一种基于RGB影像的海藻生物量评估方法

技术领域

本发明涉及海洋生态调查、海洋生物资源保护技术领域，尤其涉及一种基于RGB影像的海藻生物量评估方法。

背景技术

传统的潮间带海藻生物量调查过程中，常需要大量的人力进行潮间带采样，工作强度大，且随着工作时长导致工作质量下降，同时天气和海况也是调查的主要影响因素。此外，开展大规模的海藻生态调查，必然导致大范围的海藻被破坏，直接或间接地影响近海生态系统中的各种生物生存环境。

发明内容

基于此，有必要针对上述技术问题，提供一种调查简单方便、工作强度低、不会导致大范围海藻破坏、评估效果好的基于RGB影像的海藻生物量评估方法。

一种基于RGB影像的海藻生物量评估方法，包括以下步骤：

S1、在潮间带退潮时，采用样方框采集藻种样本，并通过RGB成像设备生成影像数据；

S2、对所述影像数据进行处理，计算每个波段的纹理特征参数；

S3、进行光谱特征参数计算，获得光谱参数；

S4、根据所述藻种样本数量、纹理特征和光谱特征进行建立评估模型，并优化；

S5、根据所述评估模型评估海藻生物量。

在其中一个实施例中，所述步骤S1中，样方框采集样本的方法包括：

使用0.25m×0.25m大小样方框随机放置在潮间带，然后，将样方框内全部目标藻种进行采集，带回室内，晾干水分后测量其湿重。

在其中一个实施例中，所述步骤S2中，对所述影像数据进行处理包括：

S21、对影像数据进行处理；

S22、通过matlab进行灰度共生矩阵计算，分别选择3×3、5×5、7×7、9×9大小窗口，及0°、45°、90°、135°四个方向进行灰度共生矩阵运算；

S23、根据灰度共生矩阵计算每个波段的光谱参数。

在其中一个实施例中，所述步骤S4包括：

使用随机森林模型、支持向量机和梯度提升决策树三种方式建立评估模型，所述评估模型包括：基于藻种样本数量和纹理特征的模型、基于藻种样本数量和光谱特征的模型、基于藻种样本数量、纹理特征和光谱特征的模型。

在其中一个实施例中，所述步骤S4中，对所述评估模型的优化包括：根据皮尔逊相关系数进行特征筛选，将相关性的绝对值按从小到大进行筛选，得到最优输入参数，同时，评估模型也需进行参数寻优。

上述基于RGB影像的海藻生物量评估方法，通过样方框采集样本，RGB成像设备生成影像数据，其与无人机高空间分辨率的遥感评估中有着较好的匹配应用性，排除了光谱相机的定标操作，受天气影响较小，且数据来源易于获取，大大减少了原位采集样品消耗的人力物力，同时，通过评估模型评估海藻生物量，其调查简单方便、不会导致大范围海藻破坏且评估效果好。

附图说明

为了更清楚地说明本发明实施例中的技术方案，下面将对实施例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是本发明的基于RGB影像的海藻生物量评估方法的流程图。

具体实施方式

为了便于理解本发明，下面将参照相关附图对本发明进行更全面的描述。附图中给出了本发明的较佳的实施例。但是，本发明可以以许多不同的形式来实现，并不限于本文所描述的实施例。相反地，提供这些实施例的目的是使对本发明的公开内容的理解更加透彻全面。

需要说明的是，当元件被称为“固定于”另一个元件，它可以直接在另一个元件上或者也可以存在居中的元件。当一个元件被认为是“连接”另一个元件，它可以是直接连接到另一个元件或者可能同时存在居中元件。本文所使用的术语“垂直的”、“水平的”、“左”、“右”以及类似的表述只是为了说明的目的，并不表示是唯一的实施方式。

除非另有定义，本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。本文中在本发明的说明书中所使用的术语只是为了描述具体的实施例的目的，不是旨在于限制本发明。本文所使用的术语“及/或”包括一个或多个相关的所列项目的任意的和所有的组合。

参阅图1所示，本发明一实施例提供一种基于RGB影像的海藻生物量评估方法，包括以下步骤：

S1、在潮间带退潮时，采用样方框采集藻种样本，并通过RGB成像设备生成影像数据；本实施例中，用RGB成像设备进行数据采集时，还可以记录经纬度。

S2、对所述影像数据进行处理，计算每个波段的纹理特征参数；

S3、进行光谱特征参数计算，获得光谱参数；

S4、根据所述藻种样本数量、纹理特征和光谱特征进行建立评估模型，并优化；

S5、根据所述评估模型评估海藻生物量。

上述基于RGB影像的海藻生物量评估方法，通过样方框采集样本，RGB成像设备生成影像数据，其与无人机高空间分辨率的遥感评估中有着较好的匹配应用性，排除了光谱相机的定标操作，受天气影响较小，且数据来源易于获取，大大减少了原位采集样品消耗的人力物力，同时，通过评估模型评估海藻生物量，其调查简单方便、不会导致大范围海藻破坏且评估效果好。

