王法景，李俊鋒

(1.楊凌職業(yè)技術(shù)學(xué)院，陜西 楊凌712100；2.陜西測(cè)繪地理信息局，陜西 西安710054)

自2007年開始，我國(guó)黃海海域每年都發(fā)生滸苔為主的綠潮(green tide)災(zāi)害。綠潮雖無毒，過量增殖卻會(huì)阻塞海上航道等，造成巨大的經(jīng)濟(jì)損失，尤其是2008年夏天青島黃海海域暴發(fā)的綠潮，覆蓋面積達(dá)到600 km2，嚴(yán)重影響了第29屆奧帆賽的順利進(jìn)行[1]。已有專家學(xué)者把綠潮、水母和赤潮稱之為“海洋三大災(zāi)害”。由于綠潮具有漂移速度快、覆蓋面積廣、生長(zhǎng)周期短等特點(diǎn)，衛(wèi)星遙感觀測(cè)具有探測(cè)波長(zhǎng)廣、覆蓋范圍寬和時(shí)間分辨率高等優(yōu)勢(shì)，已成為綠潮宏觀監(jiān)測(cè)的重要手段[2-5]。2006年Gower等[6]首次使用中分辨率成像光譜儀(medium resolution imaging spectrometer，MERIS)數(shù)據(jù)，采用最大葉綠素指數(shù)(maxinum chlorophyll index，MCI)算法對(duì)墨西哥灣馬尾藻進(jìn)行了監(jiān)測(cè)。隨后，中分辨率成像光譜儀(moderate-resolution imaging spectroradiometer，MODIS)、環(huán)境一號(hào)(huanjing-1，HJ-1)、陸地資源衛(wèi)星、SAR和北京一號(hào)等衛(wèi)星數(shù)據(jù)也逐步應(yīng)用到綠潮的監(jiān)測(cè)中。Son等[5]利用韓國(guó)海洋水色衛(wèi)星(geostationary ocean color imager，GOCI)與現(xiàn)場(chǎng)的遙感數(shù)據(jù)分析綠潮的光譜特征，并提出了基于GOCI波段設(shè)置的“GOCI綠潮漂浮指數(shù)”(index of floating green algae for GOCI，IGAG)，結(jié)果表明GOCI綠潮漂浮算法更穩(wěn)定；Shanmugam等[7]提出了海面藻華提取指數(shù)(ocean surface algal bloom technique，OSABT)算法，并將該算法應(yīng)用到阿拉伯海、墨西哥灣的綠潮災(zāi)害暴發(fā)區(qū)域；陳瑩等[8]基于GOCI遙感數(shù)據(jù)設(shè)計(jì)了一種綠潮提取算法，并應(yīng)用此算法和2017年的GOCI數(shù)據(jù)對(duì)黃海的綠潮發(fā)生區(qū)域進(jìn)行了時(shí)空變化分析；施英妮等[9]基于HJ-1A/1B數(shù)據(jù)利用歸一化植被指數(shù)(normalized difference vegetation index，NDVI)和綠潮的光譜特性對(duì)東海、黃海的綠潮進(jìn)行了監(jiān)測(cè)提?。恍旄Ｏ榈萚10]基于無人機(jī)遙感影像數(shù)據(jù)對(duì)煙臺(tái)海域的綠潮進(jìn)行了監(jiān)測(cè)，以驗(yàn)證不同指數(shù)對(duì)綠潮信息監(jiān)測(cè)的適宜性；郭宇龍等[11]基于線性混合分解，利用野外的現(xiàn)場(chǎng)光譜數(shù)據(jù)為端元，構(gòu)建了一種新的葉綠素a光譜指數(shù)；張海龍等[12]以近黃海綠潮漂移暴發(fā)區(qū)域作為研究區(qū)，設(shè)計(jì)了一種基于HJ-CCD和高分一號(hào)衛(wèi)星數(shù)據(jù)的多光譜綠潮指數(shù)(multispectralgreentideindex，MGTI)-多波段差值耦合算法。綠潮災(zāi)害業(yè)務(wù)化監(jiān)測(cè)所利用的數(shù)據(jù)源仍以光學(xué)影像為主，但光學(xué)影像受云霧影響嚴(yán)重，無法滿足綠潮日變化監(jiān)測(cè)的精度要求。Carkeer[13-18]等也從不同方面對(duì)綠潮進(jìn)行了研究。

