海洋遥感：溢油SAR探测

1.溢油单极化SAR探测

在单极化SAR溢油探测方面，相关学者提出了诸多溢油探测方法。通常，将溢油探测分为三步：暗斑检测、特征提取、油膜与疑似油膜的分类（Brekke等，2005；Solberg等，1999；solberg等，2007）。

暗斑检测是基于图像分割技术来确定SAR图像上的暗斑目标，按照分割方式不同大致可分为三类：一类是基于SAR图像直方图的阈值方法分割暗斑目标，包括单阈值法、多阈值法、自适应阈值方法（Manore等，1998；Solberg等，1999；kanaa等，2003）；一类是溢油目标的边缘检测方法，如小波变换与支持向量机相结合的方法、形态学方法以及水平集算法等（Mercier等，2006；Gasull等，2002；Huang等，2005）；还有一类是通过聚类的方法实现溢油目标的分割，如模糊C均值聚类法、凝聚层次聚类方法等（Barni等，1995；苏腾飞等，2013）。

图2.19　散射系数随风速的变化（C波段，VV极化）

特征提取是指提取SAR图像上油膜和类油膜两类暗斑目标的灰度特征、散射特征、纹理特征、几何特征等各种特征，分析油膜和类油膜各种特征之间的区别，并筛选出适合海上溢油探测的特征（梁小祎等，2007；Liu等，2010）。韩吉衢等（2013）提取了SAR图像中油膜和类油膜的纹理特征并基于关键度筛选出了关键特征集。

油膜与疑似油膜的分类，则是将能够区分油膜和类油膜的关键特征作为输入量，基于模式识别的方法将SAR图像上的暗斑分为油膜和类油膜两类，主要包括：神经网络、模糊逻辑、马氏距离、贝叶斯分类器、支持向量机、决策树等方法（Frate等，2000；Keramitsoglou等，2006；Solberg等，2007；梁小祎等，2007）。Xu等（2014）利用几何特征和散射特征等15种溢油特征，对神经网络、支持向量机、捆绑决策树、装袋决策树、增强决策树、广义加性模型、概率线性判别分析等7种溢油检测方法进行了分析和比较，给出了不同溢油检测方法的使用情况和所需的特征组合，其中捆绑法和装袋法决策树的检测精度最高。

下面给出一个单极化溢油SAR探测的例子。本节采用的数据是欧空局的Envisat卫星2010年7月11日在墨西哥湾溢油事故期间拍摄的SAR影像。首先对SAR影像进行辐射校正、天线方向图校正、几何校正等预处理，处理后的影像如图2.20所示。

截取图2.20方框中的感兴趣区，经过7×7窗口的增强LEE滤波处理后，图像中的噪声明显减少。但是，由于图像左右两侧的入射角不同，图像左右两侧亮度不均匀。因此，需要进行入射角校正。入射角校正后的图像如图2.21所示。

图2.21中，1区是海水、2区是溢油区、3区是类油膜区。选用纹理特征中的方差均值比、熵和惯性矩三种特征，并利用BP神经网络方法对油膜、海水、类油膜进行分类。分类结果如彩图2.22所示，其中红色的为溢油，绿色的为海水，蓝色的为类油膜。

图2.20　2010-7-11 Envisat ASAR影像

图2.21　研究区域

2.溢油多极化SAR探测

相比于单极化，全极化SAR图像不仅含有强度信息，而且还包含极化通道间的相位信息，能有效地获取海面目标的全极化散射特性，更全面地反映海面目标的几何形状和物理特性。因此，多极化SAR在溢油探测方面有着显著优势。

近年来，随着极化SAR数据的增多，越来越多的学者致力于多极化SAR溢油探测研究。目前，学者们主要是基于各种极化特征量来区分油膜和类油膜的，例如：散射熵、平均散射角、基座高度、同极化相位差的标准差、一致性参数、共极化相关系数、F参数、极化总功率、极化度等（Migliaccio等，2005；Liu等，2011；Zhang等，2011；Nunziata等，2013；Skrunes等，2014；郑洪磊，2015）。在中低风速情况下，矿物油膜的同极化相位差的标准差（CPD）值要比海水的大，而生物油膜的CPD与海水的相差不大（Migliaccio等，2009），因此在中低风速时，可利用同极化相位差的标准差区分油膜和类油膜。Skrunes等（2014）基于RADARSAT-2全极化SAR数据开展了SAR溢油探测，比较了油膜、生物油膜的多种极化特征，并确定了将海水、油膜和类油膜区分明显的两种极化特征。下面给出基于极化特征的SAR溢油探测研究的例子。

