CN105184827B - 一种利用光谱遥感图像探测浅水水下礁滩的方法 - Google Patents

Abstract

本发明公开了一种利用光谱遥感图像探测浅水水下礁滩的方法，首先对未知海域的高光谱图像进行光谱校正，然后在光谱域进行光谱导数、特征变换等研究获取水下礁滩的光谱特征，在图像域进行波段选择，获取水下礁滩变化的波段图像，研究水下礁滩波段图像变化特征提取方法，最后通过融合探测研究获取未知海域的水下礁滩探测方法。本发明利用现有遥感成像手段，实现了浅水水下的礁滩探测。

Description

一种利用光谱遥感图像探测浅水水下礁滩的方法

技术领域

本发明涉及一种利用光谱遥感图像探测浅水水下礁滩的方法，属于遥感图像智能识别的应用领域。

背景技术

管理、维护与利用海域中的岛礁是国家主权的重要内容之一，除去岛、明礁、干出滩、适淹滩等外，暗礁和暗滩等水下礁滩也是不可忽视的，它们直接影响着人类的海上活动，特别是水下30米以内的礁滩影响最大。探明海域内的水下礁滩情况，对于保障海上正常航行、开发利用与维护国家海洋权益都有重要意义。由于历史的种种原因，我国近海海域的水下礁滩情况的了解还远没有满足实际的需求。随着东海、南海等海域内主权争端和开发利用需求的升温，探明我海域(特别是东海、南海)水下礁滩情况的需求也越来越迫切。

探测海域水下礁滩有两大类方法。一类是基于船只抵近勘探的传统探测方法，以多波束及浅地层剖面系统处理方法为主去探测水下礁滩；由于该方法必须利用船只抵近勘探，难以在船只无法到达的海域开展探测(例如在存在主权归属争议的岛屿附近)。另一类是基于高光谱遥感的探测方法，该方法无需抵近勘探，适用于任何海域。目前这类方法研究主要包括水深反演和珊瑚礁监测两方面，并开始有文献利用水深反演等模型进行水下目标检测。

大量文献研究表明，水体对太阳光吸收、反射和透射是随波长而变化的，总的是吸收大于反射和透射，在有水深参考点训练的基础上，基于高光谱图像能够进行30米以内的浅水水深定量反演，因此水下30米以内的礁滩在高光谱图像上具有一定的光谱或波段特征。利用高光谱图像能够较为精确地探测水深，甚至可以基于水深反演模型进行水下植被检测和水下目标检测。然而该方法依赖水深反演模型精度，需要有准确的水深参考点，并只能用于检测小目标，并不适合未知海域的水下礁滩探测。由于未知水域水深参考点难以获取，因此必须有可靠的无需先验信息的水下礁滩探测方法。

在现有的水下探测技术领域中，专利号为CN201210360869.8，基于频谱认知和分段跳频调频的水下物体探测方法及系统，该探测方法包括如下步骤：步骤1，发射控制子系统中频谱侦听器对整个水下探测频段进行侦听，并将接收到的信号送至若干个带通滤波器，然后进行并/串转换；步骤2，经过并/串转换后的串行信号依次通过平方器和积分器，计算各个子频段的接收信号的能量，平方器与积分器的工作周期均与频谱侦听器的工作周期相同；步骤3，计算得到的各子频段接收信号的能量依次送入判决器进行判决，并将满足探测条件即能量低于设定阈值的子频段中心频率记录在跳频频率表中，同时输入信号发生器；步骤4，由信号发生器产生的原始数字信号经LFM调制器进行线性调频；步骤5，频率合成器选择跳频频率表中记录的最高可用频率合成本振信号，控制跳频调制器对LFM调制器输出的线性调频信号进行跳频调制；骤6，接收控制子系统中，由接收探头接收到的信息送至滤波检测器，对接收信号进行滤波，然后由跳频解调器对滤波处理后的信号解调，最后送入信号处理器中进行回波分析。现有专利提供的是一种基于频谱认知和分段跳频调频的水下物体探测方法及系统，而本发明是利用现有遥感成像手段，主要基于光谱导数和波段图像变化特征，通过决策层融合探测水下礁滩的一种方法。

