潘荔君

(中鐵第一勘察設(shè)計(jì)院集團(tuán)有限公司, 陜西 西安 710043)

0 引言

西北航道全長(zhǎng)約800海里,位于加拿大北部群島水域之中。隨著全球氣候變暖,冰川融化,西北航道的自然環(huán)境發(fā)生了相應(yīng)的變化,作為大西洋與太平洋之間的最短航道,西北航道的經(jīng)濟(jì)效益逐漸顯現(xiàn)。但是航道內(nèi)海冰的存在對(duì)船舶的通行造成了一定的安全隱患,如何對(duì)航道內(nèi)海冰的類型、海冰密度進(jìn)行量化等問(wèn)題逐漸成為人們研究的熱點(diǎn)。

現(xiàn)階段,針對(duì)海冰的監(jiān)測(cè)手段主要為:目測(cè)法、器測(cè)法、遙測(cè)法。目測(cè)法主要是海冰觀測(cè)分析人員利用豐富的經(jīng)驗(yàn)對(duì)海冰的類型及分布進(jìn)行監(jiān)測(cè)[1];器測(cè)法是借助浮標(biāo)、破冰船、飛機(jī)等工具對(duì)海冰實(shí)行監(jiān)測(cè)[2-4];遙測(cè)法則是利用計(jì)算機(jī)視覺的各類模型對(duì)衛(wèi)星遙感影像進(jìn)行處理,對(duì)大范圍的海域進(jìn)行實(shí)時(shí)的海冰監(jiān)測(cè)。由于前兩種方法難以實(shí)時(shí)監(jiān)測(cè),因此，越來(lái)越多的科研人員采用第三種方法[5-13]?？滓鉡14]利用遙感影像的灰度共生矩陣特征和小波特征,對(duì)空間域和頻域的紋理特征進(jìn)行提取,實(shí)現(xiàn)對(duì)合成孔徑雷達(dá)(Synthetic Aperture Radar, SAR)影像的海冰分類;王常穎[15]通過(guò)構(gòu)建屬性差決策樹分類分析方法,充分考慮了SAR影像中原始多極化屬性的特征,對(duì)屬性差特征進(jìn)行有效利用,實(shí)現(xiàn)了SAR影像中的海冰分類。張明[16]選擇哨兵一號(hào)(Sentinel-1)影像,利用灰度共生矩陣(Grey-Level Co-occurrence Matrix, GLCM)的特征組合,選擇支持向量機(jī)(Support Vector Machine, SVM)完成訓(xùn)練、分類;崔艷榮[17]利用卷積神經(jīng)網(wǎng)絡(luò)應(yīng)對(duì)非線性、網(wǎng)絡(luò)結(jié)構(gòu)簡(jiǎn)單、可并行運(yùn)算的優(yōu)勢(shì),實(shí)現(xiàn)對(duì)SAR影像中的海冰分類。

越來(lái)越多的機(jī)器學(xué)習(xí)模型被應(yīng)用于海冰分類問(wèn)題中。支持向量機(jī)模型解決二分類、多分類問(wèn)題上具有的優(yōu)秀能力,在海冰分類問(wèn)題中被廣泛地應(yīng)用。本文選擇Sentinel-1的SAR影像進(jìn)行海冰分類實(shí)驗(yàn)。為了能夠提高分類模型的魯棒性,本文綜合利用亮度特征與紋理特征的優(yōu)點(diǎn),對(duì)灰度共生矩陣中的部分結(jié)果在不同角度參數(shù)下的特征值與灰度特征值進(jìn)行加權(quán)融合,實(shí)現(xiàn)對(duì)研究區(qū)域影像樣本特征的提取;利用支持向量分類器對(duì)樣本進(jìn)行訓(xùn)練,選擇實(shí)驗(yàn)區(qū)域進(jìn)行分類,并與單獨(dú)特征進(jìn)行精度比較,驗(yàn)證加權(quán)組合特征的分類精度,證明本文方法的正確性。針對(duì)海冰分類結(jié)果,利用蟻群算法對(duì)實(shí)驗(yàn)研究區(qū)域進(jìn)行處理,完成航道的可通行性分析。實(shí)驗(yàn)流程如圖1所示。

