基于生长分层神经气体网络和多尺度阈值分割的海洋油膜检测方法

《Marine Pollution Bulletin》：Marine oil film detection method based on growing hierarchical neural gas network and multi-scale threshold segmentation

海洋油膜监测技术研究中，提出基于生长层次神经气网络（GHNG）与多尺度自适应阈值分割的油膜检测方法，有效解决复杂海况下弱油膜特征识别和环境噪声干扰问题。

　　

贾宝珠|郭泽坤|徐金|李波|黄圆圆|程敏|徐波|姚博希|刘鹏

广东海洋大学深圳研究院，中国深圳，518116

摘要

海上石油开采和运输的增加带来了日益严重的石油泄漏风险，严重威胁了海洋生态环境。因此，迫切需要开发先进可靠的油膜监测技术。本文提出了一种基于生长层次神经气体网络（GHNG）和多尺度阈值分割的油膜检测方法，以解决海洋雷达图像中油膜区域特征不明显以及环境噪声干扰严重的问题。该方法首先利用GHNG网络的无监督学习特性对预处理后的雷达图像进行动态拓扑学习和层次聚类，有效区分油膜区域和背景干扰。随后采用多尺度自适应阈值分割技术，通过融合不同尺度和邻域的局部阈值来准确提取油膜目标。最后通过噪声过滤和坐标变换得到最终的分割结果。实验结果表明，所提出的方法为复杂海况下的海洋油膜自动精确监测提供了有效的技术解决方案。

引言

石油污染是导致海洋环境退化的主要因素之一（Cheng等人，2025年；Sun等人，2024年）。近年来，由于海上石油开采需求的增长和全球贸易的扩展，石油泄漏的风险不断增加（Abou Samra和Ali，2022年；Ren等人，2025年）。石油泄漏通过风和洋流扩散，导致其在海面上持续蔓延，造成广泛的污染（Ji等人，2025年；Zhu等人，2022年）。因此，建立及时准确的石油泄漏监测系统至关重要（Lau和Huang，2024年；Ma等人，2023年）。这样的系统不仅能够收集精确的环境数据，还能为缓解和应对措施提供决策支持。

近年来，石油泄漏监测技术在机器学习方法方面取得了进展（Duan等人，2022年）。在监督学习框架下，研究人员致力于优化神经网络架构（Cong和Zhou，2023年）。Song等人改进了一种基于动态卷积和边界约束的自适应石油泄漏检测网络，提高了模型在复杂场景中的准确性（Song等人，2024年）。Fan等人引入了特征融合网络，利用特征融合技术提高了U-Net模型检测石油泄漏和类似石油泄漏区域的准确性，同时减少了模型的过拟合问题（Fan等人，2021年）。Chen等人设计了Seminal Image Representation Collaborative Network（SRC-Net），该网络通过小样本学习机制和损失正则化项提高了海洋石油泄漏SAR图像分割的准确性（Chen等人，2024年）。Fan等人提出了多物理可解释深度学习网络（MIDLN），整合了油膜特征和自适应梯度解释器（Fan等人，2024年）。在石油泄漏监测的无监督学习领域，研究重点在于内在数据特征化，以消除对注释的依赖。Duan等人开发了一种基于孤立森林的无监督高光谱油膜检测方法，显著提高了准确性和实用性（Duan等人，2023年）。Cheng等人通过使用Jeffries-Matusita（J-M）距离改进了传统的K-Means算法，提高了石油泄漏检测的准确性（Cheng等人，2022年）。Liu等人提出了一种基于多时相光学遥感图像的无监督半自动油膜检测方法，该方法有效区分了与油膜相关的变化和无关干扰（Liu等人，2017年）。

本研究提出了两项方法创新：（1）引入了三种神经模型：神经气体网络（NGN）、生长神经气体网络（GNG）和生长层次神经气体网络（GHNG），这些模型可以利用无监督学习特性来提高油膜与背景干扰之间的特征分类能力。（2）采用了一种多尺度自适应阈值分割方法，通过加权平均不同尺度的阈值，有效分离了石油泄漏区域和其他目标的特征。

本文的结构如下：第2节概述了方法论，包括海洋雷达数据的预处理、图像聚类和阈值分割。第3节展示了实验结果，第4节进行了讨论和比较分析。第5节提出了技术建议。

研究数据

实验数据是使用X波段船载雷达获得的，设备参数详见表1。雷达在0.75海里（nm）的范围内工作，捕获了油轮和储存设施的原油泄漏图像。这些雷达图像对于监测石油污染至关重要。船载雷达捕获的石油泄漏图像样本如图1所示。

实验过程

实验过程如图2所示。三个自组织神经网络用于

GHNG聚类的结果

生长层次神经气体（GHNG）算法的参数对网络扩展、学习动态和层次组织具有协同调节作用。具体来说，epoch参数决定了达到最佳模型收敛所需的训练数据迭代次数。MaxNeurons参数限制了每层的最大神经元数量，从而定义了分类能力的上限。在本实现中，该参数被经验性地设置为20

多尺度自适应阈值确定的参数

尺度参数、邻域窗口大小和灵敏度系数之间的协同作用对海洋雷达图像中油膜识别的准确性至关重要。本节系统分析了这些参数对分割性能的影响，重点关注它们在优化边界划分和抑制石油泄漏检测中的误报方面的综合效果。

结论

本研究提出了一个混合框架，将GHNG模型与多尺度自适应阈值分割技术相结合，用于X波段船载雷达图像中的高精度油膜检测。通过利用其层次结构和动态生长机制，GHNG模型能够无监督地学习表征油膜和背景杂波的复杂特征分布，从而有效抑制噪声，同时保留关键的油膜区域。

CRediT作者贡献声明

贾宝珠：监督。郭泽坤：写作 – 审稿与编辑，撰写原始稿。徐金：写作 – 审稿与编辑，概念构思。李波：监督。黄圆圆：监督。程敏：监督，调查。徐波：监督。姚博希：监督。刘鹏：概念构思。

资助

本研究得到了广东省基础与应用基础研究基金会（项目编号2025A1515010886、2023A1515011212）、广东省普通高校重点领域专项（项目编号2022ZDZX3005）、深圳市科技计划（项目编号JCYJ20220530162200001）、广东海洋大学研究生教育创新项目（项目编号202421、202539、20255）的支持。

利益冲突声明

作者声明他们没有已知的可能会影响本文所述工作的竞争性财务利益或个人关系。