论文部分内容阅读
溢油是严重的海洋生态环境灾害之一。合成孔径雷达(Synthetic Aperture Radar，SAR)图像已经被广泛的应用在海上溢油监测中。传统的SAR图像识别溢油一般使用全幅扫描识别方法。该方法不仅识别精度较低而且在识别的时间和所需的资源等性能方面也远达不到实用要求。因此，本文提出了一种面向溢油对象的识别方法，该方法不仅大大提高了溢油识别的精度，也显著地减少了识别时间和所需占用的系统资源，从而为海面溢油的实时检测打下了良好的基础。 为了精确分类SAR溢油图像，本文首先对SAR图像进行增强、取反以及二值化等预处理，然后提取并显示疑似溢油对象。通过对每一个疑似溢油对象的分析，最终显示溢油图像识别结果。考虑到神经网络具有自组织、自学习、自适应和联想能力等优点，本文使用神经网络结合纹理分析的方法来分类溢油图像。对比BP、Hopfiekld、ART-1以及RBF等神经网络模型对SAR溢油图像的识别效果和分类精度的分析，本文最终选用RBF神经网络实现溢油识别。纹理分析阶段本文使用灰度共生矩阵法计算出对SAR溢油图像最敏感的4个纹理特征值，结合像元的灰度值组成分类图像的特征矢量。 本文最后通过对比全幅扫描识别方法与面向对象识别方法表明，面向对象溢油识别方法获得了较为满意的效果。