蘇騰飛，李永香，李洪玉

?

基于面向?qū)ο蠛湍：壿嫷腟AR溢油檢測(cè)算法

蘇騰飛1，2，李永香3*，李洪玉1

(1. 內(nèi)蒙古農(nóng)業(yè)大學(xué) 水利與土木建筑工程學(xué)院，內(nèi)蒙古自治區(qū) 呼和浩特 010018；2. 國(guó)家海洋局第一海洋研究所，山東 青島 266061；3. 內(nèi)蒙古師范大學(xué) 地理科學(xué)學(xué)院，內(nèi)蒙古自治區(qū) 呼和浩特 010022)

摘要：星載合成孔徑雷達(dá)(Synthetic Aperture Radar，SAR)具有全天時(shí)、全天候的工作能力，已被眾多學(xué)者認(rèn)為是非常適合探測(cè)海面溢油污染的遙感器。然而在SAR影像中經(jīng)常出現(xiàn)“類油膜”現(xiàn)象，這嚴(yán)重干擾了SAR溢油檢測(cè)的精度。因此，如何有效區(qū)分SAR影像中的油膜和類油膜，對(duì)提升溢油檢測(cè)精度具有重要意義。本文利用面向?qū)ο髨D像分析的方法，從20景ENVISAT ASAR影像中提取了較多的溢油和類油膜樣本，對(duì)其基于對(duì)象的形狀、物理和紋理特征進(jìn)行了綜合分析，找出了適合區(qū)分溢油和類油膜的特征量。利用特征分析的結(jié)論，本文建立了一種基于模糊邏輯的溢油檢測(cè)算法。該算法可以有效區(qū)分SAR影像中的溢油和類油膜，還可以給出暗斑被判定為溢油的概率。溢油檢測(cè)實(shí)驗(yàn)說明，本文方法能夠得到令人滿意的效果。

關(guān)鍵詞：合成孔徑雷達(dá)；特征分析；溢油分類；面向?qū)ο髨D像分析；模糊邏輯

1引言

海洋溢油事故監(jiān)測(cè)是海洋溢油污染防治中非常重要的環(huán)節(jié)。傳統(tǒng)監(jiān)測(cè)方式，如飛機(jī)、船舶、浮標(biāo)等，實(shí)施成本較高、觀測(cè)范圍有限，難以滿足海洋監(jiān)測(cè)中大面積、實(shí)時(shí)監(jiān)測(cè)的要求[1—2]。衛(wèi)星遙感技術(shù)的興起，為這一難題提供了有效的解決方案。眾多學(xué)者的研究表明，合成孔徑雷達(dá)(Synthetic Aperture Radar，SAR)是溢油遙感監(jiān)測(cè)的最為有效的遙感器之一[2—4]。星載SAR具有全天時(shí)、全天候、覆蓋范圍大、近實(shí)時(shí)獲取數(shù)據(jù)等特點(diǎn)，因此，SAR是及時(shí)、準(zhǔn)確、大范圍監(jiān)測(cè)海洋溢油污染的有力工具。利用SAR遙感技術(shù)，可以提取海上溢油的位置與面積等信息，從而有效指導(dǎo)海上溢油清理工作。

溢油的存在會(huì)抑制海面Bragg波，從而在SAR影像中以“暗區(qū)域”的形式呈現(xiàn)[2，5]。但在SAR影像中，存在很多“類油膜”現(xiàn)象，例如低風(fēng)速區(qū)、鋒面、雨團(tuán)等，給SAR影像溢油識(shí)別帶來(lái)困難，甚至造成誤判[2，6]。因此，發(fā)展SAR溢油檢測(cè)算法，區(qū)分類油膜現(xiàn)象，對(duì)客觀、準(zhǔn)確的溢油監(jiān)測(cè)具有重要意義。

