论文部分内容阅读
星载合成孔径雷达(SAR)具有全天候、全天时、覆盖面积大、快速获取及接近实时等特点，利用SAR遥感技术可及时、准确、全面地监测海洋溢油污染，是溢油监测方面最为有效的手段，目前SAR图像已经被广泛应用于溢油监测中。 SAR图像中常存在类似于油膜的伪信息，很多情况下，即使非常有经验的学者也不能区分油膜和类油膜，因此对大量SAR图像进行检测、图像处理以区别油膜和类油膜是一项非常繁重的工作。本论文就是建立在对溢油SAR图像的模式识别工作的基础上展开实验的。 本文通过对一幅原始溢油SAR图像进行溢油信息提取，探讨了溢油SAR图像预处理涉及到的几个关键性问题，以及SAR图像分类技术中图像的特征提取、图像的分类识别算法等。对于图像特征提取，本文采用基于灰度共生矩阵的纹理分析方法，得出适用于海洋遥感溢油SAR图像的纹理特征量以及纹理窗口大小，作为分类的依据。现在已经有了一些利用SAR图像数据进行模式识别的方法。本文的核心工作是对溢油SAR图像建立最小距离分类模型、最大似然分类模型和人工神经网络模型，并对分类效果进行比较，来探讨更适合于溢油SAR图像分类识别的分类方法。本文重点探讨了人工神经网络方法，通过选择人工神经网络模式识别中应用最普遍效果相对较好的网络模型——BP神经网络模型，对其进行改进，并用Matlab神经网络工具箱模拟该模型的分类识别结果。 通过引入分类模型评价方法，对上述三种分类方法的分类效果进行评价。得出总体精度，人工神经网络方法最高为95.33％，最小距离分类方法次之为93％，最大似然分类方法最低为90.33％；Kappa系数，人工神经网络方法最高为0.93，最小距离分类方法为0.895，最大似然分类方法最低为0.885。得出人工神经网络方法无论从总体精度还是从Kappa系数上都要优于另外两种分类方法，预见SAR在监测溢油方面是一种很有潜力的工具。