Александр Иванович Сухинов, член-корреспондент РАН, доктор физико-математических наук, профессор, директор НИИ
НИИ Математического моделирования и прогнозирования сложных систем
344003; пл. Гагарина, 1; Ростов-на-Дону
SPIN-код; ScopusID; ResearcherID; MathSciNet
Alexander I. Sukhinov, Corresponding Member of the Russian Academy of Sciences, Doctor of Physical and Mathematical Sciences, Professor, Director of the Institute
Research Institute of Mathematical Modeling and Forecasting of Complex Systems
344003; 1, Gagarin Sq.; Rostov-on-Don
SPIN-code; ScopusID; ResearcherID; MathSciNet
Денис Анатольевич Соломаха, магистрант 2 курса
кафедра математики и информатики
344003; пл. Гагарина, 1; Ростов-на-Дону
SPIN-код
Denis A. Solomakha, 2nd year master’s student
Department of Mathematics and Computer Science
344003; 1, Gagarin Sq.; Rostov-on-Don
SPIN-код
Валентина Владимировна Сидорякина, доктор физико-математических наук, доцент
кафедра математики и информатики
344003; пл. Гагарина, 1; Ростов-на-Дону
SPIN-код; ScopusID; ResearcherID; MathSciNet
Valentina V. Sidoryakina, Doctor of Physical and Mathematical Sciences, Associate Professor
Department of Mathematics and Informatics
344003; 1, Gagarin Sq.; Rostov-on-Don
SPIN-код; ScopusID; ResearcherID; MathSciNet
Введение. Обнаружение разливов нефти на спутниковых изображениях представляет собой значительную проблему из-за низкого визуального контраста между нефтяными пятнами и морским фоном, особенно при изменяющихся условиях освещения и шумах датчиков. Традиционные подходы обычно преобразуют RGB-изображения в оттенки серого перед анализом текстуры, отбрасывая данные о длине волны, критически важные для различения типов и толщины нефти. В настоящей работе предложен новый подход к обработке каждого канала Local Binary Pattern (LBP) с архитектурой Pypamid Scene Parsing Network (PSPNet), который обрабатывает каждый RGB-канал независимо, сохраняя спектрально-текстурные характеристики, необходимые для точной идентификации нефтяных разливов.
Материалы и методы. Модифицированный подход сохраняет три параллельных потока LBP, которые фиксируют текстурные паттерны, специфичные для каждого канала, и объединяются с исходным RGB-входом для формирования шестиканального тензора при обработке глубоким обучением. Обучение включает комплексные стратегии увеличения шума, имитирующие реальные условия дистанционного зондирования.
Результаты исследования. Экспериментальная проверка показывает, что данный подход достигает среднего значения пересечения по объединению (mIoU) 86,05 % на тестовом наборе данных, что представляет собой улучшение на 3,25 % по сравнению с традиционными реализациями LBP в оттенках серого. Критически важно, что представленная модель демонстрирует исключительную устойчивость к шуму по сравнению с моделями, основанными на традиционных подходах.
Обсуждение. Стратегия обработки по каналам эффективно отличает тонкие нефтяные пленки от явлений, похожих на разливы (блики солнца на поверхности воды, ветровое волнение).
Заключение. Полученные в работе результаты вносят вклад в разработку систем оперативного мониторинга нефтяных разливов, требующих надежной работы в различных природных условиях и сценариях съемки.
Introduction. Detecting oil spills in satellite imagery presents a significant challenge due to the low visual contrast between oil slicks and the sea background, particularly under varying illumination conditions and sensor noise. Traditional approaches typically convert RGB images to grayscale prior to texture analysis, discarding wavelength data critical for distinguishing oil types and thicknesses. This paper proposes a novel approach to processing each Local Binary Pattern (LBP) channel using a Pyramid Scene Parsing Network (PSPNet) architecture, which processes each RGB channel independently, preserving the spectral-textural characteristics necessary for accurate oil spill identification.
Materials and Methods. The modified approach retains three parallel LBP streams that capture channel-specific texture patterns, which are concatenated with the original RGB input to form a six-channel tensor for deep learning processing. Training incorporates comprehensive noise augmentation strategies simulating real-world remote sensing conditions.
Results. Experimental validation demonstrates that the proposed approach achieves a mean Intersection over Union (mIoU) of 86.05% on the test dataset, representing a 3.25% improvement over traditional grayscale LBP implementations. Critically, the presented model exhibits exceptional noise robustness compared to models based on conventional approaches.
Discussion. The per-channel processing strategy effectively distinguishes thin oil films from spill-like phenomena (sun glint on the water surface, wind-induced disturbances).
Conclusion. The results obtained in this study contribute to the development of operational oil spill monitoring systems requiring reliable performance under diverse environmental conditions and imaging scenarios.
The authors declare that there are no conflicts of interest present.