基于合成孔徑雷達(dá)回波信號(hào)的海洋溢油監(jiān)測(cè)方法研究

孫健，胥亞，陳方璽，彭仲仁，4

（1.上海交通大學(xué)海洋工程國(guó)家重點(diǎn)實(shí)驗(yàn)室，上海 200240；2.上海交通大學(xué)船舶海洋與建筑工程學(xué)院交通運(yùn)輸與航運(yùn)系，上海 200240；3.上海交通大學(xué)校友總會(huì)，上海 200240；4.美國(guó)佛羅里達(dá)大學(xué)城市與區(qū)域規(guī)劃系，Gainesville 32601）

基于合成孔徑雷達(dá)回波信號(hào)的海洋溢油監(jiān)測(cè)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(xué)海洋工程國(guó)家重點(diǎn)實(shí)驗(yàn)室，上海 200240；2.上海交通大學(xué)船舶海洋與建筑工程學(xué)院交通運(yùn)輸與航運(yùn)系，上海 200240；3.上海交通大學(xué)校友總會(huì)，上海 200240；4.美國(guó)佛羅里達(dá)大學(xué)城市與區(qū)域規(guī)劃系，Gainesville 32601）

海洋油污染是各類海洋污染中最常見(jiàn)、分布面積最廣且危害程度最大的污染之一。近年來(lái)，海洋特別是近海人類活動(dòng)頻繁，且隨著海上運(yùn)輸和石油加工業(yè)的發(fā)展，油田井噴、鉆井平臺(tái)爆炸、船舶碰撞等所造成的溢油事故增多，因而，監(jiān)測(cè)海洋溢油具有重要的經(jīng)濟(jì)和社會(huì)現(xiàn)實(shí)意義。研究采用Mat-LAB工具，通過(guò)圖像預(yù)處理（圖像校正和增強(qiáng)）、特征提取和神經(jīng)網(wǎng)絡(luò)識(shí)別等方法，對(duì)合成孔徑雷達(dá)（SAR）海洋溢油圖像進(jìn)行處理，最終期望實(shí)現(xiàn)半自動(dòng)區(qū)分SAR圖像上各類目標(biāo)，并進(jìn)行多種神經(jīng)網(wǎng)絡(luò)方法效果比較。研究首先對(duì)SAR海洋溢油圖像進(jìn)行初步人工識(shí)別；然后進(jìn)行圖像預(yù)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(jì)算；最后，借助神經(jīng)網(wǎng)絡(luò)方法對(duì)溢油區(qū)域和疑似溢油區(qū)域進(jìn)行分類，輸出分類處理后的圖像。通過(guò)輸出圖像分析發(fā)現(xiàn)，神經(jīng)網(wǎng)絡(luò)能對(duì)SAR海洋溢油圖像中溢油、海水、土地3類目標(biāo)進(jìn)行明確分類，且RBF神經(jīng)網(wǎng)絡(luò)模型精度高于BP神經(jīng)網(wǎng)絡(luò)。本文提出的半自動(dòng)分類方法不僅能提高SAR圖像處理效率，將分類目標(biāo)擴(kuò)充有溢油和非溢油擴(kuò)充到溢油、海水、土地3類，提高圖像處理的全面性，同時(shí)通過(guò)比較RBF和BP神經(jīng)網(wǎng)絡(luò)在SAR溢油圖像分類上的具體優(yōu)劣，有著較好實(shí)際意義。

合成孔徑雷達(dá)；SAR；海洋溢油；圖像目標(biāo)分類；神經(jīng)網(wǎng)絡(luò)

