摘 要

船舶溢油所产生的不同种类和品质的油类污染将给内河交通和环境造成严重影响。随着内河航运业的不断发展，船舶种类、交通量和交通密度也迅速增加，日趋复杂的交通条件和人为因素也增大了事故性和操纵性溢油发生的概率，而内河溢油易扩散、处理周期长，一旦发生泄露将给沿岸造成严重经济损失。

针对内河船舶溢油事故频发，油污危害大、难治理、恢复周期长的特点，结合国内外对内河油污监测方法的研究现状，本文以基于无人机的内河油污监测方法为研究对象，通过提取内河CCD图像样本的特征，建立内河图像特征数据库，筛选差别明显且表现一致的6个特征指标，用于小波神经网络对内河图像的分类，实现油污识别。

实验结果表明，本文所研究的内河油污监测方法对油污识别的正确率达到95%，基本满足识别的精度要求，为内河油污监测的自动化、智能化发展提供了可行的思路，可作为现有内河油污监测方法的补充，对保护内河环境、维护内河航运快速发展具有重要意义。

关键词：内河油污监测；特征组合；图像分析；小波神经网络

Abstract

Different kinds and qualities of oil pollution from oil spills on ships will have a serious impact on inland waterway traffic and environment. With the continuous development of the inland shipping industry, the types of ships, traffic volume and traffic density have also increased rapidly. Increasingly complex traffic conditions and human factors have increased the probability of accidental and maneuverable oil spills, which are prone to spread and need a long period to deal with. Therefore, once the oil spill occurs, it will result in serious economic losses to the coast.

In view of the frequent oil spill accidents in inland rivers, which results in harmful oil pollution which is treated difficultly with long recovery period, combining the research status of inland river oil spill monitoring methods at home and abroad, this paper realizes oil pollution identification by methods of inland river images classification by wavelet neural network based on six characteristic indicators with obvious differences and consistent performance among the inland image feature database established based on the features extracted from inland river CCD image samples.

According to the experimental result, the accuracy of oil pollution monitoring method researched in this paper reachs 95%, which basically meets the accuracy requirements of oil spill identification, which provides a feasible idea for the automation and intelligent development of inland oil pollution monitoring as a supplementary method of great significance for protecting the inland river environment and maintaining the rapid development of inland navigation.

Key Words：inland river oil spill monitoring; feature combination; image analysis; wavelet neural network;

目 录

第1章 绪论 1

1.1研究背景与意义 1

1.2国内外研究现状 1

1.2.1油污监测方法研究 1

1.2.2油污图像特征研究 3

1.2.3油污图像识别研究 3

1.3研究内容与章节安排 4

1.3.1研究内容 4

1.3.2技术路线 4

1.3.3章节安排 6

第2章 内河油污图像识别基本理论 7

2.1内河图像特点 7

2.2图像预处理方法 8

2.2.1图像平滑方法 8

2.2.2图像增强方法 9

2.3内河图像特征提取方法 11

2.3.1颜色特征提取方法 11

2.3.2纹理特征提取方法 12

2.3.3图像边缘检测提取方法 13

2.3.4几何特征方法 16

2.4内河图像分类方法 17

2.4.1人工神经网络 17

2.4.2小波分析与小波神经网络 19

2.5小结 20

第3章 实例分析 21

3.1图像预处理 21

3.2图像特征指标选取与数据库建立 21

3.3图像分类模型构建 27

3.3.1小波神经网络分类模型 27

3.3.2图像分类结果 29

3.3.3油污区域标绘 29

3.4识别结果分析与评价 30

3.5小结 30

第4章 结论与展望 31

4.1论文结论 31

4.2工作展望 31

参考文献 32

致谢 36

第1章 绪论

1.1研究背景与意义

随着内河航运的发展，交通量和船舶密度增加、监管难度增大，船舶溢油事故^[1]时有发生，仅2014年，我国内河共发生350起水上安全交通安全事故，溢油量达213吨，经济损失7.66亿元，若无处理，溢油污染会对两岸饮水、航运经济以及生态文明等带来严重损失。对内河水域进行实时监测，及早发现溢油源，就能及时采取防范或补救措施，从而避免内河油污事故进一步扩大，造成更加巨大的经济损失和严重的水域环境污染。

