便携式机载海上溢油遥感监测系统

摘要

本发明的便携式机载海上溢油遥感监测系统涉及海洋污染监测领域，该系统包括红外/紫外/多光谱数字相机、中央控制及显示系统、数据管理及图像处理操作软件系统；中央控制及显示系统负责记录红外/紫外/多光谱数字相机所获取的图像信息，并与电子海图叠加，便于在线或离线航迹回放，装在中央控制及显示系统的便携式工控机里的数据管理及图像处理操作软件系统负责读取图像信息并在线识别溢油，在线计算污染面积和在线识别厚的油膜。本发明有益效果是：该便携式机载海上溢油遥感监测系统可方便的装备在各种海巡飞机上，不需要飞机提供电源；当海上溢油事故发生时，该系统能实时跟踪海上溢油，估算溢油量及污染面积并对溢油清除效果进行评估。

说明书

技术领域

本发明涉及海洋污染监测技术领域，尤其涉及一种便携式机载海上溢油遥感监测系统。

背景技术

国际上机载海上溢油遥感监测系统产品有美国的AIREYE(红外/可见光)、瑞典的海洋监视监测系统MSS等，最著名的要属瑞典宇航公司的MSS5000。目前，西班牙、瑞典、西腊、荷兰、芬兰、美国等很多发达国家都装备了MSS5000。

国外在机载海上溢油遥感监测方面的专利有：机载红外/紫外溢油遥感探测器(美国)，专利号：5461236；监测和测量溢油方法和仪器(美国)，专利号：7009550。大量的文献表明国外机载海上溢油遥感监测技术由两大部分组成：机载溢油遥感探测器(硬件)和机载溢油遥感监测和测量方法(算法和软件)。在实时识别海面溢油和确切地区分油膜和疑似油膜这一难题上国外都采用机载多遥感器集成技术和多遥感器信息融合技术。如瑞典MSS5000系统是红外、紫外、可见光、侧视雷达和激光诱导荧光等多项遥感技术集成在一起。总之，国外机载海上溢油遥感监测系统集成性强，能够实现全天候全气象、大范围的海上溢油主动监测。国外机载系统产品是软硬件捆绑销售。国外机载海上溢油监测系统产品硬件比较先进，但软件方面的不足之处是实时信息处理的能力弱，特别是实时识别海上溢油、识别较厚的油膜及计算污染面积方面。

发明内容

本发明的目的是提供一种便携式机载海上溢油遥感监测系统，能够实时识别海上溢油、识别较厚的油膜及计算污染面积方面。

为了达到上述目的，本发明的技术方案如下：

本发明的便携式机载海上溢油遥感监测系统主要由红外/紫外/多光谱数字相机、中央控制及显示系统、数据管理及图像处理操作软件系统组成，所述红外/紫外/多光谱数字相机用于分别获取被监测海面的红外/紫外/多光谱的数字图像信息；所述中央控制及显示系统由便携式工控机、GPS、GIS(地理信息系统)及图像采集操作软件系统组成，用于实现海上溢油遥感监测图像显示，海上溢油遥感监测图像(多光谱数字相机图像、红外图像、紫外图像)的存储，海上溢油监测遥感图像与电子海图的叠加，海上溢油监测遥感图像的回放，巡航日志，溢油图像档案管理，航迹的定时记录，单传感器的单张采集与连续采集，多传感器的轮流采集，视频信息的记录，在线航迹回放；所述数据管理及图像处理操作软件系统安装在中央控制及显示系统的便携式工控机内，用于读取海上溢油遥感监测图像信息并完成在线识别溢油、在线计算污染面积和在线识别厚的油膜。

本发明采用红外遥感、紫外遥感、多光谱遥感监测海上溢油，其原理如下：

红外遥感：利用溢油与海水之间的热辐射特征差异，在红外图像上的亮温灰度值具有明显的不同，经过数字图像处理，扩大这些环境参量与海水的差别，达到监测的目的。红外遥感技术的缺点是不能区分水生植物、溢油、海冰。但红外遥感器的价格越来越低，其重量也越来越轻，无需对飞机进行改造，是目前世界各国采用最多的海洋溢油探测工具。

紫外遥感：与海水相比，由于油膜对紫外辐射的反射很高，因此可以利用紫外遥感器的成像区分溢油和海水，即使油膜厚度小于0.05μm也可以利用紫外遥感器的成像来区分油膜和海水。紫外遥感器的缺点是它不能区分水生植物、水下的海草与水上的溢油。

