基于Adaboost的SAR图像溢油检测.docVIP

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