基于无人机多光谱遥感的污染水体检测方法

技术领域

本发明涉及无人机领域，具体的说涉及到一种基于无人机多光谱遥感的污染水体检测方法。

背景技术

随着人类社会的快速发展，由人类活动引起的污染排放成为一个十分普遍现象，其后果是严重的水体富营养化，甚至水体黑臭，引发了饮水安全和水资源短缺。

而在城镇中污染水体的面积通常较小并且细碎，使用卫星遥感技术很难实现实时、准确的水质反演与监测目标。

发明内容

为了克服现有技术的不足，本发明提供一种基于无人机多光谱遥感的污染水体检测方法，基于该方法可以快速实现无人机多光谱影像的水体检测与分割，并在此基础上进行水体富营养化和黑臭等级判断，增加了无人机多光谱遥感系统在城镇水环境监测方面的应用能力。

本发明解决其技术问题所采用的技术方案是：一种基于无人机多光谱遥感的污染水体检测方法，该方法包括以下步骤：

步骤S10：将无人机中的多光谱遥感数据生成多光谱正射影像；

步骤S20：生成水体检测器；

步骤S30：通过水体检测器对多光谱影像进行像素级分割，实现对水体的检测及分割；

步骤S40：对水体区域的影像进行标记；

步骤S50：通过水体影像标记进行光谱特征提取，并计算归一化差值植被指数及黑臭水体指数；

步骤S60：通过归一化差值植被指数及黑臭水体指数判断水体污染等级。

在上述的方法中，所述步骤S20中通过水体的数据集对假设空间进行群举搜索，构建最佳随机森林模型生成水体检测器。

在上述的方法中，所述步骤S20中生成水体检测器的步骤为：

步骤S201：将带有标签的水体图像样本数据分为训练集以及测试集；

步骤S202：使用随机森林算法对模型进行训练，将水体图像样本的像素特征输入随机森林算法中；

步骤S203：构建决策树，决策树由训练集中随机抽取n个样本来构建；

步骤S204：生成大量的决策树形成随机森林，并基于随机森林生成水体检测器。

在上述的方法中，所述步骤S202中随机森林算法输出的是水体图像的像素标签。

在上述的方法中，所述步骤S50从水体影像标记进行光谱特征提取中包括绿、蓝、红、及近红外波段的反射率。

在上述的方法中，所述归一化差值植被指数与黑臭水体指数计算公式为：

；

；

其中，

在上述的方法中，所述步骤S10中多光谱遥感数据由单波段形成并存储在无人机或无人机系统平台或无人机云平台中，然后进行波段对齐、反射率标定及合成后生成多光谱正射影像。

本发明的有益效果是：该方法可以通过无人机多光谱影像实现水体的检测与分割，并对水体进行富营养化和黑臭等级判断。

附图说明

图1为本发明一种基于无人机多光谱遥感的污染水体检测方法的流程图。

图2为本发明一种基于无人机多光谱遥感的污染水体检测方法中构建随机森林模型生成水体检测器的步骤图。

具体实施方式

下面结合附图和实施例对本发明进一步说明。

以下将结合实施例和附图对本发明的构思、具体结构及产生的技术效果进行清楚、完整地描述，以充分地理解本发明的目的、特征和效果。显然，所描述的实施例只是本发明的一部分实施例，而不是全部实施例，基于本发明的实施例，本领域的技术人员在不付出创造性劳动的前提下所获得的其他实施例，均属于本发明保护的范围。另外，专利中涉及到的所有联接/连接关系，并非单指构件直接相接，而是指可根据具体实施情况，通过添加或减少联接辅件，来组成更优的联接结构。本发明创造中的各个技术特征，在不互相矛盾冲突的前提下可以交互组合。

