一种基于谱空信息结合的中分辨率遥感图像近海养殖区提取方法

技术领域

本发明涉及遥感图像处理技术及近海养殖区提取领域，具体涉及一种基于谱空信息结合的中分辨率遥感图像近海养殖区提取方法。

背景技术

我国海域辽阔，水产养殖业发展空间巨大。但近年来，由于海水养殖规模和密度的不断加大，导致近海养殖污染等问题日益严峻。因此，科学准确的监管近海水产养殖业具有十分重要的研究意义和应用价值。传统的养殖区监测通常采用海上实地考察的方式，易受气象条件等因素限制，并且耗时耗力。近年来，以对地观测为核心的遥感技术不断发展，遥感数据具有宏观性、实时性和长时序性等特点，尤其在海洋资源和环境调查等领域已展现出其特有的技术优势。因此，利用遥感技术，可以高效率、低成本的实现养殖区信息的精确提取，是辅助水产养殖业健康发展的重要技术手段。

当前利用遥感数据的近海养殖区提取研究大多基于高分辨率影像，虽然数据空间分辨率较高，但光谱通道有限，幅宽较小，并且影像获取成本也相对较高，不利于大面积动态监测。在基于中分辨率多光谱卫星数据的养殖区提取研究中，多采用构建水体指数和波段运算函数等利用影像光谱信息提取方法。但近海养殖区常存在同物异谱或同谱异物等现象，若仅利用影像光谱信息，无法克服“椒盐”噪声的影响，导致养殖区像元的误判。结合纹理特征或者基于面向对象等框架的空间信息后处理方法，虽然在一定程度上可以降低光谱差异的影响，但是受空间分布和尺度等不确定性因素的限制，往往提升效果有限。因此，一种高效，充分利用光谱和空间信息对近海养殖区进行提取的方法亟待提出。

发明内容

根据现有技术存在的不足，本发明提出一种基于谱空信息结合的中分辨率遥感图像近海养殖区提取方法。用以解决传统近海养殖区提取方法识别效果差、精度低的技术问题。

为达到上述发明目的，本发明采用的技术方案包括如下步骤：

获取原始遥感影像，并对该图像进行重采样、波段合成和影像裁剪预处理，根据改进的归一化差异水体指数对研究区影像进行水陆分离处理并对研究区中海岛进行掩膜处理从而获得目标图像；

计算目标图像中养殖区的光谱和纹理特征的水体指数和灰度共生指数，并将获取的水体指数和灰度共生指数叠加到原始影像中，对原始影像进行波段扩展处理，获得波段扩展后影像；

构建训练样本数据集，并利用支持向量机分类器对波段扩展后影像进行预测，基于光谱信息分类方式获得养殖区初分类结果；

设置空间修正阈值，将养殖区初分类结果输入至马尔科夫随机场模型中，采用空间信息后处理方式对初分类结果进行空间上的修正和调整，输出养殖区最终提取结果。

进一步的，获取养殖区初分类结果时采用如下方式：随机选取波段扩展后影像总像元数的设定百分比数构建训练样本数据集，采用训练样本数据集训练支持向量机分类器；

将波段扩展后影像X

采用空间信息后处理方式对初分类结果进行空间上的修正和调整具体采用如下方式：

读取类别从属概率结果P(X

式中：S

读取初分类结果图C(X

式中：C

基于光谱项概率和空间项概率采用马尔科夫随机场模型获得养殖区谱空综合分类方法的目标函数：

其中ω为权重系数；

基于空间修正阈值、采用模拟退火算法对目标函数进行优化从而得到谱空综合模型的最优解。

本发明公开的一种基于谱空信息结合的中分辨率遥感图像近海养殖区提取方法与现有技术相比，具有以下有益效果：

(1)本申请中采用的中分辨率影像，具有多通道的光谱信息，并且获取方便快捷。可高效率、低成本的实现养殖区信息的精确提取。

(2)本申请在哨兵二号多光谱原有数据的基础上，进行波段扩展，添加水体指数和纹理信息，增强养殖区目标的特征表达能力，可有效克服近海养殖区复杂的水色背景的干扰。

(3)本申请采用支持向量机分类器得到初分类结果，结合马尔科夫随机场模型通过空间信息后处理的方式对初分类结果进行修正和调整，能够充分利用地物的光谱与空间特征，进一步提升养殖区提取精度。

附图说明

图1为本发明中实验总体流程图；

图2为海王九岛养殖区遥感影像；

图3为各养殖类型现场勘察与遥感影像图；

图4为波段扩展中添加的水体指数及纹理分析结果图；

图5为支持向量机提取后的初分类结果图；

图6为添加马尔科夫随机场模型修正后的结果图；

图7为海王九岛养殖区地面真实参考图像；

具体实施方式

为使本发明的技术方案和优点更易理解，下面结合附图和实施例，对本发明实施例中的技术方案进行清楚完整的描述。如图1所示的一种基于谱空信息结合的中分辨率遥感图像近海养殖区提取方法，包括以下步骤：

