一種網(wǎng)箱養(yǎng)殖區(qū)自動提取方法

劉浩，劉曉宏，劉新聞

(1.重慶市勘測院，重慶 401121；2.德陽市不動產(chǎn)登記中心，四川 德陽 618099；3.四川省煤田地質(zhì)局一四一隊(duì)，四川 德陽 618099)

0 引言

我國水產(chǎn)養(yǎng)殖業(yè)的快速發(fā)展推動了漁業(yè)經(jīng)濟(jì)的增長，但同時(shí)也造成水體富營養(yǎng)化及水體溶氧壓力增大等水質(zhì)問題，對水環(huán)境的承載能力形成了較大壓力[1]。因此，對水產(chǎn)養(yǎng)殖進(jìn)行動態(tài)監(jiān)測和分析，進(jìn)而實(shí)現(xiàn)科學(xué)規(guī)劃和合理布局在近年來不斷引起重視。本文以丹江口水庫為研究區(qū)，該地區(qū)水產(chǎn)養(yǎng)殖以魚蝦的網(wǎng)箱養(yǎng)殖為主，網(wǎng)箱養(yǎng)殖在很大程度上推動了周邊經(jīng)濟(jì)增長，但同時(shí)也對庫區(qū)水質(zhì)環(huán)境造成一定影響，通過高分辨率遙感影像對網(wǎng)箱養(yǎng)殖區(qū)開展空間監(jiān)測，進(jìn)而實(shí)現(xiàn)綜合分析與定量評價(jià)，對庫區(qū)資源開發(fā)和生態(tài)保護(hù)具有重要意義。

針對水產(chǎn)養(yǎng)殖區(qū)的遙感自動提取主要包括基于特征指數(shù)、基于紋理信息、基于空間結(jié)構(gòu)、面向?qū)ο蠛突谏疃葘W(xué)習(xí)等方法。其中，基于特征指數(shù)的提取[2-3]是指針對影像的多光譜信息，通過比值、差值、求倒等光譜間波段運(yùn)算抑制背景地物信息，同時(shí)增強(qiáng)目標(biāo)地物與背景信息間的差異，從而突出網(wǎng)箱養(yǎng)殖區(qū)的信息特征?；诩y理信息的提取方法[4-6]通過統(tǒng)計(jì)分析、波譜分析等紋理分析方法將網(wǎng)箱養(yǎng)殖區(qū)在圖像中反復(fù)出現(xiàn)的規(guī)則特征進(jìn)行凸顯?；诳臻g結(jié)構(gòu)的提取方法[7-9]通過鄰域分析、梯度分析等空間分析，突出目標(biāo)地物的規(guī)律性空間特征。面向?qū)ο蟮奶崛》椒╗10-12]利用不同尺度分割方法實(shí)現(xiàn)影像分割，然后針對網(wǎng)箱養(yǎng)殖區(qū)的特點(diǎn)，利用光譜、紋理和空間信息來提取目標(biāo)斑塊?；谏疃葘W(xué)習(xí)的提取方法[13-14]通過樣本與計(jì)算機(jī)迭代對提取模型參數(shù)進(jìn)行訓(xùn)練，自動學(xué)習(xí)網(wǎng)箱養(yǎng)殖區(qū)的特征，從而實(shí)現(xiàn)自動提取。

由于網(wǎng)箱養(yǎng)殖區(qū)多分布于近岸區(qū)域，在影像中表現(xiàn)出內(nèi)部水體、自然水體以及陸地邊緣水體之間既有相似性又有差異性，區(qū)分難度較大。此外，水庫中的小島及水體隨機(jī)斑點(diǎn)將會給網(wǎng)箱養(yǎng)殖區(qū)提取帶來較大的干擾。上述方法均有各自的優(yōu)勢，同時(shí)存在一定的不足。本文提出一種基于改進(jìn)層次分析法的自動提取方法，綜合運(yùn)用基于像元和面向?qū)ο蠓椒ǖ膬?yōu)勢，通過優(yōu)化歸一化差分水體指數(shù)、改進(jìn)紋理特征分析法和簡化的區(qū)域分割算法，實(shí)現(xiàn)對網(wǎng)箱養(yǎng)殖區(qū)的自動提取。