参照图1所示，本发明揭示了一种基于无人机多光谱遥感的污染水体检测方法，具体的，该方法包括以下步骤：

步骤S10：将无人机中的多光谱遥感数据生成多光谱正射影像；

步骤S20：基于水体的数据集对假设空间进行群举搜索，构建最佳随机森林模型生成水体检测器；

步骤S30：通过水体检测器对多光谱影像进行像素级分割，实现对水体的检测及分割；

步骤S40：对水体区域的影像进行标记；

步骤S50：通过水体影像标记进行光谱特征提取，并计算归一化差值植被指数以及黑臭水体指数；

步骤S60：通过归一化差值植被指数以及黑臭水体指数判断水体污染等级。

在步骤S10中，在无人机上搭载多光谱传感器然后对水体进行检测获得原始的数据，原始数据为单波段，对原始的以单波段形成存储在无人机多光谱遥感数据进行波段对齐、反射率标定、合成，然后生成多光谱正射影像。原始数据可以储存在无人机或无人机系统或无人机云平台中。

多光谱相机是一种能够捕捉到不同波长的光线的相机，它可以将捕捉到的光线分解成不同的颜色，从而得到不同的光谱。搭载在无人机上的多光谱相机可以用于植被覆盖分类、植被病虫害监测、地质调查、土壤调查等应用领域。例如，植被覆盖分类可以通过高分辨率多光谱影像来实现，而植被病虫害监测则可以通过近红外出的变化较为明显、峰值变低甚至消失，整个反射光谱曲线波状特征不明显来实现。在本方案中，使用的多光谱相机具有5个波段，分别是B、G、R、NI以及RE这5个波段，这5个波段的图像在位置上会存在细微的偏差，因此需要采用仿射变换计算出5个波段图像之间的变形矩阵，从而使5个波段图像可以对齐到一个共同的参考图像。接着使用多光谱相机自带的标准面板来矫正拍摄图像中的颜色偏差，得到5个波段图像的透照幅度；通过图像与照幅度的计算输出得到相应的反射率图像，分别读取每个波段图像的像素值，并从原始文件属性中读取图像的色温，ISO值，快门速度，增益系数，暗角校正系数，辐射校正系数，黑电平，放大系数。将像素值减去黑电平，乘以暗角矫正系数，再除以增益系数和曝光时间，乘以放大系数，得到辐射亮度的像素值；这些值是0到1之间的浮点数，再除以对应波段的照幅度，即可得到相应的反射率图像，使得图像中的每个像素与实际拍摄物体的反射率相一致。最后将5个波段的对齐后的反射率图像数据合成在一起，直接利用Image模块中的concatenate函数将5个波段图像的像素值矩阵按顺序拼接起来，合起来构成一个含有5波段图像信息的新矩阵，即可得到多光谱正射影像。也可以使用其他波段的多光谱相机来生产多多光谱正射影像。

对于水体的图像样本建立样本数据集，每个水体图像样本都具有灰度值、纹理特征以及梯度特征等属性特征，然后基于水体图像的样本数据集在假设空间中使用网格搜索策略进行群举搜索，构建出最佳森林模型并生成水体检测器。网格搜索算法是一种常用的参数搜索方法，能够对所有可能的参数组合进行穷举搜索，然后将平均得分最高的超参数组合作为最佳的选择返回给模型对象。网格搜索通过遍历给定的参数组合能够对模型起到优化的作用，使模型的判定更加准确。

具体的，参照图2所示，图2为构建随机森林模型生成水体检测器的步骤图，包括以下步骤：

步骤S201：将带有标签的水体图像样本数据分为训练集以及测试集；在本实施例中训练集以及测试集比例为4:1，但训练集以及测试集的比例不仅限于此，还可以为其他。

步骤S202：使用随机森林算法对模型进行训练，将水体图像样本的像素特征输入随机森林算法中；

步骤S203：构建决策树，决策树由训练集中随机抽取n（N为正整数）个样本来构建；

步骤S204：生成大量的决策树形成随机森林，并基于随机森林生成水体检测器，输入的水体图像样本由多数决策树投票来决定分类结果。

随机森林算法是指用随机的方式建立多颗决策树，形成随机森林，其中的每一棵决策树之间是相互独立的。在建立每一棵决策树的过程中，随机性体现在随机采样生成样本子集以及随机选择特征进行节点分裂这两个方面。即给定一个总体训练集T，共有N个样本，每次有放回地随机选择n个样本，形成一个样本子集用于训练一个决策树；假设训练集的特征个数为d，每次仅选择k（k＜d）个构建决策树。具体构建过程如下：

