Обнаружение разливов нефти на основе усовершенствованных LBP-нейроалгоритмов для зашумленных космических снимков

   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.

1. Сухинов А.И., Чистяков А.Е., Сидорякина В.В., Кузнецова И.Ю., Атаян А.М. Использование параллельных вычислений для оценки процесса переноса загрязняющих веществ в мелководных водоемах. Известия Саратовского университетата. Новая серия. Математика. Механика. Информатика. 2024;24(2):298–315. doi: 10.18500/1816-9791-2024-24-2-298-315

2. Сидорякина В.В. Математическая модель процесса распространения нефтяных загрязнений в прибрежных морских системах. Computational Mathematics and Information Technologies. 2023;7(4):39–46. doi: 10.23947/2587-8999-2023-7-4-39-46

3. Sidoryakina, V., Filina A. A set of tools for predictive modeling of the spatial distribution of oil pollution. E3S Web of Conferences. 2024;592,04017. doi: 10.1051/e3sconf/202459204017

4. Sukhinov A., Sidoryakina V., Solomakha D. Identification of plankton populations in the surface waters of the Azov Sea based on neural network structures of various architectures. BIO Web of Conferences. 2024;141,03003. doi: 10.1051/bioconf/202414103003

5. Сухинов А.И., Сидорякина В.В., Соломаха Д.А. Идентификация планктонных популяций на поверхности морских систем на основе методов машинного обучения. В: Материалы Международной научно-практической конференции «Приоритетные направления развития науки и образования в условиях формирования технологического суверенитета». Ростов-на-Дону: ДГТУ-Принт; 2024. С. 272–277.

6. Панасенко Н.Д. Прогноз состояния прибрежных систем с помощью математического моделирования на основе космических снимков. Computational Mathematics and Information Technologies. 2023;7(4):54–65. doi: 10.23947/2587-8999-2023-7-4-54-65

7. Struch R.E., Pulster E.L., Schreier A.D., Murawski S.A. Hepatobiliary analyses suggest chronic pah exposure in hakes (urophycis spp.) following the deepwater horizon oil spill. Environmental Toxicology and Chemistry. 2019;38(12):2740–2749. doi: 10.1002/etc.4596

8. Snyder S.M., Olin J.A., Pulster E.L., Murawski S.A. Spatial contrasts in hepatic and biliary PAHs in Tilefish (Lopholatilus chamaeleonticeps) throughout the Gulf of Mexico, with comparison to the Northwest Atlantic. Environmental Pollution. 2020;258,113775. doi: 10.1016/j.envpol.2019.113775

9. Pisano A., Bignami F., Santoleri R. Oil spill detection in glint-contaminated near-infrared modis imagery. Remote Sensing. 2015;7;1112–1134. doi: 10.3390/rs70101112

10. Brekke C., Solberg A.H. Oil spill detection by satellite remote sensing. Remote Sensing of Environment. 2005;95(1):1–13. doi: 10.1016/j.rse.2004.11.015

11. Сухинов А.И., Соломаха Д.А. Усовершенствованный метод распознавания объектов морских и прибрежных систем на основе комбинации метода локальных бинарных шаблонов и нейросетевых технологий. Вычислительные методы и программирование. 2025;26(3):366–379. doi: 10.26089/NumMet.v26r324

12. Сидорякина В.В., Соломаха Д.А. Идентификация морских разливов нефти на основе нейросетевых технологий. Computational Mathematics and Information Technologies. 2024;8(4):43–48. doi: 10.23947/2587-8999-2024-8-4-43-48

13. Ojala T., Pietikäinen M., Mäenpää T. Multiresolution gray-scale and rotation invariant texture classification with local binary patterns. IEEE Trans. Pattern Anal. Mach. Intell. 2002;24:112278. doi: 10.1109/TPAMI.2002.1017623

14. Сухинов А.А., Остроброд Г.Б. Эффективная детекция лиц на многоядерном процессоре Epiphany. Computational Mathematics and Information Technologies. 2017;1(1):113–127. URL: https://www.cmit-journal.ru/jour/article/view/85/115 (дата обращения: 21. 12. 2025).

15. Heikkila M., Pietikäinen M. A texture-based method for modeling the background and detecting moving objects. IEEE Trans. Pattern Anal. Mach. Intell. 2006;28:657–662. doi: 10.1109/TPAMI.2006.68

16. Ahmed S., ElGharbawi T., Salah M., El-Mewafi M. Deep neural network for oil spill detection using sentinel-1 data: application to egyptian coastal regions. Geomatics, Natural Hazards and Risk. 2023;14:76–94. doi: 10.1080/19475705.2022.2155998

17. Lee J.-S. Digital image enhancement and noise filtering by use of local statistics. IEEE Trans. Pattern Anal. Mach. Intell. 1980;2:165–168. doi: 10.1109/TPAMI.1980.4766994

18. Yu F., Sun W., Li J., Zhao Y., Zhang Y., Chen G. An improved otsu method for oil spill detection from SAR images. Oceanologia. 2017;59(3):311–317. doi: 10.1016/j.oceano.2017.03.005