基于遥感数据的集成海洋溢油检测系统
基于卫星遥感的海洋环境监测与分析
基于卫星遥感的海洋环境监测与分析引言：海洋环境的监测与分析对于保护海洋生态系统、预防自然灾害以及可持续海洋资源利用至关重要。
卫星遥感技术的发展为海洋环境监测与分析提供了一种高效、准确的手段。
本文将介绍卫星遥感技术在海洋环境监测与分析中的应用，并探讨其优势、局限性以及未来发展趋势。
一、卫星遥感技术在海洋环境监测与分析中的应用1. 海洋表面温度监测卫星遥感技术可以通过测量海洋表面温度来监测海洋环境的变化情况。
通过获取大范围的海洋温度数据，可以预测海洋的热带风暴和其他风险因素，从而提供相应的灾害预警。
此外，海洋表面温度的监测还可以用于分析海洋生态系统的变化，为海洋资源管理和保护提供科学依据。
2. 海洋生物资源监测利用卫星遥感技术，可以实现对海洋生物资源的快速、大范围监测和分析。
通过观测海洋表面的色彩变化，可以获得海洋中的浮游植物分布信息，从而判断海洋生态系统的状况。
此外，卫星遥感还可以用于监测海洋中的渔业资源，提供合理的捕捞规划和管理措施。
3. 海洋污染监测卫星遥感技术可以通过观测海洋表面的油膜或溶解有机物，实现对海洋污染物的监测和识别。
这些数据可以帮助政府机构和环保组织迅速发现、定位和应对海洋污染事件，做出相应的决策和紧急行动。
此外，卫星遥感还可以对海洋底部的废弃物和水体悬浮物进行监测，提供全面的海洋环境评估。
二、卫星遥感技术在海洋环境监测与分析中的优势1. 宽范围覆盖卫星遥感技术可以覆盖整个海洋领域，不受地理位置和人为限制。
通过卫星传感器获取的遥感数据能够实现对大范围海洋区域的监测和分析，克服了传统监测手段中的时空限制。
2. 实时性和持续性卫星遥感技术具有高频率的观测能力，能够提供海洋环境变化的实时信息。
不论是海洋温度、生物资源还是污染监测，卫星遥感数据能够持续更新，并提供长期的监测和分析，为科学研究和决策提供充足的时间窗口。
3. 多维度信息卫星遥感技术可以获取海洋环境的多维度信息，包括海洋温度、浮游植物分布、海洋污染物等。
如何利用遥感数据进行海洋环境监测
如何利用遥感数据进行海洋环境监测遥感数据在海洋环境监测中的应用遥感技术是指通过人造卫星、航空器等高空平台对地球表面进行观测和探测的技术手段。
利用遥感技术获取的观测数据，可以为海洋环境监测提供丰富的信息，从而帮助我们更好地理解和管理海洋环境。
本文将讨论如何利用遥感数据进行海洋环境监测。
1. 遥感数据的获取遥感数据的获取主要通过卫星和航空器来实现。
由于卫星的广覆盖性和高分辨率特性，卫星遥感数据成为海洋环境监测中最常用的数据来源。
此外，航空器遥感数据也有一定的应用价值，特别是在短时间尺度和小区域范围内的监测中。
2. 海洋表面温度监测海洋表面温度是海洋环境监测的重要指标之一。
利用遥感技术，我们可以获取到全球范围内的海洋表面温度数据。
这些数据可以用于监测海洋水温的变化趋势，预测气候变化，评估海洋生态系统的健康状况等。
同时，海洋表面温度数据还可以用于监测海洋循环和海洋风暴等极端天气事件。
3. 海洋色素监测海洋色素是指海洋中的生物在光合作用中吸收和反射的光线的颜色。
利用遥感技术，可以获取到海洋中的色素浓度分布图。
这些数据可以帮助我们了解海洋生物群落的演变和分布情况，评估海洋生态环境的健康程度。
同时，海洋色素数据还可以用于监测蓝藻水华、赤潮等海洋生态灾害事件的发生和扩散。
4. 海洋溢油监测海洋溢油是海洋环境监测的重要问题之一。
利用遥感技术，可以从卫星图像中识别出海洋中的溢油事件。
遥感数据可以提供溢油面积、溢油量和溢油位置等信息，帮助监测部门及时采取应对措施，并评估溢油对海洋生态环境的影响程度。
此外，遥感数据还可以用于监测海洋油田的开发和生产过程中的污染排放情况。
5. 海洋气象监测利用遥感技术，还可以对海洋气象进行监测。
通过获取海洋中的风力、风向、海浪高度等数据，可以帮助预测海洋风暴、海浪涌浪等极端气象事件的发生和发展趋势。
这些数据对于航海、渔业等海洋相关行业的安全运营具有重要意义。
6. 人工智能在遥感数据分析中的应用随着人工智能技术的发展，越来越多的研究将人工智能技术与遥感数据分析相结合。
卫星遥感数据在海洋环境监测中的应用
卫星遥感数据在海洋环境监测中的应用一、简介卫星遥感技术可以实现对全球海洋环境进行实时监测，能够为海洋资源开发利用、防灾减灾、环境保护等方面提供宝贵的数据支撑。
本文将从卫星遥感数据的获取、处理和应用等方面阐述其在海洋环境监测中的应用。
二、卫星遥感数据的获取1. 卫星探测器卫星探测器是获取卫星遥感数据的核心装置。
现代卫星探测器具有多种探测器，并可实现多光谱影像合成，能够获取更加丰富细致的图像数据。
其中，海洋卫星上装有的海面温度、表层风、波高、海表色、海表高度等探测器，可以对海洋水文、气象和波浪等要素进行卫星遥感探测。
2. 卫星合成卫星合成技术指采用多光谱数据并进行组合处理的过程，以获得更为细致的数据。
卫星遥感数据的多合成辐射可以揭示测量海洋环境要素的过程，提供海洋环境要素的地表图像，为海洋环境监测提供更加准确的数据。
三、卫星遥感数据的处理1. 数据预处理卫星遥感数据通常包括大量的原始数据和预处理过程中的干扰数据，需要对其进行筛选和预处理。
预处理是将原始数据筛选出有效数据、修正数据噪声和偏差等，确保数据的准确性和有效性。
2. 数据处理数据处理是指通过对原始数据进行分类、筛选和分析等操作，获取有用的信息。
卫星遥感数据处理常用的技术包括图像处理、分类、分析等。
这些处理手段可对卫星遥感数据进行处理并获取所需海洋环境信息。
四、卫星遥感数据在海洋环境监测中的应用1. 海洋环境要素监测海洋卫星遥感可以获取海洋环境要素的实时数据，包括海洋温度、叶绿素、气溶胶浓度等。
这能够为海洋生态保护与资源管理提供必要的数据支撑。
2. 海洋环境状况分析通过对海洋环境要素的准确监测和分析处理，可以获取海洋生态环境的状态信息，为海洋环境管理提供具有参考价值的信息，如评估海洋生态状况、分析海洋环境变化趋势等。
3. 海洋环境应急响应卫星遥感技术具有快速、准确的特点，能够对海洋环境突发事件进行实时监测，如海洋污染、海洋灾害等。
这可以有效提升对海洋环境事件的响应和处置效率。
基于遥感数据的海洋环境监测与评估技术研究与应用
基于遥感数据的海洋环境监测与评估技术研究与应用海洋环境监测与评估是一项重要的任务，它对于保护海洋生态系统的健康和维护海洋资源的可持续利用至关重要。
随着科技的不断进步，基于遥感数据的海洋环境监测与评估技术在近年来得到了广泛应用和发展。
遥感技术是指通过卫星、飞机等载体获取地球表面的信息，然后利用数据处理和分析方法来获取有关地球表面特征的技术手段。
在海洋环境监测与评估中，遥感技术为我们提供了获取海洋信息的有效途径。
借助遥感技术，我们可以获取海洋的温度、盐度、悬浮物浓度、叶绿素浓度等多种参数，为海洋环境的监测与评估提供了关键数据。
首先，基于遥感数据的海洋温度监测技术是遥感技术在海洋环境监测与评估中的重要应用之一。
海洋温度是一个重要的海洋物理参数，它对海洋生态系统和气候环境具有重要影响。
利用遥感数据可以获取大范围的海洋温度分布情况，帮助我们掌握海洋环境的动态变化。
通过对海洋温度的监测与评估，我们可以及时发现海洋环境中的异常情况，为海洋生态系统保护和资源管理提供科学依据。
其次，基于遥感数据的海洋悬浮物浓度监测技术也是海洋环境监测与评估中的重要应用之一。
悬浮物是指悬浮在水体中的固体颗粒物，如河流冲刷物、沉积物等。
海洋中的悬浮物浓度是评估水体质量和环境污染程度的重要指标之一。
利用遥感技术，我们可以获取海洋中悬浮物的分布情况，通过对悬浮物浓度的监测与评估，可以及时发现海洋污染现象，为环境保护和污染治理提供科学依据。
此外，遥感技术还可以用来监测海洋叶绿素浓度。
叶绿素是植物光合作用过程中的重要要素，也是评估海洋生态系统健康状况的重要指标。
利用遥感技术获取海洋中的叶绿素浓度分布情况，可以及时掌握海洋生态系统的状态，并为海洋生态保护和资源管理提供科学依据。
除了海洋环境监测与评估方面，基于遥感数据的技术还可以在其他方面发挥重要作用。
比如，在海洋灾害监测与预警方面，利用遥感技术可以获取海洋中的风暴潮、海浪高度等信息，提前预警海洋灾害，减少损失。
海上溢油监测系统综述
海上溢油监测系统综述作者：高安泰来源：《中国新通信》2021年第13期【摘要】世界各国都特别注意保护海洋环境和环境，我国的海上活动变得越发活跃，交通量急剧增加，大型船舶，油轮和集装箱船的装箱量将超过10，000个，同时也成为了一有事故较多的国家。
溢油型船会导致严重的溢油污染事故，例如10，000吨的石油流入，将导致不可逆转的环境灾难和巨大的经济损失。
