[发明专利]基于相参雷达慢扫增强的自适应溢油信息提取方法

摘要

本发明公开了基于相参雷达慢扫增强的自适应溢油信息提取方法，包括步骤为：采用FFT相干积累技术，对雷达溢油回波图像进行慢扫增强；对雷达溢油回波图像进行坐标变换并插值；利用Gamma滤波技术对雷达溢油回波图像进行滤波；结合风速影响因子，建立溢油特征的概率统计模型；利用建立的概率统计模型识别溢油目标区域。本发明的优势在于：采用了FFT相干积累技术手段对雷达溢回波油图像进行增强，提高溢油区域和背景区域的对比度，从而提高了溢油目标区域的可识别程度；在建立溢油特征概率统计模型时加入了风速影响因子，提高了溢油目标的识别精度。

主权项

1.一种基于相参雷达慢扫增强的自适应溢油信息提取方法，其特征在于：包括如下步骤：步骤1，增强雷达溢油回波图像：采用FFT相干积累技术对雷达溢油回波图像进行增强；步骤2，补全雷达溢油回波图像中的缺失像素点：将步骤1中增强后的雷达溢油回波图像，由极坐标形式转化为笛卡尔坐标形式；然后，利用三次样条插值技术，对位于笛卡尔坐标形式下的雷达溢油回波图像中的缺失像素点进行补全；步骤3，溢油雷达回波图像滤波：对步骤2中补全后的溢油雷达回波图像进行Gamma滤波，降低噪声斑点对溢油目标区域提取的影响；步骤4，初步提取溢油目标区域：采用阈值分割方法OSTU算法将步骤3滤波后的溢油雷达回波图像进行分割，并初步提取溢油区域；本步骤中，初步提取的溢油区域包括溢油目标区域和疑似溢油样本区域；步骤5，对步骤4中提取的溢油目标区域和疑似溢油样本区域，分别提取对应目标图像的几何特征和纹理特征；几何特征包括复杂度和形状因子，其中，复杂度的计算公式为：式中，COM表示复杂度，P为目标图像的周长，S为目标图像的面积；形状因子的计算公式为：式中，SPE表示形状因子，W为目标图像的宽度，L为目标图像的长度；纹理特征包括角二阶矩ASM、对比度CON、倒数差分矩IDF和二阶熵ESO；对应目标图像的纹理特征提取方法为：将步骤4初步提取的溢油区域分割成m×m个溢油小目标，采用灰度共生矩阵来提取各溢油小目标的纹理特征；灰度共生矩阵用图像位置关系的灰度级之间的联合条件概率密度函数P(i,j,d,θ)来表示，该联合条件概率密度函数表示起始点灰度为i,在给定像素空间距离d及方向θ上出现灰度级为j的概率；纹理特征提取时，将联合条件概率密度函数P(i,j,d,θ)中的d设定为1，θ设定为0°；然后，对得到的灰度共生矩阵进行角二阶矩ASM、对比度CON、倒数差分矩IDF和二阶熵ESO的提取，其中：角二阶矩ASM的计算公式为：对比度CON的计算公式为：倒数差分矩IDF的计算公式为：二阶熵ESO的计算公式为：上述M代表目标图像的灰度级数；步骤6，结合风速影响因子，建立溢油样本和疑似溢油样本的概率统计模型Pfwt；概率统计模型Pfwt中的f表示样本特征，取值范围为1～6，分别代表[COM,SPE,ASM,CON,IDF,ESO]；概率统计模型Pfwt中的w表示风速区间段，将风速范围分为c个区间段，则w取值为1～c；概率统计模型Pfwt中的t表示样本目标类型，包括溢油和疑似溢油，t取自然数；步骤7：利用贝叶斯分类方法提取最终的溢油目标区域：分别计算步骤6中各样本目标类型的联合概率，计算出的联合概率最大值所对应的样本目标类型则为溢油目标区域；各样本目标类型的联合概率St的计算公式为：式中，Pfwt为步骤5中计算的概率统计模型。