應(yīng)用紋理分析識別SAR海上溢油圖像

徐 青,鄭 汲,程永存,紀(jì)棋嚴(yán)

(1.河海大學(xué)海岸災(zāi)害及防護(hù)教育部重點實驗室,江蘇南京 210098;2.丹麥技術(shù)大學(xué)國家空間研究所,哥本哈根 2800;3.衛(wèi)星海洋環(huán)境動力學(xué)國家重點實驗室,浙江杭州 310012)

海上溢油污染是常見的海洋污染之一,對海洋生態(tài)系統(tǒng)以及沿海城市的環(huán)境與經(jīng)濟(jì)發(fā)展都帶來了極大的危害,因此,各國都非常重視對海上溢油監(jiān)測的研究.工作在微波波段的主動式成像雷達(dá)-合成孔徑雷達(dá)(synthetic aperture radar,SAR)能穿透云霧,具有全天時與全天候監(jiān)測地球的能力,已被廣泛應(yīng)用于海上溢油監(jiān)測[1-5].由于海面油膜能夠造成Bragg波的衰減,進(jìn)而降低海面粗糙度,因此在SAR圖像上一般表現(xiàn)為較暗的圖像特征.但是,能夠在SAR圖像上造成暗區(qū)的還有其他一些海洋、大氣現(xiàn)象,如海洋自然表面膜、上升流、低風(fēng)速區(qū)等,這就給油膜的識別帶來了難度[6-7].因此,必須找出一些具有代表意義的特征量來區(qū)分油膜和上述類油膜.

目前,主要采用基于灰度共生矩陣的紋理特征分析方法來區(qū)分油膜和類油膜.紋理是在圖像上表現(xiàn)為灰度或者顏色分布的某種規(guī)律性.由于紋理是灰度在空間位置上反復(fù)出現(xiàn)而形成的,因而在圖像空間上相隔某距離的兩像元之間會存在一定的灰度關(guān)系,也就是圖像中灰度具有空間相關(guān)特性.灰度共生矩陣是通過研究灰度的空間相關(guān)特性來描述紋理的常用方法.目前的研究對于SAR圖像上的暗區(qū)只是單純將之分為油膜和類油膜,而由于類油膜有很多種,其紋理特征量很有可能不同,不能把他們完全歸為一類進(jìn)行分析.本文基于灰度共生矩陣方法,利用SAR溢油圖像,得到能夠區(qū)分油膜和不同類油膜(近海自然表面膜和低風(fēng)速區(qū))的紋理特征量.

圖1 20070116T02:20 UTC渤海ENVISAT ASAR原圖像Fig.1 ENVISAT ASAR image over Bohai Sea acquired at 02:20 UTC on 16 January,2007

1 數(shù) 據(jù)

本文選擇了1幅2007年1月16日02點20分(世界時)獲取的歐洲環(huán)境衛(wèi)星ENVISAT ASAR(advanced synthetic aperture radar)溢油圖像(圖 1),圖像覆蓋區(qū)域為渤海(118°24′11″E ～119°51′01″E,38°10′11″N～ 39°20′20″N),像元大小為 8314 ×8823,工作模式為 VV 極化方式,工作波段為C波段,空間分辨率為30m×30m,重訪問時間為35d.

2 基于灰度共生矩陣的紋理特征

如圖2所示,灰度共生矩陣就是計算θ方向上相隔d像元距離的一對像素灰度值分別為i和j的像元(i,j)出現(xiàn)的概率[8]:

對于角度θ,可以做如下規(guī)定:

圖2 灰度共生矩陣原理示意圖Fig.2 Principle sketch of gray level co-occurrence matrix

雖然灰度共生矩陣能揭示圖像中的紋理規(guī)律,但不能直接作為圖像分類的數(shù)字特征,因此有必要基于灰度共生矩陣定義一些有明顯物理意義的,能對紋理的粗細(xì)、走向進(jìn)行定量描述的統(tǒng)計量.Haralick等[9]從灰度共生矩陣中提出了14個描述紋理特征的統(tǒng)計量[10],在此選用8個常用統(tǒng)計量用于紋理分析.a.均值(mean)

