基于合成孔径雷达回波信号的海洋溢油监测方法研究

孙健，胥亚，陈方玺，彭仲仁，4

（1.上海交通大学海洋工程国家重点实验室，上海 200240；2.上海交通大学船舶海洋与建筑工程学院交通运输与航运系，上海 200240；3.上海交通大学校友总会，上海 200240；4.美国佛罗里达大学城市与区域规划系，Gainesville 32601）

基于合成孔径雷达回波信号的海洋溢油监测方法研究

孙健1，2，胥亚2，陈方玺3，彭仲仁2，4

（1.上海交通大学海洋工程国家重点实验室，上海 200240；2.上海交通大学船舶海洋与建筑工程学院交通运输与航运系，上海 200240；3.上海交通大学校友总会，上海 200240；4.美国佛罗里达大学城市与区域规划系，Gainesville 32601）

海洋油污染是各类海洋污染中最常见、分布面积最广且危害程度最大的污染之一。近年来，海洋特别是近海人类活动频繁，且随着海上运输和石油加工业的发展，油田井喷、钻井平台爆炸、船舶碰撞等所造成的溢油事故增多，因而，监测海洋溢油具有重要的经济和社会现实意义。研究采用Mat-LAB工具，通过图像预处理（图像校正和增强）、特征提取和神经网络识别等方法，对合成孔径雷达（SAR）海洋溢油图像进行处理，最终期望实现半自动区分SAR图像上各类目标，并进行多种神经网络方法效果比较。研究首先对SAR海洋溢油图像进行初步人工识别；然后进行图像预处理（几何校正、滤波处理等）和基于灰度共生矩阵的特征值计算；最后，借助神经网络方法对溢油区域和疑似溢油区域进行分类，输出分类处理后的图像。通过输出图像分析发现，神经网络能对SAR海洋溢油图像中溢油、海水、土地3类目标进行明确分类，且RBF神经网络模型精度高于BP神经网络。本文提出的半自动分类方法不仅能提高SAR图像处理效率，将分类目标扩充有溢油和非溢油扩充到溢油、海水、土地3类，提高图像处理的全面性，同时通过比较RBF和BP神经网络在SAR溢油图像分类上的具体优劣，有着较好实际意义。

合成孔径雷达；SAR；海洋溢油；图像目标分类；神经网络

1 引言

近年来，海洋特别是近海人类活动频繁，且随着海上运输和石油加工业的发展，油田井喷、钻井平台爆炸、船舶碰撞等所造成的溢油事故增多。各类溢油事故导致大量油污进入近海，不仅造成巨大的人力和财物损失，而且在风、浪、流的作用下，还会污染近岸渔业，直接影响近岸的生态环境和人类生产生活。传统海洋溢油监测主要采用船舶、岸边监视等方法；近年来，一些发达国家则采用航空及卫星遥感相结合的方法来监测海油污染。以覆盖面积大、空间分辨率相对较低、处理简单的卫星数据为基础，在这些卫星图像上寻找油污异常区及可疑受污染海域，缩小监测范围、指导飞机进行确认和数据采集。加拿大环境技术中心对欧美9国在海洋溢油监测中应用遥感技术的调查结果显示，应用航空遥感平台的国家达到了100%，而应用卫星遥感平台的国家为44%［1］。事实上，无论是卫星、载人飞机、无人驾驶飞机等任何载体形式，海洋溢油监测均通过基于传感器的遥感技术实时获取数据。目前，有光学传感器和微波传感器两种传感器在海洋溢油监测中得以采用。光学传感器，包括可见光传感器、红外传感器、紫外传感器等。可见光传感器是一种较为经济和实用的数据获取手段，能够有效获取溢油相对位置并对之进行定性描述，但其应用受限于可见光的探测范围。微波传感器，包括微波辐射仪、雷达等［2－3］。其中最主要用于溢油和环境探测的是合成孔径雷达（synthetic aperture radar，SAR）。合成孔径雷达是一种全天时、全天候、多波段、多极化以及高分辨率微波主动成像传感器，白昼均能正常成像，极大提高图像的清晰度和预测的准确性，给海上溢油监测提供帮助。

