CN110543863B - 一种基于邻域保边水平集的绿潮遥感自动探测方法及系统 - Google Patents

Abstract

本发明提供一种基于邻域保边水平集的绿潮遥感自动探测方法及系统。该探测方法包括：获取绿潮的影像，基于偏置建模构建探测模型以描述所述影像的形成过程；引入邻域特征项和边界保留项构建所述探测模型的水平集能量函数；对构建的所述水平集能量函数进行初始化处理；根据初始化过程进行所述水平集能量函数的演化进程；对演化后的所述水平集能量函数进行正则化；判断所述水平集能量函数的演化是否达到稳定，若达到稳定，则停止演化并输出绿潮探测结果，否则继续进行所述演化进程。本发明提供的基于邻域保边水平集的绿潮遥感自动探测方法准确描述了绿潮的空间分布信息，还解决了不同时相遥感影像存在差异的问题，无需人为干预可实现高精度自动探测。

Description

一种基于邻域保边水平集的绿潮遥感自动探测方法及系统

技术领域

本发明涉及海洋探测领域，特别地涉及一种基于邻域保边水平集的绿潮遥感自动探测方法及系统。

背景技术

绿潮是海水中某些大型浮游植物爆发性增殖聚集形成的一种生态异常现象。近十年来，中国近海绿潮频发，规模罕见，对海洋生态环境、海洋渔业、海滨旅游、水上运动等造成影响，制约了海洋经济的发展。据海洋灾害公报统计，中国海域2013、2014、2015、2016、2017年浒苔绿潮最大分布面积依次为29733、50000、52700、57500、23522平方千米。2017年浒苔绿潮分布面积为近5年来最小值，其分布面积依然高达上万平方千米。因此，有效的绿潮监测和统计工作必不可少。卫星遥感以其大范围、快速、同步观测能力，成为绿潮监测的主要技术手段。

目前国内外在进行绿潮遥感探测时，主要有传统的光谱指数阈值法和图像处理两种方法。

基于光谱指数阈值法的绿潮遥感探测依赖于绿潮与其背景之间的光谱特性差异，构建相应的光谱指数，通过设定合适的阈值，实现绿潮与海水的区分。现有技术中提出了“归一化植被指数(Normalized Difference Vegetaion Index，NDVI)”，此方法是目前绿潮遥感检测中使用最广泛的方法。现有技术中还提出了“增强型植被指数(EnhancedVegetation Index，EVI)”，通过引入蓝波段来增强植被信号并减小大气影响”。现有技术中还提出了“归一化藻类指数算法(Normalized Difference Algae Index，NDAI)”，其特点是基于MODIS数据进行了大气校正。现有技术中还提出了“飘浮藻类指数算法(FloatingAlgal Index，FAI)”，该算法采用了短波红外波段辅助进行藻类探测。利用绿潮藻类富含叶绿素的特点，叶绿素a浓度反演算法也被用于绿潮遥感探测。

此类方法的优势在于物理机制清晰、操作简便，缺点在于：(1)特定的阈值无法解决不同时相绿潮遥感影像存在差异性的问题。这种差异性可来源于多个方面。从成像的角度进行分析，在复杂大气-海洋环境(大气浑浊度、水体等)下，绿潮遥感影像动态变化范围大，特定的成像条件下需要特定的阈值以实现准确的绿潮探测；从生理环境的角度进行分析，绿潮的形成受风、浪、流等多种环境因素的影响，不同的生理环境需要不同的阈值以更准确地描述绿潮分布特征。(2)光谱指数阈值法依赖于单个像元的信息，其忽略了绿潮的空间分布信息。在一景绿潮遥感影像中，绿潮通常呈零散的长条带状或斑块状分布，一个绿潮像元周围往往存在其他绿潮像元，而采用单一阈值容易忽略绿潮像元之间的联系。因此，不仅不同时相的遥感影像不能采用同一(单一)阈值，即使是同一遥感影像的不同区域，其探测阈值也存在明显差异。加之绿潮提取结果对所设定的阈值较为敏感，若对整幅(或多幅)影像采用单一阈值进行探测，所得结果必然不准确；若采用逐影像、小区域人工调整阈值的方式进行探测，则费时费力、监测效率低。