因此，在石油开发过程中，有必要加强海上航行的安全性，提高处理溢油事故的能力，这也成为海上石油开发的重要任务之一。
我们密切监控溢油，以正确应对和解决环境中污染海上溢油的迅速恶化，提高我们应对污染事件并减少环境破坏的能力。
有效的管理措施可以降低经济和环境的损害，这对于实现保护海洋环境的目标是必要的。
【关键词】海上溢油监测系统引言：近年来，海上溢油事件频发，如 2010 年 4 月 20 日美国墨西哥湾采油平台爆炸引发的漏油事件， 2021 年3月4日以色列发生重大石油泄漏事件，事件溢油的发生严重影响人类健康和环境安全。
随着近海石油勘探和开发规模的扩大以及最早的结构或陈旧的结构的污染，海上溢油的风险增加。
非石油农场中溢油污染的风险增加正在推动技术海上溢油监测的发展，并且已经不断地应用于研究现状。
一、海上溢油监测系统的研究现状海上溢油对海洋环境造成严重污染，海上溢油快速监测技术的研究和开发对于保护海洋环境至关重要。
目前，海上溢油监测的模式主要包括卫星音频监视，远距离航拍音频监视，远程船舶音频监视，CCT溢油监视，定点和浮标监视等。
1.1 卫星遥感监测卫星电视跟踪探测器使用卫星作为工作平台，并使用由卫星生成的各种溢油探针传感器从地表提取信息并确定溢油水的表面，然后对信息进行处理。
当前使用的监测声音电视卫星主要包括：陆地资源卫星（LANDSAT），法国斯波特卫星（SPOT），欧空局环境卫星（EN溢油ISAT），海洋水色卫星SeaWIFS。
在目前所有卫星上都已安装的监测传感器中，合成孔径雷达可提供更好的控制。
基于深度语义分割的多源遥感图像海面溢油监测
第２８卷㊀第５期２０２０年５月㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀光学精密工程㊀O p t i c s a n dP r e c i s i o nE n g i n e e r i n g㊀㊀㊀㊀㊀㊀V o l ．２８㊀N o ．５㊀㊀M a y ２０２０㊀㊀收稿日期:２０１９Ｇ１１Ｇ０７;修订日期:２０１９Ｇ１２Ｇ０２．㊀㊀基金项目:国家自然科学基金资助项目(N o ．６１９０１０８１);中央高校基本科研业务费专项资助项目(N o ．３１３２０２０１９９)文章编号㊀１００４Ｇ９２４X (２０２０)０５Ｇ１１６５Ｇ１２基于深度语义分割的多源遥感图像海面溢油监测陈彦彤１,李雨阳１,吕石立２,王俊生１∗(１．大连海事大学信息科学技术学院,辽宁大连１１６０２６;２．交通运输部搜救中心,北京１００７３６)摘要:针对遥感图像海面溢油区域通常受到斑噪声以及强度不均等因素的影响,从而导致溢油区域监测效果较差的问题,本文引入了深度语义分割的方法,将深度卷积神经网络与全连接条件随机场相结合,形成端对端连接.以R e s n e t 结构为基础,首先通过深度卷积神经网络对多源遥感图像粗分割并作为输入,然后经过改进的全连接条件随机场,利用高斯成对势和平均场近似定理,建立条件随机场形成递归神经网络作为输出.通过多源遥感图像对海面溢油区域进行监测,并利用可见光图像估计溢油区域面积.实验在所建立的多源遥感图像数据集上与其它先进模型进行对比,结果表明本文方法提高了溢油区域的分割精度以及精细细节程度,平均交并比为８２．１％,监测效果具有明显地改善.关㊀键㊀词:海面溢油;卷积神经网络;语义分割;条件随机场;遥感图像中图分类号:T P ７５３㊀㊀文献标识码:A㊀㊀d o i :１０．３７８８/O P E ．２０２０２８０５．１１６５R e s e a r c ho no i l s p i l lm o n i t o r i n g ofm u l t i Ｇs o u r c e r e m o t e s e n s i n g i m a g e b a s e d o nd e e p s e m a n t i c s e gm e n t a t i o n C H E N Y a n Ｇt o n g １,L IY u Ｇy a n g １,L ÜS h i Ｇl i ２,WA N GJ u n Ｇs h e n g１∗(１．D e p a r t m e n t o f I n f o r m a t i o nS c i e n c e a n dT e c h n o l o g y ,D a l i a nM a r i t i m eU n i v e r s i t y ,D a l i a n １１６０２６,C h i n a ;２．S e a r c h a n dR e s c u eC e n t e r o f t h eM i n i s t r y o f T r a n s p o r t ,B e i j i n g １００７３６,C h i n a )∗C o r r e s p o n d i n g a u t h o r ,E Ｇm a i l :w a n g js h ＠d l m u ．e d u ．c n A b s t r a c t :I nr e m o t es e n s i n g i m a g e s ,o i ls p i l la r e a s a r e u s u a l l y a f f e c t e d b y s po tn o i s ea n d u n e v e n i n t e n s i t y ,w h i c h l e a d s t o p o o r s e g m e n t a t i o n ．Ad e e p s e m a n t i c s e g m e n t a t i o nm e t h o dw a s i n t r o d u c e d t o c o m b i n e ad e e p co n v o l u t i o nn e u r a l n e t w o r kw i t ha f u l l c o n n e c t i o n c o n d i t i o n a l r a n d o mf i e l d t o f o r ma n e n d Ｇt o Ｇe n d c o n n e c t i o n ．B a s e do n R e s n e t ,f i r s t ,t h e m u l t i Ｇs o u r c er e m o t es e n s i n g i m a g e w a sr o u g h l y s e g m e n t e da s i n p u tb y t h ed e e p c o n v o l u t i o n a ln e u r a ln e t w o r k ．T h e n ,u s i n g G a u s s i a n p a i r w i s ea n d m e a n f i e l d a p p r o x i m a t i o n ,t h e c o n d i t i o n a l r a n d o mf i e l dw a s e s t a b l i s h e da s t h eo u t pu t o f t h e r e c u r r e n t n e u r a l n e t w o r k ．T h e o i l s p i l l a r e ao n t h e s e a s u r f a c ew a sm o n i t o r e db y a m u l t i Ｇs o u r c e r e m o t e s e n s i n gi m a g e a n d e s t i m a t e db y o p t i c a l i m a g e s．E x p e r i m e n t a l r e s u l t s s h o wt h a t t h e p r o p o s e dm e t h o d i m p r o v e s c l a s s i f i c a t i o na c c u r a c y a n dc a p t u r e s f i n e rd e t a i l so f o i l s p i l l a r ea s c o m p a r e dw i t ho t h e rm o d e l su s i n g t h ed a t a s e te s t a b l i s h e db y t h e m u l t iＧs o u r c er e m o t es e n s i n g i m a g e．