基于合成孔徑雷達回波信號的海洋溢油監測方法研究

孫健，胥亞，陳方璽，彭仲仁，4

（1.上海交通大學海洋工程國家重點實驗室，上海 200240；2.上海交通大學船舶海洋與建筑工程學院交通運輸與航運系，上海 200240；3.上海交通大學校友總會，上海 200240；4.美國佛羅里達大學城市與區域規劃系，Gainesville 32601）

基于合成孔徑雷達回波信號的海洋溢油監測方法研究

孫健1，2，胥亞2，陳方璽3，彭仲仁2，4

（1.上海交通大學海洋工程國家重點實驗室，上海 200240；2.上海交通大學船舶海洋與建筑工程學院交通運輸與航運系，上海 200240；3.上海交通大學校友總會，上海 200240；4.美國佛羅里達大學城市與區域規劃系，Gainesville 32601）

海洋油污染是各類海洋污染中最常見、分布面積最廣且危害程度最大的污染之一。近年來，海洋特別是近海人類活動頻繁，且隨著海上運輸和石油加工業的發展，油田井噴、鉆井平臺爆炸、船舶碰撞等所造成的溢油事故增多，因而，監測海洋溢油具有重要的經濟和社會現實意義。研究采用Mat-LAB工具，通過圖像預處理（圖像校正和增強）、特征提取和神經網絡識別等方法，對合成孔徑雷達（SAR）海洋溢油圖像進行處理，最終期望實現半自動區分SAR圖像上各類目標，并進行多種神經網絡方法效果比較。研究首先對SAR海洋溢油圖像進行初步人工識別；然后進行圖像預處理（幾何校正、濾波處理等）和基于灰度共生矩陣的特征值計算；最后，借助神經網絡方法對溢油區域和疑似溢油區域進行分類，輸出分類處理后的圖像。通過輸出圖像分析發現，神經網絡能對SAR海洋溢油圖像中溢油、海水、土地3類目標進行明確分類，且RBF神經網絡模型精度高于BP神經網絡。本文提出的半自動分類方法不僅能提高SAR圖像處理效率，將分類目標擴充有溢油和非溢油擴充到溢油、海水、土地3類，提高圖像處理的全面性，同時通過比較RBF和BP神經網絡在SAR溢油圖像分類上的具體優劣，有著較好實際意義。

合成孔徑雷達；SAR；海洋溢油；圖像目標分類；神經網絡

1 引言

近年來，海洋特別是近海人類活動頻繁，且隨著海上運輸和石油加工業的發展，油田井噴、鉆井平臺爆炸、船舶碰撞等所造成的溢油事故增多。各類溢油事故導致大量油污進入近海，不僅造成巨大的人力和財物損失，而且在風、浪、流的作用下，還會污染近岸漁業，直接影響近岸的生態環境和人類生產生活。傳統海洋溢油監測主要采用船舶、岸邊監視等方法；近年來，一些發達國家則采用航空及衛星遙感相結合的方法來監測海油污染。以覆蓋面積大、空間分辨率相對較低、處理簡單的衛星數據為基礎，在這些衛星圖像上尋找油污異常區及可疑受污染海域，縮小監測范圍、指導飛機進行確認和數據采集。加拿大環境技術中心對歐美9國在海洋溢油監測中應用遙感技術的調查結果顯示，應用航空遙感平臺的國家達到了100%，而應用衛星遙感平臺的國家為44%［1］。事實上，無論是衛星、載人飛機、無人駕駛飛機等任何載體形式，海洋溢油監測均通過基于傳感器的遙感技術實時獲取數據。目前，有光學傳感器和微波傳感器兩種傳感器在海洋溢油監測中得以采用。光學傳感器，包括可見光傳感器、紅外傳感器、紫外傳感器等。可見光傳感器是一種較為經濟和實用的數據獲取手段，能夠有效獲取溢油相對位置并對之進行定性描述，但其應用受限于可見光的探測范圍。微波傳感器，包括微波輻射儀、雷達等［2－3］。其中最主要用于溢油和環境探測的是合成孔徑雷達（synthetic aperture radar，SAR）。合成孔徑雷達是一種全天時、全天候、多波段、多極化以及高分辨率微波主動成像傳感器，白晝均能正常成像，極大提高圖像的清晰度和預測的準確性，給海上溢油監測提供幫助。