1 引言

近年來(lái)，海洋特別是近海人類活動(dòng)頻繁，且隨著海上運(yùn)輸和石油加工業(yè)的發(fā)展，油田井噴、鉆井平臺(tái)爆炸、船舶碰撞等所造成的溢油事故增多。各類溢油事故導(dǎo)致大量油污進(jìn)入近海，不僅造成巨大的人力和財(cái)物損失，而且在風(fēng)、浪、流的作用下，還會(huì)污染近岸漁業(yè)，直接影響近岸的生態(tài)環(huán)境和人類生產(chǎn)生活。傳統(tǒng)海洋溢油監(jiān)測(cè)主要采用船舶、岸邊監(jiān)視等方法；近年來(lái)，一些發(fā)達(dá)國(guó)家則采用航空及衛(wèi)星遙感相結(jié)合的方法來(lái)監(jiān)測(cè)海油污染。以覆蓋面積大、空間分辨率相對(duì)較低、處理簡(jiǎn)單的衛(wèi)星數(shù)據(jù)為基礎(chǔ)，在這些衛(wèi)星圖像上尋找油污異常區(qū)及可疑受污染海域，縮小監(jiān)測(cè)范圍、指導(dǎo)飛機(jī)進(jìn)行確認(rèn)和數(shù)據(jù)采集。加拿大環(huán)境技術(shù)中心對(duì)歐美9國(guó)在海洋溢油監(jiān)測(cè)中應(yīng)用遙感技術(shù)的調(diào)查結(jié)果顯示，應(yīng)用航空遙感平臺(tái)的國(guó)家達(dá)到了100%，而應(yīng)用衛(wèi)星遙感平臺(tái)的國(guó)家為44%［1］。事實(shí)上，無(wú)論是衛(wèi)星、載人飛機(jī)、無(wú)人駕駛飛機(jī)等任何載體形式，海洋溢油監(jiān)測(cè)均通過(guò)基于傳感器的遙感技術(shù)實(shí)時(shí)獲取數(shù)據(jù)。目前，有光學(xué)傳感器和微波傳感器兩種傳感器在海洋溢油監(jiān)測(cè)中得以采用。光學(xué)傳感器，包括可見(jiàn)光傳感器、紅外傳感器、紫外傳感器等?？梢?jiàn)光傳感器是一種較為經(jīng)濟(jì)和實(shí)用的數(shù)據(jù)獲取手段，能夠有效獲取溢油相對(duì)位置并對(duì)之進(jìn)行定性描述，但其應(yīng)用受限于可見(jiàn)光的探測(cè)范圍。微波傳感器，包括微波輻射儀、雷達(dá)等［2－3］。其中最主要用于溢油和環(huán)境探測(cè)的是合成孔徑雷達(dá)（synthetic aperture radar，SAR）。合成孔徑雷達(dá)是一種全天時(shí)、全天候、多波段、多極化以及高分辨率微波主動(dòng)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(yù)測(cè)的準(zhǔn)確性，給海上溢油監(jiān)測(cè)提供幫助。

近年來(lái)，國(guó)內(nèi)外學(xué)者在SAR海上溢油視頻圖像處理方面做了大量研究。石立堅(jiān)討論了建立在MODIS和SAR基礎(chǔ)上的監(jiān)測(cè)海面溢油系統(tǒng)，主要包括圖像預(yù)處理、圖像分割、特征提取、特征篩選并設(shè)計(jì)了溢油圖像的神經(jīng)網(wǎng)絡(luò)識(shí)別模型［4］。馬騰波和王思遠(yuǎn)提出一種基于邊緣檢測(cè)的快速溢油信息提取方法，首先對(duì)溢油圖像進(jìn)行ROA（radio of average）比率邊緣檢測(cè)，根據(jù)檢測(cè)結(jié)果進(jìn)行AOI（area of interest）提取，然后使用改進(jìn)的Weibull-CFAR檢測(cè)算法對(duì)AOI進(jìn)行溢油檢測(cè)，并與全局恒虛警率CFAR檢測(cè)結(jié)果進(jìn)行對(duì)比。提出的方法對(duì)于非均勻灰度SAR圖像溢油檢測(cè)準(zhǔn)確性較好、效率較高，適用于大范圍圖像的快速溢油監(jiān)測(cè)［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(guò)神經(jīng)網(wǎng)絡(luò)對(duì)溢油和疑似溢油現(xiàn)象進(jìn)行識(shí)別。測(cè)試結(jié)果表明，組合特征方法的正確識(shí)別率高于其他特征獨(dú)立使用的情況［7—8］。石立堅(jiān)等［9］引入紋理特征值作為溢油識(shí)別參考量，并利用方差分析對(duì)特征參量進(jìn)行篩選，選擇合適特征值作為神經(jīng)網(wǎng)絡(luò)的輸入向量，所得模型能夠較好地識(shí)別溢油現(xiàn)象。楊永生和張宗杰［10］提出改進(jìn)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(shí)也考慮風(fēng)場(chǎng)對(duì)SAR海面溢油圖像的影響。梁小祎等［11］針對(duì)海洋SAR圖像特點(diǎn)，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(wèn)題，最后采用人工神經(jīng)網(wǎng)絡(luò)方法驗(yàn)證了SAR圖象分類效果。Solberg和Brekke［12］提出利用SAR圖像監(jiān)測(cè)溢油的框架：首先通過(guò)自適應(yīng)閾值法檢測(cè)圖像中的黑暗區(qū)域；然后通過(guò)計(jì)算得出一組特性指標(biāo)并建立分類模型，來(lái)區(qū)分黑暗區(qū)域是否存在真實(shí)溢油，利用統(tǒng)計(jì)模型來(lái)優(yōu)化分類，使之達(dá)到較好效果；最后，利用一組圖像來(lái)改進(jìn)和檢測(cè)分類模型。Solberg等［13］分析采用SAR圖像設(shè)計(jì)的半自動(dòng)溢油區(qū)域和虛假溢油區(qū)域區(qū)分算法，發(fā)現(xiàn)該算法的分類失誤主要有3個(gè)原因，如溢油區(qū)域形狀太過(guò)細(xì)長(zhǎng)，溢油區(qū)域和周邊海水對(duì)比度不夠清晰，待區(qū)分區(qū)域和周圍背景環(huán)境差異很大等，為設(shè)計(jì)更好的溢油區(qū)域和虛假溢油區(qū)分奠定基礎(chǔ)。Solberg和Volden［14］提出利用一系列規(guī)則和外部知識(shí)來(lái)調(diào)整待檢測(cè)區(qū)域?yàn)檎鎸?shí)溢油區(qū)域的概率，并利用這些規(guī)則和外部知識(shí)設(shè)計(jì)溢油區(qū)域和虛假溢油區(qū)域的分類器。