圖1 航道通行性分析流程圖

1 樣本組合特征的構(gòu)建

SAR影像中主要的特征包括灰度特征、紋理特征、尺度不變特征變換(Scale-invariant feature transform, SIFT)算子特征、光譜特征等。紋理特征在反映物體表面與周圍環(huán)境的關(guān)系上,具有非常顯著的優(yōu)勢(shì),灰度特征則針對(duì)場(chǎng)景內(nèi)回波散射差異較大的地物具有很好地識(shí)別區(qū)分效果。為了能夠更加準(zhǔn)確地區(qū)分開研究區(qū)域內(nèi)的海水與海冰,本文構(gòu)建了加權(quán)組合特征進(jìn)行樣本訓(xùn)練,比對(duì)與單一紋理特征、灰度特征的分類精度,選擇最佳樣本特征。

1.1 灰度特征

灰度特征表現(xiàn)在影像上為不同亮度的視覺效果,SAR影像上不同的亮度和紋理,是不同地物對(duì)雷達(dá)波束的散射差異導(dǎo)致的。海冰與海水物理形態(tài)不同,對(duì)雷達(dá)波束的散射作用有著明顯的差異。海冰能夠表現(xiàn)出更強(qiáng)的后向散射作用,在遙感影像中亮度更高?；叶忍卣饕彩遣捎媚繙y(cè)法實(shí)現(xiàn)對(duì)遙感影像中的海冰分類問(wèn)題主要的判別手段之一。

影像灰度值的大小不同主要是后向散射能力強(qiáng)弱不同導(dǎo)致的,而且不同的極化方式影像的灰度特征也是不同的。一般情況下,HH極化方式的影像中,自然地物的回波信號(hào)較強(qiáng),因此，本文采用HH極化提取灰度特征。

1.2 灰度共生矩陣特征

紋理特征能夠反映SAR影像中物體表面與周圍環(huán)境的差異,而不依賴影像的視覺特征,常用來(lái)進(jìn)行海冰分類[18]。

1973年,Haralick等首次提出灰度共生矩陣的概念,對(duì)灰度值影像中具有特定位置、灰度值、以及角度的像素對(duì)進(jìn)行統(tǒng)計(jì)[19]。灰度共生矩陣P的定義為影像中的某區(qū)域R內(nèi),具有特定關(guān)系的像素對(duì)的集合,公式如式(1)所示:

P(i,j)=[p(i,j,d,θ)]

(1)

式中，p為特定關(guān)系像素對(duì)出現(xiàn)的頻率;i,j,d為R內(nèi)灰度值為i,j且間隔為d的像素對(duì);θ為兩像素之間的夾角。

Haralice提出由灰度共生矩陣共計(jì)14種特征,本文選擇對(duì)比度、能量、同質(zhì)性、相關(guān)性4種參數(shù)在θ取值為0, 45, 90, 135下的特征值構(gòu)建加權(quán)組合特征。

1.3 加權(quán)組合特征

為了更加準(zhǔn)確地區(qū)分SAR影像中的海水與海冰,鑒于灰度共生矩陣特征和灰度特征各自的優(yōu)點(diǎn),本文選擇對(duì)比度、能量、同質(zhì)性、相關(guān)性4種參數(shù)在θ取值為0, 45, 90, 135下的16種灰度共生矩陣特征值與灰度特征構(gòu)建加權(quán)組合特征進(jìn)行樣本訓(xùn)練,提高分類精度,為后期航道可通行性分析提供準(zhǔn)確數(shù)據(jù)。加權(quán)組合特征表達(dá)式如式(2)所示:

F=[φ1*Ft,φ2*Fb]

(2)