近年來，國內外學者在SAR海上溢油視頻圖像處理方面做了大量研究。石立堅討論了建立在MODIS和SAR基礎上的監測海面溢油系統，主要包括圖像預處理、圖像分割、特征提取、特征篩選并設計了溢油圖像的神經網絡識別模型［4］。馬騰波和王思遠提出一種基于邊緣檢測的快速溢油信息提取方法，首先對溢油圖像進行ROA（radio of average）比率邊緣檢測，根據檢測結果進行AOI（area of interest）提取，然后使用改進的Weibull-CFAR檢測算法對AOI進行溢油檢測，并與全局恒虛警率CFAR檢測結果進行對比。提出的方法對于非均勻灰度SAR圖像溢油檢測準確性較好、效率較高，適用于大范圍圖像的快速溢油監測［5—6］。劉朋等［7］、馬文廣等［8］采用幾何、灰度特征描述溢油全局特征，紋理特征描述溢油局部特征，利用組合特征并通過神經網絡對溢油和疑似溢油現象進行識別。測試結果表明，組合特征方法的正確識別率高于其他特征獨立使用的情況［7—8］。石立堅等［9］引入紋理特征值作為溢油識別參考量，并利用方差分析對特征參量進行篩選，選擇合適特征值作為神經網絡的輸入向量，所得模型能夠較好地識別溢油現象。楊永生和張宗杰［10］提出改進的最大類間方差分割算法，該算法不僅利用圖像直方圖信息，同時也考慮風場對SAR海面溢油圖像的影響。梁小祎等［11］針對海洋SAR圖像特點，采用基于灰度共生矩陣的紋理分析方法，提出適用于海洋溢油SAR圖像分類的紋理特征量。并討論了紋理特征量的篩選和紋理窗口大小的確定等問題，最后采用人工神經網絡方法驗證了SAR圖象分類效果。Solberg和Brekke［12］提出利用SAR圖像監測溢油的框架：首先通過自適應閾值法檢測圖像中的黑暗區域；然后通過計算得出一組特性指標并建立分類模型，來區分黑暗區域是否存在真實溢油，利用統計模型來優化分類，使之達到較好效果；最后，利用一組圖像來改進和檢測分類模型。Solberg等［13］分析采用SAR圖像設計的半自動溢油區域和虛假溢油區域區分算法，發現該算法的分類失誤主要有3個原因，如溢油區域形狀太過細長，溢油區域和周邊海水對比度不夠清晰，待區分區域和周圍背景環境差異很大等，為設計更好的溢油區域和虛假溢油區分奠定基礎。Solberg和Volden［14］提出利用一系列規則和外部知識來調整待檢測區域為真實溢油區域的概率，并利用這些規則和外部知識設計溢油區域和虛假溢油區域的分類器。

上述研究在SAR海上溢油監測方面取得了一些進展，但該領域尚存在以下問題或缺陷：（1）SAR海洋溢油圖像識別主要依靠人工判讀解譯，效率較低，主觀性較大；（2）涉及到神經網絡的SAR海洋溢油監測中，大多研究僅將注意力放到某一種神經網絡，對多種神經網絡進行對比的分析較少；（3）圖像分類識別僅限于溢油和非溢油，不含圖像中每種目標的具體分類，處理效率低且缺乏全面性。

