本文是一篇计算机应用论文研究，本文构建了 SAR 暗斑特征样本集和图像样本集。在构建样本之前，了解了基于 SAR图像，水华识别方法的研究进展。通过对 SAR 图像以及暗斑图像特征的深入了解，确定了暗斑图像的属性和需要提取的暗斑特征。之后，对预处理后的 SAR 图像进行裁剪、分割等步骤获得暗斑图像集合，然后分别应用数据增强技术和特征提取算法构建暗斑的图像样本集和特征样本集，为后续研究提供了数据基础。
第 1 章 绪论
1.1 研究背景与意义
内陆湖泊是我国主要的淡水资源，随着社会经济的发展和城市现代化建设进程的不断加快，工业、农业以及城镇居民日常生活中产生了大量废水，部分在完全没有处理的情况下直接排放到湖泊中，导致越来越多的内陆湖泊水质恶化，诱发水体富营养化现象[1-2]。湖泊的水体富营养化现象不仅加剧了水资源的短缺，还对我国可持续发展战略的实施带来了重大影响，并严重威胁了城市居民的饮水安全和人民群众的身体健康[3]。
湖泊水体富营养化会导致水体中藻类大量繁殖生长并在水体表面聚集，形成水华现象[4-5]。水华现象的产生降低了水体的透明度，致使水中植物获取不到阳光，导致湖泊溶解氧过饱和，同时藻类还会产生大量的毒素，进一步加剧了水质的恶化。这不仅会造成严重的生态破坏，危害人类健康，还降低了水资源的利用效率，从而带来巨大的经济损失[6]。近些年来，水华问题一直是我国水生态保护的重点关注内容之一。因此，对水华的监测与预警也是保护水环境安全的一项重要工作。
传统的水华监测识别方法通常为实地采样和布点，不仅费时费力、不适用于大面积的湖泊水域，还难以准确地反映水华的空间分布情况。随着科技的发展，卫星遥感技术在环境监测领域发挥着越来越重要的作用。目前，光学遥感和微波遥感都是常用的卫星遥感技术，其中光学遥感应用较广泛，但易受云、雨、雾等恶劣天气以及光照的影响。星载合成孔径雷达（Synthetic Aperture Radar, SAR）是一种主动微波遥感技术，通过发射电磁波，获取地物反射的后向散射信息进行成像，具有全天时、全天候的对地观测能力，可以有效弥补光学遥感的不足。因此，开展基于星载 SAR 图像的水华监测识别研究具有重要意义。
.........................
1.2 国内外研究现状
1.2.1 基于 SAR 图像的水华识别研究
2009 年，文献[7]发现 ASAR 微波遥感图像中的暗斑区与 MODIS 光学遥感图像中的水华区高度一致。因此，在后续的水华识别研究中，将 SAR 图像与易解译的光学遥感图像相结合成为了较为常用的一种技术方法。2013 年，文献[8]基于 ASAR 图像和MODIS 图像对太湖蓝藻水华进行提取，验证了雷达图像可以用于水华的监测。2014 年，文献[9]结合 ASAR 图像和 MERIS 光学图像，对欧洲 Cruonian 湖中蓝藻水华不同阶段叶绿素浓度和后向散射系数关系进行了反演。2015 年，文献[10]利用多时相 SAR 图像和光学遥感图像对水华进行识别，得到 67.74%的总体识别精度。2018 年，文献[11]在预处理环节中使用 MODIS 光学图像，识别阶段单独使用 Sentinel-1A 卫星的 SAR 图像，提出了一种基于支持向量机（Support Vector Machines, SVM）的水华识别方法，得到了74.32%的总体识别精度。该文献的成果表明，仅使用 SAR 图像进行水华识别是具有可行性的，将该领域的研究推向了一个新的阶段。但 SVM 的方法基于人工特征提取，未进行特征优化选择，总体识别精度不高。
水华爆发期间产生的油膜状物质对水面波纹起平滑作用，当 SAR 发射的电磁波入射到水面时，以镜面反射为主，会大幅降低 SAR 接收到的后向散射回波信号，因此水华区域在 SAR 图像中以低灰度的暗斑形式呈现。1991 年，文献[12]使用 SAR 图像对水面上的油膜进行了研究分析，发现油膜可以降低水面的雷达后向散射系数。因此，在目前 SAR 图像水华研究较少的情况下，借鉴溢油识别研究的相关方法是可行的。
.......................
