[发明专利]基于SAR图像的海洋溢油信息识别与提取方法

摘要

本发明公开了一种基于SAR图像的海洋溢油信息识别与提取方法，通过预处理消除星载SAR图像的噪声和畸变，然后进行图像的普适性处理将非海面区域遮掩，接着使用二维最大类间方差法分割图像获取感兴趣的区域，在此基础上利用形态学滤波矫正误分割现象，进一步从图像分割区域提取选定的特征参量，最后结合先验知识利用经过同样处理的样本图像集训练的BP神经网络对图像分割的结果进行分类，区分海面溢油与疑似溢油，准确提取海洋溢油信息。

主权项

1.一种基于SAR图像的海洋溢油信息识别与提取方法，其特征在于，包括以下步骤：(1)、获取原始SAR图像通过星载SAR传感器，在待监测区域获取原始SAR图像；(2)、图像预处理使用ENVI软件对原始SAR图像依次进行辐射定标、地理编码及滤波，得到初始SAR图像；(3)、对初始SAR图像进行普适性处理(3.1)、使用掩膜遮蔽初始SAR图像中包含大片陆地的区域，得到海洋区域SAR图像；(3.2)、对海洋区域SAR图像中舰船、岛屿形成的高亮区域进行处理：引入正态分布的3σ原理，设定上限灰度值：lim it＝μ+3σ其中，μ为初始SAR图像灰度均值，σ为初始SAR图像灰度标准差；搜索海洋区域SAR图像中灰度值超过该上限灰度值的像素点，再使用灰度值未超过该上限灰度值的邻近像素点进行替换，得到经过普适性处理的标准SAR图像；(4)、对标准SAR图像进行分割(4.1)、将标准SAR图像中与后向散射系数相关的像素点的灰度值映射到0到255的整数范围内，得到像素点的灰度阈值s；映射关系为：其中，A_ij为标准SAR图像中像素点(i，j)的灰度值，B_ij为该像素点映射到0～255时的灰度值，A_min和A_max分别为标准SAR图像的所有像素点中的最小、最大灰度值，round()为取整符号；同时引入像素点的n*n邻域灰度均值阈值t，组成二维阈值(s，t)，其中，n为邻域取值大小；(4.2)、根据二维阈值(s，t)，建立二维灰度直方图；利用二维灰度直方图将灰度值小于s且邻域灰度均值小于t的区域设置为目标，将灰度值大于s且邻域灰度均值大于t的域区设置为背景，其它区域设置为噪声；(4.3)、利用二维灰度直方图计算类间方差d(s，t)：设二维灰度直方图中的像素点总数为N，设灰度值为同时n*n邻域灰度均值为的像素点个数为那么这一类像素点出现的概率为：那么当阈值为(s，t)时，目标区域和背景区域发生的概率分别为：其中，下角标a代表目标区域，b代表背景区域；那么两区域对应的灰度均值分别为：其中，分别表示目标区域的灰度均值和邻域灰度均值的平均值；分别表示背景区域的灰度均值和邻域灰度均值的平均值；二维灰度直方图的灰度均值和邻域灰度均值的平均值为：由此可得，类间方差d(s，t)为：(4.4)、利用灰度阈值s和邻域灰度均值阈值t分别遍历1到254，获得使d(S，T)在所有的d(s，t)中取得最大值的最优阈值(S，T)；(4.5)、根据最优阈值(S，T)对标准SAR图像中的像素点按照步骤(4.2)所述方法进行分类，分割出标准SAR图像中的目标、背景和噪声，得到目标SAR图像；(5)、提取特征参量先利用形态学滤波器对目标SAR图像进行多次形态学滤波，再提取几何、灰度、纹理三方面的9类特征参量值；(6)、利用BP神经网络分类来区分溢油与疑似溢油(6.1)、将经过形态学滤波后的目标SAR图像作为训练样本图像，使用训练样本图样中提取的9个特征参量构成特征向量组作为未经过训练的BP神经网络的输入，根据先验知识确定滤波后的目标SAR图像的阴影区域是否属于溢油，如果是溢油则设置输出“1 0”，如果是疑似溢油则设置输出“0 1”，并作为该BP神经网络的输出，通过调整内部的权值和阈值，训练BP神经网络；(6.2)、将待监测的原始SAR图像经过上述步骤(1)到步骤(5)处理后提取的特征参量构成特征向量组，输入经过训练后的BP神经网络，根据BP神经网络的输出结果确定出目标区域属于溢油还是疑似溢油。