涛，等：用于ＳＡＲ 图像海面溢油自动识别的 Ｂａｇｇｉｎｇ－ＡｄａＢｏｏｓｔ决策树分类器系统分类器内核。同时，在 ＡｄａＢｏｏｓｔ－ＤＴ 分类器系统（ＤＴ－Ａ）和 Ｂａｇｇｉｎｇ－ＤＴ 分类器系统（ＤＴ－Ｂ）的基础上，本研究提出使用 Ｂａｇｇｉｎｇ算法组合多个 ＡｄａＢｏｏｓｔ－ＤＴ 分类器系统（ＤＴ－Ａ）构成 Ｂａｇｇｉｎｇ－ＡｄａＢｏｏｓｔ－决策树分类器系统（ＤＴ－ＡＢ），以期进一步增强自动识别分类器的检测率、泛化性能和稳定性能。１　基本方法１．１ 决策树算法决策树是一种树形结构的识别、分类算法。其基本思想是以不纯度为度量指标，构造一棵不纯度下降最快的 树。不 纯 度 是 指 某 树 节 点 上 样 本 多 类 别 的 程度。以ｉ（Ｎ）表示节点 Ｎ 的“不纯度”，当节点上的样本属于同一类时，ｉ（Ｎ）＝０；当节点上的样本类别齐全且数量相当，则ｉ（Ｎ）很大。决策树的构造是通过对样本集的学习，自顶向 下建立决策规则（见图１）。树中每个节点代表某些样本的集合，每个分叉路径代表某一特征及其阈值对节点进行分裂生长。在每个非叶节点上，遍历所有特征参数，找到能使此节点的不纯度下降最大的特征参数及其阈值以进行分裂。以此类推，直到叶节点处不纯度为０止，此时每个叶节点中的样本都属于同一类别。图１　决策树示意图Ｆｉｇ．１　Ｔｈｅ　ｓｃｈｅｍｅ　ｏｆ　ｄｅｃｉｓｉｏｎ　ｔｒｅｅ常 用 的 决 策 树 算 法 有 ＩＤ３，ＩＤ４，Ｃ４．５，Ｃ５．０，ＣＡＲＴ 等，本研究选择ｏｐｅｎｃｖ函数库中的 ＣＡＲＴ 树算法。ＣＡＲＴ 树的不纯度指标为 Ｇｉｎｉ（基尼）不纯度：ｉ（Ｎ）＝∑ｉ≠ｊＰ（ωｊ）＝１－∑ｊＰ２。 （１）其中：ｉ，ｊ为类的编号；Ｐ（ωｊ）是节点 Ｎ 处属于ωｊ类的样本数占总样本数的频度。在决策树构造过程中，如果树分支停止太晚，决策树的泛化性能将较差，被称为“过拟合”。相反，如果树分支 停 止 太 早，将 导 致 分 类 性 能 较 差，被 称 为 “欠 拟合”。为解决“过拟合”问题，有交叉验证、不纯度下降差门 限、节 点 样 本 数 门 限 以 及 剪 枝 等 方 法 可 供 选择［２２－２３，３１，６６］。本研究同时使用ｏｐｅｎｃｖ函数库中提供的交叉验证和剪枝方法。１．２ＡｄａＢｏｏｓｔ算法ＡｄａＢｏｏｓｔ是 Ａｄａｐｔｉｖｅ　Ｂｏｏｓｔｉｎｇ（自 适 应 增 强）算法的缩写，它是一种分类器的自适应增强算法。Ａｄａ－Ｂｏｏｓｔ算法的基础是１９９０年 Ｓｃｈａｐｉｒｅ构造的 Ｂｏｏｓｔｉｎｇ算法［４０］，经 Ｆｒｅｕｎｄ和 Ｓｃｈａｐｉｒｅ对 Ｂｏｏｓｔｉｎｇ算法 的 改进［４１－４２］，解决了原 Ｂｏｏｓｔｉｎｇ算法中需要依靠弱学习器先验 知 识 的 限 制，最 终 形 成 了 ＡｄａＢｏｏｓｔ算 法。Ａｄａ－Ｂｏｏｓｔ算法的基本思想是：针对同一个训练样本集，并选定某单分类器，例如决策树，通过调整样本权重，训练一系列不同的分类器，进而组合成一个分类器系统。调整样本权重的规则是提高分类错误样本的权重，降低分类正确样本的权重。其目的是训练下一个分类器时，更加关注上一个分类器错分的样本。如此迭代训练，构建一系列单分类器，直到足够小的分类错误率为止。ＡｄａＢｏｏｓｔ算法目前已成为一族算法，具有多个变种，其中包括 Ｄｉｓｃｒｅｔｅ　ＡｄａＢｏｏｓｔ、Ｒｅａｌ　ＡｄａＢｏｏｓｔ、ＬｏｇｉｔＢｏｏｓｔ、Ｇｅｎｔｌｅ　ＡｄＢｏｏｓｔ等。 本 研 究 表 明，Ｇｅｎｔｌｅ　Ａｄ－Ｂｏｏｓｔ算法对ＳＡＲ 溢油检测效果是较好的。本研究使用ｏｐｅｎｃｖ函数库提供的 Ｇｅｎｔｌｅ　ＡｄａＢｏｏｓｔ算法。Ｇｅｎｔｌｅ　ＡｄａＢｏｏｓｔ的具体步骤如下：第一步：定义权重分布空间。Ｄｍ＝（ωｍ，１，ωｍ，２，ωｍ，３，……ωｍ，ｉ……，ωｍ，Ｎ）。 （２）其中：ｍ 为迭代轮数，即单分类器的个数；ｉ为训练样本编号，ｉ＝１，２，…Ｎ；为 ｍ 轮迭代时第ｉ个样本的权重。第二步：初始化权重空间。因为有 Ｎ 个训练样本，因此每个训练样本的初始权重为１／Ｎ。首先训练第一个单分类器，即迭代轮数为１，因此权重分布空间为：Ｄ１＝（ω１，１，ω１，２，ω１，３，……ω１，ｉ，……，ω１，Ｎ）＝ （１Ｎ，１Ｎ，１Ｎ，……１Ｎ，……，１Ｎ）。 （３）第三步：进行多次迭代，训练系列单分类器。（１）使用具有权重分布的训练样本集训练出第 ｍ个单分类器Ｇｍ（ｘ）的回归函数ｆｍ（ｘ），其中ｆｍ（ｘ）值域３３１中　国　海　洋　大　学　学　报 ２　０　１　８ 年为［－１，１］，｜ｆｍ（ｘ）｜反映了样本被分为某类的置信度，其符 号 为 分 类 器 输 出 的 类 别，即 Ｇｍ（ｘ）＝ｓｉｇｎ（ｆｍ（ｘ））。（２）更新权重分布空间，从 Ｄｍ更新至Ｄｍ＋１：ωｍ＋１，ｉ＝ωｍ，ｉｅｘｐ（－ｙｉｆｍ（ｘｉ））。 （４）其中：是第 ｍ 个分类器对某样本ｘｉ的回归函数值。ｙｉ是ｘｉ样本的真实值。此公式表明，对于分类错误的样本，其权重被增加，且被错分样本的置信度越高其权重被增加越多。规一化以使样本总权重为１，即：∑Ｍｉ＝１ωｍ＋１，ｉ ＝１。 （５）第四步：组 合 各 单 分 类 器，形 成 一 个 强 分 类 器 系统，其回归函数由 Ｍ 个单分类器的回归函数之和求得。ｆ（ｘ）＝∑Ｍｍ＝１ｆｍ（ｘ）。 （６）其中，Ｍ 是单分类器的系列总数。Ｇｅｎｔｌｅ　ＡｄａＢｏｏｓｔ分类器系统的分类结果由下式描述：Ｇ（ｘ）＝ｓｉｇｎ（ｆ（ｘ））＝ｓｉｇｎ（∑Ｍｍ＝１ｆｍ（ｘ））。（７）１．３Ｂａｇｇｉｎｇ算法Ｂａｇｇｉｎｇ 算 法 的 名 称 源 自 ｂｏｏｔｓｔｒａｐ　ａｇｇｒｅｇａｔｉｏｎ（自助聚集），是一种组合系列同类型分类器构成一个强分类器系统的自助聚集算法。其基本思想是从个数为 Ｎ 的训练样本集中随 机 且 有 放 回 的 抽 取 个 数 为ｎ（ｎ（Ｎ）的 训 练 样 本 以 形 成 一 系 列 独 立 的 自 助 数 据集［３０］。每个独立自助数据集训练一个选定类型的的分类器，例如决策树。这一系列独立决策树分类器的分类结果的平均值被取为 Ｂａｇｇｉｎｇ决策树分类器系统的最终分类结果。选定的分类器被称为 Ｂａｇｇｉｎｇ分类器系统中的分量分类器。研究表明［４４，５０－５１，５４－５８］，当自助数据集的样本数ｎ 与训练样本集的样本数 Ｎ 相等时，由于其随机且有放回的样本抽取方式，某些样本可能被多次抽取，某些样本可能从不被抽取，而每个自助数据集中无重复的有效样本的概率为训练样本集总数 Ｎ 的６３．２％，许多研究均采用这种抽取方式。另一些研究者使用了不同的抽取方式，包括按比例抽样［５９］、无放回抽样［６０－６２，６５］、交叉验证抽样［６１－６２］、先验概率抽样［６３］、ＥＢＢａｇ抽样［６４－６５］、ｕｎ－ｄｅｒ－ｓａｍｐｌｉｎｇ和 ｏｖｅｒ－ｓａｍｐｌｉｎｇ 抽 样［６４］等。对 于 ＳＡＲ图像海面溢油自动识别系统，ＳＡＲ 观测到的海面油膜和疑似油膜的样本数是不平衡的，即油膜样本往往远少于疑似油膜样本。我们希望保持各自助数据集中两种样本数比例为训练样本集中的原比例，因此本研究使用按比例，无放回抽样。Ｂａｇｇｉｎｇ算法的关键问题是训练多少个分量分类器是最佳的。许多研究表明［４８，５０－５３］，并非分量分类器越多，Ｂａｇｇｉｎｇ系统的性能越好。许多研究者通过测试实验来确定 Ｂａｇｇｉｎｇ系统中分量分类器的个数［２９，４４－４９］。本研究表明，分量分类器过少，Ｂａｇｇｉｎｇ分类器系统的性能欠佳；分量分类器过多，会导致计算量过大而 Ｂａｇ－ｇｉｎｇ分类器系统的性能并无提高。Ｂａｇｇｉｎｇ算法不仅是一个强分类器系统，同时亦是一个稳定性系统［３０］。这是因为 Ｂａｇｇｉｎｇ分类器系统中的每个分量分类器都是使用不同的独立自助数据集训练而得，因而组合的Ｂａｇｇｉｎｇ分类器系统得以适应各种样本特征空间分布情况，并对不连续处作了平均化处理［３０－３１］。２　数据与特征参数本文使用的１　４４８个ＳＡＲ 图像海面暗目标样本集源自６５幅 Ｅｎｖｉｓａｔ／ＡＳＡＲ 精处理和宽刈幅图像，其中包括１０幅２０１１中国渤海蓬莱１９－３油田溢油事故期间的数据。暗目标样本由 Ｚｅｎｇ［３３］等研发的自适应阈值分割算法和软件提供。经人工经验判读，其中溢油样本５６４个，疑似溢油样本８８４个。对每个暗目标样本提取６８个特征，其中包括１４个几何特征、１５个灰度特征、３９个纹理特征（包括 ２４ 个灰度共生矩阵特征和 １５ 个灰度梯度共生矩阵特征）。表１给出６８个特征名称、分类和特征计算公式的参考文献［３４－３９，４３］。３　实验与结果本研究建立了四个分类器和分类器系统，分别是决策树（ＤＴ）、ＡｄａＢｏｏｓｔ－决策树（ＤＴ－Ａ）、Ｂａｇｇｉｎｇ－决策树（ＤＴ－Ｂ）和 Ｂａｇｇｉｎｇ－ＡｄａＢｏｏｓｔ－决 策 树 （ＤＴ－ＡＢ），并通过实验测试它们的检测率、泛化性能和稳定性能，以验证 ＤＴ－Ａ、ＤＴ－Ｂ分类器系统对于 ＤＴ 单分类器在海面溢油 自 动 识 别 上 的 增 强 效 果，并 证 明 本 文 提 出 的ＤＴ－ＡＢ分类器系统的优良性能和应用前景。下面，首先介绍检测率、错检率和识别率的基本概念；其次通过测试实验确定 ＤＴ－Ｂ 和 ＤＴ－ＡＢ 分类器系统中分量 分 类 器 的 个 数。最 后 分 别 测 试 ＤＴ，ＤＴ－Ａ，ＤＴ－Ｂ和 ＤＴ－ＡＢ的性能并作比较分析。３．１ 检测率、错检率和识别率检测率，错检率和识别率是模式识别的 ３ 个重要指标。识别率是描述整个样本集内所有类别样本正确分类的比值，检测率是描述特定样本正确分类的比值，而错检率是描述特定样本被错误分类的比值。在本研究中，关心的是海面溢油样本的正确识别以及海面疑似溢油的 误 判，并 不 关 心 海 面 疑 似 溢 油 的 正 确 识 别。因此，高检测率和低错检率是 ＳＡＲ 海面溢油自动识别业务化系统所追求的。