T h e m e a ni n t e r s e c t i o no v e rt h e u n i o n i s８２．１％,a n d t h em o n i t o r i n g e f f e c t i s s i g n i f i c a n t l y i m p r o v e d．K e y w o r d s:s p i l l e do i lo nt h es e a;C o n v o l u t i o n N e u r a l N e t w o r k(C N N);s e m a n t i cs e g m e n t a t i o n;c o nd i t i o n a l r a n d o mf ie l d;r e m o t e s e n s i n g i m a g e１㊀引㊀言㊀㊀近年来,随着世界各国对原油需求量不断增加,海洋石油运输业迅速发展,但国内外海面溢油污染事故却频繁发生.例如２０１０年,大连新港一艘外籍油轮在卸油时,导致陆地输油管线发生爆炸,事故造成５０平方公里的海域被污染.２０１８年,桑吉轮与货船在长江口发生碰撞[１],事故造成大量石油泄漏溢入东海,对海洋生态环境造成巨大危害.当海面溢油事故发生后,能否准确地检测溢油区域位置和面积信息,对后续采取防治措施至关重要.因此,开展海面溢油监测对于海洋环境保护具有重要意义.传统的海面溢油监测手段为航拍或实地调查,但是这种方法需要投入大量的人力物力,导致成本高㊁操作难度大.而遥感卫星[２]可以不受国界领空的限制,长期且有效地监测海面溢油的情况,是目前海面溢油监测的最佳手段.目前基于遥感卫星的海面溢油监测通常使用星载合成孔径雷达[３](S y n t h e t i cA p e r t u r eR a d a r,S A R),其具有覆盖范围广㊁全天候的优势,能够有效监测海面溢油位置,但S A R图像溢油监测的研究主要集中在探测溢油的有无,对油污面积计算较少.而可见光遥感图像[４]具有分辨率高㊁颜色丰富等特征,可以有效估计溢油区域面积,这对海洋生态破坏评估㊁后续溢油治理起到至关重要的作用.对于多源遥感图像海面溢油监测主要采用图像分割的方法,其中传统的海面溢油分割方法有: (１)基于阈值分割的方法[５],原理是将图像像素点分为若干类.这种方法实现简单且计算量小,但易受海面噪声以及图像灰度分布不均的影响,导致分割准确度低;(２)基于边缘信息的检测方法[６],结合溢油区域的形状特征以及边缘信息,来获取溢油候选区域;(３)基于语义分割[７Ｇ９]的检测方法,它是将图像中属于相同类别的像素聚类为一个区域.可以将溢油区域与海面进行明确的分类,语义分割对图像有更加细致的了解.用于语义分割的传统分类方法有:(１)随机决策森林(R a n d o m D e c i s i o nF o r e s t s,R D F)[１０],利用多棵树对样本进行训练并预测的一种分类方法;(２)马尔科夫随机场(M a r k o v R a n d o m F i e l d s, M R F)[１１],它是一种无向图模型,为每个像素分配定义标记的问题;(３)条件随机场(C o n d i t i o n R a n d o mF i e l d,C R F)[１２Ｇ１３],表示的是给定一组输入随机变量X的条件下另一组输出随机变量Y 的马尔可夫随机场.其中全连接条件随机场(F u l l y C o n n e c t e d C o n d i t i o n R a n d o m F i e l d, F C C R F)克服了传统C R F漏掉细小结构的缺点.但是这些传统方法的分类效果依然较差.近年来,深度学习已经广泛应用于计算机视觉领域[１４],尤其在图像分类方面获得了突破性的成功.L O N GJ等人提出了全卷积网络[１５](F u l l y C o n v o l u t i o n a lN e t w o r k s,F C N),应用于语义分割中,取得了较高的准确率.D e e p l a b[１６Ｇ１７]模型是由G o o g l e团队提出的一种用于语义分割的办法,利用空洞卷积准确调节分辨率,扩大感受野,降低计算量,并用空洞卷积金字塔池化(A t r o u sS p a t i a l P y r a m i dP o o l i n g,A S P P)模块进行多尺度特征提取,得到全局和局部特征.最后用全连接条件随机场,优化边缘效果,解决了因为传统深度卷积神经网络[１８Ｇ２０](D e e p C o n v o l u t i o n a l N e u r a l N e t w o r k,D C N N)中连续的池化和降采样导致空间分辨率明显下降的问题,近一步提升分割效果.但是D e e p l a b模型依然存在一些问题,例如:(１)先用深度卷积神经网络进行粗分割,再利用全连接条件随机场进行细分割,无法实现端对端的训６６１１㊀㊀㊀㊀㊀光学㊀精密工程㊀㊀㊀㊀㊀第２８卷㊀练,导致分类精度低;(２)对海面溢油区域的精细细节提取较差且耗时长.针对以上问题以及多源遥感图像的特点,本文以D e e p l a b 模型为基础,提出一种新的卷积神经网络形式的多源遥感图像海面溢油语义分割模型,用于监测海面溢油区域,该模型将C R F 与深度卷积神经网络相结合,利用高斯成对势和平均场近似定理,建立条件随机场形成递归神经网络(R e c u r r e n tN e u r a lN e t w o r k s ,R N N )[２１],并将它作为神经网络的一部分,获得一个兼具卷积神经网络特性和C R F 特性的深层端对端网络,将其命名为深度语义分割(D e e p S e m a n t i c S e gm e n t a t i o n ,D S S ).利用该模型监测S A R 以及可见光遥感图像的海面溢油区域,并用可见光遥感图像有效估计溢油面积.２㊀D e e pl a b 模型㊀㊀D e e p l a b 模型利用空洞卷积代替了标准的网络卷积操作,通过扩大感受野㊁缩小步幅对特征图采样.它调整了卷积滤波器的感受野来捕捉多尺度的上下文信息,输出不同分辨率的特征.对于一维卷积结构,输出特征图y 的每个位置i ,卷积滤波器w ,输入特征图x ,空洞卷积计算如公式(１)所示.二维卷积结构原理如图１所示.y [i ]＝ðkx [i ＋r k ]w [k ]．(１)图１㊀空洞卷积原理F i g ．１㊀P r i n c i pl e o f a t r o u s c o n v o l u t i o n ㊀㊀首先D e e p l a b 改进了R e s n e t 架构,将R e s n e t 的全连接层转化为卷积层,最后两个池化层去掉了下采样,且后续卷积层的卷积核改为了空洞卷积,并对R e s n e t 的权重进行微调,这样网络最后图２㊀A S P P 模块原理F i g ．２㊀P r i n c i p l e o fA t r o u sS p a t i a l P y r a m i dP o o l i n g(A S P P )７６１１第５期㊀㊀㊀㊀陈彦彤,等:基于深度语义分割的多源遥感图像海面溢油监测输出的特征图分辨率提高,感受野变大.然后进行多尺度提取,A S P P模块如图２所示,在给定的输入特征图上以r＝(６,１２,１８,２４)的３ˑ３空洞卷积并行采样,最后通过A S P P各个空洞卷积分支采样后结果融合到一起,得到最终预测结果.实际上就是通过不同的空洞卷积来对图像进行不同程度的缩放,从而获得了更好的分割效果.最后使用全连接条件随机场细化图片.３㊀海面溢油监测㊀㊀基于多源遥感图像的海面溢油区域普遍存在斑噪声和强度不均的现象.其中S A R图像中许多暗区域会被分类成溢油区域,可见光遥感图像中海杂波等会对目标检测产生影响.首先本文以D e e p l a b模型为基础,输入的图像经过深层卷积神经网络对其进行粗略地分割,然后将全连接条件随机场看做循环神经网络作为输出,再次对图像细分割,实现了深层卷积神经网络与全连接条件随机场端对端的连接,将D C N N与改进的全连接C R F模型优势结合在一个统一的端对端框架中.其次,本文在A S P P模块中加入了B N层,加快网格训练速度.最后,改进了基于平均场近似定理的全连接条件随机场算法,与D C N N端对端连接.３．１㊀全连接条件随机场传统的条件随机场用于平滑噪声,将邻近结点耦合,这样空间上接近的像素会被分配相同标记的标签.但是目前的深度卷积神经网络架构,得分图通常非常平滑.在这种情况下,使用传统的条件随机场模型会漏掉细小结构,目标恢复详细的局部结构.