阮沁馨 田金文

（華中科技大學(xué)自動(dòng)化學(xué)院多譜信息處理技術(shù)國(guó)家級(jí)重點(diǎn)實(shí)驗(yàn)室 武漢 430074）

1 引言

隨著世界經(jīng)濟(jì)的發(fā)展，人們對(duì)石油的需求不斷增加，由石油加工提煉的產(chǎn)品運(yùn)用廣泛。石油的巨大需求量推動(dòng)著石油相關(guān)行業(yè)的蓬勃發(fā)展，石油的海上開(kāi)采以及海上運(yùn)輸規(guī)模日益增大，隨之而來(lái)的還有頻頻發(fā)生的海上溢油事故；不合乎規(guī)范的工業(yè)廢油的排放使得內(nèi)河生態(tài)環(huán)境受到污染，也嚴(yán)重危害了沿河居民的身體健康。溢油所帶來(lái)的污染問(wèn)題，對(duì)當(dāng)?shù)匾约斑B通區(qū)域的生態(tài)系統(tǒng)帶來(lái)的影響是長(zhǎng)久不能消散的。由此，在溢油事故發(fā)生之前對(duì)海面的密集監(jiān)測(cè)，在溢油發(fā)生時(shí)的快速識(shí)別以及發(fā)現(xiàn)溢油區(qū)域后的回收工作都顯得尤為重要。

用于溢油檢測(cè)的傳感器主要有光學(xué)傳感器、激光傳感器、微波傳感器等。其中，光學(xué)傳感器包括可見(jiàn)光傳感器、紅外傳感器、近紅外傳感器和紫外傳感器；微波傳感器包括輻射計(jì)、雷達(dá)等。目前，對(duì)溢油檢測(cè)方面的研究主要集中在對(duì)遙感圖像的處理上，Topouzelis等［1］對(duì)海上溢油SAR圖像提取了5個(gè)幾何特征，并對(duì)提取的特征運(yùn)用RBF神經(jīng)網(wǎng)絡(luò)進(jìn)行識(shí)別；陳海菊等［2］針對(duì)激光熒光遙感圖像，以光譜形狀作為識(shí)別的關(guān)鍵特征，利用支持向量機(jī)算法識(shí)別溢油，對(duì)不同油品的分類(lèi)有較好的精度；郭越等［3］針對(duì)SAR圖像，融合了灰度共生矩陣與Tamura特征，利用深度信念網(wǎng)絡(luò)的分類(lèi)方法，避免了對(duì)圖像進(jìn)行分割、降噪等預(yù)處理，并很好地解決了檢測(cè)中小樣本分類(lèi)的問(wèn)題。

在溢油檢測(cè)方面，針對(duì)船載圖像對(duì)海面進(jìn)行檢測(cè)的研究很少，Nasser［4］通過(guò)對(duì)船載SAR圖像提取灰度共生矩陣的8個(gè)特征，并對(duì)這8維特征進(jìn)行主成分分析，實(shí)時(shí)追蹤船只附近的溢油區(qū)。Solano［5］通過(guò)安裝在平臺(tái)上的紅外/雷達(dá)相機(jī)對(duì)水面進(jìn)行監(jiān)控，通過(guò)提取溢油區(qū)域周長(zhǎng)及灰度共生矩陣等特征，對(duì)油區(qū)進(jìn)行識(shí)別，并建立基于區(qū)域的數(shù)據(jù)庫(kù)，持續(xù)對(duì)水面進(jìn)行監(jiān)測(cè)。通過(guò)在出檢測(cè)船只以及出海漁船上安裝檢測(cè)相機(jī)，或是在沿岸安裝檢測(cè)相機(jī)，實(shí)時(shí)監(jiān)控海面與河面的溢油情況，將溢油監(jiān)測(cè)作為一個(gè)常態(tài)工作，對(duì)降低溢油事故帶來(lái)的影響很是必要。這種實(shí)時(shí)密集監(jiān)控會(huì)使用大量的檢測(cè)設(shè)備，設(shè)備成本是必須要考慮的，紅外相機(jī)價(jià)格低廉，適合大范圍安裝監(jiān)控設(shè)備，對(duì)紅外溢油圖像進(jìn)行檢是非常值得研究的。