上述研究在SAR海上溢油監(jiān)測(cè)方面取得了一些進(jìn)展，但該領(lǐng)域尚存在以下問(wèn)題或缺陷：（1）SAR海洋溢油圖像識(shí)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(jīng)網(wǎng)絡(luò)的SAR海洋溢油監(jiān)測(cè)中，大多研究?jī)H將注意力放到某一種神經(jīng)網(wǎng)絡(luò)，對(duì)多種神經(jīng)網(wǎng)絡(luò)進(jìn)行對(duì)比的分析較少；（3）圖像分類識(shí)別僅限于溢油和非溢油，不含圖像中每種目標(biāo)的具體分類，處理效率低且缺乏全面性。

鑒此，本研究通過(guò)圖像預(yù)處理（圖像校正和圖像增強(qiáng)）、特征提取和神經(jīng)網(wǎng)絡(luò)識(shí)別等方式，對(duì)SAR雷達(dá)回波信號(hào)進(jìn)行處理，最終實(shí)現(xiàn)半自動(dòng)準(zhǔn)確識(shí)別溢油區(qū)域，能夠明確區(qū)分圖像上各類目標(biāo)，并對(duì)多種神經(jīng)網(wǎng)絡(luò)方法進(jìn)行對(duì)比。主要研究?jī)?nèi)容包括：（1）選擇合適的SAR溢油圖像數(shù)據(jù)進(jìn)行預(yù)處理，增強(qiáng)圖像對(duì)比度；（2）引入灰度共生矩陣，對(duì)SAR海洋溢油圖像進(jìn)行特征值提?。唬?）基于圖像特征值，借助多種神經(jīng)網(wǎng)絡(luò)工具，對(duì)SAR海洋溢油圖像進(jìn)行分類，通過(guò)分類處理后的圖像對(duì)比各種神經(jīng)網(wǎng)絡(luò)工具的優(yōu)劣。

圖1給出本文的研究過(guò)程，主要步驟包含圖像預(yù)處理、特征提取以及目標(biāo)分類。

圖像預(yù)處理：主要包含圖像校正和圖像增強(qiáng)。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(fù)圖像本來(lái)面貌，主要包括幾何校正和輻射校正。圖像增強(qiáng)則選用3種常用方法：直方圖均衡、濾波處理和邊緣檢測(cè)。直方圖均值主要加強(qiáng)圖像的對(duì)比度，濾波處理用于平滑SAR圖像上的噪點(diǎn)，邊緣檢測(cè)主要檢測(cè)圖像中的邊緣信息。

圖1 基于SAR雷達(dá)回波信號(hào)的海洋溢油監(jiān)測(cè)研究流程Fig.1 Research flowchart of SAR echo signal based offshore oil spill detection

圖像特征提?。褐饕瑘D像特征值計(jì)算，通過(guò)對(duì)特征值進(jìn)行篩選，選取合適有效的特征值，依靠Mat LAB編程進(jìn)行特征值計(jì)算。

目標(biāo)分類是識(shí)別溢油區(qū)域關(guān)鍵，其目的在于區(qū)分溢油圖像中的各類目標(biāo)。本文試圖分類土地、海洋和溢油3類目標(biāo)，選取適合于非線性分類的神經(jīng)網(wǎng)絡(luò)方法進(jìn)行圖像分類。主要包括在Mat LAB軟件中對(duì)神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，再利用已訓(xùn)練的神經(jīng)網(wǎng)絡(luò)對(duì)溢油區(qū)域進(jìn)行識(shí)別，最后通過(guò)圖像對(duì)不同神經(jīng)網(wǎng)絡(luò)識(shí)別效果比較。

