| 【中文题名】 | 基于面向对象的海洋溢油检测的研究 |
| 【英文题名】 | A Study of Marine Spilled Oil Detected Based on Orient Object |
| 【学科专业】 | 计算机应用技术 |
| 【论文级别】 | 硕士论文 |
| 【投稿时间】 | 2007-6-4 |
| 【中关键词】 | 面向对象溢油识别,图像处理,神经网络,纹理分析,合成孔径雷达, |
| 【英关键词】 | Orient-object oil spill detection,image processing,Neural Network,Texture Analysis,Synthetic Aperture Radar （SAR）, |
| 【分类导航】 | 工业技术>自动化技术、计算机技术>自动化技术及设备>自动化系统>数据处理、数据处理系统>集中检测与巡回检测系统 |
| 【论文摘要】 | 溢油是严重的海洋生态环境灾害之一。合成孔径雷达(Synthetic Aperture Radar，SAR)图像已经被广泛的应用在海上溢油监测中。传统的SAR图像识别溢油一般使用全幅扫描识别方法。该方法不仅识别精度较低而且在识别的时间和所需的资源等性能方面也远达不到实用要求。因此，本文提出了一种面向溢油对象的识别方法，该方法不仅大大提高了溢油识别的精度，也显著地减少了识别时间和所需占用的系统资源，从而为海面溢油的实时检测打下了良好的基础。
为了精确分类SAR溢油图像，本文首先对SAR图像进行增强、取反以及二值化等预处理，然后提取并显示疑似溢油对象。通过对每一个疑似溢油对象的分析，最终显示溢油图像识别结果。考虑到神经网络具有自组织、自学习、自适应和联想能力等优点，本文使用神经网络结合纹理分析的方法来分类溢油图像。对比BP、Hopfiekld、ART-1以及RBF等神经网络模型对SAR溢油图像的识别效果和分类精度的分析，本文最终选用RBF神经网络实现溢油识别。纹理分析阶段本文使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。
本文最后... |
| 【论文题纲】 |
|
摘要 |
5-6 |
|
Abstract |
6-9 |
|
第1章 绪论 |
9-16 |
|
1.1 课题的引出 |
9 |
|
1.2 国内外海面溢油监测方法综述 |
9-11 |
|
1.2.1 航空遥感监测 |
9-10 |
|
1.2.2 卫星遥感监测 |
10-11 |
|
1.3 国内外海面溢油识别方法综述 |
11-15 |
|
1.3.1 自动分类 |
12-13 |
|
1.3.2 纹理特征分析 |
13 |
|
1.3.3 图像分割 |
13-14 |
|
1.3.4 面向对象的遥感信息提取 |
14-15 |
|
1.4 本文研究的方法和思路 |
15-16 |
|
第2章 SAR卫星图像特征分析 |
16-20 |
|
2.1 星载合成孔径雷达的成像机理 |
16 |
|
2.2 合成孔径雷达图像的特点 |
16-20 |
|
第3章 SAR溢油图像预处理 |
20-28 |
|
3.1 图像增强与图像取反 |
20-23 |
|
3.2 图像二值化 |
23-28 |
|
3.2.1 双峰法 |
23-24 |
|
3.2.2 迭代法 |
24-25 |
|
3.2.3 简单统计法 |
25 |
|
3.2.4 最大类间方差法(OTSU法) |
25-26 |
|
3.2.5 几种阀值选取方法的分析比较 |
26-28 |
|
第4章 SAR溢油图像对象的提取 |
28-36 |
|
4.1 连通分量的提取 |
28-30 |
|
4.2 去除小对象 |
30-32 |
|
4.3 选取对象识别块 |
32-36 |
|
第5章 SAR溢油图像特征提取 |
36-41 |
|
5.1 纹理特征的提取方法 |
36-41 |
|
5.1.1 基于图像灰度直方图的特征提取 |
36-37 |
|
5.1.2 基于图像灰度差值直方图的特征提取 |
37-38 |
|
5.1.3 基于图像灰度共生矩阵的特征提取 |
38-41 |
|
第6章 人工神经网络 |
41-48 |
|
6.1 多层前向神经网络MLFN |
41-42 |
|
6.2 自组织神经网络—SOM和ART |
42-44 |
|
6.3 Hopfield神经网络 |
44-46 |
|
6.4 RBF神经网络 |
46-48 |
|
第7章 基于SAR溢油对象的海面溢油识别系统的实现 |
48-52 |
|
7.1 开发工具的选择与设置 |
48 |
|
7.2 基于SAR溢油对象的海面溢油识别系统结构模型 |
48 |
|
7.3 SAR图像预处理 |
48-49 |
|
7.4 SAR图像中检测对象的提取 |
49 |
|
7.5 查找对象中心点 |
49 |
|
7.6 选取识别块 |
49-51 |
|
7.7 建立RBF神经网络 |
51 |
|
7.8 对象纹理识别 |
51-52 |
|
第8章 系统测试结果评估与进一步工作分析 |
52-58 |
|
8.1 系统测试结果评估 |
52-56 |
|
8.2 进一步工作分析 |
56-58 |
|
参考文献 |
58-61 |
|
攻读学位期间公开发表论文 |
61-62 |
|
致谢 |
62-63 |
|
研究生履历 |
63 |
|
| 【DOI】 | LunWen.ID:2.2008.383210 |