（1）极化SAR特征分析

我们分析了在C波段情况下，不同极化特征溢油检测的能力。所用数据为1994年德国北海溢油实验期间采集的SIR-C SAR全极化数据，数据信息见表2.2。

表2.2　实验数据简介

以编号为PR17041的SIR-C数据为例进行实验分析，图2.23为溢油区域VV极化后向散射系数图像，图中的黑色区域即为溢油区域。下面我们将分别提取全极化SAR数据的十种常见的极化特征：极化散射熵、平均散射角、同极化相关系数、同极化功率比、同极化相位差的标准差、一致性系数、基准高度、极化度、极化特征P、SERD参数。

图2.24为极化散射熵图像，明显看到油膜处极化散射熵较高，基本都在0.8以上，而海水处熵值较低，基本都在0.4以下。油膜整体轮廓清晰，与海水形成明显的对比。海水表面主要以布拉格散射机制为主，散射机制相对单一，极化散射熵较低；油膜表面粗糙度低，不仅发生布拉格散射，还存在镜面散射，散射机制相对复杂，极化散射熵较高。

图2.25是基于Cloude分解提取的平均散射角图像。油膜区域平均散射角基本都在40°以上，明显高于海水区域的平均散射角值。根据极化目标分解理论，如果平均散射角小于42.5°，则目标散射机制属于布拉格表面散射。因此，海水表面主要以表面布拉格散射机制为主，油膜表面以非布拉格散射机制为主。

图2.23　VV极化后向散射系数

图2.24　极化散射熵

图2.25　平均散射角

图2.26是基准高度图像。基准高度为测量最小特征值与最大特征值的比，该参数也能够测量散射过程的随机性，特征值的大小与最优后向散射极化状态有关，最小和最大特征值分别对应回波信号中最优极化状态下可获得的最小和最大功率值，所以基准高度是对平均回波中未极化分量的一种度量。图中油斑轮廓清晰，溢油区域的基准高度值较高，基本都在0.2以上。原因是油膜处散射过程随机性强，最小特征值与最大特征值差异不大，致使基准高度值较大。而海水处散射过程随机性弱，最小特征值与最大特征值相差很大，所以海水处基准高度值都较小，基本都在0.1以下。

图2.26　基准高度

图2.27是同极化相位差的标准差图像。海水表面是低熵散射过程，以布拉格表面散射为主，同极化通道间相位没有180°反相，同极化相位差的标准差较小。而溢油表面同极化通道间相位发生180°反相，故溢油区域同极化相位差的标准差较大。图中油斑处同极化相位差标准差较大，海水处较小，能够体现出溢油与海水的明显差异。

图2.27　同极化相位差的标准差

图2.28是同极化功率比图像。同极化功率比与海面散射目标的介电常数有关，油膜的介电常数的实部约为2.2或2.3，而海水的介电常数的实部一般大于60。油膜与海水的介电常数不同，导致SAR图像中油膜与海水的同极化功率比不同。从图中可以看出溢油区域的同极化功率比高于海水区域，同极化功率比也能够反映出溢油与海水的差异。

图2.28　同极化功率比

图2.29是同极化相关系数图像。同极化相关系数与海水散射机制有关，海水区域为布拉格散射，同极化通道间相关性强，同极化相关系数值较大。溢油区域散射机制复杂，随机性强，同极化通道间相关性弱，同极化相关系数较小。从图中可以看出溢油区域的同极化相关系数的数值远低于海水。(www.xing528.com)

图2.29　同极化相关系数

图2.30是极化度图像。极化度能衡量海面电磁波散射的去极化效应。当雷达波束照射到海水表面，主要以布拉格散射机制为主，去极化效应弱，极化度高。当雷达波束照射到油膜表面，其表面所发生的散射机制以非布拉格散射为主，去极化效应强，极化度低。图中，油膜处极化度值在0.4附近，海水处的极化度值在0.9附近，基本符合溢油处极化度值低，海水处极化度值高的规律。

图2.30　极化度

图2.31是一致性系数图像。海面表面以布拉格散射为主，交叉极化项S HV很小，近似为零。而S HH和S VV相关性很强，相位差接近0°，一致性系数为正。对于非布拉格散射，S HH和S VV相关性弱，相位差接近180°，一致性系数为负。图2.31中，洁净海水的一致性系数较高，溢油区域一致性系数值明显低于海水。

图2.31　一致性系数

图2.32为极化特征P的图像。极化特征P能够反映海面电磁散射中镜面散射机制在总散射机制中所占比重，油膜表面镜面散射所占比重较大，导致P值较小。海水表面主要发生布拉格散射机制，P值较大。

