1 引言
伴随着船舶运输与海上钻井平台的发展,由此引发的石油泄露产生了严重的海洋污染,对海洋生态环境造成了巨大威胁。为了尽可能地减少石油泄漏所产生的影响,人们需要在事故发生后尽快确定石油泄漏的来源、范围和蔓延趋势,从而快速地制止污染的传播。
近年来,研究人员一直致力于利用卫星监视可能发生的石油泄漏,其中应用最为广泛的就是合成孔径雷达(SAR)[1]。SAR具有全天时、全天候工作的特点和高空间分辨率等优点,在帮助监测石油泄漏方面发挥了重要的作用。1996年5月,欧空局利用ERS-1/2 SAR图像监测了阿普什伦半岛以东的里海的石油泄漏。在1997年,加拿大利用RADARSAT-1进行日本海纳霍德卡燃油泄漏的浮油分类与检测。在2007年,TerraSAR-X数据被紧急用于观测Hebei Spirit石油泄漏事件发生后的朝鲜半岛西海岸。2012年7月,国内首座海上溢油雷达监测预警系统建成。
目前,很多研究机构和学者已经开展了大量SAR海上溢油的检测与识别工作,提出了一系列算法[2- 4],并取得了一定的效果。Shu基于SAR图像开发了一种自动暗斑检测算法[5],利用空间密度特征来区分暗斑区域和背景,首先采用强度阈值分割技术对潜在的暗斑像素和潜在的背景像素进行区分,然后利用核密度估计算法计算潜在背景像素的密度以确定真实的暗斑像素,最后通过区域阈值和对比度阈值消除虚假目标。Ren等人[6]提出的溢油图像分割方法在标签和像素级上耦合两个平滑模块,以准确地表征溢油图像结构。在标签层上,采用滚动导向滤波器平滑标签的成本量,减轻模糊分割所造成的溢油区域的结构模糊。在像素层上,采用了协调模型使高阶像素变化平滑,保留漏油的细长条带。Taravat和Oppelt[7]采用神经网络模型,通过Weibull乘数滤波抑制斑点噪声,增强背景与目标的对比度。然后使用多层感知神经网络来分割散斑抑制后的SAR图像。Xu[8]采用SFCCRF方法对SAR图像建模,能够有效区分暗斑和背景。Singha[9]提出了一种利用相干双极化的图像溢油检测算法。Ajadi[10]提出了一种算法,可以降低溢油检测算法对海风的敏感性,并提高在低风速下的检测性能。Mercier[11]将基于核函数的方法应用到SAR图像的小波分解中,提出了一种半监督的溢油检测方法。
上述方法虽然取得了较为准确的检测效果,但是流程复杂,计算量大,难以做到实时处理,不适用于资源受限的星载环境。针对这一问题,本文提出了一种基于最大熵阈值分割的SAR图像溢油检测算法,通过计算滑动窗口内不同灰度级对应的信息熵来确定分割阈值,对图像的溢油区域进行检测。该方法无需进行先验学习,流程清晰,计算简单,可用于资源受限的星载平台实时处理中。
2 基于最大熵阈值分割的SAR溢油检测算法
SAR图像溢油检测算法的流程框图如图1所示,主要分为四个部分:(1)图像滤波,减小噪声对后续检测的影响;(2)陆地掩模,将包含海洋和陆地区域的图像中的陆地区域做掩模处理;(3)图像阈值分割,依据图像的灰度值确定最佳的分割阈值,提取图像的溢油区域;(4)区域剔除与合并,对分割形成的小的斑块进行剔除,并将相距很近的溢油区域进行合并。即得到了最终的溢油提取区域。
图1 溢油检测算法流程图
Fig.1 The oil spill detection algorithm flow chart
2.1 图像滤波
SAR图像的信息表达方式与光学图像有很大的差异,在成像过程中,会受到相干斑噪声和各种几何特征的影响。这些会在图像中会表现为孤立的像素点或像素块,甚至会弥散到整幅图像中,影响后续处理。图像滤波是预处理最重要的环节之一,通过滤除孤立、点状、大小为几个像素的斑块,减轻或消除噪声的影响。算法中采用的是高斯滤波器,其用数学表达式表示为:
(1)
式中,R是滤波后窗口中心像素的灰度值,xi, j为滤波窗口内各个像素的灰度值,ti, j为滤波器模板对应位置的权重,其中窗口的大小为n×n。当窗口大小为3×3时,滤波器模板如图2所示。对图像的所有点进行模板操作,通过滤波器模板确定的邻域内像素计算得到每个像素点的值。
图2 高斯滤波器模板
Fig.2 Gaussian filter template
从图3(a)中可以看出,图像中存在大量的斑点噪声,经过高斯滤波之后,如图3(b)所示,图像中的噪声减少。
图3 高斯滤波结果图
Fig.3 The Gaussian filtering result graph
2.2 陆地掩模
由于溢油检测针对海洋区域,而SAR遥感图像中可能包含陆地区域。如果直接对整幅图像进行检测,陆地区域复杂的环境会对分割阈值的选择造成影响。因此为了使溢油区域提取更加准确,在确定分割阈值之前,对图像进行陆地掩模操作。
陆地掩模的步骤如下所示:(1)读取相应海域的陆地轮廓的经纬度数据,作为陆地掩模的对照信息;(2)传入SAR图像,读取图像顶点的经纬度数据,并判断与陆地区域是否有重叠;(3)若无重叠区域,直接进行后续的分割操作,若有重叠区域,将图像进行降采样,减少掩模操作的计算量;(4)降采样后的图像的每一个像素点经纬度信息与预先读取的经纬度信息进行对照,保留海洋区域;(5)对图片进行上采样,恢复到原始图像大小。
2.3 阈值分割
由于SAR图像一般比较大,分辨率为几米左右,不能直接对整幅图像进行阈值分割,因此采用滑窗方法。为了保证对不同的图像能够相近的分割效果,依据图像所携带的分辨率信息,将滑动窗口的尺寸设为固定的大小。防止相邻滑窗检测结果的不连续,相邻的检测窗口设置一定的重叠区域,可设置为滑窗大小的1/4～1/3。对于一幅图像的相同区域,当多个滑窗均检测为溢油区域时,最终的分割结果才显示为溢油。在滑窗内部,使用基于最大熵阈值的分割算法。熵是图像特征的一种统计形式,它反映了图像中平均信息量的多少,计算公式为:
(2)
