CN102176001A - 一种基于透水波段比值因子的水深反演方法 - Google Patents

Abstract

本发明公开了一种基于透水波段比值因子的水深反演方法，包括以下几个步骤：步骤一：对遥感图像进行辐射定标；步骤二：对辐射定标后遥感图像进行大气校正；步骤三：对大气校正后遥感图像进行图像增强处理；步骤四：对图像增强处理后遥感图像进行水陆分离；步骤五：对水陆分离后遥感图像进行几何纠正与数据处理；步骤六：建立神经网络水深反演模型；本发明基于透水波段比值因子的神经网络反演模型与单一透水波段作为输入的神经网络模型相比，标准差较小，相关系数较大。该模型不受海水类型和海底底质的影响，同时具有解决复杂非线性映射的功能和良好的推广能力。

Description

一种基于透水波段比值因子的水深反演方法

技术领域

本发明属于浅海水深遥感领域，特别涉及在不考虑岛礁附近的其他环境因素影响(如海水底质、海水类型等)下，通过基于透水波段比值因子法进行水深反演的方法。

背景技术

水深测量是水利、航运、近海工程、水资源利用、滩涂开发等方面必不可少的一项工作。传统的水深测量方法是利用测量船上安装的测深设备测出全水域各点的水深，再按出图要求计算并制图，从而得到所测水域水下地形图。由于水深信息采集覆盖范围广、某些地区环境条件恶劣，测深人员常常难以涉足等原因，使得这种传统的测深方法存在诸多实际操作上的困难。

空间遥感技术的迅速发展，使得卫星遥感为水深测量开辟了新的途径。由于卫星图像具有覆盖面广，获取方便、时间选择灵活，费用低等优点，因而在获取浅海水深信息方面逐渐显示出较大的优势，与传统的水深测量方法相比遥感测深可以在短时间内对同一地区进行重复探测，而且不同高度的遥感平台其重复观测的周期不同，这样便于获得不同周期内的水深数据。

随着对遥感探测水深认识的深入及计算机技术的发展，水深遥感逐步由定性分析发展成为定量计算，其算法也由经验模型发展为半经验模型和基于辐射传输理论的模型算法。由于卫星遥感浅海水深探测技术还很不成熟，遥感测深受诸多因素的影响，目前水深探测精度和稳定性相对较低。

人工神经网络(Artificial Neural Networks，ANN)作为一种有效的非线性逼近方法，近年来在水深遥感中已有应用。徐升，张鹰在《长江口水域多光谱遥感水深反演模型研究》中分别利用线性回归模型和BP人工神经网络模型进行水深反演，分析结果得到神经网络反演水深的误差都小于线性回归模型的结论。遥感测深受多因子的影响，是一个非线性过程。BP人工神经网络是一种大规模并行的非线性动态系统，具有很好的自适应学习能力和非线性映射能力，因而在处理遥感测深问题上比传统的统计方法好。单一的基于人工神经网络水深反演模型只能针对固定水域进行测深，当水域外在条件发生变化时(如水底底质、水体浑浊度等)，其计算精度将大大降低。

发明内容

本发明的目的是为了解决大多数水深反演模型受水域外在条件发生变化影响，其计算精度将大大降低的缺陷，结合神经网络模型解决复杂非线性映射的优势，构建了新的水深反演模型，提出一种基于透水波段比值因子的水深反演方法。

本发明的一种基于透水波段比值因子的水深反演方法，包括以下几个步骤：

步骤一：对遥感图像进行辐射定标；

对遥感原始图像进行辐射定标；

步骤二：对辐射定标后遥感图像进行大气校正；

利用黑暗像元法在应用遥感图像前对其进行大气校正；

步骤三：对大气校正后遥感图像进行图像增强处理；

采用高斯低通滤波进行图像增强处理；

步骤四：对图像增强处理后遥感图像进行水陆分离；

利用近红外波段取得水陆边界阈值，建立掩膜图像，进行水陆分离；

步骤五：对水陆分离后遥感图像进行几何纠正与数据处理；

采用有理函数模型，选取若干个控制点，实现对遥感图像的纠正；在提取实测水深值前，提取实测水深的海图转换到与遥感影像数据相同的坐标系统，使实测水深点数据与遥感图像中各波段相应的DN值对应起来；