2 SAR海洋溢油圖像預(yù)處理

2.1 圖像校正

由于遙感器成像幾何位置、姿態(tài)角變化及地形起伏的影響，成像得到SAR圖像通常會(huì)包含一定程度的變形。另外，SAR軌道和觀測(cè)角度變化導(dǎo)致成像幾何改變也會(huì)引起同一地面觀測(cè)單元后向散射觀測(cè)值的較大改變。所以，必須對(duì)SAR圖像進(jìn)行校正處理，以消除圖像中的幾何變形和輻射變形。校正過(guò)程將原始圖像的像素重新定位到某一特定的參考網(wǎng)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(diǎn)，以建立圖像與地圖之間的投影關(guān)系，建立整體映射函數(shù)；（2）根據(jù)圖像的幾何畸變性質(zhì)及地面控制點(diǎn)的多少來(lái)建立起圖像與地圖之間的整體映射函數(shù)；（3）根據(jù)確定的校正公式，對(duì)輸入圖像的數(shù)據(jù)進(jìn)行采樣內(nèi)插，重新排列。

詳細(xì)圖像校正過(guò)程可見(jiàn)文獻(xiàn)［13］。通常，從遙感獲取圖像灰度與目標(biāo)物光譜反射率或光譜輻射亮度等物理量是不一致的，因?yàn)檫b感器測(cè)量值中包含太陽(yáng)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(shù)據(jù)中依附在輻射亮度中各種失真就是輻射校正，其結(jié)果會(huì)改變圖像的色調(diào)和色彩［13］。

2.2 圖像增強(qiáng)

經(jīng)過(guò)圖像校正后的SAR海洋溢油圖像，畫(huà)面上已較接近其本來(lái)面貌，但還無(wú)法直接用于監(jiān)測(cè)溢油。此時(shí)，圖像對(duì)比度不夠，特征也不明顯，邊緣模糊，噪點(diǎn)較多，需對(duì)該溢油圖像進(jìn)行增強(qiáng)，使其各部分具有識(shí)別性，圖像特征更為明顯。本研究采用的圖像增強(qiáng)方法包括直方圖均衡、邊緣檢測(cè)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(jí)的函數(shù)（橫坐標(biāo)為灰度級(jí)，縱坐標(biāo)是某一灰度級(jí)在圖像中出現(xiàn)的頻率）。直方圖均衡化指圖像處理領(lǐng)域中利用圖像直方圖對(duì)比度進(jìn)行調(diào)整的方法，試圖使圖像在每一個(gè)灰度級(jí)上具有相同的像素值。直方圖均衡化通常用來(lái)增加圖像的全局對(duì)比度，尤其是當(dāng)圖像有用數(shù)據(jù)對(duì)比度相當(dāng)接近時(shí)［15］。對(duì)SAR圖像進(jìn)行直方圖均衡后，圖像對(duì)比度會(huì)顯著提高，灰度分布也趨于均勻。但由于圖像灰度級(jí)個(gè)數(shù)有限，均衡化后圖像直方圖并不會(huì)是理論上的直線。

2.2.2 邊緣檢測(cè)

本文選取Canny算子檢測(cè)邊緣，該算子的梯度是用高斯濾波器的導(dǎo)數(shù)計(jì)算，通過(guò)尋找圖像梯度的局部最大值來(lái)檢測(cè)邊緣［13］。

對(duì)SAR海洋溢油圖像進(jìn)行Canny邊緣檢測(cè)的結(jié)果如圖2，可清晰地看到圖像檢測(cè)的邊緣。

2.2.3 濾波處理

SAR圖像中通常存在斑點(diǎn)噪聲，嚴(yán)重干擾地物信息提取與SAR圖像應(yīng)用，噪聲嚴(yán)重時(shí)甚至導(dǎo)致地物特征消失。因此，采用濾波，抑制SAR圖像斑點(diǎn)噪聲對(duì)SAR圖像應(yīng)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(diǎn)的灰度值設(shè)置為該點(diǎn)某鄰域窗口內(nèi)所有像素點(diǎn)灰度值均值。中值濾波法將每一像素點(diǎn)的灰度值設(shè)置為該點(diǎn)某鄰域窗口內(nèi)的所有像素點(diǎn)灰度值的中值。Lee濾波則屬于局域自適應(yīng)濾波，在圖像上取一個(gè)滑動(dòng)濾波窗口，將窗口內(nèi)所有像素作為濾波器輸入值，統(tǒng)計(jì)其局域特征（如均值和方差）作為依據(jù)進(jìn)行濾波處理，所得結(jié)果作為濾波窗口中心像素的濾波值。