其中,H(X)表示图像的熵,p(xi)表示像素值为xi的像素点个数占总像素点数的比例。H(X)的值反映了图像的均匀程度,数值越小,说明图像越不均匀。若图像只包含目标或者背景,则熵值较大;若图像同时包含目标和背景,则熵值较小。据此,将图像的灰度分布直方图分为两部分,分别表示目标和背景,计算两者的熵,然后将两部分的熵值相加,两者和最大时对应的像素值即为分割阈值。
图4 陆地掩模流程
Fig.4 Land mask process
假设灰度级T为影像分割阈值,即影像中低于T灰度级的像元点构成目标,高于T的像元点构成背景,则目标和背景各灰度级的分布概率为po和pB。
(3)
(4)
其中,
为图像的灰度级,则影像目标区和背景区的熵分别为:
(5)
(6)
对影像中每一个灰度级,计算目标熵和背景熵的和H:
H=Ho+HB
(7)
取H最大时对应的灰度级TH作为分割影像的最佳阈值TH,即
TH=max(Ho+HB)
(8)
相同大小的窗口依次滑过图像,在每一个窗口内部选取不同的阈值计算两部分熵之和,和最大时对应最佳的分割阈值,根据阈值对图像进行二值分割,其中低于阈值的区域被置为“0”,高于阈值的区域被置为“1”。经过阈值分割后,整幅图像被转化为二值图像。
2.4 区域剔除与合并
图像阈值分割之后可能会存在一些面积较小的区域,这些区域由于海风、波浪等因素被检测出来,为了剔除这些虚警,使用下式进行约束:
(9)
其中,B为溢油检测结果中的其中一个连通域,Area(B)为连通域的面积,B(x,y)表示对应连通域内的像素值,AreaLimit为设定的面积约束。当区域的面积小于约束面积时,该连通区域的所有像素值被置为1,否则置为0。结果如图6所示,与图5(b)进行对比,可以看到分割后图像的一个小区域被剔除。
图5 阈值分割结果图
Fig.5 Threshold segmentation result graph
图6 区域剔除结果图
Fig.6 Area rejection result graph
区域剔除后,对图像进行连通域标记,计算每个连通区域的描述特征量,如像素数、质心位置等。然后计算两两区域之间的距离,设置区域距离下限,将区域距离小于该下限值的区域进行合并,认为该两处或多处溢油区块属于同一油膜区。
3 实验结果及分析
为了验证本文提出的溢油检测算法,我们采用GF-3卫星图像作为实验数据,分辨率分别为8 m、10 m,测试不同分辨率下算法的性能,测试使用的计算机配置为:Inter Pentium CPU G2020 2.9 GHz, 8-GB RAM,操作系统为Win7,程序开发环境为Matlab-2018a。
溢油区域提取的评价指标为正确检测率Pd和虚警率Pf,定义如下:
(10)
(11)
其中,Nt、Nf分别为算法自动检测正确分类时的像素个数和错误分类时的像素个数,Na为人工标记下溢油区域的像素个数。
3.1 检测结果
(1) 分辨率为8 m
图7 分辨率为8 m
Fig.7 The resolution is 8 m
(2) 分辨率为10 m(1)
图8 分辨率为10 m
Fig.8 The resolution is 10 m
(3) 分辨率为10 m(2)
图9 分辨率为10 m
Fig.9 The resolution is 10 m
从上图的提取结果可以看出,各种分辨率情况下,算法提取的候选区域包括了主要的溢油区域,与人工标记区域基本接近,验证了溢油检测算法的可行性。
3.2 性能指标
表中,MArea代表人工标记的溢油区域面积大小,CArea代表正确检测到的溢油区域面积大小,YArea代表虚警面积大小,Pd为正确检测率,Pf为虚警率。
(1)分辨率为8 m
定量评价指标如表1所示。
表1 分辨率为8 m
Tab.1 The resolution is 8 m
评价指标MAreaCAreaYAreaPdPf数值6148541912750.88150.1905
(2)分辨率为10 m(1)
定量评价指标如表2所示。
表2 分辨率为10 m
Tab.2 The resolution is 10 m
评价指标MAreaCAreaYAreaPdPf数值119951038030010.86540.2243
(3)分辨率为10 m(2)
定量评价指标如表3所示。
表3 分辨率为10 m
Tab.3 The resolution is 10 m
评价指标MAreaCAreaYAreaPdPf数值312772662986780.85140.2458
通过上述的提取结果和定量指标可以看出,算法的正确检测率在85%以上,具有较高的检测精度和鲁棒性。
3.3 算法对比
算法使用滑窗操作,对整幅图像进行滤波和阈值分割,在星载平台的FPGA实现中,可以通过行缓冲(LineBuffer)设计,进行高效处理,整幅图像的滤波和阈值分割操作可以等效于对全图进行扫描。在实际中采用本文算法可以实时、准确地实现海上溢油检测。
表4 检测率、速度比较
Tab.4 Detection rate and speed comparison
方法图像尺寸PdTimeSolberg[12]10000×1000077%5minChaudhuri[13]512∗51271.61%0.45s本文算法10000×1000086.61%0.9min
将本文算法与其他算法进行对比,输入不同尺寸的图片,算法的正确检测率和运行速度如表4所示,可见本文提出的算法在检测率和运行速度上有明显优势。
4 结论
本文提出了一种基于遥感SAR图像的溢油分割算法,可用于星载平台的实时检测。本文的算法基于最大熵阈值分割,首先对图片进行高斯滤波,然后利用先验信息对图像中的陆地区域做掩模处理,之后用滑动窗口的方法遍历整幅图像。在窗口内部基于最大熵选取最佳的分割阈值,对图像进行二值化。使用GF-3卫星图像进行算法的验证测试,结果表明算法的正确检测率高,运行速度快。该算法不需要进行训练,其中的滤波、分割等操作适合FPGA实现,适合资源受限的星载平台。
[1] 王雪松. 雷达极化技术研究现状与展望[J]. 雷达学报, 2016, 5(2): 119-131.
