摘要：針對目前合成孔徑雷達(Synthetic Aperture Radar，SAR)監測溢油存在的問(wèn)題，在分類(lèi)時(shí)考慮像元灰度的空間分布和結構特征；同時(shí)考慮分類(lèi)時(shí)樣本不足的缺陷，采用結合紋理的支持向量機(Support Vector Machine，SVM)遙感圖像分類(lèi)方法，進(jìn)行溢油目標的識別。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。采用最小距離、最大似然和SVM分類(lèi)器分別對溢油目標進(jìn)行提取，結果表明SVM具有較好的分類(lèi)精度。

關(guān)鍵詞：水路運輸；溢油；合成孔徑雷達；紋理；支持向量機

隨著(zhù)航運業(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、人民生活帶來(lái)了嚴重影響。溢油事故一旦發(fā)生，有必要及時(shí)采取應急措施，因此，溢油事故的動(dòng)態(tài)監測至關(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，對地面目標實(shí)行全天侯全時(shí)段觀(guān)測，在溢油監測領(lǐng)域受到了廣泛應用M。目前，利用SAR監測溢油目標的最大困難在于除了受海況條件影響外，還有假目標的干擾。傳統的SAR監測溢油，主要依賴(lài)于目標物的灰度信息，無(wú)法解決假目標的識別(比如，生物膜、低風(fēng)速區等)，大大限制了SAR監測溢油的應用。

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構信息。目前，用于溢油監測的SAR影像，多為單波段單極化數據，盡管ENVISAT衛星提供了雙極化數據，但目標的識別還是限于利用灰度信息和紋理信息。在利用SAR溢油監測時(shí)，比較普遍關(guān)心的問(wèn)題是哪種紋理適用于識別溢油目標。另一方面，現有的分類(lèi)方法多基于統計模式識別理論，是建立在大數法則的基礎之上，也就是說(shuō)，在樣本數趨于無(wú)窮的情況下，才能獲得理想的分類(lèi)效果。而在多數的實(shí)際應用過(guò)程中，樣本數通常是有限的，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物的能力，考慮到傳統分類(lèi)方法的不足，構建了結合紋理特征的SVM(Support Vector Machine)分類(lèi)模型對溢油目標進(jìn)行提取，結果表明該方法具有較好的溢油監測精度。

1結合紋理特征SVM分類(lèi)器的構建

1．1紋理特征

如果SAR數據是單波段單極化數據，除了灰度信息，紋理是用來(lái)進(jìn)行目標識別的主要特征。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)屬性的統計分析出發(fā)的灰度共生矩陣來(lái)計算紋理特征(見(jiàn)表1)。

表l灰度共生矩陣紋理特征統計量表

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度，表征了一定位置關(guān)系下的像素對的灰度反差。在目標物邊緣處和非勻質(zhì)區域，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度。圖像均勻、細致時(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之一。對于粗紋理區域，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)區域的差別。

1．2SVM的基本原理

SVM的基本思想是：構造最優(yōu)超平面，將兩類(lèi)樣本正確分開(kāi)，并且使兩類(lèi)的分類(lèi)間隔最大，VC(Vapnik-Cheervonenkis)維最小，實(shí)現真實(shí)風(fēng)險最小。對非線(xiàn)性問(wèn)題，把樣本非線(xiàn)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(lèi)超平面。SVM綜合考慮經(jīng)驗風(fēng)險和置信范圍的大小，根據結構風(fēng)險最小化原則，獲得風(fēng)險上界最小的分類(lèi)函數。在線(xiàn)性可分的情況下，通過(guò)求解一個(gè)約束條件下的極值問(wèn)題，得到最優(yōu)分類(lèi)函數：

(1)

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

對于線(xiàn)性不可分的情形，通過(guò)映射，在高維度空間中構建最優(yōu)超平面。Vapnik提出核函數的概念，避免了直接在高維空間中對映射后的樣本進(jìn)行操作，降低了計算量。對于滿(mǎn)足Mercer條件的核函數K(xi，x)，最優(yōu)分類(lèi)函數為：

