基于Adaboost的SAR图像溢油检测

摘要：该文提出一种基于Adaboost的SAR图像溢油检测算法，该算法以纹理特征角二阶矩(ASM)、熵(ENT)、协同性(HOM)、相异性(DIS)作为图像特征向量，采用决策树作为Adaboost弱分类器，对SAR图像进行分类检测。实验结果证明该算法的有效性和可行性。

关键词：Adaboost；灰度共生矩阵；分类；溢油

中图分类号：TP393文献标识码：A文章编号：1009-3044(2011)29-7252-03

Using Adaboost to Detect Oil Spill in SAR Images

SHI Yong-chun

(Minjiang University Software College, Fuzhou 350011, China)

Abstract: This paper presents an algorithm using Adaboost to detect oil spill in SAR Image. It use texture features-ASM, ENT, HOM and DIS as feature vector of images. The weak classifier of Adaboost is Decision Tree. Experimental results show that the algorithm is effective and feasible.

Key words: Adaboost; gray level co-occurrence matrix; classification; oil spill

星载合成孔径雷达（SAR，Synthetic Aperture Radar）系统的发展，特别是欧洲遥感卫星（ERS）提高了对严重影响海洋生态系统的石油泄漏的检测可能性，允许更严格，更符合成本效益的监测。合成孔径雷达有全天候、全天时、穿透力强等优点，因而成为当今海洋溢油检测的主要手段。所以，合成孔径雷达是检测海上溢油的最好工具。可以对SAR图像特定区域提取图像特征集来预测该区域是否出现溢油。因此分类设计成为重要任务。由于SAR是一种相干成像系统，因此SAR 图像受其固有的相干斑噪声的影响。这种噪声的存在降低了SAR图像的质量，使传统的分类方法，如阈值分割法等变得更加困难。文献[1]采用神经网络方法进行溢油检测。采用神经网络方法进行溢油分类是较好的解决方案[2]。但是，神经网络方法并不总是产生一个全局最优的解决方案。所以，使用单一最好的分类器可能不是设计溢油检测自动化系统最好的解决方案[3]。

分类问题是机器学习的基本问题，而提高分类器泛化性能是分类研究的重要问题。集成学习方法（Boosting）是提高分类器性能的有效方法。Adaboost算法是集成学习方法中最具代表性的方法，是一种自适应方法，简单，速度快，且易于编程实现[4]。本文提出一种基于AdaBoost算法的方法进行SAR图像溢油检测，实验结果证明了该方法的可行性和有效性。

1 Adaboost

Boosting是一种典型的基于重抽样的集成方法，试图提升任意给定学习算法精度，其核心思想是在训练新的分类器时，更关注那些较难分类的训练样本。Adaboost算法[5]是Freund和Schapire在1995提出的，是最初的Boosting算法的改进版本，它使得Boosting算法更易在实际问题中应用。Adaboost算法的伪代码如下：

给定：训练样本(x1,y1), (x2,y2),…(xn,yn),其中xi∈X, X表示某个域或者实例空间; yi∈Y={l，-l}，是类别标志的集合。

初始化：D1(i)=1/n

For t=1,2…,T

在分布Dt在训练学习机得到分类器：ht:X{l，-l}

更新权重分布：Dt+1(i)=(Dt(i)exp[-αtyiht(xi)])/Zt,其中Zt是归一化因子，用于使得新得到的Dt+1(i)仍然是一个分布，αt=0.5×ln[(1-εt)/ εt], εt是第t论迭代训练样本的错误率。

输出最后的分类器：

本文以CART算法[6]作为Adaboost算法的弱学习算法。

2 基于灰度共生矩阵的纹理特征

纹理特征描述了在图像中反复出现的局部模式和它们的排列规则，反映了宏观意义上灰度变化的一些规律[7]。纹理一般有两种：结构纹理和统计纹理。遥感图像上的纹理多属于统计纹理。

灰度共生矩阵法[8]是由Haralick于1979年提出的纹理描述方法，从多个测度描述了图像的纹理特征。灰度共生矩阵法是一种广泛应用的纹理统计分析方法，它研究的是图像中两个像元组合的灰度空间依赖性，其特点体现了在一定纹理模式下像素灰度的空间依赖关系。灰度共生矩阵描述的是?兹方向上相隔d像元距离的一对像素灰度值分别为i和j的像元(i,j)的出现概率[9]，其各元素值由下式确定:

p(i,j,d,θ)即为灰度分别为i和j，距离为d且在θ方向上的像素对出现的次数。由于灰度共生矩阵是距离d和方向θ的函数，那么，通过灰度共生矩阵计算出的各种纹理特征参数也必然是d和θ的函数，因此，d和θ的的选择方面，已经有部分的研究工作，从现有的研究结论来看，对于不同的图像，最佳纹理特征计算的d和θ是不同的。Haralick曾提出l4种灰度共生矩阵的统计量，但Baraldi通过大量的实验认为用下述4个统计量进行纹理分析效果最好：

