包 萌張 杰張 晰孟俊敏

(自然資源部 第一海洋研究所,山東 青島266061)

隨著海洋產(chǎn)業(yè)的發(fā)展,溢油已是當(dāng)前破壞海洋生態(tài)環(huán)境主要原因之一[1]。如何快速、準(zhǔn)確地檢測海上溢油已成為當(dāng)前海洋環(huán)境保護的重要課題[2]。與其他監(jiān)測手段相比,遙感監(jiān)測手段可準(zhǔn)實時、快速地獲取溢油信息；而且,光學(xué)遙感影像具有價格低廉、時效性高、真實直觀并適合人工目視解譯等優(yōu)勢[3],所以,遙感監(jiān)測手段成為目前監(jiān)測業(yè)務(wù)的主要手段之一。

目前,國內(nèi)外學(xué)者已基于Landsat,MODIS和HJ等光學(xué)衛(wèi)星遙感數(shù)據(jù)對海上溢油進行了監(jiān)測應(yīng)用[3-5]。Trabandt等[6]認(rèn)為,結(jié)合利用Landsat ETM+數(shù)據(jù)的波段比值組合與神經(jīng)網(wǎng)絡(luò)算法對海上溢油有較好的區(qū)分,并監(jiān)測了2010-05墨西哥灣溢油事故。中等分辨率成像光譜儀MODIS具有豐富的光譜信息,可以每天提供最高250 m分辨率的觀測數(shù)據(jù),所以,其成為了監(jiān)測海上溢油的重要手段[7-8]。研究發(fā)現(xiàn),單一波段的油膜特征除了受外部環(huán)境因素影響,還與溢油種類和油膜厚度有關(guān),針對不同情況的油膜所適用的光譜有所不同,例如在長江口、委內(nèi)瑞拉的馬拉開波湖等多次溢油事故中,學(xué)者們利用反射紅外(1 000～2 000 nm)提取了油膜特征[9],而在渤海曹妃甸附近海域溢油事故中則應(yīng)用了第2波段(841～876 nm)[10]。并且,研究表明[11-12]光譜比值相較于光譜的和、差處理更能夠增強油水反差,更利于油膜特征的提取。李穎等[13]基于HJ-1A/1B數(shù)據(jù)的主成分光譜降維和方向性紋理特征,有效監(jiān)測了2011年蓬萊19-3油田溢油事故。

隨著監(jiān)測精度需求的提高,Landsat和MODIS數(shù)據(jù)因受分辨率的限制已無法滿足對油膜的精細(xì)提取。2013年,我國自主研發(fā)的高分一號(GF-1)衛(wèi)星發(fā)射成功,突破了高空間分辨率(2 m)、多光譜(4波段)與寬覆蓋(700 km)相結(jié)合的光學(xué)遙感等關(guān)鍵技術(shù),為我國現(xiàn)代農(nóng)業(yè)、防災(zāi)減災(zāi)、資源環(huán)境和公共安全等重要領(lǐng)域提供了信息服務(wù)和決策支持。近些年來,學(xué)者們陸續(xù)開展了基于GF-1數(shù)據(jù)的海洋災(zāi)害現(xiàn)象的監(jiān)測,如海上溢油[14]、海冰[15]、綠潮[16]等研究。在溢油遙感探測方面,王臣等[14]利用綠光波段結(jié)合反射紅外波段提取了油膜特征,有效監(jiān)測了溢油區(qū)域,該工作初步證實了GF-1數(shù)據(jù)在溢油遙感探測方面的能力,也是本文研究工作的基礎(chǔ)。

目前,在溢油光學(xué)探測中存在的主要問題是油膜信息提取精度較低。針對這一問題,本文將嘗試以最大程度利用光譜信息為目的,定量評價GF-1數(shù)據(jù)不同光譜組合對油膜敏感程度,在此基礎(chǔ)上,將進一步討論在紋理特征量提取過程中的參數(shù)選擇問題,并確定適用于不同情況的油膜提取特征量,最終評價并選擇出性能較好的分類器,以期為今后的海上溢油檢測工作提供參考。

1 數(shù)據(jù)來源

GF-1衛(wèi)星是我國重大科技專項高分辨率對地觀測系統(tǒng)的首發(fā)星,于2013-04-26發(fā)射成功。GF-1衛(wèi)星搭載了2臺分辨率均為2 m的全色相機(Panchromatic,Pan),2臺分辨率均為8 m的多光譜相機(Multispectral Imager,MSI)和4臺分辨率均為16 m的寬視場多光譜相機(Wide Field Imager,WFI),這3種工作模式分別有1,4和4個光譜波段,其重訪周期均為4 d。其中Pan和MSI傳感器成像幅寬均為60 km,WFI傳感器成像幅寬為700 km[17]。

