馬百雪，潘宏俠，韓吉衢

（1.中北大學(xué) 機械工程與自動化學(xué)院，山西 太原030051；2.煙臺大學(xué) 光電信息科學(xué)技術(shù)學(xué)院，山東 煙臺264005）

0 引 言

溢油災(zāi)害、溢油事故的頻發(fā)使溢油檢測成為我國治理海洋環(huán)境、發(fā)展海洋經(jīng)濟的重要環(huán)節(jié)。合成孔徑雷達（SAR）具有全天候、全天時、覆蓋面積大等優(yōu)點使衛(wèi)星SAR遙感檢測在海上溢油事故處理中發(fā)揮著重要作用。

海洋表面的溢油區(qū)域形成的Bragg波抑制了雷達的后向散射，在SAR圖像上表現(xiàn)為暗斑區(qū)域，海洋低風(fēng)速區(qū)、海洋內(nèi)波、生物油膜、油脂狀冰等在SAR圖像上也呈暗斑區(qū)域，成為識別溢油的干擾因素［1，2］。溢油邊緣處包含豐富的梯度特征向量，數(shù)值相對較大，因此可以提取出來識別、區(qū)分溢油與類似溢油。

邊緣檢測方法眾多，但沒有一種能完美的解決邊緣檢測問題，如何精確快速的獲得邊緣信息，一直是國內(nèi)外研究的熱點問題。經(jīng)典的邊緣檢測算子包括Roberts算子［3］，Sobel算子，Prewitt算子，Laplacian算子，Canny算子［4］。近年來，隨著數(shù)學(xué)理論和其它學(xué)科的發(fā)展，新的邊緣檢測方法不斷出現(xiàn)，如基于小波變換、小波包的邊緣檢測法，基于神經(jīng)網(wǎng)絡(luò)、形態(tài)學(xué)的邊緣檢測法［5］等，每一種算法都有其特點但也存在不足，特別是在檢測精度，抗噪能力及檢測正確率上難以均衡。從邊緣檢測方法的發(fā)展來看，當(dāng)今主要發(fā)展趨勢是對原有算法不斷改進或者多種方法的綜合運用［6］。

本文結(jié)合迭代算法，最大類間方差法與直方圖法分別給Sobel邊緣算子提供閾值進行SAR樣本圖像邊緣分割，并優(yōu)化迭代算法，提高閾值的準(zhǔn)確性，經(jīng)對比發(fā)現(xiàn)改進的迭代算法得到的SAR邊緣分割圖像輪廓更加清晰，在此基礎(chǔ)上提取邊緣的梯度特征量，通過數(shù)據(jù)的分析、識別，提取出溢油區(qū)。

1 材料與方法

1.1 材 料

主要數(shù)據(jù)源選取2006年6月21日當(dāng)?shù)貢r間01點47分57秒拍攝黃海東海海域的ASA－WSM－1P遙感圖像，其空間范圍為東經(jīng)124038′－128°18′，北緯45°24′－39°23′。圖像中一些主要航道、石油勘探地點都有明顯的溢油區(qū)。

SAR圖像如圖1所示。

圖1 SAR圖像

1.2 方 法

1.2.1 圖像預(yù)處理

雷達在成像過程中，回波信號中的相鄰像素點會產(chǎn)生一些圍繞某一均值的隨機變化，SAR圖像存在不可避免的相干斑噪聲、特殊的輻角和幾何畸變，因此首先對SAR圖像進行預(yù)處理［7］。預(yù)處理包括3個方面：輻射校正、幾何校正和相干斑濾波，使用的軟件是NEST 3C。

在分析遙感圖像時，很容易受到輻射誤差造成的失真圖像的影響，可以使用NEST 3C對圖像進行校正來清除或削弱這些失真。同時，利用NEST 3C校正SAR拍攝過程中形成的幾何畸變。輻射校正和幾何校正處理后分別如圖2（b）和圖2 （c）所示。

圖2 SAR圖像預(yù)處理

結(jié)合均值濾波的經(jīng)典SAR圖像濾波方法和具有SAR圖像統(tǒng)計性能的濾除斑點噪聲的Gamma濾波［8］，可以的得到具有較高分辨率的、清晰的SAR圖像。

對于空間濾波器，濾波窗口越大，對斑點噪聲的濾波效果越好，但也會損失邊緣、紋理和SAR圖像的一些細節(jié)特征。這里使用NEST 3C軟件首先進行5＊5窗口均值濾波，在此基礎(chǔ)上進行5＊5窗口Gamma Map濾波，效果較好。結(jié)果如圖2（d）所示。