鑒此，本研究通過圖像預處理（圖像校正和圖像增強）、特征提取和神經網絡識別等方式，對SAR雷達回波信號進行處理，最終實現半自動準確識別溢油區域，能夠明確區分圖像上各類目標，并對多種神經網絡方法進行對比。主要研究內容包括：（1）選擇合適的SAR溢油圖像數據進行預處理，增強圖像對比度；（2）引入灰度共生矩陣，對SAR海洋溢油圖像進行特征值提取；（3）基于圖像特征值，借助多種神經網絡工具，對SAR海洋溢油圖像進行分類，通過分類處理后的圖像對比各種神經網絡工具的優劣。

圖1給出本文的研究過程，主要步驟包含圖像預處理、特征提取以及目標分類。

圖像預處理：主要包含圖像校正和圖像增強。其中，圖像校正是為了消除圖像中的幾何變形和輻射變形，盡量恢復圖像本來面貌，主要包括幾何校正和輻射校正。圖像增強則選用3種常用方法：直方圖均衡、濾波處理和邊緣檢測。直方圖均值主要加強圖像的對比度，濾波處理用于平滑SAR圖像上的噪點，邊緣檢測主要檢測圖像中的邊緣信息。

圖1 基于SAR雷達回波信號的海洋溢油監測研究流程Fig.1 Research flowchart of SAR echo signal based offshore oil spill detection

圖像特征提取：主要包含圖像特征值計算，通過對特征值進行篩選，選取合適有效的特征值，依靠Mat LAB編程進行特征值計算。

目標分類是識別溢油區域關鍵，其目的在于區分溢油圖像中的各類目標。本文試圖分類土地、海洋和溢油3類目標，選取適合于非線性分類的神經網絡方法進行圖像分類。主要包括在Mat LAB軟件中對神經網絡進行訓練，再利用已訓練的神經網絡對溢油區域進行識別，最后通過圖像對不同神經網絡識別效果比較。

2 SAR海洋溢油圖像預處理

2.1 圖像校正

由于遙感器成像幾何位置、姿態角變化及地形起伏的影響，成像得到SAR圖像通常會包含一定程度的變形。另外，SAR軌道和觀測角度變化導致成像幾何改變也會引起同一地面觀測單元后向散射觀測值的較大改變。所以，必須對SAR圖像進行校正處理，以消除圖像中的幾何變形和輻射變形。校正過程將原始圖像的像素重新定位到某一特定的參考網格，主要工作包含：（1）在遙感圖像和地形圖上分別選擇控制點，以建立圖像與地圖之間的投影關系，建立整體映射函數；（2）根據圖像的幾何畸變性質及地面控制點的多少來建立起圖像與地圖之間的整體映射函數；（3）根據確定的校正公式，對輸入圖像的數據進行采樣內插，重新排列。

詳細圖像校正過程可見文獻［13］。通常，從遙感獲取圖像灰度與目標物光譜反射率或光譜輻射亮度等物理量是不一致的，因為遙感器測量值中包含太陽位置及角度條件、薄霧及靄等大氣條件所引起的失真。消除圖像數據中依附在輻射亮度中各種失真就是輻射校正，其結果會改變圖像的色調和色彩［13］。

2.2 圖像增強

經過圖像校正后的SAR海洋溢油圖像，畫面上已較接近其本來面貌，但還無法直接用于監測溢油。此時，圖像對比度不夠，特征也不明顯，邊緣模糊，噪點較多，需對該溢油圖像進行增強，使其各部分具有識別性，圖像特征更為明顯。本研究采用的圖像增強方法包括直方圖均衡、邊緣檢測和濾波處理。

2.2.1 直方圖均衡

灰度直方圖是圖像中灰度級的函數（橫坐標為灰度級，縱坐標是某一灰度級在圖像中出現的頻率）。直方圖均衡化指圖像處理領域中利用圖像直方圖對比度進行調整的方法，試圖使圖像在每一個灰度級上具有相同的像素值。直方圖均衡化通常用來增加圖像的全局對比度，尤其是當圖像有用數據對比度相當接近時［15］。對SAR圖像進行直方圖均衡后，圖像對比度會顯著提高，灰度分布也趨于均勻。但由于圖像灰度級個數有限，均衡化后圖像直方圖并不會是理論上的直線。