1 材料及方法

1.1 RadarSat-2數(shù)據(jù)

RadarSat-2是于2007年12月14日由加拿大太空署發(fā)射的一顆搭載C波段雷達(dá)傳感器的高分辨率商用衛(wèi)星，衛(wèi)星壽命7～12年。全極化SAR影像采用RadarSat-2衛(wèi)星全極化精細(xì)模式SAR影像，相比于RadarSat-1，RadarSat-2更加靈活，重訪周期更短，立體成像能力增加，具有高空間分辨率等優(yōu)勢(shì)，主要應(yīng)用于綠潮、溢油等監(jiān)測(cè)、防災(zāi)減災(zāi)、冰川監(jiān)測(cè)等領(lǐng)域(圖1)。

圖1 RadarSat-2數(shù)據(jù)影像

1.2 研究區(qū)域

根據(jù)從光學(xué)影像上目視解譯出的中國(guó)黃海海域綠潮的分布范圍，確定研究區(qū)域?yàn)?3 °N～37 °N、119 °E～123 °E(圖2方框區(qū)域)。

圖2 綠潮提取研究區(qū)域

1.3 研究方法

光學(xué)遙感受云霧影響嚴(yán)重，難以滿足綠潮業(yè)務(wù)化監(jiān)測(cè)需求；而傳統(tǒng)的SAR綠潮提取算法以目視解譯結(jié)合閾值法對(duì)綠潮進(jìn)行分類提取，但是閾值法有其難以克服的缺點(diǎn)：人為因素影響重、耗時(shí)費(fèi)力，無法對(duì)影像進(jìn)行批處理等，而且由于綠潮分布的不規(guī)則性，用統(tǒng)一的一個(gè)閾值對(duì)綠潮進(jìn)行分類提取會(huì)造成以綠潮聚集區(qū)域提取的綠潮覆蓋面積較真實(shí)值偏大、以零散分布區(qū)域提取的綠潮會(huì)比真實(shí)覆蓋范圍偏小。因此，發(fā)展新的綠潮提取算法是SAR綠潮監(jiān)測(cè)必須克服的瓶頸。

1.3.1 DRLSE模型 DRLSE(Dr. Li Chunming’s improved algorithm for local region segmentation)模型[12]是一種基于邊緣信息的變分水平集分割模型，主要為克服水平集需不斷重新初始化為符號(hào)距離函數(shù)的缺點(diǎn)，在水平集模型中添加了一個(gè)距離保持的正則化項(xiàng)，該項(xiàng)的引入提高了分割的演化效率和速度，能量函數(shù)公式如下：

ε(φ)=uRP(φ)+εext(φ)

(1)

式(1)中：RP(φ)是水平集函數(shù)φ的內(nèi)部能量泛函(Ω為圖像區(qū)域)，用來定量地糾正符號(hào)距離函數(shù)與水平集函數(shù)之間的偏差：

(2)

式(2)中：p(s)為能量密度函數(shù)。

εext(φ)是外部能量函數(shù)，依賴圖像特征，用來驅(qū)使零水平集向目標(biāo)邊界演化，并在零水平集到達(dá)邊界時(shí)獲得最小值。其定義為公式(3)：

(3)

式(3)中：u、λ、α分別為水平集正則化項(xiàng)、長(zhǎng)度項(xiàng)、邊緣停止項(xiàng)的系數(shù)；φ為水平集輪廓線，δ(φ)為一維Dirac函數(shù)；g為邊緣指示函數(shù)；H(-φ)為一維Heaviside函數(shù)。

I(x，y)為圖像的灰度函數(shù)，則g(I)為公式(4)：

(4)

