海上溢油事頻發(fā)，這已受到人們的高度關(guān)注。然而，傳統(tǒng)的監(jiān)測(cè)手段難以滿足大面積、實(shí)時(shí)監(jiān)測(cè)的要求。星載合成孔徑雷達(dá)（SyntheticAperture Radar, SAR），具有全天時(shí)、全天候的工作能力，已經(jīng)被眾多專家認(rèn)為是最適合探測(cè)海面溢油的遙感器。 在SAR影像中常常出現(xiàn)“類油膜”現(xiàn)象，如何有效區(qū)分油膜和類油膜，對(duì)提升溢油檢測(cè)具有重要意義。本文利用EnvisatASAR影像，對(duì)2010年美國(guó)墨西哥灣溢油進(jìn)行了特征分析。找出145個(gè)油膜和134個(gè)類油膜樣本，綜合分析了其形狀特征、物理特征和紋理特征。經(jīng)過(guò)分析，發(fā)現(xiàn)幾何特征和物理特征比紋理特征更適合溢油和類油膜的區(qū)分。 SAR影像中存在斑點(diǎn)噪聲，因此，相比于基于像素的圖像處理方法，面向?qū)ο螅ɑ蚧趯?duì)象）的方法可以收到更為滿意的效果。本文發(fā)展了一種基于凝聚層次聚類的溢油SAR圖像分割算法。該算法可以有效保持SAR影像中暗斑的形狀和邊緣特征；另外，該算法的多尺度特性可以使其將不同尺度的暗斑精確地分割出來(lái)，因此適用于SAR影像中不同尺度暗斑的分割。 利用溢油和類油膜特征分析的結(jié)果，本文建立了一種基于模糊邏輯（FuzzyLogic，F(xiàn)L）的溢油檢測(cè)...

【文章頁(yè)數(shù)】：126 頁(yè)

【學(xué)位級(jí)別】：碩士

【部分圖文】：

圖2.12010年墨西哥灣溢油事故影響區(qū)域

SAR溢油特征分析國(guó)國(guó)家海洋和大氣管理局（NOAA）主要負(fù)責(zé)對(duì)墨西哥灣溢油事故理，其官方網(wǎng)站（www.noaa.gov/deepwaterhorizon/maps/traj_map溢油位置專題圖[2]。本文對(duì)SAR影像中油膜與類油膜的鑒別，就所提供的溢油專題圖數(shù)據(jù)進(jìn)行的。圖....

圖2.2NOAA官網(wǎng)提供的墨西哥灣溢油位置專題圖（NOAA）

圖2.2NOAA官網(wǎng)提供的墨西哥灣溢油位置專題圖（NOAA）2.1.2油膜與類油膜特征提取對(duì)SAR影像進(jìn)行輻射定標(biāo)后，得到后向散射系數(shù)（σ0）圖像，之后對(duì)其進(jìn)行分割處理，得到暗斑，再提取其特征。圖2.3顯示了暗斑樣本，包括油膜與三種SAR影像中常見(jiàn)的類油膜，....

圖2.3油膜與類油膜樣本

圖2.4暗斑分割結(jié)果示例，圖像尺寸：338×352；分割參數(shù)：形狀參數(shù)0.1，緊湊性參數(shù)0.5，尺度參數(shù)1502.2SAR暗斑特征在SAR影像中，油膜通常以暗區(qū)域呈現(xiàn)。但一些其他現(xiàn)象，如低風(fēng)速區(qū)、鋒面、近岸背風(fēng)區(qū)、內(nèi)波、雨團(tuán)、生物油膜以及油脂冰等，也會(huì)以暗斑的形....

圖2.4暗斑分割結(jié)果示例，圖像尺寸：338×352；分割參數(shù)：形狀參數(shù)0.1，緊湊性參數(shù)0.5，尺度參數(shù)150

34圖3.2HAC分割算法的演化過(guò)程3.1.5斑塊異質(zhì)性在進(jìn)行聚類分割時(shí)，需要建立一個(gè)標(biāo)準(zhǔn)，來(lái)考察兩個(gè)斑塊是否適合合并。圖像斑塊的異質(zhì)性，描述了圖像斑塊形狀和灰度的特征，非常適合用作圖像斑塊合并的標(biāo)準(zhǔn)。圖像斑塊的異質(zhì)性包含兩個(gè)部分[49]：灰度異質(zhì)性和形狀異質(zhì)性�；叶犬愘|(zhì)....

本文編號(hào)：3997564