宋冬梅， 王 斌， 王海起， 樊彥國

（中國石油大學(xué)（華東）海洋與空間信息學(xué)院，山東 青島 266580）

0 引 言

海上溢油事故大多是由管道破裂、油輪碰撞和鉆井平臺傾覆等原因引起［1］，為制定有效的溢油事故應(yīng)急處置方案，快速準確地獲取事故中溢油空間分布以及不同油膜厚度的分布位置信息顯得尤為重要。在已投入的監(jiān)測系統(tǒng)中，衛(wèi)星遙感是最重要和最有效的手段之一，在海上溢油監(jiān)測和應(yīng)急響應(yīng)中發(fā)揮著不可替代的作用。高光譜以其“圖譜”合一、光譜分辨率高、光譜信息范圍廣的優(yōu)勢在溢油檢測領(lǐng)域中應(yīng)用前景廣闊。目前的高光譜溢油檢測算法大致分為基于光譜指數(shù)等光譜特征的溢油檢測算法［2-4］、基于傳統(tǒng)機器學(xué)習(xí)的溢油檢測算法以及基于深度學(xué)習(xí)的溢油檢測算法3 類。Liu等［5］提出參考光譜特征選擇方法并采用傳統(tǒng)的自適應(yīng)余弦估計（Adaptive Cosine Estimator，ACE）算法實現(xiàn)溢油檢測。Liu 等［6］提出基于最小噪聲分離變換的決策樹分類方法以實現(xiàn)溢油信息的快速提取，不僅可以了解油膜的相對厚度分布，而且可以了解不同厚度油膜的比例。包萌等［7］將選取的紋理特征與最優(yōu)光譜組合構(gòu)成的多波段數(shù)據(jù)輸入支持向量機（Support Vector Machine，SVM）中檢測溢油，獲得了較好的檢測結(jié)果。然而，這些傳統(tǒng)方法分類的準確性取決于人工特征提取的質(zhì)量，而人工提取特征復(fù)雜且耗時，同時不同的分類器對于不同的特征或特征組合也存在一定的性能差異。近年來的研究表明，深度學(xué)習(xí)能夠自動提取判別特征，可應(yīng)用于高光譜圖像的溢油檢測。董士偉等［8］提出基于經(jīng)驗?zāi)B(tài)分解的特征提取方法，并通過神經(jīng)網(wǎng)絡(luò)識別油膜和海水。Liu 等［9］提出基于光譜指數(shù)的波段選擇算法和一維卷積神經(jīng)網(wǎng)絡(luò)（Convolutional Neural Networks，CNN）相結(jié)合的分類模型，實現(xiàn)了油膜的自動分類。Zhu 等［10］提出空間信息與堆棧式自編碼（Stacked Auto Encoder，SAE）網(wǎng)絡(luò)相結(jié)合的油膜檢測方法，實現(xiàn)了海面溢油信息的提取。Wang等［11］提出了一種空譜特征聯(lián)合的端對端的高光譜溢油檢測框架（Spectral-Spatial Features Integrated Network，SSFIN），用以同時提取高光譜數(shù)據(jù)的光譜特征和空間特征。

盡管基于深度學(xué)習(xí)的溢油高光譜檢測方法已取得了較好的結(jié)果，但檢測精度仍有待進一步提高，檢測方法仍存在著較大的發(fā)展空間。而近年來發(fā)展起來的生成對抗網(wǎng)絡(luò)（Generative Adversarial Network，GAN）［12］因具有能夠通過不斷的對抗學(xué)習(xí)以優(yōu)化模型的優(yōu)點，在圖像分類和目標檢測領(lǐng)域越來越多地受到關(guān)注，其在提升海洋溢油高光譜圖像檢測精度方面潛力巨大。為進一步提高溢油檢測精度，降低虛警率，本文設(shè)計了一種基于GAN的溢油檢測實驗方案，包括對圖像進行預(yù)處理、建立模型及樣本訓(xùn)練等操作。并通過對高光譜影像的溢油檢測實驗結(jié)果的分析評價，以證實所提方法的有效性。

