一种SAR遥感影像溢油检测识别方法

摘要

本发明提供一种SAR遥感影像溢油检测识别方法，具体过程如下，利用Gamma MAP滤波器对SAR影像滤波，再对其进行Sobel滤波；对Sobel滤波后得到的梯度图，进行分水岭算法实现海陆分割；利用海面区域图像的均值对陆地区域进行填充，再利用C-V算法对填充后的图像进行同质区内的目标区域分割提取；提取目标区域灰度共生矩阵、小波分解的纹理特性、灰度特征及形状特征构建视觉频率直方图，利用训练得到的SVM分类器模型对视觉频率直方图进行分类，从目标区域中剔除疑似溢油区域，实现初次虚警剔除；将初次虚警剔除的结果作为初始标号场，基于所述初始标号场，利用MRF的上下文模型中的特征场，进行进一步的虚警剔除，从而实现SAR遥感影像溢油检测识别方法。

说明书

技术领域

本发明属于图像检测识别技术领域，具体涉及一种SAR遥感影像溢油检测识别方法。

背景技术

图像检测识别是运用非常广泛的技术，在所有涉及图像处理的领域中最终都是要进行图像的检测与识别，它是一个图像处理的体系。其中包含很多方面的图像处理技术，只是为了最终达到检测识别的目地。所以对于图像的检测识别系统往往都是大体流程相似，分别要进行图像预处理、图像分割、目标特征提取、(目标训练检测)分类器训练、目标识别虚警剔除。但是对于每一个系统分支步骤来说可以运用不同的方法达到所预期的图像处理目的。

对于SAR遥感影像溢油检测识别系统来说，往往都是先进行同质区域的提取。在SAR遥感影像中油膜呈现的是比较暗的区域与暗海区域在亮度值上比较相似，在SAR影像受乘性噪声干扰比较严重的情况下，同质区提取变得很难，往往采用Bottom hat operation(底帽操作)提取出SAR影像中的暗区域。并对暗区域进行特征提取进行检测识别，但是这中方法没有排除乘性噪声对于目标的影响往往受到乘性噪声的干扰使得特征提取不够准确导致检测识别结果置信度不高。

发明内容

本发明为了解决乘性噪声带来的干扰，不能够准确检测识别影像中溢油区域的问题，提出了一套比较有效的SAR影像溢油检测识别方法。该方法通过视觉频率直方图更好的表达了油膜目标在SAR影像中呈现的特征，并且在通过视觉频率直方图检测识别，最后加入了上下文特征的MRF模型进一步的进行虚警剔除和溢油区域的检测得到了更加精确的检测识别结果。

本发明方法是通过下述技术方案实现的：

一种SAR遥感影像溢油检测识别方法，其基本实施过程如下：

步骤一、利用Gamma MAP滤波器对SAR影像滤波，再对其进行Sobel滤波；对Sobel滤波后得到的梯度图，进行分水岭算法实现海陆分割；

步骤二、利用海面区域图像的均值对陆地区域进行填充，再利用C-V算法对填充后的图像进行同质区内的目标区域分割提取；

步骤三、提取目标区域灰度共生矩阵、小波分解的纹理特性、灰度特征及形状特征构建视觉频率直方图，利用训练得到的SVM分类器模型对视觉频率直方图进行分类，从目标区域中剔除疑似溢油区域，实现初次虚警剔除；

步骤四、将初次虚警剔除的结果作为初始标号场，基于所述初始标号场，利用MRF的上下文模型中的特征场，进行进一步的虚警剔除，从而实现SAR遥感影像溢油检测识别方法。

本发明中，所述SVM分类器模型采用下述过程获得：

101、利用Gamma MAP滤波器对SAR影像滤波，再对其进行Sobel滤波；对Sobel滤波后得到的梯度图，进行分水岭算法实现海陆分割；

102、利用海面部分图像的均值对陆地区域进行填充，利用C-V算法对填充后的图像进行同质区内的目标区域分割提取；

103、提取目标区域中溢油区域的灰度共生矩阵、小波分解的纹理特性、灰度特征及形状特征形成频率直方图构建词包模型；

104、利用Kmean方法对103所提取的特征进行聚类，然后根据聚类后的每一维特征训练视觉频率直方图，将训练得到的结果作为SVM分类器的输入再去训练得到SVM分类器模型。