本文提出了一種基于超像素分割［6］以及紋理特征提取的紅外圖像溢油檢測(cè)方法，首先對(duì)船載紅外溢油圖像進(jìn)行過(guò)分割，從而得到基于超像素塊的分割子區(qū)域，以每一個(gè)超級(jí)像素作為紋理基元，對(duì)該紋理基元的分割區(qū)域進(jìn)行紋理特征提取，而后利用SVM分類(lèi)器對(duì)提取出來(lái)的紋理特征進(jìn)行識(shí)別分類(lèi)，從而完成溢油檢測(cè)的過(guò)程。

2 紋理特征提取

由超像素分割得到的每一個(gè)小區(qū)域，對(duì)鄰域特征的表達(dá)非常適合。分割出的每一個(gè)小區(qū)域，相當(dāng)于紋理的每一個(gè)基元，對(duì)每一個(gè)紋理基元提取特征來(lái)表達(dá)該區(qū)域的特性很是適用。

2.1 基于區(qū)域的亮度直方圖的紋理描繪子

基于區(qū)域的亮度直方圖的紋理描繪子是跟圖像像素相對(duì)位置無(wú)關(guān)的特征信息，這種特征用于超像素塊的特征提取很合適。本文選取均值、標(biāo)準(zhǔn)偏差、平滑度、三階矩、一致性、熵這6個(gè)特征。其中，zi是表示灰度的一個(gè)隨機(jī)變量，p(zi)，i=0，1，2，…，L-1是表示相應(yīng)灰度級(jí)的直方圖，L是可能的灰度級(jí)數(shù)。

1）均值

反映的是基于區(qū)域的平均灰度的度量。

2）標(biāo)準(zhǔn)偏差

反映的是基于區(qū)域的平均對(duì)比度的度量。

3）平滑度

反映的是區(qū)域中亮度的相對(duì)平滑程度。對(duì)于亮度為恒定值的區(qū)域，平滑度R的值等于0，而對(duì)于亮度有較大偏移的區(qū)域，平滑度R的值等于1。

4）三階矩

反映的是基于區(qū)域的直方圖偏斜度。

5）一致性

反映的是區(qū)域亮度變化的隨機(jī)性。

2.2 基于灰度共生矩陣的紋理特征

基于灰度共生矩陣的紋理特征［7～8］包含了與像素彼此之間的相對(duì)位置有關(guān)的信息，通過(guò)計(jì)算紋理基元中任意兩個(gè)像素的灰度級(jí)關(guān)于不同方向（ θ=0°，45°，90°，135°） 、不 同 間 隔 距 離（d=1，2，…，n）出現(xiàn)頻率的統(tǒng)計(jì)，可以得到關(guān)于該區(qū)域的灰度共生矩陣。從每一個(gè)基于不同方向、不同間隔距離的灰度共生矩陣中，可以提取相關(guān)的紋理特征。本文從灰度共生矩陣提取的14個(gè)紋理特征中，選取對(duì)比度、相關(guān)性、能量、同質(zhì)性這4個(gè)特征。其中，K 為定義的灰度級(jí)，p(i，j，d，θ) 表示灰度為 zi（1≤i≤K）和 zj（1≤j≤K）的像素對(duì)出現(xiàn)在方向?yàn)棣龋g隔距離為d的灰度共生矩陣中的頻率。

1）對(duì)比度

反映的是區(qū)域亮度的一致性。對(duì)于灰度值相等的區(qū)域，該度量的值為最大值。

6）熵

反映了一個(gè)像素點(diǎn)在整個(gè)圖像上與其鄰域范圍的灰度對(duì)比度。當(dāng)一副圖像為恒定圖像時(shí)，對(duì)比度的值為0。

2）相關(guān)性

其中

反映一個(gè)像素在整個(gè)圖像上與其鄰域相關(guān)程度的度量。當(dāng)二者完美正相關(guān)時(shí)，相關(guān)性的值為1，完美負(fù)相關(guān)時(shí)，相關(guān)性的值為-1。