４３１涛，等：用于ＳＡＲ 图像海面溢油自动识别的 Ｂａｇｇｉｎｇ－ＡｄａＢｏｏｓｔ决策树分类器系统表１　特征参数列表Ｔａｂｌｅ　１　Ｆｅａｔｕｒｅｓ　ｌｉｓｔ特征类别Ｃａｔｅｇｏｒｙ　ｏｆｆｅａｔｕｒｅｓ中英文特征名Ｔｈｅ　Ｃｈｉｎｅｓｅ　ａｎｄ　Ｅｎｇｌｉｓｈｎａｍｅｓ　ｏｆ　ｔｈｅ　ｆｅａｔｕｒｅｓ特征类别Ｃａｔｅｇｏｒｙ　ｏｆ　ｆｅａｔｕｒｅｓ中英文特征名Ｔｈｅ　Ｃｈｉｎｅｓｅ　ａｎｄ　Ｅｎｇｌｉｓｈｎａｍｅｓ　ｏｆ　ｔｈｅ　ｆｅａｔｕｒｅｓ几何特征［３４，４３］目标面积（Ａｒｅａ）目标周长（Ｐｅｒｉｍｅｔｅｒ）光滑度（Ｓｍｏｏｔｈｎｅｓｓ）不对称性（Ａｓｙｍｍｅｔｒｙ）形状因子（ＦｏｒｍＦａｃｔｏｒ）复杂度（Ｃｏｍｐａｃｔｎｅｓｓ）形状指数（ＳｈａｐｅＩｎｄｅｘ）七个不变矩（ＨｕＭｏｍｅｎｔ１－７）灰度特征［４３］目标灰度均值（Ｔａｒｇｅｔ＿Ｍｅａｎ）目标灰度标准差（Ｔａｒｇｅｔ＿Ｓｔｄｄｅｖ）背景灰度均值（最小外接矩形内）（Ｂａｃｋ＿Ｍｅａｎ）背景灰度标准差（最小外接矩形内）（Ｂａｃｋ＿Ｓｔｄｄｅｖ）最小外接矩形内均值（Ｒｅｃｔ＿Ｍｅａｎ）最小外接矩形内标准差（Ｒｅｃｔ＿Ｓｔｄｄｅｖ）边缘梯度（Ｅｄｇｅ＿Ｇｒａｄｉｅｎｔ）众数（Ｍｏｄｅ）偏度（Ｓｋｅｗｎｅｓｓ）峰度（Ｋｕｒｔｏｓｉｓ）四分位距（ＩＱＲ）目标均值背景均值比（Ｔａｒｇｅｔ＿Ｍｅａｎ／Ｂａｃｋ＿Ｍｅａｎ）目标均值目标标准差比（Ｔａｒｇｅｔ＿Ｍｅａｎ／Ｔａｒｇｅｔ＿Ｓｔｄｄｅｖ）目标标准差背景标准差比（Ｔａｒｇｅｔ＿Ｓｔｄｄｅｖ／Ｂａｃｋ＿Ｓｔｄｄｅｖ）背景均值背景标准差比（Ｂａｃｋ＿Ｍｅａｎ／Ｂａｃｋ＿Ｓｔｄｄｅｖ）灰度共生矩阵［３５，３６，３７，４３］角二阶矩（ＡＳＭ）对比度（Ｃｏｎｔｒａｓｔ）Ｈａｒａｌｉｃｋ相关（Ｈａｒａｌｉｃｋ　Ｃｏｒｒｅｌａｔｉｏｎ）方差（ＳＳＶ）和均值（Ｓｕｍ　Ａｖｅｒａｇｅ）和方差（Ｓｕｍ　Ｖａｒｉａｎｃｅ）熵的和（Ｓｕｍ　Ｅｎｔｒｏｐｙ）熵（Ｅｎｔｒｏｐｙ）差分方差（Ｄｉｆｆｅｒｅｎｃｅ＿Ｖａｒｉａｎｃｅ）差分熵（Ｄｉｆｆｅｒｅｎｃｅ＿Ｅｎｔｒｏｐｙ）信息测度１（Ｉｎｆｏｒ＿Ｍｅａｓｕｒｅｓ＿１）信息测度２（Ｉｎｆｏｒ＿Ｍｅａｓｕｒｅｓ＿２）最大相关系数（Ｍａｘ＿Ｃｏｒｒｅｌａｔｉｏｎ＿Ｃｏｅｆｆｉｃｉｅｎｔ）逆差归一化（Ｉｎｖｅｒｓｅ＿ｄｉｆｆｅｒｅｎｃｅ＿ｎｏｒｍａｌｉｚｅｄ）逆差矩归一化（Ｉｎｖｅｒｓｅ＿ｄｉｆｆｅｒｅｎｃｅ＿ｍｏｍｅｎｔ＿ｎｏｒｍａｌｉｚｅｄ）逆差（Ｉｎｖｅｒｓｅ＿ｄｉｆｆｅｒｅｎｃｅ）相异性（Ｄｉｓｓｉｍｉｌａｒｉｔｙ）最大概率（Ｍａｘｉｍｕｍ＿Ｐｒｏｂａｂｉｌｉｔｙ）逆差矩（Ｉｎｖｅｒｓｅ＿ｄｉｆｆｅｒｅｎｃｅ＿ｍｏｍｅｎｔ）相关性（Ｃｏｒｒｅｌａｔｉｏｎ）惯性（Ｉｎｅｒｔｉａ）聚类削弱（Ｃｌｕｓｔｅｒ＿Ｓｈａｄｅ）聚类凸显（Ｃｌｕｓｔｅｒ＿Ｐｒｏｍｉｎｅｎｃｅ）自相关（Ａｕｔｏ－ｃｏｒｒｅｌａｔｉｏｎ）灰度梯度共生矩阵［３８，３９，４３］小梯度优势（Ｓｍａｌｌ＿ｇｒａｄｉｅｎｔ＿ｓｔｒｅｎｇｔｈｓ）大梯度优势（Ｌａｒｇｅ＿ｇｒａｄｉｅｎｔ＿ｓｔｒｅｎｇｔｈｓ）灰度分布的不均匀性（Ｇａｒｙ＿ｕｎｅｖｅｎ＿ｄｉｓｔｒｉｂｕｔｉｏｎ）梯度分布的不均匀性（Ｇｒａｄｉｅｎｔ＿ｕｎｅｖｅｎ＿ｄｉｓｔｒｉｂｕｔｉｏｎ）能量（Ｅｎｅｒｇｙ）相关（Ｃｏｒｒｅｌａｔｉｏｎ）灰度熵（Ｇｒａｙ＿ｅｎｔｒｏｐｙ）梯度熵（Ｇｒａｄｉｅｎｔ＿ｅｎｔｒｏｐｙ）混合熵（Ｅｎｔｒｏｐｙ）惯性（Ｉｎｅｒｔｉａ）逆差矩（Ｉｎｖｅｒｓｅ＿ｄｉｆｆｅｒｅｎｃｅ＿ｍｏｍｅｎｔ）灰度均值（Ｇｒａｙ＿ａｖｅｒａｇｅ）灰度标准差（Ｇｒａｙ＿ＳｔｄＤｅｖ）梯度均值（Ｇｒａｄｉｅｎｔ＿ａｖｅｒａｇｅ）梯度标准差（Ｇｒａｄｉｅｎｔ＿ｓｔｄＤｅｖ）５３１用于ＳＡＲ 图像海面溢油自动识别的 Ｂａｇｇｉｎｇ－ＡｄａＢｏｏｓｔ决策树分类器系统丁新涛，曾　侃 ，贺明霞（中国海洋大学海洋遥感研究所，山东 青岛 ２６６００３）摘　要：　目前应用于 ＳＡＲ 图像海面溢油检测的分类器大多为单分类器，其检测率往往难以达到要求。本文引入 Ａｄａ－Ｂｏｏｓｔ算法和 Ｂａｇｇｉｎｇ算法，内核采用决策树分类器（Ｄｅｃｉｓｉｏｎ　ｔｒｅｅ，ＤＴ），形 成 两 种 分 类 器 系 统 ＤＴ－Ａ（ＡｄａＢｏｏｓｔ－Ｄｅｃｉｓｉｏｎ－ｔｒｅｅ）和 ＤＴ－Ｂ（Ｂａｇｇｉｎｇ－Ｄｅｃｉｓｉｏｎ－ｔｒｅｅ）。进 而 提 出 以 ＡｄａＢｏｏｓｔ分 类 器 系 统 为 内 核 的 Ｂａｇｇｉｎｇ 系 统 ＤＴ－ＡＢ（Ｂａｇｇｉｎｇ－Ａｄａ－Ｂｏｏｓｔ－Ｄｅｃｉｓｉｏｎ－ｔｒｅｅ）。对１　４４８个 Ｅｎｖｉｓａｔ／ＡＳＡＲ 海面暗目标样本进行分类实验，ＤＴ－ＡＢ分类器系统与 ＤＴ 单分类器相比，溢油暗目标检测率从７４％增至８３％，错检率从２６％降至１６％。对４种分类器的检测率、泛化性能和稳定性能进行了比较测试，结果如下：（１）ＤＴ－Ａ 和 ＤＴ－Ｂ的泛化性能明显优于 ＤＴ，并且 ＤＴ－Ａ 的泛化性能略优于 ＤＴ－Ｂ；（２）ＤＴ－Ａ 和 ＤＴ－Ｂ比ＤＴ 的稳定性能提高一倍以上，ＤＴ－Ｂ的稳定性能略优于 ＤＴ－Ａ；（３）ＤＴ－ＡＢ的泛化性能和稳定性能均优于 ＤＴ－Ａ 和 ＤＴ－Ｂ。因此，ＤＴ－ＡＢ分类器系统用于卫星 ＳＡＲ 图像海面溢油自动识别业务化系统具有应用前景。