式中，F(xiàn)t、Fb分別表示為樣本影像中灰度共生矩陣特征值與灰度特征值的提取結(jié)果;φ1、φ2則為加權(quán)組合特征中GLCM特征值與灰度特征值的權(quán);φ1/φ2取值不同,分類精度不同。經(jīng)過(guò)多次試驗(yàn)分析,獲得φ1/φ2的取值經(jīng)驗(yàn)值為1,分類精度最高。

為了更好地體現(xiàn)不同特征值的對(duì)比結(jié)果,本文選取實(shí)驗(yàn)區(qū)域內(nèi)的部分SAR影像多種特征提取結(jié)果,特征提取窗口大小為40,特征提取結(jié)果如表1所示。通過(guò)表1比較可以看出,灰度特征

以及選擇的16種GLCM特征都能直觀地區(qū)分研究區(qū)域內(nèi)的海水、海冰。

1.4 分類模型精度評(píng)定

針對(duì)三種不同的特征提取方法,選擇同一實(shí)驗(yàn)研究區(qū)域如圖2(a)所示原始影像,分別以灰度特征、GLCM特征以及加權(quán)組合特征構(gòu)建訓(xùn)練樣本集,進(jìn)行訓(xùn)練;利用SVM分類器得到的分類模型對(duì)實(shí)驗(yàn)區(qū)域進(jìn)行處理。

圖2 不同特征分類結(jié)果

為了更直觀、準(zhǔn)確地比較分類模型的精度,對(duì)原始影像進(jìn)行逐像素標(biāo)簽制作,確定類別,比對(duì)分類結(jié)果與標(biāo)簽的異同。實(shí)驗(yàn)結(jié)果如圖2(c)～(e)所示。其中,圖2(b)為人工解譯方式制作的標(biāo)簽影像。將標(biāo)簽圖像與圖2(c)～(e)進(jìn)行比對(duì)可以看出圖2(e)在細(xì)節(jié)區(qū)域的分類精度要比圖2(d)與圖2(c)的分類精度高,如圖2(e)中框選所示。

為了比較加權(quán)組合特征與兩種單獨(dú)特征的分類精度,采用混淆矩陣的方式逐像素比對(duì)標(biāo)簽影像與分類結(jié)果。由于所選研究區(qū)域內(nèi)為海水、海冰,是二分類問(wèn)題。假設(shè)海水為是(Positive),海冰為非(Negative)。則分類結(jié)果可以用PT(True Positive, 將結(jié)果為是的判斷為是)、NT(True Negative, 將結(jié)果為非的預(yù)測(cè)為非)、PF(False Positive, 將結(jié)果為非的判斷為是)、NF(False Negative, 將結(jié)果為是的判斷為非)表示,統(tǒng)計(jì)結(jié)果如表2～4所示。

表2 灰度特征混淆矩陣

表3 GLCM特征混淆矩陣

表4 加權(quán)組合特征混淆矩陣

混淆矩陣逐像素統(tǒng)計(jì)了研究區(qū)域內(nèi)海水、海冰預(yù)測(cè)值與真實(shí)值之間的差異。分類結(jié)果與真實(shí)結(jié)果的誤差可以定義為三種類型:第Ⅰ類誤差(誤分類,將海水像素點(diǎn)分為海冰像素點(diǎn))、第Ⅱ類誤差(錯(cuò)分類,將海冰像素點(diǎn)分為海水像素點(diǎn))、總誤差。公式如式(3)～(5)所示:

(3)

(4)

(5)

利用公式(3)～(5)對(duì)混淆矩陣進(jìn)行計(jì)算結(jié)果如表5所示。

表5 分類結(jié)果精度 單位：%

通過(guò)表5可以看出,本文提出的加權(quán)組合特征在進(jìn)行訓(xùn)練樣本特征提取時(shí),相比于單一的特征值在分類精度上有所提高。因此,采用該方式進(jìn)行遙感影像的海冰分類,為可通行性分析提供數(shù)據(jù)基礎(chǔ)。