1 研究區(qū)概況及數(shù)據(jù)源

丹江口水庫位于湖北省丹江口市和河南省淅川縣，其水產(chǎn)養(yǎng)殖以魚蝦的網(wǎng)箱養(yǎng)殖為主，通常在水庫近水岸成片布設(shè)(圖1)。網(wǎng)箱主要由鋼管焊接而成，利用油桶制作浮子使其漂浮在水面。網(wǎng)箱養(yǎng)殖區(qū)從形態(tài)上看主要呈格網(wǎng)狀，格網(wǎng)內(nèi)部是水體。網(wǎng)箱養(yǎng)殖區(qū)呈現(xiàn)一定的規(guī)律性，但網(wǎng)眼大小不統(tǒng)一，與實(shí)際養(yǎng)殖的水產(chǎn)品相關(guān)。

圖1 網(wǎng)箱養(yǎng)殖區(qū)現(xiàn)場照片

圖2 研究區(qū)假彩色影像圖

2 研究方法

基于改進(jìn)層次分析法的網(wǎng)箱養(yǎng)殖區(qū)提取技術(shù)流程如圖3所示。主要分為3個(gè)層次：第1步通過優(yōu)化歸一化差分水體指數(shù)(optimized normalized difference water index，ONDWI)將水體與陸地分離，其中水體包含了自然水體、網(wǎng)箱養(yǎng)殖區(qū)、小島及其他干擾對象；第2步利用基于比值指數(shù)的紋理特征分析法，將網(wǎng)箱養(yǎng)殖區(qū)與自然水體分離，其中網(wǎng)箱養(yǎng)殖區(qū)包含了小島及其他干擾對象；第3步基于簡化的區(qū)域分割算法(面向?qū)ο蠓?，利用網(wǎng)箱養(yǎng)殖區(qū)規(guī)則的形狀特征將其與小島及隨機(jī)噪點(diǎn)等干擾對象分離，最終實(shí)現(xiàn)網(wǎng)箱養(yǎng)殖區(qū)的精準(zhǔn)提取。

圖3 技術(shù)流程圖

2.1 優(yōu)化的歸一化差分水體指數(shù)(ONDWI)

水體對太陽光的的反射較弱，吸收能力通常要強(qiáng)于其他地物，Mcfeeters[15]在1996年首次提出歸一化差分水體指數(shù)(normalized difference water index，NDWI)(式(1))，并在以后的水體提取研究中得到廣泛應(yīng)用。

(1)

式中：bgreen為綠波段；bnir為近紅外波段。

由于人工地物光譜曲線與水體較為接近，如果僅使用簡單的NDWI運(yùn)算，部分人工地物將被錯(cuò)誤地劃分到水體中，造成網(wǎng)箱養(yǎng)殖區(qū)的虛檢率增高。因此，提出一種優(yōu)化的歸一化差分水體指數(shù)(ONDWI)，主要用于排除部分人工地物的干擾。其運(yùn)算步驟如圖4所示。

首先，對假彩色影像(圖4(a))進(jìn)行NDWI計(jì)算，得到NDWI計(jì)算結(jié)果(圖4(b))，經(jīng)閾值分割后得到初始水體提取結(jié)果(圖4(c))；然后，利用人工地物與水體的光譜差異，選取敏感波段近紅外波段(圖4(d))，在敏感波段上提取與初始水體結(jié)果(圖4(c))相同位置的光譜值，得到圖4(e)，通過對圖4(e)進(jìn)行閾值分割，得到人工地物提取結(jié)果(圖4(f))；最后，將初始水體提取結(jié)果(圖4(c))與人工地物提取結(jié)果(圖4(f))進(jìn)行差運(yùn)算，從而得到精確的水體信息提取結(jié)果(圖4(g))。