2.2.2 邊緣檢測

本文選取Canny算子檢測邊緣，該算子的梯度是用高斯濾波器的導數計算，通過尋找圖像梯度的局部最大值來檢測邊緣［13］。

對SAR海洋溢油圖像進行Canny邊緣檢測的結果如圖2，可清晰地看到圖像檢測的邊緣。

2.2.3 濾波處理

SAR圖像中通常存在斑點噪聲，嚴重干擾地物信息提取與SAR圖像應用，噪聲嚴重時甚至導致地物特征消失。因此，采用濾波，抑制SAR圖像斑點噪聲對SAR圖像應用有著重要意義。常用濾波方法有均值濾波、中值濾波和Lee濾波［14］。均值濾波是典型線性濾波算法，將每一像素點的灰度值設置為該點某鄰域窗口內所有像素點灰度值均值。中值濾波法將每一像素點的灰度值設置為該點某鄰域窗口內的所有像素點灰度值的中值。Lee濾波則屬于局域自適應濾波，在圖像上取一個滑動濾波窗口，將窗口內所有像素作為濾波器輸入值，統計其局域特征（如均值和方差）作為依據進行濾波處理，所得結果作為濾波窗口中心像素的濾波值。

本文選取定量評價來判斷濾波方法對SAR海洋溢油圖像處理的優劣，引入以下指標：

圖2 SAR海洋溢油圖像進行Canny邊緣檢測的狀況Fig.2 SAR images with Canny edge detection method

（1）平滑指數：指某區域內像素點灰度均值和其標準差的比值。平滑指數越高，說明濾波器對于圖像的平滑能力越強。計算公式為：

式中，P（i，j）為圖像（i，j）處的灰度值。

（3）邊緣保持指數：表示濾波器對邊緣銳度及細微特征的保護程度。邊緣保持指數越大，濾波器對邊緣的保護程度越好。計算公式為：

式中，N（i，j）是濾波處理后圖像（i，j）點的灰度值，M（i，j）是濾波處理前圖像（i，j）點的灰度值。

根據式（1）～（3）和具體SAR溢油圖像，選用3× 3窗口，可得各濾波處理評價值如表1所示：

由表1可看出，經過濾波處理后的圖像平滑指數都有所提高，說明濾波器對于SAR海洋溢油圖像有較強的平滑能力。但均值濾波對于邊緣特征的保持能力很低，中值濾波對邊緣的保持指數也不高。只有Lee濾波對原圖的邊緣特征起到了較好的保持作用。綜合評價數據，本研究采用Lee濾波來進行之后的圖像處理。

表1 濾波處理效果評價指標Tab.1 Evaluation indices after filter processing

3 SAR圖像特征提取

合成孔徑雷達成像過程是從回波信號提取地表的雷達后向散射系數，圖像反映被測地域對微波的散射特征。SAR海洋溢油監測技術主要采用圖像灰度統計特征（包括幅度特征、直方圖特征、統計特征等）和紋理特征［15］。紋理指圖像某個區域的粗糙程度或一致性，和表面粗糙度有關。圖像紋理隨著雷達系統的波長、分辨率和入射角而變化，也會隨著它的組成成分和背景特征的排列狀態而變化［15］。

SAR圖像中不同目標（如海洋、溢油、土地）的區別，往往不在于灰度大小，而在于紋理差別。因此，在SAR特征值選取方面，通常采用紋理特征值進行圖像處理，尤其適用于目標分類。SAR圖像紋理特征主要包含方向差分特征、灰度共現特征及小波紋理能量特征［15］。其中，灰度共生矩陣方法作為一種重要的紋理方法，常運用到圖像的紋理分析中，在SAR圖像處理應用最多。圖像的灰度共生矩陣描述以一定距離和一定角度分開的兩個像元，灰度值分別為i和j的概率。Haralick曾經提出14種由灰度共生矩陣計算出來的統計量［16］，經過大量實驗，認為以下5種統計量對于圖像的描述效果最好。