2 海冰分類及可行性分析

2.1 海冰分類實(shí)驗(yàn)結(jié)果

本文選擇的是Sentinel-1超寬幅模式(Extra Wide Swath, EW)獲取的遙感影像進(jìn)行實(shí)驗(yàn),影像覆蓋范圍約為400 km,像素間距為40×40 m。為了能夠提高分類精度,采用人工選取樣本的方式構(gòu)建訓(xùn)練樣本集,樣本的分布如圖3所示。

圖3 原始影像訓(xùn)練樣本空間分布

影像中,共選取52塊標(biāo)志性區(qū)域作為樣本,主要包括海水、海冰以及陸地區(qū)域。鑒于上述實(shí)驗(yàn)證明加權(quán)組合特征的分類精度較高。因此針對(duì)選擇的實(shí)驗(yàn)研究區(qū)域,用加權(quán)組合特征進(jìn)行特征提取,GLCM與灰度特征的權(quán)重比φ1/φ2取值為1。針對(duì)選擇的樣本特征利用SVM進(jìn)行訓(xùn)練,并利用得到的分類模型對(duì)原始影像進(jìn)行分類。分類結(jié)果如圖4所示。

圖4 Sentinel-1影像分類結(jié)果

圖4分類結(jié)果中,黑色部分為海冰分類結(jié)果;灰色部分為分類結(jié)果中的海水,白色部分為陸地。通過(guò)比對(duì)分類結(jié)果與原始影像可以看出,分類結(jié)果基本正確。

2.2 實(shí)驗(yàn)區(qū)域通行性分析

為了能夠?qū)?shí)驗(yàn)區(qū)域內(nèi)航道的可通行性情況進(jìn)行分析,本文借助蟻群算法對(duì)海冰分類的結(jié)果進(jìn)行處理。選擇實(shí)驗(yàn)區(qū)域內(nèi)10 km×10 km的遙感影像,如圖5(a)所示。利用上述分類方法對(duì)研究區(qū)域進(jìn)行分類。針對(duì)得到的分類結(jié)果進(jìn)行可通行性分析，如圖5(b)所示。

圖5 研究區(qū)域通行性分析結(jié)果

研究區(qū)域內(nèi)是否可通行與不同船舶需要的航道寬度有一定的關(guān)系。因此利用蟻群算法進(jìn)行可通行性判斷前,需要設(shè)定窗口大小為1的地圖圖元。當(dāng)窗口內(nèi)海冰的密度超過(guò)60%時(shí),認(rèn)為當(dāng)前窗口不可通行。

針對(duì)分類結(jié)果如圖5(b),以40 m為步距設(shè)置不同的窗口大小模擬不同航道寬度下的可通行性。實(shí)驗(yàn)結(jié)果如圖5所示。圖5(c)～(h)分別表示窗口大小為80～280 m時(shí),研究區(qū)域內(nèi)左上到右下的可通行性情況。實(shí)驗(yàn)結(jié)果證明,當(dāng)實(shí)驗(yàn)窗口大小為280 m的時(shí)候,即船舶要求航道寬度為280 m時(shí)可通行,為船舶航行的可行性提供依據(jù)。

3 結(jié)束語(yǔ)

本文利用Sentinel-1超寬幅模式獲取的遙感影像對(duì)研究區(qū)域內(nèi)的海冰分類問(wèn)題進(jìn)行研究。實(shí)驗(yàn)結(jié)果證明,本文提出的構(gòu)建加權(quán)組合特征進(jìn)行樣本特征提取,采用SVM完成訓(xùn)練,獲得分類模型進(jìn)行分類,相比于單一的GLCM與灰度特征具有更高的準(zhǔn)確性。驗(yàn)證了利用蟻群算法對(duì)分類結(jié)果進(jìn)行處理,完成航道可通行性分析的可行性,為船舶的航行及航道的監(jiān)測(cè)提供依據(jù)。

實(shí)驗(yàn)中所選取樣本數(shù)量有限,為了增加分類模型的普適性,下一步將對(duì)樣本數(shù)據(jù)進(jìn)行增廣,提升分類模型針對(duì)不同場(chǎng)景的識(shí)別能力,進(jìn)一步提高分類結(jié)果的準(zhǔn)確性。