Fast oil film identification of shipborne radar remote sensing image
-
摘要:
在溢油事故发生后,如何有效监测海上油膜是应急处置工作的重要保障。本文提出了一种船载导航雷达遥感图像的油膜快速识别方法:首先,采用垂直噪声检测算子与Otsu方法,提取原始图像中的同频干扰噪声;其次,应用线性内插平滑同频干扰噪声;再次,采用灰度调节矩阵与对比度受限自适应直方图均衡化方法,增强油膜区域内外的对比度;最后,对图像全局应用直方图双峰阈值法,快速提取海上油膜。实验表明,对比其他全局自适应阈值法,直方图双峰阈值法在油膜识别方面具有较强的适用性;对比局部自适应阈值法,本方法具有较高的效率。这种方法的成功应用,将为海上溢油的实时治理工作提供快速的数据支持服务。
Abstract:After the oil spill accident, effective monitoring of offshore oil films is an important guarantee for emergency disposal. A fast oil film identification method of shipborne navigation radar remote sensing image is proposed here. Firstly, the vertical noise detection operator and Otsu method are used to extract the co-frequency interference noises in the original image. Next, linear interpolation is applied to smooth the co-frequency interference noises. Then, the gray adjustment matrix and Contrast Limited Adaptive Histogram Equalization method are used to enhance the contrast around the oil films. Finally, the histogram bimodal method is applied globally to extract offshore oil films quickly. Compared with other global adaptive threshold methods, histogram bimodal method has strong applicability in oil film identification. Compared with the local adaptive threshold method, the proposed method has faster efficiency. The successful application of the proposed method will provide rapid data support service for the real-time treatment of oil spills.
-
Keywords:
- oil spill /
- shipborne radar /
- histogram bimodal method
-
钻井平台、油轮、海底输油管道、沿海码头储油罐等天然性或事故性溢油事件,在世界各地的沿海地区时有发生。由于海运和海洋资源开发的不断发展,海上频繁发生石油泄漏的可能性也不断加大。因此,应急响应处置对溢油监测技术的需求日益增加。