近年來(lái)，經(jīng)過眾多學(xué)者的不斷努力，已經(jīng)形成了較為成熟的SAR溢油檢測(cè)技術(shù)流程[2]：(1)暗斑檢測(cè)，(2)特征提取，(3)溢油檢測(cè)。第一步是探測(cè)SAR影像中的暗斑現(xiàn)象，包括油膜和類油膜，這實(shí)際上是通過圖像分割技術(shù)來(lái)實(shí)現(xiàn)的[5，7—8]。但是，SAR影像中存在斑點(diǎn)噪聲，它會(huì)影響SAR圖像分割的效果，進(jìn)而降低SAR溢油檢測(cè)精度[9]。所以，選用適用于SAR溢油檢測(cè)的圖像分割算法，可以有效提高SAR溢油檢測(cè)的精度。第二步是將暗斑的眾多特征提取出來(lái)，分析溢油和類油膜各個(gè)特征的區(qū)別，是提高溢油檢測(cè)精度的關(guān)鍵步驟。如何選用關(guān)鍵的特征量來(lái)提高溢油檢測(cè)精度，避免因輸入特征量過多而導(dǎo)致的“維數(shù)災(zāi)難”，這是需要眾多學(xué)者們關(guān)注的問題。第三步利用模式識(shí)別的分類方法，以SAR影像中暗斑的各個(gè)特征量作為輸入，判定其是否為溢油。目前，眾多分類方法均應(yīng)用到了溢油檢測(cè)中，如人工神經(jīng)網(wǎng)絡(luò)[10—11]、最大似然[12]、馬氏距離[13]、SVM[14]等。然而，以上研究主要解決的問題是如何從SAR影像中區(qū)分溢油和海水，而對(duì)于如何有效區(qū)分溢油和類油膜的研究卻較少。

鑒于以上因素，本文利用面向?qū)ο髨D像分析(Object-Based Image Analysis，OBIA)和大量溢油SAR影像數(shù)據(jù)開展了溢油斑塊特征分析，以找出區(qū)分油膜和類油膜能力較強(qiáng)的特征。利用特征分析的結(jié)果，發(fā)展了一種基于模糊邏輯(Fuzzy Logic，F(xiàn)L)的溢油檢測(cè)算法，以快速、準(zhǔn)確探測(cè)海上溢油。

2基于OBIA的溢油特征分析

2.1OBIA與SAR影像暗斑提取

OBIA是21世紀(jì)初興起的一種圖像分析方法。不同于傳統(tǒng)的基于像素的圖像分析，OBIA從對(duì)象的層面對(duì)圖像目標(biāo)特征進(jìn)行分析，因此可以將目標(biāo)的幾何形狀、空間位置等信息結(jié)合到目標(biāo)識(shí)別、地物分類等圖像分析中，因此可以有效地模擬人類解譯圖像的過程。SAR影像中的溢油和類油膜等暗斑都可以被看作目標(biāo)，相比于基于像素的圖像分析，利用基于目標(biāo)的特征可以提高溢油和類油膜區(qū)分的效果。

OBIA中的第一個(gè)步驟是目標(biāo)提取，這一步通常由圖像分割技術(shù)實(shí)現(xiàn)。為了提取SAR影像中的暗斑目標(biāo)，本文采用了一種基于凝聚層次聚類的溢油SAR圖像分割算法[7]，該算法的參數(shù)設(shè)置可以參照文獻(xiàn)[7]。圖1顯示了一個(gè)SAR影像溢油暗斑樣本的分割結(jié)果，圖像尺寸為338×352(像素)，形狀、緊湊型和尺度參數(shù)分別為0.1、0.5、150。可見，雖然圖中溢油的形狀很不規(guī)則，但分割結(jié)果很好地提取了其形狀，可見所采用的分割算法能夠滿足面向?qū)ο髨D像分析中對(duì)于暗斑目標(biāo)提取的要求。

2.2暗斑特征選擇與提取

獲取暗斑對(duì)象后，需要提取其各類特征。SAR影像中油膜和類油膜的特征主要分為3類：形狀、物理以及紋理特征。本文選取了較為常用的共計(jì)20種特征量，其中形狀和物理特征分別為5、15種，其定義與計(jì)算方法見表1、2。紋理特征借鑒了Haralick于1979年提出的14種基于灰度共生矩陣的圖像紋理特征量，這些特征量在文獻(xiàn)[10，15]中被成功地應(yīng)用到溢油SAR圖像的紋理分析中。本文從中選用了常用的5種特征，其具體定義見表3。

圖1　一個(gè)溢油樣本圖像的分割結(jié)果Fig.1　A segmentation result of an oil spill sample

特征(符號(hào))描述面積(A)暗斑區(qū)域的面積周長(zhǎng)(P)暗斑的邊界長(zhǎng)度長(zhǎng)寬比(r)暗斑長(zhǎng)度與寬度的比值矩形度(R)反映了暗斑對(duì)其外接矩形的填充程度,其最大值為1圓形度(C)描述暗斑邊界的復(fù)雜程度,暗斑越接近圓形,其值越小

