一种基于BP神经网络的船载微波雷达图像溢油探测方法及系统

技术领域

本发明涉及海洋溢油探测技术领域，具体涉及一种基于BP神经网络的船载微波雷达图像溢油探测方法及系统。

背景技术

目前，遥感技术被广泛应用于溢油的监测。主要以光学遥感和微波雷达为载体，光学遥感数据具有多个波段，光谱信息也较为丰富。但是，光学遥感容易受到光照和气象条件的影响，难以满足实时探测油膜扩散的现实需求。微波雷达通过向海面发射电磁波并接收后向散射信号，可以形成海面回波图像。与无油膜覆盖区的海水后向散射相比，海面存在溢油区域的后向散射相对较弱，在微波雷达海面回波影像上呈现出暗斑现象。由于其微波雷达可以进行全天候、实时、高效监测，并且能克服一定的恶劣海况，是目前最为有效的溢油监测手段之一。

特征提取是溢油识别的重要环节，在实验过程中辅以特征信息有助于提高识别精度。常用的特征包括光谱特征、图像纹理特征、几何特征以及统计学特征。光学影像检测溢油侧重于几何特征和光谱特性的提取，微波雷达影像提取溢油多数采用极化特性和纹理特征。基于灰度共生矩阵的纹理特征提取是常用的纹理特征提取方法，透过计算灰度共生矩阵得到矩阵的部分特征值来代表图像的对比度、均值、熵、能量、同质性等纹理特征。现有机器学习船载微波雷达图像油膜识别方法，大多是基于成熟的纹理特征与分类器尝试进行海浪区分割，再进行油膜识别，鲜有考虑利用特征组合与神经网络获得准确的海浪区分割图。

常用的溢油目标最终识别方法为阈值分割方法。油膜目标分割结果直接取决于阈值的设定。近年来，以传统的机器学习模型和深度学习模型在油膜分类和识别方面得到了很好的应用。将人工智能运用于油膜识别是一种快速、高效、准确、科学的技术，再结合阈值分割方法，有助于提高油膜识别的准确性。