(2)

目前常用的核函數有：

1)線(xiàn)性核函數(Linear)；

2)多項式核函數(Polynomial)；

3)徑向基核函數(Radian Basis Function，RBF)；

4)S形核函數(Sigmoid)。

1．3 SVM核函數的選擇及參數的確定

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

對于參數的確定，主要指RBF核函數的兩個(gè)參數C(懲罰系數)和γ。本文采用交叉檢驗來(lái)確定這兩個(gè)參數。即將整個(gè)訓練數據分為n等份，每次采用，n-1份作為訓練集，剩余的一份作為測試集，然后依次輪轉，直到每等份都做過(guò)一次測試集。試驗多對(C，γ)，得到它們的分類(lèi)準確率，從中選擇性能最好的一對。采用交叉檢驗能夠防止過(guò)度適應的問(wèn)題。

1．4結合紋理特征的SVM分類(lèi)模型構建

基于上述思想可構建結合紋理特征的SVM分類(lèi)模型，見(jiàn)圖1。其主要流程包括：

1)對于SAR影像，預處理工作主要指幾何校正和輻射定標；

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

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

圖1 SVM分類(lèi)模型構建

2實(shí)驗結果與分析

選擇2002-11-17的一景ENVISAT ASARi(Advanced SAR)數據，該數據包含了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，本次采用的數據為寬帶模陸，采用垂直極化模式，空間分辨率150m。

ASAR WS模式數據的預處理利用歐空局提供融BEST工具完成，對數據進(jìn)行了輻射定標，為了保留紋理信息，沒(méi)有對數據進(jìn)行濾波處理(見(jiàn)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。白色區域為陸地，沿著(zhù)白色區域的黑色部分，主要為由于陸地存在造成的背風(fēng)區。圖像中其他部分為海面，我們從色調上觀(guān)察可以發(fā)現，有些海面色調較亮，有些成暗色，這都與海面風(fēng)浪情況有關(guān)。

圖2研究區

2．1紋理特征提取

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

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

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)驗表明32和16灰階對紋理特征沒(méi)有明顯影響，因此，量化等級為16。紋理特征的計算結果見(jiàn)圖3。

2．2特征選擇

根據圖2，分別選取了四類(lèi)樣本：海水1、海水2、假目標、溢油(見(jiàn)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

根據圖5可以發(fā)現，不同紋理特征識別樣本類(lèi)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)性在區分這四類(lèi)目標的能力上最差。因此，在分類(lèi)時(shí)，選擇均值、對比度、方差、熵和相異性作為輸入分類(lèi)器的特征。

2．3分類(lèi)結果

在利用SVM分類(lèi)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(lèi)的結果進(jìn)行了比較。需要說(shuō)明的是，利用3個(gè)分類(lèi)器進(jìn)行溢油信息提取時(shí)，采用的訓練樣本一致，結果見(jiàn)圖6。為了保證計算速度，對原圖范圍做了剪裁。

圖6 a-最小距離分類(lèi)器 b-最大似然分類(lèi)器 c-SVM分類(lèi)器

2．4分析

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

3結語(yǔ)

本文基于灰度共生矩陣進(jìn)行紋理特征的提取，根據研究區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，并作為分類(lèi)器的輸入特征?？紤]到傳統分類(lèi)方法是基于樣本趨于無(wú)窮大的漸進(jìn)理論，而在實(shí)際問(wèn)題中，樣本數量往往是有限的，本文構建了結合紋理特征的SVM分類(lèi)模型對溢油目標進(jìn)行提取。同時(shí)，選擇了最小分類(lèi)器和最大似然分類(lèi)器進(jìn)行溢油探測，結果表明，結合紋理特征的SVM分類(lèi)模型具有較好的監測精度。

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

作者：馬龍，李穎，?，?nbsp; 來(lái)源：中國航海