CN103604761B - 基于aisa航空高光谱影像的赤潮检测方法 - Google Patents

Abstract

本发明涉及一种基于航空高光谱影像的赤潮检测方法。首先用机载高光谱成像仪AISA测得海域的航空高光谱影像；然后在影像的波长450～700nm内数字量化值中选取波长为557～584nm、530～557nm和467nm、512nm的数字量化值，计算波长557～584nm和530～557nm的数字量化值曲线面积比值，以及467nm和512nm的归一化蓝绿波段差值；当DN曲线面积比值大于1.077，且归一化蓝绿波段差值小于0.245时，该像元为被检测出的赤潮像元；将连成片或条带状的赤潮像元判定为赤潮发生海区。本发明直接根据航空高光谱影像的数字量化值，无需对影像进行辐射定标和大气校正等预处理，实现了赤潮发生的明确快速的检测。

Description

基于AISA航空高光谱影像的赤潮检测方法

技术领域

本发明涉及一种基于机载高光谱成像仪AISA测得的航空高光谱影像的赤潮检测方法，属于图像识别领域。

背景技术

赤潮是在特定的环境条件下，海水中藻类、以及某些原生动物或细菌的迅速繁殖和聚集而引起水体变色的一种有害生态现象，也称为“水华”和“藻华”。赤潮的发生不仅破坏海洋的正常生态结构，影响海洋渔业资源，恶化海洋环境，而且还可能通过食物链的转移和积累使海洋经济动物和人体中毒。因此，快速准确地检测赤潮的发生，对于其治理与预防，减少其危害具有重要作用。

赤潮监测主要包括船载现场观测、浮标现场观测、航空遥感和卫星遥感等，其中船载和浮标只能实现离散站位的观测，实时性差；卫星遥感则受云雾影响严重，而航空遥感具有反应快速、机动性强和空间分辨率高、受云雾影响小等优势，成为了赤潮发生检测的一种重要手段。目前基于高光谱影像虽然已经实现了赤潮发生检测、浮游生物量的估计、赤潮优势种识别等，但是在这些应用中必须对航空高光谱影像进行辐射定标、大气校正等预处理。其中辐射定标需要同步采集高光谱成像仪的暗电流数据，增加现场操作的步骤，同时操作人员在改变波段配置和帧速率积分时间后，很容易遗漏暗电流数据的采集，给辐射定标带来困难；另外，赤潮发生海域水体光学性质复杂，其上空的气溶胶类型多变，再加上水汽、二氧化碳、臭氧等气体吸收效应的影响，使大气校正存在较大的不确定性和复杂性；此外，海洋中其他地物如溢油、绿潮、海冰等也可对航空高光谱影像的赤潮检测形成干扰而引起误判，影响赤潮检测的准确性，以上诸种因素显然都可能使之达不到赤潮应急监测的需求。因此，建立用于航空高光谱影像的赤潮检测方法显得极为重要。

发明内容

本发明的目的在于针对机载高光谱成像仪AISA测得的航空高光谱影像，提供一种不需进行辐射定标和大气校正，而且不受其他地物干扰的赤潮检测方法。

本发明是基于2010年6月渤海赤潮发生海域获得的AISA航空高光谱影像(波段范围为400nm～1000nm)，首先根据现场观测结果，从影像中提取赤潮像元与非赤潮像元各200个，各像元的数字量化值(DN)组成光谱样本（部分DN曲线如图1）。研究发现，赤潮光谱样本与非赤潮光谱样本的DN值曲线均表现为单峰，但是在不同的波段上，赤潮光谱样本与非赤潮光谱样本的DN曲线特征不同：赤潮光谱样本在红光波段的DN值高于非赤潮光谱样本（分析研究这是由于赤潮水体中叶绿素浓度增高，叶绿素在红光波段存在一个荧光反射峰的作用）；而且赤潮光谱样本DN曲线在450～550nm波段内的斜率大于非赤潮光谱样本（分析研究这是由于浮游植物在蓝光波段的强吸收作用和绿光波段的散射效应）。

根据图1，赤潮光谱样本与非赤潮光谱样本DN曲线的最大值基本上在λ₀=557nm附近，非赤潮光谱样本的DN曲线在λ₀附近基本对称，但是赤潮光谱样本DN曲线在大于λ₀后仍以较高的数值持续到700nm，因此定义DN曲线面积比值变量F₁定量表示这种差异：

$F_1=\frac{{\∫}_{{\mathrm{\λ}}_0}^{{\mathrm{\λ}}_2}\mathrm{DN}\left(\mathrm{\λ}\right)\mathrm{d\λ}}{{\∫}_{{\mathrm{\λ}}_1}^{{\mathrm{\λ}}_0}\mathrm{DN}\left(\mathrm{\λ}\right)\mathrm{d\λ}}$

