技术领域
[0001] 本
发明涉及海洋溢油检测技术领域，尤其涉及一种基于全极化SAR新特征的海洋溢油检测方法。
背景技术
[0002] 海上溢油是造成海洋环境污染损害的主要因素之一，由管道破裂，油轮碰撞和钻井平台爆炸引起的海洋石油污染是全球关注的问题，自1970年以来，全世界每年发生的石油污染超过10000吨，因此如何有效地检测海面溢油就显得尤为重要。海上溢油发生后，通常要了解发生的
位置、溢油量和扩散趋势，在已投入的监测系统中，卫星遥感是最重要和最有效的手段之一，在海上溢油监测和应急响应中发挥着越来越重要的作用。目前，最常用的卫星遥感
传感器包括可见光、红外、紫外、激光
荧光和
微波传感器等，其中又以
合成孔径雷达(SAR)能够穿
云透雾，且不受昼夜影响的特点而被广泛应用；
[0003] 浮油通常表现为SAR图像中的暗斑，这是由于SAR海面成像的主要机理造成的。当海面上有油膜存在时，海面上的毛细波和短重
力波会不断地受到阻尼作用，降低海面粗糙度，从而削弱雷达后向散射回波
信号。一般来说，传统的单极化溢油检测可以分为以下三个步骤：(1)暗斑检测：例如，感兴趣区域(ROI)的识别；(2)特征提取：为了进一步区分暗斑的组成，有必要在暗斑检测之后提取图像的各种特征，挑选合适的特征用于随后的分类任务；(3)分类：减少油膜和类油膜的错分现象；
[0004] 随着SAR的极化方式由单极化向双极化、全极化的发展，基于极化SAR数据的新的溢油检测研究已经进行，相比于单极化，全极化SAR图像不仅含有强度信息，而且还包含
相位信息，能够有效地获取海面目标的全极化散射特性，更全面地反映海面目标的几何形状和物理特性；
[0005] 在现有的极化特征提取技术中，大都能够很好的区分油膜与
海水，但对于全极化SAR溢油影像来说，影像并不是只有油膜与
海水，还包含有低
风速区、雨团、
生物油膜等类油膜现象，特别是生物油膜与矿物油膜的区分在近几年来越来越被重视，而现有的特征提取技术并不能够很好的区分生物油膜与矿物油膜，且容易受到海面相干斑噪声的影响，因此，本发明提出一种基于全极化SAR新特征的海洋溢油检测方法，以解决
现有技术中的不足之处。
发明内容
[0006] 针对上述问题，本发明提出一种基于全极化SAR新特征的海洋溢油检测方法，基于特征值分解理论提出一种新的极化特征，称为极化基尼系数，该特征不仅能够反映集合中不同目标之间的极化状态，还能够描述不同散射类型在统计意义上的不纯度，新特征通过目标分解理论得到不同散射机制类别，通过计算该
像素的主导散射机制在统计意义上的不纯度提取溢油信息，解决了不能区分生物油膜与矿物膜的问题，且新的特征提取技术具有抑制相干斑噪声的能力。
[0007] 本发明提出一种基于全极化SAR新特征的海洋溢油检测方法，包括以下步骤：
[0008] 步骤一：提取极化相干矩阵，包括原始散射矩阵S与相干矩阵T3的提取，极化散射矩阵S能完整描述SAR目标的电磁散射特性，其定义如公式(1)所示，相干矩阵T3由目标矢量k与自身共轭转置矢量的外积生成，相干矩阵T3定义如公式(2)所示；
[0009]
[0010]
[0011] 公式(2)中，*T，*分别代表共轭转置和共轭，<·>表示整体平均值；
[0012] 步骤二：特征值和
特征向量分解。基于目标分解理论，将3×3埃尔米特平均相干矩阵T3计算得到的特征值和特征向量生成相干矩阵的一种对
角化形式，相干矩阵T3的定义如公式(3)所示：
[0013]
[0014] 其中，∑是3×3的非负实对角阵，特征值(λ1≥λ2≥λ3≥0)；U3＝[e1 e2 e3]是3×3特殊酉矩阵SU(3)，其中e1,e2,e3分别是相干矩阵T3的特征矢量，然后相干矩阵T3被重新定义，新的定义如公式(4)所示；
[0015]
[0016] 步骤三：构建基尼系数新特征。基于步骤二中的特征值与特征向量分解，定义极化基尼系数如公式(5)所示：
[0017]
[0018] 其中，pi对应于特征值λi获得的伪概率，满足 p1+p2+p3＝1，λ1≥λ2≥λ3≥0，且由于特征值为旋转不变的，极化基尼系数也具有旋转不变性；
[0019] 步骤四：
