海上溢油合成孔徑雷達(dá)探測研究*

張彥敏，徐 卓，旭 鋒

(中國海洋大學(xué)信息科學(xué)與工程學(xué)院，山東 青島 266100)

海上溢油合成孔徑雷達(dá)探測研究*

張彥敏，徐 卓，旭 鋒

(中國海洋大學(xué)信息科學(xué)與工程學(xué)院，山東 青島 266100)

在合成孔徑雷達(dá)(SAR)圖像中區(qū)分溢油和類油現(xiàn)象是溢油SAR探測的關(guān)鍵任務(wù)。實(shí)現(xiàn)該任務(wù)一般可分為3步：首先是提取油膜和類油膜的特征；然后篩選出有助于油膜和類油膜分類的關(guān)鍵特征；最后構(gòu)造有效的分類器進(jìn)行模式識(shí)別以便做出準(zhǔn)確的判別。本文基于2011年蓬萊19-3油田溢油事故期間的15景SAR圖像提取了138個(gè)油膜和類油膜樣本的幾何特征、背景特征、散射特征和紋理特征，將Fisher判別率和序列前向選擇方法相結(jié)合，篩選出背景后向散射系數(shù)標(biāo)準(zhǔn)差、逆差距、能量和后向散射系數(shù)的均值四個(gè)關(guān)鍵特征組成的特征子集。在此基礎(chǔ)上，為提高分類器的精度，將決策樹模型CART算法與Bagging技術(shù)相結(jié)合，通過隨機(jī)抽樣給出多個(gè)維數(shù)相同大小的訓(xùn)練數(shù)據(jù)集從而建立多個(gè)決策樹模型，以投票的方式對油膜和類油膜樣本進(jìn)行分類；最后，文中采用了五折和十折交叉驗(yàn)證方法對油膜和類油膜的分類結(jié)果進(jìn)行評估，研究顯示基于Bagging的決策樹方法的油膜和類油膜分類的平均精度在85%以上，且將文中所用基于Bagging的CART決策樹分類算法與經(jīng)典CART決策樹分類算法及神經(jīng)網(wǎng)絡(luò)分類算法相比較，發(fā)現(xiàn)本文所用方法的分類精度較高，從而表明了該方法在溢油SAR探測方面的可行性。

合成孔徑雷達(dá)； 特征選擇； 油膜分類； CART決策樹； Bagging

大面積的海上溢油事故致使海洋環(huán)境受到嚴(yán)重污染和損害，造成眾多魚類、海鳥、藻類和海洋哺乳動(dòng)物的大量死亡，對沿海生態(tài)環(huán)境和生物多樣性構(gòu)成嚴(yán)重威脅，直接影響沿海經(jīng)濟(jì)和社會(huì)的健康與可持續(xù)發(fā)展。遙感技術(shù)的發(fā)展為海面遙感溢油監(jiān)測提供了多種手段，其中星載SAR由于具有全天時(shí)、全天候的工作能力，已成為監(jiān)測海洋溢油的最為有效的手段之一。目前，國內(nèi)外眾多學(xué)者在SAR溢油探測方面做了大量研究[1-18]。

