舒思京孟俊敏張 晰劉根旺

(1.自然資源部 第一海洋研究所,山東 青島266061;2.自然資源部 海洋工程技術(shù)創(chuàng)新中心,山東 青島266061)

合成孔徑雷達(Synthetic Aperture Radar,SAR)具有全天時、全天候、高分辨率成像的優(yōu)勢,是目前海上溢油監(jiān)視監(jiān)測的重要手段[1]。當(dāng)海面發(fā)生溢油事故時,油膜對海面的中短波和毛細波有較強的抑制作用(馬朗戈尼效應(yīng),Marangoni Effect),導(dǎo)致雷達回波強度減弱,海上溢油覆蓋區(qū)域在SAR圖像中呈暗斑特征[2]。因此,早期的SAR溢油檢測是通過探測海面中的暗區(qū)域進行的[3-5]。

盡管全極化SAR有較好的溢油探測能力,但由于全極化SAR幅寬遠小于單極化SAR數(shù)據(jù)(如RADARSAT-2的全極化SAR數(shù)據(jù)幅寬僅有25或50 km,而單極化ScanSAR模式的幅寬為500 km),且系統(tǒng)結(jié)構(gòu)復(fù)雜、成本高,極大的限制了全極化SAR的應(yīng)用。為克服全極化SAR的缺陷,簡縮極化SAR于2005年被提出[13-14],其采用特殊的雙極化SAR結(jié)構(gòu),不僅能實現(xiàn)大幅寬觀測(可達350 km),還能獲取接近全極化的極化散射信息。鑒于簡縮極化SAR的獨特優(yōu)勢,加拿大的“雷達衛(wèi)星星座任務(wù)”(Radarsat Constellation Mission,RCM)、印度RISAT衛(wèi)星以及日本的ALOS-2衛(wèi)星都已支持了簡縮極化模式。

在簡縮極化SAR溢油探測方面,最早有Zhang等利用簡縮極化的一致性參數(shù)(conformity coefficient)進行了溢油檢測[15];Shirvany等引入簡縮極化度開展C波段和X波段SAR溢油檢測[16]。近5 a來,Salberg等和Nunziata等將部分全極化SAR極化特征引入到簡縮極化SAR溢油檢測中[17],此外還進行了簡縮極化m-χ分解得到極化度和橢圓率,并將其用于溢油檢測[18];Xie等基于簡縮極化特征值參數(shù)簡縮極化熵、簡縮極化比和簡縮極化基準(zhǔn)高度等進行溢油檢測[19]。這些研究證明了簡縮極化SAR在溢油探測中有較大的應(yīng)用潛力。

然而,在簡縮極化SAR海面溢油探測研究方面還有問題未解決:1)簡縮極化SAR已發(fā)展了較多溢油檢測特征,但對于眾多的特征尚未進行全面的對比分析;2)尚未有利用簡縮極化SAR開展溢油分類的研究。因此,本文將針對上述2個問題開展研究:首先利用簡縮極化SAR數(shù)據(jù)提取常用的36個極化特征,通過對比分析這36個簡縮極化特征圖像中不同類型油膜和清潔海面間的歐式距離,分別篩選出最優(yōu)的溢油檢測和油膜類型(包括疑似溢油)區(qū)分的特征;然后,基于篩選的最優(yōu)特征,提出了一種基于二叉樹原理的溢油檢測與分類的方法;最后利用模擬的簡縮極化SAR數(shù)據(jù)開展方法有效性評估。

1 實驗與數(shù)據(jù)