而全连接条件随机场可以克服这个缺点,捕获精细细节.首先将像素标签建模为随机变量,在全局观测条件下形成马尔科夫随机场,设图片为I,x i为像素i的标注,从标签L i中取值,X为随机变量x１,x２, ,x N产生的向量,I 和x的关系可以建模为条件随机场,如公式(２)所示:P(X＝x|I)＝１Z(I)e x p(－E(x|I))．(２)㊀㊀由此可定义吉布斯分布如公式(３)所示.E(x)＝ðiψu(x i)＋ði＜jψp(x i,x j),(３)ψp(x i,x j)＝μ(x i,x j)ðM m＝１w(m)k(m)G(f i,f j),(４)其中:ðiψu(x i)为衡量像素i取标签x i的损失,由深层卷积神经网络获得.ði＜jψp(x i,x j)为衡量像素i,j同时取标签x i,x j的损失,依赖于图像平滑项,使得相似像素更有可能标注相同标签,具体如公式(４)所示.每一个k m G为作用于特征向量的高斯核,f i和f j分别为像素i,j的特征向量,特征向量一般取图像二维位置坐标和颜色R G B向量.距离和颜色的差距越大,则影响越小.m表示高斯核的个数,取１或２.w(m)为权重线性组合,不同卷积核权值不同,它是由网络训练所得到,μ(x i,x j)为兼容性函数,即惩罚项.３．２㊀条件随机场看作循环神经网络根据公式(３),最小化吉布斯分布E(x)就可以得到标注结果,但是过程相对复杂且算法比较耗时,因而本文引入了平均场近似最大后验分布进行推理[２２].Q(x)为条件随机场P(x)的近似,它作为R N N重构.平均场近似推理迭代算法具体步骤如表１所示.表１㊀平均场近似推理迭代算法㊀T a b．１㊀M e a n f i e l da p p r o x i m a t e r e a s o n i n g i t e r a t i v ea l g o r i t h m算法:平均场定理用于将C R F分解为常见的C N N操作Q i(l)ѳ１z i e x p(U i(l))f o r a l l i初始化W h i l en o t c o n v e r g e dd oQ (m)(l)ѳðjʂi k(m)(f i,f j)Q j(l)f o r a l l m消息传递㊅Qi(l)ѳðm w(m)Q (m)i(l)权值调整^Qi(l)ѳðlᶄɪLμ(l,lᶄ)㊅Q i(l)兼容性转换㊅Qi(l)ѳU i(l)－^Q i(l)传递误差微分Q iѳ１z i e x p(㊅Q i(l))归一化E n dw h i l e８６１１㊀㊀㊀㊀㊀光学㊀精密工程㊀㊀㊀㊀㊀第２８卷㊀㊀㊀如表１所示,首先第１步初始化过程为初始概率值,U为卷积神经网络的结果.这个过程相当于在每个像素的所有标签上对一元电位应用一个S o f t m a x函数,不包含任何参数,可以看做神经网络的S o f t m a x层.第２步应用高斯滤波器来实现消息传递,即概率转移.对Q(x)进行高斯模糊,这个过程相当于神经网络的卷积运算.第３步为权值调整,对于每个类标签l,计算出上一步高斯滤波器输出的加权和.可以看作１ˑ１的卷积层,对多个特征图进行卷积运算.第４步为兼容性转换,通过考虑不同标签之前的兼容性并相应的分配惩罚,这样可以获得更好的结果.即如果将不同的标签分配给具有类似属性的像素,这将会受到惩罚,可视为卷积层.第５步用一元势减去兼容性转换步骤的输出,传递误差微分,表示最终概率由卷积神经网络的结果U和全局概率转移结果^Q i(l)共同决定.第６步是归一化操作,将第５步的结果归一化传到下一次循环神经网络迭代作为初始概率.这个过程可以看作另一个没有参数的S o f t m a x操作.本文对平均场近似推理迭代算法的第２步和第３步进行了改进,原始的高斯核为２,考虑了x, y的位置向量和颜色向量,实际上颜色向量在D C N N层中决定了分类的先验概率,所以可以不考虑颜色向量的高斯距离,仅考虑位置差异,这样高斯核为１,距离越远差异就越小.并用全图距离权重网络代替传统的高斯核距离,将距离权重置于全图卷积网络中,该网络的权值由训练样本得到.第２步和第３步概率转移和权值调整合并变为新的算法,相当于卷积运算,如公式(５)所示:Q i(l)＝ðiʂj a i,j Q j(l),(５)其中:a i为距离权重,l为类别,Q j(l)为每个点的类别概率.该算法的迭代过程可表示为多个卷积神经网络层,如图３所示,fθ表示迭代带来的变化.多图３㊀平均场近似推理算法迭代过程㊀㊀F i g．３㊀M e a n f i e l da p p r o x i m a t i o n r e a s o n i n ga l g o r i t h mi t e r a t i v e p r o c e s s层平均场迭代可以重复上述过程实现,每一次迭代都来源于之前迭代的结果,这就相当于将迭代平均场视为一个循环神经网络,网络方程如式(６)~式(８)所示,T为平均场的迭代次数,H１(t)初始值为D C N N归一化的结果㊁H２(t)为一次C R F 过程.Y(t)是第T次迭代的输出,当未达到迭代次数T时则继续迭代.当t＝T时,输出H２(t)为最终迭代结果.H１(t)＝s o f t m a x(U),t＝０H２(t－１),０＜tɤT{,(６) H２(t)＝{fθ(U,H１(t),I),０ɤtɤT,(７) Y(t)＝０,０ɤt＜TH２(t),t＝T{．(８)㊀㊀通过上述改进,模型整体流程图如图４所示,首先输入图片经过R e s n e t网络,将C o n３_x与C o n４_x的中间层改为空洞卷积,然后经过多尺度A S P P模块,通过不同的空洞卷积速率R a t e＝(６,１２,１８,２４)得到不同大小的特征图.其次经过多尺度A S P P模块,加入B N层后,它可以加快训练速度,提高网络的泛化能力.其中A S P P模块的卷积神经网络可视化如图５所示.当感受野较小的时候,提取到的是图像的细节特征.当感受野越来越大时,提取到的是图像的抽象特征.然后经过双线性插值输出特征图,提供了C R F的一元电位,直接以端到端连接到循环神经网络中.最后,进入循环卷积神经网络后,需要迭代t次才能离开循环,使用反向传播算法和随机梯度下降方法进行端到端的培训,一旦离开循环,S o f t m a x层进行网络的终止,输出分类结果.该算法统一了卷积神经网络与C R F的优势,形成了端对端的连接,并细化了分割边缘.９６１１第５期㊀㊀㊀㊀陈彦彤,等:基于深度语义分割的多源遥感图像海面溢油监测图４㊀D S S 流程图F i g．４㊀D S S f l o wc h a rt 图５㊀A S P P 模块的多尺度可视化结果F i g．５㊀M u l t i s c a l e v i s u a l i z a t i o n r e s u l t s o fA S P P ４㊀实验结果与分析㊀㊀实验对基于多源遥感图像的海面溢油区域进行检测,并与其他先进方法进行对比,验证本文模型的优越性.本实验电脑配置为I n t e l i ７处理器,显卡为N V D I AR T X ２０８０T i ,１６G 内存,在L i n u x 系统下的c a f f e 平台,并建立了高质量的S A R 图像与遥感图像数据集,其中可见光遥感图像来源于Q u i c k B i r d ,W o r l d V i e w Ｇ２等遥感卫星所拍摄到的海面溢油图像与G o o gl eE a r t h 中的图像,S A R 图像来源于c 波段雷达s a t Ｇ２极化仪,共采集了４２００张海面溢油图像.所得到的数据集将图像中目标划分为三类,分别为背景㊁溢油区域㊁舰船.然后从图像中随机选择６０％作为训练集,２０％作为验证集,另２０％作为测试集.由于训练需要大量的图片,所以本文进行了数据增强,即对每张图像随机旋转９０ʎ,１８０ʎ,２７０ʎ,最终得到了包含８４００张图像的数据集.实验在训练过程中应用p o l y 学习策略,具体如公式(９)所示.本文将深度卷积神经网络中的迭代次数设为２０K ,批量大小(b a t c hs i z e )为２０,e po c h 表示训练集中全部样本训练一次,共８０次.学习率的初始值为０．００１,为了防止学习率过大,在收敛到最优处会０７１１㊀㊀㊀㊀㊀光学㊀精密工程㊀㊀㊀㊀㊀第２８卷㊀不稳定,所以学习率应随着训练过程按指数级而下降.权重衰减为０．０００５,动量因子为０．９.p o l y ＝１－i t e r n a x _i t e r æèçöø÷po w e r ,(９)其中:p o w e r 为参数,值为０．９,i t e r 表示迭代次数,m a x _i t e r 表示最大迭代次数.