表2　物理特征

表3　紋理特征

3基于FL的SAR溢油檢測(cè)算法

FL的提出可以追溯到20世紀(jì)60年代，它是一種有效的建模工具，可模擬錯(cuò)綜復(fù)雜、變量繁多的系統(tǒng)，幫助專家處理不確定性信息。傳統(tǒng)的邏輯學(xué)只是考察一個(gè)對(duì)象是否屬于“真，假”集合，而FL系統(tǒng)需要對(duì)對(duì)象信息進(jìn)行一系列處理，來(lái)決定該對(duì)象在模糊集中的位置。FL系統(tǒng)的流程包括3個(gè)步驟[8]：(1)模糊化，將輸入與輸出變量分解為一個(gè)或多個(gè)模糊集合。(2)模糊推論，通過一系列“IF…THEN…”規(guī)則，處理輸入變量。每個(gè)規(guī)則包含兩部分：條件與行為。條件部分用輸入變量模糊集構(gòu)成，而行為部分由輸出變量模糊集構(gòu)成。(3)去模糊化，該過程的目的是將模糊輸出轉(zhuǎn)化為明確值的輸出。

3.1輸入和輸出變量

FL溢油分類器的輸入是暗斑的特征量。每一個(gè)特征量可以被定義為一個(gè)模糊集合，它由若干詞語(yǔ)組成，而每個(gè)詞語(yǔ)代表了該輸入變量的某種含義或特性。例如，溢油暗斑通常具有較低的矩形度(定義見表1)，則對(duì)于特征量R，可以定義其模糊集為“低，高”，分別表示暗斑被分為溢油的概率高和概率低。

輸入變量的選用是非常關(guān)鍵的，因?yàn)橹挥袇^(qū)分能力強(qiáng)的特征量被用來(lái)進(jìn)行算法構(gòu)建，才能得到較高的溢油檢測(cè)精度。另外，選用太多的特征量會(huì)增大系統(tǒng)的復(fù)雜度。一般而言，5個(gè)特征量較佳。根據(jù)4.2節(jié)的特征分析結(jié)論，本文選用了5種特征作為輸入變量。

FL溢油分類器的輸出變量為暗斑是溢油的概率。其模糊集定義為：“低、中、高”，詞語(yǔ)項(xiàng)分別表示：非油、類油膜、溢油。

3.2成員函數(shù)

為輸入、輸出變量模糊集的詞語(yǔ)項(xiàng)建立成員函數(shù)，以計(jì)算一個(gè)明確值屬于該詞語(yǔ)項(xiàng)的程度。最簡(jiǎn)單的成員函數(shù)是標(biāo)準(zhǔn)成員函數(shù)，它由線性分段函數(shù)組成，其中最簡(jiǎn)單的形式是三角成員函數(shù)，這類函數(shù)僅用3個(gè)點(diǎn)和連接它們的直線構(gòu)成。標(biāo)準(zhǔn)成員函數(shù)有3個(gè)顯著的優(yōu)點(diǎn)：(1)雖然簡(jiǎn)單，卻足以模擬大多數(shù)復(fù)雜系統(tǒng)；(2)簡(jiǎn)單易懂，容易理解；(3)易于設(shè)計(jì)和實(shí)現(xiàn)，計(jì)算效率高。

成員函數(shù)的類型還包括高斯類型和門形函數(shù)，它們的函數(shù)曲線光滑，可以更好地模擬模糊集，但是它們不能表示非對(duì)稱的模糊集類型。另外，多項(xiàng)式類型的成員函數(shù)也屬于標(biāo)準(zhǔn)成員函數(shù)，并具有光滑曲線的特點(diǎn)，但他們較難實(shí)現(xiàn)，且計(jì)算效率偏低。

標(biāo)準(zhǔn)成員函數(shù)包含4種類型：z、π、λ和s。其中，π類型可以看做λ類型的拓展，即典型值的范圍是一個(gè)區(qū)間，而非一個(gè)點(diǎn)。三角成員函數(shù)僅包含z、λ和s3種類型。本文采用三角成員函數(shù)，該類型雖然簡(jiǎn)單，但是足以表示大多數(shù)復(fù)雜的模糊集。為一個(gè)輸入變量設(shè)計(jì)三角成員函數(shù)包含4個(gè)步驟：(1)對(duì)于每一個(gè)詞語(yǔ)項(xiàng)，搞清其最典型的數(shù)值范圍；最適合某詞語(yǔ)項(xiàng)的數(shù)值，其對(duì)應(yīng)成員函數(shù)值為1。例如，當(dāng)暗斑矩形度小于0.2時(shí)，矩形度“低”的成員函數(shù)等于1；(2)對(duì)于一個(gè)詞語(yǔ)項(xiàng)后續(xù)的詞語(yǔ)項(xiàng)，其最典型值的起始位置就是前一詞語(yǔ)項(xiàng)成員函數(shù)為0的位置。例如，對(duì)于暗斑矩形度，“低”的下一個(gè)詞語(yǔ)項(xiàng)為“高”，“高”的典型值起始位置為0.6，所以“低”成員函數(shù)為0的位置為0.6；(3)連接各成員函數(shù)值為0和值為1的點(diǎn)。例如，矩形度“低”的成員函數(shù)，連接(0.2，1)和(0.6，0)兩點(diǎn)；(4)對(duì)于各成員函數(shù)最左和最右的部分，其數(shù)值屬于最靠近詞語(yǔ)項(xiàng)的典型值。例如，暗斑矩形度[0，0.2]的區(qū)間屬于“低”，且在該區(qū)間內(nèi)成員函數(shù)為1。