1 方案設(shè)計

本文的實驗方案包括圖像預(yù)處理和模型訓(xùn)練兩部分，其具體步驟：①利用光譜歸一化和主成分分析（Principal Component Analysis，PCA）進行預(yù)處理，提取前3 個主成分后，對圖像進行裁剪，取每個像素的9 ×9 鄰域作為訓(xùn)練樣本，并將像素類別作為標簽；②構(gòu)建一個基于GAN的端到端的溢油檢測模型，生成器生成溢油影像，判別器輸出每個樣本對應(yīng)的類別；③基于訓(xùn)練后的判別器實現(xiàn)對整幅高光譜影像的溢油檢測，并對分類結(jié)果進行分析評價。

1.1 GAN簡介

GAN的思想基礎(chǔ)是博弈論中的2 人零和博弈問題?；诖?，提出了一個通過對抗學(xué)習(xí)來優(yōu)化模型的新框架，框架由1 個生成器（Generator，G）和1 個判別器（Discriminator，D）構(gòu)成，如圖1 所示。生成器的目的是生成擬合真實數(shù)據(jù)的概率分布；而判別器的目的是衡量生成的概率分布與真實數(shù)據(jù)分布之間的損失。生成器的輸入是隨機噪聲z，輸出是生成數(shù)據(jù)G（z）；判別器的輸入是真實數(shù)據(jù)x和生成數(shù)據(jù)G（z），并以其輸入來自真實數(shù)據(jù)的概率作為輸出。判別器的目的是盡可能提升判別準確率；而生成器的目的是生成“以假亂真”的數(shù)據(jù)騙過判別器，最小化判別準確率。在訓(xùn)練過程中，當(dāng)一個模型的參數(shù)進行更新時，此時另一個模型的參數(shù)被固定。通過不斷的網(wǎng)絡(luò)訓(xùn)練，最終使得生成器與判別器兩個模型的能力達到平衡。

圖1 GAN模型框架

GAN的目標函數(shù)定義如下：

式中：E代表期望；Pdata代表真實數(shù)據(jù)分布；Pz（z）代表噪聲的分布；G（z）、D（x）分別代表生成器和判別器的輸出。在訓(xùn)練過程中，D的目標是使得式（1）值最大，而G 的目標恰恰相反。它們交替優(yōu)化目標，這種相反的目標形成了對抗的訓(xùn)練體系。隨著訓(xùn)練的進行，PG（x）會逐漸趨近Pdata（x），PG（x）代表G 生成的數(shù)據(jù)分布，當(dāng)Pdata（x）＝PG（x）時達到全局最優(yōu)。

1.2 高光譜溢油圖像預(yù)處理

油膜和海水的光譜反射率數(shù)值差異較大，其中海水和厚油膜的光譜反射率之間的差值可以達到200 以上，因此進行光譜歸一化便于計算和綜合評判分析。此外，高光譜數(shù)據(jù)具有波段多、波段間相關(guān)性高的特點，采用一種簡單有效的數(shù)據(jù)降維方法是很有必要的。本實驗在數(shù)據(jù)預(yù)處理時通過使用PCA 方法實現(xiàn)數(shù)據(jù)降維，保留了前3 個主成分。另外，考慮到空間信息在特征提取中的重要作用，本文選擇構(gòu)建大小為9 ×9 的空間鄰域作為模型的輸入。

1.3 構(gòu)建溢油檢測模型

近些年來，GAN在計算機視覺領(lǐng)域引起了研究熱潮，在圖像修復(fù)、風(fēng)格遷移、圖像生成等方面有很好的應(yīng)用。一些學(xué)者將GAN應(yīng)用到高光譜圖像分類領(lǐng)域，取得了較好的效果，這為海洋溢油檢測提供了一種新思路。