本实验包括了海面溢油区域的分类结果㊁m I O U 计算与损失函数㊁时间对比分析以及溢油面积计算.４．１㊀海面溢油分类结果本实验分别对比了遥感可见光图像与S A R 图像的海面溢油分割情况,如下图所示,对比方法分别为C R F ＧR N N ,S P N e t,以及本文所提方法.图６~图８为可见光遥感图像的海面溢油分割结果,可见光遥感图像的油污与海水具有不同的表现.其中图６(a)为原图,可以看出图中溢油区域较明显,但存在海杂波的干扰.图６(b )为C R F ＧR N N 模型检测结果,它只是用传统的卷积神经网络进行粗分割,并且未对平均场定理进行改进,结果将部分海杂波错误分类为溢油区域.图６(c )的S P N e t 模型基本正确分类了溢油区域,但是精确度较差.本文所提出的方法检测结果如图６(d )所示,与图６(b )相比,本文模型可以精确的分类出海杂波与溢油区域,捕获了目标精细细节.图７(a )的溢油区域较分散且不明显,C R F ＧR N N 模型只正确分类了舰船,本文所提出的方法如图７(d )所示,由图可知本文方法分类效果最好,由于实现了端对端的连接分割精度近一步提升.由图８所示,C R F ＧR N N 模型将舰船错误分类为溢油区域,S P N e t 模型与本文模型都正确分类了舰船与溢油区域,但是本文模型对目标的精细分割能力较强,获得了良好的效果.图６㊀可见光遥感图像海面溢油分割结果F i g ．６㊀O p t i c a l r e m o t e s e n s i n g i m a g e o i l s p i l l s e gm e n t a t i o n r e s u l ts 图７㊀可见光遥感图像海面溢油分割结果F i g ．７㊀O p t i c a l r e m o t e s e n s i n g i m a g e o i l s p i l l s e gm e n t a t i o n r e s u l ts 图８㊀可见光遥感图像海面溢油分割结果F i g ．８㊀O p t i c a l r e m o t e s e n s i n g i m a g e o i l s p i l l s e gm e n t a t i o n r e s u l t s １７１１第５期㊀㊀㊀㊀陈彦彤,等:基于深度语义分割的多源遥感图像海面溢油监测图９㊀S A R 图像海面溢油分割结果F i g ．９㊀S A Ri m a g e o i l s p i l l s e gm e n t a t i o n r e s u l ts 图１０㊀S A R 图像海面溢油分割结果F i g ．１０㊀S A Ri m a g e o i l s p i l l s e gm e n t a t i o n r e s u l ts 图１１㊀S A R 图像海面溢油分割结果F i g ．１１㊀S A Ri m a g e o i l s p i l l s e gm e n t a t i o n r e s u l t s ㊀㊀图９~图１１为S A R 图像的海面溢油分类结果.在S A R 图像中,存在固有的相干斑噪声且不２７１１㊀㊀㊀㊀㊀光学㊀精密工程㊀㊀㊀㊀㊀第２８卷㊀同区域特性不均匀,导致分类难度增加,由３幅图可知,C R FＧR N N模型只能正确分类严重溢油区域,即图像中颜色较深的部分.S P N e t模型虽然正确分类了部分溢油区域但是对目标边缘比较模糊,本文所提出的方法分割结果均优于前两种模型.通过实验分析,无论是可见光遥感图像还是S A R图像,本文所提出的方法均适用且分割效果好.４．２㊀m I O U计算以及损失函数将本文模型在所建立的数据集上与其他先进模型进行对比,评价指标为m I O U,称为平均交并比,是语义分割的标准度量,具体如公式(１０)所示.对比结果如表２所示.m I O U值最低的为F C NＧ８s,由于卷积网络的层数较少,从而导致结果较差.D e e p l a b模型的值为７６．５,S P N e t模型的值仅次于本文所提出的模型,达到了７８．９, C R FＧR N N模型m I O U值为７１．８.本文方法与其他先进方法相比效果较好,m I O U达到８２．１. m I O U＝１k＋１ðk i＝０p i iðk j＝０p i j＋ðk j＝０p j i－p i i,(１０)其中:k为类别,i表示真实值,j表示预测值,p i j 表示将类i预测为类j.表２㊀不同模型m I O U对比T a b．２㊀C o m p a r i s o no f d i f f e r e n tm o d e l sm I O UM e t h o d m I O UF C NＧ８s[２３]６０．１D e e p L a bＧM S c[１６]７０．３C R FＧR N N[２２]７１．８D e e p l a b[１６]７６．５H D C[２４]７４．８S P N e t[２５]７８．９HＧR e N e t＋D e n s e C R F[２６]７６．８O x f o r d T V G H OC R F[２７]７７．９P r o p o s e d８２．１㊀㊀端对端模型迭代次数对实验的影响如表３,由表可知,当迭代次数达到５以上,m I O U提高的不是很明显,考虑迭代次数多所占用的时间,所以本文选用迭代次数为T＝５.表３㊀迭代次数对模型的影响T a b．３㊀E f f e c t o f n u m b e r o f i t e r a t i o n s o nm o d e lI t e r a t i o n１２３４５m I O U７９．５８０．０８１．２８１．７８２．１I t e r a t i o n６７８９１０m I O U８２．２８２．３８２．４８２．５８２．６㊀㊀本文利用了交叉熵损失函数(C r o s sE n t r o p y C o s tF u n c t i o n,C E C F)来计算损失,其定义如公式(１１)所示.交叉熵表示真实概率分布与预测概率分布之间的差异,在深度学习中,真实分布已经确定,交叉熵值越小,表示模型预测效果越好.损失函数收敛曲线如图１２所示.H(p,q)＝－ðn i＝１p(x i)l o g(q(x i)),(１１)其中:p(x i)表示真实概率分布,q(x i)表示预测概率分布.图１２㊀损失函数曲线F i g．１２㊀L o s s f u n c t i o n c u r v e４．３㊀时间分析在建立的数据集上与其它先进方法的时间对比,如表４所示.由表可知D e e p l a b模型耗时最长为１．４s,是因为没有实现深度卷积神经网络与全连接条件随机场端对端的连接.耗时最短的模型为F C NＧ８s,而本文所提出的D S S模型耗时相对较短,基本与F C NＧ８s模型处于同一个数量级上且保证了检测精度.３７１１第５期㊀㊀㊀㊀陈彦彤,等:基于深度语义分割的多源遥感图像海面溢油监测表４㊀不同模型耗时分析T a b．４㊀T i m eＧc o n s u m i n g a n a l y s i s o f d i f f e r e n tm o d e l sM e t h o d R u n t i m e/sF C NＧ８s０．５５D e e p l a b１．４S P N e t１．２５C R FＧR N N０．７５P r o p o s e d０．８４．４㊀溢油面积计算海面溢油面积的计算可以为海面污染程度以及未来可能污染的程度提供依据,具有重要的意义.本文通过可见光遥感卫星的分辨率以及溢油区域的像素点数来估计溢油面积,由于可见光遥感图像分辨率高,通常１m分辨率是指一个像素表示地面大约１ˑ１m的面积,因此利用溢油区域像素的数量乘以卫星分辨率的平方,即可求出海面溢油区域面积,具体如公式(１２)所示:S o sʈN o sˑR２,(１２)其中:S o s为海面溢油区域面积,N o s为溢油区域像素点数,R为卫星的分辨率.本文可见光遥感图像的溢油面积如表５所示.表５㊀可见光遥感图像溢油面积T a b．５㊀O i l s p i l l a r e a o f v i s i b l e r e m o t e s e n s i n g i m a g e卫星像素点数卫星分辨率/m溢油面积/m２可见光图像１７８１１２０．６１２９０６５．５可见光图像２２９７７４０．５７４４３．５可见光图像３６１５４８０．５１５３８７５㊀结㊀论㊀㊀本文以深层卷积神经网络为基础,空洞卷积代替最大池化层,并与全连接条件随机场实现端对端的连接,获得一个既有卷积神经网络特性又具有条件随机场特性的深层网络.