3.3規(guī)則建立

規(guī)則是FL溢油分類器設(shè)計(jì)的關(guān)鍵，它的設(shè)計(jì)需要大量的先驗(yàn)知識(shí)和專家經(jīng)驗(yàn)?；谔卣鞣治龅慕Y(jié)論，經(jīng)過不斷實(shí)驗(yàn)，本文共定義了72條規(guī)則(具體請(qǐng)見附錄)。為了使系統(tǒng)易于理解和實(shí)現(xiàn)，所有規(guī)則的IF語(yǔ)句部分均采用了“AND”操作符。

本文對(duì)規(guī)則的處理采用Max-Min方法。該方法的Max是指，對(duì)于THEN部分相同的多個(gè)規(guī)則，選取IF部分最大的，用該規(guī)則的輸入變量計(jì)算輸出，即：對(duì)于每一種結(jié)果，選擇最可能的條件進(jìn)行結(jié)果計(jì)算；Min是指在輸出變量的各個(gè)成員函數(shù)疊加時(shí)，采用“剪切”的處理方法。

輸出變量各成員函數(shù)疊加完成后，即可進(jìn)行去模糊化計(jì)算，得到暗斑是溢油的概率。這可由多種方法實(shí)現(xiàn)，包括重心法、二等分法、中心最值法和最小值法。其中，重心法最為常用，它返回的是輸出成員函數(shù)曲線的重心，本文采用該方法進(jìn)行去模糊化計(jì)算。

4特征分析與FL成員函數(shù)構(gòu)建

4.1數(shù)據(jù)集

本文利用了20景2010年墨西哥灣溢油事故的ENVISAT ASAR影像數(shù)據(jù)，對(duì)油膜和類油膜進(jìn)行了特征分析。所采用數(shù)據(jù)的時(shí)間范圍是2010年5月2日至7月24日，均為C波段，VV極化，WSM模式，該模式可以提供400多千米的刈幅寬度，很適合大范圍的海上溢油監(jiān)測(cè)。

美國(guó)國(guó)家海洋和大氣管理局(NOAA)主要負(fù)責(zé)對(duì)墨西哥灣溢油事故進(jìn)行監(jiān)測(cè)與治理，其官方網(wǎng)站提供了溢油位置專題圖(http://www.noaa.gov/deepwater/-horizon/.)。本文對(duì)SAR影像中油膜與類油膜的鑒別，就是基于該網(wǎng)站所提供的溢油專題圖數(shù)據(jù)進(jìn)行的。圖2為墨西哥灣溢油影響區(qū)域，即為本文的研究區(qū)域。本文選取的溢油和類油膜樣本數(shù)分別為145和134個(gè)。

圖2　墨西哥灣溢油事故影響區(qū)域Fig.2　Gulf of Mexico oil spill accident impacted area

4.2特征分析結(jié)果

表4列出了20種特征對(duì)油膜和類油膜的區(qū)分效果，該效果是通過觀察各特征量的數(shù)值分布來(lái)確定的。圖3顯示了所有特征中5個(gè)區(qū)分能力最好的特征量的數(shù)值分布概率圖，從中可見矩形度的效果最好，因?yàn)榇蟛糠忠缬秃皖愑湍颖镜臄?shù)值混淆程度較低。各特征量數(shù)值分布概率圖中，溢油和類油膜在各個(gè)區(qū)間的混淆程度是衡量表4區(qū)分效果“好，一般，差”的標(biāo)準(zhǔn)。具體標(biāo)準(zhǔn)是：對(duì)于一個(gè)特征量，若溢油和類油膜樣本在各區(qū)間混淆的部分占據(jù)了總樣本量的60%以下，則認(rèn)為區(qū)分效果“好”；若在60%以上，80%以下，則認(rèn)為“一般”；其余為區(qū)分效果“差”。