S1:获取一幅哨兵二号原始遥感影像；

S2:对原始影像进行图像预处理；

S21:将原始单波段影像中20m、60m分辨率的数据重采样为10m分辨率；

S22:对重采样后的数据进行波段合成、影像裁剪等预处理操作；

S23:根据改进的归一化差异水体指数对研究区影像进行水陆分离处理并对研究区中海岛进行掩膜处理从而获得目标图像；

S3:水产养殖区待分类地物特征如图3所示，针对目标图像中养殖区的光谱和纹理特征，利用水体指数和灰度共生指数计算，并将获取的水体指数和灰度共生指数叠加到原始影像中，对原始影像进行波段扩展处理获得波段扩展后影像；

S31:为使养殖区从复杂的水色背景中最大程度的区分开，计算研究区影像悬浮泥沙指数(TSM)、叶绿素浓度指数(CHL)，对水产养殖区增强。同时计算归一化的水域自动提取指数(AWEI)对非水产养殖区进行增强。添加的水体指数表达式如下：

TSM＝0.028b

CHL＝8.48b

AWEI＝(4(b

式中：b

S32:选择对养殖区信息敏感的红、绿、蓝3个波段(b

S33:对得到的纹理特征参数进行主成分分析，输出信息量较高的前3个主成分作为波段扩展的纹理特征；

S34:波段扩展后的新特征如图4所示。将以上6个新特征与原始影像波段进行叠加，形成波段扩展后的新数据(X

X

S4:将波段扩展后的影像输入到支持向量机分类器中，得到基于光谱信息分类方式的养殖区初分类结果

S41:随机选取波段扩展后影像总像元数的设定百分比数，构建训练样本数据集，采用训练样本数据集训练支持向量机分类器；

S42:将波段扩展后图像X

S5:设置空间修正阈值，将养殖区初分类结果输入至马尔科夫随机场模型中，采用空间信息后处理方式对初分类结果进行空间上的修正和调整，输出养殖区最终提取结果。

S51:读取类别从属概率结果P(X

式中：S

S52:读取初分类结果图C(X

式中：C

S53:基于光谱项概率和空间项概率采用马尔科夫随机场模型，获得养殖区谱空综合分类方法的目标函数：

式中：ω为权重系数。

S54:基于空间修正阈值、采用模拟退火算法对目标函数进行优化从而得到谱空综合模型的最优解。

S6:最终输出养殖区提取结果，如图6所示。

由图6可知，结合马尔科夫随机场添加空间信息后，初分类结果中误判的像元得到有效修正，各类地物的识别效果均有较大提升。提取结果中海水与浮筏的混分现象也得到了有效改善，提取出的浮筏养殖区，空间纹理更为清晰，条带之间的间隔也更明显。

S61:本发明在2021年4月23日对研究区进行现场调查，并依据从辽宁省自然资源厅获取的高分二号影像，通过数据判读和专家解译，得到地面参考图像，如图7所示，作为实验效果分析和精度评价的依据；

S62:进一步地，为评估本发明的可靠性，选取整体分类精度、Kappa分析、用户精度、平均精度对本发明的提取精度进行评价：

整体分类精度是指分类正确的样本个数占所有样本个数的比例。

Kappa分析是评价分类精度的多元统计方法，Kappa系数代表被评价分类比完全随机分类产生错误减少的比例。

用户精度是表示分类结果中某一随机样本与地面实际类型相同的条件概率。

平均精度是指分类结果中各类精度的均值，其值的大小可以体现三类水产养殖区综合提取效果。

本申请对水产养殖区精度评价结果如表1所示。

表1为本发明中养殖区提取精度评价结果。

由表1可以看出，本发明在对水产养殖区的提取中充分利用影像光谱和空间信息，有效克服了“椒盐”噪声的影响以及“同物异谱”和“同谱异物”的干扰，能够对复杂水色背景下的水产养殖区进行精确提取，在海王九岛研究区取得了高达94.46％的整体分类精度，养殖区提取的平均精度高达83.38％。实验结果显示支持向量机分类器结合空间后处理模型后，能有效纠正初分类结果中误判的像元，从而提升研究区各类地物的提取精度，表明本发明能精确提取近海水产养殖区。

综上所述，本申请的上述实施例中，通过提供一种基于谱空信息结合的中分辨率遥感图像近海养殖区提取方法，包括：利用哨兵二号中分辨率卫星遥感影像，对原始光谱进行波段扩展以增强养殖区目标的特征表达能力；利用支持向量机模型对研究区进行光谱信息的初分类；进一步结合马尔科夫随机场模型对初分类结果进行后处理，综合利用谱空信息实现近海养殖区信息的精准提取。

本说明书中未作详细描述的内容属于本领域专业技术人员公知的现有技术，尽管对本发明的具体实施方式进行了说明，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，根据本发明的技术方案及其发明构思加以等同替换或改变，都应涵盖在本发明的保护范围之内。