第 2 章 基础理论与技术研究
2.1 SAR 遥感理论基础
本节主要介绍 SAR 遥感相关的理论基础，包括 SAR 图像特点、预处理步骤以及水华在 SAR 图像中的特征等内容。
2.1.1 SAR 图像特点
由于 SAR 成像方式为侧视成像，导致获取的图像在距离向上出现形变，并且在成像中产生阴影、叠掩以及透视收缩等现象。又因为 SAR 成像系统的设计是基于相干原理，所以图像中会存在斑点噪声。为了使用 SAR 图像更好地进行后续工作，需要对 SAR图像的特点进行深入了解。SAR 图像的特点主要包含以下三个部分：
（1）SAR 图像散射特征
不同地物目标具有不同的散射特性，致使它们在 SAR 图像中存在着巨大的差异。例如，对房屋建设来说，产生的二面角散射会反射回大量的微波，使雷达接收到较多的回波并以较亮的现象呈现在 SAR 图像中。但是，平静的水面等地物会产生镜面反射，导致雷达接收到极少的回波，致使在 SAR 图像中以较暗的现象呈现。
（2）SAR 图像斑点噪声特征
SAR 图像是通过雷达主动发送微波，然后接收物体反射回来的回波信号即后向散射波而成像的。因为雷达发送的微波会照射多个物体，当这些物体即目标以不同的径向速度和距离与雷达之间存在相对的运动时，会使得雷达接收到的回波信号存在一定随机浮动，导致雷达获取的目标后向散射系数存在一定的误差。存在的误差在 SAR 图像中以斑点噪声的现象呈现。
（3）SAR 图像几何特征
SAR 的侧视成像方式，会导致 SAR 成像过程中产生阴影、叠掩以及透视收缩等现象，其几何特征如图 2-1 所示。其中，雷达阴影的产生是因为高大的物体阻挡了雷达入射波，使入射波无法照射到物体背面，导致雷达无法接收到目标背面的回波信号，这种现象在 SAR 图像中以阴影的形式呈现，如图 2-1（a）所示，其中因为角1 0θ θ，使得雷达波无法到达 AC 面，因此产生阴影区域 ACD。透视收缩是指通过雷达进行成像的物体在 SAR 图像中的长度与实际的长度不符，如图 2-1（b）所示，其中 OB
........................
2.2 人工特征选择
目标识别技术在 SAR 图像领域中有一定的研究基础，其一般流程包括图像的预处理、目标特征提取、识别分类器的训练和测试等。人工特征选择是指在目标识别过程中需要人工对目标特征进行提取选择的过程。
2.2.1 特征提取
提取 SAR 图像暗斑特征是识别暗斑性质的第一步。不同地物目标具有不同的散射特性，在 SAR 图像中以不同的灰度值呈现，因此本研究选用灰度特征作为识别 SAR 图像暗斑特征的一部分。其中灰度特征包括灰度对比度、背景区后向散射系数均值与方差比以及边缘梯度。纹理特征是单波段、单极化 SAR 图像的重要特征属性，因此选用基于灰度共生矩阵（Gray Level Co-occurrence Matrix, GLCM）的方法提取相应的暗斑纹理特征，其中包括角二矩阵、对比度、熵、倒数差分矩、相关性、同质性、相异性、均值、方差以及标准差。又由于水华暗斑和非水华暗斑的成因不同，会导致两类暗斑在 SAR图像中呈现不同的形状，所以本研究选用了几何特征以及 Hu 矩作为形状方面的特征依据。其中，几何特征包括面积和复杂度，Hu 矩则包含 7 种不变矩特征。
2.2.2 特征选择
图像识别中，需要对图像进行特征提取，进而获取特征样本集。但在所获取的特征中，并不是每个特征都对目标识别具有积极作用，因此采用特征选择算法对特征集合进行优化选择处理是提高识别精度的关键步骤。
特征选择是机器学习领域中的一种预处理技术，其目的是丢弃不相关的特征，获取相关特征的集合，进而提高之后的识别分类器性能[53]。通常，特征选择主要包含过滤式、包装式和嵌入式方法。
（1）过滤式：该方法是最简单的，它是利用数据中的一般性质来决定要保留哪些特征子集。并且，过滤算法和任何学习或预测模型之间都是独立的。
（2）包装式：该方法根据特定预测方法的性能来决定要选择哪些特征子集，通常保留有助于提高识别分类器性能的特征子集。
（3）嵌入式：该方法作为识别分类器学习过程的一部分，执行特征选择操作。
.............................
