摘要：針對目前合成孔徑雷達(dá)(Synthetic Aperture Radar，SAR)監(jiān)測溢油存在的問題，在分類時(shí)考慮像元灰度的空間分布和結(jié)構(gòu)特征；同時(shí)考慮分類時(shí)樣本不足的缺陷，采用結(jié)合紋理的支持向量機(jī)(Support Vector Machine，SVM)遙感圖像分類方法，進(jìn)行溢油目標(biāo)的識別。以發(fā)生在西班牙的“威望號”溢油事件為例，利用目標(biāo)樣本對以灰度共生矩陣法提取各種紋理特征進(jìn)行了分析，指出均值、對比度、方差、熵和相異性能夠較好地識別溢油目標(biāo)。采用最小距離、最大似然和SVM分類器分別對溢油目標(biāo)進(jìn)行提取，結(jié)果表明SVM具有較好的分類精度。

關(guān)鍵詞：水路運(yùn)輸；溢油；合成孔徑雷達(dá)；紋理；支持向量機(jī)

隨著航運(yùn)業(yè)的發(fā)展，船舶溢油已經(jīng)成為海洋生態(tài)環(huán)境的重要威脅之一，溢油事故的頻發(fā)不僅給海洋環(huán)境，而且給沿岸經(jīng)濟(jì)、人民生活帶來了嚴(yán)重影響。溢油事故一旦發(fā)生，有必要及時(shí)采取應(yīng)急措施，因此，溢油事故的動態(tài)監(jiān)測至關(guān)重要。

SAR(Synthetic Aperture Radar)工作在微波波段，能夠不受氣候條件的限制，對地面目標(biāo)實(shí)行全天侯全時(shí)段觀測，在溢油監(jiān)測領(lǐng)域受到了廣泛應(yīng)用M。目前，利用SAR監(jiān)測溢油目標(biāo)的最大困難在于除了受海況條件影響外，還有假目標(biāo)的干擾。傳統(tǒng)的SAR監(jiān)測溢油，主要依賴于目標(biāo)物的灰度信息，無法解決假目標(biāo)的識別(比如，生物膜、低風(fēng)速區(qū)等)，大大限制了SAR監(jiān)測溢油的應(yīng)用。

SAR圖像成像不同于光學(xué)圖像成像，它能更有效地反映地物的結(jié)構(gòu)信息。目前，用于溢油監(jiān)測的SAR影像，多為單波段單極化數(shù)據(jù)，盡管ENVISAT衛(wèi)星提供了雙極化數(shù)據(jù)，但目標(biāo)的識別還是限于利用灰度信息和紋理信息。在利用SAR溢油監(jiān)測時(shí)，比較普遍關(guān)心的問題是哪種紋理適用于識別溢油目標(biāo)。另一方面，現(xiàn)有的分類方法多基于統(tǒng)計(jì)模式識別理論，是建立在大數(shù)法則的基礎(chǔ)之上，也就是說，在樣本數(shù)趨于無窮的情況下，才能獲得理想的分類效果。而在多數(shù)的實(shí)際應(yīng)用過程中，樣本數(shù)通常是有限的，這些方法難以取得理想的效果。

以“威望號”溢油事件為例，利用灰度共生矩陣法提取各種紋理特征，分析了各種紋理特征識別目標(biāo)物的能力，考慮到傳統(tǒng)分類方法的不足，構(gòu)建了結(jié)合紋理特征的SVM(Support Vector Machine)分類模型對溢油目標(biāo)進(jìn)行提取，結(jié)果表明該方法具有較好的溢油監(jiān)測精度。

1結(jié)合紋理特征SVM分類器的構(gòu)建

1．1紋理特征

如果SAR數(shù)據(jù)是單波段單極化數(shù)據(jù)，除了灰度信息，紋理是用來進(jìn)行目標(biāo)識別的主要特征。目前，已經(jīng)發(fā)展了各種紋理特征。本文選擇從圖像有關(guān)屬性的統(tǒng)計(jì)分析出發(fā)的灰度共生矩陣來計(jì)算紋理特征(見表1)。

表l灰度共生矩陣紋理特征統(tǒng)計(jì)量表

表1中：

1)均值特征為模板中像元灰度的均值；

2)對比度特征反映圖像紋理的粗細(xì)度，表征了一定位置關(guān)系下的像素對的灰度反差。在目標(biāo)物邊緣處和非勻質(zhì)區(qū)域，都具有較高的亮度值；

