中尺度渦特征提取算法及可視化研究①

葛 艷,劉纘然,李海濤

(青島科技大學 信息科學技術學院,青島 266061)

海洋中尺度渦是世界各大海洋中存在的一種普遍 的海洋現象,通常在數十至數百公里范圍,中尺度渦旋一般是由于平均流的不穩定性、海面風的強迫作用或是海底地形變化等原因產生的,這些旋渦所含的能量比海洋中其他類型運動的能量都大,它不僅會直接影響海洋結構的溫鹽結構和流速分布,而且會輸送動量和熱量,從而對海洋上層水域的物理性質產生強烈影響[1].因此,用特征可視化的手段,觀察和檢測這類復雜流場中的特征結構具有重大意義和科學價值.海洋遙感的多時相、大面積觀測等特點,為海洋中尺度渦觀測提供了前所未有的現場資料[2].

近年來,很多國內外學者在利用遙感圖像對中尺度渦數據信息反演的研究中,取得了很多進展,但也存在著不足.應用廣泛的基于遙感數據的中尺度渦提取方法主要有:基于洋面高度信息的旋渦提取[3]、基于溫度場信息的旋渦提取[4]、基于衛星跟蹤浮標的漩渦提取[5]、基于衛星圖像特征信息的漩渦提取[6]等.這些方法雖都進行了實驗論證,但尚存在一定的不足,總結起來,現有方法的缺陷主要包括:計算量大、處理效率低、成本昂貴、有限的適用性、不能進行直觀的可視化顯示等.

針對上述問題,本文利用遙感圖像數據,研究了基于連通區域提取的中尺度渦自動檢測算法,并在此基礎上對從數據的輸入、數據處理、結果的可視化顯示等自動可視化過程進行了研究.本文基于Matlab圖像處理技術,采用Matlab語言對遙感數據進行處理,實現中尺度渦檢測算法.將檢測算法生成DLL文件和C#語言進行混合編程,實現結果可視化顯示.此處理過程中不需人工干預,可實現遙感數據的高效處理,并滿足中尺度渦自動檢測的要求,為中尺度渦信息反演奠定了基礎.

1 數據預處理

本文以2016年12月份高分三號衛星L1B級和L2級的HH與DH極化圖像進行中尺度渦檢測,由于遙感圖像在獲取過程中受地球表面曲率、探測器運動中的抖動等因素影響,遙感圖像數據存在幾何畸變[7];另外,影像存在輻射不均勻、壞線等輻射問題[8].因此在中尺度渦檢測之前,需要對遙感圖像數據進行預處理,包括輻射定標、圖像壓縮、邊緣檢測等.在消除幾何畸變和輻射問題的同時獲取后向散射系數.

1.1 輻射定標

輻射定標是將傳感器記錄的無量綱的DN值(Digital Number:遙感影像像元亮度值,記錄地物的灰度值)轉換成具有實際物理意義的量,在此指計算成后向散射系數.主要是通過以下公式對圖像進行定標:

其中,PI=I2+Q2,對應有源定標器或角反射器在SAR復圖像的功率,I和Q分別對應復圖像的實部和虛部.PN為回波噪聲功率,Gimg2為噪聲的成像處理增益,σC為點目標RCS.以上參數可從產品元數據XML文件中獲取,產品元數據包括產品信息參數、雷達系數參數、平臺參數、SAR處理參數等.

輻射定標的目的就是盡可能消除因傳感器自身條件、太陽位置和角度條件及某些不可避免的噪聲,從而為遙感圖像后續的中尺度渦解譯、檢測、識別等工作打下基礎.輻射定標處理完成后,原始圖像和輻射定標后的圖像對比如下圖1所示.圖像經過輻射定標處理后,消除了部分噪聲對圖像的影響,不僅提高了圖像的原始精度,而且大大縮短了計算時間和計算復雜度.

圖1 輻射定標

圖像預處理過程中,運用Matlab自帶庫函數,結合輻射定標公式,處理后的結果圖像可在界面控件上的相應位置進行可視化顯示.圖像預處理后可在經緯度地圖上顯示,通過目視,可以觀察到中尺度渦的區域.

1.2 圖像壓縮

圖像壓縮是將原本行列數較多的圖像壓縮為行列數較少的圖像,以提升后面圖像紋理的計算速度.具體的壓縮過程如下:

(1)以5000為行列數的標準,取行數和列數除以5000的最小整數值為該圖像的壓縮系數.

(2)當該系數為n并大于等于2時,則進行n×n的模板的均值計算,并將均值放入相應的行列數當中.

(3)若該行列數能整除n,則將余下的行列進行n×m(m＜n)均值計算.