阈值分割。通过目标分解理论得到不同散射机制类别以及对应的散射机制，根据基尼系数新特征判断不同散射机制在统计意义上的不纯度与有序度进行溢油信息的提取。
[0020] 进一步改进在于：所述公式(1)中SHV代表水平极化发射，垂直极化接收；SVH代表垂直极化发射，水平极化接收；SHH代表水平极化发射与接收；SVV代表垂直极化发射与接收。
[0021] 进一步改进在于：所述公式(1)中当满足互易性定理时，SHV＝SVH，极化散射矩阵S用Pauli基分解方法得到目标散射矢量k，则极化散射矩阵S的定义如公式(6)所示：
[0022]
[0023] 其中，因子 用于保证目标矢量的范数与散射总功率相等。
[0024] 进一步改进在于：所述步骤一中散射矩阵S的对角元素代表相同极化方式的入射场和散射场关系，用“同极化”项表示；非对角元素代表
正交极化方式的入射角和散射场关系，用“交叉极化”项表示。
[0025] 进一步改进在于：所述步骤二中求解特征矢量e1,e2,e3，则获得3个互不相关的目标用于构建统计模型，将相干矩阵T3展开为3个相互独立的目标之和，每个目标对应一种确定的散射机制，然后由一个等价的简单散射矩阵表示，再确定的散射机制成分i在整个散射过程中所占的权重，由特征值λi描述，散射机制的类型与归一化特征矢量ei相关。
[0026] 进一步改进在于：所述步骤三中公式(5)中，当特征值只有一个非零时(λ1≠0,λ2＝λ3＝0)，则相干矩阵T3就退化为由极化散射矩阵S定义的点目标的散射情况。
[0027] 进一步改进在于：所述步骤三中公式(5)中，当所有的特征值均不为零且均相等(λ1＝λ2＝λ3≠0)，则相干矩阵T3就代表一种完全去极化的随机散射状态，介于这两种极端情况之间的目标是部分极化的，此时相干矩阵T3的非零特征值的数量大于1且彼此不完全相等。
[0028] 进一步改进在于：所述步骤四中当不纯度越低，则相应散射机制的有序度就越高，极化基尼系数也越小；当不纯度越高，则相应散射机制的有序度就越低，极化基尼系数就越大；当不纯度达到最小值时，表明对应集合中的散射机制类别一致；当不纯度达到最大值时，表明集合中的目标散射呈现随机噪声状态。
[0029] 进一步改进在于：所述步骤四中从极化状态角度，当极化基尼系数的值较低时，则系统可以被认为是弱去极化的，主导散射机制被视为特定等效点的目标散射机制，根据该机制则进行选择对应于最大特征值的特征向量，而忽略其他特征向量；当极化基尼系数的值较高时，集合内的平均散射体将呈现去极化状态，不再存在单个散射目标，则需要考虑来自整个特征值分布谱的所有可能点目标散射类型的混合比例；当极化基尼系数进一步增大时，从极化测量数据中识别的散射机制的数目也将逐渐减少，当极化基尼系数达到最大值时，极化信息将为零，则此时目标散射完全是随机噪声过程。
[0030] 本发明的有益效果为：本发明方法基于特征值分解理论提出一种新的极化特征，称为极化基尼系数，该特征不仅能够反映集合中不同目标之间的极化状态，还能够描述不同散射类型在统计意义上的不纯度，当不纯度为0时表明对应集合中的散射机制类别一致，新特征通过目标分解理论得到不同散射机制类别，通过计算该像素的主导散射机制在统计意义上的不纯度提取溢油信息；对全极化SAR溢油影像利用该方法提取特征，很好地解决了以往传统方法不能有效区分生物油膜与矿物膜的难题，且新的特征提取技术具有抑制SAR图像相干斑噪声的能力。
附图说明
[0031] 图1为本发明基于特征值分解的新极化特征提取流程示意图；
[0032] 图2为本发明基于特征值分解的新极化特征提取示意图；
[0033] 图3为本发明相干矩阵经分解后的特征图影像示意图；
[0034] 图4为本发明方法提取后的新特征图极化基尼系数示意图；
[0035] 图5为本发明新特征极化基尼系数阈值分割示意图；
[0036] 图6为本发明
实施例中极化基尼系数与span、 H、P、A、CPD、Rho的特征提取结果对比示意图；
[0037] 图7为本发明实施例中极化基尼系数与span、 H、P、A、CPD、Rho的概率
密度曲线评定结果对比示意图；
[0038] 图8为本发明实施例中极化基尼系数与span、 H、P、A、CPD、Rho的概率密度曲线评定结果对比示意图；
