基于神经网络的海面溢油图像分类算法

邹云

（南京航空航天大学 江苏 南京 210016）

海上溢油污染是各种人为海洋污染重、发生频率较高、分布面积较广、危害程度较严重的一种。而如何对海面溢油SAR图像中的物质进行准确分类就显得尤为重要。马来西亚的Mansor等[1]以SAR图像为数据源，建立了SAR溢油探测技术流程和分类算法。Solberg等[2]给出了一个可对油膜概率较大的目标直接进行自动检测的半自动探测分类器。Fiscella等[3]使用预处理工具从SAR影像中提取像素目标，根据统计标准对其进行分类。由于油膜、类油膜和海水具有不同的纹理特征，因此在SAR图像信息提取中广泛应用纹理分析的方法[4]。与此同时，人工神经网络ANN(Artificial Neural Network)自提出以来就得到了快速发展，其中径向基函数RBF(Radial Basis Function)神经网络具有良好的非线性映射、自学习能力和收敛性，因此被越来越多地运用于对目标的分类当中，取得了较好的分类效果[5-7]。

Gabor变换是频域分析方法之一，是一种强大的纹理分析工具。主成分分析PCA(Principal Component Analysis)是一类效果较好的提取图像特征信息的方法，为了降低PCA的存储空间和计算复杂度，Bernhard等提出了核主成分分析KPCA(Kernel Principal Component Analysis)法[8]，用于提取图像特征具有独特的优势。本文结合Gabor变换、KPCA和神经网络的各自优点，提出了一种基于三者的海面溢油SAR图像分类方法。

1 二维Gabor滤波器设计

2DGabor滤波器是以2DGabor函数作为基函数，二维Gabor滤波器是一种线性滤波器，且可以看做是一种小波滤波器，可以表示为Gabor函数和复正弦波函数的乘积，空间域表达式为：

其中 x′=xcosθ+ysinθ；y′=-xsinθ+ycosθ。 θ 和 λ 分别为正弦波的方向和波长。σx，σy为高斯包络在x和y方向上的标准差。利用Gabor滤波器对图像进行滤波就是将图像函数和φ(x,y,θ,λ)做卷积，得到响应值 R，即：

Gabor滤波器的参数有极向中心频率f、方向角θ及由σ决定的高斯包络大小等，改变这些参数即可得到不同的滤波器。使用该Gabor滤波器对二维信号在不同方向、尺度上进行滤波，得到的信息可以全面反映出该信号的频率空间特性[9]。将二维图像信号与2DGabor函数求卷积，若只取Gabor函数的实部与图像求卷积则为实Gabor滤波，只取虚部与图像求卷积则为虚Gabor滤波。本文采用12方向的实环形Gabor滤波器对海面溢油图像进行滤波，由于Gabor滤波器在频域具有共轭对称性，故只需在0度到180度内选择方向参数，即方向角分别为 0、π/6、π/3、2π/3、5π/6、π。

2 核主成分分析

KPCA作为PCA的改进型，它的基本思想是利用一种非线性映射函数将图像的初始数据映射到高维的特征空间中，然后引入核函数，对该特征空间进行主成分分析。

设初始数据xi，经函数Φ映射到高维空间中为Φ(xi)。现令

式中Φ(xi)为模版样本的高维映射函数，xi为模版样本数。

模版样本的协方差矩阵为

现计算C的特征值λ及λ对应的特征向量γ

又因为

式中ai为常数。

定义 N×N 维矩阵 K=(Kij)N×N

则模版样本在高维空间的投影，也即是图像的主成分为

如果式(4-1)不满足，则核矩阵式(4-5)要调整为

3 算法实现

1)根据图像特点，对于第一个输入向量K1=(k11,k02,k20,k12,k21)来说，此时神经网络的隐藏端只有一个节点，中心为K1。现设定一个参数α（该参数会根据实验结果进行适当调整），对于第二个输入向量K2，计算其与K1之间的欧氏距离D，若 D＞a，则 K2也成为一个中心；若 D≤a，则 K1为此处的中心。对于第N个输入向量Kn，此时已有M个中心，现分别计算Kn与这个M中心的欧式距离，其中D0为其中的最小值，若D0＞a，则Kn成为新一个中心；若D0≤a，则中心数仍为M个。