在單極化SAR溢油探測方面，相關(guān)學(xué)者提出了諸多溢油探測方法。通常，將溢油探測分為3步：(1)暗斑檢測(2)特征提取(3)油膜與類油膜的分類。暗斑檢測是基于圖像分割技術(shù)來確定SAR圖像上的暗斑目標(biāo)。Solberg等[1-2]采用自適應(yīng)閾值分割算法與多尺度金字塔方法相結(jié)合來分割SAR圖像中的溢油目標(biāo)。Fiscella等[3]利用半自動(dòng)檢測算法檢測出SAR圖像上的暗斑，然后進(jìn)行目視判讀識(shí)別溢油。Li Fang等[4]用C-V模型和水平集方法，對斑點(diǎn)噪聲抑制后的SAR圖像進(jìn)行溢油檢測，取得了不錯(cuò)的效果。在油膜與類油膜的分類方面國內(nèi)外學(xué)者將模式識(shí)別引用到溢油和類油現(xiàn)象區(qū)分的問題中來，主要包括：貝葉斯分類器、模糊邏輯分類器、決策樹、神經(jīng)網(wǎng)絡(luò)等方法。Solberg 等[1-2]利用貝葉斯分類器的方法對SAR圖像海洋溢油和類油現(xiàn)象進(jìn)行了分類識(shí)別，該模型具有較高的溢油識(shí)別準(zhǔn)確率；Fiscella等[3]利用了Mahalanobis分類器對溢油和類溢油現(xiàn)象進(jìn)行分類，也取得較好的結(jié)果。Akar等[5]基于模糊邏輯分類器開展了油膜和類油膜的分類。研究表明，在不同場景中，油膜分類精度不同，當(dāng)油膜與背景對比度高時(shí)，油膜分類精度高；當(dāng)油膜與背景對比度較低時(shí)，油膜分類精度較低。周慧等[6]針對威望號(hào)船只溢油等典型溢油事故期間的SAR影像，選出8個(gè)油膜和類油膜區(qū)分度高的特征，采用馬氏距離分類器對海上溢油進(jìn)行識(shí)別。施永春等[7]以紋理特征作為關(guān)鍵特征，并應(yīng)用 Adaboost分類器開展了油膜與類油膜的分類研究，發(fā)現(xiàn)基于Adaboost的SAR影像溢油檢測算法的性能優(yōu)于神經(jīng)網(wǎng)絡(luò)分類器。Topouzelis等[8]提出一種新的基于決策樹林的溢油特征選取與分類方法，分析了25個(gè)常用溢油特征對于分類結(jié)果的影響，以達(dá)到使用溢油特征數(shù)目最小，同時(shí)分類精度較高的雙重目標(biāo)。張淵智等[9]采用小波變換和水平集相結(jié)合的方法分割溢油SAR圖像探測暗斑，并用神經(jīng)網(wǎng)絡(luò)方法把暗斑分為油膜和類油膜兩類。鄒亞榮等[10]提出了一種數(shù)據(jù)的多元指標(biāo)溢油信息提取方法，以溢油形狀參數(shù)、紋理特征指數(shù)、物理特性指數(shù)等為主要指標(biāo)，并以層次分析法得出每一類指標(biāo)的權(quán)重，針對每一類指標(biāo)建立溢油特征的判斷等級，判斷溢油的置信度，為溢油識(shí)別提供依據(jù)。Xu等[11]針對目前常用的溢油特征，對七種經(jīng)典的溢油檢測方法進(jìn)行了詳細(xì)分析和評價(jià)，并給出了不同溢油檢測方法的使用情況和所需的特征組合。

CART(Classification And Regression Tree)[21]是決策樹的一種，采用二分遞歸分割技術(shù)，即將當(dāng)前樣本集分為兩個(gè)子樣本集，其生成的決策樹是一棵二叉樹，提高了生成決策樹的效率。CART決策樹方法同時(shí)還具有靈活、直觀、清晰等特點(diǎn)，在遙感分類問題中表現(xiàn)出巨大的優(yōu)勢[22-23]。近年來，該方法在土壤分類、植被指數(shù)提取及海冰分類等方面越來越得到廣泛應(yīng)用[24-25]。然而，決策樹分類器具有方差大的缺點(diǎn)，當(dāng)訓(xùn)練集發(fā)生較小變化時(shí)會(huì)產(chǎn)生不同的樹，這是由于分類樹多層性的特點(diǎn)，在頂層節(jié)點(diǎn)上發(fā)生的錯(cuò)誤會(huì)一直傳播并延續(xù)到葉子，因此決策樹是一種不穩(wěn)定的分類器。Bagging[26]算法又稱自助聚類，是一種簡單但是能有效的產(chǎn)生一個(gè)集成分類器的方法，利用重采樣方法將實(shí)際中唯一的訓(xùn)練集生成多個(gè)不同的訓(xùn)練集，從而改進(jìn)不穩(wěn)定分類器的分類性能。秦姣龍等[27]通過對UCI數(shù)據(jù)集中的haberman樣本集進(jìn)行測試，表明Bagging 算法能有效處理數(shù)據(jù)的分類問題。本文擬將決策樹模型CART算法與bagging技術(shù)相結(jié)合對SAR油膜和類油膜樣本進(jìn)行分類。

1 油膜與類油膜特征的提取與選擇

提取油膜和類油膜樣本的16種典型特征，并從中篩選出有利于油膜和類油膜分類的關(guān)鍵特征組成的特征子集。

1.1 溢油SAR數(shù)據(jù)介紹

本文所采用的數(shù)據(jù)是2011年蓬萊19-3油田溢油事故期間不同SAR傳感器所獲取的15景影像，數(shù)據(jù)的詳細(xì)信息見表1。

首先，在對15景溢油SAR影像進(jìn)行輻射校正、幾何校正及濾波處理等預(yù)處理的基礎(chǔ)上，通過專家經(jīng)驗(yàn)?zāi)恳暯庾g獲得了138個(gè)暗斑樣本，其中，油膜暗斑樣本87個(gè)，大氣重力波、船尾跡、低風(fēng)速區(qū)等類油膜暗斑樣本51個(gè)。圖1和2分別給出了油膜樣本和類油膜樣本的實(shí)例圖。