基于图像处理的绿潮遥感探测方法，其核心是实现影像中绿潮像元与背景像元的区分，即图像分割。水平集方法在图像分割领域得到了广泛应用。具体地，水平集方法为用于图像分割的活动轮廓模型的能量函数最小化求解提供了一种高可靠度的方案。现有技术中提出了一种基于分段平滑能量函数的图像分割方法。然而，其目标物轮廓很难描述，因此难以求解能量函数的最小化。现有技术中还提出利用水平集函数来描述目标物轮廓，并通过水平集演化过程求解能量函数的最小化。然而，此方法忽略了图像局部区域内像元的强度信息，不适用于阈值时空变化性大的绿潮影像。现有技术中还考虑了局部区域内像元的强度信息，提出基于两个分段平滑函数的图像分割方法，来分析图像局部区域内像元的强度信息，但其计算成本高，实用性受限。

近年来，一些更具有代表性的水平集方法被提出，如现有技术中提出了“加权K聚类变分水平集(Weighted K-means variational level set，WKVLS)”的医学影像分割模型。此外，类似的处理策略也应用于海洋遥感影像，如海冰、海岸线等。现有技术中还提出了“统计变分多相水平集(Statistical and variational multiphase level set，SVMLS)”，综合考虑了强度的均值和方差。

WKVLS模型和SVMLS模型是具有典型代表性的水平集模型，为绿潮探测提供了一种具有实施可行性的方案。然而，考虑到绿潮影像的特点，将其直接运用于绿潮探测可能存在以下问题：(1)WKVLS模型只考虑了局部区域内像元强度的均值信息，未考虑方差信息，而方差信息是分析不规律(均匀)分布目标物的一个至关重要的因素，因此，WKVLS模型只对规律分布的绿潮影像有效。(2)SVMLS模型综合分析了局部区域内像元强度的均值和方差信息，一定程度上提高了探测的准确性。然而，该模型引入了常数函数对局部区域范围内的像元进行限制，这种常数函数对于局部区域的中心像元和其周围像元具有相同的平滑作用，不能有效区分绿潮边缘处的像元和其邻域周围的像元，容易产生边缘模糊。因此，SVMLS模型的零水平集曲线在演化过程中无法收敛到目标物边缘，会产生过分割结果。

综上所述，基于光谱指数的探测方法虽然是目前绿潮遥感探测的主流方法，但其探测精度和自动化程度尚不能很好地满足业务化运行的需求。现有的水平集方法为绿潮探测提供了一种具有实施可行性的方案，但将其直接运用于绿潮探测将存在明显不足。因此，迫切需要一种能够实现绿潮高精度自动遥感探测的方法。

发明内容

有鉴于此，本发明提供一种基于邻域保边水平集的绿潮遥感自动探测方法及系统，以解决现有探测方法存在的探测精度和自动化程度尚不能很好地满足业务化运行的需求的问题。

第一方面，本发明提供的一种基于邻域保边水平集的绿潮遥感自动探测方法的技术方案是：

一种基于邻域保边水平集的绿潮遥感自动探测方法，包括如下步骤：

获取绿潮的影像，基于偏置建模构建探测模型以描述所述影像的形成过程；

引入邻域特征项和边界保留项构建所述探测模型的水平集能量函数；

对构建的所述水平集能量函数进行初始化处理；

根据初始化过程进行所述水平集能量函数的演化进程；

对演化后的所述水平集能量函数进行正则化；

判断所述水平集能量函数的演化是否达到稳定，若达到稳定，则停止演化并输出绿潮探测结果，否则继续进行所述演化进程。

可选地，所述探测模型为：

I(x)＝B(x)J(x)+n(x)