如圖2、圖3和圖4所示,圖像壓縮前大小為22687×13302,壓縮后為 7563×4434,壓縮后的圖像大大提升了后續的處理速度.

圖2 壓縮前圖像數據

圖3 壓縮后圖像數據

圖4 圖像壓縮前后信息對比

1.3 邊緣檢測

在二維空間下,Canny檢測算子和其它幾種經典的檢測算子比較具有抗噪聲能力強,檢測定位精度高等優勢,可以更方便地對后續進行處理,故本文在對圖像邊緣檢測處理過程中,選取具有雙閾值的Canny算子對圖像進行邊緣檢測,邊緣信息檢測也相對理想.效果圖如圖5所示.

圖5 Canny 邊緣檢測效果圖

2 中尺度渦檢測方法

2.1 中尺度渦檢測原理

中尺度渦檢測是指對海洋中的尺度渦進行地理位置、特征半徑以及區域面積的估計.本文中尺度渦檢測的原理是根據旋渦形成時旋渦區域和非旋渦區域的反射率存在差異進行檢測的[9],利用海洋遙感圖像的地理位置數據映射到1°×1°經緯度矩陣中,根據海洋中尺度渦成像的特點,基于邊緣檢測,運用連通區域提取技術,綜合利用渦旋的形狀、尺度等判據,檢測圖像中的旋渦閉合等值線以及提取旋渦的特征參數.

2.2 中尺度渦檢測算法流程

本文設計的中尺度渦自動檢測算法,主要分為三個步驟:首先對遙感圖像數據預處理,包括輻射定標、圖像壓縮、圖像邊緣檢測;然后對圖像進行連通區域提取,計算其特征參數;最后對這些連通區域判別檢測,判斷中尺度渦圓弧,擬合中尺度渦.算法實現流程如圖6所示.

圖6 中尺度渦檢測算法流程圖

2.2.1 連通區域提取

中尺度渦檢測算法中重點部分是對圖像進行連通區域提取和檢測圖像中的近似中尺度渦圓弧.在對圖像預處理的基礎上進行連通區域提取[10,11],本文運用八鄰域標記算法對圖像進行標記,如圖7所示,在圖像中最小的單位是像素,每個像素周圍有8個鄰接像素,運用直接掃描標記算法把連續區域作同一個區域進行標記[12,13].

圖7 八鄰域

算法.連通區域提取(1)將遙感圖像的二值圖像映射到算法矩陣中,按照由左到右、從上至下的順序依次循環遍歷圖像中的每一個點(i,j),逐像素進行掃描,若此點的八鄰域中最左 (i–1,j),左上 (i–1,j–1),最上 (i,j–1),上右(i+1,j–1)方向上沒有其他點,則將此點作為一個新的連通區域的起始點;(2)若此點 (i,j)八鄰域中最左 (i–1,j),左上 (i–1,j–1),最上 (i,j–1),上右(i+1,j–1)方向上有其他點,則將此點歸并為以上四點中的連通區域上;

(3)在一次遍歷結束后,一條連通區域按照掃描順序被賦予唯一的自然數;(4)繼續掃描其他點,循環掃描結束后圖像中的連通區域將被連續的自然數所標記,最大的自然數即為圖像中的連通區域條數.

通過以上步驟,每一個連通區域都有唯一的一個值相對應,對圖形處理起來也簡單的多.連通區域提取后效果圖如圖8所示.

圖8 連通區域提取后效果圖

2.2.2 中尺度渦圓弧檢測

在對圖像進行連通區域提取的基礎上檢測出符合組成中尺度渦特征的圓弧,才能為后續的中尺度渦擬合提供依據.本文分析了中尺度渦的特性,確定了幾組閾值.其中兩個重要的判據就是中尺度渦圓弧的經度和緯度,映射在計算機中可以被量化為長度和寬度.基于連通區域提取的中尺度渦圓弧檢測的具體步驟如下:

(1)循環遍歷每一條連通區域.為防止圖像邊界影響檢測的準確性,首先對邊界噪聲線進行判斷與剔除.將長度或寬度大于整幅圖像長度或寬度二分之一的連通區域舍去,并將此連通區域所在點的值賦為0;同時,將連通區域的總條數減1.

(2)循環遍歷剩下的連通區域.對每條連通區域進行處理,選取其中長度和寬度分別符合設定閾值范圍的圓弧;長度和寬度兩個限制條件同時滿足時,同時也說明此條圓弧具有一定的弧度.

(3)尋找每條符合中尺度渦圓弧的特征點,對中尺度渦進行擬合.

