獲得多尺度分割圖像。第二個層次，通過對分割區域的紋理特征提取及多尺度分析，確定最佳紋理參數，結合幾何參數、風速等其他數據作為神經網絡的輸入數據。測試經典模型，獲得多尺度的溢油識別結果，綜合比較后選擇較優的神經網絡模型納入檢測框架。第三個層次，對單一尺度檢測結果進行決策級多尺度融合獲得最終檢測結果，形成統一的檢測框架。

1.1 SAR圖像分割

首先建立輪廓波尺度分解次數自適應快速選擇算法，最佳分解尺度應使后期的多尺度分析取得運算時間與檢測精度的平衡。在此基礎上，研究一種尺度自適應分割方法，對不同尺度上的低頻子圖像進行快速分割預處理，進而在每一尺度上構建基于分割結果（區域塊）的相似性矩陣，計算特征值及特征向量，構建此分割方法，從而獲得單一尺度的分割結果。對每一尺度獨立進行分割，提取油膜或類油膜在多個尺度下所在的區域。本文首先采用Contourlet變換對圖像做去噪處理。設為高斯加性噪聲模型：

p=o+n （1）

o為原圖像；n為高斯白噪聲；p 為含噪圖像。

利用 Contourlet 變換方法去除噪聲分為三步：進行Contourlet 變換，將噪聲圖像進行處理；按照一定規則修正Contourlet 變換系數，反變換得到去噪后的圖像；對第二步的Contourlet 變換系數進行修正。

一幅圖像的灰度共生矩陣(Gray Level Co- occurrence Matrix，是N×N方陣)是以一定距離d（灰度值設為i）和一定角度θ（灰度值設為j）分開的兩個像元, 其中i，j=0,1,…,N;N為待測圖像區域中的灰度max。θ可取0°、45°、90°和135°四種不同的角度，它表示兩個不同像元分開的角度。在具體操作中，為了降低計算量，分割SAR圖像時，使用8至16個灰階足以。

在確定了溢油所在位置后，本文采用基于形態學的分水嶺變換對圖像進行分割。首先按灰度值的大小排列圖像中的像素，然后從最小點注水，等到產生交匯，直到最高點就能看到由“堤壩”形狀組成的分水嶺，完成整個分割過程。

1.2 投票決策融合算法

本文采用決策級數據融合的一種方法即多數投票法，分別令輸入輸出分類器為X，j和k，隨后用總體判決函數E(X)表示，于是有E(X)=j見公式（2）。為了易于說明, 把ek(X)換方式表達。二值特征函數Tk(X)可以用公式（1）表示:

2 實驗與分析

2.1 實驗

本文采用一幅ENVISAT-1 ASAR數據進行實驗，通過在檢測結果中重新選擇樣本集，比較所選最佳紋理參數的有效性與穩定性。通過建立混淆矩陣，根據Kappa系數、總體精度、誤檢率和漏檢率等精度指標進行評定，并優化特征級融合策略的相關參數。

實驗選用墨西哥灣溢油事故當時拍攝的一幅SAR溢油圖，并從中選取感興趣的區域見下圖2：

先對此區域進行分割得到下圖3：

圖3 分割后的圖像

按本文框架所設計的方法得到的圖像如下圖4：

圖4 溢油檢測圖

2.2 分析

從總體精度，誤檢率，漏檢率，以及Kappa系數等等參數將本文所用方法的結果與一般方法的結果進行比較。綜合得出的數據圖如圖5：

圖5 實驗結果對比圖

表1 結果對比分析

圖2 “DeepWater Horiom”溢油事故SAR溢油圖

3 結論

本文以SAR圖像分割與融合為中心進行展開，利用多尺度方法進行分析和研究，通過多尺度對象級溢油檢測與多尺度決策級融合策略相結合，建立統一的檢測框架，并通過仿真實驗所得到的結果精度更高，誤檢率更低，一致性更好。需要指出的是多尺度分析方法本身正處于初步應用的發展階段，需要進行更為深層的理論研究和實際應用。

[1] Barni,M.,Beti,M.,and Mecocci,A.,1995,A fuzzy approach to oil spill detection on SAR images. Proc.IGARSS'95,vol.1, pp.157-159.

[2] 馬秀麗，焦李成.基于分水嶺-譜聚類的SAR圖像分割[J].紅外與毫米波學報，2008,27(6):452-456.

[3] Guido Ferraro,Bjorn Baschek,Geraldine de Montpellier,2009,On the SAR derived alert in the detection of oil spills according to the analysis of the EGEMP.In:Marine Pollution Bulletin 60 (2010) 91-102.

[4] Yongcun Cheng,Xiaofeng Li,Ole Baltazar Andersen, 2010,SAR observation and model tracking of an oil spill event in coastal waters.In:Marine Pollution Bulletin 62(2011)350-356.

王丹華（1987年出生），女，江蘇南京，河海大學商學院，研究方向：基礎設施投融資

SAR image analysis of oil spill detection method based on multiscale decision fusion

Wang Danhua
（Business school of Hohai university，Jiangsu Nanjing，211100）

Make SAR image data of the Mexico Gulf oil spill as the information source,through multi-scale analysis and based on GLCM texture feature extraction.Finally,introducing multi-scale decision fusion strategy,fusing the test results obtained in different scales,so as to form a unified framework for oil spill detection.

Multiscale analysis;SAR image;Oil Spill Detection