3）能量

反映了區(qū)域灰度分布的一致性。對(duì)于恒定圖像，能量的值為1。

4）同質(zhì)性

反映了灰度共生矩陣中元素對(duì)角線分布的空間緊密程度。

對(duì)于對(duì)比度、相關(guān)性、能量、同質(zhì)性這4個(gè)特征，在確定間隔距離d時(shí)，可以分別計(jì)算出其在0°、45°、90°、135°這4個(gè)方向上的特征值，得到16維特征值，記為X7-22。如果要使灰度共生矩陣特征具有旋轉(zhuǎn)不變性，可以選取對(duì)比度、相關(guān)性、能量、同質(zhì)性這4個(gè)特征在0°、45°、90°、135°這4個(gè)方向上的最大值，得到4維特征值，記為 X23-26。為了使灰度共生矩陣具有旋轉(zhuǎn)不變形，也可以對(duì)灰度共生矩陣在 0°、45°、90°、135°方向上結(jié)果進(jìn)行融合，而后再對(duì)該灰度共生矩陣提取對(duì)比度、相關(guān)性、能量、同質(zhì)性這4維特征，記為X27-30。

3 支持向量機(jī)

支持向量機(jī)（Support Vector Machine，SVM）發(fā)表于20世紀(jì)90年代，是一種基于統(tǒng)計(jì)學(xué)習(xí)理論的機(jī)器學(xué)習(xí)算法［9］。支持向量機(jī)是建立在VC維理論和結(jié)構(gòu)風(fēng)險(xiǎn)最小化原理的基礎(chǔ)上的，在有限的給定樣本上，對(duì)經(jīng)驗(yàn)風(fēng)險(xiǎn)最小化和置信風(fēng)險(xiǎn)選擇一個(gè)折中的最優(yōu)點(diǎn)，以獲得具有較好泛化能力的分類(lèi)器模型。本文使用LIBSVM［10］作為識(shí)別分類(lèi)器。

4 實(shí)驗(yàn)與結(jié)果分析

4.1 方法

本文采用一種基于超像素分割以及紋理特征提取的紅外圖像溢油檢測(cè)方法，首先針對(duì)紅外溢油圖像進(jìn)行超像素分割，而后將每一個(gè)劃分的超像素塊作為紋理基元，通過(guò)對(duì)基于超像素塊的紋理基元計(jì)算得到相關(guān)特征值，而后利用分類(lèi)器進(jìn)行模式識(shí)別，從而得到用于紅外圖像溢油檢測(cè)的分類(lèi)模型。

圖1 算法流程圖

4.2 結(jié)果分析

本文通過(guò)人工標(biāo)定劃分油膜超像素塊以及海面超像素塊，并選取其中較為純凈的油膜超像素塊以及較為純凈的海面超像素塊作為訓(xùn)練樣本，其余標(biāo)定的油膜超像素塊以及海面超像素塊作為測(cè)試樣本。

表1 實(shí)驗(yàn)樣本組成

本文對(duì)比了基于亮度直方圖的紋理描繪子以及基于灰度共生矩陣的紋理特征的不同組合，結(jié)合SVM分類(lèi)器構(gòu)造的分類(lèi)模型識(shí)別準(zhǔn)確率。其中，將基于亮度直方圖的紋理描繪子的6維特征記為X1-6，將基于灰度共生矩陣的對(duì)比度、相關(guān)性、能量、同質(zhì)性分別在0°、45°、90°、135°這4個(gè)方向上的16維特征記為X7-22，將基于灰度共生矩陣的對(duì)比度、相關(guān)性、能量、同質(zhì)性分別在0°、45°、90°、135°這4個(gè)方向上的最大值這4維特征記為X23-26，將融合了各方向的灰度共生矩陣的對(duì)比度、相關(guān)性、能量、同質(zhì)性這4維特征記為X27-30。