3)角二階矩特征度量圖像灰度分布均勻性和紋理粗細(xì)度。圖像均勻、細(xì)致時(shí)，具有較高的亮度值。反之，亮度值低；

4)協(xié)同性特征是圖像分布平滑性的測度。對于勻質(zhì)區(qū)域，具有較高亮度值。反之，亮度值低；

5)方差和相異性特征反映圖像的不均勻性。對于勻質(zhì)區(qū)域，亮度值低。反之，亮度值高；

6)熵特征是反映圖像信息量的指標(biāo)之一。對于粗紋理區(qū)域，圖像的均勻性好，亮度值就低。反之，亮度值高；

7)相關(guān)性特征描述了圖像紋理元在一定位置關(guān)系下的相似程度。相似度高，圖像亮度高，其更能反映非勻質(zhì)區(qū)域的差別。

1．2SVM的基本原理

SVM的基本思想是：構(gòu)造最優(yōu)超平面，將兩類樣本正確分開，并且使兩類的分類間隔最大，VC(Vapnik-Cheervonenkis)維最小，實(shí)現(xiàn)真實(shí)風(fēng)險(xiǎn)最小。對非線性問題，把樣本非線性映射到高維度空間，在高維度空間建立具有低VC維的最優(yōu)分類超平面。SVM綜合考慮經(jīng)驗(yàn)風(fēng)險(xiǎn)和置信范圍的大小，根據(jù)結(jié)構(gòu)風(fēng)險(xiǎn)最小化原則，獲得風(fēng)險(xiǎn)上界最小的分類函數(shù)。在線性可分的情況下，通過求解一個(gè)約束條件下的極值問題，得到最優(yōu)分類函數(shù)：

(1)

式(1)中：sgn[]為符號函數(shù)，ai*為最優(yōu)解，b*為分類閾值。

對于線性不可分的情形，通過映射，在高維度空間中構(gòu)建最優(yōu)超平面。Vapnik提出核函數(shù)的概念，避免了直接在高維空間中對映射后的樣本進(jìn)行操作，降低了計(jì)算量。對于滿足Mercer條件的核函數(shù)K(xi，x)，最優(yōu)分類函數(shù)為：

(2)

目前常用的核函數(shù)有：

1)線性核函數(shù)(Linear)；

2)多項(xiàng)式核函數(shù)(Polynomial)；

3)徑向基核函數(shù)(Radian Basis Function，RBF)；

4)S形核函數(shù)(Sigmoid)。

1．3 SVM核函數(shù)的選擇及參數(shù)的確定

從上節(jié)可以看出，選擇的核函數(shù)不同，對應(yīng)著不同的最優(yōu)分類超平面，從而生成不同形式的支持向量機(jī)。對于線性核函數(shù)，實(shí)際上是在輸入空間構(gòu)造分類超平面，分類能力有限。如果采用多項(xiàng)式核函數(shù)，雖然分類能力隨著冪的增加而增加，但計(jì)算量也將逐漸增加。S型核函數(shù)分類能力強(qiáng)，但不一定是正定的，且需要制定兩個(gè)參數(shù)，缺乏直觀性，所以使用不方便。徑向基核函數(shù)分類能力不低于高階多項(xiàng)式核函數(shù)和S型核函數(shù)，而且可以視線性核函數(shù)為其特殊情況。因此，采用RBF核函數(shù)，SVM可以在非常寬泛的函數(shù)集中選擇最優(yōu)的分類函數(shù)；RBF的另一個(gè)優(yōu)點(diǎn)在于它只有一個(gè)核參數(shù)(γ)。本文在設(shè)計(jì)SVM分類器時(shí)，選擇RBF核函數(shù)。

對于參數(shù)的確定，主要指RBF核函數(shù)的兩個(gè)參數(shù)C(懲罰系數(shù))和γ。本文采用交叉檢驗(yàn)來確定這兩個(gè)參數(shù)。即將整個(gè)訓(xùn)練數(shù)據(jù)分為n等份，每次采用，n-1份作為訓(xùn)練集，剩余的一份作為測試集，然后依次輪轉(zhuǎn)，直到每等份都做過一次測試集。試驗(yàn)多對(C，γ)，得到它們的分類準(zhǔn)確率，從中選擇性能最好的一對。采用交叉檢驗(yàn)?zāi)軌蚍乐惯^度適應(yīng)的問題。

1．4結(jié)合紋理特征的SVM分類模型構(gòu)建

基于上述思想可構(gòu)建結(jié)合紋理特征的SVM分類模型，見圖1。其主要流程包括：

1)對于SAR影像，預(yù)處理工作主要指幾何校正和輻射定標(biāo)；

2)紋理提取工作，一方面包括紋理特征的計(jì)算，另一方面包括選擇溢油敏感的紋理特征；

3)SVM訓(xùn)練主要是基于選擇的紋理特征，選取訓(xùn)練樣本，建立判別函數(shù)；以此對提取的紋理特征進(jìn)行分類，獲取溢油目標(biāo)；

圖1 SVM分類模型構(gòu)建

2實(shí)驗(yàn)結(jié)果與分析

選擇2002-11-17的一景ENVISAT ASARi(Advanced SAR)數(shù)據(jù)，該數(shù)據(jù)包含了2002-11-13發(fā)生在西班牙附近海岸的“威望號”溢油污染事故。ASAR工作在C波段，本次采用的數(shù)據(jù)為寬帶模陸，采用垂直極化模式，空間分辨率150m。