发明内容

本发明的目的就在于克服现有技术的不足，提供了一种利用光谱遥感图像探测浅水水下礁滩的方法，该方法利用现有的遥感成像手段，实现了浅水(30米以内)水下的礁滩探测。

为了实现上述目的，本发明提供了一种利用光谱遥感图像探测浅水水下礁滩的方法，主要基于光谱导数和波段图像变化特征，通过决策层融合探测水下礁滩，该方法包括以下步骤：

步骤一，水下礁滩的光谱校正：基于水体吸收和传输原理，采用包括二阶光效应校正的方法对水下礁滩进行光谱校正，避免和消除光谱不准带来的影响；

步骤二，水下礁滩光谱特征提取，由于水体吸收，水下礁滩在近红外波段的光谱反射接近零，也就是在可见光到近红外波长之间，水下礁滩的光谱反射率会有明显下降，可以从光谱导数出发提取水下礁滩的光谱特征；

步骤三，水下礁滩除了在光谱方面具有一定的特征外，在相应波段的图像上也会有特征，可以基于多分辨率光谱角方法进行波段选择，其中不同的波段子集代表不同的光谱分辨率，采用最优准则分解和波段选择方法获取对类别鉴别最优的波段子集，并在波段子集的图像上利用常规变化检测方法提取变化的图像特征；

步骤四，基于光谱导数特征和图像变化特征，采用堆栈支持向量机融合方法进行融合分类，获取水下礁滩。

进一步的，在步骤一中，二阶光效应校正方法具体如下：

假设p(λ)为二阶光效应校正因子，S(λ)为浅水区在波长λ处的信号值，D(λ)为深水区在波长λ处的信号值，为了尽可能减少大气传输辐射差，需要选择较近的浅水区和深水区，由于近红外波段图像只能反映水体特性，所以进行二阶光效应校正后，浅水区和深水区在近红外波段的信号值应该相等，可以写成如下公式：

S(λ)-p(λ)S(λ/2)＝D(λ)-p(λ)D(λ/2)

为了获取p(λ)，上述公式可以写成：

p(λ)＝[S(λ)-D(λ)]/[S(λ/2)-D(λ/2)]

在获得二阶光效应校正因子p(λ)后，原高光谱图像的校正公式如下：

C(λ)＝f(λ)-p(λ)*f(λ/2)

其中，f(λ)是原始图像值，C(λ)是校正后图像值，

二阶光效应去除必须假设浅水区与深水区的大气传输辐射稳定，因此浅水区与深水区点的选择有可能会导致误差，必须研究一定地选择机制降低误差，拟选择多组点进行估计p(λ)，并采取奇异点去除和平均的策略获取可靠的p(λ)。

进一步的，在步骤二中，采用光谱导数提取特征，一般采用一阶到三阶光谱导数已能满足精度要求，如需进一步提高精度，可以尝试更高阶光谱导数，

一阶光谱导数定义为：

其中Δλ＝λ_j-λ_i，s(λ)是原始光谱。

二阶光谱导数定义为：

其中Δλ＝λ_k-λ_j-λ_i，

其他高阶的光谱导数也可以用类似的方法获取，定义如下：

进一步的，在步骤三中，采用多分辨率光谱角方法选择波段子集，多分辨率光谱角将原有n维的特征空间分解为不等连续的子空间，需要注意的是，获得一个光谱角至少需要两个波段，分解波段集[l,u]：

1)对于任一波段子集[l,u]，计算可分性准则函数值J(l,k)和J(k+1,u)，l＜k＜u-1，并找到子集的最佳可分点：

2)如果且则继续分解波段子集

3)如果且则继续分解

4)否则，这表示这次分解无法使得可分性能力得到提高，因此此波段子集就不继续分解；

其中参数δ是用来控制分解的过程的，当参数δ足够大时，原波段集就不会被分解，由于可分性准则函数J(·)值的范围为[0,1]，参数δ的范围也为[0,1]。

进一步的，在步骤四中，采用堆栈支持向量机融合方法融合光谱导数特征和波段图像变化特征，该方法使用2层支持向量机，首先分别使用光谱导数特征和图像变化特征输入0层支持向量机，其决策值作为1层支持向量机的输入；1层特征采用0层支持向量机的决策值可以获得更高的分类精度，因为决策值比类别标记含有更多的决策信息。