本文利用2次在歐洲海域開展的海上溢油實驗獲取的同步星載SAR數(shù)據(jù)(2次實驗分別獲取了1景Radarsat-2和3景SIR-C全極化數(shù)據(jù)),重構(gòu)出所需的簡縮極化SAR數(shù)據(jù)。其中,實驗一于1994-04-02在北海附近海域(5°21′E,54°38′N)開展,數(shù)據(jù)源于“奮進號”航天飛機進行的STS-59任務(wù)(1994年4月)和STS-68任務(wù)(1994年10月),其中數(shù)據(jù)影像PR17041(圖1a)和PR44327(圖1b)中的暗斑為人工鋪設(shè)的Olay alcohol原油,數(shù)據(jù)影像PR41370(圖1c)中的暗斑為疑似溢油。詳細的數(shù)據(jù)參數(shù)見表1。實驗二為NOFO公司(Norwegian Clean Seas Association for Operating Companies)于2011-06-06—09在北海(2°27′E,59°59′N)開展的海上溢油實驗。此實驗在海上布放了植物油、乳化油和原油三種類型的油品。其中,植物油為Radiagreen ebo植物油,成分主要為油酸2-乙基己酯,在20℃時,密度為865 kg/m3,此時動態(tài)黏度為6.92 m Pa·s。由于該植物油成分中的酯基構(gòu)成分子具有親水性,使得此植物油具有與天然浮油相似的結(jié)構(gòu)和屬性。因此,本實驗中選擇該植物油的目的是用于模擬天然單分子生物浮油,也即疑似溢油。實驗使用的原油為Barlder原油,根據(jù)2001年Barlder等的實驗研究,此原油的密度為0.914 g/m L,在13℃時,動態(tài)黏度為219 mPa·s。乳化油為Oseberg blend原油和5%中性燃油(IFO380)的混合液,經(jīng)樣本分析可知,乳化油在實驗過程中含水量為69%,黏度為4860 m Pa·s。詳細的油品屬性見表2。圖1d為油膜區(qū)域的總功率SPAN圖像,盡管此時風(fēng)速較低(1.6～3.3 m/s),但3種油膜依然清晰可見,圖中自左向右依次為植物油、乳化油和原油,并且在圖中由植物油模擬的生物油膜在視覺上與原油/乳化油無顯著差別。原油油膜附近的高亮點為實驗協(xié)同船只,圖中方框選取的區(qū)域?qū)⒂糜谙挛臄?shù)據(jù)分析。

表1 實驗數(shù)據(jù)列表Table 1 Experimental data

圖1 溢油區(qū)域及選擇感興趣區(qū)域Fig.1 Oil spill area and selected regions of interest

表2 實驗二中植物油、原油和乳化油的油膜屬性Table 2 Oil film properties of plant oil,crude and emulsion

2 簡縮極化SAR理論

2.1 簡縮極化構(gòu)建

簡縮極化SAR實質(zhì)上是一種特殊的雙極化SAR。典型的工作方式為發(fā)射左/右旋圓單極化電磁波,然后用水平和垂直雙極化接收。由于目前缺乏真實的簡縮極化SAR數(shù)據(jù),大部分研究是利用全極化SAR數(shù)據(jù)重構(gòu)生成簡縮極化SAR數(shù)據(jù),由極化散射矩陣得到簡縮極化散射矢量[20]:

式中:下標(biāo)C表示圓極化、下標(biāo)L表示左圓極化、下標(biāo)R表示右圓極化;“+”表示系統(tǒng)發(fā)射左圓極化波(LHC);“-”表示系統(tǒng)發(fā)射右圓極化波(RHC)。

本文采用右旋圓極化發(fā)射,水平和垂直線極化接收的模式。由式(1)可知,右圓極化的簡縮極化SAR協(xié)方差矩陣表示為

杭州以山水及人文景觀為主要特色，整個城市彌漫著休閑的氣息，被稱為人間天堂，乾隆帝視其為“禮樂名邦”。杭州的景觀不論是一級目錄還是二級目錄的數(shù)量都以絕對的優(yōu)勢遙遙領(lǐng)先，分別為47、89項，山水如云棲、西湖和龍井等，佛寺如靈隱寺、云棲寺和韜光庵等，園林如圣因寺行宮、安瀾園和西湖園林群等，祠廟如岳王廟、表忠觀和陸贄祠等，都吸引了康、乾二帝反復(fù)游覽。

式中:T表示矩陣轉(zhuǎn)置,“*”表示復(fù)共軛,“＜＞”表示空間集平均。

2.2 簡縮極化H-α分解理論

類似于全極化H-α分解理論,Clonde等于2012年基于協(xié)方差矩陣C2提出了簡縮極化H-α分解方法[21]:

