正直接危害人类健康的各类海洋污染是亟待解决的重要难题,开发能够实时对海洋环境做有效监测的系统是关键技术之一。通过合成孔径雷达(Synthetic Aperture Radar, SAR)这种现代高分辨率微波遥感成像雷达,可以全天候全天时地动态探测海洋油膜并对其成像。本文针对海洋表面溢油监测现状,结合神经网络原理分析利用合成孔径雷达图像,提出了一种基于遗传优化神经网络的海表溢油状况识别的新方法。通过对海面短时间内连续的SAR图像的分析,对于海洋环境污染的防治具有极为重要的意义,为智能海洋环境系统的实现提供了必要条件。 SAR图像已经被广泛的应用在海上溢油监测中,因为海面溢油的平滑效应对雷达波反射起削弱作用,所以在雷达图像上会显示出暗色的阴影区域,而周围的海水却因为表面粗糙作用而显示比较亮。为了精确分类SAR溢油图像,本文提出了纹理分析结合神经网络的方法来分类溢油图像。纹理分析阶段本文采用灰度共生矩阵法计算出对SAR溢油图像最敏感的4个纹理特征值,结合像元的灰度值组成分类图像的特征矢量。考虑到神经网络具有自组织、自适应和联想能力,通过对样本反复训练,能辨别各类样本特征的这一优点,本文选取图像的典型区域,提取出特征矢量输入到神经网络中进行训练。选用常用的神经网络模型BP神经网络和高阶神经网络对图像中溢油和海水等物质进行训练。BP网络的分类方法被广泛应用于遥感图像分类,但它存在局部最小、隐含层节点数及训练速度等问题。而高阶神经网络(HONN)从一定意义上克服了这些缺点,使HONN特征数的局限减小,并结合自适应方法,使分类细化,且速度不会影响太大。网络收敛后,利用待识别的图像测试分类识别的效果。最后,由遗传算法做全局优化,通过对比两种网络模型对SAR溢油图像的识别效果和分类精度,结果显示这两种网络模型都能够达到比较令人满意的效果。并且高阶神经网络分类模型不仅在分类精度上,而且在计算时间上都优于BP模型。