圖3　較好特征量的數(shù)值分布(a-e分別為R，C，μO，σO，σB，CONmax的特征量分布)Fig.3　Numerical distribution of the features with good separability (a-e are feature value distributions of R，C，μO，σO，σB，CONmax，respectively)

進(jìn)一步觀察表4可以發(fā)現(xiàn)，區(qū)分效果較好的特征量主要為形狀和物理特征，共計(jì)8個(gè)(表4中區(qū)分效果是“好”與“一般”的特征)。其中，形狀特征包含3個(gè)效果較好的特征量；物理特征中有5個(gè)特征量交過較好。紋理特征的效果都很差，這主要是因?yàn)镾AR影像中溢油區(qū)域的紋理表現(xiàn)不明顯。本文選取了矩形度、圓形度、暗斑sigma0均值、暗斑背景標(biāo)準(zhǔn)差和暗斑最大對(duì)比度作為FL分類器的輸入變量。

表4　各個(gè)特征區(qū)分油膜和類油膜的效果

4.3成員函數(shù)構(gòu)建

在確定了輸入變量之后，就可以按照3.2節(jié)的步驟，為各輸入變量模糊集設(shè)定成員函數(shù)。構(gòu)建的各個(gè)成員函數(shù)曲線如圖4所示。各個(gè)成員函數(shù)的定義域?yàn)閷?duì)應(yīng)特征量的數(shù)值，而值域范圍均是0～1，表示該詞語(yǔ)項(xiàng)在模糊集中的位置。圖4f顯示了輸出變量成員函數(shù)。與輸入不同的是，輸出變量各詞語(yǔ)項(xiàng)的成員函數(shù)均為λ類型。與其他類型相比，λ類型函數(shù)最適合模擬暗斑是溢油的概率。

關(guān)于輸出變量的成員函數(shù)，需要說明的是：根據(jù)輸出成員函數(shù)的定義(圖4f，可以給出溢油、類油膜和非油的確定閾值。由圖4f可知，在[0%，37.5%)、[37.5%，62.5%)、[62.5%，100%]這3個(gè)區(qū)間，非油、類油膜和溢油的概率分別是最高的，因此我們規(guī)定：當(dāng)本文方法輸出的溢油概率Poil<37.5%時(shí)，為非油；當(dāng)37.5≤Poil<62.5%時(shí)，為類油膜；當(dāng)Poil≥62.5%時(shí)，為溢油。

5實(shí)驗(yàn)驗(yàn)證

利用2010年5月28日的ASAR影像開展了溢油檢測(cè)案例分析實(shí)驗(yàn)。從整景數(shù)據(jù)中選取了5個(gè)暗斑樣本，它們?cè)贏SAR影像中的位置如圖5所示。其中，暗斑1、2、3為確定的溢油，4、5為類油膜。根據(jù)專家經(jīng)驗(yàn)的解譯結(jié)果可以判定：4為雨團(tuán)；5為大氣環(huán)流，它是海氣邊界層相互作用產(chǎn)生的現(xiàn)象，它可在低風(fēng)速的情況出現(xiàn)，當(dāng)海表溫度高于大氣溫度時(shí)，海面氣流會(huì)發(fā)生垂直方向的運(yùn)動(dòng)，使得海面粗糙度發(fā)生變化，在SAR影像中產(chǎn)生暗斑。

圖5顯示了5個(gè)暗斑的分割情況，依據(jù)暗斑的形狀特征，對(duì)分割參數(shù)進(jìn)行了調(diào)整，其具體分割參數(shù)見表5。表6列舉了各個(gè)暗斑的特征量和被分為溢油的概率。圖6、7分別為NOAA提供的近岸和離岸溢油軌跡預(yù)測(cè)圖，對(duì)比溢油軌跡的預(yù)測(cè)范圍和5個(gè)暗斑的位置，可以直觀的看出本文算法的溢油檢測(cè)精度。

暗斑1、2的溢油概率分別為100.0%和97.3%；1和2在NOAA的溢油軌跡預(yù)測(cè)圖中處在輕油的位置上；暗斑3僅為67.2%，結(jié)果偏低，這是因?yàn)槠鋱A形度和背景標(biāo)準(zhǔn)差較低，與類油膜相似；3在NOAA的溢油軌跡范圍中，也處在輕油的位置。暗斑4、5是類油膜，其溢油概率分別為40.8%和50.0%；其中4的處在溢油軌跡預(yù)測(cè)圖中的不確定區(qū)的邊緣，5完全在溢油軌跡范圍之外。通過以上分析，可見本文算法的溢油檢測(cè)結(jié)果與NOAA溢油軌跡的實(shí)測(cè)數(shù)據(jù)是吻合的。