公式(4)中：Gσ表示標(biāo)準(zhǔn)方差為σ的二維高斯濾波器，作用是去除噪聲；表示空間梯度算子。當(dāng)邊緣指示函數(shù)坐標(biāo)變量(x，y)位于圖像中目標(biāo)的邊緣時(shí)，圖像梯度的值|GσI(x，y)|相對(duì)很大，因而g(x，y)的值會(huì)趨近0；相反，當(dāng)遠(yuǎn)離圖像中目標(biāo)邊緣時(shí)，圖像梯度的值|GσI(x，y)|相對(duì)很小，因而g(x，y)的值會(huì)趨近1。由此，可以根據(jù)函數(shù)值g(x，y)是接近0還是接近1來判斷對(duì)應(yīng)像素I(x，y)是否位于圖像的目標(biāo)邊界。

利用偏微分方程求解曲線演化過程，通過極小化能量泛函δε(φ)可得控制演化的偏微分方程(5)：

(5)

DRLSE模型法用來分割邊界清晰圖像，但由于SAR圖像斑點(diǎn)噪聲嚴(yán)重等特點(diǎn)，當(dāng)其運(yùn)用在SAR圖像分割時(shí)存在如下缺點(diǎn)：一旦目標(biāo)與水平集初始輪廓曲線交叉，DRLSE模型法則無法正確分割，而SAR圖像弱邊緣時(shí)存在邊緣不封閉問題。

1.3.2 閾值法和水平集模型相結(jié)合的分割算法 閾值法是一種常用的有效圖像分割算法?；叶葓D像的閾值分割首先確定一個(gè)處于圖像灰度范圍中的閾值，然后將影像中各像素的灰度值與這閾值相比較，根據(jù)比較結(jié)果將相應(yīng)的像素分為兩類，從而達(dá)到圖像分割的目的。最優(yōu)閾值的確定是閾值分割的最關(guān)鍵步驟，現(xiàn)有的大部分算法都集中在如何確定閾值的研究上。本文采用的方法首先使用閾值分割的方法確定閾值，然后將這個(gè)閾值代入水平集DRLSE模型的初始輪廓函數(shù)，由此確定水平集DRLSE模型的初始輪廓，最終準(zhǔn)確分割出綠潮災(zāi)害區(qū)域。

2 結(jié)果與分析

依據(jù)改進(jìn)的水平集綠潮提取算法，對(duì)RadarSat-2有綠潮覆蓋的區(qū)域進(jìn)行分塊，使分塊區(qū)域既有聚集區(qū)域也有零散分布區(qū)域，分別用本文發(fā)展的綠潮提取算法進(jìn)行綠潮提取，以驗(yàn)證算法的有效性(圖3、圖4)。

a為原始影像；b為水平集初始輪廓線。圖3 水平集算法

a為綠潮零散分布原始影像；b為對(duì)應(yīng)的提取影像；c為綠潮聚集分布原始影像；d為對(duì)應(yīng)的提取影像。圖4 水平集算法綠潮提取

2.1 偏差驗(yàn)證

為了更好地驗(yàn)證水平集算法提取的綠潮精度，本文采用傳統(tǒng)的單波段閾值法作為綠潮提取，“真值”的參考，對(duì)本研究提出的改進(jìn)水平集算法進(jìn)行精度驗(yàn)證，將本研究提出的方法提取的綠潮覆蓋面積與單波段閾值法提取的綠潮覆蓋面積之間的偏差值E作為該算法精度的評(píng)價(jià)指標(biāo)：

(6)

公式(6)中Sestimate為本文算法提取的綠潮面積，Strue為單波段閾值法提取的綠潮覆蓋面積，為參考真值。分別利用單波段閾值法和改進(jìn)水平集算法對(duì)綠潮進(jìn)行提取，圖3展示了RadarSat-2灰度圖像基于水平集算法的綠潮提取圖。從中我們可以看出，本研究應(yīng)用的算法提取的綠潮分布輪廓與目視解譯高度一致，與目視解譯綠潮的分布范圍基本對(duì)應(yīng)。