发明内容

鉴于以上问题，本发明提出一种基于BP神经网络的船载微波雷达图像溢油探测方法及系统，以力图解决或者至少缓解上面存在的至少一个问题。

根据本发明的一方面，提供一种基于BP神经网络的船载微波雷达图像溢油探测方法，该方法包括以下步骤：

步骤一、获取雷达图像数据；

步骤二、对所述雷达图像数据进行预处理，获取降噪后图像；

步骤三、将降噪后图像进行切割，获取多个子图像；

步骤四、基于灰度共生矩阵提取各个子图像的灰度共生矩阵纹理特征；

步骤五、利用主成分分析法对多个灰度共生矩阵纹理特征进行降维，将多个灰度共生矩阵纹理特征通过线性组合表征为多个主成分；

步骤六、将多个主成分输入预训练的BP神经网络，获得有效海浪区图像；

步骤七、采用Saulova阈值法对有效海浪区图像进行分割，获取油膜提取结果。

进一步地，在步骤七之后还包括步骤八：设置面积阈值，剔除斑点噪声，以精确提取船载微波图像中的油膜图像。

进一步地，步骤二的具体过程包括：对所述雷达图像数据进行横向算子卷积；利用Otsu算法进行垂直方向噪声检测；进行线性内插抑制噪音，得到降噪后图像。

进一步地，步骤五的具体过程包括：

步骤五一、对所有子图像的多个纹理特征值进行标准化处理，获得多个标准化处理后的纹理特征值；

步骤五二、对于多个标准化处理后的纹理特征值，计算每两个纹理特征值之间的协方差，以构建协方差矩阵；

步骤五三、计算协方差矩阵特征值及其对应的特征向量，并对求得的特征值λ

步骤五四、根据选取主成分个数原则，选取特征值λ

步骤五五、将多个灰度共生矩阵纹理特征通过线性组合表征为多个主成分。

进一步地，步骤五二中构建的协方差矩阵如下：

式中，m表示所有子图像的个数；c

进一步地，步骤五五中多个主成分中每个主成分表示为：

PC

式中，x

进一步地，步骤五四中累计方差贡献率的计算公式为：

式中，λ

进一步地，所述灰度共生矩阵纹理特征包括能量、熵、对比度、均值、同质性、差异性、相关性和方差。

根据本发明的另一方面，提供一种基于BP神经网络的船载微波雷达图像溢油探测系统，该系统包括：

图像获取模块，其配置成获取雷达图像数据；

预处理模块，其配置成对所述雷达图像数据进行预处理，获取降噪后图像；

子图像分割模块，其配置成将降噪后图像进行切割，获取多个子图像；

特征提取模块，其配置成基于灰度共生矩阵提取各个子图像的灰度共生矩阵纹理特征；所述灰度共生矩阵纹理特征包括能量、熵、对比度、均值、同质性、差异性、相关性和方差；

降维模块，其配置成利用主成分分析法对多个灰度共生矩阵纹理特征进行降维，将多个灰度共生矩阵纹理特征通过线性组合表征为多个主成分；

分类模块，其配置成将多个主成分输入预训练的BP神经网络，获得有效海浪区图像；

油膜图像提取模块，其配置成采用Saulova阈值法对有效海浪区图像进行分割，获取油膜提取结果；在获取油膜提取结果后，设置面积阈值，剔除斑点噪声，进一步精确提取船载微波图像中的油膜图像。

进一步地，所述降维模块中将多个灰度共生矩阵纹理特征通过线性组合表征为多个主成分的具体过程包括：

步骤五一、对所有子图像的多个纹理特征值进行标准化处理，获得多个标准化处理后的纹理特征值；

步骤五二、对于多个标准化处理后的纹理特征值，计算每两个纹理特征值之间的协方差，以构建协方差矩阵；构建的协方差矩阵如下：

式中，m表示所有子图像的个数；c

步骤五三、计算协方差矩阵特征值及其对应的特征向量，并对求得的特征值λ

步骤五四、根据选取主成分个数原则，选取特征值λ

式中，λ

步骤五五、将多个灰度共生矩阵纹理特征通过线性组合表征为多个主成分；每个主成分表示为：

PC

式中，x

本发明的有益技术效果是：

本发明提出一种基于机器学习的船载微波雷达图像的溢油探测方法及系统，结合灰度共生矩阵纹理特征参量，采用BP神经网络提取有效海浪区，再运用Sauvola局部阈值分割对有效海浪区的油膜进行初步提取，最后采用面积阈值，精确提取船载微波雷达图像中的海上油膜。本发明以图像纹理特征为基础，将人工神经网络与阈值分割相结合提取船载微波雷达图像中的海上油膜。鉴于目前在纹理特征选择上，多数研究是选择两个或多个纹理特征作为分类器的输入特征，为了能充分体现每一个纹理特征量，本发明采用主成分分析对纹理特征进行降维，转换成新的主成分，这在保证不失纹理信息的同时减少了运算量，提高了提取效率；之后，利用BP神经网络提取有效海浪监测区，再采用自适应阈值分割对海上油膜进行精确提取。本发明为船载微波雷达图像溢油识别提供了一种新的智能化处理方法。

附图说明

通过参考附图阅读下文的详细描述，本发明示例性实施方式的上述以及其他目的、特征和优点将变得易于理解。在附图中，以示例性而非限制性的方式示出了本发明的若干实施方式，其中：