本文選取定量評(píng)價(jià)來(lái)判斷濾波方法對(duì)SAR海洋溢油圖像處理的優(yōu)劣，引入以下指標(biāo)：

圖2 SAR海洋溢油圖像進(jìn)行Canny邊緣檢測(cè)的狀況Fig.2 SAR images with Canny edge detection method

（1）平滑指數(shù)：指某區(qū)域內(nèi)像素點(diǎn)灰度均值和其標(biāo)準(zhǔn)差的比值。平滑指數(shù)越高，說(shuō)明濾波器對(duì)于圖像的平滑能力越強(qiáng)。計(jì)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(shù)：表示濾波器對(duì)邊緣銳度及細(xì)微特征的保護(hù)程度。邊緣保持指數(shù)越大，濾波器對(duì)邊緣的保護(hù)程度越好。計(jì)算公式為：

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

根據(jù)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(píng)價(jià)值如表1所示：

由表1可看出，經(jīng)過(guò)濾波處理后的圖像平滑指數(shù)都有所提高，說(shuō)明濾波器對(duì)于SAR海洋溢油圖像有較強(qiáng)的平滑能力。但均值濾波對(duì)于邊緣特征的保持能力很低，中值濾波對(duì)邊緣的保持指數(shù)也不高。只有Lee濾波對(duì)原圖的邊緣特征起到了較好的保持作用。綜合評(píng)價(jià)數(shù)據(jù)，本研究采用Lee濾波來(lái)進(jìn)行之后的圖像處理。

表1 濾波處理效果評(píng)價(jià)指標(biāo)Tab.1 Evaluation indices after filter processing

3 SAR圖像特征提取

合成孔徑雷達(dá)成像過(guò)程是從回波信號(hào)提取地表的雷達(dá)后向散射系數(shù)，圖像反映被測(cè)地域?qū)ξ⒉ǖ纳⑸涮卣?。SAR海洋溢油監(jiān)測(cè)技術(shù)主要采用圖像灰度統(tǒng)計(jì)特征（包括幅度特征、直方圖特征、統(tǒng)計(jì)特征等）和紋理特征［15］。紋理指圖像某個(gè)區(qū)域的粗糙程度或一致性，和表面粗糙度有關(guān)。圖像紋理隨著雷達(dá)系統(tǒng)的波長(zhǎng)、分辨率和入射角而變化，也會(huì)隨著它的組成成分和背景特征的排列狀態(tài)而變化［15］。

SAR圖像中不同目標(biāo)（如海洋、溢油、土地）的區(qū)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(jìn)行圖像處理，尤其適用于目標(biāo)分類。SAR圖像紋理特征主要包含方向差分特征、灰度共現(xiàn)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(yùn)用到圖像的紋理分析中，在SAR圖像處理應(yīng)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(kāi)的兩個(gè)像元，灰度值分別為i和j的概率。Haralick曾經(jīng)提出14種由灰度共生矩陣計(jì)算出來(lái)的統(tǒng)計(jì)量［16］，經(jīng)過(guò)大量實(shí)驗(yàn)，認(rèn)為以下5種統(tǒng)計(jì)量對(duì)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(guān)性的效果為最佳，但實(shí)際操作中，相關(guān)性由于其計(jì)算的局限性（須保證計(jì)算公式中分母不為0），難以廣泛運(yùn)用。另外，在SAR海洋溢油圖像中，溢油區(qū)域顏色較深，灰度也是判斷目標(biāo)的一個(gè)關(guān)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(biāo)準(zhǔn)。

4 SAR溢油圖像神經(jīng)網(wǎng)絡(luò)識(shí)別及實(shí)現(xiàn)

本研究采用的SAR圖像來(lái)自于1992年希臘油輪愛(ài)琴海號(hào)溢油事件。圖像由ERS-1在西班牙海灣地區(qū)拍攝（圖3）。通過(guò)人工預(yù)讀，選取具有代表性的溢油區(qū)域、土地區(qū)域、海水區(qū)域共3張子圖像作為訓(xùn)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(gòu)物車的功能，而在圖3你可以點(diǎn)擊購(gòu)買(mǎi)，或者是清除購(gòu)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(jìn)行圖像預(yù)處理，此過(guò)程由Matlab編程完成。主要步驟包括（以溢油區(qū)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(wú)重合），共6×6＝36個(gè)子集。窗口之間完全獨(dú)立可保證訓(xùn)練樣本之間獨(dú)立，使訓(xùn)練效果更佳；

（2）對(duì)每個(gè)子集計(jì)算灰度共生矩陣（本文選取的灰度等級(jí)為24，原因在于：在計(jì)算中發(fā)現(xiàn)，當(dāng)灰度級(jí)為8、16時(shí)圖像特征產(chǎn)生較大偏差，而灰度級(jí)為36時(shí)計(jì)算量過(guò)大，因此設(shè)為24較為合理）；

