本发明专利技术公开了一种基于特征融合和遗传算法的航海雷达油膜检测方法及系统，涉及海洋防灾减灾技术领域，用以解决现有检测方法检测效率低和检测准确率低的问题。本发明专利技术的技术要点包括：将预处理后的图像进行切割，获取多个切片图像；提取每个切片图像的Tamura纹理特征；采用因子分析方法，对每个切片图像的Tamura纹理特征进行融合，获取融合后的特征；将融合后的特征输入预先训练好的分类器中进行分类，获取溢油检测有效区域；利用改进的遗传算法对溢油检测有效区域进行分割，获取油膜提取结果。本发明专利技术将纹理特征融合与机器学习优化技术相结合，降低了特征维度，实现了油膜的精确分割。本发明专利技术可为海上溢油事件的清污行动和损害评估提供重要的数据支持。
【技术实现步骤摘要】
本专利技术涉及海洋防灾减灾，具体涉及一种基于特征融合和遗传算法的航海雷达油膜检测方法及系统。
技术介绍
1、航运是全球贸易和经济发展的重要驱动力，承担着全球80%以上的贸易运输量。随着经济全球化的全面发展，航运业的地位日益凸显。它不仅促进了全球商品和服务的流通，还在全球供应链的稳定性和效率方面发挥着关键作用。海上运输过程中发生的事故，如船舶碰撞、搁浅、操作失误、船体老化或极端天气条件，都可能导致石油或石油产品泄漏入海。这类事故不仅严重威胁海洋生态系统的健康、降低生物多样性、破坏渔业资源、对人类健康构成威胁、对沿海城市的经济产生负面影响，还会带来长期的环境问题。因此，对海洋溢油灾害的预防和减轻技术进行深入研究显得尤为重要。
2、溢油监测技术对于及时清理油污和准确评估生态环境损害至关重要。它包括漏油动态监测、油膜漂移和扩散追踪、溢油风化监测以及对生态系统影响的评估。这些研究不仅加深了对溢油事故潜在后果的理解，而且对于制定预防措施和优化应急响应策略具有重要的实用价值。此外，溢油监测技术还可以为国际海事组织（imo）制定相关公约和法规提供重要的科学依据和法律参考。
技术实现思路
1、鉴于以上问题，本专利技术提出一种基于特征融合和遗传算法的航海雷达油膜检测方法及系统，用以解决现有检测方法检测效率低和检测准确率低的问题。
2、根据本专利技术的一方面，提出一种基于特征融合和遗传算法的航海雷达油膜检测方法，该方法包括以下步骤：
3、获取航海雷达图像数据；
4、对所述航海雷达图像数据进行预处理，获取预处理后的图像；
5、将预处理后的图像进行切割，获取多个切片图像；
6、提取每个切片图像的tamura纹理特征；
7、采用因子分析方法，对每个切片图像的tamura纹理特征进行融合，获取融合后的特征；
8、将融合后的特征输入预先训练好的分类器中进行分类，获取溢油检测有效区域；
9、利用改进的遗传算法对溢油检测有效区域进行分割，获取油膜提取结果。
10、在其中一种可能的实现方式中，所述tamura纹理特征包括粗糙度特征、对比度特征、方向性特征、线性度特征。
11、在其中一种可能的实现方式中，所述粗糙度特征的计算公式为：
12、；
13、式中，
m表示图像高度方向的像素数量，
n表示图像宽度方向的像素数量；
s
best (
i,
j) = 2
l，
l表示像素点
(i, j)在水平方向和垂直方向上非重叠相邻窗口的平均强度差的最大值所对应的尺寸。
14、在其中一种可能的实现方式中，所述对比度特征的计算公式为：
15、；
16、式中，表示标准差；表示切片图像的四阶矩；，
n表示切片图像的边长，表示像素点
(i, j)位置对应的像素值，表示切片图像灰度中值。
17、在其中一种可能的实现方式中，所述方向性特征的计算公式为：
18、；
19、式中，
n是方向角的量化区间数，
p表示直方图第p个量化区间索引号；表示直方图中最大值对应的量化区间索引号；表示直方图中第二大值对应的量化区间索引号；
，表示方向角第p个量化区间中梯度变化大于梯度矢量模式阈值时的边缘像素数，表示相应方向角
θ上的边缘像素总数。
20、在其中一种可能的实现方式中，所述线性度特征的计算过程包括：计算上、下、左、右及四个对角线共8个方向线性度的四分位数间距值，并将8个方向线性度的四分位数间距值从小到大排序，则为第2小的方向线性度值，为第6小的方向线性度值；所述线性度特征按照以下公式计算：
21、；
22、其中，每个方向线性度值按照以下公式计算：
23、；
24、式中，
m表示灰度级别的数量；
i和
j是共生矩阵的行和列索引；
n表示等宽的方向区间个数。
25、在其中一种可能的实现方式中，所述采用因子分析方法，对每个切片图像的tamura纹理特征进行融合，获取融合后的特征包括：
26、将每个切片图像的tamura纹理特征的多个特征进行标准化处理，并计算标准化处理后的相关系数矩阵；