步骤六：建立神经网络水深反演模型；

提取实测水深点波段DN值，建立透水波段比值因子，以透水波段比值因子向量为输入值，实测水深值为输出值，建立透水波段比值的神经网络水深反演模型；

神经网络水深反演模型训练完成后，利用测试水深点数据进行测试，把测试水深点对应的透水波段比值因子作为模型的输入，输出为测试点对应的水深反演值。

本发明的优点在于：

基于透水波段比值因子的神经网络反演模型与单一透水波段作为输入的神经网络模型相比，标准差较小，相关系数较大。该模型不受海水类型和海底底质的影响，同时具有解决复杂非线性映射的功能和良好的推广能力，能够方便快速的建立多光谱多波段辐射值与实测水深值之间的非线性关系，对浅海水深反演具有很好的实用价值。弥补了传统水深反演模型受水域外条件变化影响而导致计算精度降低的缺陷。

附图说明

图1是本发明的方法流程图；

图2是本发明的透水波段比值的神经网络水深反演模型的结构图；

图3是本发明的水陆分离掩膜结果；

图中：

具体实施方式

下面将结合附图和实施例对本发明作进一步的详细说明。

本发明是一种基于透水波段比值因子的水深反演方法，流程如图1所示，包括以下几个步骤：

步骤一：对遥感图像进行辐射定标。

对遥感原始图像进行辐射定标，具体的实现方法可以为：利用ENVI的CalibrationUtilities中IKONOS Radiance工具对IKONOS数据各个波段进行辐射定标。选择任一波段待定标的IKONOS文件后，在弹出的ENVI IKONOS Calibration对话框中输入IKONOS卫星类型、图像成像时间、太阳角高度、定标类型等参数。其中IKONOS卫星类型、图像成像时间、太阳角高度参数据可从IKONOS遥感数据自身带有metadata.txt文件中获取。而定标类型选为Radiance(辐射量度值)。输入参数后点击确定即可执行定标过程。按照此步骤对遥感图像数据其余波段进行定标，将其转换成绝对辐射亮度值。

步骤二：对辐射定标后遥感图像进行大气校正。

在遥感图像生成时，由于大气和光照等因素对地物反射的作用，严重的影响了真实的遥感图像信息，利用黑暗像元法在应用遥感图像前对其进行大气校正。

具体的实现方法可以为：利用ENVI的Dark Subtract工具对遥感图像进行基于黑暗像元法的大气校正。定标后假设遥感图像上存在黑暗像元、地表为朗伯面反射，DN值很小(近似为0)的黑暗像元，因为大气影响使其相对增加，可以认为增加的DN值时由于大气影响产生的。将其他像元减去这些黑暗像元的像元值，就能减少大气对整幅图像的影响。确定黑暗像素值可以通过波段最小值，ROI的平均值以及自定义值三种方法确定。选择波段最小值方法，自动统计每个波段的最小值作为黑暗像元的像元值，每个波段减去这个值作为输出结果。确定输出路径及文件名单击确定即可执行操作。

步骤三：对大气校正后遥感图像进行图像增强处理。

为了减少因大气散射、海面噪声等对遥感图像产生的影响，本发明采用高斯7×7低通滤波进行图像增强处理。

高斯滤波器是平滑线性滤波器的一种，平滑滤波器就是用滤波掩模确定的邻域内像素的平均灰度值去替代图像的每个像素点的值，而高斯滤波器是带有权重的平均值，即加权平均，中心的权重比邻近像素的权重更大，这样就可以克服边界效应。进行图像增强处理具体的实现方法可以为：通过ENVI图像处理平台对IKONOS各个波段采用高斯7×7低通滤波进行遥感图像的增强与去噪。选取7×7的结果化掩膜，确保处于掩模中心的位置比其他任何像素的权值都大。而距离掩模中心较远的像素就显得不太重要，这样做是为了减小平滑处理中的模糊。

步骤四：对图像增强处理后遥感图像进行水陆分离。

为了通过遥感图像数据更有效地提取水深信息，需要对图像进行水陆分离。利用IKONOS的近红外波段取得水陆边界阈值，建立掩膜图像，进行水陆分离。

水体主要吸收近红外波段，该波段辐射在岛屿与海水交界处有明显的变化，能够较好地获得水陆边界信息。进行水陆分离具体的实现方法可以为：利用近红外波段取得水陆边界阈值，在ENVI的Masking工具创建掩膜文件，将大于阈值的像元点标记为0，表示陆地；将小于阈值的像元点标记为1，表示海水；并利用标记后的像元点建立掩膜图像，如图2所示，为水陆分离掩膜效果图。将该掩膜图像与IKONOS其他波段的遥感图像相乘，可以去除各个波段的陆地信息，实现水陆分离。

