基于極化分解技術(shù)的溢油檢測(cè)方法的基本流 程圖；
[0039] 圖2示出了本發(fā)明實(shí)施例所提供的基于極化分解技術(shù)的溢油檢測(cè)方法中，使用散 射熵進(jìn)行檢測(cè)的結(jié)果；
[0040] 圖3示出了本發(fā)明實(shí)施例所提供的基于極化分解技術(shù)的溢油檢測(cè)方法中，使用極 化反熵進(jìn)行檢測(cè)的結(jié)果；
[0041] 圖4示出了本發(fā)明實(shí)施例所提供的基于極化分解技術(shù)的溢油檢測(cè)方法中，使用第 一種散射熵與極化反熵的組合值進(jìn)行檢測(cè)的結(jié)果；
[0042] 圖5示出了本發(fā)明實(shí)施例所提供的基于極化分解技術(shù)的溢油檢測(cè)方法中，使用第 二種散射熵與極化反熵的組合值進(jìn)行檢測(cè)的結(jié)果；
[0043] 圖6示出了本發(fā)明實(shí)施例所提供的基于極化分解技術(shù)的溢油檢測(cè)方法中，使用第 三種散射熵與極化反熵的組合值進(jìn)行檢測(cè)的結(jié)果；
[0044] 圖7示出了本發(fā)明實(shí)施例所提供的基于極化分解技術(shù)的溢油檢測(cè)方法中，使用第 四種散射熵與極化反熵的組合值進(jìn)行檢測(cè)的結(jié)果；
[0045] 圖8示出了本發(fā)明實(shí)施例所提供的基于極化分解技術(shù)的溢油檢測(cè)方法中，樣本值 分布結(jié)果圖；
[0046] 圖9A和圖9B示出了本發(fā)明實(shí)施例所提供的基于極化分解技術(shù)的溢油檢測(cè)方法 中，不同的溢油信息提取方法所得到的結(jié)果。
【具體實(shí)施方式】
[0047] 下面將結(jié)合本發(fā)明實(shí)施例中附圖，對(duì)本發(fā)明實(shí)施例中的技術(shù)方案進(jìn)行清楚、完整 地描述，顯然，所描述的實(shí)施例僅僅是本發(fā)明一部分實(shí)施例，而不是全部的實(shí)施例。通常在 此處附圖中描述和示出的本發(fā)明實(shí)施例的組件可以以各種不同的配置來(lái)布置和設(shè)計(jì)。因 此，以下對(duì)在附圖中提供的本發(fā)明的實(shí)施例的詳細(xì)描述并非旨在限制要求保護(hù)的本發(fā)明的 范圍，而是僅僅表示本發(fā)明的選定實(shí)施例?；诒景l(fā)明的實(shí)施例，本領(lǐng)域技術(shù)人員在沒(méi)有做 出創(chuàng)造性勞動(dòng)的前提下所獲得的所有其他實(shí)施例，都屬于本發(fā)明保護(hù)的范圍。
[0048] 相關(guān)技術(shù)中，已經(jīng)出現(xiàn)使用散射熵和極化反熵進(jìn)行溢油檢測(cè)的方法，但這些方法 大多是單獨(dú)使用散射熵進(jìn)行檢測(cè)，或者是單獨(dú)使用極化反熵進(jìn)行檢測(cè)。但這種檢測(cè)方法容 易出現(xiàn)虛警，導(dǎo)致溢油報(bào)警的可信度降低。
[0049] 相關(guān)技術(shù)中已出現(xiàn)一種SVM方法的溢油檢測(cè)方法，下面對(duì)該種方法進(jìn)行簡(jiǎn)要介 紹：
[0050] 支持向量機(jī)（supportvectormachine，SVM)是一種基于結(jié)構(gòu)風(fēng)險(xiǎn)最小化原則的， 以樣本間的某種距離作為劃分依據(jù)的模型識(shí)別方法，它可以在高維空間中構(gòu)造較低VC維 德函數(shù)集，從而獲得較好的推廣能力。其具體可以分為如下兩種情況：
[0051] 1，線性可分的情況。
[0052] 在結(jié)構(gòu)風(fēng)險(xiǎn)最小化原則下的最優(yōu)超平面可以通過(guò)= 、W得到。按照最優(yōu)化 理論中的二次規(guī)劃的解法，采用拉格朗日乘子，最優(yōu)超平面可以表示為：
[0053]
[0054] 其中：sgn為符號(hào)函數(shù)，xi、yi為樣本，w、b為確定超平面的值，ai為拉格朗日乘 子。
[0055] 2,線性不可分的情況。
[0056] 對(duì)于無(wú)法利用1條簡(jiǎn)單直線將兩類(lèi)劃分開(kāi)來(lái)，稱為線性不可分問(wèn)題，必須使用非 線性分類(lèi)學(xué)習(xí)機(jī)。對(duì)于此類(lèi)問(wèn)題，需要將樣本通過(guò)非線性函數(shù)映射到高維特征空間中，使其 線性可分，再在該特征空間中建立優(yōu)化超平面^ +(公式為X與y坐標(biāo)的方程 加上截距）。于是，原本空間的二元模式分類(lèi)問(wèn)題可以表示為：
[0057]