关键词：　合成孔径雷达（ＳＡＲ）；海面溢油；ＡｄａＢｏｏｓｔ；Ｂａｇｇｉｎｇ；决策树中图法分类号：　ＴＰ７５；Ｘ８７　　　　　文献标志码：　Ａ　　　　　文章编号：　１６７２－５１７４（２０１８）１０－１３２－１１ＤＯＩ：１０．１６４４１／ｊ．ｃｎｋｉ．ｈｄｘｂ．２０１６００１３引用格式：　丁新涛，曾侃，贺明霞．用于 ＳＡＲ 图像海面溢油自动识别的 Ｂａｇｇｉｎｇ－ＡｄａＢｏｏｓｔ决策树分类器系统［Ｊ］．中国海洋大学学报（自然科学版），２０１８，４８（１０）：１３２－１４２．ＤＩＮＧ　Ｘｉｎ－Ｔａｏ，ＺＥＮＧ　Ｋａｎ，ＨＥ　Ｍｉｎｇ－Ｘｉａ．Ａ　ｂａｇｇｉｎｇ－ａｄａ　ｂｏｏｓｔ－ＤＴ　ｍｕｌｔｉｐｌｅ　ｃｌａｓｓｉｆｉｅｒ　ｓｙｓｔｅｍ　ｂａｓｅｄ　ｏｎ　ＳＡＲ　ｉｍａｇｅ　ｆｏｒ　ｍａ－ｒｉｎｅ　ｏｉｌ　ｓｐｉｌｌ　ａｕｔｏｍａｔｉｃ　ｄｅｔｅｃｔｉｏｎ［Ｊ］．Ｐｅｒｉｏｄｉｃａｌ　ｏｆ　Ｏｃｅａｎ　Ｕｎｉｖｅｒｓｉｔｙ　ｏｆ　Ｃｈｉｎａ，２０１８，４８（１０）：１３２－１４２．　 　收稿日期：２０１６－０３－１２；修订日期：２０１７－０１－２１作者简介：丁新涛（１９９０－），男，硕士生，研究方向卫星ＳＡＲ 图像海面溢油监测。Ｅ－ｍａｉｌ：ｄｉｎｇｘｉｎｔａｏ＿ｏｒｓｉ＠ｆｏｘｍａｉｌ．ｃｏｍ　　通讯作者：Ｅ－ｍａｉｌ：ｚｅｎｇｋａｎ＠ｏｕｃ．ｅｄｕ．ｃｎ　　海上溢油是人类工业活动引发的严重海洋环境污染之一。上世纪９０年代以来，国际上可用于海洋观测的业务化卫星大发展，为海上溢油事故监测提供了无可比拟的新技术支持。其中，星载合成孔径雷达（Ｓｙｎ－ｔｈｅｔｉｃ　Ａｐｅｒｔｕｒｅ　Ｒａｄａｒ，ＳＡＲ）具有高空间分辨率、全天时全天候工作等优点，且对海面油膜的探测灵敏度高，被公认为监测海面溢油的理想传感器。ＳＡＲ 对海面的成像机制基于雷达波与海面毛细波或短重 力 波 的 相 互 作 用，其 简 单 模 型 是 Ｂｒａｇｇ 散 射。海面油膜的存在，引起局部海表面张力的变大，导致海面粗糙 度 的 变 小，从 而 使 Ｂｒａｇｇ 后 向 散 射 系 数 变 小。在ＳＡＲ 图像 上，海 面 油 膜 相 对 于 周 围 海 面 呈 现 为 暗斑。但是，ＳＡＲ 图像中的暗斑不仅是海面溢油，众多大气和海洋现象都可能导致 ＳＡＲ 图像中的暗斑，它们被称为疑似溢油（ｌｏｏｋ－ａｌｉｋｅｓ）。因此，利用星载 ＳＡＲ 图像监测海面溢油的关键技术之一是海面溢油和疑似溢油的自动识别技术［１－３］。目前，用于海面油膜识别的分类方法主要有四种，分别是概率统计模型［４－１１］、神经网络［１２－１８］、决策树［２，２１－２３］以及模糊逻辑［１９－２０，３２］。这些方法的共同点是，通过各种方式试图建立一个高检测率的单分类器。实际上，获得一个高检测率及优秀泛化性能和稳定性能的强单分类器是相当困难的，因此，Ｓｃｈｉｐｉｒｅ等于１９９０年代在计算机学习领域提出了将多个弱分类器组合为强分类器的算法［２４］，其中包括 Ｂｏｏｓｔｉｎｇ 算 法 及 其 改 进 型 Ａｄａ－Ｂｏｏｓｔ算法［２５－２６］和 Ｂａｇｇｉｎｇ 算 法［３０－３１］。这 些 算 法 在 计算机领域已 成 为 分 类 器 性 能 增 强 的 通 用 方 法。２００６年，Ｇｅｒａｌｄｏ　Ｌ　Ｂ　Ｒａｍａｌｈｏ等在模式识别国际会议上首次以神经网络作为 Ｂｏｏｓｔｉｎｇ算法的内核对 ＳＡＲ 图像进行海面溢油检测［２７］，结果显示 Ｂｏｏｓｔｉｎｇ算法增强了神经网络的分类结 果。２０１２ 年，Ｔｏｐｏｕｚｅｌｉｓ等首次使用 Ｂａｇｇｉｎｇ算法组合多个决策树分类器对溢油和疑似溢油ＳＡＲ 图像样本进行分类，结果显示 Ｂａｇｇｉｎｇ算法增强了决策树单分类器的识别性能［２８］。本研究针对１　４４８个 Ｅｎｖｉｓａｔ／ＡＳＡＲ 暗目标样本，进一步验证 ＡｄａＢｏｏｓｔ算法 和 Ｂａｇｇｉｎｇ 算法对单分类器在ＳＡＲ 图像海面溢油识别上的泛化性能和稳定性能的增强效果，选择决策树（Ｄｅｃｉｓｉｏｎ　Ｔｒｅｅ，ＤＴ）作为单中　国　海　洋　大　学　学　报 ２　０　１　８ 年　　检测率、错检率和识别率的计算公式及相关符号说明为下：人工判定类别溢油（Ｙ＝Ｙｙ＋Ｙｎ） 疑似溢油（Ｎ＝Ｎｙ＋Ｎｎ）分类器判定类别 溢油（ｙ＝Ｙｙ＋Ｎｙ） Ｙｙ Ｎｙ疑似溢油（ｎ＝Ｙｎ＋Ｎｎ） Ｙｎ Ｎｎ　　检测率＝Ｙｙ／（Ｙｙ＋Ｙｎ）；错检率＝Ｎｙ／（Ｙｙ＋Ｎｙ）；识别率＝（Ｙｙ＋Ｎｎ）／（Ｙｙ＋Ｎｙ＋Ｙｎ＋Ｎｎ）；其中，检 测 率 是 分 类 器 正 确 判 别 的 溢 油 样 本 数（Ｙｙ）与人工判别的溢油样本数（Ｙ）的比值；错检率是分类器将人 工 判 别 为 疑 似 溢 油 样 本 误 判 为 溢 油 样 本 数（Ｎｙ）与分类器判别的溢油样本数（ｙ）的比值；识别率是分类器正确判别的样本数（Ｙｙ＋Ｎｎ）与测试样本集总数的比值。３．