本文以2013-11-22山東省青島經(jīng)濟技術(shù)開發(fā)區(qū)(黃島區(qū))溢油事故(簡稱黃島溢油)以及2016-04-29江蘇附近海域溢油事件(簡稱江蘇溢油)為主要研究對象,獲取了2013-11-26黃島溢油影像No.1(圖1a)和2016-04-29江蘇溢油影像No.7(圖1b)。

圖1 黃島和江蘇溢油區(qū)域影像Fig.1 Satellite images of the oil spill in the Huangdao and Jiangsu offshore

表1 實驗數(shù)據(jù)列表Table 1 Satellite images

此外,又選取了8景(No.2～No.6,No.8～No.10)無云或少云的GF-1三臺寬視場多光譜傳感器(WFI2,WFI3和WFI4)影像用于油膜敏感光譜組合的選取和溢油監(jiān)測分析,并且所有影像中的溢油區(qū)域均已通過相關(guān)專家判讀和確認(rèn),影像具體參數(shù)如表1所示。

2 GF-1油膜敏感光譜的選取

油膜敏感光譜的選擇是基于光學(xué)遙感影像監(jiān)測海上溢油的重要前提?；诒?中2013—2017年的10景GF-1 WFI溢油影像,按照空間均勻選取樣本的原則,選取了油膜樣本123個、海水樣本378個,并分別提取了兩類樣本的單一波段的歸一化光譜值、光譜波段差和比以及光譜波段比共16種光譜參數(shù)(表2)用于選擇油膜的敏感光譜。

表2 16種光譜參數(shù)的定義Table 2 Definition of 16 spectral parameters

為了評估最優(yōu)光譜組合,引入歐氏距離[18]。在目標(biāo)分類中,歐氏距離的大小反應(yīng)了目標(biāo)點之間的距離,距離越大說明目標(biāo)之間的區(qū)分度越大?；谔崛〉?6種光譜參數(shù),本文利用歐氏距離評價各個光譜參數(shù)對油膜和海水的區(qū)分能力,歐氏距離[18]為

式中,Di,j是第i類和第j類的歐氏距離；xi和xj是第i類和第j類樣本的平均值；δ2表示某類樣本的方差。

由光譜參數(shù)對油膜和海水的區(qū)分能力(圖2)可知：B_G,B2G和B2R三種光譜組合的歐氏距離均大于1,并且均優(yōu)于單波段光譜；其中B2G對油膜和海水的區(qū)分能力優(yōu)于B_G和B2R兩種光譜組合,因此,將B2G作為本文提取油膜的敏感光譜參數(shù)。

圖2 油膜與海水間的歐氏距離Fig.2 Euclidean distance between the oil film and seawater

3 基于灰度共生矩陣(GLCM)的特征選取

以最優(yōu)光譜組合B2G作為油膜敏感光譜,采用灰度共生矩陣方法,首先確定計算灰度共生矩陣的各個參數(shù),基于此,選擇出油膜紋理特征量。

3.1 GLCM參數(shù)的選擇

在實際計算中,建立GLCM通常由窗口大小、方向(θ)、位移(d)和灰度量化級(Ng)所決定,改變其中任何一個參數(shù)都會影響GLCM對紋理特征量的計算。本文主要選取了8個紋理特征量,分別是角二階距(ASM)、對比(CON)、差異性(DIS)、熵(ENT)、相關(guān)(COR)、均值(MEAN)、變化量(VAR)以及同質(zhì)性(HOM)。由于油膜紋理特征在不同區(qū)域中表現(xiàn)類似,因此,以黃島溢油(區(qū)域1)為例,確定提取油膜紋理特征量的GLCM最佳參數(shù)組合。

3.1.1 窗口大小的確定

確定合適的窗口不僅與圖像處理速度有關(guān),而且還影響著目標(biāo)紋理特征的真實性。溢油通常會形成斑塊狀或條帶狀,考慮到實際情況、檢測精度及處理速度,本文嘗試計算6種不同大小窗口(3×3,5×5,7×7,9×9,11×11和13×13,單位為像素×像素)下油膜和海水特征值的歐氏距離(式(1)),此時其他參數(shù)統(tǒng)一設(shè)置為θ=0°,d=1和Ng=64(圖3a),為了保證實驗結(jié)果的客觀性,另選擇一組參數(shù)：θ=0°,d=4和Ng=32(圖3b)來共同確定窗口大小。

