[论文解读] Bayesian Segmentation of Oceanic SAR Images: Application to Oil Spill Detection

Sónia Pelizzari, José M. Bioucas‐Dias|arXiv (Cornell University)|Jul 26, 2010

Oil Spill Detection and Mitigation参考文献 27被引用 5

一句话总结

本文提出了一种基于有限混合Gamma分布建模后向散射信号密度，并结合多级逻辑马尔可夫随机场（MRF）先验以增强局部同质性的贝叶斯分割算法，用于海洋SAR图像。该方法采用带有环状信念传播的期望最大化（EM）算法实现平滑参数的自动估计，并结合图割技术（α-Expansion）实现高效的MAP分割，在真实ERS和Envisat影像中实现了精确的油膜泄漏检测。

ABSTRACT

This paper introduces Bayesian supervised and unsupervised segmentation algorithms aimed at oceanic segmentation of SAR images. The data term, \emph{i.e}., the density of the observed backscattered signal given the region, is modeled by a finite mixture of Gamma densities with a given predefined number of components. To estimate the parameters of the class conditional densities, a new expectation maximization algorithm was developed. The prior is a multi-level logistic Markov random field enforcing local continuity in a statistical sense. The smoothness parameter controlling the degree of homogeneity imposed on the scene is automatically estimated, by computing the evidence with loopy belief propagation; the classical coding and least squares fit methods are also considered. The maximum a posteriori segmentation is computed efficiently by means of recent graph-cut techniques, namely the $α$-Expansion algorithm that extends the methodology to an optional number of classes. The effectiveness of the proposed approaches is illustrated with simulated images and real ERS and Envisat scenes containing oil spills.

研究动机与目标

• 解决在海洋SAR图像中分割暗色特征（尤其是油膜泄漏）的挑战，这对环境监测至关重要。
• 通过整合一个稳健的统计模型以表征后向散射强度的可变性，改进现有的分割-分类流程。
• 开发适用于复杂、多模态强度分布的有监督与无监督贝叶斯分割算法。
• 通过环状信念传播自动估计MRF平滑参数，提升场景同质性，避免人工调参。
• 通过α-Expansion图割算法将分割框架扩展至任意类别数，增强多特征检测的灵活性。

提出的方法

• 使用每个分量具有形状与尺度参数的有限混合Gamma分布建模SAR后向散射的类条件密度。
• 通过一种新颖的期望最大化（EM）算法估计混合参数（形状、尺度及混合权重），该算法引入了每个像素的缺失数据（分量归属）。
• 应用具有二阶邻域结构的多级逻辑马尔可夫随机场（MLL-MRF）先验，以强制实现空间连续性与区域同质性。
• 通过环状信念传播（LBP）自动推断MRF平滑参数，以计算模型证据，备选方法包括最小二乘拟合与编码方法。
• 采用α-Expansion图割算法实现最大后验概率（MAP）分割，实现对任意类别数的精确且高效的优化。
• 在有监督变体中采用基于训练的方法，用户手动选择油与水的代表性区域；无监督变体通过迭代参数优化消除对此类输入的需求。

实验结果

研究问题

• RQ1 有限混合Gamma分布能否有效建模海洋SAR后向散射的多模态强度分布，特别是针对油膜泄漏及其周围水域？
• RQ2 如何自动估计MRF先验的平滑参数，以在无需用户输入的情况下平衡分割精度与空间一致性？
• RQ3 与传统阈值法或固定参数方法相比，所提出的贝叶斯分割框架在油膜泄漏检测精度方面提升程度如何？
• RQ4 与经典方法（LSF、CD）相比，采用环状信念传播进行证据计算在估计MRF平滑参数方面表现如何？
• RQ5 α-Expansion图割算法能否高效且精确地求解SAR图像分割中任意类别数的MAP分割问题？

主要发现

• 所提出的贝叶斯分割框架在真实ERS与Envisat SAR影像中实现了高精度的油膜泄漏检测，分割结果与真实标注高度一致。
• 采用Gamma混合模型能有效捕捉海洋SAR数据的多模态强度分布，优于单一分布模型（如瑞利或威布尔分布）。
• 与最小二乘拟合和编码方法相比，采用环状信念传播进行平滑参数估计可显著提升分割性能，尤其在纹理多变的复杂场景中。
• 无监督算法无需用户提供训练区域即可成功检测油膜泄漏，展现出对现实世界变异性的鲁棒性与适应性。
• α-Expansion图割算法可实现对超过两类的精确且高效的MAP分割，显著提升了计算可扩展性与精度。
• 结合缺失数据建模的EM算法在数十次迭代内即可可靠收敛，初始参数估计基于数据范围与等距Gamma分量。