式中m,n為灰度共生矩陣的的行列數(shù)

b.對比度(contrast)

對比度主要反映了紋理明暗之間對比程度的大小,較大的值為較粗糙的紋理,較小的值為較細(xì)膩、柔和的紋理.對比度大的像素對越多,灰度差越大.灰度共生矩陣中遠(yuǎn)離對角線的元素值越大,對比度越大.

c.角二階矩(angular second moment)

角二階矩是灰度共生矩陣元素值的平方和,也稱為能量,反映了圖像灰度分布的均勻程度和紋理粗細(xì)程度.如果灰度共生矩陣的所有元素值均相等,則角二階矩小.如果其中一些元素值大而其他值小,則角二階矩大.當(dāng)角二階矩大時紋理粗,能量大;反之,紋理細(xì),能量小.

d.協(xié)同性(homogeneity)

協(xié)同性是衡量局部均勻性的特征向量,若局部均勻,則協(xié)同性值較大;反之,值較小.

e.方差(variance)

其中

f.熵(entropy)

熵值與紋理的疏密有關(guān).若圖像沒有任何紋理,則該圖像的熵值接近零;若圖像充滿細(xì)紋理,則該圖像的熵值最大;若圖像分布著較少的紋理,則該圖像的熵值較小.

g.相關(guān)性(correlation)

其中

相關(guān)性是用來衡量灰度共生矩陣的元素在行或列方向上的相似程度.當(dāng)矩陣元素值均勻相等時,相關(guān)值就大;相反,如果矩陣元素值相差很大,則相關(guān)值小.如果圖像中有水平方向紋理,則水平方向矩陣的相關(guān)值大于其余方向矩陣的相關(guān)值.

h.相異性(dissimilarity)

相異性是圖像像元灰度差異的度量值,差異越大,則圖像上地物明暗反差越大,越易識別.

3 結(jié)果與分析

在ASAR圖像上海水表現(xiàn)為質(zhì)地均勻的灰色背景,油膜和類油膜則表現(xiàn)為暗斑.本文重點研究區(qū)分溢油和疑似溢油(即類油膜).對圖1所示的ENSIAT ASAR原始圖像進(jìn)行斑點濾波、幾何校正和輻射校正等預(yù)處理之后,得到圖3.圖3下半部分黑色的條帶狀暗紋為海面溢油,左上角較亮部分為陸地,沿岸線的較暗區(qū)域為類油膜(近海自然表面膜),右上角及右下角大塊暗斑為類油膜(低風(fēng)速區(qū)).

在利用灰度共生矩陣提取ASAR溢油圖像的紋理信息時,需要確定計算灰度共生矩陣時的方向、步長以及紋理計算窗口的大小.

圖3 ENVISAT ASAR原始圖像經(jīng)過預(yù)處理之后的圖像Fig.3 ENVISAT ASAR image after preprocessing

3.1 步長和紋理計算窗口

考慮到ASAR圖像的地面分辨率和1個像素尺寸的大小,選擇步長d=2,即對中心像元和與之間隔1個像素的像元進(jìn)行運算和比較,以盡可能更準(zhǔn)確地反映地物與周圍環(huán)境的關(guān)系.

在紋理計算窗口的選擇上,較小的窗口尺寸有助于保證窗口內(nèi)像素的同質(zhì)性,卻無法準(zhǔn)確有效地描述各類別像素排列的分布規(guī)律性;而較大的窗口雖然能夠保證同類地物的紋理統(tǒng)計具有代表性,但有可能包含多余的異類地物像素的信息,使介于不同種地物間的像素模糊,造成誤分類[11].同時,較大的計算窗口,計算量也很大,紋理分析耗費的時間也會很長.因此,選擇合適的紋理計算窗口非常重要.將ASAR溢油圖像分離度大小與紋理分析計算所用的時間二者權(quán)衡,本文選取分離度較大[12]且花費時間不是很長的窗口,即15×15(像元數(shù))的紋理計算窗口.

3.2 方向

在圖3所示的油膜和類油膜區(qū)域中各取1個樣本用以試驗,計算得到這2個樣本在不同方向上的各個紋理特征量,如表1所示.