2)因为本文选取的径向基函数为高斯函数，所以可通过下式直接求取宽度

3）隐藏端至输出端的连接权值可直接用ROLS（Recumive Orthogonal Least Square）法求得

4 实验结果及分析

本文选择3类物质：油膜、类油膜和海水作为研究对象。每一类随机选取100个样本，分别采用最小距离分类方法、最大似然分类方法以及本文方法来判别各样本所属类别。采用总体分类精度来对实验结果进行评价，它表示分类结果与对应区域的实际所属类别相一致的概率。本文方法的检验结果如表1所示。

表1 本文方法检验结果Tab 1 Test results of the paper

3种不同分类方法的总体精度、油膜的过程精度、类油膜的过程精度，详细情况如表2所示。

本文中最小距离分类、最大似然分类方法以及基于Gabor、KPCA以及神经网络的方法均采用相同的试验样本。但从表2中明显可以看出，本文所提方法无论是在总体精度，还是过程精度上，均优于前两种方法，虽然算法时间略长，但在可接受范围内，所以说，本文所提方法是一种有效的海面溢油SAR图像分类方法。

5 结论

针对国内对海面溢油SAR图像分类研究还很少以及现有研究的缺点，本文结合Gabor变换、KPCA和神经网络的各自优点，提出了一种基于三者的海面溢油SAR图像分类方法。首先对海面溢油SAR图像进行Gabor变换，得出不同方向滤波所得的特征参数；然后进行KPCA的提取，提取出图像特征；最后利用神经网络对提取的特征进行分类。实验结果证实该方法可以获得比最小距离分类方法以及最大似然分类方法更高精度的分类结果。

表2 3种分类方法的分类精度总结对比Tab 2 Comparative summary about classification accuracy of three methods

[1]朱立松.应用纹理分析和神经网络方法分类海上SAR溢油图像[D].大连：大连海事大学,2005.

[2]Anne H.S Solberg,Rune Solberg.A large-scale evaluation of features for automatic detection of oil spill in ERS SAR images[C].Proc.IEEE Symposium Geoscience Remote Sensing(IGASS),1996.

[3]李琼.SAR图像海面油膜提取与分类研究[D].北京：中国地质大学(北京),2011.

[4]薛浩洁.SAR图像海洋表面油膜检测方法研究[D].北京：中国科学院研究生院(电子学研究所),2004.

[5]吴炜,杨晓敏,何小海,等.基于主向量分析重建的人脸识别算法研究[J].光电子·激光,2008,19(2):246-248.WU Wei,YANG Xiao-min,HE Xiao-hai,et al.Face recognition based on PCA reconstruction[J].Journal of Optoelectronics and Laser,2008,19(2):246-248.

[6]杨俊,陈贤富.基于KPCA和RBF网络的文本分类研究[J].微电子学与计算机,2010,27(3):122-125.YANG Jun,CHEN Xian-fu.Text categorization based on KPCA and RBF neural network [J].Microelectronics&Computer,2010,27(3):122-125.

[7]Zhi J,Zhang D M.Based on PCA of genetic neural network prediction of stock index [J].Computer Engineering and Applications,2009,45(26):210-212.

[8]李晓辉,谢建红,高鑫.基于Brushlet和RBF网络的SAR图像分类[J].微计算机信息,2009,25(2-3):295-297.LI Xiao-hui,XIE Jian-hong,GAO Xin.SAR image classification using complex feature of Brushlet and RBF neural network[J].Microelectronics&Computer,2009,25(2-3):295-297.

[9]李鹏，来新泉.基于双机热备的航天发动机控制器设计[J].火箭推进，2011（3）：58-62.LI Peng,LAI Xin-quan.Design of dual-processor hot standby aerospace engine controller[J].Journal of Rocket Propulsion,2011（3）：58-62.