其中，I为获取的所述绿潮的实际影像；

B为偏置场；

J为所述绿潮的原始图像；

n为噪声；

x为I(x)中任意像元的位置。

可选地，所述水平集能量函数为：

其中，

为所述邻域特征项；

为所述边界保留项；

在所述邻域特征项中，

为所述邻域特征项在给定圆域中心像元位置y处所对应的强度均值，i＝1，2；

σ_i为邻域特征项在给定圆域中心像元位置y处所对应的方差，i＝1，2；

κ为经验值，在[0，1]区间内取值；

F_ρ(x，y)为常数核函数；

在所述边界保留项中，

为所述边界保留项在给定圆域中心像元位置y处所对应的强度均值，i＝1，2；

G_ρ(x，y)为高斯核函数；

M_i(φ(x))为水平集成员函数，i＝1，2。

可选地，

F_ρ(x，y)的公式为：

其中，c为非负的常数；

ρ为给定圆域的半径；

G_ρ(x，y)的公式为：

其中，a为高斯核函数的归一化系数；

γ为高斯核函数的标准偏差；

M_i(φ(x))的公式为：

M₁(φ(x))＝H(φ(x))；

M₂(φ(x))＝1-H(φ(x))

其中，H(φ(x))为Heaviside函数，其公式为：

其中，ε为非负的常数；

φ代表水平集函数。

可选地，所述初始化处理包括：

令偏置场B^α＝B^β＝1和像元强度的方差σ_i＝i，并通过下述公式进行初始化：

其中，R₀为水平集能量函数初始化区域；

y为影像中任意像元的位置。

可选地，在所述演化进程中，演化方程为：

其中，φ_l为第l次迭代所得到的水平集能量函数；

为中间过程的水平集能量函数；

ΔT为水平集迭代的时间步长；

为偏导数。

可选地，偏导数

的计算公式为：

其中，δ_ε的计算公式为：

其中，ε为非负的常数；

φ代表水平集函数；

的计算公式为：

其中，中间变量参数

的更新公式分别为：

中间变量参数

的更新公式分别为：

中间变量参数

的更新公式为：

其中，

可选地，在进行正则化的过程中，正则化公式为：

其中，φ^l+1为第l+1次迭代所得到的水平集能量函数；

Δ为拉普拉斯算子；

Δt为正则化的时间步长。

第二方面，本发明提供的一种基于邻域保边水平集的绿潮遥感自动探测系统的技术方案是：

一种基于邻域保边水平集的绿潮遥感自动探测系统，包括：

第一构建模块，用于获取绿潮的影像，并基于偏置建模构建探测模型以描述所述影像的形成过程；

第二构建模块，用于引入邻域特征项和边界保留项构建所述探测模型的水平集能量函数；

初始化模块，用于对构建的所述水平集能量函数进行初始化处理；

演化模块，用于根据所述初始化模块的初始化过程进行所述水平集能量函数的演化进程；

正则化模块，用于对演化后的所述水平集能量函数进行正则化；

判断模块，用于判断所述水平集能量函数的演化是否达到稳定，若是，则停止演化并输出绿潮探测结果，否则控制所述演化模块继续进行演化进程。

本发明提供的基于邻域保边水平集的绿潮遥感自动探测方法中在偏置建模的基础上引入邻域特征项和边界保留项构造探测模型的水平集能量函数，不仅准确描述了绿潮的空间分布信息，还解决了不同时相遥感影像存在差异的问题，在无需人为干预情况下即可实现高精度自动探测，具有鲁棒性和泛化能力，可运用于业务化应用。