星载传感器在海上溢油监测工作中取得了显著的进展,特别是在可见光、热红外和微波雷达等方面[1]。在溢油的应急处置工作中,利用星载传感器可以确定浮油的范围,但主要的不足是,当出现石油不断泄漏的情况时,星载平台难以满足持续跟踪监测的需求。机载传感器获取的数据具有低噪声与高分辨率的优势,结合地理信息技术,可以在一定时间内持续定位油膜位置、标绘油膜范围、监测油膜变化[2-3]。机载传感器进行溢油监测需要克服的重要瓶颈之一是如何在海上抗风持续作业。船载导航雷达,又称航海雷达,可以克服一定的恶劣海况,随船进行溢油监测应急处置工作,具有较高的应用前景。随着船载雷达海上溢油监测技术成果的陆续出现,算法的复杂度不断提升,时间成本的消耗也随之增加。徐进[4]首先根据船载雷达图像像元分布特点分割出海浪监测的有效区域,再根据固定阈值分割出海上油膜,这种方法的海浪有效区域提取过程需要占据一定的时间成本。还有些研究者先应用图像纹理特征分割出油膜所属的局部区域,然后采用自适应阈值精确提取船载雷达图像中的油膜信息[5-6],这种方法在油膜所属局部区域分割方面的时间消耗更大,但在油膜精确提取过程中采用自适应阈值,得到的结果比徐进[4]人工设定阈值的方法更加准确。为得到更准确的真实溢油信息,XU等[7]提出,分析连续采集的多幅船载雷达图像剔除假阳性油膜目标。本文从快速识别的角度,提出了一种船载雷达图像中海上油膜的全局分割方法,用于提高海上溢油应急处置工作中数据支持服务的实时性。这种方法的复杂度较低,对有效降噪、灰度调节、油膜区域对比度增强等预处理环节的依赖性较高。
1 材料与方法
1.1 油膜目标图像特征
常用的X波段与S波段船载雷达采用微波遥感工作机理,主动发射电磁波并接收探测目标的反射回波。船舶、岛屿、海岸等目标能大量反射船载雷达发射的电磁波,在图像中表现出高亮特性,具有强雷达电磁波反射特性,本文称其为船载导航雷达遥感图像中的“强目标”。溢油目标则相反,能够吸收或者平滑雷达电磁波,减少雷达反射回波。在船载雷达图像中,溢油具有抑制海浪回波特性,即溢油目标对比周围临近区域表现为相对较暗的特征,本文称其为船载导航雷达图像中的“弱目标”,如图1所示。
1.2 船载雷达遥感图像
实验数据来自大连“7·16”溢油事故应急处置工作中,大连海事大学教学实习船“育鲲”轮在大连港附近海域执行巡航任务期间采集的X波段船载雷达图像,如图2所示。数据采集位置为(121.74°E,38.92°N),图像的大小为1024像素×1024像素。采集时间为2010年7月21日23时19分。探测范围为0.75 n mile。雷达设备参数如表1所示。
表 1 设备技术参数Tab. 1 Technical parameters of equipment参数名称 参数值 距离分辨率 优于 3.75 M(短脉冲模式) 天线长度 8 FT 极化方式 水平极化 旋转速度 28―45 RPM 峰值功率 25 KW 探测角度 水平方向:0―360°;
垂直方向:0―25°脉冲重复频率(PRF) 3000 Hz /1800 Hz/785 Hz 1.3 图像坐标系统变换
船载雷达原始图像是在以方位角度为横轴、探测距离为纵轴的笛卡尔坐标系下生成的,如图3所示。为了方便航海人员实际应用,将其转换为雷达所在位置为图像中心的极坐标系统平面位置显示方式(plane position indicator,PPI),简称P显,如图2所示。原始笛卡尔坐标系统图像含有简易的特征可供提取。例如,在原始笛卡尔坐标系统图像中,同频干扰仅为垂直轴方向上的亮线噪声,如图4所示。油膜目标所在的海浪回波区域均在原始笛卡尔坐标系统的下方,油膜分割难度降低。因此,本文将在笛卡尔坐标系下进行油膜的快速识别方法研究。
1.4 垂直噪声检测算子
同频干扰在笛卡尔坐标系统中表现为垂直方向的线状噪声。有学者采用改进的Sobel算子[7]检测船载雷达图像中的同频干扰噪声,其模板如图5所示。
$$ \begin{gathered} {G_y} = 2f(x,y + 1) + 4f(x,y) + 2f(x,y - 1) \\ - f(x - 1,y - 1)-2f(x,y - 1)-f(x + 1,y - 1) \\ - f(x - 1,y + 1) - 2f(x,y + 1) - f(x + 1,y + 1) \\ \end{gathered} $$ (1) 本文采用上述算子对图像进行卷积,再采用Otsu阈值[8]提取船载雷达图像的垂直干扰噪声。同频干扰噪声抑制采用距离加权线性内插方法计算。
$$ f(x,y) = \frac{{nf(x - m,y) + mf(x + n,y)}}{{m + n}} $$ (2) 式中:m和n是水平方向左右两侧的噪声点数量。
1.5 灰度调节矩阵
灰度调节矩阵是将图像中每一行的所有像元值由该行的像元均值进行替换,生成新的规则矩阵,如图6所示。本文采用该矩阵调节船载雷达图像的整体灰度分布。
1.6 对比度受限自适应直方图均衡化
