编辑推荐：
海洋石油泄漏对生态系统和沿海经济构成重大威胁，使得从遥感数据中准确检测油膜成为一项关键任务。本研究提出了一种两阶段方法，即GCN-IGJO，用于在具有挑战性的X波段雷达图像中分割油膜。该方法首先使用图卷积网络（Graph Convolutional Netwo
海洋石油泄漏对生态系统和沿海经济构成重大威胁，使得从遥感数据中准确检测油膜成为一项关键任务。本研究提出了一种两阶段方法，即GCN-IGJO，用于在具有挑战性的X波段雷达图像中分割油膜。该方法首先使用图卷积网络（Graph Convolutional Network, GCN）从像素数据中学习高阶特征，实现有效的初始区域提取。随后，引入改进的金豺优化算法（Improved Golden Jackal Optimization, IGJO）进行精确阈值分割，并采用专门策略使搜索偏向于油膜特征的低声强度值。实验比较表明，所提出的GCN-IGJO方法在高精度和良好召回率之间取得了优越的平衡，优于几种基线方法和替代方法。结果验证了将深度图学习与增强的元启发式优化器相结合用于弱目标油膜精确分割的有效性。
海洋油膜分割是遥感领域的关键任务，特别是在X波段雷达图像中，油膜呈现弱边界、低对比度且常与海杂波混淆。现有方法如Otsu阈值或传统元启发式算法难以在复杂海况下获得高精度与低虚警的平衡。本研究提出一种两阶段无监督方法GCN-IGJO，结合图卷积网络（Graph Convolutional Network, GCN）与改进金豺优化算法（Improved Golden Jackal Optimization, IGJO），用于X波段雷达图像中的油膜分割。研究人员使用大连海事大学训练船“育鲲”在大连新港油管爆炸事故中获取的X波段雷达图像（1024×1024像素），经过极坐标-直角坐标转换、同频干扰抑制、散斑噪声抑制、灰度归一化和局部对比度增强（CLAHE）预处理后，首先通过GCN构建稀疏邻接矩阵，执行两层无参数图卷积聚合邻域信息，输出16维特征向量，再经K-Means聚类提取感兴趣区域（ROI）；随后，IGJO在ROI上优化两个阈值，将像素分为强信号、弱信号和背景三类，其中最低阈值区域被识别为油膜。实验结果表明，GCN-IGJO在精度、召回率、F1/Dice和IoU指标上分别达到96.7%、82.8%、89.2%和80.5%，显著优于GCN-GJO（66.6%精度、55.3% IoU）、GCN-Otsu、GCN-LA及基于深度学习的U-Net、Attention U-Net、SegFormer-B0（在单图像低标注场景下）。该方法验证了GCN在X波段雷达图像中提取高阶空间-上下文特征的有效性，以及IGJO中嵌入低阈值偏置先验（油膜位于低灰度区域）对提升分割精度的关键作用，为弱目标分割提供了可迁移的范式。研究结果发表在《Remote Sensing》。
**主要技术方法**：研究人员采用以下关键方法：(1) 图卷积网络（Graph Convolutional Network, GCN），通过构建稀疏邻接矩阵（每个像素在5×5邻域内取k=1个最近邻，基于空间与灰度特征向量的欧氏距离），执行两层无参数图卷积聚合（残差连接+ReLU激活），输出16维特征向量；(2) 改进金豺优化算法（Improved Golden Jackal Optimization, IGJO），在Otsu类间方差基础上加入时变低阈值奖励函数、低阈值偏置初始化（70%个体集中于低灰度范围）、动态能量非线性衰减机制及后期强制探索机制，以搜索最优阈值对；(3) 预处理步骤包括极坐标-直角坐标转换、3×3均值滤波抑制同频干扰和散斑噪声、线性灰度归一化至[0,1]、CLAHE局部对比度增强（8×8图块，裁剪限幅2.0）；(4) K-Means聚类（K=3）用于GCN特征后的ROI提取，并经过形态学后处理（孔洞填充、面积开运算去除<50像素区域）。数据来源：大连新港油管爆炸事故中X波段雷达图像（1024×1024像素，0.75海里探测距离）。
**研究结果**：
**4.1 Comparison of Performance Evaluation of Different Methods**：通过对比GCN-IGJO与GCN-GJO、GCN-Otsu、GCN-LA等方法的定量指标，发现GCN-IGJO在精度（96.7%）、召回率（82.8%）、F1/Dice（89.2%）和IoU（80.5%）上均优于所有对比方法，且计算复杂度约1.98 GFLOPs，其中K-Means聚类是主要瓶颈。
**4.2 Comparison of GJO/Otsu Algorithms**：通过对比IGJO与标准GJO（其与Otsu结果相同），发现IGJO通过时变低阈值奖励函数和低阈值偏置初始化，将阈值搜索聚焦于低灰度区域，精度从66.6%提升至96.7%，召回率从76.4%提升至82.8%，IoU从55.3%提升至80.5%。