基于HBA-AE与IAEA的X波段航海雷达海上溢油无监督检测方法研究

《Plants》：Plant–Herbivore–Trichogramma Interactions: Chemical Ecology, Host Quality, Diapause Regulation, and Implications for Biological Control

　　

海上溢油事故对海洋生态系统和沿海经济发展构成严重威胁。X波段航海雷达为近岸溢油监测提供了有效手段，然而，由于油膜与海杂波之间的灰度重叠、随距离变化的回波衰减以及噪声干扰，精确的油膜分割仍面临挑战。为解决上述问题，提出了一种将HBA-AE感兴趣区域（Region of Interest, ROI）提取与IAEA精细分割相结合的无人监督溢油检测方法。在粗检测阶段，自编码器（Autoencoder, AE）将像素灰度强度、局部均值和局部标准差映射至紧凑的二维潜空间。进一步利用蜜獾算法（Honey Badger Algorithm, HBA）优化AE潜表示，以增强油膜与海杂波的可分性，随后通过K-Means聚类识别候选溢油ROI。在精细分割阶段，提取的ROI约束搜索域，同时改进Alpha进化算法（Improved Alpha Evolution Algorithm, IAEA）通过最大化三类Otsu类间方差确定油膜描绘的最优双阈值。利用大连7·16溢油事故期间采集的X波段航海雷达数据，与七种代表性方法进行了对比实验。所提框架的精确率（Precision）达97.20%，F1分数（F1-score）达86.60%，交并比（Intersection over Union, IoU）达76.40%，表明在复杂海杂波条件下具有优越的油膜分割精度和有效的虚警抑制能力。该方法还在分割精度与计算效率之间保持了良好平衡，展示了在所研究雷达观测条件下用于海上溢油监测的潜力。

一、研究背景与问题

海上石油开采和航运活动的日益频繁，显著增加了意外溢油事故的风险，对海洋生态系统、沿海经济及公众健康构成持续性威胁。有效的应急响应高度依赖于及时、准确地识别油膜，尤其是在溢油初期阶段，掌握其空间分布信息对于围控和回收作业至关重要。合成孔径雷达（Synthetic Aperture Radar, SAR）凭借其全天时、全天候的成像能力，已成为海面溢油监测的重要遥感手段。然而，星载SAR受重访周期限制，机载SAR则受续航能力和部署条件制约，均难以实现连续实时监测。相比之下，X波段航海雷达能够提供持续的现场观测，具有较高的空间分辨率和较低的工作成本，适用于近岸和船载溢油监测。然而，从X波段航海雷达图像中精确分割油膜仍面临挑战：油膜通常表现为低对比度暗区，其灰度强度与周围海杂波大幅重叠，降低了目标可分性；随距离变化的回波衰减导致灰度非均匀性显著，而同频干扰和斑点噪声进一步降低了图像质量。现有方法，包括阈值图像处理、纹理特征与机器学习、结合智能优化的无监督聚类以及深度学习方法，在减少标注依赖、保持复杂灰度分布下的鲁棒性、提高优化效率和抑制虚警等方面仍难以兼顾。因此，亟需开发一种高效的无人监督溢油检测框架。

二、研究内容与结论

针对上述挑战，研究人员提出了一种将HBA-AE ROI提取与IAEA精细分割相结合的X波段航海雷达溢油检测框架。该框架首先通过自编码器（Autoencoder, AE）将像素灰度强度、局部均值和局部标准差映射至二维潜空间，并利用蜜獾算法（Honey Badger Algorithm, HBA）优化该潜表示，增强特征紧凑性和油膜-海杂波可分性，随后通过K-Means聚类识别候选溢油ROI。在精细分割阶段，提取的ROI约束阈值搜索空间，改进Alpha进化算法（Improved Alpha Evolution Algorithm, IAEA）通过最大化三类Otsu类间方差确定最优双阈值。实验利用大连7·16溢油事故期间采集的X波段航海雷达数据，与七种代表性方法对比，所提框架在精确率、F1分数和IoU上均取得最优，验证了其在复杂海杂波条件下优异的油膜分割精度和虚警抑制能力，并保持了分割精度与计算效率的良好平衡。

三、关键技术方法

研究人员采用的核心技术方法包括：基于AE的非线性特征提取，将三维输入特征映射至二维潜空间；基于HBA的潜特征权重优化，采用归一化SSE/TSS（类内平方和与总平方和之比）作为适应度函数以避免尺度退化问题；结合K-Means聚类的ROI提取；以及基于IAEA的双阈值优化，其融合了Alpha引导、差分变异、自适应参数和周期高斯扰动机制。实验数据来源于大连海事大学“育鲲”教学实习船在大连7·16溢油事故后第五天采集的X波段航海雷达图像，图像分辨率为1024×1024像素。

四、研究结果

4.1 HBA-AE ROI提取结果

通过AE编码和HBA优化，构建了雷达图像的判别性潜表示。在固定随机种子为40时，HBA得到优化权重w₁=1.65和w₂=0.10。K-Means聚类（k=3）在优化后的潜空间中进行，中间类被保留为油膜ROI。通过将无海浪回波的远场背景区域强制置零、去除斑点噪声和填充孔洞等后处理操作，最终生成高对比度ROI可视化结果。