在灰度共生矩陣中，角二階矩、熵、慣性矩、局部相似性和相關性的效果為最佳，但實際操作中，相關性由于其計算的局限性（須保證計算公式中分母不為0），難以廣泛運用。另外，在SAR海洋溢油圖像中，溢油區域顏色較深，灰度也是判斷目標的一個關鍵因素。因此，本文選取角二階矩、熵、慣性矩、局部相似性和平均灰度作為分類標準。

4 SAR溢油圖像神經網絡識別及實現

本研究采用的SAR圖像來自于1992年希臘油輪愛琴海號溢油事件。圖像由ERS-1在西班牙海灣地區拍攝（圖3）。通過人工預讀，選取具有代表性的溢油區域、土地區域、海水區域共3張子圖像作為訓練樣本，大小均為90×90像素。

3)商品的交易功能如圖3，在圖1圖2中都有加入購物車的功能，而在圖3你可以點擊購買，或者是清除購物車等操作。

圖3 溢油子圖像（A），海水子圖像（B）和土地子圖像（C）Fig.3 Oil Spill sub-image（A），sea sub-image（B）and land sub-image（C）

本研究主要選用Lee濾波進行圖像預處理，此過程由Matlab編程完成。主要步驟包括（以溢油區域90×90的圖像為例）：

（1）在圖像中依次截取15×15的窗口（窗口之間無重合），共6×6＝36個子集。窗口之間完全獨立可保證訓練樣本之間獨立，使訓練效果更佳；

（2）對每個子集計算灰度共生矩陣（本文選取的灰度等級為24，原因在于：在計算中發現，當灰度級為8、16時圖像特征產生較大偏差，而灰度級為36時計算量過大，因此設為24較為合理）；

（3）對于灰度共生矩陣，分別根據函數求出：角二階矩、熵、慣性矩、局部相似性和平均灰度。為提高神經網絡處理的速度和準確度，對該5個特征值進行歸一化處理。

4.1 SAR圖像神經網絡的建立

考慮SAR對海洋溢油圖像中目標分類的需要，本研究主要考察BP和RBF兩種神經網絡的效果。為了使神經網絡能夠準確地輸出目標，達到訓練效果，首先對每種目標進行種類賦值，作為輸出值：溢油區域賦值為1，海洋區域賦值為2，土地區域賦值為3。即輸入值為5維向量（角二階矩、熵、慣性矩、局部相似性和平均灰度），輸出值為1維向量。通過計算，得到3組輸入向量，每一組包含36個5維輸入值，輸入矩陣大小為5×108，輸出矩陣大小為1× 108。

（1）BP神經網絡

本研究首先考察兩層BP神經網絡。需要注意，隱含層神經元的個數將影響到輸出效果，當節點過少時，神經元訓練速度較慢且不準確；當節點過多時，在后續仿真處理中計算速度減慢。為選取合適的神經元，筆者通過建立含有不同隱含節點個數的神經網絡，觀察訓練效果見表2：

表2 BP神經網絡訓練效果對比Tab.2 Contrast of the training results of BP neural network

由表2可以發現，當隱含層神經元個數為9時，訓練速度明顯快于神經元個數為其他值。因此，本研究建立輸入層節點為5，隱含層節點為9，輸出層節點為1的BP神經網絡，誤差目標為0.001，其他參數選取Matlab默認值：

其中，input為5×108的輸入向量。

建立神經網絡后，用108組數據進行訓練，到誤差為0.001時系統停止訓練，圖4給出了該BP神經網絡訓練及誤差變化過程。訓練函數如下：

其中，T為1×108的輸出向量。

（2）RBF神經網絡

對于兩層的RBF神經網絡，筆者發現當SPREAD為0.2時效果最佳；GOAL選取與BP神經網絡相同，誤差為0.001；M為35；N為1。在Mat Lab建立神經網絡：