附图说明

附图用于更好地理解本发明，不构成对本发明的不当限定。其中：

图1是本发明具体实施例提供的基于邻域保边水平集的绿潮遥感自动探测方法的流程图；

图2是本发明具体实施例采集的影像图；

图3是本发明具体实施例与传统的光谱指数阈值法对不同绿潮样本分割结果对比图；

图4是本发明具体实施例与其他代表性水平集算法对不同绿潮样本分割结果对比图；

图5是本发明具体实施例的鲁棒性定性评价结果图；

图6是本发明具体实施例的鲁棒性定量评价结果图；

图7是本发明具体实施例提供的基于邻域保边水平集的绿潮遥感自动探测系统的结构组成图。

具体实施方式

下面结合实施例对本发明作进一步说明。

实施例一

针对现有探测方法存在的探测精度和自动化程度尚不能很好地满足业务化运行的需求的问题，本实施例提供了一种基于邻域保边水平集的绿潮遥感自动探测方法，如图1所示，其包括如下步骤：

S100、获取绿潮的影像，基于偏置建模构建探测模型以描述所述影像的形成过程；

S200、引入邻域特征项和边界保留项构建所述探测模型的水平集能量函数；

S300、对构建的所述水平集能量函数进行初始化处理；

S400、根据初始化过程进行所述水平集能量函数的演化进程；

S500、对演化后的所述水平集能量函数进行正则化；

S600、判断所述水平集能量函数的演化是否达到稳定，若达到稳定，则停止演化并输出绿潮探测结果，否则返回S400，继续进行所述演化进程。

本发明提供的基于邻域保边水平集的绿潮遥感自动探测方法中在偏置建模的基础上引入邻域特征项和边界保留项构造探测模型的水平集能量函数，不仅准确描述了绿潮的空间分布信息，还解决了不同时相遥感影像存在差异的问题，在无需人为干预情况下即可实现高精度自动探测，具有鲁棒性和泛化能力，可运用于业务化应用。

在S100中，影像优选为遥感卫星获取的绿潮的一景影像I，其可能为原始的绿潮影像J受偏置场B和噪声n共同作用所形成的，基于此，构件的探测模型为：

I(x)＝B(x)J(x)+n(x)

其中，I为获取的所述绿潮的实际影像；

B为偏置场；

J为所述绿潮的原始图像；

n为噪声；

x为I(x)中任意像元的位置。

偏置场B在影像域内变化缓慢，对于影像域内任意像元的位置y，其圆域O_y范围内的像元位置x对应的偏置场B(x)可近似为圆域中心的位置y所对应的偏置场B(y)，由此可得到下述公式：

B(x)≈B(y)，x∈O_y

其中，O_y表示一个以y为中心、半径为ρ的圆域，由下述公式得到：

O_y＝{x：|x-y|＜ρ}

原始的绿潮影像J在影像子区域Ω_i中可视为常数，对于局部圆域O_y∩Ω_i范围内的像元位置x，原始的绿潮影像J(x)可以由常数C_i近似，因此，J(x)的计算公式为：

J(x)＝C_i，x∈O_y∩Ω_i，i＝1，2；

对于局部圆域O_y∩Ω_i范围内任意的像元位置x，b(x)J(x)的计算公式为：

B(x)J(x)≈B(y)C_i，x∈O_y∩Ω_i。

在S200中，水平集能量函数为：

其中，

为所述邻域特征项；

为所述边界保留项；

在所述邻域特征项中，

为所述邻域特征项在给定圆域中心像元位置y处所对应的强度均值，i＝1，2；

σ_i为邻域特征项在给定圆域中心像元位置y处所对应的方差，i＝1，2：

κ为经验值，在[0，1]区间内取值；

F_ρ(x，y)为常数核函数；

在所述边界保留项中，

为所述边界保留项在给定圆域中心像元位置y处所对应的强度均值，i＝1，2；

G_ρ(x，y)为高斯核函数；

M_i(φ(x))为水平集成员函数，i＝1，2。

进一步地，F_ρ(x，y)的公式为：

其中，c为非负的常数；

ρ为给定圆域的半径；

G_ρ(x，y)的公式为：

其中，a为高斯核函数的归一化系数；

γ为高斯核函数的标准偏差；

M_i(φ(x))的公式为：

M₁(φ(x))＝H(φ(x))；

M₂(φ(x))＝1-H(φ(x))