[0039] 图9为本发明实施例中极化基尼系数与span、 H、P、A、CPD、Rho的概率密度曲线评定结果对比示意图；
[0040] 图10为本发明实施例中极化基尼系数与span、 H、P、A、CPD、Rho的概率密度曲线评定结果对比示意图。
具体实施方式
[0041] 为了加深对本发明的理解，下面将结合实施例对本发明做进一步详述，本实施例仅用于解释本发明，并不构成对本发明保护范围的限定。
[0042] 根据图1、2、3、4、5、6、7、8、9、10所示，本实施例提出一种基于全极化SAR新特征的海洋溢油检测方法，包括以下步骤：
[0043] 步骤一：提取极化相干矩阵，包括原始散射矩阵S与相干矩阵T3的提取，极化散射矩阵S能完整描述SAR目标的电磁散射特性，其定义如公式(1)所示，相干矩阵T3由目标矢量k与自身共轭转置矢量的外积生成，相干矩阵T3定义如公式(2)所示；
[0044]
[0045]
[0046] 公式(1)中，SHV代表水平极化发射，垂直极化接收；SVH代表垂直极化发射，水平极化接收；SHH代表水平极化发射与接收；SVV代表垂直极化发射与接收；
[0047] 公式(2)中，*T，*分别代表共轭转置和共轭，<·>表示整体平均值；
[0048] 当满足互易性定理时，SHV＝SVH，极化散射矩阵S用Pauli基分解方法得到目标散射矢量k，则极化散射矩阵S的定义如公式(6)所示：
[0049]
[0050] 其中，因子 用于保证目标矢量的范数与散射总功率相等；
[0051] 散射矩阵S的对角元素代表相同极化方式的入射场和散射场关系，用“同极化”项表示；非对角元素代表正交极化方式的入射角和散射场关系，用“交叉极化”项表示；
[0052] 步骤二：特征值和特征向量分解，基于目标分解理论，将3×3埃尔米特平相相干矩阵T3计算得到的特征值和特征向量生成相干矩阵的一种对角化形式，相干矩阵T3如公式(3)所示：
[0053]
[0054] 其中，∑是3×3的非负实对角阵，U3是3×3特殊酉矩阵SU(3)，如果λ1,λ2,λ3分别代表相干矩阵T3中的三个非负特征值，且λ1≥λ2≥λ3≥0；e1,e2,e3分别代表相干矩阵T3的特征矢量，则相干矩阵T3可以进一步展开如公式(4)所示：
[0055]
[0056] 求解特征矢量e1,e2,e3，则获得3个互不相关的目标用于构建统计模型，将相干矩阵T3展开为3个相互独立的目标之和，每个目标对应一种确定的散射机制，然后由一个等价的简单散射矩阵表示，再确定的散射机制成分i在整个散射过程中所占的权重，由特征值λi描述，散射机制的类型与归一化特征矢量ei相关，本实施例中分解后的图片如图3所示；
[0057] 步骤三：构建基尼系数新特征。基于步骤二中的特征值与特征向量分解，定义极化基尼系数如公式(5)所示：
[0058]
[0059] 其中，pi对应于特征值λi获得的伪概率，满足 且p1+p2+p3＝1，λ1≥λ2≥λ3≥0，且由于特征值为旋转不变的，极化基尼系数也具有旋转不变性；
[0060] 当特征值只有一个非零时(λ1≠0,λ2＝λ3＝0)，则相干矩阵T3就退化为由极化散射矩阵S定义的点目标的散射情况；当所有的特征值均不为零且均相等(λ1＝λ2＝λ3≠0)，则相干矩阵T3就代表一种完全去极化的随机散射状态，介于这两种极端情况之间的目标是部分极化的，此时相干矩阵T3的非零特征值的数量大于1且彼此不完全相等；
[0061] 步骤四：阈值分割，通过目标分解理论得到不同散射机制类别以及对应的散射机制，根据基尼系数新特征判断不同散射机制在统计意义上的不纯度与有序度进行溢油信息的提取。
[0062] 当不纯度越低，则相应散射机制的有序度就越高，极化基尼系数也越小；当不纯度越高，则相应散射机制的有序度就越低，极化基尼系数就越大；当不纯度达到最小值时，表明对应集合中的散射机制类别一致；当不纯度达到最大值时，表明集合中的目标散射呈现随机噪声状态；
