SAR图像溢油信息的提取和识别算法研究

Oil spill has recently been leading to large scale of environmental polution to the ocean, and thus causing death to lots of marine organism, large amount of economic losses, and great harm to human beings as well. Remote sensing, especially synthetic aperture radar (SAR), has become the main technique for oil spill monitoring. However, it is still a challenging task to automatically detect the oil spill accurately and fastly.. This project aims to develop a new image segmentation algorithm based on wavelet transformation and level set method for automatically and fastly extracting the dark spots from SAR images.Scattering, geometric, texture, context and polorization features will be extracted from the detected dark spots. Then, classification will be conducted to distinguish the dark spots into oil slick and look-alikes. The proposed approach consists of a comprehensive framework including SAR data acquisition, processing, segmentation, classification and validation for the oil leakage extraction. Moreover, comparisons with existing methods are also conducted to test the effectiveness of the proposed algorithm. Additionally, on the basis of oil dection, laboratory experiment over the microwave scattering characteristics of various oil will also be designed to further distinguish different types of oil as well as the oil thickness. The outcomes of this project will serve as scientific basis to the local government for crisis management and decision making.

近年来，海上溢油事件频发，造成大面积海域污染，不仅使海洋生态环境受到损害，造成海洋生物大量死亡，经济蒙受损失，而且危及人类健康。遥感技术，特别是合成孔径雷达（SAR）已成为当前海上溢油监测的主要手段，SAR图像溢油信息提取和自动识别算法就成为快速准确了解溢油发生的位置和面积、溢油量和扩散趋势等信息的关键。.本项目针对SAR图像上的溢油信息提取中的难点，拟研发一种基于小波变换和水平集的新的快速实用的黑斑检测算法，综合提取黑斑的散射、几何、纹理、上下文和极化等特征，最后通过分类器区分出溢油和似然物，从而形成SAR图像的采集、预处理、黑斑检测、特征提取和分类为主线的溢油信息提取技术流程。此外，在准确识别溢油区域的基础上，通过实验室微波散射信号测量，进一步识别溢油种类和估算油膜相对厚度，为海上溢油监测和应急管理提供科学依据和决策支持。

溢油事故对生态环境造成了巨大破坏，使经济蒙受了巨大的损失。机载与星载SAR系统具有全天时，全天候的观测能力，然而对于单极化SAR来说，区分海面的某些似然物与矿物油是十分困难的。针对上述问题，本项目探究了基于SAR的海面油膜检测和分类方法。. 项目提出了小波变换和水平集相结合的海面油膜分割方法和基于形态学的海面油膜分类方法。该方法该方法基于SAR后向散射灰度图像，利用特征概率函数的双阈值分割进行黑斑提取，再利用密度估计提取灰度的空间分布信息，然后通过构建概率函数来对油膜和类油膜区域进行形态学分类。. 为了进一步提高分类精度，项目针对全极化SAR的海面溢油探测方法开展研究。首先研究了SAR海面溢油检测及海面散射模型。通过实验室微波散射信号测量，发展了识别溢油的种类和估算油膜相对厚度等信息的方法。随后利用L波段全极化UAVSAR数据，基于布拉格散射模型估计深水地平线（DWH）溢油事故中的海面介电常数。提出了一种基于统计距离和归一化灰度矩的分析框架，利用其来研究多种全极化SAR特征。本论文基于Radarsat-2全极化SAR数据，对非常特殊的墨西哥湾深水地平线溢油事件进行了研究，并基于统计方法分析了全极化SAR特征区分不同海面衰减状态的能力。. 为了在获取部分极化信息的同时保留较大的观测带宽度，本项目针对紧缩极化SAR的海面溢油探测方法开展研究。分析了从π/2（圆极化发射线性极化接收，CTLR）紧缩极化SAR数据中提取出的特征，并将其与全极化数据在区分不同衰减状态的能力上做了比较。. 最后，本项目基于C波段SIR-C全极化数据对溢油分类算法开展了研究。采用了K均值方法作为非监督分类算法，采用支持向量机，人工神经网络和极大似然分类作为监督分类算法。研究中对基于不同特征与算法下的溢油分类性能做了分析，并将基于π/2和π/4（45°极化发射线性极化接收）紧缩极化模式的分类结果与基于全极化的分类结果进行了比较。. 本项目提出的研究方法与获得的实验结果将有益于SAR海洋及海岸带环境监测应用，并且为未来星载SAR对地观测方法的设计提供参考。