（1）構(gòu)建GAN 模型。本實驗方案設(shè)計的生成器的輸入是噪聲向量和類別標簽，能夠讓生成器在訓(xùn)練過程中學(xué)習(xí)類別專屬特征，減小模型崩潰的可能［13］。判別器的輸入是真實數(shù)據(jù)和生成器生成的假數(shù)據(jù)，目的是為輸入的樣本指定明確的地物類別。此外，為了在特征提取過程中自適應(yīng)學(xué)習(xí)上采樣和下采樣，本實驗方案中用步長卷積代替了經(jīng)典CNN 中固定的池化層，分別基于全轉(zhuǎn)置卷積網(wǎng)絡(luò)和全卷積網(wǎng)絡(luò)搭建生成器和判別器。其中，生成器由1 個全連接層、4 個轉(zhuǎn)置卷積層組成，每個卷積核的大小為3 ×3。除了最后的輸出層，生成器中的每一層都采取修正線性單元（Rectified Linear Unit，ReLU）作為非線性激活函數(shù)和批正則化處理，輸出層則采取雙曲正切函數(shù)（tanh）作為激活函數(shù)。需要說明的是，生成器所生成的樣本不屬于標簽中的任何一類，將其設(shè)為第n ＋1 類（n 為數(shù)據(jù)集類別數(shù)）。判別器則是通過4 個轉(zhuǎn)置卷積層提取特征，然后接入1 個softmax 層得到最終的分類結(jié)果。所有卷積層都采用泄露修正線性單元（Leaky Rectified Linear Unit，Leaky-ReLU）作為激活函數(shù)，另外，除了輸入層和輸出層，判別器的每一層都進行了批正則化處理。

（2）模型訓(xùn)練策略。傳統(tǒng)的GAN 中的判別器是一個二分類器，只判別輸入的來源是真是假，如果要完成多分類任務(wù)，通常會加入1 個輔助分類器（Auxiliary Classifier GAN，ACGAN）［14］。ACGAN 判別器的最后一層不再只是1 個sigmoid 層，而是并列排放sigmoid和softmax的2 個層。生成器和判別器的目標都是盡可能地使多分類結(jié)果正確，而對于二分類結(jié)果的優(yōu)化目標與傳統(tǒng)GAN 相同，也即，ACGAN 只是在sigmoid這一分支上做對抗訓(xùn)練。本實驗方案采用了文獻［15］中設(shè)計的多類對抗目標，即利用softmax 層同時完成判斷來源和多分類任務(wù)。生成器和判別器的目標函數(shù)定義如下：

式中：LG和LD分別代表生成器G 和判別器D 的目標函數(shù)；l（·）代表交叉熵；yi是真實樣本的標簽，假定n為數(shù)據(jù)集類別數(shù)，yfake＝（1／n，1／n，1／n，…）n為生成的第n ＋1 類樣本制作的偽標簽。生成器的優(yōu)化目標是使判別器盡可能將生成的假樣本判別為數(shù)據(jù)集中的某一類yi，而判別器的優(yōu)化目標是盡可能提升輸入的真實樣本多分類精度，并將輸入的假樣本判別為第n ＋1類，如圖2 所示。

圖2 GAN對抗訓(xùn)練過程

2 實驗結(jié)果與分析

2.1 實驗數(shù)據(jù)

本實驗中使用的數(shù)據(jù)來自大連海上溢油監(jiān)測實驗，獲取于2010 年7 月24 日的航空高光譜數(shù)據(jù)。傳感器由SPECIM 公司生產(chǎn)的輕便機載光譜成像儀AISA eagle，波長為400 ～970 nm，含有258 個光譜波段（2.4 nm，F(xiàn)WHM），空間分辨率為1.41 m。數(shù)據(jù)已做過系統(tǒng)的幾何校正和輻射校正。由于數(shù)據(jù)量較大，實驗中將截取2 幅大小分別為350 ×360 和180 ×400的矩形區(qū)域，分別取名為數(shù)據(jù)集1 和數(shù)據(jù)集2。根據(jù)溢油圖像在RGB 波段（R：645.13 nm，G：554.44 nm，B：469.05 nm）所表現(xiàn)出的顏色及Bonn 協(xié)議，實驗中將圖像分為厚油膜、薄油膜和海水3 類。

在2 個數(shù)據(jù)集中，分別將10%和90%的標記數(shù)據(jù)隨機分配到訓(xùn)練集和測試集。其中，根據(jù)總數(shù)據(jù)集的比例在每個數(shù)據(jù)集中的每種類型的像素中隨機選擇。表1 列出了2 個數(shù)據(jù)集用于訓(xùn)練和測試的每個類的可用樣本分布情況。

表1 數(shù)據(jù)集1 和2 的樣本分布情況 個

2.2 評價指標

本文選用總體分類精度（Overall Accuracy，OA）、平均分類精度（Average Accuracy，AA）、Kappa 系數(shù)以及每個類別的分類精度作為檢驗不同方法性能的評價指標，并通過10 次訓(xùn)練和測試的平均值和標準差來計算結(jié)果。