圖1 溢油樣本Fig.1 Samples of oil spills

圖2 類油膜樣本(左圖:大氣重力波; 右圖:船尾跡)Fig.2 Samples of lookalikes (Left:atmospheric gravity wave; right:wake of ship )

1.2 特征提取

類油膜(如：大氣重力波、船尾跡、低風(fēng)速區(qū)、上升流、雨團(tuán)等)和油膜在SAR圖像中都呈現(xiàn)為暗斑特征。因此，僅僅基于SAR圖像的亮度值來區(qū)分油膜和類油膜是不可行的。為了能夠有效區(qū)分油膜和類油膜，本文提取了油膜暗斑和類油膜暗斑的四類特征：幾何特征、背景特征、散射特征和紋理特征，并從中尋找能夠區(qū)分油膜和類油膜的關(guān)鍵特征，以便于應(yīng)用于油膜和類油膜的分類。針對以上四類特征，本文所提取的16種特征如下：

幾何特征：

(1)面積：暗斑的面積A；

(2)周長：暗斑的邊界長度P；

環(huán)境特征：

(4)與航線的距離：暗斑與航線的距離；

(5)與石油平臺(tái)的距離：暗斑與主要石油平臺(tái)的距離；

物理特征：

(6)后向散射系數(shù)的均值：暗斑后向散射系數(shù)的平均值u0；(7)后向散射系數(shù)的標(biāo)準(zhǔn)差：暗斑后向散射系數(shù)的標(biāo)準(zhǔn)差σ0；

(8)背景后向散射系數(shù)的均值：暗斑周圍后向散射系數(shù)的平均值us；

(9)背景后向散射系數(shù)的標(biāo)準(zhǔn)差：暗斑周圍后向散射系數(shù)的標(biāo)準(zhǔn)差σs；

紋理特征:

1.3 特征選擇

在應(yīng)用本文所提取的特征進(jìn)行模式識(shí)別之前，為了降低數(shù)據(jù)計(jì)算的成本和分類器分類的復(fù)雜度，我們將減少特征維數(shù)，刪除對溢油分類效果不好的特征來提高分類效率。在SAR圖像的特征中出現(xiàn)無法提供可用信息的特征是比較常見的，它們或是與分類無關(guān)，或是具有強(qiáng)相關(guān)性的冗余特征。一般特征選擇的出發(fā)點(diǎn)有兩類：一是考慮特征的分辨能力，一是考慮特征間的相關(guān)程度。為了獲得精確度更高的模式識(shí)別模型，在選擇特征時(shí)，不僅要求能夠考慮到單個(gè)特征的分辨度，而且要求能夠考慮到特征組合的特性。因此，本文將尋找一個(gè)特征子集，使其對油膜和類油膜的分類效果最優(yōu)。

為了得到最優(yōu)分類器，使錯(cuò)誤率最小，本文利用Fisher線性判別分析法[19]對所提取的特征的分類能力進(jìn)行判定。Fisher線性判別分析法是一種降低特征維數(shù)的方法，其基本思想是將高維空間中所有的樣本數(shù)據(jù)都投影到某個(gè)方向上，實(shí)現(xiàn)從高維向一維的壓縮，因此尋找投影直線的方向和實(shí)現(xiàn)投影的方法是解決問題的關(guān)鍵。希望在投影后的一維空間中，兩類樣本投影結(jié)果的均值的差距盡可能大一些，而使各類樣本內(nèi)部的離散程度盡可能小一些。各類別樣本可以分離是因?yàn)樗鼈兾挥谔卣骺臻g不同的區(qū)域，顯然這些區(qū)域之間距離越大類別可分性就越大。

定義下列矩陣[20]：

類內(nèi)散布矩陣

(1)

其中：Σi是ωi類的協(xié)方差矩陣Σi=E[(x-μi)(x-μi)T]；Pi是ωi類的先驗(yàn)概率。

類間散布矩陣

(2)

混合散布矩陣

Sm=E[(x-μ0)(x-μ0)T],

(3)

即Sm是全局均值向量的協(xié)方差矩陣。

由上述定義可得到下述準(zhǔn)則：

(4)

如果用行列式代替跡，則會(huì)產(chǎn)生另一個(gè)標(biāo)準(zhǔn)