ASAR WS模式數(shù)據(jù)的預(yù)處理利用歐空局提供融BEST工具完成，對數(shù)據(jù)進(jìn)行了輻射定標(biāo)，為了保留紋理信息，沒有對數(shù)據(jù)進(jìn)行濾波處理(見圖2)。

從圖2我們可以明顯看到圖像中部的溢油，顏色呈黑色。白色區(qū)域?yàn)殛懙?，沿著白色區(qū)域的黑色部分，主要為由于陸地存在造成的背風(fēng)區(qū)。圖像中其他部分為海面，我們從色調(diào)上觀察可以發(fā)現(xiàn)，有些海面色調(diào)較亮，有些成暗色，這都與海面風(fēng)浪情況有關(guān)。

圖2研究區(qū)

2．1紋理特征提取

1)滑動窗口選擇，為了不影響圖像的紋理信息，不對SAR數(shù)據(jù)進(jìn)行濾波處理。在紋理窗口選擇上，根據(jù)Dekker R．J．和梁小煒等人的研究，選擇15×15。

2)步長選擇，本文采用d=l的步長，即中心像元與之直接臨近的像元做運(yùn)算和比較。

3)方向選擇，通常θ方向取0°、45°、90°、135°等4個(gè)方向。在遙感影像上，地面情況復(fù)雜，方向性不明顯。本文取這4個(gè)方向的平均值。

4)量化等級，實(shí)驗(yàn)表明32和16灰階對紋理特征沒有明顯影響，因此，量化等級為16。紋理特征的計(jì)算結(jié)果見圖3。

2．2特征選擇

根據(jù)圖2，分別選取了四類樣本：海水1、海水2、假目標(biāo)、溢油(見圖4)。四種樣本的8種紋理特征值大小比較，如圖5所示。

圖3紋理特征

圖4樣本

圖5紋理特征值大小比較

根據(jù)圖5可以發(fā)現(xiàn)，不同紋理特征識別樣本類別的能力不一，其中效果最好的是均值特征，而角二階矩、協(xié)同性和相關(guān)性在區(qū)分這四類目標(biāo)的能力上最差。因此，在分類時(shí)，選擇均值、對比度、方差、熵和相異性作為輸入分類器的特征。

2．3分類結(jié)果

在利用SVM分類器對溢油信息提取時(shí)，同時(shí)與最小距離和最大似然分類的結(jié)果進(jìn)行了比較。需要說明的是，利用3個(gè)分類器進(jìn)行溢油信息提取時(shí)，采用的訓(xùn)練樣本一致，結(jié)果見圖6。為了保證計(jì)算速度，對原圖范圍做了剪裁。

圖6 a-最小距離分類器 b-最大似然分類器 c-SVM分類器

2．4分析

利用均值、對比度、方差、熵和相異性作為分類器的輸入特征，采用SVM分類器進(jìn)行分類，獲取了溢油目標(biāo)，不提取其他目標(biāo)。由于沒有實(shí)地的具體數(shù)據(jù)，關(guān)于溢油識別精度主要從定性的角度分析。從3種分類器的分類結(jié)果，明顯看到最小距離分類器的分類效果最差，最大似然分類發(fā)在陸地邊緣將很多被背風(fēng)區(qū)域識別為溢油，而SVM分類法的溢油識別效果較最小距離和最大似然分類器的都好口需要指出的是結(jié)合紋理特征的SVM分類模型對于陸地附近背風(fēng)區(qū)形成的黑色區(qū)域并沒有被識別為溢油，反映了該方法具有區(qū)別假目標(biāo)的能力。

3結(jié)語

本文基于灰度共生矩陣進(jìn)行紋理特征的提取，根據(jù)研究區(qū)的樣本對各種紋理特征進(jìn)行了分析和評價(jià)，指出均值、對比度、方差、熵和相異性可以較好地識別溢油目標(biāo)，并作為分類器的輸入特征。考慮到傳統(tǒng)分類方法是基于樣本趨于無窮大的漸進(jìn)理論，而在實(shí)際問題中，樣本數(shù)量往往是有限的，本文構(gòu)建了結(jié)合紋理特征的SVM分類模型對溢油目標(biāo)進(jìn)行提取。同時(shí)，選擇了最小分類器和最大似然分類器進(jìn)行溢油探測，結(jié)果表明，結(jié)合紋理特征的SVM分類模型具有較好的監(jiān)測精度。

目前，SAR溢油監(jiān)測的研究主要關(guān)注于如何提取目標(biāo)物的特征。然而，限于現(xiàn)有的技術(shù)和數(shù)據(jù)，特征提取的效果已經(jīng)非常有限。隨著，高性能、先進(jìn)SAR傳感器的升空，獲取溢油目標(biāo)的全極化信息已成為可能，這對于提高溢油監(jiān)測精度具有重要的意義，這也是星載SAR應(yīng)用的一個(gè)重要領(lǐng)域。

作者：馬龍，李穎，牛瑩  來源：中國航海