多光谱遥感：与海水、赤潮、海冰、溶解的有机物、海滩沙子、石头、污水、水上(中)植物等相比油膜对阳光的反射敏感波段是在波长420nm、480nm及520nm。由于其它物质与溢油的反射敏感波段具有明显的不同，因此它可以确定的区分溢油与其它物质。

本发明的有益效果是：该便携式机载海上溢油遥感监测系统可方便的装备在各种海巡飞机上，不需要飞机提供电源；当海上溢油事故发生时，该系统能实时跟踪海上溢油，估算溢油量及污染面积并对溢油清除效果进行评估。

附图说明

图1是本发明的PCA&BP方法建模的结构示意图。

图2是本发明的遥感监测溢油面积智能算法流程图。

具体实施方式

下面结合附图对本发明做进一步详细地描述：

本发明的便携式机载海上溢油遥感监测系统采用PCA&BP(主分量分析与BP网络相结合)方法建模，进行海上溢油的识别，其识别算法如下：

1、PCA对溢油的识别建模

1.1、PCA算法

主分量分析的主要过程分为特征选择过程和特征提取过程。在特征选择过程中，主要将输入空间映射到输出空间，从而获得输入的特征，即输入的主分量；而特征提取过程也就是降维过程，在该过程中选取主要的特征而舍去其它特征分量。

(1)特征选择过程：该过程的目的是实现从输入空间到特征空间的映射，为第二步的特征提取打下基础。因此，这个过程的关键就是选取特征向量并获得输入在所有特征上的投影，使得这些投影能够满足在特征提取中均方误差最小的要求，而这些投影就是输入的主分量。

对于给定的已知概率分布函数{X}的m维随机矢量X＝[x₁，x₂，Λ，x_m]^T，设其均值E[X]为0。(在X的均值不为零时，可以令x′＝X-E[X]，而得到。)

而协方差C_X为

由于E[X]＝0，所以协方差矩阵即为自相关矩阵：

计算C_X的特征值λ₁，λ₂，Λ，λ_m和对应的归一化特征向量U₁，U₂，Λ，U_m；

C_XU_i＝λ_iU_i      i＝1，2，Λ，m          (3)

其中，U_i＝[u_i1，u_i2，Λ，u_in]^T。理论上已证明，特征向量U₁，U₂，Λ，U_m就是满足条件的输入的特征。不妨设特征值λ₁≥λ₂≥Λλ_m，则$y_i=U_i^{T}X(i=\mathrm{1,2},\mathrm{\Lambda m})$就是输入对特征向量的投影，即为X的第i个分量。用矩阵表示如下：

Y＝U^TX                                 (4)

其中，特征向量矩阵U＝[U₁，U₂，Λ U_m]满足UU^T＝E，而Y＝[y₁，y₂，Λ，y_m]^T。因此，通过特征向量矩阵U将输入的n维向量Y，Y的某一分量y_i为输入X的第i个主分量。

根据Y＝U^TX，用特征向量的线性组合可以重构得到X，如下式

$X=\mathrm{UY}=\underset{i=1}{\overset{m}{\Sigma }}{U}_i{y}_i---\left(5\right)$

也就是根据所有主分量可以恢复出原先的输入向量X，完成了从特征空间到输入空间的变换。

(2)特征提取过程：通过特征选择获取了所有的主分量，而在特征提取过程中，则选取主要的特征而舍弃次要的，从而达到降维的目的。为此对向量Y进行分析均值，对Y的均值E[Y]，有：

因此，自协方差矩阵CY也就是Y的自相关矩阵：

由于U为X的特征向量矩阵，所以有

$C_Y=\left(\begin{array}{c}{\lambda }_1,0,\mathrm{\Lambda \Lambda },0\\ 0,{\lambda }_2,\mathrm{\Lambda \Lambda },0\\ M\\ \mathrm{0,0},\mathrm{\Lambda \Lambda },{\lambda }_m\end{array}\right)---\left(8\right)$

由上式可看出自协方差矩阵C_Y取决于输入X的自协方差矩阵。在对Y进行截断时，要保证截断是均方误差意义下最优，可以根据决定主分量的特征向量所对应的特征值λ₁，λ₂，Λ，λ_m(λ₁≥λ₂≥Λ λ_m，)进行截断。特征向量所对应的特征值越大，它在重构时的贡献就越小。所以对那些特征值很小的特征向量，可以忽略。考虑λ₁，λ₂，Λ，λ_m中前L个(1≤L≤m)最大的特征值，X用这些特征向量决定的主分量来重构时，满足最小均方误差准则，重构的估计值为

$\hat{X}=\underset{i=1}{\overset{L}{\Sigma }}{U}_i{y}_i---\left(9\right)$

其均方差

$e_L=E\left[{(X-\hat{X})}^2\right]=\underset{i=L+1}{\overset{m}{\Sigma }}{\lambda }_i---\left(10\right)$