式中:U2為2×2的可逆矩陣為U2的逆矩陣,該分解能夠得到極化協(xié)方差矩陣的特征值λi和概率p i,并且特征值滿足λ1≥λ2。利用簡縮極化特征值,可以獲取一系列基于特征值的參數(shù),例如簡縮極化熵[21]、簡縮極化比[22]和簡縮極化基準(zhǔn)高度[23]等。

2.3 m-χ分解理論

簡縮極化SAR除了用散射矢量與協(xié)方差矩陣表示,還可以使用Stokes矢量表示。Raney等給出了簡縮極化模式下的Stokes矢量表達式[24]:

式中:g0表示電磁波總功率;g1表示水平或垂直線極化分量功率值;g2表示傾角為45°或135°時的線極化分量功率值;g3為右旋圓極化分量的功率值;Re和Im分別表示復(fù)數(shù)的實部和虛部。

利用Stokes矢量可以得到極化度m、圓度χ和相對相位δ:

基于此Raney提出了一種基于m-χ的三分量分解方法,其分解公式為

式中:V R、V G和V B分別為偶次散射系數(shù)、體散射系數(shù)和奇次散射系數(shù)。

為分析簡縮極化SAR特征的溢油檢測和疑似溢油區(qū)分能力,本文共提取了36種極化特征,詳細特性見表3。

表3 提取的簡縮極化特征Table 3 The extracted compact polarization features

3 特征篩選

為了定量地比較36個極化特征(表3)的溢油檢測和油膜類型區(qū)分能力,采用歐式距離(D)度量清潔海面和不同油膜之間的對比度。歐式距離的定義[25]:

式中:m和σ分別表示樣本均值和方差。歐式距離滿足D＞0,歐式距離值越大,表明2種樣本間的可分性越強,反之則越難區(qū)分。區(qū)域間的均值差異越大,方差越小,歐式距離越大,可分性越強。

本文以Radarsat-2數(shù)據(jù)為例,根據(jù)圖1中黃色方框選取原油、植物油、乳化油和清潔海面四種區(qū)域的樣本,統(tǒng)計每個簡縮極化特征圖像中各區(qū)域樣本的均值和方差,再根據(jù)式(9)計算各區(qū)域間的歐氏距離。其中,油膜(原油、植物油、乳化油)與清潔海面之間的歐氏距離用于度量每個特征的溢油檢測能力,不同油膜相互之間的歐氏距離用于度量每個特征的油膜分類能力。

3.1 溢油檢測

溢油檢測是基于油膜與清潔海面之間的差異進行,差異越大,越容易區(qū)分,故在極化特征圖像中兩者間的歐氏距離越大,代表該特征的溢油檢測能力越強。圖2分別給出了計算的植物油與清潔海面(DP-W)、原油與清潔海面(DC-W)以及乳化油與清潔海面(DE-W)間的歐式距離。由圖2可知,大部分特征的DC-W最大,DE-W次之,DP-W最小,并且DC-W和DE-W兩者差異較小,造成此現(xiàn)象的主要原因是原油和乳化油同屬于礦物質(zhì)油,油膜性質(zhì)相近,其對波浪的抑制作用強于植物油。DC-W、DE-W和DP-W三者都相對較大的特征:奇次散射系數(shù)V B,簡縮極化熵H C,C22,總功率Span,矢量g0,特征值λ1,C12和矢量g3等特征具有很好的溢油檢測能力。其中,奇次散射系數(shù)V B表現(xiàn)最優(yōu),并且在以往的溢油檢測研究中并未考慮該特征,本文首次提出將奇次散射系數(shù)引入簡縮極化SAR溢油檢測中,其定義如下:

由式(10)可知,V B對表面粗糙度非常敏感,其值越大說明目標(biāo)散射機制中單次散射越強。當(dāng)雷達波束照射到海水表面時,主要以布拉格散射機制為主,去極化效應(yīng)弱,極化度m大,單次散射較強,V B大。當(dāng)雷達波束照射到油膜時,其表面以非布拉格散射為主[4],去極化效應(yīng)強,極化度m低,單次散射較弱,V B小?；谏鲜霾町?因此奇次散射系數(shù)可以有效地區(qū)分油膜和海水。