總體分類精度指被正確分類的測試樣本數(shù)與測試樣本總數(shù)之比。正常情況下OA值能較好地表征分類精度，但是當(dāng)樣本數(shù)量極度不平衡時容易受到樣本數(shù)據(jù)較多的類別的影響，導(dǎo)致其不能代表每個類別。鑒于總體分類精度在處理樣本不平衡數(shù)據(jù)時的缺陷，需要計算每個類別的分類精度。平均分類精度即數(shù)據(jù)中所有類別的平均精度的均值，又稱為平均精度均值A(chǔ)A，其計算式如下：

式中：AccuracyC表示類別C 的分類精度；N 表示樣本類別總數(shù)?？梢?，它也可能會存在某些類別分類精度很高，而另一些類別的分類精度很低（樣本數(shù)量少或數(shù)據(jù)問題）時，出現(xiàn)平均分類精度較高的情況。為此，實驗對于分類結(jié)果還保留了每個類別的分類精度。

Kappa系數(shù)是一種比例，衡量的是真實數(shù)據(jù)與最終分類結(jié)果之間的一致性，其計算式如下：

式中：C為類別數(shù)；mi為第i 個類別的正確樣本數(shù)；ki為分類器預(yù)測得到的第i 類樣本數(shù)量。Kappa 系數(shù)的計算結(jié)果通常位于0 ～1 區(qū)間，值越大，分類結(jié)果的一致性越高。

2.3 檢測結(jié)果

為評估本實驗方案的檢測效果，將提出的GAN模型與兩種較為成熟且應(yīng)用廣泛的模型進行了對比，包括隨機森林模型（Random Forest，RF）和SVM 模型。表2 從上到下分別記錄了2 個數(shù)據(jù)集上每種方法運行10 次后的各類分類精度、AA、OA 和Kappa 系數(shù)的均值。數(shù)據(jù)集1、2 的檢測結(jié)果如圖3 和4 所示。

表2 3 種不同方法在數(shù)據(jù)集1、2 上的溢油檢測結(jié)果比較%

圖3 數(shù)據(jù)集1的高光譜溢油檢測結(jié)果

圖4 數(shù)據(jù)集2的高光譜溢油檢測結(jié)果

2.4 結(jié)果分析

從表2 可以看出，與其他方案相比，本實驗方案在2 個數(shù)據(jù)集上均取得了最佳分類結(jié)果，各評價指標明顯高于其他方案。在數(shù)據(jù)集1 上，GAN 相對于RF 和SVM的兩種方案，總體分類精度分別提升了2.33%和0.77%；在數(shù)據(jù)集2 上，GAN 達到了最高的每類分類精度。實驗結(jié)果表明，設(shè)計的方案不僅能得到較高的溢油檢測精度，而且分類結(jié)果具有較高的穩(wěn)定性。

由圖3 ～4 可知，本實驗方案相較于其他方法誤將海水錯分為溢油的現(xiàn)象大幅度減少，即有效地降低了溢油檢測的虛警率。這是由于GAN 模型通過生成對抗訓(xùn)練得到的判別器更優(yōu)，具有更好的邊緣檢測能力和抗噪聲能力，因此，分類結(jié)果中的離群值更少，使得預(yù)測圖更接近于真實類別標簽，這進一步證明了GAN模型用于溢油檢測的有效性。

3 結(jié) 語

本文利用生成對抗網(wǎng)絡(luò)方以看出法設(shè)計了高光譜溢油圖像檢測實驗方案，并通過大連新港溢油事故中所獲得的高光譜數(shù)據(jù)開展的實驗證實了本方法的有效性，結(jié)果表明：①光譜歸一化處理和PCA 變換可以有效地提高模型的計算效率并能夠?qū)崿F(xiàn)特征優(yōu)選；②生成器和判別器的對抗訓(xùn)練過程能夠顯著提升GAN 模型的分類性能，并有效降低了溢油檢測虛警率；③通過在模型中引入多類對抗目標的損失函數(shù)，能夠更好地完成多分類任務(wù)。實驗中對薄油膜的檢測均存在一定的不足，未來可通過模型的進一步優(yōu)化以及擴大訓(xùn)練樣本庫來提升薄油膜的檢測精度。