图1是本发明实施例一种基于BP神经网络的船载微波雷达图像溢油探测方法的流程图；

图2是本发明实施例中预处理后的示例图；其中，(a)为原图像；(b)为预处理后的图像；

图3是本发明实施例中提取的纹理特征示例图；其中，(a)-(h)分别对应能量、熵、对比度、均值、同质性、差异性、相关性和方差；

图4是本发明实施例中经过BP神经网络分类后的示例图；

图5是本发明实施例中有效监测的海浪区示例图；

图6是本发明实施例中经过Saulova阈值分割后的示例图；

图7是本发明实施例中经过面积阈值分割后的示例图；

图8是本发明实施例中极坐标系下的油膜分布结果示例图；

图9是本发明实施例一种基于BP神经网络的船载微波雷达图像溢油探测系统的结构示意图。

具体实施方式

下面将参考若干示例性实施方式来描述本发明的原理和精神。应当理解，给出这些实施方式仅仅是为了使本领域技术人员能够更好地理解进而实现本发明，而并非以任何方式限制本发明的范围。相反，提供这些实施方式是为了使本公开更加透彻和完整，并且能够将本公开的范围完整地传达给本领域的技术人员。

本领域技术人员知道，本发明的实施方式可以实现为一种系统、装置、设备、方法或计算机程序产品。因此，本公开可以具体实现为以下形式，即：完全的硬件、完全的软件(包括固件、驻留软件、微代码等)，或者硬件和软件结合的形式。在本文中，需要理解的是，附图中的任何元素数量均用于示例而非限制，以及任何命名都仅用于区分，而不具有任何限制含义。

本发明实施例提供一种基于BP神经网络的船载微波雷达图像溢油探测方法，该方法包括以下步骤：

步骤一、获取雷达图像数据；

步骤二、对所述雷达图像数据进行预处理，获取降噪后图像；具体过程包括：对所述雷达图像数据进行横向算子卷积；利用Otsu算法进行垂直方向噪声检测；进行线性内插抑制噪音，得到降噪后图像；

步骤三、将降噪后图像进行切割，获取多个子图像；

步骤四、基于灰度共生矩阵提取各个子图像的灰度共生矩阵纹理特征；

步骤五、利用主成分分析法对多个灰度共生矩阵纹理特征进行降维，将多个灰度共生矩阵纹理特征通过线性组合表征为多个主成分；具体过程包括：

步骤五一、对所有子图像的多个纹理特征值进行标准化处理，获得多个标准化处理后的纹理特征值；

步骤五二、对于多个标准化处理后的纹理特征值，计算每两个纹理特征值之间的协方差，以构建协方差矩阵；

步骤五三、计算协方差矩阵特征值及其相对应的特征向量，并对求得的特征值λ

步骤五四、根据选取主成分个数原则，特征值要求大于1的特征值且累计方差贡献率大于预设阈值所对应的前i个主成分，为最终所确定的主成分；

步骤五五、将多个灰度共生矩阵纹理特征通过线性组合表征为i个主成分；

步骤六、将多个主成分输入预训练的BP神经网络，获得有效海浪区图像；

步骤七、采用Saulova阈值法对有效海浪区图像进行分割，获取油膜提取结果；

步骤八、设置面积阈值，剔除斑点噪声，以精确提取船载微波图像中的油膜图像。

本实施例中，优选地，步骤五二中构建的协方差矩阵如下：

式中，m表示所有子图像的个数；c

本实施例中，优选地，步骤五五中多个主成分中每个主成分表示为：

PC

式中，x

本实施例中，优选地，步骤五四中计算的累计方差贡献率，选择累计方差贡献率大于85％的前i个主成分作为特征组合输入预训练的BP神经网络；其中，累计方差贡献率的计算公式为：

式中，λ

本实施例中，优选地，所述灰度共生矩阵纹理特征包括能量、熵、对比度、均值、同质性、差异性、相关性和方差。

本发明另一实施例提供一种基于BP神经网络的船载微波雷达图像溢油探测方法，该方法流程如图1所示。预处理上，首先对图像进行横向算子卷积，再运用Otsu算法进行垂直方向噪声检测，最后进行线性内插抑制噪音得到降噪后的图像。首先依据局部窗口尺寸，切割降噪后的图像得到的子图像集合；其次，基于灰度共生矩阵提取各子图像的灰度共生矩阵纹理特征，并通过主成分分析进行纹理特征的选择；再运用BP神经网络分类得到有效海浪区子图像集合；之后，采用Saulova阈值法对海浪区进行分割得到油膜初步提取结果；最后设置面积阈值，剔除斑点噪声，精确提取船载微波图像中的海上油膜。具体发明内容如下：