近年来，国内外学者在SAR海上溢油视频图像处理方面做了大量研究。石立坚讨论了建立在MODIS和SAR基础上的监测海面溢油系统，主要包括图像预处理、图像分割、特征提取、特征筛选并设计了溢油图像的神经网络识别模型［4］。马腾波和王思远提出一种基于边缘检测的快速溢油信息提取方法，首先对溢油图像进行ROA（radio of average）比率边缘检测，根据检测结果进行AOI（area of interest）提取，然后使用改进的Weibull-CFAR检测算法对AOI进行溢油检测，并与全局恒虚警率CFAR检测结果进行对比。提出的方法对于非均匀灰度SAR图像溢油检测准确性较好、效率较高，适用于大范围图像的快速溢油监测［5—6］。刘朋等［7］、马文广等［8］采用几何、灰度特征描述溢油全局特征，纹理特征描述溢油局部特征，利用组合特征并通过神经网络对溢油和疑似溢油现象进行识别。测试结果表明，组合特征方法的正确识别率高于其他特征独立使用的情况［7—8］。石立坚等［9］引入纹理特征值作为溢油识别参考量，并利用方差分析对特征参量进行筛选，选择合适特征值作为神经网络的输入向量，所得模型能够较好地识别溢油现象。杨永生和张宗杰［10］提出改进的最大类间方差分割算法，该算法不仅利用图像直方图信息，同时也考虑风场对SAR海面溢油图像的影响。梁小祎等［11］针对海洋SAR图像特点，采用基于灰度共生矩阵的纹理分析方法，提出适用于海洋溢油SAR图像分类的纹理特征量。并讨论了纹理特征量的筛选和纹理窗口大小的确定等问题，最后采用人工神经网络方法验证了SAR图象分类效果。Solberg和Brekke［12］提出利用SAR图像监测溢油的框架：首先通过自适应阈值法检测图像中的黑暗区域；然后通过计算得出一组特性指标并建立分类模型，来区分黑暗区域是否存在真实溢油，利用统计模型来优化分类，使之达到较好效果；最后，利用一组图像来改进和检测分类模型。Solberg等［13］分析采用SAR图像设计的半自动溢油区域和虚假溢油区域区分算法，发现该算法的分类失误主要有3个原因，如溢油区域形状太过细长，溢油区域和周边海水对比度不够清晰，待区分区域和周围背景环境差异很大等，为设计更好的溢油区域和虚假溢油区分奠定基础。Solberg和Volden［14］提出利用一系列规则和外部知识来调整待检测区域为真实溢油区域的概率，并利用这些规则和外部知识设计溢油区域和虚假溢油区域的分类器。

上述研究在SAR海上溢油监测方面取得了一些进展，但该领域尚存在以下问题或缺陷：（1）SAR海洋溢油图像识别主要依靠人工判读解译，效率较低，主观性较大；（2）涉及到神经网络的SAR海洋溢油监测中，大多研究仅将注意力放到某一种神经网络，对多种神经网络进行对比的分析较少；（3）图像分类识别仅限于溢油和非溢油，不含图像中每种目标的具体分类，处理效率低且缺乏全面性。

鉴此，本研究通过图像预处理（图像校正和图像增强）、特征提取和神经网络识别等方式，对SAR雷达回波信号进行处理，最终实现半自动准确识别溢油区域，能够明确区分图像上各类目标，并对多种神经网络方法进行对比。主要研究内容包括：（1）选择合适的SAR溢油图像数据进行预处理，增强图像对比度；（2）引入灰度共生矩阵，对SAR海洋溢油图像进行特征值提取；（3）基于图像特征值，借助多种神经网络工具，对SAR海洋溢油图像进行分类，通过分类处理后的图像对比各种神经网络工具的优劣。

图1给出本文的研究过程，主要步骤包含图像预处理、特征提取以及目标分类。

图像预处理：主要包含图像校正和图像增强。其中，图像校正是为了消除图像中的几何变形和辐射变形，尽量恢复图像本来面貌，主要包括几何校正和辐射校正。图像增强则选用3种常用方法：直方图均衡、滤波处理和边缘检测。直方图均值主要加强图像的对比度，滤波处理用于平滑SAR图像上的噪点，边缘检测主要检测图像中的边缘信息。