（3）對(duì)于灰度共生矩陣，分別根據(jù)函數(shù)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(jīng)網(wǎng)絡(luò)處理的速度和準(zhǔn)確度，對(duì)該5個(gè)特征值進(jìn)行歸一化處理。

4.1 SAR圖像神經(jīng)網(wǎng)絡(luò)的建立

考慮SAR對(duì)海洋溢油圖像中目標(biāo)分類的需要，本研究主要考察BP和RBF兩種神經(jīng)網(wǎng)絡(luò)的效果。為了使神經(jīng)網(wǎng)絡(luò)能夠準(zhǔn)確地輸出目標(biāo)，達(dá)到訓(xùn)練效果，首先對(duì)每種目標(biāo)進(jìn)行種類賦值，作為輸出值：溢油區(qū)域賦值為1，海洋區(qū)域賦值為2，土地區(qū)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(guò)計(jì)算，得到3組輸入向量，每一組包含36個(gè)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(jīng)網(wǎng)絡(luò)

本研究首先考察兩層BP神經(jīng)網(wǎng)絡(luò)。需要注意，隱含層神經(jīng)元的個(gè)數(shù)將影響到輸出效果，當(dāng)節(jié)點(diǎn)過(guò)少時(shí)，神經(jīng)元訓(xùn)練速度較慢且不準(zhǔn)確；當(dāng)節(jié)點(diǎn)過(guò)多時(shí)，在后續(xù)仿真處理中計(jì)算速度減慢。為選取合適的神經(jīng)元，筆者通過(guò)建立含有不同隱含節(jié)點(diǎn)個(gè)數(shù)的神經(jīng)網(wǎng)絡(luò)，觀察訓(xùn)練效果見(jiàn)表2：

表2 BP神經(jīng)網(wǎng)絡(luò)訓(xùn)練效果對(duì)比Tab.2 Contrast of the training results of BP neural network

由表2可以發(fā)現(xiàn)，當(dāng)隱含層神經(jīng)元個(gè)數(shù)為9時(shí)，訓(xùn)練速度明顯快于神經(jīng)元個(gè)數(shù)為其他值。因此，本研究建立輸入層節(jié)點(diǎn)為5，隱含層節(jié)點(diǎn)為9，輸出層節(jié)點(diǎn)為1的BP神經(jīng)網(wǎng)絡(luò)，誤差目標(biāo)為0.001，其他參數(shù)選取Matlab默認(rèn)值：

其中，input為5×108的輸入向量。

建立神經(jīng)網(wǎng)絡(luò)后，用108組數(shù)據(jù)進(jìn)行訓(xùn)練，到誤差為0.001時(shí)系統(tǒng)停止訓(xùn)練，圖4給出了該BP神經(jīng)網(wǎng)絡(luò)訓(xùn)練及誤差變化過(guò)程。訓(xùn)練函數(shù)如下：

其中，T為1×108的輸出向量。

（2）RBF神經(jīng)網(wǎng)絡(luò)

對(duì)于兩層的RBF神經(jīng)網(wǎng)絡(luò)，筆者發(fā)現(xiàn)當(dāng)SPREAD為0.2時(shí)效果最佳；GOAL選取與BP神經(jīng)網(wǎng)絡(luò)相同，誤差為0.001；M為35；N為1。在Mat Lab建立神經(jīng)網(wǎng)絡(luò)：

通過(guò)訓(xùn)練發(fā)現(xiàn)，當(dāng)隱含層神經(jīng)元個(gè)數(shù)為35時(shí)，誤差小于0.001，為0.000 8（見(jiàn)圖5），達(dá)到訓(xùn)練效果。

4.2 SAR圖像的神經(jīng)網(wǎng)絡(luò)仿真和目標(biāo)識(shí)別

本文選取溢油原始圖像（見(jiàn)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(jì)算其灰度共生矩陣和5個(gè)特征值。將每個(gè)窗口的特征值進(jìn)行歸一化處理，然后作為輸入向量用神經(jīng)網(wǎng)絡(luò)進(jìn)行仿真，判斷其類別（溢油，海水，土地），并對(duì)這個(gè)15×15窗口的中心像素進(jìn)行灰度賦值：若為溢油區(qū)域，賦值灰度為0；若為海水區(qū)域，賦值灰度為100；若為土地區(qū)域，賦值灰度為200。最后，輸出賦值完畢的圖像。

圖4 BP神經(jīng)網(wǎng)絡(luò)訓(xùn)練及誤差變化Fig.4 BP neural network training process and the change of error