从上式可以看出，当C_X的前L各最大特征值较大时，均方差达到最小。根据矩阵理论有$\underset{i=1}{\overset{m}{\Sigma }}{\lambda }_i=\underset{i=1}{\overset{m}{\Sigma }}{c}_{\mathrm{ii}}$，式中c_ii是C_X矩阵对角线元素，定义方差贡献率：

当方差贡献率足够大(如达到70％、80％或90％等)，即可将前L个特征向量u₁，u₂，Λ，u₁构成的空间作为低维投影空间(L<<m)，从而完成降维的处理。

1.2、PCA算法的识别过程：

数据输入到主分量分析网络中，并且输出向量在第一和第二个主分量作为横坐标和纵坐标建立平面坐标，第一和第二主分量分别代表了整个一组数据特征中的79.765％和9.0007％，那么不同的溢油样本占据着平面的不同区域，从而达到了分类识别的作用。与比较点对点的两个不同油光谱的识别方法相比较，主分量分析神经网络方法具有更强大的识别一组数据样本的能力。它是一种无监督模式的识别方法，需要翻译。所以在进行识别的时候应利用已知种类的溢油样本标示平面上的各个区域，在平面上十分靠近已知溢油样本的样本就可以被视作同一种类的溢油样本。

在主分量分析神经网络法中，输入的光谱数据对于效率来说扮演了一个极其重要的角色。如果输入的数据并不适合已经分好的类型的话，整个计算过程必须重新进行一次。另一方面，我们必须首先明确各个已知油的光谱在特征关系图中的范围，然后观察目标光谱处于的位置，从而判定它的种类。

2、BP神经网络建模

2.1、BP网络中样本集定义如下：

输入矢量Ib，输出矢量Ob，目标矢量为Tb。

其中，输入矢量I定义为采集到的光谱样本训练数据。目标矢量Tb定义为：

Tb＝[1 2 3 4 5 6 7 8]；

表1：BP网络的目标物质与理论输出值对照表

 

目标物质丙酮柴油机油酒精汽油润滑油色拉油海水理论输出值12345678

如果实际输出值为0.998≈1，则判断此种物质为丙酮；如果实际输出值为6.027≈6，则判断此种物质为润滑油。

对于每一组目标值(如酒精4)，若在Tb中定义有1个4，则在输入矢量P中应该有1个光谱样本向量对应Tb中该目标值4；若在Tb中定义有5个4，则在输入矢量P中应该也有5个光谱样本向量对应Tb中该目标值4。向量P与Tb是一一对应的关系，当然Tb中的目标值可能多次重复，实践证明这样虽然增加了网络训练的任务量，却能够大大提高网络的性能和分类的准确性。

2.2、BP网络结构设计：

输入层：

输入层为X个神经元，输入数据I为X×n的矩阵，列向量对应于每个输入训练样本矢量，n代表训练光谱样本的数目。

输出层：

BP网络的输出层设为1个神经元，其输出值为1-8中的一个值，这样就可对应事先设定的几种物质。

隐含层：

由于B-P网络的隐含单元的输入和输出之间是单调上升的非线性函数，它的输出是一个软函数，因此比感知器要求的隐含单元数少。但是隐含层神经元的个数也同样没有很好的解析式。如果隐含单元数目太少，系统性能不理想；隐含单元数目太大，不仅学习时间过长，系统变得庞大复杂，且误差也不一定是最佳的。因此必然存在一个最佳的隐含单元数。为了能找到这个最佳数目，使用相同的输入、输出神经元数目，不同的隐层神经元数目，相同的光谱训练样本进行测试。参照经验选取方法，即隐含层神经元的初始数目可取输入和输出节点数目的算术平均值或几何平均数。

2.3、BP网络的学习训练算法：

第1步设置变量和参量：

X_k＝[x_k1，x_k2，Λ，x_kM]，(k＝1，2，Λ，N)为输入的溢油光谱向量或称训练光谱样本，N为训练光谱样本的个数。

$W_{\mathrm{MI}}\left(n\right)=\left(\begin{array}{c}{w}_{11}\left(n\right),w_{12}\left(n\right),\Lambda w_{1I}\left(n\right)\\ w_{21}\left(n\right),w_{22}\left(n\right),\Lambda w_{2I}\left(n\right)\\ M\\ w_{M1}\left(n\right),w_{M2}\left(n\right)\Lambda w_{\mathrm{MI}}\left(n\right)\end{array}\right)|$为第n次迭代时输入层与隐层I之间的权值向量。