為了進(jìn)一步驗(yàn)證本文算法的精度，在本文數(shù)據(jù)集又選取了50個(gè)暗斑樣本(不同于特征分析的樣本)來(lái)開展溢油檢測(cè)，其中包含23個(gè)溢油、27個(gè)類油膜。本文算法的結(jié)果是：共有38個(gè)樣本分類正確，總精度為76.0%，其中溢油、類油膜分類正確的數(shù)分別為18、20?？梢姡疚姆椒梢杂行^(qū)分溢油和類油膜。

圖4　成員函數(shù)(a-f分別為μO，R，C，σB，CONmax和溢油概率的成員函數(shù))Fig.4　Membership functions (a-f are membership functions for μO，R，C，σB，CONmax，and oil spill probability，respectively)

圖5　用于實(shí)驗(yàn)的SAR影像中的子影像及其分割結(jié)果Fig.5　Subsets of SAR image used in the experiment and their dark spot segmentation

暗斑編號(hào)形狀參數(shù)緊湊性參數(shù)尺度參數(shù)10.10.530020.10.527030.10.515040.10.530050.50.5500

表6　2010年5月28日ASAR數(shù)據(jù)暗斑樣本分類結(jié)果

圖6　2010年5月28日NOAA近岸溢油軌跡數(shù)據(jù)Fig.6　Near-shore oil spill trajectory map of 28th May 2010 provided by NOAA

圖7　2010年5月28日NOAA離岸溢油軌跡數(shù)據(jù)Fig.7　Off-shore oil spill trajectory map of 28th May 2010 provided by NOAA

6結(jié)論

本文進(jìn)行了SAR溢油檢測(cè)算法構(gòu)建。首先統(tǒng)計(jì)和分析了大量油膜和類油膜特征，找出適合溢油檢測(cè)的特征量；然后利用面向?qū)ο髨D像分析的方法，提出并實(shí)現(xiàn)了一種基于FL的溢油檢測(cè)算法；經(jīng)大量實(shí)驗(yàn)驗(yàn)證，本文算法可以有效區(qū)分油膜和類油膜。本文主要結(jié)論如下：

(1)適用于溢油檢測(cè)的特征量為矩形度、圓形度、背景標(biāo)準(zhǔn)差、后向散射均值以及暗斑與背景的最大對(duì)比度；

(2)基于FL的溢油檢測(cè)算法運(yùn)行速度快，檢測(cè)精度高，能夠給出暗斑是溢油的概率，能有效區(qū)分油膜和類油膜；

(3)低后向散射均值和低矩形度的暗斑，其溢油概率較大。

本文在進(jìn)行特征分析時(shí)，僅利用了C波段VV極化的SAR數(shù)據(jù)。然而SAR還包括其他工作波段和極化狀態(tài)，且油膜在不同波段和極化的SAR影像中存在特征差異。要提高本文算法的普適性，需要采用更多波段的SAR影像數(shù)據(jù)，開展油膜和類油膜特征分析。

參考文獻(xiàn)：

[1]石立堅(jiān). SAR及MODIS數(shù)據(jù)海面溢油監(jiān)測(cè)方法研究[D]. 青島: 中國(guó)海洋大學(xué)，2008．

Shi Lijian. Sea surface oil spill detection method by SAR and MODIS[D]. Qingdao: Ocean University of China，2008．

[2]Brekke C，Solberg A. Oil spill detection by satellite remote sensing[J]. Remote Sensing of Environment，2005，95(1): 1-13．

[3]鄒亞榮，梁超，陳江麟，等. 基于SAR的海上溢油監(jiān)測(cè)最佳探測(cè)參數(shù)分析[J]. 海洋學(xué)報(bào)，2011，33(1): 36-44．

Zou Yarong，Liang Chao，Chen Jianglin，et al. An optimal parametric analysis of monitormg oil spill based on SAR[J]. Haiyang Xuebao，2011，33(1): 36-44．

[4]鄒亞榮，鄒斌，梁超. 應(yīng)用極化合成孔徑雷達(dá)檢測(cè)海上溢油研究進(jìn)展[J]. 海洋學(xué)報(bào)，2014，36(9): 1-6．

Zou Yarong，Zou Bin，Liang Chao. Research on progress of oil spill detection using polarization SAR data[J]. Haiyang Xuebao，2014，36(9): 1-6．

[5]Alpers W，Huhnerfuss H. Radar signatures of oil films floating on the sea surface and the marangoni effect[J]. Journal of Geophysical Research，1988，93(C4): 3642-3648．

[6]Fanny G，Mercier G，Collard F，et al: Operational oil-slick characterization by SAR imagery and synergistic data[J]. IEEE Journal of Oceanic Engineering，2005，30: 487-495．