第一步：训练集T中共有N个样本，有放回的随机选择n个样本，作当前决策树根节点处的样本。对于每棵树的训练都采用有放回抽样的方式，这样每个样本都有可能被多次抽到用于训练，同时也可能一次都不被抽中。随着树的数量增加，大部分样本最终都会被抽到用于训练。

第二步：当每个样本有M个属性时，在决策树的每个节点需要分裂时，随机从这M个属性中选取出m个属性，满足条件m＜＜M。然后从这m个属性中采用信息增益策略来选择1个属性作为该节点的分裂属性。

第三步：决策树形成过程中每个节点都要按照第二步来分裂，一直到不能够再分裂为止，并且整个决策树形成过程中没有进行剪枝。

第四步：重复上述的第一步至第三步建立大量的决策树，形成最终随机森林。每一棵树都是一个独立的分类器，最后的结果是由所有的决策树共同决定的。对于分类问题，一般采取众数投票法确定最终类别。

基于最终随机森林算法生成水体检测器后，将多光谱正射影像输入至水体检测器中，决策树根据多光谱正射影像中的每个像素特征得到一个分类结果，水体检测器中对所有的决策树结果进行投票，得到最终的分类结果。在本实施例中，对水的类别投票结果为1，对其他的背景类别投票结果为0，根据图像的每个像素类别，将水体区域进行标记，当最终得到完整的水体区域标记。通过对已知水体样本进行训练，建立分类模型，然后对遥感影像进行分类提取水体信息。

将影像中的水体区域标记后进行光谱特征提取，提取出绿、蓝、红、及近红外波段的反射率，并通过绿、蓝、红、及近红外波段的反射率来计算归一化差值植被指数（NDVI）与黑臭水体指数（BOWI）。

具体的，归一化差值植被指数（NDVI）与黑臭水体指数（BOWI）计算公式为：

；

其中，

在某水库的检测实例中，当水质干净、清澈时，在原始多光谱影像中的可见光波段上，水体反射率较低，整体呈现暗色调；本算法对水体分割结果正确，对富营养化及黑臭等级均显示为0。在某生活污水排放区（臭水沟）的检测实例，该区域水体富营养化程度严重，水体浑浊、恶臭，在多光谱图像中的可将光波段水色整体呈现墨绿（暗绿）色，本算法对该区域细小水体分割结果正确，对富营养化及黑臭等级均判定为2。

无人机可以搭载5-6个通道的多光谱相机，有效地解决了可见光信息量少和高光谱数据冗余的问题。相比传统的卫星遥感，无人机多光谱遥感可以提供更精准、更灵活的数据获取方式，能够实现全流域、多尺度的岸线生态和水污染分布展示。本方法可以快速实现无人机多光谱影像的水体检测与分割，并在此基础上进行水体富营养化和黑臭等级判断，增加了无人机多光谱遥感系统在城镇水环境监测方面的应用能力，可以服务于环保部门对城镇河湖水环境的实时、快速监测与执法。并且本算法既可以在服务器设备上运行，也可以在嵌入式终端设备运行，视网络通信条件而定。

以上是对本发明的较佳实施进行了具体说明，但本发明创造并不限于所述实施例，熟悉本领域的技术人员在不违背本发明精神的前提下还可做出种种的等同变形或替换，这些等同的变形或替换均包含在本申请权利要求所限定的范围内。