Key points are not available for this paper at this time.
Ölverschmutzungen verursachen große Schäden für die Umwelt und insbesondere für Küstene kosysteme. Die Fähigkeit, sie genau zu erkennen, ist wichtig für eine rasche Reaktion auf Ölverschmutzungen. Wir schlagen eine semi-automatische Methode zur Erkennung von Ölverschmutzungen vor, bei der Texturanalyse, maschinelles Lernen und adaptive Schwellenwertbestimmung verwendet werden, um X-Band-Marinradarbilder zu verarbeiten. Zunächst werden Koordinatentransformation und Rauschunterdrückung auf die festgelegten Radarbilder angewendet. Grobe Messungen von Ölverschmutzungen werden dann einer Texturanalyse und maschinellem Lernen unterzogen. Um die Stellen der Ölverschmutzungen zu identifizieren, wird ein Texturindex vorgeschlagen, der aus vier texturalen Merkmalen einer graustufigen Ko-Aggregationsmatrix berechnet wird. Maschinelle Lernmethoden, namentlich Support Vector Machine, k-nächste Nachbarn, lineare Diskriminanzanalyse und Ensemble-Lernen werden verwendet, um die groben Ölverschmutzungsbereiche auszuwerten, die durch den Texturindex angezeigt werden. Schließlich können feine Messungen durch die Anwendung von adaptiver Schwellenwertbestimmung auf grob extrahierte Ölverschmutzungsbereiche gewonnen werden. Feine Messungen sind unempfindlich gegenüber den Ergebnissen der groben Messung. Die vorgeschlagene Methode zur Erkennung von Ölverschmutzungen wurde auf Radarbildern angewendet, die nach einem Ölunfall in der Küstenregion von Dalian, China, am 21. Juli 2010 aufgenommen wurden. Mit unserer Verarbeitungsmethode müssen Schwellenwerte nicht manuell festgelegt werden und Ölverschmutzungen können semi-automatisch extrahiert werden. Die extrahierten Ölverschmutzungen sind genau und stimmen mit visuellen Interpretationen überein.
Liu et al. (Thu,) haben diese Frage untersucht.