本发明的有益效果：

1.本发明所提供的方法填补了利用遥感图像自动探测浅水水下礁滩的空白。适用于高光谱传感器对水下礁滩的探测，在多光谱图像上也可适用，具有良好的应用前景。

2.本发明无需水深参考点，采用了自动化阈值的方法，有效地解决了固定阈值带来的图像适应性问题，方法无需人工干预，计算简单，可自动化批量进行。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1为本发明的流程图；

图2a为本发明的水体吸收说明图；

图2b为本发明的水体传输说明图；

图3a为本发明波段为0.72μm的图像；

图3b为本发明波段为0.75μm的图像；

图3c为本发明波段为0.78μm的图像；

图4是本发明的堆栈支持向量机的示意框图。

具体实施方式

下面结合附图对发明进一步说明，但不用来限制本发明的范围。

实施例

如图1所示，本发明提供的一种利用光谱遥感图像探测浅水水下礁滩的方法，主要基于光谱导数和波段图像变化特征，通过决策层融合探测水下礁滩，该方法包括以下步骤：

步骤一，水下礁滩的光谱校正：基于水体吸收和传输原理，采用包括二阶光效应校正的方法对水下礁滩进行光谱校正，避免和消除光谱不准带来的影响。

步骤二，水下礁滩光谱特征提取，由于水体吸收，水下礁滩在近红外波段的光谱反射接近零，也就是在可见光到近红外波长之间，水下礁滩的光谱反射率会有明显下降，可以从光谱导数出发提取水下礁滩的光谱特征；

步骤三，水下礁滩除了在光谱方面具有一定的特征外，在相应波段的图像上也会有特征，可以基于多分辨率光谱角方法进行波段选择，其中不同的波段子集代表不同的光谱分辨率，采用最优准则分解和波段选择方法获取对类别鉴别最优的波段子集，并在波段子集的图像上利用常规变化检测方法提取变化的图像特征；

步骤四，基于光谱导数特征和图像变化特征，采用堆栈支持向量机融合方法进行融合分类，获取水下礁滩。

由于未经过光谱校正的高光谱图像中，水下礁滩在0.9μm的波段图像上依然可能出现，这主要是可见光波段的二阶光效应带来的影响，该因素不消除将严重影响后续的图像变化特征提取。因此在步骤一中，采用包括二阶光效应校正的方法对水下礁滩光谱校正，避免和消除光谱不准带来的影响。

二阶光效应校正方法具体如下：

假设p(λ)为二阶光效应校正因子，S(λ)为浅水区在波长λ处的信号值，D(λ)为深水区在波长λ处的信号值，为了尽可能减少大气传输辐射差，需要选择较近的浅水区和深水区。由于近红外波段图像只能反映水体特性，所以进行二阶光效应校正后，浅水区和深水区在近红外波段的信号值应该相等，可以写成如下公式：

S(λ)-p(λ)S(λ/2)＝D(λ)-p(λ)D(λ/2)

为了获取p(λ)，上述公式可以写成：

p(λ)＝[S(λ)-D(λ)]/[S(λ/2)-D(λ/2)]

在获得二阶光效应校正因子p(λ)后，原高光谱图像的校正公式如下：

C(λ)＝f(λ)-p(λ)*f(λ/2)

其中，f(λ)是原始图像值，C(λ)是校正后图像值。

二阶光效应去除，必须假设浅水区与深水区的大气传输辐射稳定，因此浅水区与深水区点的选择有可能会导致误差，必须研究一定的选择机制降低误差，拟选择多组点进行估计p(λ)，并采取奇异点去除和平均的策略获取可靠的p(λ)。

在步骤二中，基于水体吸收原理，本发明采用从光谱导数出发来提取水下礁滩的光谱特征，一般采用一阶到三阶光谱导数已能满足精度要求，如需进一步提高精度，可以尝试更高阶光谱导数，

一阶光谱导数定义为：

其中Δλ＝λ_j-λ_i，s(λ)是原始光谱，

二阶光谱导数定义为：

其中Δλ＝λ_k-λ_j-λ_i，

其他高阶的光谱导数也可以用类似的方法获取，定义如下：

图2a～2b阐述了步骤二中为何从光谱导数提取水下礁滩的光谱特征。图2a～2b分别显示出了水对可见光和近红外波的吸收和传输的情况，由图2a可以得出，从可见光到近红外波，水的吸收率明显增加；由图3可以得出，从可见光到近红外波，波在水中的传输率明显下降。此说明了在可见光到近红外波长之间，水下礁滩的光谱反射率会有明显下降，因此可以从光谱导数出发提取水下礁滩的光谱特征。