[0058] 支持向量機(jī)（SVM)利用核函數(shù)簡(jiǎn)單地解決了這個(gè)問(wèn)題，只要核函數(shù)K(Xl，X])滿足 Mercer條件，它就對(duì)應(yīng)某一變換空間的內(nèi)積，叩?變(?)。此時(shí)的二次優(yōu)化相 應(yīng)的判別函數(shù)為：
[0059]
[0060]目前，常用的3個(gè)核函數(shù)為：
[0061] (1)多項(xiàng)式核函數(shù)，K(Xi，x) = [(X; ?xHl]·1;其中，xi為樣本，d為任意的正整數(shù)。
[0062] (2)徑向基函數(shù)
也稱Gauss徑向基核。其中，xi為樣本， 〇為標(biāo)準(zhǔn)方差。
[0063] (3)多層感知機(jī)，Κ(ΧρX)=tanhOcUi·χ)+ν);其中，k>0,ν〈0,函數(shù)tanh返回指 定角度的雙曲正切值。
[0064] 使用SVM方法進(jìn)行溢油信息提取的具體說(shuō)明如下：
[0065] 由于Η-α分類(lèi)平面中固定散射機(jī)制邊界可能與實(shí)際地物分布不符合從而導(dǎo)致分 類(lèi)結(jié)果中出現(xiàn)大量分類(lèi)噪聲的情況，而溢油散射的樣本為小樣本，采用閥值的方法受到圖 像處理的影響大，存在計(jì)算量大與精度不高的問(wèn)題，故采用SVM方法進(jìn)行監(jiān)督分類(lèi)。根據(jù)散 射特征，通過(guò)感興趣區(qū)域（RegionofInterest)選取溢油與類(lèi)似溢油的樣本。選取散射參 數(shù)熵H，散射角α，反熵A為特征向量進(jìn)行計(jì)算。通過(guò)對(duì)多項(xiàng)式核函數(shù)、徑向基核函數(shù)、多層 感知基核函數(shù)分類(lèi)比較，選取SVM的多層感知基核函數(shù)進(jìn)行分類(lèi)。利用VC與Matlab結(jié)合 進(jìn)行開(kāi)發(fā)，基于SVM算法提取溢油信息。
[0066] 對(duì)比基于Η-α分類(lèi)結(jié)果圖與基于SVM方法提取樣本，并對(duì)比原影像圖可知，基于 Η-α分類(lèi)圖中沒(méi)有提取出的溢油信息在基于SVM方法中可提取出。也就是使用SVM方法能 夠一定程度上彌補(bǔ)Η-α方式提取的漏洞。
[0067] 但，使用傳統(tǒng)的SVM方法進(jìn)行溢油檢測(cè)，依舊會(huì)發(fā)生虛警的問(wèn)題。有鑒于此，本申 請(qǐng)?zhí)峁┝嘶跇O化分解技術(shù)的溢油檢測(cè)方法，如圖1所示，包括如下步驟：
[0068]S101，獲取目標(biāo)圖像所對(duì)應(yīng)的極化反熵和散射熵；
[0069] S102,針對(duì)目標(biāo)圖像中的包含溢油和海水的區(qū)域進(jìn)行采樣，以獲取目標(biāo)采樣樣 本；
[0070] S103,根據(jù)極化反熵和散射熵，計(jì)算目標(biāo)采樣樣本的極化參數(shù)組合值；
[0071]S104,使用極化參數(shù)組合值進(jìn)行第一溢油檢測(cè)。
[0072] 下面對(duì)步驟S101進(jìn)行具體說(shuō)明，目標(biāo)圖像是進(jìn)行溢油檢測(cè)的基礎(chǔ)，首先，可以根 據(jù)已經(jīng)獲取到的信息，計(jì)算得到目標(biāo)圖像的C3或Τ3矩陣（C3是協(xié)方差矩陣，通過(guò)C3矩陣 或者是Τ3矩陣均能夠計(jì)算出極化反熵和散射熵，后文中只以C3矩陣為例進(jìn)行說(shuō)明，但應(yīng)注 意的是，使用Τ3矩陣同樣可以完成計(jì)算的任務(wù)）。之后，通過(guò)根據(jù)C3矩陣計(jì)算極化反熵和 散射熵（實(shí)際上，是使用C3矩陣中的多個(gè)特征向量來(lái)計(jì)算極化反熵和散射熵）。也就是步 驟S101可以分為如下兩個(gè)子步驟：
[0073] 獲取目標(biāo)圖像的C3矩陣；
[0074] 根據(jù)C3矩陣，計(jì)算所述極化反熵和散射熵。
[0075] 具體的計(jì)算公式為：
[0076] 使用 // _二-l〇g; 計(jì)算散射熵，其中，Ρι =λ夕（λ1+λ2+λ3)，λ丨、λ2和λ3 i=l 為C3矩陣的特征向量；
[0077] 使用J= 十算極化反熵，其中，λ#Ρλ3為〇3矩陣的特征向量。
[0078] 步驟S102中，需要對(duì)溢油與海水的位置進(jìn)行采樣，實(shí)際上，目標(biāo)圖像上，是同時(shí)含 有海水和溢油的。該采樣步驟可以理解為建立一個(gè)后續(xù)步驟能夠使用的樣本，采樣所得到 的目標(biāo)采樣樣本并不必然比目標(biāo)圖像小，或者說(shuō)目標(biāo)采樣樣本可能與目標(biāo)圖像是相同的， 采樣的過(guò)程并未將目標(biāo)圖像進(jìn)行實(shí)質(zhì)性改動(dòng)。
[0079] 步驟S103是該方法中比較重要的步驟，S卩，計(jì)算得到由極