角二阶矩(ASM)

熵(ENT)

协同性(HOM)

相异性(DIS)

3 SAR图像溢油检测流程

3.1 降噪预处理

SAR图像存在相干斑噪声，会影响分类效果，所以首先要降噪处理：采用小波变换方法对SAR图像降噪。具体实现如下：

1）对原始SAR图像进行对数变换，使乘性噪声转换为加性噪声。

2）对图像进行3层二维小波分解，求得各层系数上水平方向、竖直方向和对角方向的软阈值。

3）通过分层的软阈值对小波数进行降噪。

4）对变换后的图像进行指数变换，恢复噪声抑制后的雷达图像。

3.2 区域检测

在SAR遥感图像中，溢油块是一些较暗的区域。采用基于灰度阈值方法提取出可能的溢油区域，作为识别块。本文取1－graythresh(I)+0.1为阈值，其中graythresh(I)是根据图像I灰度自动选取的阈值，0.1为拉伸系数。

3.3 特征提取

建立识别块的灰度共生矩阵，灰度共生矩阵的参数如下：角度分别为0°、45°、90°、135°,窗口大小为15×15，灰度级数为l6，统计量为角二阶矩(ASM)、 熵(ENT)、 协同性(HOM)和相异性(DIS)，以四个统计的量的均值和标准差组成8维纹理特征矩阵作为识别块的特征向量。

3.4 分类检测

以3.3小节得到的8维纹理特征矩阵（表1）为输入，采用Adaboost方法进行分类。Adaboost算法的弱学习机采用CART决策树，迭代轮数为50。

4 试验结果分析

本文从40幅星载SAR图像中选取30个溢油子图对象和20个非溢油子图对象作为实验检测数据。随机选择溢油子图和非溢油子图作为训练集，实验数据组成如表2所示。

为了比较Adaboost方法溢油分类性能，我们还采用径向基神经网络(NEWRB)和BP网络对样本数据进行分类检测，分类结果如表3所示。

分类误差是衡量分类器泛化能力的一个重要参数。很明显，表3中的分类误差说明Adaboost分类误差要小于其他两个神经网络分类器，从而证明基于Adaboost的SAR图像溢油的性能要由于BP和NEWRB方法。

为了考察不同角度纹理特征对分类器的作用，我们分别将四个角度计算出的四个统计量作为输入进行溢油分类，分类效果如下面4图所示，图中纵坐标表示错误率，横坐标表示迭代次数。

图3中当迭代次数为5时，达到最低错误率17.5%；图4中错误率一直为25%；图5中当迭代次数为3时，达到最低错误率16%；图6中当迭代次数为2时，最低错误率为40%。对比四图分析结果，可说明角度为90度的灰度共生矩阵提取的四维特征向量最适合作溢油分类数据。

4 总结

溢油分类检测是解决溢油问题的关键步骤之一。本文提出一种基于Adaboost算法的SAR溢油检测方法，旨在尽量减少对溢油检测错误分类。实验结果证明使用Adaboost方法集成分类器较好地提高溢油鉴定的性能，具有较低的误警率。这说明Adaboost算法适用于SAR图像溢油分类检测。另外我们分别将四个角度计算出的四个统计量作为输入进行溢油分类，实验结果证明角度为90度的灰度共生矩阵提取的四维特征向量最适合作溢油分类数据。

参考文献：

[1] K. Topouzelis ,V. Karathanassi ,P. Pavlakis etal. Detection and discrimination between oil spills and look-alike phenomena through neural networks.

ISPRS Journal of Photogrammetry & Remote Sensing,2007,62:264C270.

[2] K. Topouzelis, V. Karathanassi, P. Pavlakis etal. Oil spill detection using RBF neural networks and SAR data. Proceedings on ISPRS, pages,2005:724C729.

[3] S. Dzeroski and B. Zenko. Is combining classifiers better than selection the best one? Machine Learning,2004,54(3):255C274.

[4] Y. Freund and R. E. Schapire. A decision-theoretic generalization of on-line learning and an application to boosting. Journal of Computer and System Sciences, 55:119C139,1997.

[5]Y. Freund and R. E. Schapire.A decision-theoretic generalization of on-line learning and an application to boosting. Journal of Computer and System Sciences, 1997,55(1):119-139.

[6] 范明,孟小峰.数据挖掘概念与技术[M].北京:机械工业出版社,2007:189-191.

[7] 阮秋琦.数字图像处理学[M].北京:电子工业出版社,2001.

[8] Wartson L.Case―based Reasoning：A Review[J]．Knowledge Engineering Review,1994,9(4):327-354.

[9] 容观澳.计算机图像处理[M].北京:清华大学出版社,1998:290.