步骤五：对水陆分离后遥感图像进行几何纠正与数据处理。

由于IKONOS遥感图像数据自身带有RPC文件和DEM数据，采用有理函数模型，选取少量(10-12个)控制点，实现对遥感图像的纠正。在提取实测水深值前，为了与遥感图像相对应，将提取实测水深的海图转换到与遥感影像数据相同的坐标系统。

进行几何纠正与数据处理具体的实现方法可以为：利用ENVI平台对IKONOS数据进行几何校正。选取少量地面控制点参与几何校正可以提高校正精度，控制点的坐标选取可以采取手动方式，z值可以从IKONOS自带的DEM数据中获取。系统根据GCP(8～12个)自动计算RMS Error值，RMS Error值需要根据具体生成要求确定是否合格。在Orthorectification Parameters对话框中设置参数，包括：输出图像重采样方法实测(Image Resampling)、背景值(Background)、输入高程信息(Input Height)、DEM重采样方法(DEM Resampling)、高程修正系数(Geoid offset)、输出像元大小(X Pixel Size、Y Pixel Size)等参数。最后选择校正结果的输出路径及文件名单击确定即可执行校正过程。

水深值从1∶10000海图中提取。在提取实测水深值前，为了与遥感图像相对应，将海图转换到与遥感影像数据相同的坐标系统，从而使实测水深点数据与遥感图像中各波段相应的DN(遥感影像像元亮度值)值对应起来。

步骤六：建立神经网络水深反演模型。

提取实测水深点波段DN值，建立透水波段比值因子。以透水波段比值因子向量为输入值，实测水深值为输出值建立透水波段比值的神经网络水深反演模型。

具体包括以下几个步骤：

(1)选取透水波段比值。

水深指的是水体的透光性能。海水本身的光谱特性与水深有关。海水的衰减系数最小值在300～600nm之间，在较短和较长波长则急剧增加。对于较清澈的海水，光的最大透射波长在450～550nm之间，其峰值波长约为480nm，位于蓝绿波长区。海水在此波段，散射最弱，衰减系数最小、穿透能力最强，记录水深信息和海水底部特征的可能性最大，利用该波段能更好的反演水深信息。对于海面水体遥感，卫星接收到的光辐射主要由水底的反射辐射、大气产生的路径辐射及海水水体漫射衰减辐射。卫星接收到的水体总辐射强度随水深增加而减弱，这种衰减关系可由下式描述：

其中：

为Z水深时卫星接收的λ波段光谱的总辐亮度，L_λ为入射到海水表面的辐射亮度，R(λ)为水底反射率，θ为卫星传感器与天顶形成的视角，

为太阳天顶角，c(λ)为海水的体衰减系数，L_R(λ)为大气产生的路径辐亮度，L_W(λ)为水体漫射衰减辐亮度。

对于深水海底区域，即Z →∞时，在外界条件相同的情况下，式(1)的幂指数项趋近于零，则该式(1)化简为：

由于大气产生的路径辐亮度和水体漫射衰减辐亮度随深度变化很小，用式(1)式减去式(2)式，得到：

其中为波段λ在Z水深与∞水深光谱辐亮度差值，对于窄光谱波段，可得到

当给定两个窄光谱波段λ_a，λ_b，卫星接收的光谱的总辐亮度比值为：

其中：C为常数。虽然海水的体衰减系数和海水底部反射率随海水类型和海底底质种类不同有很大的差异，但两个光谱波段的海水的体衰减系数差值c(λ_a)-c(λ_b)却对同一海水类型基本保持不变；两个光谱波段的海水底部反射率比值R(λ_a)/R(λ_b)也不随海底底质的种类而变化。

本发明利用IKONOS的透水波段蓝波段和绿波段与其他波段建立比值因子作为神经网络水深反演模型的输入，不但突出了水深信息，同时减少了由于海水类型和海底底质对水深反演的影响。

(2)建立透水波段比值的神经网络水深反演模型。

神经网络模型实现了一个从输入到输出的映射能力，前向神经网络模型结构简单，本发明在此模型的基础上构建了透水波段比值的神经网络水深反演模型。透水波段比值的神经网络水深反演模型的结构图如图3所示。

神经网络水深反演模型的输入值为：

$\mathrm{vec}\_\mathrm{in}=(\frac{\mathrm{blu}\left(z\right)}{\mathrm{red}\left(z\right)},\frac{\mathrm{blu}\left(z\right)}{\mathrm{nir}\left(z\right)},\frac{\mathrm{grn}\left(z\right)}{\mathrm{red}\left(z\right)},\frac{\mathrm{grn}\left(z\right)}{\mathrm{nir}\left(z\right)})$