图1 基于SAR雷达回波信号的海洋溢油监测研究流程Fig.1 Research flowchart of SAR echo signal based offshore oil spill detection

图像特征提取：主要包含图像特征值计算，通过对特征值进行筛选，选取合适有效的特征值，依靠Mat LAB编程进行特征值计算。

目标分类是识别溢油区域关键，其目的在于区分溢油图像中的各类目标。本文试图分类土地、海洋和溢油3类目标，选取适合于非线性分类的神经网络方法进行图像分类。主要包括在Mat LAB软件中对神经网络进行训练，再利用已训练的神经网络对溢油区域进行识别，最后通过图像对不同神经网络识别效果比较。

2 SAR海洋溢油图像预处理

2.1 图像校正

由于遥感器成像几何位置、姿态角变化及地形起伏的影响，成像得到SAR图像通常会包含一定程度的变形。另外，SAR轨道和观测角度变化导致成像几何改变也会引起同一地面观测单元后向散射观测值的较大改变。所以，必须对SAR图像进行校正处理，以消除图像中的几何变形和辐射变形。校正过程将原始图像的像素重新定位到某一特定的参考网格，主要工作包含：（1）在遥感图像和地形图上分别选择控制点，以建立图像与地图之间的投影关系，建立整体映射函数；（2）根据图像的几何畸变性质及地面控制点的多少来建立起图像与地图之间的整体映射函数；（3）根据确定的校正公式，对输入图像的数据进行采样内插，重新排列。

详细图像校正过程可见文献［13］。通常，从遥感获取图像灰度与目标物光谱反射率或光谱辐射亮度等物理量是不一致的，因为遥感器测量值中包含太阳位置及角度条件、薄雾及霭等大气条件所引起的失真。消除图像数据中依附在辐射亮度中各种失真就是辐射校正，其结果会改变图像的色调和色彩［13］。

2.2 图像增强

经过图像校正后的SAR海洋溢油图像，画面上已较接近其本来面貌，但还无法直接用于监测溢油。此时，图像对比度不够，特征也不明显，边缘模糊，噪点较多，需对该溢油图像进行增强，使其各部分具有识别性，图像特征更为明显。本研究采用的图像增强方法包括直方图均衡、边缘检测和滤波处理。

2.2.1 直方图均衡

灰度直方图是图像中灰度级的函数（横坐标为灰度级，纵坐标是某一灰度级在图像中出现的频率）。直方图均衡化指图像处理领域中利用图像直方图对比度进行调整的方法，试图使图像在每一个灰度级上具有相同的像素值。直方图均衡化通常用来增加图像的全局对比度，尤其是当图像有用数据对比度相当接近时［15］。对SAR图像进行直方图均衡后，图像对比度会显著提高，灰度分布也趋于均匀。但由于图像灰度级个数有限，均衡化后图像直方图并不会是理论上的直线。

2.2.2 边缘检测

本文选取Canny算子检测边缘，该算子的梯度是用高斯滤波器的导数计算，通过寻找图像梯度的局部最大值来检测边缘［13］。

对SAR海洋溢油图像进行Canny边缘检测的结果如图2，可清晰地看到图像检测的边缘。

2.2.3 滤波处理

SAR图像中通常存在斑点噪声，严重干扰地物信息提取与SAR图像应用，噪声严重时甚至导致地物特征消失。因此，采用滤波，抑制SAR图像斑点噪声对SAR图像应用有着重要意义。常用滤波方法有均值滤波、中值滤波和Lee滤波［14］。均值滤波是典型线性滤波算法，将每一像素点的灰度值设置为该点某邻域窗口内所有像素点灰度值均值。中值滤波法将每一像素点的灰度值设置为该点某邻域窗口内的所有像素点灰度值的中值。Lee滤波则属于局域自适应滤波，在图像上取一个滑动滤波窗口，将窗口内所有像素作为滤波器输入值，统计其局域特征（如均值和方差）作为依据进行滤波处理，所得结果作为滤波窗口中心像素的滤波值。

