一种船载雷达溢油识别方法及系统
本发明涉及溢油识别,具体涉及一种船载雷达溢油识别方法及系统。
背景技术:
1、在海洋溢油监测领域,合成孔径雷达(synthetic aperture radar, sar)与船载雷达凭借其全天时、全天候的观测能力,已成为核心监测手段。溢油区域因覆盖油膜会显著抑制海面毛细波的生成,导致雷达后向散射系数降低,在图像中呈现为典型的暗斑特征。然而,实际监测中存在大量类溢油干扰现象:内波通过改变海面粗糙度形成条带状暗区,低风速区因缺乏波浪能量呈现均匀暗斑,生物膜附着则产生与溢油相似的纹理特征。这些干扰源与真实溢油在雷达图像中具有高度相似的视觉表现,导致传统基于灰度阈值分割或单一纹理特征的检测方法面临两大困境:其一,虚警率(false alarm rate,far)居高不下;其二,算法鲁棒性不足,对不同传感器参数、海面风速等环境因素变化敏感,难以实现跨场景稳定应用。现有技术虽尝试通过gabor滤波提取多方向纹理特征、构建灰度共生矩阵(glcm)量化空间相关性,或结合支持向量机(svm)进行分类,但这些方法仍受限于特征表达能力-gabor滤波的固定核函数难以适应溢油形态的多样性,glcm对噪声敏感且计算复杂度高,而svm在处理高维非线性数据时存在过拟合风险。
2、当前主流的溢油检测框架多采用特征工程和分类器的组合模式,其本质是通过人工设计特征来逼近问题解空间,但这种模式存在根本性缺陷。以受限玻尔兹曼机(restricted boltzmann machine, rbm)为例,虽然其无监督特征学习能力可自动提取数据深层表示,但训练过程依赖对比散度(contrastive divergence, cd)算法的近似推断,导致模型易陷入局部最优解,尤其在处理小样本溢油数据时,特征空间的判别性显著下降。此外,现有方法普遍缺乏多尺度特征融合机制:溢油在合成孔径雷达图像中可能呈现为点状(小规模泄漏)、斑块状(中等规模)或条带状(大规模扩散)等不同形态,而单一尺度的特征提取无法同时捕捉这些空间结构差异。同时,传统方法对各特征通道多采用固定权重或等权融合,无法根据海况差异动态调整关键特征的贡献度,导致特征表达能力受限。
技术实现思路
1、为了解决或缓解上述一个或多个问题,本发明提出一种船载雷达溢油识别方法及系统。
2、根据本发明的一方面,提出一种船载雷达溢油识别方法,该方法包括:
3、s1、获取船载雷达预处理图像;
4、s2、对所述预处理图像进行溢油兴趣区提取,得到溢油兴趣区,包括:提取用于描述溢油区域与海水差异的多种纹理特征,依据各纹理特征在图像中的分布特性确定各自的自适应融合权重,融合生成溢油综合响应图,并对所述综合响应图进行阈值分割及后处理,得到溢油兴趣区;
5、s3、提取所述溢油兴趣区内非背景像素的灰度值进行去重处理并归一化后作为训练样本,训练受限玻尔兹曼机模型;采用基于种群智能的优化器对所述受限玻尔兹曼机模型的参数进行全局寻优,获得最优权重与最优偏置;
6、s4、利用具有最优权重与最优偏置的受限玻尔兹曼机模型,提取所述溢油兴趣区内非背景像素的隐层激活特征;
7、s5、对所述隐层激活特征进行无监督聚类,根据聚类结果确定溢油区域。
8、进一步地,s2中所述多种纹理特征包括局部标准差特征、局部熵特征、梯度对比度特征和暗区特征中的至少两种;所述局部标准差特征通过对像素邻域内灰度值求标准差得到;所述局部熵特征通过对像素邻域内灰度级概率分布求熵得到;所述梯度对比度特征通过计算水平方向梯度与垂直方向梯度的幅值得到;所述暗区特征通过将局部均值与原始灰度值作差得到。
9、进一步地,s2中所述自适应融合权重的确定方式包括:
10、对各纹理特征按最大值归一化,得到归一化特征;
11、以第r个归一化特征的全局标准差的倒数作为初始权重;
12、引入方向调整因子,将初始权重与方向因子相乘得到方向修正后的权重;其中,与溢油响应负相关的特征取正方向因子,与溢油响应正相关的特征取负方向因子;
13、对方向修正后的权重进行l1归一化,得到最终权重。
14、进一步地,s2中所述溢油综合响应图的生成方式包括:对与溢油响应负相关的归一化特征进行反转处理后与对应权重相乘,对与溢油响应正相关的归一化特征直接与对应权重相乘,再将各项相加得到每个像素的综合响应值;
15、对所述综合响应图进行阈值分割及后处理,得到溢油兴趣区包括:采用otsu最大类间方差法确定最优分割阈值,对综合响应图进行二值化分割,得到溢油兴趣区初始掩膜;根据先验知识将溢油兴趣区初始掩膜中无海浪区域置为背景,得到溢油兴趣区。