BP和RBF神經(jīng)網(wǎng)絡(luò)的仿真函數(shù)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(jīng)網(wǎng)絡(luò)又存在本質(zhì)不同。BP神經(jīng)網(wǎng)絡(luò)的輸出結(jié)果并非只有訓(xùn)練時(shí)的3種（1，2，3），而是接近1，2，3的浮點(diǎn)數(shù)，因此，需要對(duì)輸出結(jié)果進(jìn)行人工分類。而RBF神經(jīng)網(wǎng)絡(luò)只存在3種（1，2，3）輸出結(jié)果，無(wú)需進(jìn)一步分類，方法更為簡(jiǎn)單。

4.3 數(shù)值結(jié)果與分析

圖5 RBF神經(jīng)網(wǎng)絡(luò)訓(xùn)練過(guò)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(qū)域的溢油區(qū)。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(shí)也發(fā)現(xiàn)，海水和溢油區(qū)域的邊界非常模糊。圖6b給出經(jīng)過(guò)BP神經(jīng)網(wǎng)絡(luò)識(shí)別后的SAR海洋溢油圖像。由于通過(guò)分類和賦值，圖中溢油、海水和土地之間的分界線已相當(dāng)明顯。但可以發(fā)現(xiàn)，在本來(lái)海水區(qū)域有不少像素點(diǎn)被判定為土地，而土地區(qū)域也有像素點(diǎn)被判定為海水，說(shuō)明神經(jīng)網(wǎng)絡(luò)產(chǎn)生誤差。圖6c為經(jīng)過(guò)RBF神經(jīng)網(wǎng)絡(luò)識(shí)別后的SAR海洋溢油，3類目標(biāo)具有較明顯的分界點(diǎn)。同樣，在本來(lái)海水區(qū)域有不少像素點(diǎn)被判定為土地，土地區(qū)域也有像素點(diǎn)被判定為海水，說(shuō)明神經(jīng)網(wǎng)絡(luò)產(chǎn)生誤差，但RBF神經(jīng)網(wǎng)絡(luò)中誤差明顯少于BP神經(jīng)網(wǎng)絡(luò)。

通過(guò)上述分析，可得出結(jié)論：BP神經(jīng)網(wǎng)絡(luò)和RBF神經(jīng)網(wǎng)絡(luò)對(duì)于SAR海洋溢油圖像都有較強(qiáng)的分類效果，其中，RBF神經(jīng)網(wǎng)絡(luò)的效果優(yōu)于BP神經(jīng)網(wǎng)絡(luò)。

圖6 原始及各類神經(jīng)網(wǎng)絡(luò)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(guò)以上分析發(fā)現(xiàn)，溢油區(qū)域識(shí)別都較為清楚，但海水區(qū)域和土地區(qū)域容易混淆。推測(cè)主要是由于海水區(qū)和土地區(qū)的亮度較大，特征值差異并不明顯，所以導(dǎo)致分類時(shí)產(chǎn)生誤差。BP神經(jīng)網(wǎng)絡(luò)和RBF神經(jīng)網(wǎng)絡(luò)得出結(jié)果的差異性，主要來(lái)自于兩者在分類中采取不同原理。BP神經(jīng)網(wǎng)絡(luò)試圖尋找類與類之間的差異，建立一個(gè)超平面（hyper-plane），將類與類隔開(kāi)，起到分類效果。但這種平面設(shè)立往往是研究者根據(jù)自身常識(shí)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(shí)驗(yàn)中BP網(wǎng)絡(luò)的輸出值，被人為地歸并到其最接近的整數(shù)，但該方法不一定絕對(duì)正確。相反，在RBF神經(jīng)網(wǎng)絡(luò)進(jìn)行分類是尋找同類之間的相似點(diǎn)，然后將同類別的用核函數(shù)（kernel function）自動(dòng)歸類，不需人為介入，很多時(shí)候能實(shí)現(xiàn)比BP神經(jīng)網(wǎng)絡(luò)更小的誤差。

如前所述，盡管本實(shí)驗(yàn)結(jié)果的RBF神經(jīng)網(wǎng)絡(luò)更優(yōu)，不能說(shuō)明它完全優(yōu)于BP神經(jīng)網(wǎng)絡(luò)。這主要是由于RBF神經(jīng)網(wǎng)絡(luò)隱含層的節(jié)點(diǎn)（35）遠(yuǎn)遠(yuǎn)多于BP神經(jīng)網(wǎng)絡(luò)（9）。在仿真時(shí)，RBF神經(jīng)網(wǎng)絡(luò)的處理速度明顯慢于BP神經(jīng)網(wǎng)絡(luò)。因此，在處理海量且誤差要求不高時(shí)，BP神經(jīng)網(wǎng)絡(luò)處理溢油圖像效果會(huì)更優(yōu)。