1.2.2 SAR圖像閾值選取及邊緣分割

圖像分割可以把SAR圖像中暗斑區(qū)域提取出來，是由圖像處理到圖像分析的關(guān)鍵步驟。目前圖像分割主要分為以下幾類：基于閾值的分割方法、基于區(qū)域的分割方法、基于邊緣的分割方法及基于特定理論的分割方法［9］等。文中使用基于邊緣的分割方法［10］，運用Sobel邊緣檢測算子結(jié)合自適應(yīng)閾值通過MATLAB7.1編程對樣本圖像進行邊緣分割。

在邊緣分割過程中，關(guān)鍵是確定一個最優(yōu)閾值，將圖像中的各個像素的灰度值與選取的閾值相比較，結(jié)果是將對應(yīng)的像素分為兩類，這兩類像素分屬于SAR圖像的暗斑區(qū)域和背景兩部分。根據(jù)所要分析的圖像本身的特點，閾值選取分為全局閾值法和局部閾值法［11］。本文選取的是局部閾值法，在提供的SAR圖像中截取了13組含有暗斑或暗條紋的區(qū)域作為樣本圖像?，F(xiàn)在以其中一幅為例。

典型的閾值選取方法主要有直方圖分析法 （最優(yōu)閾值法）［12］、最大類間方差法 （Ostu算法）［12］、迭代法等。對于給定的SAR樣本圖像，通過MATLAB編程繪制出直方圖 （圖3）。根據(jù)最優(yōu)閾值法原理結(jié)合圖3看出，該樣本圖像的兩個峰值相差很大，說明暗斑與背景面積相差很大，谷底T1＝0.0275即為最優(yōu)閾值。另外，通過最大類間方差法和迭代法計算的閾值分別為T2＝0.0353，T3＝0.0332。結(jié)合以上3種方法得到的最佳閾值，分別使用Sobel算子對SAR樣本圖像進行邊緣分割，分割結(jié)果如圖4（a）、圖4（b）和圖4 （c）所示。

通過比較分析可以看出，圖4（a）中雖然暗斑區(qū)域的邊緣已經(jīng)被分割出來，但相應(yīng)的也出現(xiàn)很多黑色雜斑區(qū)域，圖4（b）、圖4（c）則有較少的黑色雜斑區(qū)域，并且邊緣的連續(xù)性較好。最大類間方差法能通過目標(biāo)函數(shù)確定極值，是一種優(yōu)化過程，適用于絕大多數(shù)情況，但是最大缺點是針對SAR圖像這類周圍環(huán)境復(fù)雜、暗斑區(qū)域和海面背景灰度差別很大的情況，其邊緣分割后會出現(xiàn)大量無法避免的黑色雜斑。對于經(jīng)典的直方圖分割方法，實現(xiàn)簡單，前提是僅僅針對少數(shù)種類不同的物體并且灰度值相差很大時取得較好的分割效果。但當(dāng)類似于SAR樣本圖像的灰度直方圖雙峰不明顯，人工選取閾值難度增大，故邊緣分割效果也難以確定。迭代算法對SAR圖像的邊緣分割效果較好，但有時針對目標(biāo)和背景灰度值差異懸殊的情況下分割效果也不是很理想。總之，傳統(tǒng)算法提取的暗斑邊緣特征會存在一些斷裂、定位不準(zhǔn)確，在細化描述邊緣輪廓時不能有效檢測等情況［13］。

傳統(tǒng)的迭代算法是分別以雙峰灰度均值為兩個起始點，往波谷方向進行迭代，適合于直方圖中雙峰比較明顯的SAR圖像；對于直方圖中雙峰相差很大的SAR圖像，灰度均值相差大，迭代后得到的閾值偏離真正的波谷，產(chǎn)生一定的誤差。

針對以上情況，本文提出一種改進的迭代算法求最佳閾值，由于標(biāo)準(zhǔn)差表示變量與均值的偏離程度，在傳統(tǒng)的迭代算法內(nèi)引入標(biāo)準(zhǔn)差，迭代閾值計算時，用雙峰的灰度均值分別加或減其標(biāo)準(zhǔn)差來縮小兩者之間的起始差距，不斷迭代逼近波谷獲得最優(yōu)閾值。

基本步驟如下：

（1）確定圖像灰度均值的一半為初始閾值T0；

（2）利用T0將圖像分為兩部分—R1和R2，分別計算這兩部分的均值和標(biāo)準(zhǔn)差

（3）Ti＋1表示新的閾值

（4）重復(fù)步驟 （2）～ （3），直到Ti＋1和Ti無限逼近且小于某個給定值后完畢。

T0表示初始閾值；R1，R2表示圖像的兩部分；μ1，μ2，σ1，σ2分別表示為R1，R2均值，標(biāo)準(zhǔn)差；Ti表示迭代i次后的閾值利用改進后的迭代算法計算出的最優(yōu)閾值T4＝0.0309，邊緣分割得到的圖像如圖5所示。