2.2 基于比值指數(shù)的紋理特征分析法

網(wǎng)箱養(yǎng)殖區(qū)在紋理上與其他地物有較大區(qū)別，具有較為規(guī)則的形態(tài)特征，從紋理特征出發(fā)提取網(wǎng)箱養(yǎng)殖區(qū)可取得較好效果?；叶裙采仃囀怯脕砻枋黾y理的常用手段，是一種有效的紋理信息統(tǒng)計(jì)方法。常用的統(tǒng)計(jì)量包括均值(mean)、方差(variance)、對比度(contrast)、熵(entropy)、相關(guān)性(correlation)等。本研究通過樣本分析發(fā)現(xiàn)，紋理均值對網(wǎng)箱養(yǎng)殖區(qū)的特征提取具有較好的效果，其計(jì)算如式(2)所示。

(2)

此外，影像中網(wǎng)箱養(yǎng)殖區(qū)光譜特征與水體接近，若使用基于單一波段的光譜信息區(qū)分網(wǎng)箱養(yǎng)殖區(qū)和水體效果不佳。因此，提出利用比值特征指數(shù)來增強(qiáng)網(wǎng)箱養(yǎng)殖區(qū)與水體在光譜上的差異性，從而達(dá)到突出網(wǎng)箱養(yǎng)殖區(qū)信息的目的。分別選取綠波段與紅波段、綠波段與近紅外波段、紅波段與近紅外波段構(gòu)建網(wǎng)箱比值指數(shù)(式(3)、式(4)、式(5))。

(3)

(4)

(5)

式中：C1、C2、C3為構(gòu)建的比值特征指數(shù)；b2、b3、b4分別為綠波段、紅波段及近紅外波段的反射率。

為自己的漂亮所惑的女人很難有幸福之人。所謂知足常樂，而這類女人是不可能知足的。在她們看來，丈夫總是配不上她們，衣服總是配不上她們，工作環(huán)境總是配不上她們，居住環(huán)境當(dāng)然也總是配不上她們，身旁的眾人更是配不上她們。所以，她們眉藏煞氣，心浮氣躁，自私自利，惹人生厭。

為提高計(jì)算效率，將紋理特征運(yùn)算從影像各波段分別計(jì)算轉(zhuǎn)換為在比值指數(shù)基礎(chǔ)上計(jì)算。即在網(wǎng)箱養(yǎng)殖區(qū)比值指數(shù)基礎(chǔ)上，以O(shè)NDWI提取結(jié)果為約束條件，進(jìn)行紋理均值的計(jì)算，對紋理均值運(yùn)算結(jié)果圖進(jìn)行閾值分割，實(shí)現(xiàn)對自然水體的剔除，得到網(wǎng)箱養(yǎng)殖區(qū)初提取結(jié)果。

2.3 簡化的區(qū)域分割算法

為簡化計(jì)算量提升計(jì)算效率，使用簡化的區(qū)域分割算法代替原始影像圖斑分割，即直接在ONDWI提取結(jié)果的二值圖像上，通過8鄰域種子生長法建立圖斑對象，并為對象貼上標(biāo)簽。

在網(wǎng)箱養(yǎng)殖區(qū)初提取結(jié)果中，包括網(wǎng)箱養(yǎng)殖區(qū)、水中小島及水體斑塊，利用面向?qū)ο蠹夹g(shù)進(jìn)行干擾對象剔除。從光譜特征上區(qū)分網(wǎng)箱養(yǎng)殖區(qū)、小島及水體斑塊具有一定難度，在區(qū)域生長形成的板塊對象基礎(chǔ)上，網(wǎng)箱養(yǎng)殖區(qū)往往呈較規(guī)則的方形或矩形且具有重復(fù)性，而小島則主要呈圓形或橢圓形狀，水體斑塊則呈隨機(jī)無規(guī)律形態(tài)?；诖?，以形狀特征指數(shù)加以區(qū)分可取得較好效果。選取具有代表性的形狀特征指數(shù)長寬比(length-width ratio，LW)和面積周長比(area-perimeter ratio，PAI)[16]來加以區(qū)分，基于樣本訓(xùn)練確定LW和PAI的最佳閾值，利用閾值分割剔除小島及隨機(jī)斑塊的干擾。LW和PAI的計(jì)算如式(6)、式(7)所示。