4.2 IAEA油膜精细分割结果

IAEA以ROI灰度图像为输入，直接在灰度空间进行自适应三分类。经过80代进化，IAEA收敛于最优双阈值T₁=83和T₂=150。从最暗类提取油膜初始二值掩膜，经形态学滤波后获得最终油膜分割结果。在来自同一溢油事故的四帧雷达图像上的补充验证表明，该方法在所有帧中均成功提取了油膜区域，检测到的油膜区域集中在雷达中心附近，呈放射状分布，表明该框架在相同事故场景的不同雷达观测条件下能保持有效的分割性能。

4.3 算法稳定性与多帧验证

对同一溢油事故采集的四帧雷达图像进行处理，结果表明该方法在所有帧中均一致地保留了主要油膜区域，仅在薄油膜边界和弱回波区域存在少量虚警和漏检。定量评估显示，四帧图像的精确率保持在0.91以上，召回率在0.75-0.82之间，F1分数在0.81-0.87之间，准确率在0.97以上，IoU在0.70-0.78之间，特异性接近0.99，证明了在所研究观测条件下的短期事件内稳定性。

4.4 不同分割算法的对比实验分析

与Otsu阈值法、人工蜂群算法（Artificial Bee Colony, ABC）、遗传算法（Genetic Algorithm, GA）、哈里斯鹰优化算法（Harris Hawks Optimization, HHO）、K-Means聚类、支持向量机（Support Vector Machine, SVM）和U-Net七种代表性方法进行对比。定性分析显示，所提方法在保留主要油膜区域和细长分支的同时，产生的虚警较少。定量结果表明，所提方法的精确率达97.20%，显著高于其他方法；F1分数为86.60%，IoU为76.40%，均优于对比方法。虽然召回率（78.10%）低于部分方法，但表明该方法在虚警抑制与油膜保留之间取得了更好的平衡。在同一HBA-AE ROI条件下，IAEA仍取得最高的F1分数和IoU，证实其优势并非仅由ROI限制造成。当IAEA直接应用于全图时，虚警和检测面积均显著增加，表明ROI限制在约束阈值搜索空间方面发挥重要作用。

4.5 消融实验与分析

ROI提取阶段的消融实验表明，移除HBA对整体分割结构和主要阈值决策影响甚微，但会在目标边缘和弱回波区域引入额外的孤立细小结构，说明HBA主要通过潜特征加权影响局部ROI细节。将AE替换为主成分分析（Principal Component Analysis, PCA）后，精确率从97.20%降至33.40%，F1分数从86.60%降至49.90%，IoU从76.40%降至33.20%，而召回率从78.10%升至98.40%，表明AE特征对区分油膜与海杂波至关重要。K-Means聚类数k=2时产生大量虚警，k=4时引入额外分割噪声，均不如k=3。IAEA精细分割阶段的消融实验显示，IAEA在约4次迭代内达到穷举搜索最优值，而标准AEA需约70次迭代。三种方法在30次运行中均获得相同的最优阈值和最大类间方差，IAEA平均运行时间为1.3162秒，标准AEA为1.1663秒，穷举Otsu为13.7082秒。

4.6 与最相近先前方法的对比

在与同一研究方向的三种最相近方法（SLIC-KMeans-GJO、SBR+改进Sauvola、多维特征+DBSCAN+BBO-SA）在相同图像和相同真实标注下的对比中，所提方法实现了更清晰、更完整的分割，直接证明了HBA加权产生比SLIC或DBSCAN更干净的ROI，且IAEA在相同评估协议下比GJO、Sauvola和BBO-SA取得更好的精确率-召回率平衡。

五、讨论与结论

X波段航海雷达在溢油监测方面具有连续现场观测、较高空间分辨率、快速数据获取和低运行成本等优势，适用于近岸和船载应用。然而，基于航海雷达的溢油检测受海况条件影响显著，高海况下海面粗糙度和雷达后向散射波动增强，降低油膜与海水间的灰度对比；低海况下弱风生波浪也会降低清洁海面的雷达后向散射，使油膜与周围海面更难区分。研究局限性包括：实验验证仅使用来自单一典型溢油事故的数据，所有评估帧来自同一事件，展示的是事件内可重复性而非跨油型、海况、地点或雷达系统的泛化能力；处理时间对应单幅雷达图像且包含AE训练，端到端延迟长于雷达采集间隔，因此该方法并非以雷达采集节奏运行。

研究结论如下：（1）AE将像素灰度强度、局部均值和局部标准差映射至二维潜特征空间，为后续ROI提取提供了判别性表示，消融实验表明用PCA替换AE会显著降低分割性能，说明非线性特征提取对于区分油膜与海杂波很重要。（2）HBA进一步优化AE潜表示以促进K-Means ROI提取，移除HBA对分割精度影响甚微，但会在目标边缘和弱回波区域引入额外孤立细小结构，表明HBA主要提高ROI提取效率，同时保持相当的检测性能。（3）IAEA通过优化三类Otsu类间方差，在提取的ROI内自适应确定两个灰度阈值，无需手动指定阈值即可实现自适应油膜分割。在相同ROI和相同目标函数下，IAEA以更少的迭代次数达到穷举搜索最优值，且两种基于种群的方法均比穷举Otsu更快。未来工作将集中于收集不同溢油事故和环境条件下的航海雷达数据集，以进一步评估所提框架的泛化能力和鲁棒性，并探索数据增强策略和多帧雷达序列分析，以提高该方法在不同海况和油膜演化过程中的适应性。