有益效果：

本发明方法，通过加入Sobel算子对噪声进行抑制为分水岭算法进行海陆分割创造条件，也为后续的同质区域提取创造好有利的条件；通过C-V算法对候选区域的提取再通过视觉频率直方图很好的对溢油区域进行检测识别，再对检测识别结果进行上下文特征的再确认和进一步的虚警剔除，具有更高的检测识别精度的效果。提取的灰度共生矩阵和小波系数能对油膜表面纹理进行更好的描述，使得视觉频率直方图(即词袋模型)对识别效果产生更好的增益效果。

附图说明

图1为本发明SAR遥感影像溢油检测识别方法的流程图。

具体实施方式

下面结合附图对本发明方法的实施方式做详细说明。

本发明的设计思想为：通过Gamma MAP滤波去除SAR图像中乘性噪声的影响、改进分水岭算法进行同质区提取的大视场分割、C-V(水平集)算法进行海洋中暗区域的提取、通过视觉频率直方图对提取出的暗区域进行虚警剔除、最后再通过上下文信息的MRF(马尔科夫随机场)模型进一步进行上下文信息的虚警剔除完成SAR遥感影像大视场的溢油检测识别。

如图1所示，本发明一种SAR遥感影像溢油检测识别方法，其具体步骤包括：

一、SAR遥感影像滤波阶段，相干斑乘性噪声属于Gamma分布，通过GammaMAP最大后验概率滤波器对SAR遥感影像进行滤波，实现对乘性噪声的抑制。

二、对滤波后的SAR遥感影像进行Sobel滤波，将SAR遥感影像中的目标边缘提取出来，又因为Sobel算子是二阶算子所以对于噪声有抑制作用；为分水岭算法进行分割提供前提条件，避免因噪声产生严重的过分割。

三、对Sobel滤波得到的梯度图，进行分水岭算法的海陆分割拓扑学运算，实现海面与陆地的分离提取出海面部分。

四、截取海面部分图像区域，计算海面部分图像的均值，并将计算得到的均值填充到分割出的陆地部分图像区域完成同质区的提取，在图像上形成只有背景区域(海面区域)和目标区域(包括海面中的油膜区域和疑似油膜区域)。五、设置初始轮廓，并使初始轮廓尽量涵盖全图，一般初始轮廓可以为圆形或是正方形。通过C-V算法约束目标区域(油膜区域和疑似油膜区域)内的能量为正，约束海面区域的能量为负，再利用变分法和偏微分方程描述曲线的驱动力，通过所述驱动力使初始轮廓落在目标区域的边缘处，从而使目标区域(油膜区域和疑似油膜区域)被很好的提取出来。

六、针对目标区域提取特征，主要提取的特征为灰度共生矩阵、小波分解的纹理特征、灰度特征及形状特征作为构建视觉频率直方图。利用训练得到的SVM分类器模型对视觉频率直方图进行分类，从目标区域中剔除疑似溢油区域，实现初次虚警剔除；

灰度共生矩阵是最常用的纹理特征，不仅提供了图像灰度级空间分布的相关信息，而且给出了不同灰度级的相关位置。本发明主要选取了六个统计量:最大概率、相关、对比度、一致性、同质性、熵；所用提取灰度特征有RBIO(目标与背景的均值比)、RBSDI(目标与背景的方差比)、边缘梯度，所提取的形状特征有周长和面积；小波分解可以实现对图像的多分辨率的分析，所以通过Gabor小波分解提取频率响应作为一个底层特征与上面六个统计量、灰度特征、形状特征形成频率直方图构建词包模型。

(1)灰度共生矩阵提取出对于灰度纹理的描述，既是对应目标区域Q中，出现纹理跳变的像素值(z_i,z_j)对应的概率p_ij。对应的公式如下：

p_ij＝g_ij/n(3)

式(3)中，g_ij是出现纹理跳变的一组像素对出现的次数，n是目标区域Q总像素个数。归一化灰度共生矩阵的表达式如下：

$>m_r=\underset{i=1}{\overset{K}{\Sigma }}iP\left(i\right)--\left(4\right)$>

$>m_c=\underset{j=1}{\overset{K}{\Sigma }}jP\left(j\right)---\left(5\right)$>

$>{\sigma }_r^2=\underset{i=1}{\overset{K}{\Sigma }}{(i-m_r)}^{2}P\left(i\right)---\left(6\right)$>