27、将每个特征表示成公共因子的线性函数与特殊因子之和，并采用最大似然估计法计算获得每个特征对应的因子载荷矩阵；
28、基于所述相关系数矩阵和所述因子载荷矩阵计算获得因子得分系数；
29、根据所述因子得分系数将每个切片图像的tamura纹理特征的多个特征融合为一个特征，新的融合特征表示为：
30、；
31、式中，、、、为融合系数；表示粗糙度特征；表示对比度特征；表示方向性特征；表示线性度特征。
32、在其中一种可能的实现方式中，所述预先训练好的分类器为基于模糊c均值算法的分类器。
33、在其中一种可能的实现方式中，所述改进的遗传算法中目标函数为：
34、；
35、式中，
t表示图像分割的初始阈值，表示目标和背景之间的最大类间方差；
k是(2,
p0)中的整数，
p0表示初始群体个数。
36、根据本专利技术的另一方面，提出一种基于特征融合和遗传算法的航海雷达油膜检测系统，该系统包括：
37、图像预处理模块，其配置成获取航海雷达图像数据；对所述航海雷达图像数据进行预处理，获取预处理后的图像；
38、图像切割模块，其配置成将预处理后的图像进行切割，获取多个切片图像；
39、纹理特征提取模块，其配置成提取每个切片图像的tamura纹理特征；
40、特征融合模块，其配置成采用因子分析方法，对每个切片图像的tamura纹理特征进行融合，获取融合后的特征；
41、分类模块，其配置成将融合后的特征输入预先训练好的分类器中进行分类，获取溢油检测有效区域；
42、油膜提取模块，其配置成利用改进的遗传算法对溢油检测有效区域进行分割，获取油膜提取结果。
43、本专利技术的有益技术效果是：
...
【技术保护点】
1.一种基于特征融合和遗传算法的航海雷达油膜检测方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种基于特征融合和遗传算法的航海雷达油膜检测方法，其特征在于，所述Tamura纹理特征包括粗糙度特征、对比度特征、方向性特征、线性度特征。
3.根据权利要求2所述的一种基于特征融合和遗传算法的航海雷达油膜检测方法，其特征在于，所述粗糙度特征的计算公式为：
4.根据权利要求2所述的一种基于特征融合和遗传算法的航海雷达油膜检测方法，其特征在于，所述对比度特征的计算公式为：
5.根据权利要求2所述的一种基于特征融合和遗传算法的航海雷达油膜检测方法，其特征在于，所述方向性特征的计算公式为：
6.根据权利要求2所述的一种基于特征融合和遗传算法的航海雷达油膜检测方法，其特征在于，所述线性度特征的计算过程包括：计算上、下、左、右及四个对角线共8个方向线性度的四分位数间距值，并将8个方向线性度的四分位数间距值从小到大排序，则为第2小的方向线性度值，为第6小的方向线性度值；所述线性度特征按照以下公式计算：
7.根据权利要求2所述的一种基于特征融合和遗传算法的航海雷达油膜检测方法，其特征在于，所述采用因子分析方法，对每个切片图像的Tamura纹理特征进行融合，获取融合后的特征包括：
8.根据权利要求1所述的一种基于特征融合和遗传算法的航海雷达油膜检测方法，其特征在于，所述预先训练好的分类器为基于模糊C均值算法的分类器。
9.根据权利要求1所述的一种基于特征融合和遗传算法的航海雷达油膜检测方法，其特征在于，所述改进的遗传算法中目标函数为：
10.一种基于特征融合和遗传算法的航海雷达油膜检测系统，其特征在于，包括：
...
【技术特征摘要】
1.一种基于特征融合和遗传算法的航海雷达油膜检测方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种基于特征融合和遗传算法的航海雷达油膜检测方法，其特征在于，所述tamura纹理特征包括粗糙度特征、对比度特征、方向性特征、线性度特征。
3.根据权利要求2所述的一种基于特征融合和遗传算法的航海雷达油膜检测方法，其特征在于，所述粗糙度特征的计算公式为：
4.根据权利要求2所述的一种基于特征融合和遗传算法的航海雷达油膜检测方法，其特征在于，所述对比度特征的计算公式为：
5.根据权利要求2所述的一种基于特征融合和遗传算法的航海雷达油膜检测方法，其特征在于，所述方向性特征的计算公式为：
6.根据权利要求2所述的一种基于特征融合和遗传算法的航海雷达油膜检测方法，其特征在于，所述线性度特征的计算过程...
【专利技术属性】
技术研发人员：李博，徐进，褚李林，杨玉强，董新茹，苏宏磊，陈芫倩，钱思翰，
申请(专利权)人：广东海洋大学深圳研究院，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。