表1 油膜和類油膜在不同方向上的紋理特征量Tab le 1 Texture feature va lues of oil films and look-a likes in different directions

根據(jù)表1,可以得到以下結(jié)論:(a)對于任意選定的2個樣本點,無論是油膜還是類油膜,均值、角二階矩、協(xié)同性、方差、熵、相關(guān)性和相異性這7個紋理特征量在4個方向上的變化不是很大,幾乎可以不用考慮其方向性.(b)對于對比度,在4個方向上的差異較大,方向性比較明顯,但都可以較好地區(qū)分油膜和類油膜,所以方向性的影響也不是很大.

因此,總的說來,方向性對紋理特征提取的影響很小,但各個方向上的特征值還是有細(xì)微的差別的.在計算紋理特征量時為了進(jìn)一步減少方向性的影響,本文對4個方向上的紋理特征量進(jìn)行平均.

3.3 紋理特征量篩選

從圖3的油膜和類油膜(包括近海自然表面膜和低風(fēng)速區(qū))對應(yīng)的典型區(qū)域中各選取10個樣本,其窗口大小為15×15(像元數(shù)),分別計算各個樣本對應(yīng)的紋理特征量,結(jié)果見表2.

表2 油膜和類油膜紋理特征量比較Table 2 Comparison of texture values between oil films and look-alikes

從表2可以看出:油膜和類油膜的目標(biāo)均值重疊,所以它不能用來區(qū)分油膜與類油膜.比較對比度和熵,可以發(fā)現(xiàn)油膜的值均低于類油膜.這是因為油膜具有平滑、細(xì)膩而不破碎的紋理,而類油膜的紋理比較分散且高度破碎,所以類油膜的對比度比較大.此外,由表2還可以看出近海自然表面膜的對比度比低風(fēng)速區(qū)的要大.這可能是因為低風(fēng)速區(qū)的紋理主要是由低風(fēng)速引起,起因比較單一,所以紋理分布相對比較均勻、平滑,破碎程度低;而近海自然表面膜可能包含多種物質(zhì),其產(chǎn)生的紋理必然不均勻,分散程度很高.對于角二階矩,油膜的值較類油膜的高,這是因為含有油膜的圖像紋理較多,圖像灰度變化劇烈,導(dǎo)致灰度分布不均勻.另外,雖然近海自然表面膜和低風(fēng)速區(qū)不是同一類地物,但比起其紋理特征量與油膜的差異,它們自身之間的差異要小的多,說明它們同屬于類油膜.

對于各個樣本,除了均值以外,其他7個特征量之間的差別較大.如對比度的值分布在4～11之間,角二階矩則分布在0.01～0.04之間.為了便于比較,必須進(jìn)行歸一化處理,而歸一化處理也保證了紋理特征量對分類的貢獻(xiàn)相對均衡.

在不失其自身規(guī)律的情況下,把各紋理特征量的值轉(zhuǎn)化到0～1之間,采用線性轉(zhuǎn)化方式:

利用式(3),對油膜和類油膜對應(yīng)的各紋理特征量進(jìn)行歸一化處理.為便于比較,將歸一化后的紋理特征量擴(kuò)大100倍,如圖4所示.

從圖4可以看出:對比度、方差和相關(guān)性可以較好地區(qū)分油膜和近海自然表面膜、油膜和低風(fēng)速區(qū);角二階矩和協(xié)同性可以很好地識別油膜和近海自然表面膜,但不能識別油膜和低風(fēng)速區(qū);熵和相異性能夠區(qū)分油膜和低風(fēng)速區(qū),但不如對油膜和近海自然表面膜的區(qū)分效果好.總體來說,比起區(qū)分油膜和低風(fēng)速區(qū),這7種紋理特征量對油膜和近海自然表面膜的區(qū)分效果更好.盡管近海自然表面膜和低風(fēng)速區(qū)都是類油膜,但它們的紋理特征量還是存在一定的差別,且區(qū)分油膜和低風(fēng)速區(qū)、油膜和近海自然表面膜的紋理特征量是不同的,說明從類油膜中區(qū)分近海自然表面膜和低風(fēng)速區(qū)十分必要.