(5)

(6)

其中μ1、μ2、σ1、σ2分別表示兩類特征的均值和方差。

由上述方法通過計(jì)算可得到油膜和類油膜兩類問題分類中單個(gè)特征的FDR值見表2，從表中可看出區(qū)分油膜和類油膜的單個(gè)特征FDR值最大的是暗斑(油膜或類油膜)的背景后向散射系數(shù)的標(biāo)準(zhǔn)差，下面將其作為選定的第一個(gè)特征，再尋找其它特征組成溢油探測的最優(yōu)特征子集。

表2 單一特征的判別準(zhǔn)則FDR排序Table 2 The features are sorted from big to small based on the FDR value of single feature

設(shè)已有d1(d1=1)個(gè)特征的特征集合Xd1(Xd1=X1)，對每一個(gè)未入選的特征ξj(即X-Xd1中的特征)計(jì)算準(zhǔn)則函數(shù)Jj=(X1,ξj)T。選擇使Jj值最大的那個(gè)特征，并將其加入集合Xd1中。重復(fù)以上步驟，直至Jj的值趨于穩(wěn)定。

通過計(jì)算，本文得到背景后向散射系數(shù)標(biāo)準(zhǔn)差、逆差距、能量和后向散射系數(shù)的均值4個(gè)特征組成溢油探測的最優(yōu)特征組合，這個(gè)組合的類間距與類內(nèi)距的比值最大。在下面的分類過程中，將利用該特征組合對油膜和類油膜進(jìn)行分類。

2 油膜與類油膜的分類

基于上面所得到的最優(yōu)特征組合，進(jìn)一步采用模式識(shí)別的方法對油膜和類油膜進(jìn)行分類。

2.1 基于Bagging的決策樹分類算法

決策樹是一種通過變量值的拆分建立分類規(guī)則，且利用樹形圖分割形成概念路徑的分類技術(shù)。節(jié)點(diǎn)分為根結(jié)點(diǎn)，內(nèi)部結(jié)點(diǎn)和葉結(jié)點(diǎn)三類層次，不同層次的結(jié)

點(diǎn)對應(yīng)不同的樣本子集，根結(jié)點(diǎn)對應(yīng)整個(gè)樣本集。根結(jié)點(diǎn)和內(nèi)部結(jié)點(diǎn)對屬性進(jìn)行測試，按照不同的判斷，將樹轉(zhuǎn)向不同的分枝，直到最后傳到葉結(jié)點(diǎn)。葉結(jié)點(diǎn)表示相應(yīng)的類別。因此，可理解為整個(gè)數(shù)據(jù)空間被決策樹劃分為若干子空間，樣本的類別就是其落到的某個(gè)子空間對應(yīng)的葉結(jié)點(diǎn)的類別。決策樹的構(gòu)造為先利用訓(xùn)練集生成決策樹，然后對決策樹進(jìn)行剪枝。一般從根結(jié)點(diǎn)開始，由上至下進(jìn)行遞歸，采用分而治之的策略，不斷地將訓(xùn)練樣本分割成子集。剪枝過程就是修剪樹結(jié)構(gòu)，從而刪除多余的分支。對樣本進(jìn)行分類時(shí)，從根結(jié)點(diǎn)開始對樣本的特征進(jìn)行測試，根據(jù)測試結(jié)果抵達(dá)下一個(gè)結(jié)點(diǎn)，不斷重復(fù)該過程直到抵達(dá)葉結(jié)點(diǎn)，葉結(jié)點(diǎn)的類別即為所預(yù)測的類別。

CART算法是一棵二叉樹，其提高了生成決策樹的效率。在創(chuàng)建分類樹遞歸過程中，選擇當(dāng)前數(shù)據(jù)集中具有最小Gini指標(biāo)的特征作為節(jié)點(diǎn)劃分決策樹。

Gini指標(biāo)定義為：

(7)

其中，p(j|t)為類別j在節(jié)點(diǎn)t處的概率。由(7)式可得，當(dāng)節(jié)點(diǎn)中的樣本屬于同一類別時(shí)，Gini指標(biāo)為零。若樣本集合T分為m個(gè)部分，則該樣本集合的平均Gini指標(biāo)為：

(8)

其中：m為子節(jié)點(diǎn)數(shù)；ni為子節(jié)點(diǎn)i處的樣本數(shù)；n為總樣本數(shù)。從所有平均Gini指標(biāo)中找到最小的，其對應(yīng)的特征和閾值就是最優(yōu)的分割特征。