其中，H(φ(x))为Heaviside函数，其公式为：

其中，ε为非负的常数；

φ代表水平集函数。

在S300中，初始化处理包括：

令偏置场B^α＝B^β＝1和像元强度的方差σ_i＝i，并通过下述公式进行初始化：

其中，R₀为水平集能量函数初始化区域；

y为影像中任意像元的位置。

在S400中，演化方程为：

其中，φ_l为第l次迭代所得到的水平集能量函数；

为中间过程的水平集能量函数；

ΔT为水平集迭代的时间步长；

为偏导数。

进一步地，偏导数

的计算公式为：

其中，δ_ε的计算公式为：

其中，ε为非负的常数；

φ代表水平集函数；

的计算公式为：

其中，中间变量参数

的更新公式分别为：

中间变量参数

的更新公式分别为：

中间变量参数

的更新公式为：

其中，

在S500中，正则化公式为：

其中，φ^l+1为第l+1次迭代所得到的水平集能量函数；

Δ为拉普拉斯算子；

Δt为正则化的时间步长。

在S600中，通过求解水平集能量函数最小化过程可以驱动水平集函数的演化。具体地，通过欧拉-拉格朗日方程可求解能量最小化，但其一般为非线性方程，很难直接表示其定解。因此需将欧拉-拉格朗日方程的求定解转化为求标准梯度流下降方程的稳定解，故最终判断方程的解是否达到稳定，即可作为探测结果是否可以输出的依据。

下面是本申请提供的基于邻域保边水平集的绿潮遥感自动探测方法的具体实施例。

采用高分四号(GF-4)光学卫星数据进行实验。所选的四个实验区来源于同一幅黄海海域无云雾遮挡影像的不同区域，如图2所示。实验区数据大小为1000*1000像素，分辨率为50m。实验环境为：Windows 7，Intel(R)Core(TM)i5-5200U CPU@2.20GHZ，RAM 4.00GB，MATLAB R2014。

以实验区的近红外和红光波段的NDVI计算结果作为输入图像，NDVI公式为：

所述NDVI表示实验区进行预处理后得到的输入图，NIR、R表示绿潮影像在近红波段、红波段的反射率。

载入实验区预处理后结果，利用本实施例提出的探测方法进行绿潮探测实验。为了验证本发明的有效性，选取传统的植被指数(NDVI)阈值法、具有代表性的水平集模型(WKVLS模型、SVMLS模型)做对比，分别与专家目视解译的真值进行定性和定量比较，并对本实施例提供的模型的鲁棒性进行了评价。

1)与NDVI阈值法的定性比较

图3给出了NDVI阈值法与本发明绿潮探测结果的对比。第一列是卫星影像(伪彩色合成图)；第二列是NDVI阈值法在各自最优阈值(分别为0.07、0.13、0.11和0.13)下的绿潮探测结果，上述最优探测阈值是以0.01的步长间距对阈值进行调整，直至探测结果与目视解译吻合时进行确定的；第三列是本发明的绿潮探测结果；第四列是真值绿潮探测结果。由图3可见，卫星影像中目视可以辨识的绿潮信息均被本实施例提供的方法完整、准确地提取出来了，绿潮和海水实现了准确的区分。相比之下，当绿潮像元和背景像元的位置临近且量值(强度)差别较小时，NDVI阈值法无法进行准确的绿潮识别。如矩形框中实验区4的探测结果所示，NDVI阈值法错误地将背景像元判断为绿潮像元。此外，如椭圆框中各实验区的探测结果所示，NDVI阈值法的绿潮探测结果还存在过分割情况，相比于真值，该方法提取出的绿潮像元偏少。