LW=Plength/Pwidth

(6)

PAI=Pperimeter/Parea

(7)

式中：Plength、Pwidth分別為分割對象具有相同標(biāo)準(zhǔn)二階中心矩的橢圓的長軸長度和短軸長度；LW形狀特征計(jì)算如圖5所示；Pperimeter、Parea分別為分割對象邊緣像元個(gè)數(shù)之和、所有像元個(gè)數(shù)之和，當(dāng)分割對象大小不變時(shí)，PAI越大，區(qū)域越復(fù)雜。

圖5 LW形狀特征指數(shù)計(jì)算示意圖

3 結(jié)果與分析

3.1 提取結(jié)果

影像經(jīng)ONDWI運(yùn)算后，水體信息在影像上得到了增強(qiáng)，而陸地、植被等其他地物信息得到抑制，利用波譜曲線上的差異性，可有效提取水體信息。與傳統(tǒng)NDWI算法相比，優(yōu)化的ONDWI算法能夠更加準(zhǔn)確地剔除水體邊緣人工地物的干擾，完整地提取出水體信息(包含網(wǎng)箱養(yǎng)殖區(qū))(圖10(b))，為后期網(wǎng)箱養(yǎng)殖區(qū)準(zhǔn)確提取排除了人工地物的干擾。

進(jìn)一步在水體信息中，利用比值指數(shù)增強(qiáng)網(wǎng)箱養(yǎng)殖區(qū)信息。圖6為在ONDWI提取水體信息基礎(chǔ)上，經(jīng)3種比值指數(shù)運(yùn)算后網(wǎng)箱養(yǎng)殖區(qū)信息對比圖，其中白色為水體、灰色為網(wǎng)箱養(yǎng)殖區(qū)及部分干擾地物，黑色為其他地類。由圖6可知，經(jīng)比值指數(shù)C1運(yùn)算后可在突出網(wǎng)箱養(yǎng)殖區(qū)信息的同時(shí)盡量減小信息損失，進(jìn)而在C1比值指數(shù)運(yùn)算基礎(chǔ)上，進(jìn)行紋理均值的計(jì)算，開展閾值分割。

圖6 3種比值指數(shù)運(yùn)算結(jié)果對比圖

圖7為各對象紋理均值概率密度分布圖。由圖7可知，圖像分別在1.4和1.488時(shí)存在波谷。經(jīng)實(shí)驗(yàn)證明，當(dāng)取閾值t0=1.488時(shí)，水體邊緣殘留的自然水體能夠被有效剔除，從而獲得網(wǎng)箱養(yǎng)殖區(qū)初提取結(jié)果，如圖10(c)所示，其中具有一定規(guī)則性的是網(wǎng)箱養(yǎng)殖區(qū)。

在初提取結(jié)果中包含了水中小島和未剔除的水體噪聲等干擾項(xiàng)，利用簡化的區(qū)域分割算法，形成圖斑對象，以長寬比LW和面積周長比PAI 2個(gè)形狀特征指數(shù)加以區(qū)分。圖8展示了典型網(wǎng)箱養(yǎng)殖區(qū)和典型干擾對象的圖像特征和形狀特征指數(shù)，網(wǎng)箱養(yǎng)殖區(qū)形狀較為規(guī)則，大體呈矩形，而一般干擾地物成自然不規(guī)則形態(tài)。從形狀特征指數(shù)計(jì)算結(jié)果來看，網(wǎng)箱養(yǎng)殖區(qū)長寬比LW和面積周長比PAI通常大于干擾地物。

圖7 紋理均值概率密度分布圖

圖8 典型對象形狀特征及形狀指數(shù)