5 結(jié)論和建議

通過(guò)對(duì)SAR海洋溢油圖像的處理和分析，本文得出以下結(jié)論：

（1）在SAR圖像處理中，預(yù)處理是必要且關(guān)鍵的，沒(méi)有合適和正確的預(yù)處理會(huì)導(dǎo)致后期處理誤差非常大，該步驟必要且需要謹(jǐn)慎對(duì)待。

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

（3）神經(jīng)網(wǎng)絡(luò)能夠?qū)AR海洋溢油圖像的溢油、海水、土地3類目標(biāo)進(jìn)行明確分類，效果較好。總體來(lái)說(shuō)，神經(jīng)網(wǎng)絡(luò)是一種有效的研究工具，且近年來(lái)有越來(lái)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(jīng)網(wǎng)絡(luò)工具，過(guò)程直觀且人性化。

（4）在對(duì)SAR圖像溢油識(shí)別中，RBF神經(jīng)網(wǎng)絡(luò)的效果要優(yōu)于BP神經(jīng)網(wǎng)絡(luò)。但在數(shù)據(jù)量很大時(shí)，BP神經(jīng)網(wǎng)絡(luò)仍應(yīng)該被考慮。

通過(guò)上述研究，作者對(duì)于SAR海洋溢油監(jiān)測(cè)建議如下：

（1）在SAR圖像處理中，選用合適的圖像非常關(guān)鍵。亮度不均，噪點(diǎn)太多的圖像都會(huì)導(dǎo)致最后處理結(jié)果不甚理想。

（2）近年來(lái)，由于SAR數(shù)據(jù)采集技術(shù)的更新，能夠得出清晰度更高的圖像，也能更直觀地區(qū)分溢油和非溢油區(qū)域。與此同時(shí)，這些圖像由于畫(huà)面過(guò)大，通常由多幅圖片拼湊而成。考慮到SAR在移動(dòng)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(lái)解決該問(wèn)題。

（3）由于SAR圖像成像受到衛(wèi)星自身特點(diǎn)的影響，且預(yù)處理不同也會(huì)導(dǎo)致圖像效果差異，在不同條件下，分類神經(jīng)網(wǎng)絡(luò)無(wú)法完全通用。如果能夠?qū)⒂绊懫浣Y(jié)果的因素當(dāng)作輸入值之一（或反饋），或許能夠解決這一問(wèn)題，該方面研究還有待進(jìn)一步深入。

［1］劉彥呈，任光，殷佩海.海上溢油應(yīng)急反應(yīng)基于GIS的模擬訓(xùn)練系統(tǒng)研究［J］.系統(tǒng)仿真學(xué)報(bào)，2005，16（11）：2445－2450.

［2］熊文成，吳傳慶，魏斌，等.SAR圖像在韓國(guó)溢油監(jiān)測(cè)中的應(yīng)用［J］.遙感技術(shù)與應(yīng)用，2008，23（4）：410－413.

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

［4］石立堅(jiān).SAR及MODIS數(shù)據(jù)海面溢油監(jiān)測(cè)方法研究［D］.青島：中國(guó)海洋大學(xué)，2008.

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

［6］鄒亞榮，梁超，陳江麟，等.基于SAR的海上溢油監(jiān)測(cè)最佳探測(cè)參數(shù)分析［J］.海洋學(xué)報(bào)，2011，33（1）：36－44.

［7］劉朋，趙朝方，石立堅(jiān).基于SAR圖像組合特征的海面溢油識(shí)別［C］／／第六屆全國(guó)信息獲取與處理學(xué)術(shù)會(huì)議論文集，2008.

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

［9］石立堅(jiān)，趙朝方，劉朋.基于紋理分析和人工神經(jīng)網(wǎng)絡(luò)的SAR圖像中海面溢油識(shí)別方法［J］.中國(guó)海洋大學(xué)學(xué)報(bào)，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(huán)境科學(xué)，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(xué)進(jìn)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(dá)回波信號(hào)的海洋溢油監(jiān)測(cè)方法研究［J］.海洋學(xué)報(bào)，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(zāi)害立體監(jiān)測(cè)技術(shù)與應(yīng)用國(guó)家海洋局重點(diǎn)實(shí)驗(yàn)室開(kāi)放基金（MATHAB201306）；上海交大海洋工程國(guó)家重點(diǎn)實(shí)驗(yàn)室青年創(chuàng)新基金（GKZD010059－29）。

孫?。?977—），男，安徽省蕪湖市人，博士，研究員，從事海洋環(huán)境監(jiān)測(cè)技術(shù)及GIS應(yīng)用工作。E-mail：danielsun＠sjtu.edu.cn