所述步骤S1中，样方框采集样本的方法包括：

使用0.25m×0.25m大小样方框随机放置在潮间带，然后，按“取上不取下，取左不取右”的原则，将样方框内全部目标藻种进行采集，带回室内，晾干水分后测量其湿重。

所述步骤S2中，对所述影像数据进行处理包括：

S21、对影像数据进行处理；具体为，对影像进行裁剪、校正。

S22、通过matlab进行灰度共生矩阵计算，分别选择3×3、5×5、7×7、9×9大小窗口，及0°、45°、90°、135°四个方向进行灰度共生矩阵运算；

S23、根据灰度共生矩阵计算每个波段的光谱参数。

本发明中，根据灰度共生矩阵计算每个波段的Mean、Variance、Homogeneity、Contrast、Second Moment、Entropy、Correlation、ASM、IDM共27个参数。主要计算公式如下：

本发明中，所述步骤S3中，进行光谱特征参数计算，获得光谱参数包括：通过matlab进行光谱特征参数计算，共计获得24个光谱参数，具体计算公式如下：

本发明的所述步骤S4包括：

使用随机森林模型、支持向量机和梯度提升决策树三种方式建立评估模型，所述评估模型包括：基于藻种样本数量和纹理特征的模型、基于藻种样本数量和光谱特征的模型、基于藻种样本数量、纹理特征和光谱特征的模型。

可选地，由于特征过多会导致“维度灾难”，因此，需对特征参数进行降维处理，所述步骤S4中，对所述评估模型的优化包括：根据皮尔逊相关系数进行特征筛选，将相关性的绝对值按从小到大进行筛选，得到最优输入参数，同时，评估模型也需进行参数寻优。

具体地，通过python进行生物量与27个纹理特征及24个光谱特征进行机器学习建模，使用三个机器学习模型：随机森林模型(Random Forest)、支持向量机(Support VectorMachine)、梯度提升决策树(Gradient Boosting Decision Tree)，共分为三类：1)27个纹理特征与藻种样本数量进行建模；2)24个光谱特征与藻种样本数量进行建模；3)51个联合(纹理与光谱)特征与藻种样本数量进行建模。

需要说明的是，由于每种海藻的特征不同，因此，使用多种不同的机器学习模型进行计算分析：

通过pycharm2020.1在python3.8环境下进行GBDT建模，通过调用sklearn库中的Gradient Boosting Regressor，建立GBDT回归模型。为了评价模型的精度，从sklearn库中调用r

通过pycharm2020.1在python3.8环境下进行RF建模，通过调用sklearn库中的RandomForestRegressor，建立RF回归模型。从sklearn库中调用r

通过pycharm2020.1在python3.8环境下进行SVM建模，通过调用sklearn库中的SVR，建立SVM回归模型。从sklearn库中调用r

本发明应用于浙江省嵊泗县枸杞岛全岛的潮间带调查过程如下：

绕枸杞岛潮间带进行大型海藻生物量调查，目标种为孔石莼、鼠尾藻、羊栖菜。全岛范围内共设置了20个站点，每个站点按潮间带的低、中、高潮区设置2个平行样，共采集120个样方框。根据海洋调查规范，使用0.25m×0.25m大小的样方框进行采集，在特定潮区进行放置，在高度约为0.5m处，使用1200像素的RGB成像设备进行影像数据采集，然后按“取上不取下，取左不取右”原则，将样方内全部目标藻种进行采集，记录采集点的经纬度，放入做好标记的样袋，带入室内晾干后测定其重量，获得生物量参数。

在matlab2018a与pycharm2020.1(python3.8环境)获取影像数据的51个特征参数，按纹理参数加生物量、光谱参数加生物量、联合参数加生物量三种组合进行整理，通过梯度提升决策树模型、随机森林模型、支持向量机模型等机器学习方法进行生物量反演，然后，通过皮尔逊相关系数进行输入特征筛选，得到最佳输入特征参数约为11－17个，通过遍历算法，将三个模型的模型参数进行优化，得出梯度提升决策树模型中，最佳的Estimators与learning_rate分别为100，0.1；随机森林模型中n_estimators、max_depth、max_features分别为21，12，1；支持向量机模型中，得到最佳的kernel、C、linear分别为RBF，66，1。最佳反演模型为梯度提升决策树模型，其中三种海藻生物量反演结果为：孔石莼(训练集中R

以上所述实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。

以上所述实施例仅表达了本申请的几种实施方式，但并不能因此而理解为对本申请专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请专利的保护范围应以所附权利要求为准。