在步骤三中，由于水下礁滩除了在光谱方面具有一定的特征外，在相应波段的图像上也会有特征，可以基于多分辨率光谱角方法进行波段选择。多分辨率光谱角将原有n维的特征空间分解为不等连续的子空间。需要注意的是，获得一个光谱角至少需要两个波段，分解波段集[l,u]：

1)对于任一波段子集[l,u]，计算可分性准则函数值J(l,k)和J(k+1,u)，l＜k＜u-1，并找到子集的最佳可分点：

2)如果且则继续分解波段子集

3)如果且则继续分解

4)否则，这表示这次分解无法使得可分性能力得到提高，因此此波段子集就不继续分解；

其中参数δ是用来控制分解的过程的，当参数δ足够大时，原波段集就不会被分解，由于可分性准则函数J(·)值的范围为[0,1]，参数δ的范围也为[0,1]。

可分性准则函数J(·)的定义如下。假定类别X和Y，对应于波段子集k，则总的平均光谱角为S_T，平均类内光谱角为S_W，以及平均类间光谱角S_B定义分别如下：

S_T＝S_W+S_B

N_X表示类别X的样本数量，N_Y是类别Y的样本数量，表示对应于波段子集k的子光谱角，这里我们假定了各个类别的概率一样。

为了同时最小化S_W，以及最大化S_B，我们考虑最大化如下的准则函数：

为清晰地说明步骤三中在不同波段情况下图像特征的变化。本发明以意大利Pavia大学Grassi教授提供的Centre高光谱数据为例进行说明，见图3a～3c，该数据空间分辨率为1.3米，包含102个波段。图中给出了波段0.72μm、0.75μm、0.78μm三个波段的图像。河流中有一处水下礁滩，图中用椭圆圈出来的部分，在波段0.72μm图像上可以全部显现，随着波长的增加，水下礁滩逐步消失，只留下露出水面的部分。在图中可清楚地看出，在波段0.75μm图像上，河流中的水下礁滩，有部分已无法显现；在波段0.78μm图像上，只能显现一小部分。可见，在不同的波段下，图像特征会发生变化。

在步骤四中，多特征融合分类的支持向量机决策值堆栈泛化方法如下：使用2层支持向量机，首先分别使用光谱导数特征和图像变化特征输入0层支持向量机，其决策值作为1层支持向量机的输入；1层特征采用0层支持向量机的决策值可以获得更高的分类精度，因为决策值比类别标记含有更多的决策信息。

本发明所提供的方法是首先对未知海域的高光谱图像进行光谱校正，然后在光谱域进行光谱导数、特征变换等研究获取水下礁滩的光谱特征，在图像域进行波段选择，获取水下礁滩变化的波段图像，研究水下礁滩波段图像变化特征提取方法，最后通过融合探测研究获取未知海域的水下礁滩探测方法。

本发明所提供的方法填补了利用遥感图像自动探测浅水水下礁滩的空白。适用于高光谱传感器对水下礁滩的探测，在多光谱图像上也可适用，具有良好的应用前景。本发明无需水深参考点，采用了自动化阈值的方法，有效地解决了固定阈值带来的图像适应性问题，方法无需人工干预，计算简单，可自动化批量进行。

以上显示和描述了本发明的基本原理、主要特征和本发明的优点。本行业的技术人员应该了解，本发明不受上述实施例的限制，上述实施例和说明书中描述的只是说明本发明的原理，在不脱离本发明精神和范围的前提下本发明还会有各种变化和改进，这些变化和改进都落入要求保护的本发明范围内。本发明要求保护范围由所附的权利要求书及其等同物界定。

Claims (5)

1.一种利用光谱遥感图像探测浅水水下礁滩的方法，主要基于光谱导数和波段图像变化特征，通过决策层融合探测水下礁滩，该方法包括以下步骤：

步骤一，水下礁滩的光谱校正：基于水体吸收和传输原理，采用包括二阶光效应校正的方法对水下礁滩进行光谱校正，避免和消除光谱不准带来的影响；

步骤二，水下礁滩光谱特征提取，由于水体吸收，水下礁滩在近红外波段的光谱反射接近零，也就是在可见光到近红外波长之间，水下礁滩的光谱反射率会有明显下降，从光谱导数出发提取水下礁滩的光谱特征；