在船载雷达图像灰度调节后,可以应用对比度受限自适应直方图均衡化(contrast limited adaptive histogram equalization,CLAHE)模型增加油膜区域内外的局部对比度。CLAHE模型的实现方式如图7所示,具体实现过程[9]如下:
(1)设定图像的局部窗口尺寸;
(2)将局部窗口内的所有像素单元数量均分到对应的灰度级分布中,得到各等级的像素单元数量均值Ta;
(3)设定每个局部窗口的灰度切割阈值T,T为Ta的倍数;
(4)在每个窗口内,将大于其切割阈值T的像素单元平均分配到其他灰度级,并计算直方图分布;
(5)用直方图均衡化处理每个局部窗口;
(6)对遍历图像像素单元,根据邻域4个局部窗口进行双线性插值运算,避免“块”状效应。
实验中采用的局部窗口尺寸为128像素×128像素,局部窗口切割阈值T=3Ta 。
1.7 直方图双峰法
Prewitt等人[10]提出的直方图双峰法是一种自适应全局阈值分割方法。这种算法将图像灰度迭代平滑,当图像灰度直方图呈现两个局部最大值,即双峰形态时,选取两个峰值之间的谷底作为分割阈值,如图8所示。其中,T1与T2为局部峰值,T为谷底分割阈值。在船载雷达遥感图像中,油膜目标的灰度值远低于海浪杂波目标与强目标体的灰度值。经过灰度调节与对比度增强的船载雷达遥感图像,采用直方图双峰法可以快速、有效地将油膜从海浪杂波中分割出来。
2 结果与讨论
2.1 数据预处理
数据预处理流程如图9所示。首先,采用垂直噪声检测算子与笛卡尔坐标系统下的船载雷达遥感图像进行卷积;再利用Otsu算法,对垂直噪声进行检测,如图10(a)所示;接下来采用距离加权线性内插方法对垂直噪声进行抑制,如图10(b)所示;之后,生成降噪图像的灰度调节矩阵,如图10(c)所示;再将降噪图像与灰度调节矩阵进行减运算,生成灰度调节后的图像,如图10(d)所示;最后,利用CLAHE模型,增强油膜区域内外的对比度,如图10(e)所示。
2.2 实验结果
应用直方图双峰阈值法,对图像进行全局分割(求得自适应分割灰度阈值为“66”),生成初始结果图像,如图11(a)所示。初始结果图像中含有大量的小面积“斑点”,而海上油膜都是连续的。因此,剔除初始结果中连续像元面积小于“50”的小面积“斑点”。并将图像进行取反运算,同样采用上述面积阈值法删除对应的小面积“斑点”,得到图11(b)。之后,删除0.45 n mile以外由于岸基建筑物造成的假阳性目标,得到笛卡尔坐标系统下的最终识别结果,如图11(c)所示。最后,将图像的坐标系统进行变换,得到油膜识别的真值图[图11(d)]与P显下的实验结果,如图11(e)与11(f)所示。计算求得油膜像元点总数为2548,总油膜面积为18752.84 m2。
2.3 结果验证
在白天的溢油治理工作中,可见光传感器在海面捕获了大量油膜,如图12所示。实验中雷达图像数据是在夜晚巡航时间采集的。在夜晚的热红外影像中,油膜所在区域的灰度值略低于邻域的灰度值[11]。在同步采集含有油膜信息的热红外影像(图13)中,油膜所在位置与雷达图像中的位置相同,证明船载雷达溢油识别方法是可行的。
2.4 对比Sobel检测算子
在噪声检测方面,将Sobel算子的垂直Gy模板与本文采用的垂直噪声检测算子进行对比,如图14所示。两种算子的对比指标如表2所示。从表2可以得出,采用文献[7]中改进的Sobel算子,比经典的Sobel算子在SNR与PSNR两个指标上的值较低,说明改进的Sobel算子检测出了更多的噪声,并且进行了有效抑制。
表 2 噪声检测算子指标对比Tab. 2 Indexes comparison of noise detection operator.对比指标 改进的
Sobel算子Sobel算子 信噪比(SNR) 5.63 11.99 峰值信噪比(PSNR) 68.52 72.83 2.5 对比其他全局自适应阈值法
直方图双峰法对图像整体进行分割,属于全局阈值分割方法。实验采用最大类间方差(Otsu)法、最小交叉熵阈值法[12]、自动多级阈值法[13]对图10(e)进行全局分割,将它们的结果与直方图双峰法分割结果进行对比,如图15所示。三种方法得到的识别油膜面积如表3所示。上述三种方法求得分割灰度阈值分别是“126”“119”“164”。Li与Tam在1993年提出了一种用于模式识别的最小交叉熵阈值法[14]。实验中采用的最小交叉熵阈值法是他们于1998年提出的迭代版本算法。采用的自动多级阈值法是Yen等人提出利用最大相关性原则筛选分割阈值的方法。这种方法通过最小化代价函数来自动确定分类阈值。从专家解译角度,上述三种方法真值图(图15)中的分割油膜结果都远超于真实的油膜分布信息。因此得出,针对灰度调节与局部对比度增强后的船载雷达遥感图像,直方图双峰法在全局自适应阈值分割油膜方面,表现出良好的适用性。