圖4 油膜和類油膜對應(yīng)的歸一化紋理特征量Fig.4 Normalized texture feature values of oil films and look-alikes

4 結(jié) 語

本文基于灰度共生矩陣方法,對渤海的星載ASAR溢油圖像進(jìn)行了紋理特征分析.研究發(fā)現(xiàn),對比度、方差和相關(guān)性這3種紋理特征量能夠較好地用于識別油膜與近海自然表面膜、油膜與低風(fēng)速區(qū)這2種類油膜,而熵和相異性更適于識別油膜和近海自然表面膜.

本文以渤海ENVISAT ASAR圖像為例,分析了油膜與類油膜的紋理特征,后續(xù)研究中還需要進(jìn)一步擴(kuò)大樣本數(shù),并獲取更多不同種類類油膜的數(shù)據(jù).

根據(jù)不同類型油膜的分析可知,其紋理特征量是有差別的,在區(qū)分油膜和不同種類的類油膜時應(yīng)用的紋理特征量也不盡相同.因此,在利用ASAR圖像進(jìn)行溢油識別時,需要對類油膜進(jìn)行分類,以提高ASAR圖像溢油分類精度.在后續(xù)研究中可以把獲得的可以區(qū)分油膜與類油膜的紋理特征量作為識別系統(tǒng)(比如神經(jīng)網(wǎng)絡(luò))的輸入,用計算機(jī)自動識別油膜和類油膜.

[1]KERAM ITSOGLOU I,CARTALIS C,KIRANOUDIS C T.Automatic identification of oil spills on satellite images[J].Environmental Modelling&Software,2006,21(5):640-652.

[2]SOLBERG A H S,DOKKEN S T,SOLBER G R.Automatic detection of oil spills in ENVISAT,Radarsat and ERS SAR images[J].IGARSS2003,2003,4:2747-2749.

[3]MIGLIACCIO M,GAMBARDELLA A,TR ANFAGLIA M.SAR polarimetry to observe oil spills[J].IEEE Transaction on Geoscience and Remote Sensing,2007,45(2):506-511.

[4]BREKKE C,SOLBER G A H S.Oil spill detection by satellite remote sensing[J].Remote Sensing of Environment,2005,95:1-13.

[5]SOLBERG A H S,BREKKE C,HUSOY P O.Oil spill detection in radarsat and envisat sar images[J].IEEE Transaction on Geoscience and Remote Sensing,2007,45(3):746-755.

[6]黃曉霞,朱振海.海洋表面膜特征的SAR圖像探測[J].遙感學(xué)報,1999,3(1):48-53.(HUANG Xiao-xia,ZHU Zhen-hai.Detection of sea surface slick features using SAR image[J].Journal of Remote Sensing,1999,3(1):48-53.(in Chinese))

[7]馬廣文,趙朝方,石立堅.星載SAR監(jiān)測海洋溢油污染的初步研究[J].海洋湖沼通報,2008(2):53-60.(MA Guang-wen,ZHAO Chao-fang,SHI Li-jian.The study of oil spill detection on the sea surface by sar data[J].Transactions of Oceanology and Limnology,2008(2):53-60.(in Chinese))

[8]容觀澳.計算機(jī)圖像處理[M].北京:清華大學(xué)出版社,1998:290.

[9]HARALICK RM,SHANMUGAM K.Texture features for image classification[J].IEEETranson Sys,Man and Cyb,1973,SMC-3(6):610-621.

[10]周成虎,駱劍承,楊曉梅,等.遙感影像地學(xué)理解與分析[M].北京:科學(xué)出版社,2001:82-84;238-242.

[11]譚湘瑩,于秀蘭,錢國蕙.一種大小窗口結(jié)合的SAR圖像紋理特征分類方法[J].系統(tǒng)工程與電子技術(shù),2000,22(4):15-17.(TAN Xiang-ying,YU Xiu-lang,QIAN Guo-hui.A classification method by use of SAR image texture characteristics with combination of large and small windows[J].Systems Engineering and Electronics,2000,22(4):15-17.(in Chinese))

[12]RICHARDS J A.Remote sensing digital image analysis[M].Berlin:Sp ringer-Verlag,1999:240.