克服了卫星图像对海面溢油监测的分类较差的问题,提升了捕获目标精细细节的能力.通过S A R和可见光遥感图像对海面溢油区域进行监测,在本文所建立的数据集上m I O U值达到了８２．１,对于遥感图像的分类效果均较好.并且利用可见光遥感图像高分辨率的特点,有效估计了溢油区域的面积,对海洋环境修复及查看海面污染程度具有重要的意义.本文是以弱监督学习为基础的训练模型,网络的训练依赖大量的标记图像,这就需要大量的人力且会受到人为主观因素的影响.因此,未来的研究重点会转向非监督学习,提高算法的便利与可行性.参考文献:[１]㊀童丽珏,周伯煌． 桑吉 轮引发的海洋生态环境损害问题探析[J]．中国环境管理干部学院学报,２０１８,２８(２):１２Ｇ１４．T O N GL Y,Z H O U B H．A n a l y s i so nd a m a g et o t h em a r i n ee c o l o g i c a l e n v i r o n m e n t c a u s e db y＂S a nＧc h i＂o i l t a n k e r[J]．J o u r n a l o f E M C C,２０１８,２８(２):１２Ｇ１４．(i nC h i n e s e)[２]㊀蒋兴伟,何贤强,林明森,等．中国海洋卫星遥感应用进展[J]．海洋学报,２０１９,４１(１０):１１３Ｇ１２４．J I A N GX W,H EX Q,L I N M S,e t a l．．P r o g r e sＧs e so no c e a ns a t e l l i t er e m o t es e n s i n g a p p l i c a t i o ni nC h i n a[J]．A c t a O c e a n o l o g i c a S i n i c a,２０１９,４１(１０):１１３Ｇ１２４．(i nC h i n e s e)[３]㊀康利军,李晓峰,宋甜甜．S A R图像海面溢油检测技术分析[J]．江苏科技信息,２０１８,３５(２０):４１Ｇ４３．K A N G LJ,L IX F,S O N G T T．A n a l y s i so fo i l s p i l ld e t e c t i o n t e c h n i q u e s f o r S A R i m a g e s[J]．J i a n g s u S c i e n c e&T e c h n o l o g y I n f o r m a t i o n,２０１８,３５(２０):４１Ｇ４３．(i nC h i n e s e)[４]㊀李宇,刘雪莹,张洪群,等．基于卷积神经网络的光学遥感图像检索[J]．光学精密工程,２０１８,２６(１):２００Ｇ２０７．L IY,L I U X Y,Z HA N G H Q,e t a l．．O p t i c a l r eＧm o t e s e n s i n g i m a g e r e t r i e v a l b a s e do nc o n v o l u t i o n a l n e u r a l n e t w o r k s[J]．O p t．P r e c i s i o nE n g．,２０１８,２６(１):２００Ｇ２０７．(i nC h i n e s e)[５]㊀A LＧAM R ISS,K A L Y A N K A R N V．I m a g es e gＧ４７１１㊀㊀㊀㊀㊀光学㊀精密工程㊀㊀㊀㊀㊀第２８卷㊀m e n t a t i o nb y u s i n g t h r e s h o l d t e c h n i q u e s[J]．A r XＧi vP r e p r i n tA r X i v:１００５．４０２０,２０１０．[６]㊀赵宏伟,陈霄,刘萍萍,等．视觉显著目标的自适应分割[J]．光学精密工程,２０１３,２１(２):５３１Ｇ５３８．Z HA O H W,C H E NX,L I UPP,e t a l．．A d a p t i v e s e g m e n t a t i o nf o rv i s u a ls a l i e n to b j e c t[J]．O p t．P r e c i s i o nE n g．,２０１３,２１(２):５３１Ｇ５３８．(i n C h iＧn e s e)[７]㊀刘宁波,丁昊,田永华,等．基于组合分形特征的海杂波中目标检测方法[J]．航空兵器,２０１８(２):３８Ｇ４２．L I U NB,D I N G H,T I A NY H,e t a l．．T a r g e t d eＧt e c t i o n m e t h o di n s e ac l u t t e r b a s e d o n c o m b i n e df r a c t a l c h a r a c y e r i s t i c s[J]．A e r o W e a p o n r y,２０１８(２):３８Ｇ４２．(i nC h i n e s e)[８]㊀N O H H,H O N GS,HA N B．L e a r n i n g d e c o n v o l uＧt i o nn e t w o r kf o rs e m a n t i cs e g m e n t a t i o n[C]．P r oＧc e ed i n g s o f t h eI E E Ei n te r n a t i o n a lc o nf e r e n c eo n c o m p u t e r v i s i o n,２０１５:１５２０Ｇ１５２８．[９]㊀C H E N LC,Z HU Y,P A P A N D R E O U G,e t a l．．E n c o d e rＧd e c o d e rw i t ha t r o u ss e p a r a b l ec o n v o l u t i o nf o r s e m a n t i c i m ag es e g m e n t a t i o n[C]．P r o c e e d i n g so f t h e E u r o p e a n C o n f e r e n c eo n C o m p u t e r V i s i o n(E C C V),２０１８:８０１Ｇ８１８．[１０]㊀JS H O T T O N,M J O HN S O N,R C I P O L L A．S eＧm a n t i ct e x t o nf o r e s t sf o r i m a g ec a t e g o r i z a t i o na n ds e g m e n t a t i o n[C]．I E E EC o n f e r e n c e o nC o m p u t e rV i s i o na n dP a t t e r nR e c o g n i t i o n,２００８．[１１]㊀R A N A L L IM,L A G O N AF,P I C O N E M,e t a l．．S e g m e n t a t i o n o fs e ac u r r e n tf i e l d sb y c y l i n d r i c a lh i d d e n M a r k o vm o d e l s:a c o m p o s i t e l i k e l i h o o da pＧp r o a c h[J]．J o u r n a l o f t h eR o y a l S t a t i s t i c a l S o c iＧe t y:S e r i e s C(A p p l i e dS t a t i s t i c s),２０１８,６７(３):５７５Ｇ５９８．[１２]㊀V A R MA KI,K R I S HN AMO O R T H Y S,P I S IＧP A T IRK．N a t u r a l l a n g u a g e q u e r y i n g w i t h c a s c aＧd e dc o n d i t i o n a l r a n d o mf i e l d s[P]．U n i t e dS t a t e sP a t e n tA p p l i c a t i o n２０１２０２５４１４３,２８０,５３５．２０１６Ｇ３Ｇ８．h t t p://w w w．f r e e p a t e n t s o n l i n e．