Wang X S. Status and prospects of radar polarimetry techniques[J]. Journal of Radars, 2016, 5(2): 119-131.(in Chinese)
[2] Garcia-Pineda O, Holmes J, Rissing M, et al. Detection of oil near shorelines during the Deepwater Horizon oil spill using synthetic aperture radar (SAR)[J]. Remote Sensing, 2017, 9(6): 567.
[3] Skrunes S, Brekke C, Jones C E, et al. A multisensor comparison of experimental oil spills in polarimetric SAR for high wind conditions[J]. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, 2016, 9(11): 4948- 4961.
[4] Dabboor M, Singha S, Topouzelis K, et al. Oil spill detection using simulated radarsat constellation mission compact polarimetric SAR data[C]∥2017 IEEE International Geoscience and Remote Sensing Symposium (IGARSS). IEEE, 2017: 4582- 4585.
[5] Shu Y, Li J, Yousif H, et al. Dark-spot detection from SAR intensity imagery with spatial density thresholding for oil-spill monitoring[J]. Remote Sensing of Environment, 2010, 114(9): 2026-2035.
[6] Ren P, Di M, Song H, et al. Dual Smoothing for Marine Oil Spill Segmentation[J]. IEEE Geoscience & Remote Sensing Letters, 2016, 13(1): 82- 86.
[7] Alireza T, Natascha O. Adaptive Weibull Multiplicative Model and Multilayer Perceptron neural networks for dark-spot detection from SAR imagery[J]. Sensors, 2014, 14(12): 22798- 810.
[8] Xu L, Shafiee M J, Wong A, et al. Fully Connected Continuous Conditional Random Field With Stochastic Cliques for Dark-Spot Detection In SAR Imagery[J]. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, 2016, 9(7): 1-9.
[9] Singha S, Ressel R, Velotto D, et al. A Combination of Traditional and Polarimetric Features for Oil Spill Detection Using TerraSAR-X[J]. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, 2016: 1-12.
[10] Ajadi O, Meyer F, Webley P. Change Detection in Synthetic Aperture Radar Images Using a Multiscale-Driven Approach[J]. Remote Sensing, 2016, 8(6).
[11] Mercier G, Girard-Ardhuin F. Partially Supervised Oil-Slick Detection by SAR Imagery Using Kernel Expansion[J]. IEEE Transactions on Geoscience and Remote Sensing, 2006, 44(10): 2839-2846.
[12] Solberg A H S, Brekke C, Husoy P O. Oil spill detection in Radarsat and Envisat SAR images[J]. IEEE Transactions on Geoscience and Remote Sensing, 2007, 45(3): 746-755.
[13] Chaudhuri D, Samal A, Agrawal A, et al. A statistical approach for automatic detection of ocean disturbance features from SAR images[J]. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, 2012, 5(4): 1231-1242.