為防止試驗(yàn)結(jié)果的偶然性，本文采用不同的研究區(qū)域進(jìn)行對(duì)比，對(duì)比結(jié)果如表1和圖5。

圖5 用兩種算法提高取的面積關(guān)系

表1 綠潮覆蓋面積水平集算法與單波段閾值法偏差對(duì)比

本研究所用水平集算法提取的綠潮平均覆蓋面積為46.0 km2，單波段閾值結(jié)合目視解譯法提取的平均覆蓋面積為45.1 km2。根據(jù)偏差計(jì)算公式，E=1.12%，與單波段閾值法提取的綠潮覆蓋面積基本一致。傳統(tǒng)閾值法受人為因素影響嚴(yán)重，由于人為主觀因素容易導(dǎo)致誤差，且計(jì)算速率較慢，無法滿足應(yīng)急業(yè)務(wù)化監(jiān)測(cè)的應(yīng)急要求；同一景影像若既有綠潮聚集區(qū)又有分散區(qū)則很難將綠潮很好地分離開來，造成的誤差較大。本文發(fā)展的算法較好地解決了上述問題，無論在綠潮零星分散區(qū)域還是聚集區(qū)域都能很好地將綠潮分離開來，這也是傳統(tǒng)單波段閾值法同一閾值提取無法做到的。

2.2 基于誤差矩陣的精度評(píng)價(jià)

隨機(jī)生成750個(gè)檢查點(diǎn)，通過目視解譯結(jié)合專家先驗(yàn)知識(shí)，在這750個(gè)檢查點(diǎn)中有152個(gè)是綠潮像元，598個(gè)是水體像元；本文所采用的改進(jìn)水平集算法對(duì)綠潮的分類后影像中，有154個(gè)綠潮像元，596個(gè)水體像元。根據(jù)各項(xiàng)精度指標(biāo)的計(jì)算公式可以得出如下結(jié)果(表2～表3)：

表3 基于改進(jìn)水平集算法的綠潮分類精度評(píng)價(jià)(Kappa系數(shù))

表2 基于改進(jìn)水平集算法的綠潮分類精度評(píng)價(jià)(總體精度)

(1)綠潮信息的制圖精度為100%，表明在實(shí)際為綠潮的范圍內(nèi)所有的綠潮被劃分成正確的一類；海水的制圖精度為99.7%，表明99.7%海水被正確劃分到海水類中。

(2)綠潮的用戶精度為98.7%，表明在分類影像中綠潮像元98.7%為實(shí)際綠潮的覆蓋像元；海水用戶精度為100%，表明在分類后的影像中水體的像元中所有的海水像元對(duì)應(yīng)實(shí)際的海水覆蓋像元。

(3)Kappa系數(shù)為0.992，結(jié)果表明原始影像與多項(xiàng)式邏輯回歸擬合算法分類提取的影像吻合度為99.2%，分類結(jié)果極佳。

通過試驗(yàn)我們可以得出：發(fā)展基于改進(jìn)水平集的綠潮覆蓋面積提取算法與傳統(tǒng)單波段閾值法有很好的一致性，契合度達(dá)到99.73%，而且無論是總體精度，還是制圖精度、用戶精度、Kappa系數(shù)等都能很好滿足綠潮業(yè)務(wù)化監(jiān)測(cè)精度的需要，是一個(gè)理想的綠潮覆蓋面積提取算法；用本文發(fā)展的基于改進(jìn)水平集算法提取綠潮覆蓋面積的精度高并且穩(wěn)定性好，相比于傳統(tǒng)的綠潮提取算法，人為因素干預(yù)更少，在時(shí)間效率上有較大的優(yōu)勢(shì)，可較好地滿足綠潮應(yīng)急監(jiān)測(cè)的需要。

2.3 時(shí)間效率比較

應(yīng)急業(yè)務(wù)化綠潮監(jiān)測(cè)算法優(yōu)劣的另一個(gè)評(píng)價(jià)指標(biāo)為算法提取綠潮所需要的時(shí)間，因此本文將發(fā)展的改進(jìn)水平集算法跟傳統(tǒng)閾值法提取同一區(qū)域綠潮所用的時(shí)間進(jìn)行比較，以驗(yàn)證算法時(shí)間上的優(yōu)勢(shì)(表4)。