為避免決策樹過擬合樣本，需要通過剪枝來進(jìn)行簡化。CART采用CCP(代價(jià)復(fù)雜度)剪枝方法，其選擇節(jié)點(diǎn)表面誤差率增益值最小的非葉子節(jié)點(diǎn)，刪除該非葉子節(jié)點(diǎn)的左右子節(jié)點(diǎn)，如果存在多個(gè)非葉子節(jié)點(diǎn)的表面誤差率增益值同樣小，則選擇非葉子節(jié)點(diǎn)中子節(jié)點(diǎn)數(shù)最多的非葉子

節(jié)點(diǎn)進(jìn)行剪枝。表面誤差率增益值定義為：

(9)

然而，決策樹分類器具有方差大的缺點(diǎn)，當(dāng)訓(xùn)練集發(fā)生較小變化時(shí)會(huì)產(chǎn)生不同的樹，這是由于分類樹多層性的特點(diǎn)，在頂層節(jié)點(diǎn)上發(fā)生的錯(cuò)誤會(huì)一直傳播并延續(xù)到葉子，因此決策樹是一種不穩(wěn)定的分類器。

Bagging是一種能提高不穩(wěn)定性分類器的分類精度的技術(shù)。其主要思想是：給定一不穩(wěn)定分類器和一訓(xùn)練集(x1,y1)，…，(xn,yn)，讓該分類器訓(xùn)練多輪，每輪的訓(xùn)練集是從初始訓(xùn)練集中有放回地隨機(jī)取出的n個(gè)訓(xùn)練數(shù)據(jù)組成的多個(gè)自助訓(xùn)練數(shù)據(jù)集，由于是有放回的采樣，將導(dǎo)致初始訓(xùn)練集中的某些數(shù)據(jù)沒有被選取，而某些數(shù)據(jù)被多次重復(fù)選取。將自助訓(xùn)練數(shù)據(jù)集視為訓(xùn)練數(shù)據(jù)集，訓(xùn)練不穩(wěn)定的分類器從而得到多個(gè)預(yù)測結(jié)果，最終的預(yù)測結(jié)果將采用投票的方式確定。

基于bagging的決策樹分類算法是一種提高決策樹這種弱分類器的分類精度的技術(shù)。通過采用Bagging算法進(jìn)行有放回地隨機(jī)抽取來構(gòu)造和訓(xùn)練集維數(shù)大小相同的多個(gè)自助訓(xùn)練集，從而構(gòu)造出多棵決策樹，最后將每棵決策樹得到的預(yù)測結(jié)果再進(jìn)行投票從而得到較為穩(wěn)定的分類結(jié)果。下面我們將采用該技術(shù)來對油膜和類油膜進(jìn)行分類。

2.2 油膜與類油膜的分類結(jié)果

本文結(jié)合決策樹CART算法和bagging技術(shù)開展了油膜和類油膜的分類，其算法流程圖如圖3所示。

圖3 基于bagging決策樹的油膜和類油膜分類算法流程圖Fig.3 The flow chart of the classification algorithm for oil spill discrimination

暗斑(油膜和類油膜)的總樣本數(shù)為138個(gè)，把所有樣本分為10等份，取其中的9份作為訓(xùn)練集，總樣本為測試集。將測試集輸入基于決策樹的bagging算法100次迭代后進(jìn)行測試，統(tǒng)計(jì)10次計(jì)算出現(xiàn)的結(jié)果如表3所示。

表3 油膜和類油膜分類結(jié)果

通過測試發(fā)現(xiàn)當(dāng)?shù)螖?shù)為100次，即將訓(xùn)練數(shù)據(jù)集有放回地取100次得到100個(gè)不同訓(xùn)練集，按照決策樹方法分類后，進(jìn)行100次投票，所得到的分類結(jié)果的精度趨于穩(wěn)定。然而，上述方法由于訓(xùn)練集中的數(shù)據(jù)有部分和測試數(shù)據(jù)相重合，因此，該結(jié)果僅能說明100次迭代的bagging決策樹算法分類結(jié)果的穩(wěn)定性，其分類精度有待進(jìn)一步討論。為了給出有效的分類結(jié)果，下面分別采用五折和十折交叉驗(yàn)證法對油膜和類油膜進(jìn)行了分類。

采用五折交叉驗(yàn)證法進(jìn)行分類，這里將油膜和類油膜樣本分為5等份，取其中的4份作為訓(xùn)練集，1份作為測試集，將測試集輸入基于決策樹的bagging算法100次迭代后進(jìn)行測試，統(tǒng)計(jì)循環(huán)測試5次計(jì)算出現(xiàn)的結(jié)果如表4所示：

