基于特征值的SAR图像溢油识别方法

摘要

本发明公开了一种基于特征值的SAR图像溢油识别方法，其特征在于包括如下步骤：a、选取待识别的SAR图像进行处理；b、用改进的C-V模型对图像进行边缘检测确定目标边界；c、提取目标后进行特征值的量算；d、采用Mahalanobis距离和复合概率法对目标物进行识别：e、通过步骤d中两种方法对暗区的图像是否为溢油进行判断。该技术方案，利用合成孔径雷达(SAR)可在日夜及全天候条件下进行高分辨率溢油监测的优点；选取的特征值数量少且对于判定是否为溢油较其他传统特征量(如面积、周长等)效果明显；利用Mahalanobis距离和复合概率法，算法简单，易于实现；有利于在计算机上编程实现。

主权项

1.一种基于特征值的SAR图像溢油识别方法，其特征在于包括如下步骤：a、选取待识别的SAR图像，截取SAR图像中待判目标物的有效区域，即截取图像的目标区及其附近的有限区域背景作为待处理对象；b、用改进的C-V模型对图像进行边缘检测确定目标边界，提取目标边界，即识别暗区，具体实现如下：其中，μ≥0，υ≥0，λ₁＞0，λ₂＞0的参数，C为一逐渐逼近暗区边缘的轮廓线，c1，c2分别表示曲线C内部区域和外部区域的平均灰度，length算子计算C曲线的周长，inside算子计算C曲线内部，Area算子计算面积，第(1)项使曲线C保持一定的正则性，第(2)项使曲线C逐渐靠近物体的边缘，利用初始轮廓线C建立符号距离函数矩阵，在轮廓线内部为正，外部为负，通过函数变化，轮廓线不断靠近边缘，最终在边缘处停止，周围点符号相反的点就是边缘点；c、提取目标，将目标物与背景分离后，对目标的特征值进行提取并进行量算，具体特征值的量算如下：①.边界外亮度标准差比：暗区外的雷达平均后向散射强度与其标准差之比；②.边界外雷达后向散射：在目标区外的一个限定区域内的雷达界面后向散射均值；③.暗区雷达后向散射：区域内灰度平均值；④.暗区标准差：暗区内后向散射标准差；⑤.标准差比：暗区内外后向散射标准差之比；⑥.形状因数：区域内灰度在其纵向轴上的离差；⑦.亮度比：暗区内部以及外部限定区域内的后向散射均值的比率；⑧.暗区亮度标准差比：暗区内部后向散射强度与灰度标准差之比； 上述求得的特征值组成向量x，x＝[x1，x2，...xi]^T ，i＝8；d、采用Mahalanobis距离和复合概率法对目标物进行识别：首先将目标物的特征与已知的溢油模板相比较，已知图像目标区的特征向量x＝[x₁，x₂，…，x_i]^T，i为步骤c中特征值的个数，x_i是步骤c中进行量算的特征值，特征向量m_j，其中j＝1，2，为两个已知的分类即溢油和“相似物”，先求出特征向量x的协方差矩阵然后根据公式r²_j＝(x-m_j)^TC^-1(x-m_j)求出图像目标区的特征向量x同已知的分类即溢油和“相似物”的特征向量m_j(j＝1，2)之间的Mahalanobis距离；然后对处于暗区中的目标物属于溢油区或“相似物”中的一类进行复合概率的计算，考虑图像共有特征值i个，i＝1，2，...，8，其中第i个特征值是溢油的概率为p_i(x_i)、是“相似物”的概率为q_i(x_i)，然后利用函数得出溢油类的复合概率p；e、通过步骤d中两种方法对暗区的图像是否为溢油进行判断，首先对特征进行Mahalanobis距离判别，若r1＜r2，则判断x属于溢油，反之则为相似物，r1为目标物同已知的分类溢油之间的Mahalanobis距离，r2为目标物同已知的分类“相似物”之间的Mahalanobis距离，如果x与两个分类的Mahalanobis距离相差不大，则利用上述函数求出复合概率p作进行进一步判断，对于复合概率在67％-100％的确定为溢油，复合概率在33％以下的为“相似物”，介于34％和66％之间的不能确定是否为溢油。