2)与WKVLS模型、SVMLS模型的定性比较

图4给出了具有代表性的水平集模型(即WKVLS模型、SVMLS模型)与本实施例绿潮探测结果的对比；第一列是原始卫星影像；第二列是WKVLS模型结果；第三列是SVMLS模型结果；第四列是本实施例结果；第五列是探测真值。通过对图4的目视判读可以看出，本实施例的绿潮探测精度高于另两种算法。WKVLS模型将实验区1和实验区4中的大量海水像元误分类为绿潮像元，而对中间实验区的绿潮探测结果尚可；SVMLS模型的绿潮探测结果存在欠分割情况，相比于真值，该模型将海水像元误提取为绿潮像元。

3)与NDVI阈值法、WKVLS模型、SVMLS模型的定量比较

以专家目视解译结果作为真值，采用召回率(Recall)、查准率(Precision)、F1指数、Kappa指数作为评价指标，评价NDVI阈值法、WKVLS模型、SVMLS模型及本实施例的绿潮探测结果精度。

NDVI阈值法、WKLVS模型、SVMLS模型和本实施例的绿潮探测精度的评价结果如下表所示：

从上表的数据对比来看，相比于其他方法，本实施例对于绿潮探测具有明显优势。本实施例的综合评价指标F1指数、Kappa指数平均值分别为0.87，0.86，对绿潮的探测结果优于其他三种方法。NDVI阈值法存在欠分割情况，并且容易对特征相似的绿潮像元和海水像元产生错误的探测结果。WKVLS模型对绿潮分布不规则的实验区容易产生错误的探测结果。SVMLS模型绿潮探测结果存在欠分割情况。

4)本实施例提供的探测方法的鲁棒性评价

鲁棒性评价通过本实施例的绿潮探测结果与不同尺寸大小的初始化区域的关系开展。以实验区2为例，采用不同形状、尺寸的初始化区域(见图5)进行鲁棒性检测，并使用Jaccard similarity(JS)指数作为评价标准。评估结果见图6，JS指数在[0.95，0.98]区间范围内，表明本实施例提供的探测方法具有很强的鲁棒性，对不同的初始化区域都能取得稳定的高精度绿潮探测结果。

实施例二

针对现有探测方法存在的探测精度和自动化程度尚不能很好地满足业务化运行的需求的问题，本实施例提供了一种基于邻域保边水平集的绿潮遥感自动探测系统，如图7所示，该探测系统包括：

第一构建模块100，用于获取绿潮的影像，并基于偏置建模构建探测模型以描述所述影像的形成过程；

第二构建模块200，用于引入邻域特征项和边界保留项构建所述探测模型的水平集能量函数；

初始化模块300，用于对构建的所述水平集能量函数进行初始化处理；

演化模块400，用于根据所述初始化模块300的初始化过程进行所述水平集能量函数的演化进程；

正则化模块500，用于对演化后的所述水平集能量函数进行正则化；

判断模块600，用于判断所述水平集能量函数的演化是否达到稳定，若是，则停止演化并输出绿潮探测结果，否则控制所述演化模块400继续进行演化进程。

本领域内的技术人员应明白，本公开的实施例可提供为方法、系统、或计算机程序产品。因此，本公开可采用硬件实施例、软件实施例、或结合软件和硬件方面的实施例的形式。而且，本公开可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器和光学存储器等)上实施的计算机程序产品的形式。

本公开是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。

这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。

这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。

本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的程序可存储于一计算机可读取存储介质中，该程序在执行时，可包括如上述各方法的实施例的流程。其中，所述的存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory，ROM)或随机存储记忆体(RandomAccessMemory，RAM)等。

上述虽然结合附图对本发明的具体实施方式进行了描述，但并非对本公开保护范围的限制，所属领域技术人员应该明白，在本发明的技术方案的基础上，本领域技术人员不需要付出创造性劳动即可做出的各种修改或变形仍在本公开的保护范围以内。

Claims (9)