其中DN(λ)为波长λ处的数字量化值，λ₁的波长范围是450～557nm，λ₂的波长范围是557～700nm。当DN是离散波长下的数据时，F₁可以表示为：

$F_1=\frac{\underset{\mathrm{\λ}={\mathrm{\λ}}_0}{\overset{{\mathrm{\λ}}_2}{\mathrm{\Σ}}}\mathrm{DN}\left(\mathrm{\λ}\right)}{\underset{\mathrm{\λ}={\mathrm{\λ}}_1}{\overset{{\mathrm{\λ}}_0}{\mathrm{\Σ}}}\mathrm{DN}\left(\mathrm{\λ}\right)}$

研究发现，在450～550nm波段内，赤潮光谱样本和非赤潮光谱样本的DN曲线斜率明显不同，再定义归一化蓝绿波段差值变量(F₂)进行定量表示：

$F_2=\frac{\mathrm{DN}\left({\mathrm{\λ}}_3\right)-\mathrm{DN}\left({\mathrm{\λ}}_4\right)}{\mathrm{DN}\left({\mathrm{\λ}}_3\right)+\mathrm{DN}\left({\mathrm{\λ}}_4\right)}$

其中λ₃的波长范围是495～550nm，λ₄的波长范围是450～495nm。

然后对上述范围的4个波长λ₁～λ₄进行优化，其中优化计算公式如下：

$\mathrm{pc}=(\frac{n_r}{N_r}+\frac{n_w}{N_w})\×100\%$

式中，N_r和N_w表示赤潮光谱样本和非赤潮光谱样本的总的样本量，n_r和n_w分别表示正确检测为赤潮光谱样本和非赤潮光谱样本的样本个数。

当pc值最大时对应的波长为最终确定的波长，从而确定：λ₁=530nm、λ₂=584nm、λ₃=512nm和λ₄=467nm。

进一步，从以上的基础研究和分析出发，发现和确定DN曲线面积比值F₁和归一化蓝绿波段差值F₂的阈值。再根据上述优化计算公式，当pc值最大时，计算赤潮光谱样本和非赤潮光谱样本对应的F₁和F₂值的散点图如图2所示----赤潮和非赤潮的光谱样本明显是分离的。从而确定面积比值F₁和归一化蓝绿波段差值F₂在进行赤潮检测时的阈值分别为1.077和0.245。

最后，当F₁大于1.077，且F₂小于0.245时，该光谱样本相对应的像元则为赤潮像元。从而确定了作为本发明航空高光谱影像中的赤潮像元的特征量，这就从像元层面上实现了对赤潮像元的判别。满足该特征量的像元检测为赤潮像元，不能满足该特征量时为非赤潮像元。

在此基础上，考虑到通常情况下赤潮是成片的、条带状的，因此将航空高光谱影像中的连成片状或者条带状的赤潮像元集合确定为赤潮发生海区，从而界定或确立了赤潮发生范围的区域。进一步结合航空高光谱影像的地面分辨率，不难计算出赤潮发生海域的面积。

因此，本发明可以应用于检出航空高光谱影像中的赤潮像元，作为赤潮识别的基本像素单元。

本发明的赤潮检测方法完全能够应用于检出赤潮发生海区，作为赤潮发生范围的界定。

显然，本发明的方法可以直接用于机载高光谱成像仪AISA测得的航空高光谱影像，对于影像中的所有像元，只要计算DN曲线面积比值F₁和归一化蓝绿波段差值F₂；再根据F₁大于1.077，且F₂小于0.245时，作为检测赤潮的特征量。

本发明的方法根据航空高光谱影像的DN值，不需要进行辐射定标、大气校正等预处理，即可从AISA航空高光谱影像中直接检测出赤潮，其检测准确率高达96.1%，将海水识别为赤潮的误分率仅为6.4%，而赤潮像元未被检测出来的漏检率为1.0%。而且本发明中非赤潮水体可以包含海冰、溢油、绿潮等复杂地物信息，基本不会发生误判。

附图说明

图1为本发明的由机载高光谱成像仪AISA测得的赤潮像元和非赤潮像元光谱样本的部分数字量化值（DN）曲线。

图2为本发明的赤潮和非赤潮样本的特征量作为横、纵坐标组成的散点图（其中面积比值F1为横坐标和归一化蓝绿波段差值F2为纵坐标）。

图3为本发明的机载高光谱成像仪AISA测得的赤潮航空高光谱影像660nm波段的灰度图（其中浅色区域为赤潮和受耀斑影响的像元）。

图4为本发明的赤潮航空高光谱影像逐像元计算的特征量F1的结果示图。

图5为本发明的赤潮航空高光谱影像逐像元计算的特征量F2的结果示图。

图6为本发明的赤潮航空高光谱影像的检测结果示图，（检测为赤潮的像元用黑色表示，非赤潮像元用白色表示）。

图7为本发明的机载高光谱成像仪AISA测得的海冰航空高光谱影像552nm波段的灰度图（其中浅色区域为海冰像元，黑色区域为正常海水像元）。

图8为本发明的机载高光谱成像仪AISA测得的绿潮航空高光谱影像的552nm波段的灰度图（其中浅色区域为绿潮像元，黑色区域为正常海水像元）。

图9为本发明的机载高光谱成像仪AISA测得的溢油航空高光谱影像的552nm波段的灰度图（其中浅色区域为受溢油和太阳耀斑影响的像元，黑色区域为正常海水像元）。

具体实施方式

具体实施时，首先在遥感图像处理平台ENVI(TheEnvironmentforVisualizingImages)下打开机载高光谱成像仪AISA测得的航空高光谱影像，然后选取波长为557～584nm，530～557nm和467nm,512nm的像元数字量化值DN，利用ENVI的波段运算功能，针对影像的所有像元，计算检测赤潮的特征量F₁（DN曲线面积比值）以及F₂（归一化蓝绿波段差值），即