16、进一步地,s3中所述受限玻尔兹曼机模型的待优化参数包括可见层与隐层之间的连接权重、可见层偏置和隐层偏置;所述优化器为fno优化器,所述fno优化器使个体向种群中的最远更好个体靠近,并远离种群中最近更差个体;所述最远更好个体为更好个体集合中与当前个体欧氏距离最大的个体,所述最近更差个体为更差个体集合中与当前个体欧氏距离最小的个体。
17、进一步地,s3中所述全局寻优包括:初始化种群;对于每个个体,分别在其更好个体集合和更差个体集合中计算欧氏距离,筛选出最远更好个体和最近更差个体;迭代执行位置更新并采用贪婪选择机制仅保留适应度更优的新个体;迭代过程中持续记录全局最优参数,并在迭代结束后将其映射为受限玻尔兹曼机模型的最优权重与最优偏置。
18、进一步地,s3中所述fno优化器的位置更新公式为:
19、;
20、其中,为动态聚焦因子,其随迭代递减,表示第t次迭代,表示最大迭代次数;为随机扰动向量,表示
d维均匀分布,
r1和
r2的每个分量都独立地服从区间[0,1]上的均匀分布;为高斯随机游走,表示
d维标准正态分布;表示逐元素相乘;表示空集;为第ζ个个体当前位置,为最远更好个体,为最近更差个体;表示第ζ个个体更新后的位置。
21、进一步地,s3中所述fno优化器的适应度函数为受限玻尔兹曼机模型的重构均方误差:
22、;
23、其中,
n表示训练样本数;表示第
k个原始输入;
k表示样本索引;为受限玻尔兹曼机模型重构的可见层输出。
24、进一步地,s5中所述无监督聚类采用k-means聚类算法,将所述溢油兴趣区内像素划分为多类,计算每类像素的原始灰度均值,并按从小到大的顺序排序,将灰度均值最低的类别判定为溢油区域。
25、根据本发明的另一方面,提出一种船载雷达溢油识别系统,所述系统用于实现上述所述的一种船载雷达溢油识别方法;所述系统包括:
26、图像获取模块,用于获取船载雷达预处理图像;
27、兴趣区提取模块,用于对所述预处理图像进行溢油兴趣区提取,得到溢油兴趣区;所述溢油兴趣区提取包括:提取用于描述溢油区域与海水差异的多种纹理特征,依据各纹理特征在图像中的分布特性确定各自的自适应融合权重,融合生成溢油综合响应图,并对所述综合响应图进行阈值分割及后处理,得到所述溢油兴趣区;
28、模型训练模块,用于提取所述溢油兴趣区内非背景像素的灰度值进行去重处理并归一化后作为训练样本,训练受限玻尔兹曼机模型;采用基于种群智能的优化器对所述受限玻尔兹曼机模型的参数进行全局寻优,获得最优权重与最优偏置;
29、特征提取模块,用于利用具有最优权重与最优偏置的受限玻尔兹曼机模型,提取所述溢油兴趣区内非背景像素的隐层激活特征;
30、溢油识别模块,用于对所述隐层激活特征进行无监督聚类,根据聚类结果确定溢油区域。
31、本发明具有以下技术效果:
32、本发明提出一种船载雷达溢油识别方法及系统。其中,基于多尺度局部统计特征提取溢油兴趣区,综合考虑多种反映溢油区域特性的特征,通过自适应权重线性融合生成综合特征图,并采用otsu最大类间方差法进行阈值分割和后处理,能够准确提取兴趣区,为后续处理提供良好基础;采用基于种群智能的优化器对rbm参数进行全局寻优,使种群个体向更好个体靠近并远离更差个体,以重构误差为适应度函数,能够在参数空间中跳出局部极小,获得更优的权重与偏置,提高rbm的特征表达能力;利用训练好的rbm提取隐层特征并进行k-means聚类,将原始高维数据映射至低维特征空间,根据溢油区域在特征空间中的分布特性,保留灰度值最低的类别作为溢油区域,实现了溢油区域的精细分类与提取。从油膜检测结果图、隐层特征映射结果图以及最终的平面位置显示器显示效果图可以看出,本发明在雷达图像中识别溢油区域具有较高的准确性与鲁棒性,能够直观有效地分割出油膜区域。
版权声明:本站专利文献数据主要来源于国家知识产权局等公开渠道,由 技术新讯 进行整理汇编。页面设计及数据汇编的著作权归本站所有。全部内容仅供个人学习、科研评估与技术交流参考,严禁用于任何商业用途(包括但不限于直接生产制造、技术转让、倒卖数据等)。
免责条款:专利技术具有时效性,本站不对资料的绝对准确性、完整性和可实施性提供任何明示或暗示的担保。因参考本站内容造成的直接或间接损失,本站不承担相关法律责任。若您认为本站内容有侵权问题,请及时提供权属证明与我们联系,本站将在核实后依法处理。反馈意见:yyfuon@163.com