本文选取定量评价来判断滤波方法对SAR海洋溢油图像处理的优劣，引入以下指标：

图2 SAR海洋溢油图像进行Canny边缘检测的状况Fig.2 SAR images with Canny edge detection method

（1）平滑指数：指某区域内像素点灰度均值和其标准差的比值。平滑指数越高，说明滤波器对于图像的平滑能力越强。计算公式为：

式中，P（i，j）为图像（i，j）处的灰度值。

（3）边缘保持指数：表示滤波器对边缘锐度及细微特征的保护程度。边缘保持指数越大，滤波器对边缘的保护程度越好。计算公式为：

式中，N（i，j）是滤波处理后图像（i，j）点的灰度值，M（i，j）是滤波处理前图像（i，j）点的灰度值。

根据式（1）～（3）和具体SAR溢油图像，选用3× 3窗口，可得各滤波处理评价值如表1所示：

由表1可看出，经过滤波处理后的图像平滑指数都有所提高，说明滤波器对于SAR海洋溢油图像有较强的平滑能力。但均值滤波对于边缘特征的保持能力很低，中值滤波对边缘的保持指数也不高。只有Lee滤波对原图的边缘特征起到了较好的保持作用。综合评价数据，本研究采用Lee滤波来进行之后的图像处理。

表1 滤波处理效果评价指标Tab.1 Evaluation indices after filter processing

3 SAR图像特征提取

合成孔径雷达成像过程是从回波信号提取地表的雷达后向散射系数，图像反映被测地域对微波的散射特征。SAR海洋溢油监测技术主要采用图像灰度统计特征（包括幅度特征、直方图特征、统计特征等）和纹理特征［15］。纹理指图像某个区域的粗糙程度或一致性，和表面粗糙度有关。图像纹理随着雷达系统的波长、分辨率和入射角而变化，也会随着它的组成成分和背景特征的排列状态而变化［15］。

SAR图像中不同目标（如海洋、溢油、土地）的区别，往往不在于灰度大小，而在于纹理差别。因此，在SAR特征值选取方面，通常采用纹理特征值进行图像处理，尤其适用于目标分类。SAR图像纹理特征主要包含方向差分特征、灰度共现特征及小波纹理能量特征［15］。其中，灰度共生矩阵方法作为一种重要的纹理方法，常运用到图像的纹理分析中，在SAR图像处理应用最多。图像的灰度共生矩阵描述以一定距离和一定角度分开的两个像元，灰度值分别为i和j的概率。Haralick曾经提出14种由灰度共生矩阵计算出来的统计量［16］，经过大量实验，认为以下5种统计量对于图像的描述效果最好。

在灰度共生矩阵中，角二阶矩、熵、惯性矩、局部相似性和相关性的效果为最佳，但实际操作中，相关性由于其计算的局限性（须保证计算公式中分母不为0），难以广泛运用。另外，在SAR海洋溢油图像中，溢油区域颜色较深，灰度也是判断目标的一个关键因素。因此，本文选取角二阶矩、熵、惯性矩、局部相似性和平均灰度作为分类标准。

4 SAR溢油图像神经网络识别及实现

本研究采用的SAR图像来自于1992年希腊油轮爱琴海号溢油事件。图像由ERS-1在西班牙海湾地区拍摄（图3）。通过人工预读，选取具有代表性的溢油区域、土地区域、海水区域共3张子图像作为训练样本，大小均为90×90像素。

3)商品的交易功能如图3，在图1图2中都有加入购物车的功能，而在图3你可以点击购买，或者是清除购物车等操作。

图3 溢油子图像（A），海水子图像（B）和土地子图像（C）Fig.3 Oil Spill sub-image（A），sea sub-image（B）and land sub-image（C）

本研究主要选用Lee滤波进行图像预处理，此过程由Matlab编程完成。主要步骤包括（以溢油区域90×90的图像为例）：

（1）在图像中依次截取15×15的窗口（窗口之间无重合），共6×6＝36个子集。窗口之间完全独立可保证训练样本之间独立，使训练效果更佳；

（2）对每个子集计算灰度共生矩阵（本文选取的灰度等级为24，原因在于：在计算中发现，当灰度级为8、16时图像特征产生较大偏差，而灰度级为36时计算量过大，因此设为24较为合理）；

