亮点
1.提出了一种语义分割结合SLIC超像素分割的溢油检测方法，能够结合SAR图像像素的上下文关系，对于溢油检测的准确率可以达到90.1%-96.8%之间。
2.自主设计了溢油检测的语义分割模型，该模型同时允许多个参数的输入，实现了对溢油区域的快速准确的分类与识别。
3.基于全极化SAR数据提取多组极化参数，研究明确了用于溢油检测效果最好的极化分解方法。
论文简介
年3月，天津大学精密仪器与光电子工程学院现代声学检测实验室罗卿莉副教授以“天津大学精密测试技术与仪器国家重点实验室”为第一单位，在RemoteSensing期刊发表研究文章，合作作者包括硕士生张进，天津大学封皓副教授，北京工业大学李煜副教授，中国测绘科学研究院魏钜杰副研究员，天津大学李健教授等，该论文介绍了课题组基于合成孔径雷达(SAR)图像的海面溢油检测最新研究成果。由于原油不易自然降解、消散，海上原油泄漏事故的发生会对环境与经济造成巨大的损害。遥感技术是进行远距离大面积溢油检测的有效手段。相对于光学成像方式，合成孔径雷达成像是一种主动探测方式，可实现全天候、全天时监测，被认为是理想的海洋环境检测传感器。图1墨西哥湾海面溢油灾情遥感图像（图片来自NASA溢油监测网站)溢油区在SAR影像上以暗斑形式存在。然而，海面上存在许多易与原油混淆的因素如生物油膜等，它们的散射特性与溢油区域相似，因此容易造成误检测，降低了准确率。目前的研究主要集中在构建图像分类算法对溢油区域进行识别。在已有的研究中，并未考虑像素之间的上下文关系，存在边界区域不易清楚划分、出现误检测等问题。为了解决上述问题，研究团队提出了一种结合语义分割神经网络模型与SLIC超像素分割的方法，实现了高精度、高准确率的溢油区域检测。该模型的基本框架与流程图如图1所示。SAR数据在输入后首先经过几何校正、辐射校正和滤波处理，对其进行极化分解，并利用不同通道的数据计算SLIC超像素分割。将获得的极化参数与超像素分割图像进行组合，通过自主设计的语义分割模型进行分类，从而对每个像素进行类别判断。图2本文提出的分割算法所用的神经网络结构。蓝色和绿色代表编码部分，包含多卷积层，分别使用了深度可分离卷积，空洞卷积和标准卷积。紫红色代表的是解码部分。文章在多组极化参数上进行了实验，探究了超像素对于溢油检测准确率的影响。超像素在溢油区域的准确识别中起到了重要作用，它能够在大区域覆盖的SAR影像中获得相邻多个像素间的上下文关系，提高了溢油暗斑尤其是边缘位置的识别准确率，从而能够有效地将相似区域与溢油区域区分开。根据极化分解方法的不同，相对于基于卷积神经网络的溢油检测结果，本文模型对于溢油检测的准确率可以达到90.1%-96.8%之间，提高了2.8%~10%。文中也对超像素分割的参数设置进行了初步探讨，并分析了目前研究存在的不足以及未来需要进一步研究的关键问题等。文章实现的高准确率SAR溢油检测算法，为溢油检测的大规模应用提供了参考。图3基于超像素和先进卷积神经网络的SAR溢油检测结果（卫星数据：Radarsat-2全极化数据）该文章于年3月14日发表于RemoteSensing期刊网站(转载请注明：http://www.0431gb208.com/sjslczl/800.html
