[发明专利]一种SAR阴暗影图像中溢油和疑似物的识别方法

权利要求书

1.一种SAR阴暗影图像中溢油和疑似物的识别方法，包括以下步骤：

步骤1，输入SAR图像，根据先验信息建立溢油图像库和疑似物图像库；

在已知类别的SAR图像中的阴暗影区域内，选择图像大小均为K×K的R个溢油区域和H个疑似物区域分别组成溢油图像库和疑似物图像库；

步骤2，从溢油图像库和疑似物图像库中随机选取M幅图像，组成训练样本图像库，采用差分盒计数法和小波变换模极大值法对训练样本图像库中的每幅图像计算分形特征向量，组成训练样本集

从溢油图像库和疑似物图像库中随机选取M幅图像，组成训练样本图像库，其中，M＞R,M＞H，对训练样本图像库中的第i幅图像计算分形特征向量其中，D为盒维数，D_q为扩展分形维数，f_α为扩展分形谱，i＝1,2,...,M；

步骤3，用训练样本集及其所属的标号对SVM分类器进行训练；

步骤4，根据分类的要求，采用自适应阈值法确定SAR图像中待识别的阴暗影区域I′(m,n)；

步骤5，在阴暗影区域I′(m,n)内，逐像素点扫描并计算其分形特征向量，组成测试样本集X′；

像素点(m,n)分形特征向量的计算方法是：以像素点(m,n)为中心，选取w×w的窗口，按照步骤2所述的方法，计算像素点(m,n)的分形特征向量；

在阴暗影区域I′(m,n)内，按照索引的顺序，逐像素点扫描并计算其分形特征向量，组成测试样本集X′；

步骤6，使用训练过的SVM分类器对测试样本进行分类，并输出分类结果。

2.如权利要求1所述的SAR阴暗影图像中溢油和疑似物的识别方法，其特征在于：步骤2中把第i幅图像分成s×s子块，根据差分盒计数法，计算盒维数其中，N_r为覆盖整个图像所需的盒子数。

3.如权利要求1所述的SAR阴暗影图像中溢油和疑似物的识别方法，其特征在于：步骤2中采用小波变换模极大值算法计算扩展分形维数D_q和扩展分形谱f_α，首先，对图像进行小波变换；在尺度空间内，采用阈值法沿着尺度方向计算小波系数模的极大值，并将模极大值点相连，得到模极大值曲线；然后，沿着模极大值曲线计算配分函数其中，q为参数，TW_f(a,b；Ψ)表示函数f在小波函数Ψ上作尺度为a、平移为b的变换，|·|表示取模运算，sup表示上确界。

4.如权利要求1所述的SAR阴暗影图像中溢油和疑似物的识别方法，其特征在于：步骤2中根据配分函数Z(q,a)，采用最小二乘法拟合质量指数τ(q)，则扩展分形维数扩展分形谱f_α＝qα-τ(q)。

5.如权利要求1所述的SAR阴暗影图像中溢油和疑似物的识别方法，其特征在于：训练样本集是由归一化的分形特征向量组成。

6.如权利要求1所述的SAR阴暗影图像中溢油和疑似物的识别方法，其特征在于：步骤3中，用训练样本集中的第i个训练样本及其所属的标号l_i＝{1,-1}，对SVM分类器进行训练，其中，1表示溢油，-1表示疑似物；在SVM分类器中采用高斯径向基核函数。