（3）对于灰度共生矩阵，分别根据函数求出：角二阶矩、熵、惯性矩、局部相似性和平均灰度。为提高神经网络处理的速度和准确度，对该5个特征值进行归一化处理。

4.1 SAR图像神经网络的建立

考虑SAR对海洋溢油图像中目标分类的需要，本研究主要考察BP和RBF两种神经网络的效果。为了使神经网络能够准确地输出目标，达到训练效果，首先对每种目标进行种类赋值，作为输出值：溢油区域赋值为1，海洋区域赋值为2，土地区域赋值为3。即输入值为5维向量（角二阶矩、熵、惯性矩、局部相似性和平均灰度），输出值为1维向量。通过计算，得到3组输入向量，每一组包含36个5维输入值，输入矩阵大小为5×108，输出矩阵大小为1× 108。

（1）BP神经网络

本研究首先考察两层BP神经网络。需要注意，隐含层神经元的个数将影响到输出效果，当节点过少时，神经元训练速度较慢且不准确；当节点过多时，在后续仿真处理中计算速度减慢。为选取合适的神经元，笔者通过建立含有不同隐含节点个数的神经网络，观察训练效果见表2：

表2 BP神经网络训练效果对比Tab.2 Contrast of the training results of BP neural network

由表2可以发现，当隐含层神经元个数为9时，训练速度明显快于神经元个数为其他值。因此，本研究建立输入层节点为5，隐含层节点为9，输出层节点为1的BP神经网络，误差目标为0.001，其他参数选取Matlab默认值：

其中，input为5×108的输入向量。

建立神经网络后，用108组数据进行训练，到误差为0.001时系统停止训练，图4给出了该BP神经网络训练及误差变化过程。训练函数如下：

其中，T为1×108的输出向量。

（2）RBF神经网络

对于两层的RBF神经网络，笔者发现当SPREAD为0.2时效果最佳；GOAL选取与BP神经网络相同，误差为0.001；M为35；N为1。在Mat Lab建立神经网络：

通过训练发现，当隐含层神经元个数为35时，误差小于0.001，为0.000 8（见图5），达到训练效果。

4.2 SAR图像的神经网络仿真和目标识别

本文选取溢油原始图像（见图6a）作为仿真输入：在图像上选取所有不完全相同的15×15的窗口，计算其灰度共生矩阵和5个特征值。将每个窗口的特征值进行归一化处理，然后作为输入向量用神经网络进行仿真，判断其类别（溢油，海水，土地），并对这个15×15窗口的中心像素进行灰度赋值：若为溢油区域，赋值灰度为0；若为海水区域，赋值灰度为100；若为土地区域，赋值灰度为200。最后，输出赋值完毕的图像。

图4 BP神经网络训练及误差变化Fig.4 BP neural network training process and the change of error

BP和RBF神经网络的仿真函数均为：A＝sim（net_1，B），A为输出向量，B为输入向量。

但BP和RBF神经网络又存在本质不同。BP神经网络的输出结果并非只有训练时的3种（1，2，3），而是接近1，2，3的浮点数，因此，需要对输出结果进行人工分类。而RBF神经网络只存在3种（1，2，3）输出结果，无需进一步分类，方法更为简单。

4.3 数值结果与分析

图5 RBF神经网络训练过程中的误差变化Fig.5 The change of error in the RBF neural network training process

图6a明显看到图中黑色区域的溢油区。右下角较亮，纹理较粗，有明显地形起伏的是土地，左上方较亮但比较光滑的是海水。同时也发现，海水和溢油区域的边界非常模糊。图6b给出经过BP神经网络识别后的SAR海洋溢油图像。由于通过分类和赋值，图中溢油、海水和土地之间的分界线已相当明显。但可以发现，在本来海水区域有不少像素点被判定为土地，而土地区域也有像素点被判定为海水，说明神经网络产生误差。图6c为经过RBF神经网络识别后的SAR海洋溢油，3类目标具有较明显的分界点。同样，在本来海水区域有不少像素点被判定为土地，土地区域也有像素点被判定为海水，说明神经网络产生误差，但RBF神经网络中误差明显少于BP神经网络。

通过上述分析，可得出结论：BP神经网络和RBF神经网络对于SAR海洋溢油图像都有较强的分类效果，其中，RBF神经网络的效果优于BP神经网络。

图6 原始及各类神经网络处理后的SAR海洋溢油图像Fig.6 Initial SAR oil Spill image and images after BP＆RBF neural network processing

