基于SAR图像的海面溢油检测研究

发布时间：2017-03-28 22:10

  本文关键词：基于SAR图像的海面溢油检测研究，由笔耕文化传播整理发布。

【摘要】：近年来海洋环境受到了来自海上运输船只漏油和海上石油钻井平台泄漏的严重威胁,世界各国纷纷加强了海洋环境监控,建立了全天时的海面溢油检测识别系统。随着卫星遥感技术的进步,SAR(Synthetic Aperture Radar)技术由于其全天时、全天候的特征,已被证明是一种有效的海洋环境监控手段,SAR卫星遥感图像结合各种图像处理技术,可以比较准确地检测识别出海面上大面积的非自然产生的油膜,为及时发现、快速处理漏油事故提供了有力的支持。本文针对基于SAR的溢油检测关键问题,如对图像预处理、溢油疑似区域提取、目标识别、虚警剔除等进行了深入的研究。本文的主要研究成果如下:在图像分割部分,本文提出一种基于分水岭同质区划分的改进CV(Chan-Vese)模型的SAR图像分割方法,在包含陆地、海面及海面溢油区域的SAR大视场图像中提取候选溢油区域。首先对图像进行预处理,使用Gamma MAP(maximum a posteriori)自适应滤波对SAR图像的斑点噪声进行抑制;其次利用分水岭算法进行标号得到大致的同质区,通过填充处理,使图像仅包含海面和溢油区;最后使用基于CV模型的分割方法得到候选溢油区域。针对SAR图像在成像时灰度信息不均匀可导致CV算法失败的现象,引入基于平滑灰度的信息,提出了改进的CV算法,使CV分割算法对噪声的影响有所降低。针对SAR图像溢油检测的大视场、复杂性高的问题,本文提出以视觉词袋模型为目标检测关键技术的复杂场景SAR图像溢油检测方法。首先从SAR图像中提取出兴趣区域,提取图像的低层特征,然后利用K-means聚类方法将低层特征构建为视觉词典。其次选择标记的溢油SAR图像和非溢油SAR图像作为图像的训练样本,提取样本图像兴趣区域的低层特征,并在已经建立的视觉词典中找到与之匹配的视觉单词,统计两种样本的视觉单词频率直方图。最后设计一种合适的分类器,实现对SAR图像中提取的兴趣区域进行溢油区域识别。通过对视觉词袋在SAR图像理解中的应用分析和研究,为后续对SAR图像的高级语义理解的深入研究工作奠定良好的基础。最后,本文提出了基于上下文思想构建马尔科夫随机场(Markov random field,MRF)的溢油检测方法,充分利用图像中的上下文信息实现对图像中目标的识别和分割,结合上下文关系和目标自身特征与噪声的差异性形成了一种虚警剔除的方法。通过运用马尔科夫概率统计模型来描述各个局部像素点或像素块的邻域系统之间的上下文的概率关系,基于马尔科夫随机场和吉布斯(Gibbs)分布的等效原理建立SAR图像的溢油数据统计模型,根据局部概率和全局概率按照条件迭代的算法求得最大后验概率的最佳解的分割。重点讨论和论证了初始标号场对于马尔科夫随机场上下文模型的影响和改进,通过视觉凸显图建立初始标号场,通过视觉金字塔建立SAR图像的多尺度的大视场分析;并对吉布斯分布中的切分函数的能量函数的势函数参数进行了详尽的讨论与实验分析论证。实验验证本方法不但可以准确地进行分割和检测,加强了对噪声和虚警的抑制作用,而且使高分辨率小尺度的SAR图像的纹理细节信息得到了很好的保存。
【关键词】：SAR 溢油检测 图像分割 特征提取 图像分类 视觉词袋 上下文 马尔科夫随机场
【学位授予单位】：北京理工大学
【学位级别】：博士
【学位授予年份】：2015
【分类号】：X87
【目录】：

• 摘要5-7
• Abstract7-15
• 第1章 绪论15-24
• 1.1 研究背景15-17
• 1.2 国内外溢油检测研究的进展17-21
• 1.2.1 SAR卫星技术的发展17-20
• 1.2.2 国内外溢油检测研究进展20-21
• 1.3 本文主要研究内容和结构安排21-24
• 第2章 溢油检测的关键技术及框架24-37
• 2.1 合成孔径雷达简介24-27
• 2.1.1 SAR基础24-26
• 2.1.2 SAR成像特征26-27
• 2.2 基于SAR成像的溢油检测处理关键技术27-34
• 2.2.1 溢油检测原理27-28
• 2.2.2 溢油检测处理流程28-29
• 2.2.3 暗斑区域提取29-30
• 2.2.4 特征提取30-31
• 2.2.5 图像分类判断溢油区域31-33
• 2.2.6 溢油检测研究系统的评估问题33-34
• 2.3 一种层次化的溢油区域提取方法34-36
• 2.4 本章小结36-37
• 第3章 结合分水岭算法和改进CV算法的图像分割方法37-54
• 3.1 引言37-38
• 3.2 SAR图像滤波38-40
• 3.2.1 常用滤波方法38
• 3.2.2 滤波结果及分析38-40
• 3.3 SAR图像分割40-43
• 3.3.1 SAR图像分割定义40-41
• 3.3.2 SAR图像分割经典算法41-43
• 3.4 基于局部的CV模型SAR图像分割算法43-53
• 3.4.1 主动轮廓模型43-44
• 3.4.2 水平集方法44-45
• 3.4.3 分水岭算法简介45-46
• 3.4.4 CV模型46-48
• 3.4.5 改进CV算法48-49
• 3.4.6 算法流程49-50
• 3.4.7 实验结果与分析50-53
• 3.5 本章小结53-54
• 第4章 基于视觉词袋模型的疑似溢油提取54-86
• 4.1 引言54-56
• 4.2 视觉词袋模型56-72
• 4.2.1 提取兴趣区域56-57
• 4.2.2 SAR溢油低层特征分析57-66
• 4.2.3 特征提取以及结果分析66-71
• 4.2.4 构建视觉词典71-72
• 4.3 分类器设计72-81
• 4.3.1 支持向量机SVM74-75
• 4.3.2 核函数75-80
• 4.3.3 基于多核学习的溢油区域判别80-81
• 4.4 实验验证81-85
• 4.4.1 实验设置81-82
• 4.4.2 支持向量机惩罚参数C对检测性能影响82-83
• 4.4.3 实验仿真结果83-85
• 4.5 本章小结85-86
• 第5章 基于上下文思想构建马尔科夫场的溢油识别方法86-116
• 5.1 引言86-89
• 5.1.1 传统的图像分割87-88
• 5.1.2 上下文分割与虚警剔除88-89
• 5.1.3 如何运用上下文模型89
• 5.2 图像分割中的马尔科夫随机场89-103
• 5.2.1 邻域系统与子团90-92
• 5.2.2 马尔科夫随机场数学模型92-103
• 5.3 ICM（条件迭代模型）MRF SAR图像溢油检测103-115
• 5.3.1 高斯粘合模型在马尔科夫随机场中的应用106-107
• 5.3.2 势函数参数与初始标号场107-115
• 5.4 本章小结115-116
• 第6章 总结与展望116-120
• 6.1 本文研究工作总结116-118
• 6.2 进一步工作展望118-120
• 参考文献120-129
• 攻读学位期间发表论文与研究成果清单129-130
• 致谢130-131
• 作者简历131

  本文关键词：基于SAR图像的海面溢油检测研究，由笔耕文化传播整理发布。

，

本文编号：273113