２Ｂａｇｇｉｎｇ分类器系统中分量分类器个数的选择如前所述，在测试两个 Ｂａｇｇｉｎｇ分类器系统（ＤＴ－Ｂ和 ＤＴ－ＡＢ）的检测率、泛化性能和稳定性能之前，需要通过测试实验来确定分量分类器的个数。测试实验流程如图２所示：图２　Ｂａｇｇｉｎｇ系统中分量分类器个数选择实验流程图Ｆｉｇ．２　Ｔｈｅ　ｆｌｏｗ　ｃｈａｒｔ　ｏｆ　ｔｈｅ　ｅｘｐｅｒｉｍｅｎｔ　ｔｈａｔ　ｗａｓ　ｕｓｅｄ　ｔｏ　ｔｅｓｔ　ｈｏｗ　ｍａｎｙ　ｎｕｍｂｅｒｓ　ｃｏｍｐｏｎｅｎｔ　ｃｌａｓｓｉｆｉｅｒｓ　ｓｈｏｕｌｄ　ｂｅ　ｓｅｌｅｃｔ　　首先在 １　４４８ 个 ＳＡＲ 海 面暗目标样本集中按溢油／疑似溢油样本比例随机抽取７０％的样本作为训练样本集，剩余样本作为测试样本集。然后从训练样本集中按同样比例随机抽取７０％的样本作为独立的自助数据集，并训练出一个决策树（ＤＴ）分类器和以决策树为内核的 ＡｄａＢｏｏｓｔ（ＤＴ－Ａ）分类器系统。这个过程循环１　０００次，即用１　０００个独立的自助数据集分别训练出１　０００个 ＤＴ 和 ＤＴ－ＡＢ。从训练好的 １　０００个分 类 器中随机 抽 取 Ｍ（Ｍ＝１～３００）个分类器组成 Ｂａｇｇｉｎｇ系统，并对测试样本集进行测试，得到相应的检测率、错检率、识别率。将这个过程 循 环 １００ 次，得 到 １００ 个 分 量 分 类 器 为 Ｍ 的６３１涛，等：用于ＳＡＲ 图像海面溢油自动识别的 Ｂａｇｇｉｎｇ－ＡｄａＢｏｏｓｔ决策树分类器系统Ｂａｇｇｉｎｇ系统，同样对测试样本集进行测试，得到 １００个相应的检测率，错检率，识别率。这１００个独立分类器系统相应的检测率、错检率和识别率的均值和标准差即为分量分类器为 Ｍ 的 Ｂａｇｇｉｎｇ分类器系统（ＤＴ－Ｂ、ＤＴ－ＡＢ）的分类结果。图３为 ＤＴ－Ｂ 在不同个数分量分类器下的检测率及标准 差。可 以看出，当分量分类器个数 Ｍ 达到 １０时，分类器系统的检测率均值达到最大。随着 Ｍ 的增加，检测 率 均 值 呈 降 低 趋 势，标 准 差 呈 变 小 趋 势。当Ｍ＝１３０时，标准差趋于稳定，因此选择 ＤＴ－Ｂ 分类器系统的分量分类器个数 Ｍ＝１３０。图４为 ＤＴ－ＡＢ 在不同个数分量分类器下的检测率及 标准差。可以看出，当分量分类 器个数 Ｍ 到 １０时，分类器系统的检测率均值达到最大。随着 Ｍ 的增加，检测率均值呈降低趋势，当 Ｍ＝５０时，ＤＴ－ＡＢ检测率均值趋于稳定，标准差均值仍呈变小趋势。综合考虑分类性能和计算效率两方面，选择 ＤＴ－ＡＢ分类器系统的分量分类器个数 Ｍ＝１５０。对比图３和４，可以看到，ＤＴ－ＡＢ分类器系统在检测率和标准差两方面均优于 ＤＴ－Ｂ分类器系统。图３　ＤＴ－Ｂ在不同个数分量分类器下的检测率及标准差（检测率的标准差表示为竖线线段）Ｆｉｇ．３　Ｔｈｅ　ｍｅａｎ　ｖａｌｕｅ　ａｎｄ　ｓｔａｎｄａｒｄ　ｄｅｖｉａｔｉｏｎ　ｏｆ　ＤＴ－Ｂ’ｓ　ｄｅｔｅｃｔｉｏｎ　ｒａｔｅ　ｗｉｔｈ　ｄｉｆｆｅｒｅｎｔ　ｎｕｍｂｅｒｓ　ｏｆ　ｃｏｍｐｏｎｅｎｔ　ｃｌａｓｓｉｆｉｅｒｓ（Ｔｈｅ　ｓｔａｎｄａｒｄ　ｄｅｖｉａｔｉｏｎｓ　ｏｆ　ｄｅｔｅｃｔｉｏｎ　ｒａｔｅ　ａｒｅ　ｅｘｐｒｅｓｓｅｄ　ａｓ　ｖｅｒｔｉｃａｌ　ｂａｒ　ｌｉｎｅｓ）图４　ＤＴ－ＡＢ在不同个数分量分类器下的检测率及标准差（检测率的标准差表示为竖线线段）Ｆｉｇ．４　Ｔｈｅ　ｍｅａｎ　ｖａｌｕｅ　ａｎｄ　ｓｔａｎｄａｒｄ　ｄｅｖｉａｔｉｏｎ　ｏｆ　ＤＴ－ＡＢ’ｓ　ｄｅｔｅｃｔｉｏｎ　ｒａｔｅ　ｗｉｔｈ　ｄｉｆｆｅｒｅｎｔ　ｎｕｍｂｅｒｓ　ｏｆ　ｃｏｍｐｏｎｅｎｔ　ｃｌａｓｓｉｆｉｅｒｓ（Ｔｈｅ　ｓｔａｎｄａｒｄ　ｄｅｖｉａｔｉｏｎｓ　ｏｆ　ｄｅｔｅｃｔｉｏｎ　ｒａｔｅ　ａｒｅ　ｅｘｐｒｅｓｓｅｄ　ａｓ　ｖｅｒｔｉｃａｌ　ｂａｒ　ｌｉｎｅｓ）７３１中　国　海　洋　大　学　学　报 ２　０　１　８ 年３．３ 泛化性能泛化性能是描述分类器或分类器系统的普适性指标。常用的泛化性能测试方法有交叉验证法和自抽样法。本研究选择自抽样法（Ｂｏｏｓｔｓｔｒａｐｐｉｎｇ）对四种分类器或分类器系统（ＤＴ、ＤＴ－Ａ、ＤＴ－Ｂ 以及 ＤＴ－ＡＢ）的泛化性能进行测试。自抽样法每次从样本集中抽取一部分样本训练分类器，而后对剩余样本进行测试。这样做 Ｎ 次，最后获取检测率、错检率和识别率的均值，作为泛化性能的衡量标准。设计的实验流程如图５所示。图５　泛化能力测试实验流程图Ｆｉｇ．５　Ｔｈｅ　ｆｌｏｗ　ｃｈａｒｔ　ｏｆ　ｔｈｅ　ｅｘｐｅｒｉｍｅｎｔ　ｔｈａｔ　ｗａｓｕｓｅｄ　ｔｏ　ｔｅｓｔ　ｇｅｎｅｒａｌｉｚａｔｉｏｎ　ｐｅｒｆｏｒｍａｎｃｅ　　首先从样本集中按溢油／疑似溢油样本比例随机抽取７０％的样本作为训练样本集，剩余３０％样本作为测试样本集。用训练样本集训练出 ＤＴ、ＤＴ－Ａ、ＤＴ－Ｂ、ＤＴ－ＡＢ四种分类器或分类器系统。然后分别使用四种分类器或分类器系统对相应的测试集进行测试，得到各自的 检 测 率、错 检 率、识 别 率。 重 复 以 上 步 骤 １００次，得到四种分类器或分类器系统各１００个检测率、错检率、识别率，其中每次从样本集中随机抽取７０％的样本作为训练样本集 的 过程即 为自抽样法 （Ｂｏｏｓｔｓｔｒａｐ－ｐｉｎｇ）的概念。