通过以上分析发现，溢油区域识别都较为清楚，但海水区域和土地区域容易混淆。推测主要是由于海水区和土地区的亮度较大，特征值差异并不明显，所以导致分类时产生误差。BP神经网络和RBF神经网络得出结果的差异性，主要来自于两者在分类中采取不同原理。BP神经网络试图寻找类与类之间的差异，建立一个超平面（hyper-plane），将类与类隔开，起到分类效果。但这种平面设立往往是研究者根据自身常识和分析主观建立，并不能保证建立的临界值一定正确。如本实验中BP网络的输出值，被人为地归并到其最接近的整数，但该方法不一定绝对正确。相反，在RBF神经网络进行分类是寻找同类之间的相似点，然后将同类别的用核函数（kernel function）自动归类，不需人为介入，很多时候能实现比BP神经网络更小的误差。

如前所述，尽管本实验结果的RBF神经网络更优，不能说明它完全优于BP神经网络。这主要是由于RBF神经网络隐含层的节点（35）远远多于BP神经网络（9）。在仿真时，RBF神经网络的处理速度明显慢于BP神经网络。因此，在处理海量且误差要求不高时，BP神经网络处理溢油图像效果会更优。

5 结论和建议

通过对SAR海洋溢油图像的处理和分析，本文得出以下结论：

（1）在SAR图像处理中，预处理是必要且关键的，没有合适和正确的预处理会导致后期处理误差非常大，该步骤必要且需要谨慎对待。

（2）SAR图像的特征值在识别溢油中非常重要，也是SAR图像优于其他图像的重要特点。SAR图像能够提取丰富的特征值信息，不仅对目标分类有用，还可运用到其他图像处理中。

（3）神经网络能够对SAR海洋溢油图像的溢油、海水、土地3类目标进行明确分类，效果较好。总体来说，神经网络是一种有效的研究工具，且近年来有越来越多的商用软件具备该功能，使用者可以更便捷地使用神经网络工具，过程直观且人性化。

（4）在对SAR图像溢油识别中，RBF神经网络的效果要优于BP神经网络。但在数据量很大时，BP神经网络仍应该被考虑。

通过上述研究，作者对于SAR海洋溢油监测建议如下：

（1）在SAR图像处理中，选用合适的图像非常关键。亮度不均，噪点太多的图像都会导致最后处理结果不甚理想。

（2）近年来，由于SAR数据采集技术的更新，能够得出清晰度更高的图像，也能更直观地区分溢油和非溢油区域。与此同时，这些图像由于画面过大，通常由多幅图片拼凑而成。考虑到SAR在移动中拍摄图片，形成完整图像亮度不均，增加了处理难度，希望能够有更好的图像处理方法来解决该问题。

（3）由于SAR图像成像受到卫星自身特点的影响，且预处理不同也会导致图像效果差异，在不同条件下，分类神经网络无法完全通用。如果能够将影响其结果的因素当作输入值之一（或反馈），或许能够解决这一问题，该方面研究还有待进一步深入。

［1］刘彦呈，任光，殷佩海.海上溢油应急反应基于GIS的模拟训练系统研究［J］.系统仿真学报，2005，16（11）：2445－2450.

［2］熊文成，吴传庆，魏斌，等.SAR图像在韩国溢油监测中的应用［J］.遥感技术与应用，2008，23（4）：410－413.

［3］安居白.航空遥感探测海上溢油的技术［J］.交通环保，2002，23（1）：24－26.

［4］石立坚.SAR及MODIS数据海面溢油监测方法研究［D］.青岛：中国海洋大学，2008.

［5］马腾波，王思远.基于边缘分析的海面溢油检测［J］.遥感学报，2009，13（6）：1087－1091.

［6］邹亚荣，梁超，陈江麟，等.基于SAR的海上溢油监测最佳探测参数分析［J］.海洋学报，2011，33（1）：36－44.

［7］刘朋，赵朝方，石立坚.基于SAR图像组合特征的海面溢油识别［C］／／第六届全国信息获取与处理学术会议论文集，2008.

［8］马广文，赵朝方，石立坚.星载SAR监测海洋溢油污染的初步研究［J］.海洋湖沼通报，2008（2）：53－60.