通過訓練發現，當隱含層神經元個數為35時，誤差小于0.001，為0.000 8（見圖5），達到訓練效果。

4.2 SAR圖像的神經網絡仿真和目標識別

本文選取溢油原始圖像（見圖6a）作為仿真輸入：在圖像上選取所有不完全相同的15×15的窗口，計算其灰度共生矩陣和5個特征值。將每個窗口的特征值進行歸一化處理，然后作為輸入向量用神經網絡進行仿真，判斷其類別（溢油，海水，土地），并對這個15×15窗口的中心像素進行灰度賦值：若為溢油區域，賦值灰度為0；若為海水區域，賦值灰度為100；若為土地區域，賦值灰度為200。最后，輸出賦值完畢的圖像。

圖4 BP神經網絡訓練及誤差變化Fig.4 BP neural network training process and the change of error

BP和RBF神經網絡的仿真函數均為：A＝sim（net_1，B），A為輸出向量，B為輸入向量。

但BP和RBF神經網絡又存在本質不同。BP神經網絡的輸出結果并非只有訓練時的3種（1，2，3），而是接近1，2，3的浮點數，因此，需要對輸出結果進行人工分類。而RBF神經網絡只存在3種（1，2，3）輸出結果，無需進一步分類，方法更為簡單。

4.3 數值結果與分析

圖5 RBF神經網絡訓練過程中的誤差變化Fig.5 The change of error in the RBF neural network training process

圖6a明顯看到圖中黑色區域的溢油區。右下角較亮，紋理較粗，有明顯地形起伏的是土地，左上方較亮但比較光滑的是海水。同時也發現，海水和溢油區域的邊界非常模糊。圖6b給出經過BP神經網絡識別后的SAR海洋溢油圖像。由于通過分類和賦值，圖中溢油、海水和土地之間的分界線已相當明顯。但可以發現，在本來海水區域有不少像素點被判定為土地，而土地區域也有像素點被判定為海水，說明神經網絡產生誤差。圖6c為經過RBF神經網絡識別后的SAR海洋溢油，3類目標具有較明顯的分界點。同樣，在本來海水區域有不少像素點被判定為土地，土地區域也有像素點被判定為海水，說明神經網絡產生誤差，但RBF神經網絡中誤差明顯少于BP神經網絡。

通過上述分析，可得出結論：BP神經網絡和RBF神經網絡對于SAR海洋溢油圖像都有較強的分類效果，其中，RBF神經網絡的效果優于BP神經網絡。

圖6 原始及各類神經網絡處理后的SAR海洋溢油圖像Fig.6 Initial SAR oil Spill image and images after BP＆RBF neural network processing

通過以上分析發現，溢油區域識別都較為清楚，但海水區域和土地區域容易混淆。推測主要是由于海水區和土地區的亮度較大，特征值差異并不明顯，所以導致分類時產生誤差。BP神經網絡和RBF神經網絡得出結果的差異性，主要來自于兩者在分類中采取不同原理。BP神經網絡試圖尋找類與類之間的差異，建立一個超平面（hyper-plane），將類與類隔開，起到分類效果。但這種平面設立往往是研究者根據自身常識和分析主觀建立，并不能保證建立的臨界值一定正確。如本實驗中BP網絡的輸出值，被人為地歸并到其最接近的整數，但該方法不一定絕對正確。相反，在RBF神經網絡進行分類是尋找同類之間的相似點，然后將同類別的用核函數（kernel function）自動歸類，不需人為介入，很多時候能實現比BP神經網絡更小的誤差。