由表2可以看出，在選取基于亮度直方圖的紋理描繪子的6維特征X1-6以及于灰度共生矩陣的對(duì)比度、相關(guān)性、能量、同質(zhì)性分別在0°、45°、90°、135°這4個(gè)方向上的16維特征 X7-22進(jìn)行組合時(shí)，識(shí)別的準(zhǔn)確率最高。

表2 比較不同特征組合的分類(lèi)結(jié)果

由表2以及圖2可看出，對(duì)于紅外溢油圖像，結(jié)合基于灰度共生矩陣的紋理特征以及基于亮度直方圖的紋理描繪子進(jìn)行識(shí)別，相較于單獨(dú)使用基于灰度共生矩陣的紋理特征進(jìn)行識(shí)別，其準(zhǔn)確率有一定的提高。

圖2 不同特征組合的ROC曲線比較

圖3為本文算法與OTSU算法針對(duì)紅外溢油圖像進(jìn)行識(shí)別的結(jié)果比較，可以看出，相較于OTSU算法，本文首先通過(guò)超像素進(jìn)行紋理基元?jiǎng)澐?，可以在紅外溢油圖像中較為完整地保存溢油區(qū)域的邊緣信息，從而更有利于快速圈定溢油范圍。

圖3 本文算法與OTSU算法對(duì)比

5 結(jié)語(yǔ)

本文以基于超像素分割以及紋理特征提取為核心，提出了一種紅外圖像溢油檢測(cè)的方法。基于超像素分割的紋理基元能較好地保持油區(qū)的邊緣信息，而對(duì)超像素分割的紋理基元提取的紋理特征可以對(duì)油膜和海面進(jìn)行區(qū)分。實(shí)驗(yàn)結(jié)果表明，本文方法能較好地保持油膜邊界信息的完整性，并且通過(guò)對(duì)紋理特征的識(shí)別分類(lèi)，區(qū)分油膜與海面，達(dá)到較好的溢油檢測(cè)效果。

［1］Topouzelis K，Karathanassi V，Pavlakis P，et al.Oil spill detection using RBF neural networks and SAR data［C］//XXth ISPRS Congress.Istanbul，Turkey，2004.

［2］陳海菊，安居白，劉建鑫.基于SVM的激光誘導(dǎo)熒光遙感識(shí)別海面溢油［J］.應(yīng)用能源技術(shù)，2008（2）：6-9.CHEN Haiju，AN Jubai，LIU Jianxin.The laser induced fluorescence remote sensing identify sea oil spills with SVM［J］.Applied Energy Technology，2008（2）：6-9.

［3］郭越，王曉峰，張恒振.基于人類(lèi)感知的SAR圖像海上溢油檢測(cè)算法［J］.武漢大學(xué)學(xué)報(bào)信息科學(xué)版，2016，41（3）：395-401.GUO Yue，WANG Xiaofeng，ZHANG Hengzhen.Oil Spill Detection by SAR Images Based on Human Perception［J］.Geomatics and Information Science of Wuhan Univer?sity，2016，41（3）：395-401.

［4］Saleh N M.Automated oil spill detection with ship borne radar［D］.International Institute for Geo-informational Science and Earth Observation.ITC，The Netherland，2004.

［5］Solano F J V，Espósito C I D，García C M，et al.Infrared image based early detection of oil spills in water：WO，WO2014006234 A8［P］.2014.

［6］Achanta R，Shaji A，Smith K，et al.SLIC superpixels compared to state-of-the-art superpixel methods.［J］.Pat?tern Analysis&Machine Intelligence IEEE Transactions on，2012，34（11）：2274-2282.

［7］Haralick R M.Statistical and structural approaches to tex?ture［J］.Proceedings of the IEEE，1979，67（5）：786-804.

［8］Haralick R M，Shanmugam K，Dinstein I.Textural Fea?tures for Image Classification［J］.Systems Man&Cyber?netics IEEE Transactions on，1973，3（6）：610-621.

［9］Vapnik V N.An overview of statistical learning theory.［J］.IEEE Transactions on Neural Networks，1999，10（10）：988-999.

［10］Chang C C，Lin C J.LIBSVM：A library for support vec?tor machines［J］.Acm Transactions on Intelligent Sys?tems&Technology，2011，2（3）：27.