［9］石立坚，赵朝方，刘朋.基于纹理分析和人工神经网络的SAR图像中海面溢油识别方法［J］.中国海洋大学学报，2009，39（6）：1269－1274.

［10］杨永生，张宗杰.一种适合于大面积的SAR海面溢油图像分割方法［J］.海洋环境科学，2010，29（6）：914－916.

［11］梁小祎，张杰，孟俊敏.溢油SAR图像分类中的纹理特征选择［J］.海洋科学进展，2007，25（3）：346－354.

［12］Solberg A H S，Brekke C.Oil spill detection in northern European waters：Approaches and algorithms［M］／／Barale V，Gade M.Remote Sensing of the European Seas.Netherlands：Springer，2008：359－370.

［13］Salberg A B，Rudjord O，Solberg A H S.Model based oil spill detection using polarimetric SAR［C］／／IEEE International Geoscience and Remote Sensing Symposium（IGARSS）.Munich：IEEE，2012：5884－5887.

［14］Solberg A H S，Volden E.Incorporation of prior knowledge in automatic classification of oil spills in ERSSAR images［C］／／IEEE International Geoscience and Remote Sensing Symposium（IGARSS），1997：157－159.

［15］Lu C S，Chung P C，Chen C F.Unsupervised texture segmentation via wavelet transform［J］.Pattern Recognition，1997，30（5）：729－742.

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

Research on offshore petroleum oil spilling detection using SAR echo signal

Sun Jian1，2，Xu Ya2，Chen Fangxi3，Peng Zhongren2，4

（1.State Key Laboratory of Ocean Engineering，Shanghai Jiao Tong University，Shanghai 200240，China；2.Department of Transportation and Logistics Engineering，School of Naval Architecture，Ocean and Civil Engineering，Shanghai Jiao Tong University，Shanghai 200240，China；3.Alumni Association，Shanghai Jiao Tong University，Shanghai 200240，China；4.Department of Urban and Regional Planning，University of Florida，Gainesville 32601，USA）

Oil spilling is one of the major sources for in marine pollutions，which are widely distributed and can bring cause terrible significant environmental damages.In recent years，due to the increase in offshore human activities and development of petroleum processing industries，oil spill accidents are also increasing，which are mostly caused by well blowouts，explosions of drilling platforms and ship collisions.Therefore，monitoring oil spilling has important significance in both economical and social aspects.As an all-weather high-resolution active microwave imaging sensor，Synthetic Aperture Radar（SAR）can greatly improve the resolution of images and the accuracy of forecasts，and thus takes an important role in oil spill monitoring.This paper aims to realize the semi-automatic identification of various targets on SAR images.We have conducted a convincing contrast of different neural networks，using Matlab as the tool through image preprocessing（image correction and enhancement），feature extraction and neural network recognition.First，oil spilli images are preliminarily manually identified，followed by image preprocessing（such as geometric correction，filtering，etc.）and feature extraction based on gray level co-occurrence matrix.Then，two types of neural networks，namely RBF and BP，are introduced to classify the oil spill area and other suspected areas.Finally，the processed images are analyzed，indicating the capability in classifying oil，sea water，and land targets.The results reveal that the outputs from the RBF neural network are more accurate compared to those from the BP neural network.

synthetic aperture radar；SAR；offshore oil spill；image classification；neural network

TN958；X834

A

0253-4193（2014）09-0097-09

孙健，胥亚，陈方玺，等.基于合成孔径雷达回波信号的海洋溢油监测方法研究［J］.海洋学报，2014，36（9）：103—111，

10.3969／j.issn.0253-4193.2014.09.012

Sun Jian，Xu Ya，Chen Fangxi，et al.Research on offshore petroleum oil spilling detection using SAR echo signal［J］.Acta Oceanologica Sinica（in Chinese），2014，36（9）：103—111，doi：10.3969／j.issn.0253-4193.2014.09.012

2013-09-13；

2013-11-26。

海洋赤潮灾害立体监测技术与应用国家海洋局重点实验室开放基金（MATHAB201306）；上海交大海洋工程国家重点实验室青年创新基金（GKZD010059－29）。

孙健（1977—），男，安徽省芜湖市人，博士，研究员，从事海洋环境监测技术及GIS应用工作。E-mail：danielsun＠sjtu.edu.cn