第 3 章 基于人工特征选择的水华识别方法研究.......................19
3.1 研究区域和数据概况........................19
3.2 暗斑最优特征集制作.......................20
第 4 章 基于自动特征提取的水华识别方法研究.....................33
4.1 暗斑图像样本集制作..........................33
4.2 水华识别方法研究............................34
第 5 章 总结与展望...........................43
5.1 总结...............................43
5.2 展望..........................44
第 4 章 基于自动特征提取的水华识别方法研究
4.1 暗斑图像样本集制作
针对 SAR 暗斑图像集合数据量不足的问题，本研究使用数据增强方法对数据进行扩充。数据增强是在原始数据的基础上进行数据集扩充的方法，可以有效减少网络的过拟合现象，提高网络模型的泛化能力，常被用在目标识别中[63]。
本研究所使用的数据增强方法主要有旋转操作和翻转操作。
（1）旋转操作：随机将图像旋转一定的角度。本研究按照顺时针的顺序对图像旋转 90°、180°和 270°。
（2）翻转操作：按照图像左右和上下的两个对称轴分别进行翻转。
以 2015 年 8 月 18 日太湖区域的 Sentinel-1A SAR 图像中西北角一处暗斑为例，展示使用数据增强所获取的结果，如图 4-1 所示。
...........................
第 5 章 总结与展望
5.1 总结
近年来，内陆湖泊水华现象的频发严重影响了周边地区人民的日常生活，同时还加剧了我国淡水资源短缺的问题。因此，开展基于星载 SAR 图像的水华监测研究具有重要意义。但目前使用 SAR 图像对水华进行识别方法中存在特征集优化程度不够、特征提取效率低以及易受人为因素影响等问题，本文主要做了以下几点工作：
（1）构建了 SAR 暗斑特征集样本和图像样本。
本文构建了 SAR 暗斑特征样本集和图像样本集。在构建样本之前，了解了基于 SAR图像，水华识别方法的研究进展。通过对 SAR 图像以及暗斑图像特征的深入了解，确定了暗斑图像的属性和需要提取的暗斑特征。之后，对预处理后的 SAR 图像进行裁剪、分割等步骤获得暗斑图像集合，然后分别应用数据增强技术和特征提取算法构建暗斑的图像样本集和特征样本集，为后续研究提供了数据基础。
（2）提出了基于人工特征选择的水华识别方法。
为了解决现有水华识别方法中提取的特征存在消极特征的问题，本文提出了一种基于人工特征选择的水华识别方法。该方法以 ReliefF 算法为依据，对特征样本集进行优化筛选，获取最优特征集。选用 BP 神经网络作为水华识别方法的分类器。为验证方法的有效性，分别利用特征样本集和最优特征集进行暗斑识别结果的获取。实验结果表明，引用特征选择算法可以提升水华的识别精度，证明了并不是特征越多越好，只有选取合适的特征才能达到良好的识别效果。
（3）提出了两种基于自动特征提取的水华识别方法。
针对人工特征选择方法存在特征提取效率低、易受人为因素影响且难以获得图像数据深层特征的问题，本文选用深度学习中的 InceptionV3 和 DenseNet 模型并进行改进，在此基础上，提出了 ADII-SAR 和 ADID-SAR 两种水华识别方法。这两种方法可以自动提取暗斑图像中的特征并完成对暗斑的识别。实验结果表明，本文所提方法在水华识别精度方面有了明显的提升，展示了所提方法在水华识别研究中的有效性和发展潜力。
参考文献（略）