$W_{\mathrm{IJ}}\left(n\right)=\left(\begin{array}{c}{w}_{11}\left(n\right),w_{12}\left(n\right),\Lambda w_{1J}\left(n\right)\\ w_{21}\left(n\right),w_{22}\left(n\right),\Lambda w_{2J}\left(n\right)\\ M\\ w_{I1}\left(n\right),w_{I2}\left(n\right)\Lambda w_{\mathrm{IJ}}\left(n\right)\end{array}\right)$为第n次迭代时隐层I与隐层J之间的权值向量。

$W_{\mathrm{JP}}\left(n\right)=\left(\begin{array}{c}{w}_{11}\left(n\right),w_{12}\left(n\right),\Lambda w_{1P}\left(n\right)\\ w_{21}\left(n\right),w_{22}\left(n\right),\Lambda w_{2P}\left(n\right)\\ M\\ w_{J1}\left(n\right),w_{J2}\left(n\right)\Lambda w_{\mathrm{JP}}\left(n\right)\end{array}\right)$为第n次迭代时隐层J与输出层之间的权值向量。

Y_k(n)＝[y_k1(n)，y_k2(n)，Λ，y_kP(n)]，(k＝1，2，Λ，N)为第n次迭代时网络的实际输出。

d_k＝[d_k1，d_k2，Λ，d_kP]，(k＝1，2，Λ，N)为设定的一维向量，元素代表不同油的种类，它为期望的输出。η为学习速率；n为迭代次数。

第2步初始化，赋给W_MI(0)，W_IJ(0)，W_JP(0)各一个较小的随机非零值。

第3步输入一个光谱样本X_k，n＝0。

第4步对输入的光谱样本X_k，前向计算BP网络每层神经元的输入信号u和输出信号v。其中

$\left(\begin{array}{cc}{v}_p^P\left(n\right)=y_{\mathrm{kp}}\left(n\right),& p=\mathrm{1,2},\Lambda ,P\end{array}\right)---\left(12\right)$

第5步由期望输出d_k和上一步求得的实际输出Y_k(n)计算误差E(n)，判断是否满足要求，若满足转至第8步，不满足转至第6步。

第6步判断n+1是否大于最大迭代次数，若大于转至第8步，若不大于，对输入样本X_k，反向计算每层神经元的局部梯度δ。其中

$\left(\begin{array}{cc}{\delta }_p^P\left(n\right)=y_p\left(n\right)(1-y_p\left(n\right))(d_p\left(n\right)-y_p\left(n\right)),& p=\mathrm{1,2},\Lambda ,P\end{array}\right)---\left(13\right)$

$\left(\begin{array}{cc}{\delta }_j^J\left(n\right)=f\prime \left(u_j^J\left(n\right)\right)\underset{p=1}{\overset{P}{\Sigma }}{\delta }_p^P\left(n\right)w_{\mathrm{jp}}\left(n\right),& j=\mathrm{1,2},\Lambda ,J\end{array}\right)---\left(14\right)$

$\left(\begin{array}{cc}{\delta }_i^I\left(n\right)=f\prime \left(u_i^I\left(n\right)\right)\underset{j=1}{\overset{J}{\Sigma }}{\delta }_j^J\left(n\right)w_{\mathrm{ij}}\left(n\right),& i=\mathrm{1,2},\Lambda ,I\end{array}\right)---\left(15\right)$

第7步按下式计算权值修正量Δw，并修正权值；n＝n+1，转至第4步

${\mathrm{\Delta w}}_{\mathrm{jp}}\left(n\right)=\eta {\delta }_p^P\left(n\right)v_j^J\left(n\right),$$w_{\mathrm{jp}}(n+1)=w_{\mathrm{jp}}\left(n\right)+\Delta w_{\mathrm{jp}}\left(n\right)j=\mathrm{1,2},\Lambda ,J;p=\mathrm{1,2}\Lambda ,P---\left(16\right)$

${\mathrm{\Delta w}}_{\mathrm{ij}}\left(n\right)={\mathrm{\eta \delta }}_j^J\left(n\right)v_i^I\left(n\right),$$w_{\mathrm{ij}}(n+1)=w_{\mathrm{ij}}\left(n\right)+\Delta w_{\mathrm{ij}}\left(n\right)i=\mathrm{1,2},\Lambda ,I:j=\mathrm{1,2}\Lambda ,J---\left(17\right)$

${\mathrm{\Delta w}}_{\mathrm{mi}}\left(n\right)={\mathrm{\eta \delta }}_i^I\left(n\right)x_{\mathrm{km}}\left(n\right)w_{\mathrm{mi}}(n+1)=w_{\mathrm{mi}}\left(n\right)+{\mathrm{\Delta w}}_{\mathrm{mi}\left(n\right)}m=1,2,\Lambda ,M;i=\mathrm{1,2},\Lambda ,I---\left(18\right)$