表4 五折交叉驗(yàn)證法油膜和類油膜分類結(jié)果

采用經(jīng)典的十折交叉驗(yàn)證法進(jìn)行分類，這里將油膜和類油膜樣本分為10等份，取其中的9份作為訓(xùn)練集，1份作為測試集，將測試集輸入到基于決策樹的bagging算法100次迭代后進(jìn)行測試，統(tǒng)計(jì)循環(huán)測試10次計(jì)算出現(xiàn)的結(jié)果如表5所示：

表5 十折交叉驗(yàn)證法油膜和類油膜分類結(jié)果

表4和5分別給出了五折交叉驗(yàn)證和十折交叉驗(yàn)證法對油膜和類油膜進(jìn)行分類，可以看出，油膜和類油膜的分類精度都在85%以上，由于本文所用樣本的數(shù)據(jù)量較小，因此，這里有必要采用交叉驗(yàn)證法的方法進(jìn)行分類以獲取有效的分類精度。

表6 BP神經(jīng)網(wǎng)絡(luò)算法五折交叉驗(yàn)證法油膜和類油膜分類結(jié)果

表7 CART算法五折交叉驗(yàn)證法油膜和類油膜分類結(jié)果

為了比較說明本文所采用基于bagging決策樹的算法的有效性，我們將同樣的油膜和類油膜樣本采用經(jīng)典CART算法和BP神經(jīng)網(wǎng)絡(luò)算法進(jìn)行了分類，表6～9分別給出CART決策樹分類算法及BP神經(jīng)網(wǎng)絡(luò)分類算法的五折和十折交叉驗(yàn)證法油膜和類油膜分類結(jié)果。與表4～5給出的本文所采用的基于bagging決策樹算法的分類結(jié)果相比較，發(fā)現(xiàn)本文算法的分類結(jié)果無論是五折還是十折交叉驗(yàn)證法的油膜和類油膜的分類結(jié)果都優(yōu)于其它兩種分類方法的結(jié)果，這表明我們所采用的基于bagging決策樹的算法在SAR溢油探測上的可行性。

表8 BP神經(jīng)網(wǎng)絡(luò)算法十折交叉驗(yàn)證法油膜和類油膜分類結(jié)果

3 結(jié)論與分析

為了區(qū)分油膜和類油膜，本文采用Fisher判別率和序列前向搜索方法確立了背景后向散射系數(shù)標(biāo)準(zhǔn)差、逆差距、能量和后向散射系數(shù)的均值四個(gè)關(guān)鍵特征組成的最優(yōu)特征集，并采用基于bagging的決策樹模型，對油膜和類油膜進(jìn)行了分類，研究表明100次迭代，即通過有放回地抽樣100個(gè)不同的訓(xùn)練集，建立決策樹模型并進(jìn)行投票方式分類，分類的總精度趨于穩(wěn)定。進(jìn)一步，采用五折和十折交叉驗(yàn)證方法給出基于bagging的決策樹方法對油膜和類油膜分類的平均精度達(dá)到85%以上，且將文中所用基于bagging的CART決策樹分類算法與經(jīng)典CART決策樹分類算法及神經(jīng)網(wǎng)絡(luò)分類算法相比較，發(fā)現(xiàn)本文所用方法的分類精度較高。該方法為海上溢油SAR探測的業(yè)務(wù)化應(yīng)用提供了算法支持。

表9 CART算法十折交叉驗(yàn)證法油膜和類油膜分類結(jié)果

由于2011年蓬萊19-3溢油事故中所獲得的溢油SAR數(shù)據(jù)所限制，僅提取了138個(gè)油膜和類油膜樣本，為得到有效的分類精度，文中采用了五折和十折交叉驗(yàn)證的算法進(jìn)行分類，在未來的工作中，隨著獲取溢油SAR數(shù)據(jù)的增多，將不斷擴(kuò)大溢油和類油膜的樣本數(shù)目，以便于得到更為準(zhǔn)確的分類結(jié)果。另外，本文的計(jì)算結(jié)果與類油膜的種類沒有建立相應(yīng)關(guān)聯(lián)，在未來的工作中也將進(jìn)一步討論該問題。

[1]SolbergAHS,StorvikG,SolbergR,etal.AutomaticdetectionofoilspillsinERSSARimages[J].IEEETransactionsonGeoscienceandRemoteSensing,1999,37(4):1916-1924.

