利用Mahalanobis距离的SAR图像溢油识别

计算机工程与应用 ›› 2011, Vol. 47 ›› Issue (18): 195-197.

• 图形、图像、模式识别 • 上一篇下一篇

利用Mahalanobis距离的SAR图像溢油识别

周慧1，陈澎2

1.大连东软信息学院计算机科学与技术系，辽宁大连 116023
2.大连海事大学环境科学与工程学院，辽宁大连 116023

收稿日期:1900-01-01 修回日期:1900-01-01 出版日期:2011-06-21 发布日期:2011-06-21

Oil spills identification in SAR image using Mahalanobis distance

ZHOU Hui1，CHEN Peng2

1.Department of Computer Science，Dalian Neusoft Information University，Dalian，Liaoning 116023，China
2.College of Environmental Science and Engineering，Dalian Maritime University，Dalian，Liaoning 116023，China

Received:1900-01-01 Revised:1900-01-01 Online:2011-06-21 Published:2011-06-21

摘要/Abstract

摘要： 利用合成孔径雷达（SAR）可在日夜及全天候条件下进行高分辨率溢油监测的优点，提出了一种基于特征向量的SAR图像溢油识别方法。在暗区边界确定的SAR图像中进行量算，得到特征向量，并采用Mahalanobis距离对目标物进行识别。经实验验证，选取的特征值数量合理，且对于判定是否为溢油效果明显;利用Mahalanobis距离进行判别，算法清晰，且准确率达到96%以上;与其他溢油判定方法相比，附加条件较少，且利于在计算机上编程实现。

关键词: 合成孔径雷达（SAR）图像, 溢油, 特征向量, Mahalanobis距离

Abstract: A method on feature vector of the oil spills identification in SAR images is proposed，The advantages of Synthetic Aperture Radar（SAR） are useful，which can work on day and night and all weather conditions for high resolution monitoring of oil spills.The Mahalanobis distance approach has been developed in order to evaluate the probability that a dark area is a slick on SAR images.The experimental verification，a small number of characteristic values has been selected in the paper for that oil spills is significant.The algorithm of Mahalanobis distance discrimination is clear，and the accuracy rate reaches 96% or more.Compare to other oil spills determine methods，this approach appends less conditions and is conducive to computer programming.

Key words: Synthetic Aperture Radar（SAR） image, oil spill, feature vector, Mahalanobis distance

周慧1，陈澎2. 利用Mahalanobis距离的SAR图像溢油识别[J]. 计算机工程与应用, 2011, 47(18): 195-197.

ZHOU Hui1，CHEN Peng2. Oil spills identification in SAR image using Mahalanobis distance[J]. Computer Engineering and Applications, 2011, 47(18): 195-197.

[1]	范文兵，孙志远. 基于小波域广义高斯分布的SAR图像分割算法[J]. 计算机工程与应用, 2020, 56(5): 222-226.
[2]	钱满，张向阳，李仁昌. 改进卷积神经网络SAR图像去噪算法[J]. 计算机工程与应用, 2020, 56(14): 176-182.
[3]	朱洪峰，熊伟，崔亚奇，吕亚飞. 新的自适应转弯模型的IMM算法研究[J]. 计算机工程与应用, 2019, 55(17): 252-258.
[4]	朱大勇1，2，郭星1，2，吴建国1，2. 基于kinect三维骨骼节点的动作识别方法[J]. 计算机工程与应用, 2018, 54(20): 152-158.
[5]	刘学博，李灯熬，赵菊敏，廖述剑. 基于变步长支持向量机的J波自动检测方法[J]. 计算机工程与应用, 2017, 53(23): 203-207.
[6]	曲朝阳1，陈贺新1，胡可为2，刘耀伟3，独健鸿4. 基于Spark的电力调度数据整合模型[J]. 计算机工程与应用, 2017, 53(19): 65-70.
[7]	林卉1，于瑞鹏2，王李娟1，邵聪颖1. 基于特征向量的遥感影像自动分类研究[J]. 计算机工程与应用, 2017, 53(16): 177-181.
[8]	黄凯1，关鑫璞2，李禹1. SAR图像幅度关联去斑算法[J]. 计算机工程与应用, 2016, 52(3): 133-138.
[9]	肖红光1，文俊1，陈立福2，史长琼1. 一种新的高分辨率SAR图像道路提取算法[J]. 计算机工程与应用, 2016, 52(15): 198-202.
[10]	徐旭1，2，张风丽1，王国军1，2，周良将3，邵芸1，梁兴东3. 基于高亮模型匹配的SAR建筑物高度反演方法[J]. 计算机工程与应用, 2015, 51(6): 129-133.
[11]	谢涛1，2，何怡刚3，李珩4. 模拟电路故障诊断新方法[J]. 计算机工程与应用, 2015, 51(21): 52-57.
[12]	张森，余剑峰，俞琳，张杰. 基于图论的飞机典型装配工艺数据挖掘方法[J]. 计算机工程与应用, 2015, 51(20): 116-119.
[13]	谢文娜，乔平安，潘晓英. 基于多智能体遗传的SAR图像变化检测[J]. 计算机工程与应用, 2015, 51(20): 162-166.
[14]	王娅丹，李鹏，金瑜，刘宇. 标签共现的标签聚类算法研究[J]. 计算机工程与应用, 2015, 51(2): 146-150.
[15]	赵爱芳，裴东，王全州，杨鸿武，安占福. 复杂环境中多信息融合的手势识别[J]. 计算机工程与应用, 2014, 50(5): 180-184.

利用Mahalanobis距离的SAR图像溢油识别

Oil spills identification in SAR image using Mahalanobis distance

PDF

可视化

摘要/Abstract

引用本文

使用本文

参考文献

相关文章 15

编辑推荐

Metrics