[0063] 从极化状态角度，当极化基尼系数的值较低时，则系统可以被认为是弱去极化的，主导散射机制被视为特定等效点的目标散射机制，根据该机制则进行选择对应于最大特征值的特征向量，而忽略其他特征向量；当极化基尼系数的值较高时，集合内的平均散射体将呈现去极化状态，不再存在单个散射目标，则需要考虑来自整个特征值分布谱的所有可能点目标散射类型的混合比例；当极化基尼系数进一步增大时，从极化测量数据中识别的散射机制的数目也将逐渐减少，当极化基尼系数达到最大值时，极化信息将为零，则此时目标散射完全是随机噪声过程。
[0064] 在本实施例影像中，干净海水中布拉格散射占主导，散射机制较为单一，此时相干矩阵T3中存在一个较大的特征值，因此极化基尼系数较小；矿物油的散射机制较为复杂，从测量数据中可以识别的散射机制数目很少，此时相干矩阵T3中存在三个近似相等的特征值，因此浮油的极化基尼系数要大于清洁海水的极化基尼系数；而生物油膜除了包含主导散射之外还包括其他复杂的目标散射机制，如镜面散射等，布拉格散射不占优势，此时相干矩阵T3中存在两到三个彼此不相等的特征值，因此极化基尼系数应介于矿物油与海水之间。总体上，基尼系数从大到小的排序是矿物油>生物油膜>海水，利用本发明方法提取的极化基尼系数特征如图4所示，可以清晰地看到矿物油、生物油膜与海水在极化基尼系数特征图像上表现出完全不同的分布区间，矿物油的极化基尼系数在0.45-0.68之间，生物油膜的极化基尼系数在0.23-0.32之间，海水的极化基尼系数在0.1附近，利用OTSU
算法对极化基尼系数特征图像进行阈值分割，分割后的影像如图5所示，矿物油
覆盖区域被很好地分割出来，生物油膜与海水被合并成一类。
[0065] 利用本发明方法和H、A、 span、P、CPD、Rho其余7种经典的方法获得的极化特征提取结果进行对比，利用概率密度曲线、图像
对比度以及局部标准偏差对特征提取结果进行定性与定量地评估，图7、图8和图9是概率密度曲线定性评定结果，表1是
图像对比度定量评定结果，表2是局部标准偏差定量评定结果。
[0066] 表1 不同特征提取方法下
原油与
植物油的图像对比度评定
[0067]
[0068] 表2 不同特征提取方法下原油与
植物油的局部标准偏差评定
[0069]
[0070] 其中，概率密度曲线能够显示每个特征区分生物油膜(本实施例用植物油模拟)与矿物油膜的能力，在不同特征的概率密度曲线中，生物油膜与矿物膜曲线峰值之间的距离越远，表明该特征区分生物油膜与矿物膜的能力越好；图像对比度能够度量极化特征区分生物油膜与矿物油信息的能力，若某特征生物油膜与矿物膜之间的对比度越高，则该特征就越有利于提取海面矿物油膜，即更适合于溢油检测；局部标准偏差用来测量不同极化特征提取方法对于全极化SAR图像的相干斑噪声抑制能力，若局部标准偏差值较小，则影像的噪声越小，证明该特征抑噪性越强。
[0071] 从定性的角度评判，图6中可以直观的看到本方法的特征提取结果在视觉上明显优于大部分现有方法，提取极化基尼系数后，生物油膜与矿物油膜具有明显差异，且从图7、图8、图9和图10的概率密度曲线可以看出极化基尼系数、H、span及P在都表现出较好的可分性；
[0072] 从定量的角度评判，表1与表2可以看出极化基尼系数的图像对比度与局部标准偏差均超过其余所有特征，这表明极化基尼系数对于其他特征而言能更有效的提取溢油信息，因此，本方法在溢油与海水可分性和图像抑噪性上均好于其它极化特征提取方法。
[0073] 本发明方法基于特征值分解理论提出一种新的极化特征，称为极化基尼系数，该特征不仅能够反映集合中不同目标之间的极化状态，还能够描述不同散射类型在统计意义上的不纯度，当不纯度为0时表明对应集合中的散射机制类别一致，新特征通过目标分解理论得到不同散射机制类别，通过计算该像素的主导散射机制在统计意义上的不纯度提取溢油信息；对全极化SAR溢油影像利用该方法提取特征，很好地解决了以往传统方法不能有效区分生物油膜与矿物膜的难题，且新的特征提取技术具有抑制SAR图像相干斑噪声的能力。
[0074] 以上显示和描述了本发明的基本原理、主要特征和优点。本行业的技术人员应该了解，本发明不受上述实施例的限制，上述实施例和
说明书中描述的只是说明本发明的原理，在不脱离本发明精神和范围的前提下，本发明还会有各种变化和改进，这些变化和改进都落入要求保护的本发明范围内。本发明要求保护范围由所附的
权利要求书及其等效物界定。