圖5 改進迭代算法分割樣本圖像

圖5相較于圖4，邊緣更加清晰、連續(xù)，并且沒有出現(xiàn)黑色的雜斑區(qū)域，能較好的描述原始SAR圖像中溢油區(qū)與非溢油區(qū)分界處邊緣輪廓信息，相較于經(jīng)典的算法，尤其適用于暗斑區(qū)域與背景灰度值相差懸殊的情況。

1.2.3 邊緣梯度特征的提取

通過提取海面上暗斑區(qū)域的特征量可以區(qū)分出溢油區(qū)與類似溢油區(qū)，這些特征值量包括：暗斑幾何特征、物理特性、紋理特征、邊緣梯度特征等。

海洋油膜邊緣點處梯度特征變化劇烈，通過提取分割圖像邊緣處的梯度特征量，對不同的樣本進行邊緣梯度值的比較確定溢油區(qū)域。用圖像灰度的變化率和方向來表示邊緣點處的劇烈變化，投影到公式中分別表示為梯度向量的幅值和方向。設(shè)圖像中灰度值矩陣格式為F（x，y），梯度列向量為

梯度幅值為

通過5＊5窗口對分割圖像邊緣點進行 MATLAB 7.1編程提取梯度特征量，應(yīng)用數(shù)理統(tǒng)計的方法在excel表中統(tǒng)計出每個樣本的總體均值和方差，分析每幅樣本的特征值變化程度來確定溢油區(qū)。

2 結(jié)果與分析

含有油膜的區(qū)域內(nèi)的梯度值是變化的，在邊緣點處的變化尤其劇烈，若樣本圖像的邊緣梯度均值明顯大于其他部分圖像的均值，且總體方差相對較大，則可以確定所選取的樣本圖像含有溢油區(qū)域。得到的樣本相關(guān)數(shù)據(jù)見表1。

表1 樣本圖像邊界點均值與方差

數(shù)據(jù)分析得出，樣本1、2、5、9、11中邊緣處梯度均值明顯小于其他圖像，總體方差也相對較小，圖像邊緣處的梯度變化很小，樣本圖像部分處在海洋中陸地和暗礁導(dǎo)致的低風(fēng)速場，范圍通常很大，形狀類似漩渦狀；其余的暗斑條紋比較規(guī)則，并且條紋之間平行排列，為風(fēng)條紋或者浪條紋，可以判定這些區(qū)域為類似溢油區(qū)。樣本3、4、6、7、8、10、12、13，邊界點處的梯度均值明顯大于類似溢油區(qū)的均值，總體方差相對變化很大，即邊緣點處梯度變化非常大，符合溢油區(qū)域的邊緣梯度的特點，并且樣本在SAR圖像中處在主要航道，河流入?？冢Ｉ嫌吞镢@井平臺附近，形狀大多呈黑暗狹長帶狀，邊界比較明顯，范圍不大，說明這些為油膜暗斑。

3 結(jié)束語

本文通過提取邊緣的梯度特征量來區(qū)分溢油區(qū)域與類似溢油區(qū)，其中改進的迭代算法能較好的描述原始SAR圖像中溢油區(qū)與非溢油區(qū)分界處邊緣輪廓信息，相較于經(jīng)典的算法，尤其適用于暗斑區(qū)域與背景相差懸殊的情況。

要想進一步獲得比較精確的海上溢油信息，還需要結(jié)合一些其他的特征量，如紋理特征、幾何特征、物理特征等。另外，在提取樣本時，也要結(jié)合專家經(jīng)驗來選取暗斑區(qū)域，SAR圖像上在均勻風(fēng)速區(qū)域出現(xiàn)的暗斑、由于風(fēng)向或者海洋表層流影響形成的面積較小的黑暗狹長區(qū)域及距陸地較遠的暗斑是溢油的幾率很大，而低風(fēng)速區(qū)或者海岸帶的背風(fēng)岬角出現(xiàn)的暗斑區(qū)域則會是海洋浮游植物、魚類釋放的天然油膜，海洋底部產(chǎn)生的自然礦物質(zhì)，油脂狀冰等類似溢油［14］。只有提前掌握了這些，才能及時的收集到關(guān)于溢油區(qū)域的相關(guān)信息，采取相應(yīng)的措施祛除油污，將溢油造成的損失降到最小。

［1］Karathanassi V，Topouzelis K，Pavlakis P，et al.An objectoriented methodology to detect oil spill ［J］.International Journal of Remote Sensing，2006，27 （23）：5235－5251.