如前所述，盡管本實驗結果的RBF神經網絡更優，不能說明它完全優于BP神經網絡。這主要是由于RBF神經網絡隱含層的節點（35）遠遠多于BP神經網絡（9）。在仿真時，RBF神經網絡的處理速度明顯慢于BP神經網絡。因此，在處理海量且誤差要求不高時，BP神經網絡處理溢油圖像效果會更優。

5 結論和建議

通過對SAR海洋溢油圖像的處理和分析，本文得出以下結論：

（1）在SAR圖像處理中，預處理是必要且關鍵的，沒有合適和正確的預處理會導致后期處理誤差非常大，該步驟必要且需要謹慎對待。

（2）SAR圖像的特征值在識別溢油中非常重要，也是SAR圖像優于其他圖像的重要特點。SAR圖像能夠提取豐富的特征值信息，不僅對目標分類有用，還可運用到其他圖像處理中。

（3）神經網絡能夠對SAR海洋溢油圖像的溢油、海水、土地3類目標進行明確分類，效果較好。總體來說，神經網絡是一種有效的研究工具，且近年來有越來越多的商用軟件具備該功能，使用者可以更便捷地使用神經網絡工具，過程直觀且人性化。

（4）在對SAR圖像溢油識別中，RBF神經網絡的效果要優于BP神經網絡。但在數據量很大時，BP神經網絡仍應該被考慮。

通過上述研究，作者對于SAR海洋溢油監測建議如下：

（1）在SAR圖像處理中，選用合適的圖像非常關鍵。亮度不均，噪點太多的圖像都會導致最后處理結果不甚理想。

（2）近年來，由于SAR數據采集技術的更新，能夠得出清晰度更高的圖像，也能更直觀地區分溢油和非溢油區域。與此同時，這些圖像由于畫面過大，通常由多幅圖片拼湊而成。考慮到SAR在移動中拍攝圖片，形成完整圖像亮度不均，增加了處理難度，希望能夠有更好的圖像處理方法來解決該問題。

（3）由于SAR圖像成像受到衛星自身特點的影響，且預處理不同也會導致圖像效果差異，在不同條件下，分類神經網絡無法完全通用。如果能夠將影響其結果的因素當作輸入值之一（或反饋），或許能夠解決這一問題，該方面研究還有待進一步深入。

［1］劉彥呈，任光，殷佩海.海上溢油應急反應基于GIS的模擬訓練系統研究［J］.系統仿真學報，2005，16（11）：2445－2450.

［2］熊文成，吳傳慶，魏斌，等.SAR圖像在韓國溢油監測中的應用［J］.遙感技術與應用，2008，23（4）：410－413.

［3］安居白.航空遙感探測海上溢油的技術［J］.交通環保，2002，23（1）：24－26.

［4］石立堅.SAR及MODIS數據海面溢油監測方法研究［D］.青島：中國海洋大學，2008.

［5］馬騰波，王思遠.基于邊緣分析的海面溢油檢測［J］.遙感學報，2009，13（6）：1087－1091.

［6］鄒亞榮，梁超，陳江麟，等.基于SAR的海上溢油監測最佳探測參數分析［J］.海洋學報，2011，33（1）：36－44.

［7］劉朋，趙朝方，石立堅.基于SAR圖像組合特征的海面溢油識別［C］／／第六屆全國信息獲取與處理學術會議論文集，2008.

［8］馬廣文，趙朝方，石立堅.星載SAR監測海洋溢油污染的初步研究［J］.海洋湖沼通報，2008（2）：53－60.

［9］石立堅，趙朝方，劉朋.基于紋理分析和人工神經網絡的SAR圖像中海面溢油識別方法［J］.中國海洋大學學報，2009，39（6）：1269－1274.

［10］楊永生，張宗杰.一種適合于大面積的SAR海面溢油圖像分割方法［J］.海洋環境科學，2010，29（6）：914－916.

［11］梁小祎，張杰，孟俊敏.溢油SAR圖像分類中的紋理特征選擇［J］.海洋科學進展，2007，25（3）：346－354.