[2]SolbergAHS,BrekkeC,Hus?yP.OilspilldetectioninRadarsatandEnvisatSARimages[J].IEEETransactionsonGeoscienceandRemoteSensing,2007,45(3):746-755.

[3]FiscellaB,GiancasproA,NirchioF,etal.OilspilldetectionusingmarineSARimages[J].InternationalJournalofRemoteSensing,2000,21(18):3561-3566.

[4]LiF,ShenCM.Atwo-stagemethodforoilslicksegmentation[J].InternationalJournalofRemoteSensing,2010,31(15):4217-4226.

[5]AkarS,SüzenML,KaymakciN.Detectionandobject-basedclassificationofoffshoreoilslicksusingENVISAT-ASARimages[J].EnvironMonitAssess,2011,183:409-423.

[6] 周慧,陳澎.利用Mahalanobis距離的SAR圖像溢油識(shí)別[J].計(jì)算機(jī)工程與應(yīng)用,2011,47(18):195-203.ZhouH,ChenP.OilspillsidentificationinSARimageusingMahalanobisdistance[J].Computer Engineering and Applications,2011,47(18):195-203.

[7] 施永春.基于Adaboost的SAR圖像溢油檢測[J].電腦知識(shí)與技術(shù),2011,7(29):7252-7254.Shi Y C.Using Adaboost to detect oil spill in SAR images[J].Computer Knowledge and Technology,2011,7(29)：7252-7254.

[8] Topouzelis K,Psyllos A.Oil spill feature selection and classification using decision tree forest on SAR image data[J].ISPRS Journal of Photogrammetry and Remote Sensing,2012,68:135-143.

[9] Zhang Y Z,Lin H,Liu Q,et al.Oil-spill monitoring in the coastal waters of Hong Kong and Vicinity[J].Marine Geodesy,2012,35:93-106.

[10] 鄒亞榮,鄒斌,梁超,等.多元指標(biāo)的海上溢油信息提取[J].地球信息科學(xué)學(xué)報(bào),2012,14(2):265-269.Zhou Y R,Zou B,Liang C,et al.Multiple index information extraction of marine oil spills[J].Journal of Geo-Information Science,2012,14(2):265-269.

[11] Xu L L,Li J,Brenning A.A comparative study of different classification techniques for marine oil spill identification using RADARSAT-1 imagery[J].Remote Sensing of Environment,2014,141:14-23.

[12] Evtushenko N V,Ivanov A Y.Oil seeps in the southeastern Black Sea studied using satellite synthetic aperture radar images[J].Atmospheric and Oceanic Physics,2013,49(9):913-918.

[13] Garcia-Pineda O,MacDonald I R,Li X F,et al.Oil spill mapping and measurement in the Gulf of Mexico with textural classifier neural network algorithm (TCNNA) [J].IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing,2013,6(6):2517-2525.

[14] Singha S,Bellerby T J,Trieschmann O.Satellite oil spill detection using artificial neural networks[J].IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing,2013,6(6):2355-2363.

[15] Bandiera F,Masciullo A,Ricci G.A bayesian approach to oil slicks edge detection based on SAR data[J].IEEE Transactions on Geoscience and Remote Sensing,2014,52(5):2901-2909.

[16] Ivanov A Y,Kucheiko A A.Large discharges from ships in the Black Sea studied by synthetic aperture radar with the support of automated identification systems[J].International Journal of Remote Sensing,2014 ,35(14):5513-5526.

[17] Singha S,Vespe M,Trieschmann O.Automatic synthetic aperture radar based oil spill detection and performance estimation via a semi-automatic operational service benchmark[J].Marine Pollution Bulletin,2013,73(1):199-209.

[18] Marghany M.Automatic detection of oil spills in the Gulf of Mexico from RADARSAT-2 SAR satellite data[J].Environ Earth Sci,2015,74:5935-5947.

[19] Fisher R A.The use of multiple measurements in taxonomic problems [J].Annals of Eugenics,1936,7(2):179-188.

[20] Sergios Theodoridis,Konstantions Koutroumbas .Pattern Recognition,Fourth Edition[M].李晶皎,王愛俠,王驕,等譯.模式識(shí)別：第四版.北京：電子工業(yè)出版社,2010.

[21] Breiman L,Friedman J,Olshen R,et al.Classification and Regression Trees[M].Pacific Grove:wikipedia,1984.

[22] Srinivas M,Patnaik L M,Adaptive probabilities of crossover and mutation in genetic algorithms[J].IEEE Transactions on Systems Man and Cybernetics,1994,24(4):656-667

[23] Iyer S K,Saxenab B,Improved genetic algorithm for the permutation flow shop scheduling problem[J].Computers and Operations Research,2004,31(4):593-606.