第8步判断是否学完所有的训练样本，是则结束，否则转至第3步。

3、PCA&BP(主分量分析与BP网络相结合)方法建模

3.1、样本集定义如下：

输入矢量Ipb，输出矢量Opb，目标矢量为Tpb。

其中输入矢量Ipb定义为采集到的光谱样本训练数据。目标矢量Tpb定义为：

Tpb＝[1 2 3 4 5 6 7 8]；

表2：PCA&BP的目标物质与理论输出值对照表

 

目标物质丙酮柴油机油酒精汽油润滑油色拉油海水理论输出值12345678

如果实际输出值为0.998≈1，则判断此种物质为丙酮；如果实际输出值为6.027≈6，则判断此种物质为润滑油。

3.2、PCA&BP方法的结构及原理

如图1所示溢油光谱样本首先经过主分量分析算法，主分量分析算法压缩了X维的光谱数据，压缩后每个X维光谱向量成为8维的光谱向量，这8维就是X位光谱向量的主分量，它们包含着原始数据90％以上的信息，同时数据量被大大的压缩，并突出每个光谱的个性。把压缩后的数据再输入到BP网络进行识别分类。由于数据量大大减小，同时光谱的个性更加鲜明。所以BP网络的识别速度和精度被大大提高，整个过程所花费的时间要比只利用BP网络识别减少很多。

值得注意的是，由于这个方法最后要利用BP神经网络进行识别，且输入向量的维数是8维。这就要求被识别的数据也是8维的溢油光谱数据。这就需要在识别之前，把训练光谱向量和待识别的光谱向量组成一个矩阵，然后把这个矩阵再输入到PCA算法中，不但提取出训练光谱向量的主分量同时也提取出要被识别溢油样本光谱向量的主分量，这样就可以取得8维的待识别溢油样本向量。

图2是本发明的遥感监测溢油面积智能算法流程图，其中，图像特征值的提取如下：

选取图像纹理的4个特征值(熵、角二阶矩、局部平稳和非相似性)和象素的灰度值组成一个5维矢量作为神经网络的输入。

计算图像的纹理特征值时，选择计算窗口越大，估算的局部信息越精确。但是大的窗口将不同纹理性质均匀化，使得分割窗口在边界处的精度较低。通过进一步研究发现，不同分辨率的原始图像需要采用不同的窗口大小，若图像采用15×15的窗口大小，另外分别选择不同的距离d(d＝1，d＝2，d＝3)和不同的方向θ(0°，45°，90°，135°)进行试验，从试验结果看，当d＝2时，水平方向即0°时的效果最好。

确定了计算纹理特征值的各个参数之后，就可以利用灰度共生矩阵方法得到图像的纹理特征值。首先，在图像中分别选取溢油、海水、山地的典型区域用于网络训练，区域大小都为90×90象素。因为计算窗口的大小为15×15，所以在典型区域的图像上移动这个窗口计算出纹理特征值赋给中心像元，然后结合4个特征量和中心像元的灰度值组成5维特征矢量。活动窗口的水平和垂直移动次数都是6次，每一个典型区域为36组数据，3类物质共108组数据组成了一个108×5维矩阵作为神经网络训练的输入。

在仿真图像的特征值提取部分采用相同的方法，只是活动窗口是单个象素移动的，即在仿真图像中每计算完一个像元的纹理特征值，向右或者向下移动一个象素，而不是象在训练图像中那样移动一个窗口大小。这样做的目的是保证仿真图像中几乎每一个像元都能提取出特征并且被分类识别，可以保证分类后图像的分辨率。而在图像的边缘部分有几个象素不能被提取出特征值，也就不能被分类识别。

由于紫外遥感能监测到薄的油膜，而红外遥感图像能监测到较厚的油膜，因此，本发明将红外遥感图像与紫外图像叠加即可识别较厚的油膜，其较厚油膜的分类(面积)计算与海面溢油遥感监测面积的智能算法相同。

本发明的便携式航空遥感监测海上溢油系统可方便的装备在各种海巡飞机上，不需要飞机提供电源。当海上溢油事故发生时，该系统能实时跟踪海上溢油，估算溢油量及污染面积并对溢油清除效果进行评估。全天候遥感实时识别溢油，准确率≥85％；全天候实时探测到海冰、雪上的溢油、海滩上的溢油，准确率≥85％；可探测到的油膜>2μm；可探测到的最小目标径向5m。