各１００个检测率、错检率、识别率的均值和标准差即为评价 ＤＴ、ＤＴ－Ａ、ＤＴ－Ｂ和 ＤＴ－ＡＢ泛化性能的指标。实验结果如表２所示。可以看出，ＤＴ－Ａ 和 ＤＴ－Ｂ的检 测 率、错 检 率 和 识 别 率 均 优 于 ＤＴ，这 说 明 Ａｄａ－Ｂｏｏｓｔ算法（ＤＴ－Ａ）与 Ｂａｇｇｉｎｇ算法（ＤＴ－Ｂ）确实提高了决策树单分类器的检测率和泛化性能，ＤＴ－Ａ 略优于ＤＴ－Ｂ。尤 其，以 ＤＴ－Ａ 分 类 器 系 统 为 分 量 分 类 器 的Ｂａｇｇｉｎｇ系统 ＤＴ－ＡＢ的检测率和识别率最高而错检率最低，说明其泛化性能最佳。３．４ 稳定性能Ｂｒｅｉｍａｎ提出［３０］，如果一个 分 类器因训 练 集 样 本的较小改变而导致分类器性能的显著改变，则这种分类器被认为是“不稳定”（Ｕｎｓｔａｂｌｅ）的。Ｂａｇｇｉｎｇ算法对分类器稳定性能的提高需通过实验进行测试。测试过程需满足训练集样本的较小改变这一条件。需要获得一系列由略有差别的训练集训练出的某种分类器或分类器系统，进而得到它们对相同测试集的检测率、错检率和识别率的均值、标准差。以标准差作为稳定性的评价指标，标准差越小，表明稳定性能越好。表２　泛化能力测试实验结果Ｔａｂｌｅ　２　Ｔｈｅ　ｔｅｓｔ　ｒｅｓｕｌｔ　ｏｆ　ｇｅｎｅｒａｌｉｚａｔｉｏｎ　ｐｅｒｆｏｒｍａｎｃｅＤＴ　 ＤＴ－Ａ检测率① 错检率② 识别率③ 检测率① 错检率② 识别率③均值④ ０．７４１　 ０．２５９　 ０．７９８　 ０．８２８　 ０．１６２　 ０．８７０标准差⑤ ０．０４５　 ０．０２８　 ０．０１９　 ０．０３１　 ０．０２６　 ０．０１５ＤＴ－Ｂ（１３０） ＤＴ－ＡＢ（１５０）检测率① 错检率② 识别率③ 检测率① 错检率② 识别率③均值④ ０．８０６　 ０．１７２　 ０．８５９　 ０．８３２　 ０．１５６　 ０．８７４标准差⑤ ０．０３２　 ０．０２７　 ０．０１６　 ０．０２８　 ０．０２６　 ０．０１５Ｎｏｔｅ：①Ｄｅｔｅｃｔｉｏｎ　ｒａｔｅ；②Ｆａｌｓｅ　ｄｉｓｃｏｖｅｒｙ　ｒａｔｅ；③Ｒｅｃｏｇｎｉｔｉｏｎ　ｒａｔｅ；④Ａｖｅｒａｇｅ；⑤Ｓｔａｎｄａｒｄ　ｄｅｖｉａｔｉｏｎ８３１涛，等：用于ＳＡＲ 图像海面溢油自动识别的 Ｂａｇｇｉｎｇ－ＡｄａＢｏｏｓｔ决策树分类器系统　　设计的实验流程如图６所示。首先从训练样本集中按溢油／疑似溢油样本比例随机抽取８０％的样本组成微调训练集，并训练出 ＤＴ、ＤＴ－Ａ、ＤＴ－Ｂ（１３０个分量分类器）和 ＤＴ－ＡＢ（１５０ 个分量分类器）四种分类器或分类器系统。然后分别使用ＤＴ、ＤＴ－Ａ、ＤＴ－Ｂ 和 ＤＴ－ＡＢ 对测试样本集进行测试，得到各自 的 检 测 率、错 检 率、识 别 率。重 复 以 上 步 骤１００次，得到四种分类器各１００个检测率、错检率、识别率。最后，计算各 １００个检测率、错 检率、识别率的均值和标准差，以标准差作为分类器稳定性能的指标。实验结果如表３所示。可以看出，ＤＴ－Ａ 和 ＤＴ－Ｂ的检测率、错检率和识别率的标准差均低于 ＤＴ，这说明 Ｂａｇｇｉｎｇ算法和 ＡｄａＢｏｏｓｔ算法不仅提高了决策树单分类器的检测率和泛化性能，同时提高了稳定性能，ＤＴ－Ｂ的标准差略低于 ＤＴ－Ａ 的标准差。尤其，ＤＴ－ＡＢ分类器系统的标准差最小，说明 ＤＴ－ＡＢ分类器系统不仅泛化性能最佳，其稳定性能亦最佳。图６　稳定性能测试实验流程图Ｆｉｇ．６　Ｔｈｅ　ｆｌｏｗ　ｃｈａｒｔ　ｏｆ　ｔｈｅ　ｅｘｐｅｒｉｍｅｎｔ　ｔｈａｔ　ｗａｓ　ｕｓｅｄ　ｔｏ　ｔｅｓｔ　ｓｔａｂｉｌｉｔｙ　ｐｅｒｆｏｒｍａｎｃｅ表３　稳定性能测试实验结果Ｔａｂｌｅ　３　Ｔｈｅ　ｔｅｓｔ　ｒｅｓｕｌｔ　ｏｆ　ｓｔａｂｉｌｉｔｙ　ｐｅｒｆｏｒｍａｎｃｅＤＴ　 ＤＴ－Ａ检测率① 错检率② 识别率③ 检测率① 错检率② 识别率③均值④ ０．７２８　 ０．２６９　 ０．７８９　 ０．８２０　 ０．１６８　 ０．８６５标准差⑤ ０．０３９　 ０．０３０　 ０．０２０　 ０．０１６　 ０．０１５　 ０．００９　 ＤＴ－Ｂ（１３０） ＤＴ－ＡＢ（１５０）　 检测率① 错检率② 识别率③ 检测率① 错检率② 识别率③均值④ ０．８１０　 ０．１８４　 ０．８５５　 ０．８２６　 ０．１６１　 ０．８７０标准差⑤ ０．０１４　 ０．０１４　 ０．００８　 ０．０１１　 ０．０１１　 ０．００７Ｎｏｔｅ：①Ｄｅｔｅｃｔｉｏｎ　ｒａｔｅ；②Ｆａｌｓｅ　ｄｉｓｃｏｖｅｒｙ　ｒａｔｅ；③Ｒｅｃｏｇｎｉｔｉｏｎ　ｒａｔｅ；④Ａｖｅｒａｇｅ；⑤Ｓｔａｎｄａｒｄ　ｄｅｖｉａｔｉｏｎ９３１中　国　海　洋　大　学　学　报 ２　０　１　８ 年４　结论与讨论近年一些重大的海上溢油事故引起广泛重视，从而利用卫星ＳＡＲ 图像自动监测海面溢油成为 ＳＡＲ 数据海洋应用的热点之一。目前应用于 ＳＡＲ 海面溢油检测的分类器大多为单分类器，其检测率往往难以达到要求。