c o m/y２０１２/０２５４１４３．h t m l．[１３]㊀汪萍．基于多尺度条件随机场的语义图像分割深度卷积网络[J]．宿州学院学报,２０１９,３４(７):６９Ｇ７４．WA N G P．D e e p C o n v o l u t i o n a l n e t w o r k w i t hm u l t iＧs c a l e c o n d i t i o n a l r a n d o f i e l d f o r s e m a n t i c i mＧa g e s e g m e n t a t i o n[J]．J o u r n a l o f S u z h o uU n i v e rＧs i t y,２０１９,３４(７):６９Ｇ７４．(i nC h i n e s e)[１４]㊀唐聪,凌永顺,郑科栋,等．基于深度学习的多视窗S S D目标检测方法[J]．红外与激光工程,２０１８,４７(１):３０２Ｇ３１０．T A N G C,L I N G Y S H,Z H E N G K D,e ta l．．O b j e c t d e t e c t i o n m e t h o do fm u l t iＧv i e w S S D b a s e do nd e e p l e a r n i n g[J]．I n f r a r ea n d L a s e r E n g iＧn e e r i n g,２０１８,４７(１):３０２Ｇ３１０．(i nC h i n e s e) [１５]㊀L O N GJ,S H E L HAM E RE,D A R R E L LT．F u l l yc o n v o l u t i o n a ln e t w o r k sf o rs e m a n t i cs e g m e n t a t i o n[C]．P r o c e e d i n g so f t h e I E E E C o n f e r e n c eo nC o m p u t e rV i s i o na n d P a t t e r nR e c o g n i t i o n,２０１５:３４３１Ｇ３４４０．[１６]㊀C H E N LC,P A P A N D R E O U G,K O K K I N O SI,e ta l．．D e e p l a b:S e m a n t i c i m a g e s e g m e n t a t i o nw i t hd e e p c o n v o l u t i o n a ln e t s,a t r o u sc o n v o l u t i o n,a n d f u l l y c o n n e c t e d c r f s[J]．I E E E t r a n s a c t i o n s o np a t t e r na n a l y s i sa n d m a c h i n e i n t e l l i g e n c e,２０１７,４０(４):８３４Ｇ８４８．[１７]㊀C H E N LC,P A P A N D R E O U G,K O K K I N O SI,e ta l．．S e m a n t i ci m a g es e g m e n t a t i o n w i t h d e e pc o n v o l u t i o n a ln e t sa n df u l l y c o n n e c t e dc r f s[J]．a r X i v p r e p r i n t a r X i v:１４１２．７０６２,２０１４．[１８]㊀K R I Z H E V S K Y A,S U T S K E V E RI,H I N T O N G E．I m a g e n e t c l a s s i f i c a t i o nw i t hd e e p c o n v o l u t i o n a ln e u r a l n e t w o r k s[C]．A d v a n c e s i nn e u r a l i n f o rＧm a t i o n p r o c e s s i n g s y s t e m s,２０１２:１０９７Ｇ１１０５．[１９]㊀潘仙张,张石清,郭文平．多模深度卷积神经网络应用于视频表情识别[J]．光学精密工程,２０１９,２７(４):９６３Ｇ９７０．P A N XZ H,Z HA N GS H Q,G U O W P．V i d e oＧb a s e d f ac i a l e x p r e s s i o nr e c o g n i t i o nu s i n g m u l t i m oＧd a l de e p c o n v o l u t i o n a l n e u r a l[J]．O p t．P r e c i s i o nE n g．,２０１９,２７(４):９６３Ｇ９７０．(i nC h i n e s e) [２０]㊀S A I N A T H T N,MO HAM E D A,K I N G S B U R Y B,e t a l．．D e e p c o n v o l u t i o n a l n e u r a l n e t w o r k s f o rL V C S R[C]．２０１３I E E EI n t e r n a t i o n a lC o n f e rＧe n c e o nA c o u s t i c s,S p e e c h a n dS i g n a lP r o c e s s i n g,I E E E,２０１３:８６１４Ｇ８６１８．[２１]㊀G R A V E S A,MO HAM E D A,H I N T O N G．S p e e c hr e c o g n i t i o n w i t h d e e p r e c u r r e n t n e u r a ln e t w o r k s[C]．２０１３I E E EI n t e r n a t i o n a lC o nＧf e r e n c eo n A c o u s t i c s,S p e e c ha n d S ig n a lP r oＧc e s s i n g,I E E E,２０１３:６６４５Ｇ６６４９．[２２]㊀G．L I N,C．S H E N,I．R E I D,A．v a nd a n H e nＧg e l．E f f i c i e n t p i e c e w i s eo fd e e p s t r u c t u r e d m o d e l sf o rs e m a n t i cs eg m e n t a t i o n[J]．A r X i v P r e p r i n tA r X i v:１５０４．０１０１３,２０１５．５７１１第５期㊀㊀㊀㊀陈彦彤,等:基于深度语义分割的多源遥感图像海面溢油监测[２３]㊀D E S MA I S O N A ,B U N E L R ,K O H L IP ,e t a l ．．E f f i c i e n tc o n t i n u o u s r e l a x a t i o n s f o r d e n s e C R F[C ]．E u r o p e a nC o n f e r e n c eo nC o m pu t e rV i s i o n ,S p r i n g e r ,C h a m ,２０１６:８１８Ｇ８３３．[２４]㊀WA N G P ,C H E N P ,Y U A N Y ,e t a l ．．U n d e r Ｇs t a n d i n g c o n v o l u t i o n f o r s e m a n t i c s e g m e n t a t i o n [C ]．２０１８I E E E W i n t e rC o n f e r e n c eo nA p pl i c a Ｇt i o n s o f C o m p u t e r V i s i o n (WA C V ),I E E E ,２０１８:１４５１Ｇ１４６０．[２５]㊀X I A N Y ,C H O U D HU R Y S ,H E Y ,e t a l ．．