圖2 油膜與清潔海面之間的歐氏距離Fig.2 Euclidean distances between oil film and clean seawater

3.2 油膜分類

本文中油膜分類主要是植物油、原油和乳化油三者間的區(qū)分,其中原油和乳化油屬于溢油,植物油模擬生物油膜屬于疑似溢油。圖3分別給出了計算的原油與植物油(DC-P)、原油與乳化油(DC-E)以及乳化油與植物油(DE-P)間的歐式距離?？梢钥闯?大部分特征下DC-P最大,其次為DE-P,最小為DC-E,并且DC-E最大值小于1,可見原油和乳化油可分性較低,這是由于兩者都是礦物質(zhì)油,性質(zhì)相近的緣故。因此,后續(xù)的油膜分類中首先將原油和乳化油作為一類與植物油區(qū)分。所有特征中,DC-P和DE-P都相對最大的特征為簡縮極化熵,DC-E相對最大的特征為簡縮極化基準(zhǔn)高度PHC。因此,本文提出利用簡縮極化熵HC區(qū)分溢油(原油和乳化油)與疑似溢油(植物油);利用簡縮極化基準(zhǔn)高度區(qū)分乳化油與原油。

圖3 原油、植物油和乳化油三種類型相互間的歐氏距離Fig.3 Euclidean distances among crude,plant oil and emulsion

4 檢測與分類方法

4.1 基于二叉樹的檢測與分類方法

圖4 基于簡縮極化SAR特征和二叉樹原理的溢油檢測與油膜分類算法流程Fig.4 Flow chart for oil film detection and classification algorithm based on compact polarization SAR feature and binary tree principle

本節(jié)利用奇次散射系數(shù)V B、簡縮極化熵H C和簡縮極化基準(zhǔn)高度PH C等簡縮極化特征,結(jié)合二叉樹原理的對海上溢油實驗獲取的Radarsat-2 SAR溢油影像進行分類:由于奇次散射系數(shù)特征圖像中DC-W、DE-W和DP-W三者都相對較大,因此,首先利用該特征分割海水和油膜,其中油膜包括原油、乳化油、植物油;再利用DC-P和DE-P都相對最大的簡縮極化熵HC識別溢油與疑似溢油,其中溢油包括原油和乳化油,疑似溢油為植物油;最后利用DC-E最大的簡縮極化基準(zhǔn)高度PHC區(qū)分原油和乳化油。每一次分類過程只得到2種類別,依次逐步分類,直到把所有油膜類型都區(qū)分出來。相較于一次區(qū)分多種類別的方法,這種方法可有效提高分類精度。圖4為本文提出的基于簡縮極化SAR特征和二叉樹原理的溢油檢測與油膜分類算法流程圖。

4.2 溢油檢測結(jié)果

本文算法的第一步為溢油檢測,即區(qū)分油膜和清潔海面,提取出油膜區(qū)域。主要使用閾值分割法對溢油進行檢測,閾值是通過最大類間方差法(OTSU)[19]確定。圖5和圖6分別為Radarsat-2數(shù)據(jù)和SIR-C數(shù)據(jù)中簡縮極化奇次散射系數(shù)的特征圖像以及溢油檢測結(jié)果。特征圖像中油膜與清潔海面有明顯的目視差異,這說明該奇次散射系數(shù)VB能夠用于溢油檢測。從檢測結(jié)果圖像中可知,VB能夠突出溢油區(qū)域,增大溢油與海雜波的差異,同時也能夠有效地保持油膜邊緣細節(jié)。

圖5 基于奇次散射系數(shù)對Radarsat-2數(shù)據(jù)進行溢油檢測的結(jié)果Fig.5 Oil spill detection results for Radarsat-2 data based on odd-order scattering coefficients

圖6 基于奇次散射系數(shù)對SIR-C數(shù)據(jù)進行溢油檢測的結(jié)果Fig.6 Oil spill detection results for SIR-C data based on odd-order scattering coefficients