2.2.3 中尺度渦擬合

在中尺度渦圓弧檢測的基礎上,首先對每條符合中尺度渦圓弧的連通區域尋找特征點,然后根據特征點擬合中尺度渦.本文通過三點定圓原理,即不在同一條直線上的任意三個點唯一確定一個圓原理.接下來的任務就是尋找三個特征點,若將檢測的圓弧映射到直角坐標系中.通過分析總結容易想到,每條圓弧的特征點無非就是X軸方向上的最小值點(A點)和最大值點(B點),以及Y軸方向上的最小值點(C點)和最大值點(D點)四點.從四點中尋找更具特征性的三點,步驟如下:

(1)固定X軸方向上的最小值點(A點)和最大值點(B點),若Y軸方向上的最小值點(C點)的橫坐標距離A點的橫坐標或者距離B點的橫坐標小于設定的閾值,則將C點舍去,選取ABD三點進行中尺度渦擬合.

(2)若Y軸方向上的最小值點(C點)的橫坐標距離A點的橫坐標或者距離B點的橫坐標不小于設定的閾值,則選取ABC三點進行中尺度渦擬合.

在對圖像的處理過程中,是將圖像空間上的信息映射到參數空間上,因此根據映射關系,對圖像矩陣的操作可以間接計算實際的特征信息.按照遙感圖像的實際寬度和圖像的矩陣寬度之間的比例計算近似半徑,按照圓面積計算公式可以得到近似中尺度渦的面積等信息.將地圖插件引入,可將圖像對應在相應的經緯度位置上,擬合后圖像如圖9所示.

圖9 中尺度渦擬合效果圖

2.3 中尺度渦檢測方法的應用

根據中尺度渦檢測業務化的需求,中尺度渦檢測方法的應用需要進行以下幾個方面的工作:預處理數據的讀取、中尺度渦檢測算法的實現、可視化顯示中尺度渦檢測影像.本方法基于檢測效率、準確性和可視化的考慮,同時Matlab擁有成熟的圖像處理技術和在科學計算方面有著無與倫比的優勢,故采用Matlab語言和C#語言混合編程,在此過程中,Matlab和C#負責的工作如下:

(1)Matlab負責檢測方法過程中各個步驟的算法實現,同時封裝生成C#程序可調用的DLL文件.

(2)C#負責輸入數據路徑、調用 DLL 文件,在PictureBox控件中可視化顯示每個步驟的圖像信息,在TextBox控件中顯示中尺度渦檢測的特征參數.

本文檢測方法的應用采用瀑布模型開發,自頂向下、逐步求精的結構化設計方法,上一步驟的處理結果作為下一步驟的輸入數據進行輸入,方法應用流程圖如圖10所示.

圖10 中尺度渦檢測方法應用流程圖

3 檢測結果

為了檢測本文方法的有效性,分別選取了高分三號衛星L1B級和L2級的遙感圖像進行檢測測試.根據上述檢測方法,本文對預處理后的圖像分別進行連通區域提取、中尺度渦圓弧檢測和中尺度渦擬合操作,并在C#相應的PictureBox控件中顯示處理后的圖像,如圖11所示.其他檢測結果圖像如圖12、圖13、圖14所示,左邊為預處理后的影像圖,右邊為檢測后的圖像,通過目視解譯,將檢測后的結果圖像和預處理后的影像圖對比發現,中尺度渦檢測準確,基本說明該方法在海洋遙感圖像中尺度渦可視化檢測過程中效果理想.

圖11 應用系統上顯示處理后的圖像

圖12 中尺度渦檢測實例 1

圖13 中尺度渦檢測實例 2

4 結論

本文基于連通區域提取技術對海洋中尺度渦檢測,結合Matlab語言和C#語言混合編程開發并實現的應用方法.從實驗結果看到可以較準確的從遙感圖像中檢測出中尺度渦,且檢測結果可視化顯示效果理想.本文提出的基于連通區域提取的中尺度渦檢測方法具有以下優點:

圖14 中尺度渦檢測實例 3

(1)該方法對中尺度渦檢測較為準確,達到了海洋遙感圖像中尺度渦檢測的業務化要求.

(2)Matlab語言和 C#語言混合編程,使用Matlab語言庫函數中自帶的圖像處理技術,

實現了遙感數據的高效處理,過程中不需人工干預,節省了大量時間,而且最終的中尺度渦檢測結果可視化顯示效果良好.

(3)該方法實現了中尺度渦檢測的自動化與可視化,證明了Matlab語言和C#語言混合編程進行業務化中尺度渦檢測的可行性.

另外,本文存在著一些不足.一方面,在檢測中尺度渦圓弧時,定義的閾值參數已基本滿足目前的圖像檢測,但為繼續提高準確度,需要更多的數據進行驗證;另一方面,本文算法對存在明顯中尺度渦的遙感圖像檢測較為準確,對處于不成熟或不明顯中尺度渦的遙感圖像,該算法還有待進一步探討.