表 3 与其他全局自适应阈值法的对比指标Tab. 3 Comparison indexes with other global adaptive threshold methods阈值方法 识别油膜
像元数量识别油膜
面积/m2Otsu 91983 676978.91 最小交叉熵阈值法 54142 398475.72 自动多级阈值法 283062 2083287.18 2.6 对比局部自适应阈值法
Niblack提出了一种用于数字图像分割的局部阈值方法[15]:
$$ T = m + k \times s $$ (3) 式中:m是局部均值;s是局部标准差;k是一个预先设定的负值参数。Sauvola对该方法进行了改进,实现了文档图像的自适应分割[16]:
$$ T = m \times \left[ {1 + k\left( {\frac{s}{R} - 1} \right)} \right] $$ (4) 式中:R为标准偏差的动态范围,而预先设定的参数k取正值。Phansalskar[17]对公式(4)进行了改进,用于处理分析对比度较低的图像:
$$ T = m \times \left[ {1 + p{e^{ - q \cdot m}} + k\left( {\frac{s}{R} - 1} \right)} \right] $$ (5) 式中:p和q是常数。
Sauvola与Phansalskar的局部阈值法都被尝试用于船载雷达遥感图像海上油膜的提取[6],本实验采用上述两种方法(局部窗口尺寸为15像素×15像素)与直方图双峰全局阈值法进行对比分析,如图16所示。上述两种方法识别的油膜面积如表4所示。局部自适应阈值法的实验结果要优于3.5节中的全局自适应阈值法(Otsu算法、最小交叉熵阈值法与多级阈值法)。在油膜识别方面,Sauvola局部自适应阈值法、Phansalskar局部自适应阈值法与直方图双峰法表现相当,都有较好的检测结果。其中,Phansalskar局部自适应阈值法中的部分结果不在海浪的有效监测范围内,存在少许假阳性目标,如图16(b)所示。从船舶雷达船尾图像,进一步对比Sauvola局部自适应阈值法与直方图双峰法,如图17所示。从图17中可以看出,在连续油膜的探测方面,直方图双峰法是表现较好的识别结果。此外,在计算时间方面,直方图双峰法占时0.012秒,Sauvola方法占时0.031秒,Phansalskar方法占时0.067秒。虽然三种方法分别从全局和局部窗口都对图像的所有像元值进行计算,但是全局自适应阈值是统一对所有像元值进行计算。而局部阈值法要根据局部窗口尺寸,进行多次计算。因此,本文采用的直方图双峰法在时效方面也表现出一定的优势。
表 4 与其他全局自适应阈值法的对比指标Tab. 4 Comparison indexes with other global adaptive threshold methods阈值方法 识别油膜
像元数量识别油膜
面积/m2Sauvola 3310 24361.03 Phansalskar 5500 40479.05 3 结 论
本文全面介绍了一种船载雷达遥感图像的油膜快速识别方法,并且采用含有油膜信息的实验数据,具体介绍了该方法的流程与应用方式。这种方法的优势在于过程简易,能够快速有效地识别船载雷达遥感图像中的油膜目标。未来的工作中,将在本方法的基础上,引入机器学习技术,并且对方法不断优化改进。在保证油膜识别效率的同时,实现该方法的智能信息化处理,从而快速获取海上油膜的空间分布信息结果。
-
表 1 设备技术参数
Tab. 1 Technical parameters of equipment
参数名称 参数值 距离分辨率 优于 3.75 M(短脉冲模式) 天线长度 8 FT 极化方式 水平极化 旋转速度 28―45 RPM 峰值功率 25 KW 探测角度 水平方向:0―360°;
垂直方向:0―25°脉冲重复频率(PRF) 3000 Hz /1800 Hz/785 Hz 表 2 噪声检测算子指标对比
Tab. 2 Indexes comparison of noise detection operator.