传统的油污监测方法^[2]有卫星遥感监测、航空监测、巡逻船监测、CCTV监测和浮标跟踪等技术。在这些方法中，卫星遥感监测范围大、全天候，航空监测机动灵活、光谱和空间分辨率高，但这两种方法均成本较高，并不适合在内河油污监测中使用，而巡逻船监测、CCTV监测和浮标跟踪等技术则由于方法简单、成本低等特点经常被用于内河油污监测中。然而，巡逻船监测虽能够克服雨雾等能见度不良天气的影响，弥补光学监测的不足，但又容易受到人的作息和工作状态的限制；固定点CCTV监测和浮标监测技术则受到位置所限，监测范围较小，在油污监测中局限性明显。

相对传统监测方法，无人机CCD（Charged Coupled Device）监测系统^[3]-[4]通过在无人机飞行平台上搭载CCD相机、卫星导航定位系统等传感器，在实现水面图像自动获取和定位的基础上可以进行油污实时识别和范围标定，不仅具有高机动性、对气候和环境条件适应性强等优势，而且CCD图像传感器解析度高、动态范围广（对光照条件适应性强）、体积小、造价低，且相比常用于海洋油污监测的合成孔径雷达（Synthetic Aperture Radar, SAR）的图像，其图像色彩更丰富，包含的信息量更充足^[5]，对于油污识别的准确性更高。

对于无人机CCD油污监测技术，图像特征的提取和筛选是识别油污图像的前提和基础，但目前国内外对内河油污CCD图像特征的研究和具体的识别方法仍不成熟，因此有必要对基于无人机CCD图像的内河油污监测方法进行深入研究，不仅可以进一步丰富内河油污监测的理论和技术，而且为内河油污监测的自动化和智能化发展提供了思路和技术支持，对于保护内河环境，维护内河航运快速发展具有重要意义。

1.2国内外研究现状

1.2.1油污监测方法研究

根据现有的研究可知，雷达监测^[6]-[7]和遥感监测^[8]-[9]是国内外获取水面图像最常用的方法，它们通过水面图像处理、分析和计算机视觉技术^[10]等手段，实现对油污的识别。针对水上油污监测方法，许多国内外学者都进行了相应的探讨与研究。

宋莎莎等^[11]对C波段小型机载SAR（合成孔径雷达）设备在溢油监测中的应用进行了研究。从机载小型SAR的适配安装、数据处理和溢油监测应用等角度进行分析，通过机载小型合成孔径雷达进行海洋监测试验并获得了海浪和类油膜等的高清SAR影像和数据，虽然距离真正投入海洋油污监测还有一段距离，但提供了相应的技术支持。

常俊芳等^[12]针对上海沿海的溢油监测，对星载SAR（合成孔径雷达）遥感影像做去噪和反相预处理，影像中的油膜由暗变亮，就可以通过双参数恒虚警率技术检测影像中的亮斑以得到油膜信息如油斑面积和油斑中心位置等，由此建立从SAR遥感影像中提取溢油信息的业务化监测方法和流程。

Pablo Gil等^[13]采用图像处理和计算机视觉技术，提出了针对机载侧视雷达（SLAR）图像的溢油检测方法，该方法仅使用从雷达反向散射信号获得的亮度图像而不需考虑图像采集和形成过程的参数如雷达参数。首先，通过处理SLAR图像，识别由飞机机动引起的噪声区域以避免出现误报（具有类似油污的亮度特征的非油污像素点）；其次，将预处理过的SLAR图像用于油污检测。整个过程可自动执行，将雷达信号数字化为SLAR图像后也可以由机载传感器执行。