S e Ｇm a n t i c p r o je c t i o n n e t w o r kf o rz e r o Ｇa n df e w Ｇl a b e l s e m a n t i cs eg m e n t a t i o n [C ]．P r o c e e d i n g so f th e I E E E C o n f e r e n c eo n C o m pu t e r V i s i o na n d P a t Ｇt e r nR e c o gn i t i o n ,２０１９:８２５６Ｇ８２６５．[２６]㊀Z Y A N ,H Z HA N G ,YJ I A ,e t a l ．．C o m b i n i n gt h eb e s t o f c o n v o l u t i o n a l l a y e r sa n dr e c u r r e n t l a y Ｇe r s :A h y b r i dn e t w o r kf o rs e m a n t i cs e gm e n t a t i o n [J ]．A r X i vP r e p r i n tA r X i v :１６０３．０４８７１,２０１６．[２７]㊀A A R N A B ,SJ A Y A S UMA N A ,SZ H E N G ,P ．T o r r ．H i gh e r o r d e r p o t e n t i a l s i ne n d Ｇt o Ｇe n d t r a i n Ｇa b l e c o n d i t i o n a lr a n d o m f i e l d s [J ]．A r X i v P r e Ｇpr i n tA r X i v :１５１１．０８１１９,２０１５．作者简介:㊀陈彦彤(１９８９－),男,辽宁沈阳人,讲师,硕士生导师,２０１２年于吉林大学获得学士学位,２０１７年于中国科学院长春光学精密机械与物理研究所获得博士学位,主要从事遥感图像处理及目标识别方面的研究.E Ｇm a i l :c h e n ya n Ｇt o n g１＠y e a h ．n et ㊀李雨阳(１９９５－),女,辽宁辽阳人,硕士研究生,２０１７年于大连海洋大学获得学士学位,主要从事遥感图像㊁目标识别处理等方面的研究.E Ｇm a i l:l y y７９０８１９＠１６３．c o m ６７１１㊀㊀㊀㊀㊀光学㊀精密工程㊀㊀㊀㊀㊀第２８卷㊀。
基于星载SAR和AIS构建海面溢油监测方法
基于星载SAR和AIS构建海面溢油监测方法邴磊;邹娜娜;过杰;丛旭东;林勐;史湘君【摘要】In recent years,the frequent occurrence of marine oil spill accidents give a serious threat to marine environment and transportation safety.Satellite remote sensing,especially Synthetic Aperture Radar (SAR)is considered as a powerful tool to be used for marine oil spill monitoring.Because of the complexity of the imaging features,it is difficult to detect oil spills based on SAR images itself.In this paper,we focuse on identification technology of oil spills by using spaceborne SAR images and AIS.Then,discusses method of extracting the scope and area of pollution automatically by using edge detection algorithm.A case study of Radarsat-2 was discussed finally.The results show that this method was proved to be effec-tive on SAR images in improving accuracy of oil spill detection.%溢油事故对海洋环境造成的危害越来越严重，多种遥感技术被应用于海洋环境的监测，卫星遥感技术，特别是合成孔径雷达（SAR）遥感技术已成为海面溢油监测的重要手段；但由于海面溢油成像特征的复杂性，单一的遥感识别仍然存在较大难度。
基于遥感与地理信息技术的海洋环境监测与预警研究
基于遥感与地理信息技术的海洋环境监测与预警研究海洋环境是全球生态系统的重要组成部分，对于维护生物多样性和人类的持续发展至关重要。
由于海洋环境的广阔、复杂和多变性，传统的监测方法往往面临困难和限制。
为了更好地了解和预测海洋环境的动态变化，基于遥感与地理信息技术的海洋环境监测与预警研究应运而生。
遥感技术通过获取卫星、飞机或无人机传感器所获取的数据，提供了全球范围内海洋环境信息的大规模、连续和多元化观测手段。
遥感数据可以提供海洋表面温度、叶绿素浓度、浮游生物的空间分布和海洋污染物的监测等。
地理信息技术则通过集成、处理和分析遥感数据，构建海洋环境数据库，并以地理信息系统（GIS）为支撑，实现海洋环境的可视化和综合分析。
首先，通过遥感技术获取的海洋表面温度数据可以用于海洋环流的监测与预测。
海洋表面温度是海洋热环流的重要参数，能够反映海洋的热力变化和水文动态。
基于遥感图像的分析和计算，可以及时了解到海洋中的温度异常，通过对异常温度的解读，可以预测到可能出现的气候异常，为海洋管理和气象灾害预警提供重要参考依据。
其次，通过遥感技术获取的叶绿素浓度数据可以用于海洋生态系统的监测与评估。
叶绿素是海洋中生物活动的重要指标，可以反映海洋的营养状况和水体富营养化程度。
遥感数据的处理和分析能够获取海洋中叶绿素浓度的空间分布，进而评估海洋生态系统的健康状况。
基于这些信息，可以及时采取措施保护海洋生物多样性，防止海洋生态系统崩溃。
此外，遥感技术还可以用于海洋污染物的监测与评估。
海洋污染物的存在会对海洋生态环境和人类健康造成严重影响。
利用遥感技术，可以获取海洋中有机物、悬浮沉积物和油污等污染物的空间分布和变化趋势，进而评估海洋污染的程度和影响范围。
这为相关部门制定环境保护政策和应对海洋环境突发事件提供了科学依据。
总之，基于遥感与地理信息技术的海洋环境监测与预警研究在实践中具有重要意义。
通过遥感技术的应用与发展，我们可以更全面、及时、高效地了解海洋环境的动态变化，并基于地理信息技术进行数据分析和空间模拟，以提供更好的海洋环境监测与预警服务。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
基于遥感数据的集成海洋溢油检测系统
池明旻1, 孙众毅1, 林涛1, 申金晟1,陈峰科1, 柳思聪1, Jon Atli Benediktsson2,
Antonio Plaza3
1.复旦大学计算机科学技术学院, 上海市数据科学重点实验室, 电磁波信息科
学教育部重点实验室, 张衡路825号, 上海, 中国
2.电子与计算机工程系, 冰岛大学, 雷克雅未克, 冰岛
3.高光谱计算实验室, 埃斯特雷马杜拉大学,卡塞雷斯, 西班牙
随着海洋原油开采与国际航运的发展，海洋溢油事件也急剧增加。
因而，亟需开发一个依托于遥感图像的海洋溢油自动检测系统。
本项目开发了一套基于遥感数据的海洋溢油检测集成处理系统，包括数据预处理、分类器、聚类算法、变化检测和数据可视化等。
从美国墨西哥湾与中国渤海湾分别采集到不同数据源的遥感数据，如Modis、Meris等。
为了有效检测海洋溢油，本系统包括数据预处理、特征提取、分类聚类算法、变化检测和结果可视化等模块。
在系统的数据处理前端，数据预处理模块包括了地理校正和数据正则化。
为了选择具有代表性的特征，系统集成了特征提取算法，比如Gabor纹理、深度神经网络、颜色和边缘的方向性描述符（CEDD）和Tamura 纹理等。
系统还支持两种最为广泛使用的有监督分类器，即逻辑回归（LR）和支持向量机（SVM）。
为了减少在准备标记数据时的工作量，系统提供了一个实用的手工标记数据工具。
聚类部分采用KMeans算法，KMeans算法可以在单机CPU上实现，也可在分布式系统上实现，比如Hadoop。
系统还包括一系列高级变化检测算法，基于多时相的遥感图像自动分析检测海上溢油区域。
最后，系统包含数据可视化工具以更好展示实验结果。