本研究引入ＡｄａＢｏｏｓｔ算法和 Ｂａｇｇｉｎｇ算法，采用决策树（ＤＴ）单分类器为其内核，形成两种分类器系统 ＤＴ－Ａ 和 ＤＴ－Ｂ。进而提出以 ＤＴ－Ａ 为内核的 Ｂａｇｇｉｎｇ分类器系统 ＤＴ－ＡＢ。对１　４４８个 Ｅｎｖｉｓａｔ／ＡＳＡＲ（Ｃ－Ｂａｎｄ）海面溢油和疑似溢油样本 集 进 行 分 类 实 验。结 果 表 明：（１）Ａｄａ－Ｂｏｏｓｔ算法和 Ｂａｇｇｉｎｇ算法可以明显增强单分类器的分类性能、泛化性能和稳定性能。（２）本研究首次提出的 ＤＴ－ＡＢ分类器系统的分类性能、泛化性能和稳定性能优于 ＤＴ－Ａ 和 ＤＴ－Ｂ。因 此，ＤＴ－ＡＢ 分 类 器 系 统 用于卫星ＳＡＲ 海面溢油自动识别业务化应用方面具有前景。本 研 究 对 不 同 时 空 覆 盖 的 Ｅｎｖｉｓａｔ／ＡＳＡＲ（Ｃ－Ｂａｎｄ）样 本 集 以 及 不 同 卫 星 不 同 波 段 的 ＣＯＳＭＯ－ＳｋｙＭｅｄ　ＳＡＲ（Ｘ－Ｂａｎｄ）样本集进行了同样的实验，结果与上述一致。需要说明的是，上述用于实验的样本集中，海面溢油样本数与疑似溢油样本数的比例在 １∶５左右。而实际应用中，一幅 ＳＡＲ 图像中的海面溢油样本数与疑似溢油样本数的比例往往达到 １∶１００ 甚至更大。这种样本不平衡问题是模式识别中的难点之一。在项目研究方案中采用一个新的自适应阈值分割算法先行解决严重的不平衡问题。今后，将针对样本集深入研究海面溢油和疑似溢油的特征参数。致谢：感谢中海油项目“海上溢油卫星自动识别和预警业务化系统研发”对本研究的资助以及项目课题组师 生 对 本 研 究 的 有 益 讨 论 和 帮 助。 感 谢 ＥＳＡ－ＭＯＳＴ　Ｄａｒｇｏｎ３ＩＤ１０５８０Ｐｒｏｊｅｃｔ提供 Ｅｎｖｉｓａｔ／ＡＳＡＲ卫星图像。参考文献：［１］　Ｂｒｅｋｋｅ　Ｃ，Ｓｏｌｂｅｒｇ　Ａ　Ｈ　Ｓ．Ｏｉｌ　ｓｐｉｌｌ　ｄｅｔｅｃｔｉｏｎ　ｂｙ　ｓａｔｅｌｌｉｔｅ　ｒｅｍｏｔｅｓｅｎｓｉｎｇ［Ｊ］．Ｒｅｍｏｔｅ　Ｓｅｎｓｉｎｇ　ｏｆ　Ｅｎｖｉｒｏｎｍｅｎｔ，２００５，１：１－１３．［２］　Ｓｏｌｂｅｒｇ　Ａ　Ｈ　Ｓ，Ｓｏｌｂｅｒｇ　Ｒ．Ａ　ｌａｒｇｅ－ｓｃａｌｅ　ｅｖａｌｕａｔｉｏｎ　ｏｆ　ｆｅａｔｕｒｅｓ　ｆｏｒａｕｔｏｍａｔｉｃ　ｄｅｔｅｃｔｉｏｎ　ｏｆ　ｏｉｌ　ｓｐｉｌｌｓ　ｉｎ　ＥＲＳ　ＳＡＲ　ｉｍａｇｅｓ［Ｃ］．Ｉｎｔｅｒｎａ－ｔｉｏｎａｌ　Ｇｅｏｓｃｉｅｎｃｅ　ａｎｄ　Ｒｅｍｏｔｅ　Ｓｅｎｓｉｎｇ　Ｓｙｍｐｏｓｉｕｍ：ＩＥＥＥ，１９９６：１４８４－１４８６．［３］　Ｋｏｎｓｔａｎｔｉｎｏｓ　Ｎ，Ｔｏｐｏｕｚｅｌｉｓ．Ｏｉｌ　Ｓｐｉｌｌ　Ｄｅｔｅｃｔｉｏｎ　ｂｙ　ＳＡＲ　Ｉｍａｇｅｓ：Ｄａｒｋ　Ｆｏｒｍａｔｉｏｎ　Ｄｅｔｅｃｔｉｏｎ，Ｆｅａｔｕｒｅ　Ｅｘｔｒａｃｔｉｏｎ　ａｎｄ　ＣｌａｓｓｉｆｉｃａｔｉｏｎＡｌｇｏｒｉｔｈｍｓ［Ｊ］．Ｓｅｎｓｏｒｓ，２００８，１０：６６４２－６６５９．［４］　Ｓｏｌｂｅｒｇ　Ａ　Ｈ　Ｓ，Ｖｏｌｄｅｎ　Ｅ．Ｉｎｃｏｒｐｏｒａｔｉｏｎ　ｏｆ　Ｐｒｉｏｒ　Ｋｎｏｗｌｅｄｇｅ　ｉｎＡｕｔｏｍａｔｉｃ　Ｃｌａｓｓｉｆｉｃａｔｉｏｎ　ｏｆ　Ｏｉｌ　Ｓｐｉｌｌｓ　ｉｎ　ＥＲＳ　ＳＡＲ　Ｉｍａｇｅｓ［Ｃ］．Ｉｎ－ｔｅｒｎａｔｉｏｎａｌ　Ｇｅｏｓｃｉｅｎｃｅ　ａｎｄ　Ｒｅｍｏｔｅ　Ｓｅｎｓｉｎｇ　Ｓｙｍｐｏｓｉｕｍ：ＩＥＥＥ，１９９７：１５７－１５９．［５］　Ｓｏｌｂｅｒｇ　Ａ　Ｈ　Ｓ，Ｓｔｏｒｖｉｋ　Ｇ，Ｓｏｌｂｅｒｇ　Ｒ，ｅｔ　ａｌ．Ａｕｔｏｍａｔｉｃ　ｄｅｔｅｃｔｉｏｎｏｆ　ｏｉｌ　ｓｐｉｌｌｓ　ｉｎ　ＥＲＳ　ＳＡＲ　ｉｍａｇｅｓ［Ｊ］．ＩＥＥＥ　Ｔｒａｎｓａｃｔｉｏｎｓ　ｏｎ　Ｇｅｏｓｃｉ－ｅｎｃｅ　ａｎｄ　Ｒｅｍｏｔｅ　Ｓｅｎｓｉｎｇ，１９９９，３７（４）：１９１６－１９２４．［６］　Ｓｏｌｂｅｒｇ　Ａ　Ｈ　Ｓ，Ｄｏｋｋｅｎ　Ｓ　Ｔ，Ｓｏｌｂｅｒｇ　Ｒ．Ａｕｔｏｍａｔｉｃ　ｄｅｔｅｃｔｉｏｎ　ｏｆ　ｏｉｌｓｐｉｌｌｓ　ｉｎ　Ｅｎｖｉｓａｔ，Ｒａｄａｒｓａｔ　ａｎｄ　ＥＲＳ　ＳＡＲ　ｉｍａｇｅｓ［Ｃ］．Ｉｎｔｅｒｎａｔｉｏｎ－ａｌ　Ｇｅｏｓｃｉｅｎｃｅ　ａｎｄ　Ｒｅｍｏｔｅ　Ｓｅｎｓｉｎｇ　Ｓｙｍｐｏｓｉｕｍ：ＩＥＥＥ，２００３．［７］　Ｓｏｌｂｅｒｇ　Ａ　Ｈ　Ｓ，Ｂｒｅｋｋｅ　Ｃ，Ｈｕｓｙ　Ｐ．Ｏｉｌ　ｓｐｉｌｌ　ｄｅｔｅｃｔｉｏｎ　ｉｎ　Ｒａｄａｒｓａｔａｎｄ　Ｅｎｖｉｓａｔ　ＳＡＲ　ｉｍａｇｅｓ ［Ｊ］．ＩＥＥＥ　Ｔｒａｎｓａｃｔｉｏｎｓ　ｏｎ　Ｇｅｏｓｃｉｅｎｃｅａｎｄ　Ｒｅｍｏｔｅ　Ｓｅｎｓｉｎｇ，２００７，４５（３）：７４６－７５５．［８］　Ｆｉｓｃｅｌｌａ　Ｂ，Ｎｉｒｃｈｉｏ　Ｆ，Ｐａｖｅｓｅ　Ｐ，ｅｔ　ａｌ．Ｏｉｌ　ｓｐｉｌｌ　ｄｅｔｅｃｔｉｏｎ　ｕｓｉｎｇ　ｍａ－ｒｉｎｅ　ＳＡＲ　ｉｍａｇｅｓ ［Ｊ］．Ｉｎｔｅｒｎａｔｉｏｎａｌ　Ｊｏｕｒｎａｌ　ｏｆ　Ｒｅｍｏｔｅ　Ｓｅｎｓｉｎｇ，２０００，２１（１８）：３５６１－３５６６．