对比指标 改进的
Sobel算子Sobel算子 信噪比(SNR) 5.63 11.99 峰值信噪比(PSNR) 68.52 72.83 表 3 与其他全局自适应阈值法的对比指标
Tab. 3 Comparison indexes with other global adaptive threshold methods
阈值方法 识别油膜
像元数量识别油膜
面积/m2Otsu 91983 676978.91 最小交叉熵阈值法 54142 398475.72 自动多级阈值法 283062 2083287.18 表 4 与其他全局自适应阈值法的对比指标
Tab. 4 Comparison indexes with other global adaptive threshold methods
阈值方法 识别油膜
像元数量识别油膜
面积/m2Sauvola 3310 24361.03 Phansalskar 5500 40479.05 -
[1] RAJENDRAN S, SADOONI F N, AL-KUWARI H A S, et al. Monitoring oil spill in Norilsk, Russia using satellite data[J]. Scientific Reports, 2021, 11(1): 3817. doi: 10.1038/s41598-021-83260-7
[2] JONES C E, HOLT B. Experimental L-band airborne SAR for oil spill response at sea and in coastal waters[J]. Sensors, 2018, 18(2): 641. doi: 10.3390/s18020641
[3] CHAUDHARY V, KUMAR S. Marine oil slicks detection using spaceborne and airborne SAR data[J]. Advances in Space Research, 2020, 66(4): 854-872. doi: 10.1016/j.asr.2020.05.003
[4] 徐 进, 李 博, 崔 璨, 等. 航海雷达溢油监测技术研究[J]. 海洋环境科学, 2018, 37(1): 125-129. [5] LIU P, Li Y, XU J, et al. Oil spill extraction by X-band marine radar using texture analysis and adaptive thresholding[J]. Remote Sensing Letters, 2019, 10(6): 583-589. doi: 10.1080/2150704X.2019.1587197
[6] XU J, PAN X X, JIA B Z, et al. Oil spill detection using LBP feature and K-means clustering in shipborne radar image[J]. Journal of Marine Science and Engineering, 2021, 9(1): 65. doi: 10.3390/jmse9010065
[7] XU J, PAN X X, WU X R, et al. Oil spill discrimination of multi-time-domain shipborne radar images using active contour model[J]. Geoscience Letters, 2021, 8(1): 7. doi: 10.1186/s40562-021-00178-8
[8] OTSU N. A threshold selection method from gray-level histograms[J]. IEEE Transactions on Systems, Man, and Cybernetics, 1979, 9(1): 62-66. doi: 10.1109/TSMC.1979.4310076
[9] 徐 义. 水下图像预处理技术研究[D]. 南京: 南京理工大学, 2013. [10] PREWITT J M S, MENDELSOHN M L. The analysis of cell images[J]. Annals of the New York Academy of Sciences, 1966, 128(3): 1035-1053.
[11] FINGAS M, BROWN C E. A review of oil spill remote sensing[J]. Sensors, 2018, 18(1): 91.
[12] LI C H, TAM P K S. An iterative algorithm for minimum cross entropy thresholding[J]. Pattern Recognition Letters, 1998, 19(8): 771-776. doi: 10.1016/S0167-8655(98)00057-9
[13] YEN J C, CHANG F J, CHANG S. A new criterion for automatic multilevel thresholding[J]. IEEE Transactions on Image Processing, 1995, 4(3): 370-378. doi: 10.1109/83.366472
[14] LI C H, LEE C K. Minimum cross entropy thresholding[J]. Pattern Recognition, 1993, 26(4): 617-625. doi: 10.1016/0031-3203(93)90115-D
[15] NIBLACK W. An introduction to digital image processing[M]. Englewood Cliffs: Prentice-Hall International, 1986: 115-116.
[16] SAUVOLA J, PIETIKÄINEN M. Adaptive document image binarization[J]. Pattern Recognition, 2000, 33(2): 225-236. doi: 10.1016/S0031-3203(99)00055-2
[17] PHANSALKAR N, MORE S, SABALE A, et al. Adaptive local thresholding for detection of nuclei in diversity stained cytology images[C]//2011 International Conference on Communications and Signal Processing. Kerala: IEEE, 2011: 218-220.
-
期刊类型引用(2)
1. 王慧,于大涛,李诗语,邱海洋,朱志宇,智鹏飞. 基于灰度共生矩阵的航海雷达图像海面风向反演算法. 海洋环境科学. 2025(01): 135-144 . 本站查看
2. 徐进,李博,陈蓉,马龙,赵志强,李希栋. 航海雷达溢油监测技术研究综述. 海洋环境科学. 2023(05): 805-812 . 本站查看
其他类型引用(4)