為對檢測結(jié)果進行精度評價,本文依據(jù)文獻[19]和文獻[26]中記載的現(xiàn)場實驗信息確定溢油類型和油膜中心位置,再結(jié)合專家經(jīng)驗知識對分別對圖5和圖6中的溢油區(qū)域進行目視解譯,將各數(shù)據(jù)的溢油檢測結(jié)果與專家目視解譯結(jié)果進行逐像元精確判定,得到溢油檢測精度(表4),其中由于圖6a中油膜分布不集中,文中僅對聯(lián)通面積較大區(qū)域進行精度評價。由表4中可知,PR44327(圖6c)的溢油檢測精度最高為95.67%,所有檢測結(jié)果的平均檢測精度為92.61%。結(jié)合4景數(shù)據(jù)的檢測結(jié)果,可以看出簡縮極化特征奇次散射系數(shù)V B在溢油檢測中具有很大的應(yīng)用潛力。

表4 基于簡縮極化奇次散射系數(shù)的溢油檢測精度Table 4 Oil spill detection accuracy of odd-order scattering coefficients

4.3 油膜分類結(jié)果

將提取的油膜區(qū)域(圖5b)對油膜區(qū)域進行分類:首先我們對提取的油膜區(qū)域像素利用簡縮極化熵H C區(qū)分植物油與原油/乳化油,也即疑似溢油的鑒別。分類結(jié)果如圖7a所示,為了便于觀察,我們將分割后的植物油和乳化油/原油區(qū)域以不同顏色置于一幅圖中,綠色主要為植物油,紅色主要為乳化油/原油,圖中植物油和乳化油/原油絕大部分區(qū)域被分割開,僅有少數(shù)乳化油/原油區(qū)域邊緣被分為植物油,這可能是由于邊緣區(qū)域油膜較薄,在圖像中此區(qū)域的特征與植物油相近的緣故。然后,基于上述提取的紅色區(qū)域再利用簡縮極化基準(zhǔn)高度PH C區(qū)分乳化油和原油。結(jié)果如圖7b所示,同樣的將兩者以不同顏色置于一幅圖中,白色主要為乳化油,紅色主要為原油,圖中白色與紅色混疊,沒有明顯的劃分,這可能是由于原油和乳化油同屬于礦物質(zhì)油、性質(zhì)相近的緣故,總體分類結(jié)果見圖7c。

圖7 分類方法的油膜分類結(jié)果Fig.7 Oil film classification results of proposed classification method

為進行對比分析,將本文分類方法與經(jīng)典的Wishart極化SAR監(jiān)督分類方法結(jié)果進行比較,后者結(jié)果見圖8。圖8a中紅色為油膜,黑色為清潔海面,紫色為船只,其中原油/乳化油的檢測結(jié)果基本與圖5b相同,但植物油僅有部分與清潔海面分離,效果不及本文提出的基于奇次散射系數(shù)的溢油檢測結(jié)果。圖8b中,綠色主要為植物油,紅色主要為原油/乳化油,可知植物油與清潔海面混淆較為嚴(yán)重。對比圖7a和圖8b,可知在植物油與原油/乳化油的區(qū)分上,本文提出的分類方法優(yōu)于Wishart極化SAR監(jiān)督分類方法。圖8c中綠色主要為植物油,白色主要為乳化油,紅色主要為原油,黑色主要為清潔海面,對比圖7c可以看出2種方法的分類結(jié)果中,原油與乳化油混淆較為嚴(yán)重,但總體上本文的分類方法受海面的影響較小。

圖8 基于Wishart極化SAR監(jiān)督分類方法的油膜分類結(jié)果Fig.8 Classification results of wishart Pol-SAR supervised classification

為對2種分類方法進行定量的評價,本文采用逐像元判別的方式計算分類精度。文中采用的Radarsat-2數(shù)據(jù)來自衛(wèi)星同步的海上溢油實驗,文獻[26]詳細介紹了實驗過程,乳化油,植物油和原油的布放時間分別為6月7日12:15,6月8日04:10和08:23,衛(wèi)星過境時刻(17:27)實驗精確記錄了3種油膜中心位置,根據(jù)航拍圖像及各油膜中心位置給出粗略人工分類結(jié)果。本文基于上述實驗的觀測信息和專家經(jīng)驗知識,對圖1作了高精度的溢油類型專家解譯圖(圖9),圖中綠色為植物油,白色為乳化油,紅色為原油,黑色為清潔海面。下文以此溢油類型專家解譯圖,對本算法進行了定量評價。

