Nội dung được dịch bởi AI, chỉ mang tính chất tham khảo
Phương pháp phát hiện dầu tràn mới từ hình ảnh radar xuyên hồng ngoại thông qua phân rã chế độ thực nghiệm hai chiều
Tóm tắt
Sự cố tràn dầu là một mối đe dọa lớn đối với các hệ sinh thái đại dương và sức khỏe của chúng. Các cảm biến radar xuyên hồng ngoại (SAR) có khả năng phát hiện sự cố tràn dầu trên bề mặt biển. Những vụ tràn dầu này xuất hiện dưới dạng các đốm tối trong hình ảnh SAR. Tuy nhiên, các hình thái tối có thể được gây ra bởi một số hiện tượng khác nhau. Mục tiêu là phân biệt các vụ tràn dầu hoặc các đối tượng tương tự. Một phương pháp mới dựa trên phân rã chế độ thực nghiệm hai chiều được đề xuất. Các hình thái tối được chọn trước tiên được phân rã thành một số chức năng chế độ nội tại hai chiều và phần dư. Tiếp theo, các tập hợp đặc trưng 64 chiều được tính toán bằng cách sử dụng phân tích phổ Hilbert và năm đặc trưng mới được trích xuất bằng thuật toán giảm thiểu. Độ đo Mahalanobis sau đó được sử dụng cho phân loại. Ba tập dữ liệu chứa các vụ tràn dầu hoặc các vật thể tương tự được sử dụng để kiểm tra tỷ lệ chính xác của phương pháp. Tỷ lệ chính xác đạt hơn 90%. Kết quả thực nghiệm chứng minh rằng phương pháp mới có khả năng phát hiện dầu tràn một cách hợp lệ và chính xác.
Từ khóa
#dầu tràn #radar xuyên hồng ngoại #phân rã chế độ thực nghiệm #phân loại #độ đo MahalanobisTài liệu tham khảo
Bern T I, Wahl T, Andersen T, et al. 1993. Oil spill detection using satellite based SAR: experience from a field experiment. Photogrammetric Engineering and Remote Sensing, 59(3): 423–428
Brekke C, Solberg A H S. 2005. Oil spill detection by satellite remote sensing. Remote Sensing of Environment, 95(1): 1–13
Chaudhuri D, Samal A, Agrawal A, et al. 2012. A statistical approach for automatic detection of ocean disturbance features from SAR images. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, 5(4): 1231–1242
Chen Lu, Li Xiuxiu, Lin Yimao, et al. 2012. Texture classification based on feature extraction with BEMD and LBP. Computer Applications and Software (in Chinese), 29(9): 243–245
Chen Zhong, Luo Song, Xie Ting, et al. 2014. A novel infrared small target detection method based on BEMD and local inverse entropy. Infrared Physics & Technology, 66: 114–124
Cheng Yongcun, Li Xiaofeng, Xu Qing, et al. 2011. SAR observation and model tracking of an oil spill event in coastal waters. Marine Pollution Bulletin, 62(2): 350–363
Dong Shiwei, Zhou Ziyong, Wen Baihong. 2010. Feature extraction of offshore oil slick from hyperspectral data based on EMD and neural network. Remote Sensing Technology and Application, 25(2): 221–226
Frate F D, Petrocchi A, Lichtenegger J, et al. 2000. Neural networks for oil spill detection using ERS-SAR data. IEEE Transactions on Geoscience and Remote Sensing, 38(5): 2282–2287
Guo Yue, Zhang Hengzhen. 2014. Oil spill detection using synthetic aperture radar images and feature selection in shape space. International Journal of Applied Earth Observation and Geoinformation, 30: 146–157
He Zhi, Wang Qiang, Shen Yi, et al. 2013. Multivariate gray modelbased BEMD for hyperspectral image classification. IEEE Transactions on Instrumentation and Measurement, 62(5): 889–904
Kira K, Rendell L A. 1992. The feature selection problem: traditional methods and a new algorithm. Tenth National Conference on Artificial Intelligence. California: AAAI Press, 129–134
Liu Zhongxuan, Peng Silong. 2005. Directional EMD and its application to texture segmentation. Science in China Series: F. Information Sciences, 48(3): 354–365
Marghany M. 2015. Automatic detection of oil spills in the Gulf of Mexico from RADARSAT-2 SAR satellite data. Environmental Earth Sciences, 74(7): 5935–5947
Nirchio F, Sorgente M, Giancaspro A, et al. 2005. Automatic detection of oil spills from SAR images. International Journal of Remote Sensing, 26(6): 1157–1174
Nunes J C, Bouaoune Y, Delechelle E, et al. 2003. Image analysis by bidimensional empirical mode decomposition. Image and Vision Computing, 21(12): 1019–1026
Nunes J C, Guyot S, Deléchelle E. 2005. Texture analysis based on local analysis of the bidimensional empirical mode decomposition. Machine Vision and Applications, 16(3): 177–188
Nunziata F, Migliaccio M, Gambardella A. 2011. Pedestal height for sea oil slick observation. IET Radar, Sonar & Navigation, 5(2): 103–110
Pavlakis P, Sieber A J, Alexandry S. 1996. Monitoring oil-spill pollution in the Mediterranean with ERS SAR. ESA Earth Observation Quarterly, 52: 1–6
Salberg A B, Rudjord O, Solberg A H S. 2014. Oil spill detection in hybrid- polarimetric SAR images. IEEE Transactions on Geoscience and Remote Sensing, 52(10): 6521–6533
Skrunes S, Brekke C, Eltoft T. 2014. Characterization of marine surface slicks by Radarsat-2 multipolarization features. IEEE Transactions on Geoscience and Remote Sensing, 52(9): 5302–5319
Solberg A H S. 2012. Remote sensing of ocean oil-spill pollution. Proceedings of the IEEE, 100(10): 2931–2945
Topouzelis K N. 2008. Oil spill detection by SAR images: dark formation detection, feature extraction and classification algorithms. Sensors, 8(10): 6642–6659
Zhang Fengli, Shao Yun, Tian Wei, et al. 2008. Oil spill identification based on textural information of SAR image. IEEE Geoscience and Remote Sensing Symposium, 5: 1308–1311
Zheng Quanan, Zhao Qing, Nan W, et al. 2010. Oil spill in the Gulf of Mexico and spiral vortex. Acta Oceanologica Sinica, 29(4): 1–2