［９］　Ｎｉｒｃｈｉｏ　Ｆ，Ｄｉ　Ｔｏｍａｓｏ　Ｓ，Ｂｉａｍｉｎｏ　Ｗ，ｅｔ　ａｌ．Ｏｉｌ　ｓｐｉｌｌｓ　ａｕｔｏｍａｔｉｃｄｅｔｅｃｔｉｏｎ　ｆｒｏｍ　ＳＡＲ　ｉｍａｇｅｓ ［Ｃ］．Ｅｎｖｉｓａｔ　ａｎｄ　ＥＲＳ　Ｓｙｍｐｏｓｉｕｍ：ＩＥＥＥ，２００４．［１０］　Ｎｉｒｃｈｉｏ　Ｆ，Ｓｏｒｇｅｎｔｅ　Ｍ，Ｇｉａｎｃａｓｐｒｏ　Ａ，ｅｔ　ａｌ．Ａｕｔｏｍａｔｉｃ　ｄｅｔｅｃｔｉｏｎｏｆ　ｏｉｌ　ｓｐｉｌｌｓ　ｆｒｏｍ　ＳＡＲ　ｉｍａｇｅｓ［Ｊ］．Ｉｎｔｅｒｎａｔｉｏｎａｌ　Ｊｏｕｒｎａｌ　ｏｆ　ＲｅｍｏｔｅＳｅｎｓｉｎｇ，２００５，２６（６）：１１５７－１１７４．［１１］　Ｂｒｅｋｋｅ　Ｃ，Ｓｏｌｂｅｒｇ　Ａ　Ｈ　Ｓ．Ｃｌａｓｓｉｆｉｅｒｓ　ａｎｄ　ｃｏｎｆｉｄｅｎｃｅ　ｅｓｔｉｍａｔｉｏｎｆｏｒ　ｏｉｌ　ｓｐｉｌｌ　ｄｅｔｅｃｔｉｏｎ　ｉｎ　ＥＮＶＩＳＡＴ　ＡＳＡＲ　ｉｍａｇｅｓ［Ｊ］．Ｇｅｏｓｃｉｅｎｃｅａｎｄ　Ｒｅｍｏｔｅ　Ｓｅｎｓｉｎｇ　Ｌｅｔｔｅｒｓ，２００８，５：６５－６９．［１２］　Ａｉｒｅｓ　Ｆ，Ｐｒｉｇｅｎｔ　Ｃ，Ｒｏｓｓｏｗ　Ｗ　Ｂ．Ｎｅｕｒａｌ　ｎｅｔｗｏｒｋ　ｕｎｃｅｒｔａｉｎｔｙａｓｓｅｓｓｍｅｎｔ　ｕｓｉｎｇ　Ｂａｙｅｓｉａｎ　ｓｔａｔｉｓｔｉｃｓ：Ａ　ｒｅｍｏｔｅ　ｓｅｎｓｉｎｇ　ａｐｐｌｉｃａｔｉｏｎ［Ｊ］．Ｎｅｕｒａｌ　Ｃｏｍｐｕｔａｔｉｏｎ，２００４，１６（１１）：２４１５－５８．［１３］　Ｄｅｌ　Ｆｒａｔｅ　Ｆ，Ｐｅｔｒｏｃｃｈｉ　Ａ，Ｌｉｃｈｔｅｎｅｇｇｅｒ　Ｊ，ｅｔ　ａｌ．Ｎｅｕｒａｌ　ｎｅｔｗｏｒｋｓｆｏｒ　ｏｉｌ　ｓｐｉｌｌ　ｄｅｔｅｃｔｉｏｎ　ｕｓｉｎｇ　ＥＲＳ－ＳＡＲ　ｄａｔａ［Ｊ］．ＩＥＥＥ　Ｔｒａｎｓａｃｔｉｏｎｓｏｎ　Ｇｅｏｓｃｉｅｎｃｅ　＆ Ｒｅｍｏｔｅ　Ｓｅｎｓｉｎｇ，２０００，３８（５）：２２８２－２２８７．［１４］　Ｔｏｐｏｕｚｅｌｉｓ　Ｋ，Ｋａｒａｔｈａｎａｓｓｉ　Ｖ，Ｐａｖｌａｋｉｓ　Ｐ，ｅｔ　ａｌ．Ｏｉｌ　Ｓｐｉｌｌ　Ｄｅｔｅｃ－ｔｉｏｎ　Ｕｓｉｎｇ　ＲＢＦ　Ｎｅｕｒａｌ　Ｎｅｔｗｏｒｋｓ　ａｎｄ　ＳＡＲ　Ｄａｔａ［Ｃ］．Ｊｏｕｒｎａｌ　ｏｆＰｈｏｔｏｇｒａｍｍｅｔｒｙ　ａｎｄ　Ｒｅｍｏｔｅ　Ｓｅｎｓｉｎｇ　Ｃｏｎｇｒｅｓｓ：ＩＥＥＥ，２００４．［１５］　Ｔｏｐｏｕｚｅｌｉｓ　Ｋ，Ｋａｒａｔｈａｎａｓｓｉ　Ｖ，Ｐａｖｌａｋｉｓ　Ｐ，ｅｔ　ａｌ．Ｄｅｔｅｃｔｉｏｎ　ａｎｄｄｉｓｃｒｉｍｉｎａｔｉｏｎ　ｂｅｔｗｅｅｎ　ｏｉｌ　ｓｐｉｌｌｓ　ａｎｄ　ｌｏｏｋ－ａｌｉｋｅ　ｐｈｅｎｏｍｅｎａｔｈｒｏｕｇｈ　ｎｅｕｒａｌ　ｎｅｔｗｏｒｋｓ ［Ｊ］．Ｊｏｕｒｎａｌ　ｏｆ　Ｐｈｏｔｏｇｒａｍｍｅｔｒｙ　ａｎｄＲｅｍｏｔｅ　Ｓｅｎｓｉｎｇ（ＩＳＰＲＳ），２００７，６２：２６４－２７０．［１６］　Ｔｏｐｏｕｚｅｌｉｓ　Ｋ，Ｓｔａｔｈａｋｉｓ　Ｄ，Ｋａｒａｔｈａｎａｓｓｉ　Ｖ．Ｉｎｖｅｓｔｉｇａｔｉｏｎ　ｏｆ　ｇｅ－ｎｅｔｉｃ　ａｌｇｏｒｉｔｈｍｓ　ｃｏｎｔｒｉｂｕｔｉｏｎ　ｔｏ　ｆｅａｔｕｒｅ　ｓｅｌｅｃｔｉｏｎ　ｆｏｒ　ｏｉｌ　ｓｐｉｌｌ　ｄｅ－ｔｅｃｔｉｏｎ［Ｊ］．Ｉｎｔｅｒｎａｔｉｏｎａｌ　Ｊｏｕｒｎａｌ　ｏｆ　Ｒｅｍｏｔｅ　Ｓｅｎｓｉｎｇ，２００９，３０：６１１－６２５．［１７］　Ｓｉｎｇｈａ　Ｓ，Ｂｅｌｌｅｒｂｙ　Ｔ　Ｊ，Ｔｒｉｅｓｃｈｍａｎｎ　Ｏ．Ｄｅｔｅｃｔｉｏｎ　ａｎｄ　ｃｌａｓｓｉｆｉｃａ－ｔｉｏｎ　ｏｆ　ｏｉｌ　ｓｐｉｌｌ　ａｎｄ　ｌｏｏｋ－ａｌｉｋｅ　ｓｐｏｔｓ　ｆｒｏｍ　ＳＡＲ　ｉｍａｇｅｒｙ　ｕｓｉｎｇ　ａｎＡｒｔｉｆｉｃｉａｌ　Ｎｅｕｒａｌ　Ｎｅｔｗｏｒｋ［Ｃ］．Ｇｅｏｓｃｉｅｎｃｅ　ａｎｄ　Ｒｅｍｏｔｅ　ＳｅｎｓｉｎｇＳｙｍｐｏｓｉｕｍ：ＩＥＥＥ，２０１２：５６３０－５６３３．［１８］　Ｓｉｎｇｈａ　Ｓ，Ｂｅｌｌｅｒｂｙ　Ｔ　Ｊ，Ｔｒｉｅｓｃｈｍａｎｎ　Ｏ．Ｓａｔｅｌｌｉｔｅ　ｏｉｌ　ｓｐｉｌｌ　ｄｅｔｅｃ－ｔｉｏｎ　ｕｓｉｎｇ　ａｒｔｉｆｉｃｉａｌ　ｎｅｕｒａｌ　ｎｅｔｗｏｒｋｓ［Ｊ］．ＩＥＥＥ　Ｊｏｕｒｎａｌ　ｏｆ　ＳｅｌｅｃｔｅｄＴｏｐｉｃｓ　ｉｎ　Ａｐｐｌｉｅｄ　Ｅａｒｔｈ　Ｏｂｓｅｒｖａｔｉｏｎｓ　ａｎｄ　Ｒｅｍｏｔｅ　Ｓｅｎｓｉｎｇ，２０１３，６：２３５５－２３６３．［１９］　Ｋｅｒａｍｉｔｓｏｇｌｏｕａ　Ｉ，ＣａｒｔａｌｉｓａＣ，Ｃｈｒｉｓ　Ｔ　Ｋｉｒａｎｏｕｄｉｓｂ．Ａｕｔｏｍａｔｉｃ　ｉ－ｄｅｎｔｉｆｉｃａｔｉｏｎ　ｏｆ　ｏｉｌ　ｓｐｉｌｌｓ　ｏｎ　ｓａｔｅｌｌｉｔｅ　ｉｍａｇｅｓ［Ｊ］．ＥｎｖｉｒｏｎｍｅｎｔａｌＭｏｄｅｌｌｉｎｇ　ａｎｄ　Ｓｏｆｔｗａｒｅ，２００６，２１（５）：６４０－６５２．［２０］　Ｋａｒａｔｈａｎａｓｓｉ　Ｖ，Ｔｏｐｏｕｚｅｌｉｓ　Ｋ，Ｐａｖｌａｋｉｓ　Ｐ，ｅｔ　ａｌ．Ａｎ　ｏｂｊｅｃｔ‐ｏ－ｒｉｅｎｔｅｄ　ｍｅｔｈｏｄｏｌｏｇｙ　ｔｏ　ｄｅｔｅｃｔ　ｏｉｌ　ｓｐｉｌｌｓ［Ｊ］．Ｉｎｔｅｒｎａｔｉｏｎａｌ　Ｊｏｕｒｎａｌ０４１