1)图像预处理参照图1所示工作流程，得到预处理后的图像如图2(b)所示。

基于灰度共生矩阵(GLCM)，采用局部窗口分析法提取各子图像纹理特征值(局部窗口尺寸为64×64)，并输出各纹理特征的可视化结果，采用灰度共生矩阵，提取每个子图像的纹理特征，依次为能量、熵、对比度、均值、同质性、差异性、相关性和方差，结果如图3所示。纹理特征计算公式如下。

式中p(i,j,d,θ)为灰度共生矩阵；

2)纹理特征选择上采用主成分分析对8个纹理特征进行降维，提取主成分。主成分分析过程如下：

对于一个样本数据，有n个指标c

先对特征值图F进行主成分分析检验：

KMO检验是比较原始变量之间的简单相关系数和偏相关系数的相对大小角度进行检验。KMO值的计算公式为：

式中，r

表1 KMO主成分分析检验标准

本发明实施例将KMO值大于0.70认定为适用于主成分分析。

Bartlett检验

假设H为各样本类的方差相同，则统计量K

其中，

由于自由度为v＝m-1，接受假设H的概率P：

v表示自由度，Γ()表示gamma函数。统计量K2越大，P越小，则以较大概率拒绝H。

本发明实施例将KMO检验的值大于0.70，并且Bartlett检验P<0.5时认定为适用于主成分分析。

然后对特征值图F进行主成分分析：

①对所有子图像各纹理特征值进行标准化处理；

式中，x表示子图像中的某一种纹理特征的特征值，

②由不同特征的特征值生成多特征值矩阵，生成8个维度的多特征值矩阵的协方差矩阵；

期望值分别为E[X]与E[Y]的两个实随机变量X与Y之间的协方差cov(X,Y)定义为：

cov(X,Y)＝E[XY]-E[X][Y]

则m个子图像n个特征值矩阵的协方差矩阵为：

式中，m表示所有子图像的个数；c表示所有子图像的某一种纹理特征的特征值，即c

③计算协方差矩阵特征值与特征向量，求得主成分特征；

A.特征值计算方法为：

a.列特征方程|λE-covMatrix|＝0，即

式中，E表示单位矩阵；

采用初等变换(互换、倍加、倍乘)变换行列式，最终转化成多项式形式：

(λ-λ

可以求出与原特征值图相同维度的n个主成分特征λ

b.方差贡献率v

c.按照特征值大于1原则，选取前两个主成分来表征原始的8个特征。

B.特征向量计算方法为：

解出所有特征值后，再由齐次线性方程组求出covMatrix的对应于特征值的特征向量：

(λE-covMatrix)β＝0

上述方程组的基础解β是covMatrix对应的特征向量，即

因此，第i个主成分(PC

PC

式中，x

选择方差贡献率最高的两个主成分作为特征组合输入预训练的BP神经网络，对有效海浪区和背景进行分类，提取出有效的海浪监测区。其中，第一主成分(y

y

第二主成分(y

y

式中，x

3)以第一主成分和第二主成分作为分类器的输入特征，采用BP神经网络对有效海浪监测区和其他背景进行分类，提取出有效的海浪监测区，并将子图像进行合并，结果如图4所示。将分类图与预处理后的船载微波雷达预处理图像求并运算得到有效监测的海浪区图像，如图5所示。

BP神经网络是一种多层的向前型神经网络，采用梯度下降法计算目标函数的最小值，信号正向传播，误差反向传播。网络一般由输入层，隐含层和输出层组成，每层可含多个神经元，每层的任一神经元与下一层的所有神经元相连，层内的各神经元之间没有连接。BP神经网络的基本原理如下所示。

计算输出层有：

计算隐含层有：

误差为输出层与目标之间的差值，即：

4)采用Saulova局部阈值分割方法对分类后的图进行阈值分割提取油膜(采用局部滑动窗口进行分割，窗口尺寸为64像元×64像元，初始阈值k为0.65)，结果如图6所示。