图2.32　极化特征P

图2.33为SERD特征图像。SERD与海面粗糙度有关，且对高熵散射区域更敏感。图2.33中溢油区域的SERD值明显低于海水区域。

图2.33　SERD特征

下面我们将比较分析上述10种极化特征进行溢油探测的能力，定义清洁海水区和油膜覆盖海水区的图像对比度为：

式（2.5）中，F oil表示油膜区域极化特征的均值，F water表示海水区域极化特征的均值。C值越大，说明不同研究对象之间对比度越高，越有利于提取海面油膜，也就更适用于溢油探测。表2.3是三景C波段全极化SAR图像中溢油与海水的10种极化特征的均值与标准差，表2.4则给出了10种极化特征的油水对比度。

表2.3　C波段溢油图像极化特征的均值与标准差

表2.4　不同极化特征的油水对比度

从表2.3和表2.4可以看出，PR17041图像中同极化相关系数、同极化相位差的标准差、一致性系数、基准高度以及极化特征P等5种极化特征具有较高的油水对比度。而PR44327图像中同极化相关系数、同极化相位差的标准差、一致性系数、基准高度、极化特征P以及SERD等6种极化特征具有较高的油水对比度。其中，一致性系数的油水对比度大于1，是因为在油膜较厚的区域，一致性系数为负数，而海水处一致性系数为正，导致其油水对比度大于1。在PR49939图像中极化散射熵、同极化相关系数、一致性系数、基准高度以及极化特征P等5种极化特征具有较高的油水对比度。由于同极化相位差的标准差方差太大，油膜的同极化相位差的标准差方差浮动较大，导致其油水对比度不稳定。通过以上分析，发现对于C波段全极化数据而言，上述的10种极化特征中，同极化相关系数、一致性系数、基准高度以及极化特征P等4种极化特征参数能够较好地提取油斑，有较高的油水对比度，更适合用作溢油检测。

（2）极化SAR溢油探测

图2.34为溢油检测算法流程图。首先利用从样本数据中提取的溢油和海水的特征训练网络，然后提取出待测数据的特征输入到神经网络，最终输出检测结果。

图2.34　溢油检测算法流程图

由于全极化溢油SAR数据非常有限，这里基于像素点分析该方法的分类效果。训练样本分为两类：溢油和海水两种物质作为研究对象。分别选用不同研究对象典型区域的1000个像素点作为训练样本。训练网络的样本数据分别是2011年北海溢油实验期间获取的C波段全极化RADARSAT-2数据以及1994年德国北海溢油实验期间获取的C波段全极化SIR-C数据，图2.35为实验区域处VV极化强度图像。

为了能够集中体现溢油区域的极化特征，分别选取两处感兴趣区域处溢油和海水典型区域像素点作为训练样本。图2.35中，白色矩形内为训练神经网络选取的溢油样本点，黑色矩形内为训练神经网络选取的海水样本点。分别从两景C波段全极化SAR数据中提取出溢油与海水的四种极化特征，基准高度、同极化相关系数、一致性系数，并结合后向散射系数，将以上五种特征输入到建立的3层神经网络中对该网络进行训练。其中，隐含层数设置为1，隐含层采用的BP网络中应用最普遍的激励函数Sigmoid函数，输出层选用purelin函数；输入层和输出层的节点数目分别为5和1。

图2.35　溢油样本

下面给出本节作者进行多极化SAR溢油探测的一个例子，所用数据为2010年墨西哥湾溢油事故期间获取的全极化RADARSAT-2数据。图2.36为待检测数据的VV极化强度图像，图2.36中黑色区域为油斑。

图2.36　待检测数据VV极化强度图像

根据图2.34的算法流程，分别对待测数据进行辐射定标、去噪等预处理，然后提取C波段SAR图像适合溢油探测的基准高度、同极化相关系数、一致性系数以及极化特征P并结合后向散射系数，再对提取的极化特征进行归一化处理。最后，将归一化的特征输入到训练好的神经网络中，进行溢油检测实验，检测结果如图2.37（b）所示，与2.37（a）中的目视解译结果符合较好。

图2.37　溢油检测结果

为了定量分析该算法的溢油检测误差，引入混淆矩阵来评价其检测精度。混淆矩阵对角线上表示正确分类的像素点数量。另外还包括总体分类精度和用户精度。总体分类精度表示分类图像的分类结果与实际类别一致的概率。用户精度表示分类结果图中任一随机样本所属的类型与实际类型相同的条件概率。表2.5给出实验中对应的溢油SAR检测结果的混淆矩阵及其精度。溢油SAR分类结果中81.2%的溢油被正确分类，其检测结果Kappa系数为0.883。

表2.5　溢油SAR检测结果的混淆矩阵及其精度