步骤三，水下礁滩除了在光谱方面具有一定的特征外，在相应波段的图像上也会有特征，基于多分辨率光谱角方法进行波段选择，其中不同的波段子集代表不同的光谱分辨率，采用最优准则分解和波段选择方法获取对类别鉴别最优的波段子集，并在波段子集的图像上利用常规变化检测方法提取变化的图像特征；

步骤四，基于光谱导数特征和图像变化特征，采用堆栈支持向量机融合方法进行融合分类，获取水下礁滩。

2.根据权利要求1所述的一种利用光谱遥感图像探测浅水水下礁滩的方法，其特征在于，在步骤一中，二阶光效应校正方法具体如下：

假设p(λ)为二阶光效应校正因子，S(λ)为浅水区在波长λ处的信号值，D(λ)为深水区在波长λ处的信号值，为了尽可能减少大气传输辐射差，需要选择较近的浅水区和深水区，由于近红外波段图像只能反映水体特性，所以进行二阶光效应校正后，浅水区和深水区在近红外波段的信号值应该相等，写成如下公式：

S(λ)-p(λ)S(λ/2)＝D(λ)-p(λ)D(λ/2)

为了获取p(λ)，上述公式写成：

p(λ)＝[S(λ)-D(λ)]/[S(λ/2)-D(λ/2)]

在获得二阶光效应校正因子p(λ)后，原高光谱图像的校正公式如下：

C(λ)＝f(λ)-p(λ)*f(λ/2)

其中，f(λ)是原始图像值，C(λ)是校正后图像值，

二阶光效应去除必须假设浅水区与深水区的大气传输辐射稳定，因此浅水区与深水区点的选择有可能会导致误差，必须研究一定的选择机制降低误差，拟选 择多组点进行估计p(λ)，并采取奇异点去除和平均的策略获取可靠的p(λ)。

3.根据权利要求1所述的一种利用光谱遥感图像探测浅水水下礁滩的方法，其特征在于，在步骤二中，采用光谱导数提取特征，一般采用一阶到三阶光谱导数已能满足精度要求，如需进一步提高精度，尝试更高阶光谱导数，

一阶光谱导数定义为：

其中Δλ＝λ_j-λ_i，s(λ)是原始光谱；s(λ_j)为浅水区在波长λ_j处的信号值，s(λ_i)为浅水区在波长λ_i处的信号值；

二阶光谱导数定义为：

其中Δλ＝λ_k-λ_j-λ_i，s(λ_j)为浅水区在波长λ_i处的信号值，s(λ_i)为浅水区在波长λ_i处的信号值；s(λ_k)为浅水区在波长λ_k处的信号值；

其他高阶的光谱导数也用类似的方法获取，定义如下：

s(λ_i)为浅水区在波长λ_i处的信号值；s(λ_i+n)为浅水区在波长λ_i+n处的信号值。

4.根据权利要求书1所述的一种利用光谱遥感图像探测浅水水下礁滩的方法，其特征在于，在步骤三中，采用多分辨率光谱角方法选择波段子集，多分辨率光谱角将原有n维的特征空间分解为不等连续的子空间，需要注意的是，获得一个光谱角至少需要两个波段，分解波段集[l,u]：

1)对于任一波段子集[l,u]，计算可分性准则函数值J(l,k)和J(k+1,u)，l＜k＜u-1，并找到子集的最佳可分点：

2)如果且则继续分解波段子集

3)如果且则继续分解

4)否则，这表示这次分解无法使得可分性能力得到提高，因此此波段子集就不继续分解；

其中参数δ是用来控制分解的过程的，当参数δ足够大时，原波段集就不会被分解，由于可分性准则函数J(·)值的范围为[0,1]，参数δ的范围也为[0,1]。

5.根据权利要求书1所述的一种利用光谱遥感图像探测浅水水下礁滩的方法，其特征在于，在步骤四中，采用堆栈支持向量机融合方法融合光谱导数特征和波段图像变化特征，该方法使用2层支持向量机，首先分别使用光谱导数特征和图像变化特征输入0层支持向量机，其决策值作为1层支持向量机的输入；1层特征采用0层支持向量机的决策值获得更高的分类精度，因为决策值比类别标记含有更多的决策信息。