其中：blu(z)、red(z)、grn(z)、nir(z)分别为蓝波段、红波段、绿波段和近红外波段在z水深处的DN值。神经网络水深反演模型的期望输出值为实测水深值out(z)，神经网络水深反演模型中m为输入神经元个数，n为隐层个数，本发明采用三层隐层结构，i为第一隐层结点个数，j为第二隐层结点个数，k为第三隐层结点个数，q为训练样本个数；w_m，i是网络输入层第m个输入向量与第一个隐层第i个结点之间的权重，w_i，j是网络第一个隐层第i个结点与第二个隐层第j个结点之间的权重，w_j，k是网络第二个隐层第j个结点与第三个隐层第k个结点之间的权重，w_k1是网络第三个隐层第k个结点与输出向量之间的权重。

神经网络水深反演模型的具体实现过程为：一个输入向量in经过第l层第i个神经元时，产生一个神经元值net(i)：

$\mathrm{net}\left(i\right)=W\·\mathrm{in}+V=\underset{a=1}{\overset{m}{\mathrm{\Σ}}}(w_{a,i}\×{\mathrm{in}}_a)+v_i---\left(6\right)$

其中，W为权值，V为阈值，m为输入向量个数，w_a，i为第l-1层第a个结点与第l层第i个结点之间的权重，v_i为第l-1层与第l层之间第i个结点的阈值。输出采用S型激励函数，神经元的净输出值out(i)：

$\mathrm{out}\left(i\right)=f\left(\mathrm{net}\left(i\right)\right)=\frac{1}{1+\exp (-\mathrm{net}\left(i\right))}---\left(7\right)$

净输出S型激励函数可知，为了防止激励函数处于饱和的不敏感区域，在模型训练前须对输入向量进行归一化处理。该模型q个训练样本的全局误差sum_err：

$\mathrm{sum}\_\mathrm{err}=\frac{1}{2}\×\underset{k=1}{\overset{q}{\mathrm{\Σ}}}{(\mathrm{out}\left(k\right)-E\left(k\right))}^2---\left(8\right)$

其中，E(k)为第k个样本的期望值。当全局误差sum_err小于模型训练前设定的误差时，训练结束，此时的W和V为模型最终的权值向量和阈值向量。如果全局误差大于模型训练前设定的误差时，就要对权值向量和阈值向量进行调整，重新进行训练，直到全局误差sum_err小于模型训练前设定的误差。

权值和阈值的调整公式为：

Δw_m，i(n)＝η×φ_m(n)×out_i(n)                    (9)

Δv_i(n)＝η×φ_m(n)                            (10)

其中，η为学习效率，φ_m(n)为迭代第n次结点m的输出计算误差，out_i(n)为迭代第n次结点i的计算输出。

为了防止模型收敛速度慢和目标函数存在局部极小值点的问题，在权值向量调整时，引入动量项因子，微调权值的修正量，调整公式为：

Δw_m，i(n)＝η×φ_m(n)×out_i(n)+α×Δw_m，i(n-1)  (11)

式(11)中引入了上一次迭代过程中的权值调整量Δw_m，i(n-1)，在阈值调整参数时，动量项α选择0.9。

神经网络水深反演模型训练完成后，利用测试水深点数据进行测试。把测试水深点对应的IKONOS透水波段比值因子作为模型的输入，输出为测试点对应的水深反演值。本发明通过IKONOS遥感影象数据，可以高效快捷的获取水深数据，同时解决了特殊危险区域难以测量水深等问题。

Claims (4)

1.一种基于透水波段比值因子的水深反演方法，其特征在于，包括以下几个步骤：

步骤一：对遥感图像进行辐射定标；

对遥感原始图像进行辐射定标；

步骤二：对辐射定标后遥感图像进行大气校正；

利用黑暗像元法在应用遥感图像前对其进行大气校正；

步骤三：对大气校正后遥感图像进行图像增强处理；

采用高斯低通滤波进行图像增强处理；

步骤四：对图像增强处理后遥感图像进行水陆分离；

利用近红外波段取得水陆边界阈值，建立掩膜图像，进行水陆分离；

步骤五：对水陆分离后遥感图像进行几何纠正与数据处理；

采用有理函数模型，选取若干个控制点，实现对遥感图像的纠正；在提取实测水深值前，提取实测水深的海图转换到与遥感影像数据相同的坐标系统，使实测水深点数据与遥感图像中各波段相应的DN值对应起来；