收敛曲线显示IGJO在Otsu方差上略有降低（从969.06降至861.77），但这是有意设计以换取物理一致性。
**4.3 Effect Analysis of GCN**：通过移除GCN模块（直接使用K-Means聚类+IGJO），发现GCN的缺失导致IoU从80.5%骤降至54.0%，精度降至66.6%，证实GCN的高阶空间-上下文特征提取对ROI提取至关重要。
**4.4 Comparison with Local Adaptive Threshold Method**：与GCN-LA（局部自适应阈值）对比，GCN-LA虽精度高达97.9%，但召回率仅11.2%，严重漏检；而GCN-IGJO在保持高精度的同时实现82.8%召回率，实现更好的平衡。
**4.5 Comparison of Deep Learning Methods**：在单图像场景下，与U-Net（ResNet34）、Attention U-Net、SegFormer-B0对比，GCN-IGJO的F1和IoU最高（89.2%和80.5%），优于Attention U-Net（86.0% F1，75.4% IoU），表明在低标注条件下无监督优化方法具有优势。
**4.6 Effect Analysis of Parameters**：通过对邻域大小（3×3、5×5、7×7、9×9）和阈值上界（1.0σ、1.5σ、2.0σ、3.0σ）的消融实验，发现5×5邻域和μ+1.5σ上界设置获得最佳综合性能：5×5邻域在召回率和精度间平衡最好；1.5σ上界在精度（96.7%）和IoU（80.5%）上均最优，过大或过小均导致性能下降。
**4.7 Discussion on Computational Efficiency**：单图像平均处理时间约51.9秒，其中稀疏邻接矩阵构建占87%（45.4秒），GCN推理仅0.1秒，IGJO迭代4.4秒。当前速度不满足实时要求，但可通过向量化、查表或编译语言优化。
**4.8 Discussion on Wrong Segmentation**：分析误分割模式，发现假阴性主要沿油膜边界（弱对比度导致），假阳性主要来自强海杂波或低后向散射背景，且低阈值偏置策略在海况极低时易产生假阳性，高海况时易产生假阴性。
**4.9 Multi-Scene Verification**：在另一形态不同的油膜图像（碎片化、条带状）上进行定性验证，GCN-IGJO成功识别主体油膜区域，表明方法具有一定的跨场景迁移能力，但定量评估受限于无标注数据。
**4.10 Comparison of Feature Processing Methods for GCN Output**：对比K-Means、高斯混合模型（Gaussian Mixture Model, GMM）和DBSCAN三种聚类方法用于GCN输出特征后的ROI提取，K-Means产生连续、致密的掩膜，GMM掩膜面积缩小约55%且破坏连续性，DBSCAN几乎覆盖全图，因此K-Means最优。
**4.11 Comparison of Mainstream Optimizers**：在标准Otsu适应度函数下，对比PSO、GA与标准GJO，三者指标几乎相同，而IGJO因嵌入低阈值偏置和类平衡惩罚项显著提升了分割性能，证明性能提升源于适应度函数设计而非优化器选择。
**总结讨论部分**：讨论部分通过全面的消融实验和对比分析，验证了GCN和IGJO各自的必要性，以及参数选择对性能的影响。GCN-IGJO在低标注场景下优于有监督深度学习方法，但跨场景泛化、海况依赖性和计算效率仍是主要限制。未来需收集多条件数据集、优化邻接矩阵构建并探索自适应图结构。
**研究结论部分翻译**：针对基于X波段雷达图像精确识别海洋溢油油膜的关键技术需求，本研究提出并验证了一种结合图卷积网络与改进金豺优化算法的油膜分割方法（GCN-IGJO）。本研究构建了一个两阶段处理框架，有效应对雷达图像中油膜目标边缘模糊、与背景对比度低的问题。在第一阶段，利用图卷积网络（GCN）学习图像像素的灰度与空间位置信息的高阶特征，为后续分割奠定坚实基础。第二阶段提出的改进金豺优化算法实现了油膜区域的精细分割。实验结果表明，GCN-IGJO方法在多个评估指标上均取得了优越性能。这些结果证实，图深度学习与改进元启发式优化算法的结合，为复杂海况下的弱目标油膜分割提供了有效且创新的技术路径。本方法存在以下主要局限：（1）跨场景验证的局限性，实验局限于单一溢油事件，海况、油种和雷达配置范围有限；（2）低阈值先验依赖海况，静海时易产生假阳性，高海况时易产生假阴性；（3）计算效率不足，稀疏邻接矩阵构建占运行时间87%，无法满足实时部署要求；（4）与有监督深度学习的可比性有限，单图像场景下深度学习方法受限于数据稀缺。未来工作将通过多条件数据集收集、自适应图结构构建和轻量化实现（如向量化距离计算或GPU并行化）来解决这些局限。