［2］Anne H，Solberg S.Oil spill detection in radarsat and envisat SAR images ［J］.IEEE Transaction on Geoscience and Remote Sensing，2007，45 （3）：746－755.

［3］WANG Bing.Edge processing with roberts operator ［J］.Gansu Science and Technology，2008，24 （10）：18－20 （in Chinese）.［王冰.用Roberts算子進行邊緣處理 ［J］.甘肅科技，2008，24 （10）：18－20.］

［4］WANG Jun.The oil spill target edge detection of SAR image and realization ［D］.Dalian：Dalian Maritime University，2009：26－33 （in Chinese）.［王俊.SAR影像溢油目標(biāo)邊緣提取方法及實現(xiàn) ［D］.大連：大連海事大學(xué)，2009：26－33.］

［5］ZHANG Ximin，JIA Kebin，ZHUO Dongfeng.Application of BP neural network for image edge detection ［J］.Computer Engineering and Design，2011，32 （6）：2146－2149 （in Chinese）.［張習(xí)民，賈克斌，卓東風(fēng).BP神經(jīng)網(wǎng)絡(luò)在圖像邊緣檢測中的應(yīng)用 ［J］.計算機工程與設(shè)計，2011，32 （6）：2146－2149.］

［6］JIA Lei，JIAO Shuhong.The research review of image edge detection technology ［J］.Technology Trend，2010 （8）：226（in Chinese）.［賈磊，焦淑紅.圖像邊緣檢測技術(shù)的研究綜述［J］.科技風(fēng)，2010 （8）：226.］

［7］Konstantinos Karantzalos，Demetre Argialas.Automatic detection and tracking of oil spill in SAR imagery with level set segmentation ［J］.International Journal of Remote Sensing，2008，29 （21）：6281－6296.

［8］JIANG Yongxin，WANG Xiaotong，XU Xiaogang，et al.Speckle noise filtering for sea synthetic aperture radar images［J］.High Technology Letters，2009，19 （6）：586－590 （in Chinese）.［蔣永馨，王孝通，徐曉剛，等.海洋合成孔徑雷達圖像斑點噪聲的濾除 ［J］.高技術(shù)通訊，2009，19 （6）：586－590.］

［9］ZHU Youyong，WANG Shitong.Adaptive multithresholds image segmentation method based on normalized cut criterion ［J］.Computer Engineering and Design，2009，30 （9）：2217－2221 （in Chinese）.［朱友勇，王士通.基于歸一化分割的自適應(yīng)多閾值圖像分割方法 ［J］.計算機工程與設(shè)計，2009，30 （9）：2217－2221.］

［10］TANG Min.Edge extraction of gray images using cellular neural network method ［J］.Computer Engineering and Design，2010，31 （10）：2275－2279 （in Chinese）. ［湯敏.基于細胞神經(jīng)網(wǎng)絡(luò)的灰度圖像邊緣提取 ［J］.計算機工程與設(shè)計，2010，31 （10）：2275－2279.］

［11］WANG Lei，DUAN Huichuan.Application of Otsu’method in multi－threshold image segmentation ［J］.Computer Engineering and Design，2008，29 （11）：2844－2845 （in Chi－nese）.［王磊，段會川.Ostu方法在多閾值圖像分割中的應(yīng)用 ［J］.計算機工程與設(shè)計，2008，29 （11）：2844－2845.］

［12］ZHANG Wenjuan，PAN Xiaolan.Based on the gray histogram closed value segmentation algorithm analysis and comparison ［J］.Science ＆ Techinology Information，2008 （14）：12－14 （in Chinese）. ［張文娟，潘曉嵐.基于灰度直方圖的閾值分割算法分析與比較 ［J］.科技資訊，2008 （14）：12－14.］

［13］MA Huaichong，XU Yong，YANG Dehe.Sea oil edge detection algorithm which is based on the fusion of the SAR image and the MATALAB realization ［J］.Silicon Valley，2012（14）：173－174 （in Chinese）. ［馬懷沖，許勇，楊德合.基于融合的SAR圖像海洋溢油邊緣檢測算法及MATALAB實現(xiàn) ［J］.硅谷，2012 （14）：173－174.］

［14］Topouzelis K，Karathanassi V，Pavlakis P，et al.Detection and discrimination between oil spills and look－alike phenomena through neural networks ［J］.ISPRS Journal of Photo Grammetry ＆Remote Sensing，2007，64 （4）：264－270