[24] 陳云,戴錦芳,李俊杰,基于影像多種特征的CART決策樹分類方法及其應(yīng)用[J].地理與地理信息科學(xué),2008,24(2):33-36.Chen Y,Dai J F,Li J J,CART-based decision tree classifier Using multi-feature of image and its application[J].Geography and Geo-Information Science,2008,24(2):33-36.

[25] 張娜,張慶河，基于CART決策樹方法的MODIS數(shù)據(jù)海冰反演 [J].海洋通報(bào),2016,33(3):321-327.Zhang N,Zhang Q H.Retrievalof the sea ice area from MODIS data by CART decision tree method[J].Marine Science Bulletin,2016,33(3):321-327.

[26] Breiman L.Bagging predictors[J].Machine Learning,1996,24:123-140.

[27] 秦姣龍,王蔚.Bagging 組合的不平衡數(shù)據(jù)分類方法[J].Computer Engineering,2011,37(14):178-182.Qin J L,Wang W.Imbalanced data classification method for bagging combination[J].Computer Engineering,2011,37(14):178-182.

責(zé)任編輯 陳呈超

Study of Oil Spill Detection on SAR Images

ZHANG Yan-Min，XU Zhuo，XU Feng

(College of Information Science and Engineering,Ocean University of China,Qingdao 266100,China)

Discriminating oil spills from lookalike phenomena is a crucial procedure in oil spill detection.To achieve this purpose,three-step approach is taken in general:firstly,features of oil spills and lookalikes are extracted; then,key features which are beneficial to the oil spill classification are screened out; finally,effective classifier is built and pattern recognition method is used to conduct classification.In this paper,16 kinds of features which include geometric features,surrounding features,backscattering features and textural features of 138 oil spills and lookalikes are extracted from 15 SAR images.The images were acquired during Penglai 19-3 Platform oil spill accident in 2011.The 16 features are sorted from big to small based on the FDR value of the single feature.We find that the standard deviation of backscattering coefficient of the backgrounds has larger FDR value.Therefore,it can be selected as the first feature.Then,the forward selection method of sequential search method are used to determinate the optimal feature subset for oil spill detection.We find that the standard deviation of backscattering coefficient of the backgrounds,inverse difference moment,energy and the mean value of backscattering coefficient can be selected as the optimal feature subset in this work.CART(Classification And Regression Tree) is a kind of binary decision tree which is helpful to improve efficiency of generating tree.However,the disadvantage of the decision tree classifier is that the variance of classification results is quite high.So the decision tree classifier is an unstable classifier.While for bagging algorithm,the only real training set in practice are divided into different training sets through resampling methods.And that is benefit for improving the unstable classifier performance.The bagging method based on decision-making tree combines massive calculation of single classifiers which is helpful to improve the accuracy of oil spill detection.In this paper,we combine CART with bagging algorithm to classify the oil spills from look-alike.Multiple training data sets with the same size are generated by random selection,and then several decision tree models can be established.So the oil spills and lookalikes can be classified by voting.The experiment results show that,the classification accuracy tends to be stable through 100 iterations.In order to get effective classification results,five-fold and ten-fold cross validation are employed to evaluate the classification results,and the results show that the average classification accuracy of oil spills and lookalikes is above 85%.At last,we compared the CART that based on bagging algorithm with conventional CART and BP Neural network classification algorithm for oil spill discrimination.We find that the classification accuracy of our method is higher than the other two methods,which indicates that the effectiveness of our method in oil spill detection on SAR image.

Synthetic Apeture Radar(SAR); feature selection; oil spill classification; decision tree; bagging

海洋公益性科研專項(xiàng)(201505002)；國家自然科學(xué)基金項(xiàng)目(61501520)資助

Supported by the Public Science and Technology Research Funds Projects of Ocean(201505002)；the National Natural Science Foundation of China (61501520)

2016-09-15;

2016-11-20

張彥敏(1979-)，女，副教授。E-mail:zhangyanmin79@163.com

TP722.6

A

1672-5174(2017)02-106-10

10.16441/j.cnki.hdxb.20160196

張彥敏，徐卓，旭鋒.海上溢油合成孔徑雷達(dá)探測研究[J].中國海洋大學(xué)學(xué)報(bào)(自然科學(xué)版),2017,47(2):106-115.

ZHANG Yan-Min，XU Zhuo，XU Feng.Study of oil spill detection on SAR images[J].Periodical of Ocean University of China,2017,47(2):106-115.