尹奇志^[14]-[15]通过对比光学传感器、红外传感器、激光反射传感器OFD-1、能量吸收传感器ID-227和油分浓度仪等在水面油膜采集和油污识别实验的结果，确定内河航标采用能量吸收传感器ID-227，内河桥梁采用激光反射传感器OFD-1以进行溢油监测，针对航标和桥梁特点构建相应的溢油监测系统和通信系统，并对溢油拦截点和围油栏的设置等溢油应急操作做了相应研究。

于书强^[16]提出一种针对内河油轮的溢油监测及报警系统，涉及单片机与3G通信技术结合、对油轮溢油的实时监测和图像处理与分析等，通过将摄像机架设在油轮四周，得到油轮周围水域的实时图像，就可以通过图像分析得到溢油信息，经A/D转换后输入单片机做数据处理，再通过3G通信，以短信的形式将溢油信息传至岸基，即可获取溢油油轮的实时动态。

徐其林等^[17]基于松花江溢油的特点，设立三个水溢油监测岸基站（1#油井平台、2#油井平台和3#油井平台）采集所监测水域的光学图像、气象和水文等各种数据，通过图像处理子系统对江面图像的灰度图做特征提取和区域划分，识别油污，通过沿江地理信息子系统确定油污报警区域，通过指挥调度子系统记录溢油信息并对油污处理进行指挥调度，建立了全天候的内河溢油监测及应急指挥系统。

董祥祥^[18]对摄像机拍得的内河视频做每5秒取1帧和线性插值处理，减小了数据占用内存，得到的图像做去除反光和图像色彩增强处理后提取相应的颜色、纹理和几何特征，通过有向无环图支持向量机（DAG-SVMS）处理图像特征，实现对内河图像的分类和油污的识别。

于磊等^[19]等研究了一种基于红外光谱检测技术的船舶溢油监测系统，根据油和水吸收太阳辐射后呈现的温度差区分红外图像中的油污和水，根据传感器响应度和噪声参数设计传感器电路，结合电源电路和单片机，建立了船舶溢油监测系统。

1.2.2油污图像特征研究

图像各方面的特征（颜色、形状和纹理特征等）在解决图像分类与识别问题时提供的信息量各不相同，根据需要筛选和组合图像的特征值，才能有效提高图像分类或目标识别的效率和精度。针对图像特征的筛选和组合问题，国内外展开了相应的研究。

Fabio Del Frate等^[20]对欧洲遥感卫星雷达（ERS-SAR）图像选定区域内的暗区边界和类油膜提取了11个特征值，结合11-8-8-1剪枝简化的神经网络对特征值做预测和分类，实现了对图像中溢油的半自动监测，并给出了11个特征值按照包含信息量的大小的排序和参考值。

石立坚等^[21]从SAR图像提取的31个纹理特征参量中筛选出16个进行溢油识别，并将该特征参量与BP神经网络结合，建立了区别油污与类油污图像的模型，相对采用全部31个纹理特征或其他纹理特征组合方式，所选出的16个纹理特征在应用时极大提高了溢油识别的精度。

董祥祥^[18]对内河视频的插值图像提取了各类特征并用以识别溢油图像：提取图像HSV空间的三阶颜色矩、高纯颜色特征区分三类内河图像，提取灰度共生矩阵（GLCM）和颜色共生矩阵（CCM）各四个量化特征，提取图像直线和角点特征，并通过比对不同核函数下的分类精度，选择高纯度颜色特征和灰度共生矩阵（GLCM）纹理特征作为油污识别路线，准确率达到94%，但容易受到颜色丰富物体和光照强度的影响。

韩涛等^[22]利用Hough直线特征对航空图像里的桥梁线进行了提取，采用log（高斯—拉普拉斯）算子对航空图像进行边缘检测，将图像中的桥梁和背景做分割，再对得到的二值图像提取点、线、面特征，由于桥梁具有显著的“直线”特征，所以可以得到清晰的桥梁线，以与水面和其他物体做区分。