[7]蘇騰飛，張杰，張晰. 基于HAC的溢油SAR圖像分割算法[J]. 海洋科學(xué)進(jìn)展，2013，31(2): 256-265．

Su Tengfei，Zhang Jie，Zhang Xi. A segmentation algorithm for oil spill SAR image based on hierarchical agglomerative clustering[J]. Advances in Marine Science，2013，31(2): 256-265．

[8]Liu P，Zhao C，Li X，et al. Identification of ocean oil spills in SAR imagery based on fuzzy logic algorithm[J]. International Journal of Remote Sensing，2010，31(17/18): 4819-4833．

[9]Migliaccio M，Tranfaglia M，Ermolov S. A physical approach for the observation of oil spills in SAR images[J]. IEEE Journal of Oceanic Engineering，2005，30(3): 496-507．

[10]孫健，胥亞，陳方璽，等. 基于合成孔徑雷達(dá)回波信號(hào)的海洋溢油監(jiān)測(cè)方法研究[J]. 海洋學(xué)報(bào)，2014，36(9): 97-105．

Sun Jian，Xu Ya，Chen Fangxi，et al. Research on offshore petroleum oil spilling detection using SAR echo signal[J]. Haiyang Xuebao，2014，36(9): 97-105．

[11]梁小祎，張杰，孟俊敏. 溢油SAR圖像分類中的紋理特征選擇[J]. 海洋科學(xué)進(jìn)展，2007，25(3): 346-356．

Liang Xiaowei，Zhang Jie，Meng Junmin. Selection of texture characteristics in classifying oil spill SAR images[J]. Advances in Marine Science，2007，25(3): 346-356．

[12]Chang L，Tang Z，Chang S，et al. A region-based GLRT detection of oil spills in SAR images[J]. Pattern Recognition Letters，2008，29(14): 1915-1923．

[13]周慧，陳澎. 利用Mahalanobis距離的SAR圖像溢油識(shí)別[J]. 計(jì)算機(jī)工程與應(yīng)用，2011，47(18): 195-203．

Zhou Hui，Chen Peng. Oil spill identification in SAR image using mahalobis distance[J]. Computer Engineering and Applications，2011，47(18): 195-203．

[14]曲海超，薄華，張偉偉. 基于紋理特征和SVM的SAR圖像溢油檢測(cè)方法[J]. 信息技術(shù)，2010，19(11): 90-93．

Qu Haichao，Bo Hua，Zhang Weiwei. SAR image oil spill detection based on texture feature and support vector machine[J]. Information Technology，2010，19(11): 90-93．

[15]魏錸，胡卓瑋. 基于合成孔徑雷達(dá)影像的海洋溢油紋理特征參數(shù)分析[J]. 海洋學(xué)報(bào)，2013，35(1): 94-103．

Wei Lai，Hu Zhuowei. Parameter analysis of texture feature in oil spill detection based on SAR[J]. Haiyang Xuebao，2013，35(1): 94-103．