步骤六：建立神经网络水深反演模型；

提取实测水深点波段DN值，建立透水波段比值因子，以透水波段比值因子向量为输入值，实测水深值为输出值，建立透水波段比值的神经网络水深反演模型；

神经网络水深反演模型训练完成后，利用测试水深点数据进行测试，把测试水深点对应的透水波段比值因子作为模型的输入，输出为测试点对应的水深反演值。

2.根据权利要求1所述的一种基于透水波段比值因子的水深反演方法，其特征在于，所述的步骤三采用高斯7×7低通滤波进行图像增强处理。

3.根据权利要求1所述的一种基于透水波段比值因子的水深反演方法，其特征在于，所述的步骤五中控制点选取10-12个。

4.根据权利要求1所述的一种基于透水波段比值因子的水深反演方法，其特征在于，所述的步骤六具体包括以下几个步骤：

(1)选取透水波段比值；

利用透水波段蓝波段、绿波段与红波段、近红外波段建立比值因子作为神经网络水深反演模型的输入；

(2)建立透水波段比值的神经网络水深反演模型；

神经网络水深反演模型的输入值为：

$\mathrm{vec}\_\mathrm{in}=(\frac{\mathrm{blu}\left(z\right)}{\mathrm{red}\left(z\right)},\frac{\mathrm{blu}\left(z\right)}{\mathrm{nir}\left(z\right)},\frac{\mathrm{grn}\left(z\right)}{\mathrm{red}\left(z\right)},\frac{\mathrm{grn}\left(z\right)}{\mathrm{nir}\left(z\right)})$

其中：blu(z)、red(z)、grn(z)、nir(z)分别为蓝波段、红波段、绿波段和近红外波段在z水深处的DN值；神经网络水深反演模型的期望输出值为实测水深值out(z)；

神经网络水深反演模型中输入神经元个数为4，隐层个数为3，第一隐层结点个数为i，第二隐层结点个数为j，第三隐层结点个数为k，训练样本个数为q；w_m，i是网络输入层第m个输入向量与第一个隐层第i个结点之间的权重，m∈[1，4]，w_i，j是网络第一个隐层第i个结点与第二个隐层第j个结点之间的权重，w_j，k是网络第二个隐层第j个结点与第三个隐层第k个结点之间的权重，w_k1是网络第三个隐层第k个结点与输出向量之间的权重；

神经网络水深反演模型的具体实现过程为：一个输入向量in经过第l层第i个神经元时，产生一个神经元值net(t)：

$\mathrm{net}\left(i\right)=W\·\mathrm{in}+V=\underset{a=1}{\overset{m}{\mathrm{\Σ}}}(w_{a,i}\×{\mathrm{in}}_a)+v_i---\left(6\right)$

其中，W为权值，V为阈值，m为输入向量个数，w_a，i为第l-1层第a个结点与第l层第i个结点之间的权重，v_i为第l-1层与第l层之间第i个结点的阈值；输出采用S型激励函数，神经元的净输出值out(i)：

$\mathrm{out}\left(i\right)=f\left(\mathrm{net}\left(i\right)\right)=\frac{1}{1+\exp (-\mathrm{net}\left(i\right))}---\left(7\right)$

在模型训练前须对输入向量进行归一化处理；该模型q个训练样本的全局误差sum_err：

$\mathrm{sum}\_\mathrm{err}=\frac{1}{2}\×\underset{k=1}{\overset{q}{\mathrm{\Σ}}}{(\mathrm{out}\left(k\right)-E\left(k\right))}^2---\left(8\right)$

其中，E(k)为第k个样本的期望值；当全局误差sum_err小于模型训练前设定的误差时，训练结束，此时的W和V为模型最终的权值向量和阈值向量；如果全局误差大于模型训练前设定的误差时，对权值向量和阈值向量进行调整，重新进行训练，直到全局误差sum_err小于模型训练前设定的误差；

权值和阈值的调整公式为：

Δw_m，i(n)＝η×φ_m(n)×out_i(n)                             (9)

     Δv_i(n)＝η×φ_m(n)                                    (10)

其中，η为学习效率，φ_m(n)为迭代第n次结点m的输出计算误差，ou_t(n)为迭代第n次结点i的计算输出；

为了防止模型收敛速度慢和目标函数存在局部极小值点的问题，在权值向量调整时，引入动量项因子，微调权值的修正量，调整公式为：

Δw_m，i(n)＝η×φ_m(n)×out_i(n)+α×Δw_m，i(n-1)            (11)

式(11)中引入了上一次迭代过程中的权值调整量Δw_m，i(n-1)，在阈值调整参数时，动量项α选择0.9；

(3)神经网络水深反演模型训练完成后，利用测试水深点数据进行测试，把测试水深点对应的透水波段比值因子作为模型的输入，输出为测试点对应的水深反演值。

Images