Saulova算法基本原理是对图像中的每一个像素点，选取合适的窗口，根据该窗口内像素点灰度值的分布，选取灰度均值s(i,j)与灰度标准差m(i,j)作为阈值T(i,j)的计算依据，图像中各个像素的阈值仅受其局部窗口内像素的影响。Sauvola算法表达式如下：

式中，R为标准差的动态范围；k为标准差影响因子，反映了标准差对阈值T(i,j)的影响的强度，在(0,1)之间取值；m(i,j)、s(i,j)分别为以点(i,j)为中心、r×r邻域内的灰度均值与标准差。

5)再利用像元面积阈值法，删除小斑点和假阳性目标，求得最终的油膜图像，如图7所示。

6)最后，将识别的油膜转换至现实的极坐标系下，如图8所示。

本发明另一实施例提供一种基于BP神经网络的船载微波雷达图像溢油探测系统，如图9所示，该系统包括：

图像获取模块10，其配置成获取雷达图像数据；

预处理模块20，其配置成对所述雷达图像数据进行预处理，获取降噪后图像；

子图像分割模块30，其配置成将降噪后图像进行切割，获取多个子图像；

特征提取模块40，其配置成基于灰度共生矩阵提取各个子图像的灰度共生矩阵纹理特征；所述灰度共生矩阵纹理特征包括能量、熵、对比度、均值、同质性、差异性、相关性和方差；

降维模块50，其配置成利用主成分分析法对多个灰度共生矩阵纹理特征进行降维，将多个灰度共生矩阵纹理特征通过线性组合表征为多个主成分；

分类模块60，其配置成将多个主成分输入预训练的BP神经网络，获得有效海浪区图像；

油膜图像提取模块70，其配置成采用Saulova阈值法对有效海浪区图像进行分割，获取油膜提取结果；在获取油膜提取结果后，设置面积阈值，剔除斑点噪声，进一步精确提取船载微波图像中的油膜图像。

本实施例中，优选地，所述降维模块50中将多个灰度共生矩阵纹理特征通过线性组合表征为多个主成分的具体过程包括：

步骤五一、对所有子图像的多个纹理特征值进行标准化处理，获得多个标准化处理后的纹理特征值；

步骤五二、对于多个标准化处理后的纹理特征值，计算每两个纹理特征值之间的协方差，以构建协方差矩阵；构建的协方差矩阵如下：

式中，m表示所有子图像的个数；c

步骤五三、计算协方差矩阵特征值及其对应的特征向量，并对求得的特征值λ

步骤五四、根据选取主成分个数原则，选取特征值λ

式中，λ

步骤五五、将多个灰度共生矩阵纹理特征通过线性组合表征为多个主成分；每个主成分表示为：

PC

式中，x

本实施例所述一种基于BP神经网络的船载微波雷达图像溢油探测系统的功能可以由前述一种基于BP神经网络的船载微波雷达图像溢油探测方法说明，本实施例未详述部分参见以上方法实施例。

应当注意，尽管在上文详细描述中提及了若干单元、模块或子模块，但是这种划分仅仅是示例性的并非强制性的。实际上，根据本发明的实施方式，上文描述的两个或更多模块的特征和功能可以在一个模块中具体化。反之，上文描述的一个模块的特征和功能可以进一步划分为由多个模块来具体化。

此外，尽管在附图中以特定顺序描述了本发明方法的操作，但是，这并非要求或者暗示必须按照该特定顺序来执行这些操作，或是必须执行全部所示的操作才能实现期望的结果。附加地或备选地，可以省略某些步骤，将多个步骤合并为一个步骤执行，和/或将一个步骤分解为多个步骤执行。

虽然已经参考若干具体实施方式描述了本发明的精神和原理，但是应该理解，本发明并不限于所公开的具体实施方式，对各方面的划分也不意味着这些方面中的特征不能组合以进行受益，这种划分仅是为了表述的方便。本发明旨在涵盖所附权利要求的精神和范围内所包括的各种修改和等同布置。