$>{\sigma }_c^2=\underset{j=1}{\overset{K}{\Sigma }}{(i-m_c)}^{2}P\left(j\right)---\left(7\right)$>

$>P\left(i\right)=\underset{j=1}{\overset{K}{\Sigma }}{p}_{ij}---\left(8\right)$>

$>P\left(j\right)=\underset{i=1}{\overset{K}{\Sigma }}{p}_{ij}---\left(9\right)$>

其中，(4)与(5)中m_r与m_c分别是行均值和列均值，k表示灰度共生矩阵的长和宽，并通过均值计算标准差。P(i)和P(j)分别为行和列中出现跳变的像素的出现概率，i为行像素的行坐标，j为出现跳变像素的列坐标；由(4)和(5)可得(6)(7)；(8)和(9)表示图像中行坐标出现跳变像素概率的计算方法，和列坐标出现跳变像素概率的计算方法则可通过这些公式得到灰度共生矩阵的六个统计量分别为：

最大概率：$>f_1=\underset{ij}{max}\left(p_{ij}\right)---\left(10\right)$>

相关性：$>f_2=\underset{i=1}{\overset{K}{\Sigma }}\underset{j=1}{\overset{K}{\Sigma }}\frac{(i-m_r)(j-m_c)p_{ij}}{{\sigma }_r{\sigma }_c}---\left(11\right)$>

对比度：$>f_3=\underset{i=1}{\overset{K}{\Sigma }}\underset{j=1}{\overset{K}{\Sigma }}{(i-j)}^2{p}_{ij}---\left(12\right)$>

一致性：$>f_4=\underset{i=1}{\overset{K}{\Sigma }}\underset{j=1}{\overset{K}{\Sigma }}{p}_{ij}^2---\left(13\right)$>

同质性：$>f_5=\underset{i=1}{\overset{K}{\Sigma }}\underset{j=1}{\overset{K}{\Sigma }}\frac{p_{ij}}{1+|i-j|}---\left(14\right)$>

熵：$>f_6=-\underset{i=1}{\overset{K}{\Sigma }}\underset{j=1}{\overset{K}{\Sigma }}{p}_{ij}{\log }_2{p}_{ij}---\left(15\right)$>

(2)基于Gabor小波的频率响应特征提取通过小波分解抽取出油膜Gabor小波频率响应幅值特征作为底层特征。

得到这些特征后根据特征个数设定Kmean聚类的中心K，既是频率直方图的横坐标，通过Kmean对K个中心进行聚类得到频率直方图。

本发明SVM分类器模型的获得过程为：

101、利用Gamma MAP滤波器对SAR影像滤波(用于训练SVM分类器模型的影响为已知油膜区域的影像)，再对其进行Sobel滤波；对Sobel滤波后得到的梯度图，进行分水岭算法实现海陆分割；

102、利用海面部分图像的均值对陆地区域进行填充，利用C-V算法对填充后的图像进行同质区内的目标区域分割提取；

103、针对油膜区域提取特征进行分类器的训练，主要提取的特征为灰度共生矩阵、小波分解的纹理特征、灰度特征及形状特征作为构建视觉单词的底层特征。

104、通过Kmean(K均值聚类)方法对103提取的特征进行聚类，然后根据聚类后的每一维特征训练视觉频率直方图(即视觉词袋模型)，并将其作为SVM分类器的输入再去训练得到SVM分类器模型。

七、将初次虚警剔除的结果作为初始标号场，通过MRF(马尔科夫随机场)的上下文模型中的特征场和标号场，使特征场和标号场满足MAP(最大后验概率)的约束进行进一步的虚警剔除和溢油区域特征的检测，使检测结果更为精确，其中MRF中Ising模型为切分函数模型，且设定切分函数模型中势函数参数的区间为[0,1.5]。

综上所述，以上仅为本发明的较佳实施例子而已。并非用于限定本发明的保护范围。凡是在本发明精神和原理之内所作任何修改、等同替换、改进等，均应该含在本发明的保护范围之内。