由圖3可知,當(dāng)窗口為3×3時,除MEAN外,其他特征的油膜和海水的歐氏距離基本處于最小值；隨著窗口逐漸擴大,除了均值(MEAN)特征外的其他特征區(qū)分能力逐漸增大,當(dāng)窗口像素擴大到7×7和9×9時,各個特征的歐氏距離基本達到最大值,2個窗口下的油膜與海水都能較好地進行區(qū)分,而后隨著窗口的擴大,類間區(qū)分能力減弱。在實際情況中,窗口越大,圖像處理的速度越慢,因此考慮到處理時間,本文選取了7×7(像素×像素)窗口大小。

圖3 油膜與海水在各個特征中的歐氏距離隨不同窗口大小的變化Fig.3 Euclidean distance of each feature between the oil film and sea water under different image windows

3.1.2 方向的確定

為了研究GLCM的方向?qū)F-1油-水區(qū)分能力的影響并確定合適的方向,嘗試在7×7(像素×像素)窗口、灰度量化級Ng為64時,分別開展0°,45°,90°,135°和平均角度(AVG)即水平、右對角線、垂直、左對角線和4個方向的平均共5種方向,以及不同位移d(1,3和5像素)對各個特征油-水區(qū)分能力影響的實驗,結(jié)果見圖4。

由圖4可知：當(dāng)位移量d=1時,各個特征的油-水距離在各個方向上表現(xiàn)出較大的起伏變化；當(dāng)d＞1時,各個特征量在局部有一定的起伏,但當(dāng)位移量取到一定大時(d=5),特征量曲線隨著角度的變化呈現(xiàn)出了一致的規(guī)律性；同時,由圖4d中知,當(dāng)θ取平均時,各個特征的油-水距離在不同位移量中均小于1.3,與其他4個方向相比均不是最優(yōu)。當(dāng)位移量d＞1且方向θ=0°時,各個特征對油-水分類能力均為最佳,所以方向參數(shù)θ取為0°。

圖4 油膜與海水在各個特征中的歐氏距離隨方向θ的變化Fig.4 Euclidean distance of each feature between oil film and sea water with various direction vectorsθ

3.1.3 位移量和灰度量化級的確定

通過分析確定了窗口大小(7×7,像素×像素)和方向(θ=0°)參數(shù),在此基礎(chǔ)上,嘗試開展Ng為16,32,64和256(不進行灰度級量化)四個灰度量化級別及位移量d為1,2,3,4,5和6像素時,各個特征對油-水區(qū)分能力影響的實驗,結(jié)果如圖5所示。

圖5 油膜與海水在各個特征中的歐氏距離隨灰度量化級的變化Fig.5 Euclidean distance of each feature between oil film and sea water under various gray quantitative levels

由圖5可知：在不同的灰度量化級中,變化量(VAR)、對比(CON)、差異性(DIS)、均值(MEAN)和相關(guān)(COR)等各個特征參數(shù)曲線相似,說明灰度量化級對這些特征影響較?。划?dāng)Ng為32和64時,除了均值(MEAN)和相關(guān)(COR)特征外,其他特征對油膜和海水均有較好的區(qū)分能力,故本文選取Ng=32為灰度量化水平。結(jié)合海面溢油情況,當(dāng)位移量d=4時,特征對油膜和海水的區(qū)分能力達到最佳,故位移量參數(shù)選取為4。

3.2 特征選擇

通過分析確定了GLCM的全部參數(shù),即窗口大小(7×7,像素×像素)、方向(θ=0°)、位移(d=4像素)和灰度量化級(Ng=32)。在此基礎(chǔ)上提取油膜和海水的紋理特征值并利用式(1)計算各特征中油-水的類間歐氏距離,用于篩選油膜與海水區(qū)分能力相對較強的紋理特征量?？紤]到所選特征量的普適性,將利用3個溢油區(qū)域(圖1)共同開展實驗,分析基于油膜與海水在各個特征中的歐氏距離變化,結(jié)果如圖6所示。

圖6 油膜與海水在各個特征中歐氏距離的變化曲線Fig.6 Euclidean distance between oil film and seawater of various features

由圖6可以看出,在3個實驗區(qū)域中,各紋理特征的區(qū)分能力表現(xiàn)不同,尤其是均值(MEAN)特征量在不同實驗區(qū)域差異表現(xiàn)最為明顯,但是該特征對某些情況的溢油仍然具有較好的區(qū)分能力(區(qū)域2和區(qū)域3)。所以,參考油-水類間平均距離曲線將均值(MEAN)、對比(CON)、差異性(DIS)、變化量(VAR)四個統(tǒng)計量作為分類器的輸入紋理特征量。

4 最優(yōu)分類器選擇

基于選取的4個特征統(tǒng)計量,并與最優(yōu)光譜參數(shù)B2G構(gòu)成5波段的數(shù)據(jù),在此基礎(chǔ)上應(yīng)用最小距離分類法、最大似然法、神經(jīng)網(wǎng)絡(luò)分類法和支持向量機分類法四種常用的監(jiān)督學(xué)習(xí)分類器進行對比,最終確定一種效果最佳的分類器。