典型的網(wǎng)箱養(yǎng)殖區(qū)呈細(xì)長型，因此，長寬比LW較干擾對象大。網(wǎng)箱養(yǎng)殖區(qū)形狀較為規(guī)則，內(nèi)部復(fù)雜度比干擾對象簡單，因此面積周長比PAI比干擾地物小。圖9為典型對象形狀特征指數(shù)的3點(diǎn)分布圖。經(jīng)實(shí)驗(yàn)證明，當(dāng)LW和PAI取最佳閾值1.86和0.048時(shí)，可較為明顯地將網(wǎng)箱養(yǎng)殖區(qū)和干擾地物進(jìn)行區(qū)分。以最佳閾值進(jìn)行分割，可將小島和水體噪聲等干擾對象剔除，實(shí)現(xiàn)網(wǎng)箱養(yǎng)殖區(qū)的準(zhǔn)確提取。圖10(d)為網(wǎng)箱養(yǎng)殖區(qū)最終提取結(jié)果。

圖9 待提取對象形狀特征指數(shù)散點(diǎn)圖

圖10 網(wǎng)箱養(yǎng)殖區(qū)分層次提取結(jié)果

3.2 精度分析

為驗(yàn)證方法的提取精度，分別采用最小距離法和最大似然法對實(shí)驗(yàn)區(qū)網(wǎng)箱養(yǎng)殖區(qū)進(jìn)行提取，將3種方法提取的結(jié)果進(jìn)行對比。實(shí)驗(yàn)過程中，基于最大似然法和最小距離法提取網(wǎng)箱養(yǎng)殖區(qū)同樣會產(chǎn)生部分干擾對象，對比實(shí)驗(yàn)采取剔除干擾對象后的結(jié)果進(jìn)行，實(shí)驗(yàn)結(jié)果如圖11所示。為便于分析，選取局部區(qū)域(圖11(a)中黃色框區(qū)域)影像進(jìn)行細(xì)節(jié)展示，其結(jié)果如圖12所示。從細(xì)節(jié)圖可知，最小距離法和最大似然法提取結(jié)果均有不同程度的缺失，而本文方法能夠較為完整地提取出全部網(wǎng)箱養(yǎng)殖區(qū)，且對網(wǎng)箱養(yǎng)殖區(qū)邊緣的提取更加準(zhǔn)確，對網(wǎng)箱養(yǎng)殖區(qū)的規(guī)則形狀保留最完整。

圖11 不同算法的網(wǎng)箱養(yǎng)殖區(qū)提取結(jié)果

圖12 不同算法的網(wǎng)箱養(yǎng)殖區(qū)提取對比圖(局部)

針對網(wǎng)箱養(yǎng)殖區(qū)提取精度的評定，采用目視解譯結(jié)果與3種自動提取方法的提取結(jié)果進(jìn)行對比，按提取出的網(wǎng)箱養(yǎng)殖區(qū)對象個(gè)數(shù)進(jìn)行比較(表1)。由表1可知，本文方法提取精度為88.1%，與最小距離法和最大似然法相比有較大提升，比最小距離法的提取精度高14.3%，比最大似然法的提取精度高45.2%。

表1 不同算法提取精度統(tǒng)計(jì)

4 結(jié)束語

針對遙感影像中網(wǎng)箱養(yǎng)殖區(qū)的自動提取，本文基于層次分析法的思想，提出一種網(wǎng)箱養(yǎng)殖區(qū)提取方法。該方法通過優(yōu)化歸一化差分水體指數(shù)并充分利用網(wǎng)箱養(yǎng)殖區(qū)的紋理特征和形狀特征，實(shí)現(xiàn)對網(wǎng)箱養(yǎng)殖區(qū)的準(zhǔn)確提取。實(shí)驗(yàn)結(jié)果表明，該方法相比傳統(tǒng)方法具有更高的提取精度，能夠較為完整地提取出全部網(wǎng)箱養(yǎng)殖區(qū)，且對網(wǎng)箱養(yǎng)殖區(qū)的特有形態(tài)保留較好。不足之處在于，該方法還存在一定的人機(jī)交互處理環(huán)節(jié)，如紋理特征指數(shù)、形狀特征指數(shù)的選取等，在面向不同區(qū)域、不同形態(tài)的水產(chǎn)養(yǎng)殖區(qū)自動提取時(shí)，需要進(jìn)行針對性的調(diào)整。后期將在拓展方法自適應(yīng)性和應(yīng)用等方面開展進(jìn)一步研究。