$F_1=\frac{\underset{\mathrm{\λ}=557}{\overset{584}{\mathrm{\Σ}}}\mathrm{DN}\left(\mathrm{\λ}\right)}{\underset{\mathrm{\λ}=530}{\overset{557}{\mathrm{\Σ}}}\mathrm{DN}\left(\mathrm{\λ}\right)},$

$F_2=\frac{\mathrm{DN}\left(512\right)-\mathrm{DN}\left(467\right)}{\mathrm{DN}\left(512\right)+\mathrm{DN}\left(467\right)}$

然后，利用ENVI的感兴趣区ROI工具，选取DN曲线面积比值F₁大于1.077，并且归一化蓝绿波段差值F₂小于0.245的像元，识别为航空高光谱影像中的赤潮像元；最后将连成片状或者条带状的赤潮像元确定为赤潮发生海区，从而完成赤潮检测。

实施例1

利用如图3的机载高光谱成像仪AISA在渤海海域测得的含有赤潮的航空高光谱影像进行赤潮检测。首先计算航空高光谱影像每一像元对应的DN曲线面积比值F₁和归一化蓝绿波段差值F₂，各像元特征量的计算结果如图4和5所示；再选取F₁大于1.077，并且F₂小于0.245的像元，确定为航空高光谱影像中的赤潮像元，其检测结果见图6，其中检测为赤潮的像元用黑色区域表示，将其赤潮像元连成片状和条带状的，即确定该被监测海域内发生了赤潮，其分布与赤潮实际分布基本一致。

实施例2

为了进一步验证该方法是否能够从复杂的海洋背景中提取出赤潮信息，基于3幅机载高光谱成像仪AISA在渤海海域测得的分别含有海冰、绿潮和溢油的航空高光谱影像（如图7、8、9）利用本发明的方法对影像中所有像元计算特征量F₁和F₂，当F₁大于1.077，且F₂小于0.245的像元，检测为航空高光谱影像中的赤潮像元，并用黑色表示赤潮像元。在含有海冰的航空高光谱影像的检测结果中（检测结果几乎为空白，因此这里省略了赤潮检测结果的示图），有0.2%的水体像元被错误检测为赤潮像元，但是这些被检测为赤潮的少量像元是零散稀疏分布的，没有成片，判定该监测海域内没有赤潮发生。

又在含有绿潮的航空高光谱影像（图8）和溢油的航空高光谱影像（图9）中，利用本方法进行检测，没有检测出航空高光谱影像中的赤潮像元（检测结果为空白，故省略了示图）。因此表明，通过含有海冰、绿潮和溢油的航空高光谱影像的检测结果，而进一步论证了本发明的方法是可行的，能够将赤潮从含有复杂海洋环境讯息中的航空高光谱影像中提取出来，实现确切无误的赤潮信息的检测。

Claims (3)

1.一种基于AISA航空高光谱影像的赤潮检测方法，其特征在于首先对航空高光谱影像的每一个像元，直接选取波长为557～584nm、530～557nm和467nm、512nm的数字量化值DN，然后根据下列公式计算F₁和F₂，即

$F_1=\frac{\underset{\mathrm{\λ}=557}{\overset{584}{\mathrm{\Σ}}}\mathrm{DN}\left(\mathrm{\λ}\right)}{\underset{\mathrm{\λ}=530}{\overset{557}{\mathrm{\Σ}}}\mathrm{DN}\left(\mathrm{\λ}\right)}$

$F_2=\frac{\mathrm{DN}\left(512\right)-\mathrm{DN}\left(467\right)}{\mathrm{DN}\left(512\right)+\mathrm{DN}\left(467\right)}$

其中DN(λ)是影像像元在波长为λ时的数字量化值，F₁是DN曲线面积比值，F₂是归一化蓝绿波段差值；再选取DN曲线面积比值F₁大于1.077，且归一化蓝绿波段差值F₂小于0.245的像元作为赤潮像元的特征量，从而确定其为赤潮像元，其余像元为非赤潮像元，即被区分或检测出航空高光谱影像中的赤潮和非赤潮像元；最后将连成片状或者条带状的赤潮像元确定为赤潮发生海区。

2.权利要求1所述的赤潮检测方法应用于检出航空高光谱影像中的赤潮像元，作为赤潮识别的基本像素单元。

3.权利要求1所述的赤潮检测方法应用于检出赤潮发生海区，作为赤潮发生范围的界定。