［12］Solberg A H S，Brekke C.Oil spill detection in northern European waters：Approaches and algorithms［M］／／Barale V，Gade M.Remote Sensing of the European Seas.Netherlands：Springer，2008：359－370.

［13］Salberg A B，Rudjord O，Solberg A H S.Model based oil spill detection using polarimetric SAR［C］／／IEEE International Geoscience and Remote Sensing Symposium（IGARSS）.Munich：IEEE，2012：5884－5887.

［14］Solberg A H S，Volden E.Incorporation of prior knowledge in automatic classification of oil spills in ERSSAR images［C］／／IEEE International Geoscience and Remote Sensing Symposium（IGARSS），1997：157－159.

［15］Lu C S，Chung P C，Chen C F.Unsupervised texture segmentation via wavelet transform［J］.Pattern Recognition，1997，30（5）：729－742.

［16］Haralick R M.Statistical and structural approaches to texture［J］.Proceedings of the IEEE，1979，67（5）：786－804.

Research on offshore petroleum oil spilling detection using SAR echo signal

Sun Jian1，2，Xu Ya2，Chen Fangxi3，Peng Zhongren2，4

（1.State Key Laboratory of Ocean Engineering，Shanghai Jiao Tong University，Shanghai 200240，China；2.Department of Transportation and Logistics Engineering，School of Naval Architecture，Ocean and Civil Engineering，Shanghai Jiao Tong University，Shanghai 200240，China；3.Alumni Association，Shanghai Jiao Tong University，Shanghai 200240，China；4.Department of Urban and Regional Planning，University of Florida，Gainesville 32601，USA）

Oil spilling is one of the major sources for in marine pollutions，which are widely distributed and can bring cause terrible significant environmental damages.In recent years，due to the increase in offshore human activities and development of petroleum processing industries，oil spill accidents are also increasing，which are mostly caused by well blowouts，explosions of drilling platforms and ship collisions.Therefore，monitoring oil spilling has important significance in both economical and social aspects.As an all-weather high-resolution active microwave imaging sensor，Synthetic Aperture Radar（SAR）can greatly improve the resolution of images and the accuracy of forecasts，and thus takes an important role in oil spill monitoring.This paper aims to realize the semi-automatic identification of various targets on SAR images.We have conducted a convincing contrast of different neural networks，using Matlab as the tool through image preprocessing（image correction and enhancement），feature extraction and neural network recognition.First，oil spilli images are preliminarily manually identified，followed by image preprocessing（such as geometric correction，filtering，etc.）and feature extraction based on gray level co-occurrence matrix.Then，two types of neural networks，namely RBF and BP，are introduced to classify the oil spill area and other suspected areas.Finally，the processed images are analyzed，indicating the capability in classifying oil，sea water，and land targets.The results reveal that the outputs from the RBF neural network are more accurate compared to those from the BP neural network.

synthetic aperture radar；SAR；offshore oil spill；image classification；neural network

TN958；X834

A

0253-4193（2014）09-0097-09

孫健，胥亞，陳方璽，等.基于合成孔徑雷達回波信號的海洋溢油監測方法研究［J］.海洋學報，2014，36（9）：103—111，

10.3969／j.issn.0253-4193.2014.09.012

Sun Jian，Xu Ya，Chen Fangxi，et al.Research on offshore petroleum oil spilling detection using SAR echo signal［J］.Acta Oceanologica Sinica（in Chinese），2014，36（9）：103—111，doi：10.3969／j.issn.0253-4193.2014.09.012

2013-09-13；

2013-11-26。

海洋赤潮災害立體監測技術與應用國家海洋局重點實驗室開放基金（MATHAB201306）；上海交大海洋工程國家重點實驗室青年創新基金（GKZD010059－29）。

孫健（1977—），男，安徽省蕪湖市人，博士，研究員，從事海洋環境監測技術及GIS應用工作。E-mail：danielsun＠sjtu.edu.cn