1.2.3油污图像识别研究

近年来，图像处理理论和计算机视觉技术被广泛应用至各个领域。针对油污检测与识别问题，主要通过对水面图像做图像分割，以识别溢油形成的暗区^[23]；提取特征值以根据分割的图像识别溢油^[25]；通过机器学习^[26]，统计分类器^[27]或人工神经网络^[28]对暗区进行分类等方法。较为先进的做法则会对以上几种方法进行组合^[30]，或将图像处理与地理信息系统（GIS）相结合^[31]，提供溢油的检测和精确定位。

然而，在实现对油污的自动化监测时，现有的集成多种自动和半自动（需人工辅助）程序的混合油污监测系统或方法仍存在无法识别多目标等缺点^[32]。

传统的用于油污检测的分类算法有贝叶斯算法以及其他基于统计的算法^[33]。由于涉及许多非线性和未知的因素，这些方法存在制定分类规则的过程较复杂的缺点。相比之下，神经网络不需要输入向量和输出向量之间有明确定义的关系，因为它直接从大量训练数据确定自己的输入-输出关系。周慧等^[34]提出基于径向基函数（RBF）神经网络的SAR溢油图像识别方法，利用合成孔径雷达（SAR）图像样本训练径向基函数（RBF）神经网络，以提取的6个图像特征值作为神经网络的输入，神经网络的输出值即判断溢油情况的依据，识别油膜与类油膜时准确率超过90%。

针对图像分类与识别，Fatemeh Zamani等^[35]研究了一种基于特征融合的局部多核学习（LMKL）算法以对实物图像做分类处理：首先对提取的图像局部特征（颜色、纹理、形状等）建立空间金字塔（SPM）直方图，即得到描述图像的SPM组合特征空间，再利用基于SVM（支持向量机）的LMKL算法对大量图像样本的SPM特征做卷积，不断修正各类图像的SVM参数和各局部卷积核的权重直到收敛，即可得到各类实物图像的基于SVM的局部多核学习模型，实验证明该方法在图像分类问题中表现良好。

1.3研究内容与章节安排

1.3.1研究内容

本文对内河图像特征和油污图像识别方法进行研究，通过分析内河油污监测方法的发展现状和要求，研究图像特征和小波神经网络分类器在内河油污监测与识别中的应用，主要研究内容如下：

（1）在分析国内外对油污监测方法的研究现状的基础上，对内河油污监测所涉及的图像处理方法如图像平滑、增强理论，图像边缘检测理论，图像特征以及常用分类器的原理等进行详细介绍；

（2）根据内河图像特点对内河图像进行分类，对比不同种类图像的特征值差异，对内河图像特征指标的选取进行探讨；

（3）选取100张内河CCD图像实例作为实例，对其进行预处理并根据所选取的内河图像特征指标建立图像特征数据库，基于小波神经网络分类模型进行油污识别，评价识别精度，为内河油污的自动监测提供一种长效、便捷、易实现的思路。

1.3.2技术路线

根据论文研究内容，本文对基于无人机CCD图像和小波神经网络的内河油污实时监测方法进行深入研究。首先，对图像进行预处理，将得到的内河图像做高斯平滑处理，消除图像中的高斯噪声，再通过同态滤波减小光照不均匀对图像的影响；其次，通过matlab程序提取预处理过的图像的特征值，建立内河图像特征数据库，并筛选出差异明显且表现一致的特征指标；再次，对已知油污情况的图像，其组合特征和相应输出作为小波神经网络的训练集，训练小波神经网络直到网络收敛，再输入未知油污情况的图像的特征值，通过小波神经网络图像分类器实现油污图像的识别；最后，通过边缘检测算子将确认为油污图像中油污的边界进行标绘，以确定油污区域的大致范围。

研究的技术方案如图1.1：