圖9 溢油類型專家解譯結(jié)果Fig.9 Oil spill types from expert interpretation

參照溢油類型專家解譯圖(圖9),對溢油分類結(jié)果圖7c和圖8c中所有像元進行逐點精確判定,得到本文分類方法和Wishart極化SAR監(jiān)督分類方法的溢油分類精度(表5和表6)。由表5和表6可知,在本文提出的溢油分類方法中,清潔水面的識別精度最高,精度達到96.24%,而Wishart監(jiān)督分類中植物油與清潔海面的混淆較為嚴(yán)重,精度僅為83.57%;本文分類方法的植物油識別精度可達到95.71%,優(yōu)于Wishart監(jiān)督分類方法的93.59%;然而對于原油和乳化油的區(qū)分,2種方法的精度均不理想,乳化油的分類精度分別為63.21%和65.40%,原油的分類精度分別為56.62%和50.56%,這可能是原油和乳化油成分相似,性質(zhì)相近的緣故。此外,考察兩種分類方法的結(jié)果可知,原油和乳化油區(qū)域邊緣與植物油發(fā)生混淆,這可能是由于邊緣區(qū)域油膜較薄,在圖像中此區(qū)域的特征與植物油相近的緣故,但兩者主體部分有明顯的區(qū)分?？傊?本文的分類方法優(yōu)于Wishart極化SAR監(jiān)督分類方法。

表5 本文提出方法的分類結(jié)果混淆矩陣(%)Table 5 Confusion matrix of proposed classification method(%)

表6 Wishart極化SAR監(jiān)督分類的混淆矩陣(%)Table 6 Confusion matrix of Wishart supervised classification(%)

綜上所述,我們提出的基于簡縮極化SAR特征和二叉樹原理的溢油檢測與油膜分類算法可以準(zhǔn)確的區(qū)分海水和疑似溢油,由于目前沒有能夠有效區(qū)分原油和乳化油的簡縮極化特征,所以最終實驗結(jié)果中原油和乳化油發(fā)生混淆,分類精度低。本文引入的簡縮極化特征奇次散射系數(shù)在溢油檢測中具有較大優(yōu)勢,以及簡縮極化熵在過濾生物油膜中具有很大的應(yīng)用潛力;利用奇次散射系數(shù)和簡縮極化熵,結(jié)合二叉樹分類思想的溢油分類方法能夠有效地檢測溢油并過濾疑似溢油。

5 結(jié) 語

簡縮極化SAR作為極化SAR新興的方向,在大范圍海洋溢油檢測方面具有很大的應(yīng)用潛力。為了更好地利用簡縮極化SAR進行海洋溢油檢測,我們針對簡縮極化SAR溢油檢測特征篩選問題和簡縮極化SAR溢油油膜分類應(yīng)用開展研究。首先,本文利用簡縮極化SAR數(shù)據(jù)提取了常用的36個簡縮極化特征,并且基于特征圖像中原油、植物油、乳化油和清潔海面四種區(qū)域間的歐氏距離,分別篩選出溢油檢測和油膜類型區(qū)分的最優(yōu)特征;然后,利用全極化SIR-C和Radarsat-2數(shù)據(jù)生成的模擬簡縮極化SAR數(shù)據(jù),對本文提出的基于簡縮極化特征和二叉樹原理的溢油檢測與分類方法的有效性進行評估。實驗結(jié)果表明,本文中的簡縮極化特征奇次散射系數(shù)能有效區(qū)分油膜和清潔海面,具有很大的溢油檢測應(yīng)用潛力;利用奇次散射系數(shù)和簡縮極化熵,結(jié)合二叉樹分類思想的溢油分類方法能有效過濾疑似溢油。對比分析多種簡縮極化SAR特征為溢油監(jiān)測極化特征的選擇提供了參考,提出的溢油檢測與分類方法對溢油的檢測精度可達95.67%,對于疑似溢油的識別精度可達95.71%,該方法的應(yīng)用有助于提高極化SAR溢油監(jiān)測能力。