附錄：本文FL分類器的規(guī)則

規(guī)則IFTHEN1μO=LowANDR=LowANDC=HighANDσB=LowANDCONmax=LowProboil=HigpμO=LowANDR=LowANDC=HighANDσB=LowANDCONmax=Mid3μO=LowANDR=LowANDC=HighANDσB=LowANDCONmax=HigpμO=LowANDR=LowANDC=HighANDσB=MidANDCONmax=Low5μO=LowANDR=LowANDC=HighANDσB=MidANDCONmax=Mid6μO=LowANDR=LowANDC=HighANDσB=MidANDCONmax=High7μO=LowANDR=LowANDC=HighANDσB=HighANDCONmax=Low8μO=LowANDR=LowANDC=HighANDσB=HighANDCONmax=Mid9μO=LowANDR=LowANDC=HighANDσB=HighANDCONmax=High10μO=LowANDR=LowANDC=MidANDσB=LowANDCONmax=Low11μO=LowANDR=LowANDC=MidANDσB=LowANDCONmax=Mid12μO=LowANDR=LowANDC=MidANDσB=LowANDCONmax=High13μO=LowANDR=LowANDC=MidANDσB=MidANDCONmax=Low14μO=LowANDR=LowANDC=MidANDσB=MidANDCONmax=Mid15μO=LowANDR=LowANDC=MidANDσB=MidANDCONmax=High16μO=LowANDR=LowANDC=MidANDσB=HighANDCONmax=Low17μO=LowANDR=LowANDC=MidANDσB=HighANDCONmax=Mid18μO=LowANDR=LowANDC=MidANDσB=HighANDCONmax=High19μO=LowANDR=LowANDC=LowANDσB=LowANDCONmax=LowProboil=Mid20μO=LowANDR=LowANDC=LowANDσB=LowANDCONmax=Mid21μO=LowANDR=LowANDC=LowANDσB=LowANDCONmax=Higp2μO=LowANDR=LowANDC=LowANDσB=MidANDCONmax=Low23μO=LowANDR=LowANDC=LowANDσB=MidANDCONmax=Mid24μO=LowANDR=LowANDC=LowANDσB=MidANDCONmax=Higp5μO=LowANDR=LowANDC=LowANDσB=HighANDCONmax=Low26μO=LowANDR=LowANDC=LowANDσB=HighANDCONmax=Mid27μO=LowANDR=LowANDC=LowANDσB=HighANDCONmax=Higp8μO=LowANDR=HighANDC=HighANDσB=LowANDCONmax=Low29μO=LowANDR=HighANDC=HighANDσB=LowANDCONmax=Mid30μO=LowANDR=HighANDC=HighANDσB=LowANDCONmax=High11μO=LowANDR=HighANDC=HighANDσB=MidANDCONmax=Low32μO=LowANDR=HighANDC=HighANDσB=MidANDCONmax=Mid33μO=LowANDR=HighANDC=HighANDσB=MidANDCONmax=High14μO=LowANDR=HighANDC=HighANDσB=HighANDCONmax=Low35μO=LowANDR=HighANDC=HighANDσB=HighANDCONmax=Mid36μO=LowANDR=HighANDC=HighANDσB=HighANDCONmax=High17μO=HighANDR=HighANDC=MidANDσB=LowANDCONmax=LowProboil=Low38μO=HighANDR=HighANDC=MidANDσB=LowANDCONmax=Mid

續(xù)表

收稿日期：2015-01-06；

修訂日期：2015-04-27。

基金項(xiàng)目：國(guó)家自然科學(xué)基金(60890075)。

作者簡(jiǎn)介：蘇騰飛(1987—)，男，內(nèi)蒙古自治區(qū)呼和浩特市人，主要從事遙感數(shù)據(jù)分析算法的研究。E-mail：zzjbaaa@163.com *通信作者：李永香(1975—)，女，講師，內(nèi)蒙古自治區(qū)四子王旗人，主要從事遙感與地理信息系統(tǒng)的應(yīng)用研究。E-mail:lyx1975imnu@163.com

中圖分類號(hào):TP753

文獻(xiàn)標(biāo)志碼：A

文章編號(hào)：0253-4193(2016)01-0069-13

Sea oil spill detection method by SAR imagery using object-based image analysis and fuzzy logic

Su Tengfei1，2，Li Yongxiang3,Li Hongyu1

(1.InnerMongolianAgriculturalUniversity，CollegeofWaterConservancyandCivilEngineering，Hohhot010018，China; 2.TheFirstInstituteofOceanography，StateOceanicAdministration，Qingdao266061，China; 3.CollegeofGeographicalScience,InnerMongoliaNormalUniversity,Hohhot010022,China)

Abstract:Synthetic aperture radar (SAR)，a sensor with all weather and day and night working capacity，has been widely considered as a powerful tool for sea surface oil spill detection. However，lookalikes frequently appear in SAR images，limiting the performance of SAR to detect oil spilled at sea. Thus it is important to study how to effectively differentiate oil spill from lookalike. By using Object-based Image Analysis (OBIA)，a number of oil spill and lookalike samples are extracted from 20 scenes of ENVISAT ASAR images. The object-based geometric，physical and textural features of the samples are analyzed with the objective of determining the best feature variables for oil spill and lookalike separation. The conclusions derived from feature analysis are utilized for the construction of an FL-based oil spill classifier. The proposed method can effectively single out oil spill from lookalike，giving the crisp probability of a dark segment being oil spill at the same time. Oil spill detection experiment indicates that our method can produce satisfactory result．

Key words:SAR; feature analysis; oil spill classification; OBIA; fuzzy logic

蘇騰飛，李永香，李洪玉. 基于面向?qū)ο蠛湍：壿嫷腟AR溢油檢測(cè)算法[J]. 海洋學(xué)報(bào)，2016，38(1): 69-81，doi:10.3969/j.issn.0253-4193.2016.01.007

Su Tengfei，Li Yongxiang,Li Hongyu. Sea oil spill detection method by SAR imagery using object-based image analysis and fuzzy logic[J]. Haiyang Xuebao，2016，38(1): 69-81，doi:10.3969/j.issn.0253-4193.2016.01.007