表4 時(shí)間效率對(duì)比

通過對(duì)比我們可以發(fā)現(xiàn)：對(duì)于相同的6個(gè)研究區(qū)域，基于傳統(tǒng)的波段閾值法提取綠潮耗時(shí)最長(zhǎng)的是區(qū)域5，所用時(shí)間達(dá)到6.8 s；耗時(shí)時(shí)間最短的是區(qū)域6，所用時(shí)間達(dá)到4.7 s。而本文發(fā)展的改進(jìn)水平集綠潮提取算法最長(zhǎng)耗時(shí)(區(qū)域5)僅為2.12 s，最短耗時(shí)(區(qū)域2)1.32 s，跟傳統(tǒng)閾值法相比，具有更好的時(shí)間優(yōu)勢(shì)，更適于綠潮業(yè)務(wù)化監(jiān)測(cè)。

3 討論

基于雷達(dá)影像的綠潮信息提取，傳統(tǒng)的方法仍以波段閾值法為主?；陂撝捣ǖ木G潮提取存在諸多方面的問題，首先，閾值法需要耗費(fèi)大量的人力，在綠潮暴發(fā)期間，科研人員需每景影像都要人為地進(jìn)行提取，效率偏低，同時(shí)受科研人員的人為因素影響較大。影像在提取前需要進(jìn)行預(yù)處理，由于科研素質(zhì)的差異，不同科研人員對(duì)影像的提取可能存在差異性，導(dǎo)致綠潮的業(yè)務(wù)化監(jiān)測(cè)存在不穩(wěn)定性。針對(duì)SAR綠潮提取算法相對(duì)單一、提取結(jié)果受人為因素影響大、不穩(wěn)定、效率低等的問題，本文基于圖像分割的改進(jìn)水平集方法進(jìn)行了綠潮信息提取研究。

通過目視判讀可以發(fā)現(xiàn)，本文改進(jìn)的水平集算法的初始輪廓線能夠較好地將綠潮與海水進(jìn)行分離并且能夠很好地將綠潮信息進(jìn)行提取，無論是綠潮零星分布的區(qū)域還是綠潮聚集區(qū)域，該算法均能很好地將綠潮像元提取出來。

為了驗(yàn)證該算法的提取精度，本文通過利用發(fā)展的算法分不同區(qū)域進(jìn)行綠潮提取，從與波段閾值法提取的偏差、精度評(píng)價(jià)、時(shí)間效率等方面與傳統(tǒng)方法進(jìn)行比較分析。實(shí)驗(yàn)結(jié)果表明，主流的波段閾值法提取的綠潮覆蓋面積與本文改進(jìn)的水平集算法具有很好的相關(guān)性，偏差僅為1.12%。但是閾值法在零星分布、聚集區(qū)域需要人為設(shè)置不同的閾值，導(dǎo)致其提取效率低下，因此本文發(fā)展的算法在綠潮業(yè)務(wù)化監(jiān)測(cè)過程中具有閾值法無法比擬的效率優(yōu)勢(shì)。通過總體精度、Kappa系數(shù)等進(jìn)行比較，本文發(fā)展的基于改進(jìn)水平集的綠潮覆蓋面積提取算法與傳統(tǒng)單波段閾值法有很好的一致性，契合度達(dá)到99.73%，而且無論是總體精度，還是制圖精度、用戶精度、Kappa系數(shù)等都能很好地滿足綠潮業(yè)務(wù)化監(jiān)測(cè)精度的需要，是一個(gè)理想的綠潮覆蓋面積提取算法；最后通過提取時(shí)間分區(qū)域進(jìn)行比較，可以發(fā)現(xiàn)該算法比傳統(tǒng)閾值法對(duì)同一區(qū)域進(jìn)行提取所用的時(shí)間更少，具有很好的效率優(yōu)勢(shì)。用本文發(fā)展的基于改進(jìn)水平集算法提取綠潮覆蓋面積的精度高并且穩(wěn)定性好，為綠潮的監(jiān)測(cè)提取提供了新的方法。