本文選取70%的樣本數(shù)據(jù)用于分類器的訓(xùn)練,30%用于測試。其中神經(jīng)網(wǎng)絡(luò)采用對數(shù)(Logistic)函數(shù),訓(xùn)練貢獻閾值為0.1,權(quán)重調(diào)節(jié)速度為0.2,訓(xùn)練步長為0.1。分類結(jié)果如表3所示。

根據(jù)檢測結(jié)果,主要分為2種情況：一是分類方法對油膜檢測的是否準(zhǔn)確；二是能否抑制影響油膜檢測因素,如類似油膜的海面亮斑(B2G光譜組合中)、海上船只目標(biāo)等。從B2G光譜圖像中看出,區(qū)域1油膜形狀復(fù)雜、呈窄帶狀,并且海上有船只目標(biāo)和類油膜亮斑；區(qū)域2油膜形狀簡單,沒有干擾因素；區(qū)域3油膜形狀簡單,存在類油膜亮斑。

表3 4種分類器溢油檢測結(jié)果Table 3 Oil spill detection results by 4 classifiers

首先,在油膜檢測準(zhǔn)確性方面,對于簡單形狀的油膜,4種方法均可,而在油膜形狀復(fù)雜情況下,最小距離分類法和神經(jīng)網(wǎng)絡(luò)分類法不能準(zhǔn)確檢測出油膜,存在信息丟失情況,最大似然分類方法和支持向量機分類法都能夠檢測出油膜的形狀,但支持向量機分類法的檢測準(zhǔn)確性更高；其次,對于影響因子的抑制能力方面,支持向量機方法可有效地抑制海面亮斑,對于船只目標(biāo)的影響,4種方法都沒有得到有效的抑制,在檢測過程中可以通過目視解意的方法進行排除。

表4 分類結(jié)果精度驗證混淆矩陣Table 4 Accuracy of classification results based on confusion matrix

5 分類精度評價

在對各分類器的檢測結(jié)果定性分析的基礎(chǔ)上,引入混淆矩陣精度評價方法對分類結(jié)果進行定量分析。本文將圖像目視解意的結(jié)果當(dāng)作精度驗證的參考數(shù)據(jù),生成了檢測結(jié)果的混淆矩陣(表4),可以看出,由于區(qū)域2油膜形狀簡單并且沒有干擾因素,所以4種分類器的分類精度都在99%以上、Kappa系數(shù)[19]大于0.9；區(qū)域1和區(qū)域3由于受到海面亮斑或船只目標(biāo)的影響,各分類器的分類精度相差較大,最小距離法、最大似然法和神經(jīng)網(wǎng)絡(luò)法的Kappa系數(shù)均低于0.7,而支持向量機方法能夠有效抑制干擾因素,在4種分類器中表現(xiàn)最優(yōu)(Kappa系數(shù)大于0.8)。

6 結(jié) 論

通過10景GF-1 WFI數(shù)據(jù)實驗選取了最優(yōu)光譜參數(shù),在此基礎(chǔ)上確定了灰度共生矩陣(GLCM)的窗口大小、方向(θ)、位移量(d)和灰度量化級(Ng)四個參數(shù),并利用4個參數(shù)選擇了適用于不同情況的油膜紋理特征；最后,將選取的若干紋理特征量結(jié)合最優(yōu)光譜構(gòu)成多波段數(shù)據(jù),應(yīng)用于不同分類器中并進行了精度評價,得出結(jié)論：

1)基于10景GF-1影像的123個油膜樣本和378個海水樣本,對比了16種光譜參數(shù)對油膜與海水的區(qū)分能力,分析發(fā)現(xiàn)B2G光譜對油膜最為敏感,更適用于溢油檢測。

2)在GLCM參數(shù)選擇方面,考慮到檢測精度和處理速度,將窗口大小設(shè)置為7×7(像素×像素)；當(dāng)位移量d＞1且方向θ=0°時,各個特征分類能力均為最佳,結(jié)合實際情況選擇位移量參數(shù)為4個像素,方向θ為0°；灰度量化級為32級和64級時均可用于油-水分離,本文選擇了32級灰度量化。

3)結(jié)合油膜的不同情況,選定均值(MEAN)、差異性(DIS)、變化量(VAR)和對比(CON)統(tǒng)計量作為后續(xù)溢油檢測的紋理特征。

4)將選定的4個紋理特征量與最優(yōu)光譜結(jié)合,應(yīng)用至4種常用的分類器,并結(jié)合分類器對油膜檢測的準(zhǔn)確性進行了定性和定量的評價分析,評價結(jié)果顯示支持向量機分類法表現(xiàn)最優(yōu)。