为了克服传统马尔可夫随机场模型在海洋溢油识别中对合成孔径雷达(Synthetic Aperture Radar,SAR)图像相干斑噪声高敏感性以及溢油边界识别模糊等问题,文章提出一种超像素尺度下边缘约束隐马尔可夫随机场(Hidden Markov Random Fields,H...为了克服传统马尔可夫随机场模型在海洋溢油识别中对合成孔径雷达(Synthetic Aperture Radar,SAR)图像相干斑噪声高敏感性以及溢油边界识别模糊等问题,文章提出一种超像素尺度下边缘约束隐马尔可夫随机场(Hidden Markov Random Fields,HMRF)的SAR图像溢油识别算法(Edge-Corrected HMRF at the Super-Pixel Scale,SE-HMRF)。利用简单线性迭代聚类(Simple Linear Iterative Clustering,SLIC)对SAR图像进行超像素分割,克服SAR图像中相干斑噪声的影响。为了提高溢油识别的准确性,在超像素分割基础上构建HMRF描述图像的空间关系,根据贝叶斯定理将溢油识别问题转化为能量函数最小化问题;为了克服SLIC对溢油边缘过分割或欠分割,将溢油边缘信息引入到能量函数中约束溢油识别结果。为了验证本文提出算法对溢油识别的准确性,选取Sentinel-1卫星SAR图像进行对比实验,本文提出算法溢油识别结果的Kappa系数和概率兰德指数分别达到0.951和0.954,全局一致性误差仅为0.024,定性评价与定量评价的结果均优于对比算法,说明文章提出算法能够在保持识别效率的同时获得准确的溢油识别结果。展开更多
文摘为了克服传统马尔可夫随机场模型在海洋溢油识别中对合成孔径雷达(Synthetic Aperture Radar,SAR)图像相干斑噪声高敏感性以及溢油边界识别模糊等问题,文章提出一种超像素尺度下边缘约束隐马尔可夫随机场(Hidden Markov Random Fields,HMRF)的SAR图像溢油识别算法(Edge-Corrected HMRF at the Super-Pixel Scale,SE-HMRF)。利用简单线性迭代聚类(Simple Linear Iterative Clustering,SLIC)对SAR图像进行超像素分割,克服SAR图像中相干斑噪声的影响。为了提高溢油识别的准确性,在超像素分割基础上构建HMRF描述图像的空间关系,根据贝叶斯定理将溢油识别问题转化为能量函数最小化问题;为了克服SLIC对溢油边缘过分割或欠分割,将溢油边缘信息引入到能量函数中约束溢油识别结果。为了验证本文提出算法对溢油识别的准确性,选取Sentinel-1卫星SAR图像进行对比实验,本文提出算法溢油识别结果的Kappa系数和概率兰德指数分别达到0.951和0.954,全局一致性误差仅为0.024,定性评价与定量评价的结果均优于对比算法,说明文章提出算法能够在保持识别效率的同时获得准确的溢油识别结果。