1.一种基于邻域保边水平集的绿潮遥感自动探测方法，其特征在于，包括如下步骤：

获取绿潮的影像，基于偏置建模构建探测模型以描述所述影像的形成过程；

引入邻域特征项和边界保留项构建所述探测模型的水平集能量函数；

对构建的所述水平集能量函数进行初始化处理；

根据初始化过程进行所述水平集能量函数的演化进程；

对演化后的所述水平集能量函数进行正则化；

判断所述水平集能量函数的演化是否达到稳定，若达到稳定，则停止演化并输出绿潮探测结果，否则继续进行所述演化进程。

2.根据权利要求1所述的探测方法，其特征在于，所述探测模型为：

I(x)＝B(x)J(x)+n(x)

其中，I为获取的所述绿潮的实际影像；

B为偏置场；

J为所述绿潮的原始图像；

n为噪声；

x为I(x)中任意像元的位置。

3.根据权利要求2所述的探测方法，其特征在于，所述水平集能量函数为：

其中，

为所述邻域特征项；

为所述边界保留项；

在所述邻域特征项中，

为所述邻域特征项在给定圆域中心像元位置y处所对应的强度均值，i＝1，2；

σ_i为邻域特征项在给定圆域中心像元位置y处所对应的方差，i＝1，2；

κ为经验值，在[0，1]区间内取值；

F_ρ(x，y)为常数核函数；

在所述边界保留项中，

为所述边界保留项在给定圆域中心像元位置y处所对应的强度均值，i＝1，2；

G_ρ(x，y)为高斯核函数；

M_i(φ(x))为水平集成员函数，i＝1，2。

4.根据权利要求3所述的探测方法，其特征在于，

F_ρ(x，y)的公式为：

其中，c为非负的常数；

ρ为给定圆域的半径；

G_ρ(x，y)的公式为：

其中，a为高斯核函数的归一化系数；

γ为高斯核函数的标准偏差；

M_i(φ(x))的公式为：

M₁(φ(x))＝H(φ(x))；

M₂(φ(x))＝1-H(φ(x))

其中，H(φ(x))为Heaviside函数，其公式为：

其中，ε为非负的常数；

φ代表水平集函数。

5.根据权利要求4所述的探测方法，其特征在于，所述初始化处理包括：

令偏置场B^α＝B^β＝1和像元强度的方差σ_i＝i，并通过下述公式进行初始化：

其中，R₀为水平集能量函数初始化区域；

y为影像中任意像元的位置。

6.根据权利要求5所述的探测方法，其特征在于，在所述演化进程中，演化方程为：

其中，φ_l为第l次迭代所得到的水平集能量函数；

为中间过程的水平集能量函数；

ΔT为水平集迭代的时间步长；

为偏导数。

7.根据权利要求6所述的探测方法，其特征在于，偏导数

的计算公式为：

其中，δ_ε的计算公式为：

其中，ε为非负的常数；

φ代表水平集函数；

的计算公式为：

其中，中间变量参数

的更新公式分别为：

中间变量参数

的更新公式分别为：

中间变量参数

的更新公式为：

其中，

8.根据权利要求6所述的探测方法，其特征在于，在进行正则化的过程中，正则化公式为：

其中，φ^l+1为第l+1次迭代所得到的水平集能量函数；

Δ为拉普拉斯算子；

Δt为正则化的时间步长。

9.一种基于邻域保边水平集的绿潮遥感自动探测系统，其特征在于，包括：

第一构建模块，用于获取绿潮的影像，并基于偏置建模构建探测模型以描述所述影像的形成过程；

第二构建模块，用于引入邻域特征项和边界保留项构建所述探测模型的水平集能量函数；

初始化模块，用于对构建的所述水平集能量函数进行初始化处理；

演化模块，用于根据所述初始化模块的初始化过程进行所述水平集能量函数的演化进程；

正则化模块，用于对演化后的所述水平集能量函数进行正则化；

判断模块，用于判断所述水平集能量函数的演化是否达到稳定，若是，则停止演化并输出绿潮探测结果，否则控制所述演化模块继续进行演化进程。

Images