一種網箱養殖區自動提取方法

劉浩，劉曉宏，劉新聞

(1.重慶市勘測院，重慶 401121；2.德陽市不動產登記中心，四川 德陽 618099；3.四川省煤田地質局一四一隊，四川 德陽 618099)

0 引言

我國水產養殖業的快速發展推動了漁業經濟的增長，但同時也造成水體富營養化及水體溶氧壓力增大等水質問題，對水環境的承載能力形成了較大壓力[1]。因此，對水產養殖進行動態監測和分析，進而實現科學規劃和合理布局在近年來不斷引起重視。本文以丹江口水庫為研究區，該地區水產養殖以魚蝦的網箱養殖為主，網箱養殖在很大程度上推動了周邊經濟增長，但同時也對庫區水質環境造成一定影響，通過高分辨率遙感影像對網箱養殖區開展空間監測，進而實現綜合分析與定量評價，對庫區資源開發和生態保護具有重要意義。

針對水產養殖區的遙感自動提取主要包括基于特征指數、基于紋理信息、基于空間結構、面向對象和基于深度學習等方法。其中，基于特征指數的提取[2-3]是指針對影像的多光譜信息，通過比值、差值、求倒等光譜間波段運算抑制背景地物信息，同時增強目標地物與背景信息間的差異，從而突出網箱養殖區的信息特征。基于紋理信息的提取方法[4-6]通過統計分析、波譜分析等紋理分析方法將網箱養殖區在圖像中反復出現的規則特征進行凸顯。基于空間結構的提取方法[7-9]通過鄰域分析、梯度分析等空間分析，突出目標地物的規律性空間特征。面向對象的提取方法[10-12]利用不同尺度分割方法實現影像分割，然后針對網箱養殖區的特點，利用光譜、紋理和空間信息來提取目標斑塊。基于深度學習的提取方法[13-14]通過樣本與計算機迭代對提取模型參數進行訓練，自動學習網箱養殖區的特征，從而實現自動提取。

由于網箱養殖區多分布于近岸區域，在影像中表現出內部水體、自然水體以及陸地邊緣水體之間既有相似性又有差異性，區分難度較大。此外，水庫中的小島及水體隨機斑點將會給網箱養殖區提取帶來較大的干擾。上述方法均有各自的優勢，同時存在一定的不足。本文提出一種基于改進層次分析法的自動提取方法，綜合運用基于像元和面向對象方法的優勢，通過優化歸一化差分水體指數、改進紋理特征分析法和簡化的區域分割算法，實現對網箱養殖區的自動提取。

1 研究區概況及數據源

丹江口水庫位于湖北省丹江口市和河南省淅川縣，其水產養殖以魚蝦的網箱養殖為主，通常在水庫近水岸成片布設(圖1)。網箱主要由鋼管焊接而成，利用油桶制作浮子使其漂浮在水面。網箱養殖區從形態上看主要呈格網狀，格網內部是水體。網箱養殖區呈現一定的規律性，但網眼大小不統一，與實際養殖的水產品相關。

圖1 網箱養殖區現場照片

圖2 研究區假彩色影像圖

2 研究方法

基于改進層次分析法的網箱養殖區提取技術流程如圖3所示。主要分為3個層次：第1步通過優化歸一化差分水體指數(optimized normalized difference water index，ONDWI)將水體與陸地分離，其中水體包含了自然水體、網箱養殖區、小島及其他干擾對象；第2步利用基于比值指數的紋理特征分析法，將網箱養殖區與自然水體分離，其中網箱養殖區包含了小島及其他干擾對象；第3步基于簡化的區域分割算法(面向對象法)，利用網箱養殖區規則的形狀特征將其與小島及隨機噪點等干擾對象分離，最終實現網箱養殖區的精準提取。

圖3 技術流程圖

2.1 優化的歸一化差分水體指數(ONDWI)

水體對太陽光的的反射較弱，吸收能力通常要強于其他地物，Mcfeeters[15]在1996年首次提出歸一化差分水體指數(normalized difference water index，NDWI)(式(1))，并在以后的水體提取研究中得到廣泛應用。

(1)

式中：bgreen為綠波段；bnir為近紅外波段。

由于人工地物光譜曲線與水體較為接近，如果僅使用簡單的NDWI運算，部分人工地物將被錯誤地劃分到水體中，造成網箱養殖區的虛檢率增高。因此，提出一種優化的歸一化差分水體指數(ONDWI)，主要用于排除部分人工地物的干擾。其運算步驟如圖4所示。

首先，對假彩色影像(圖4(a))進行NDWI計算，得到NDWI計算結果(圖4(b))，經閾值分割后得到初始水體提取結果(圖4(c))；然后，利用人工地物與水體的光譜差異，選取敏感波段近紅外波段(圖4(d))，在敏感波段上提取與初始水體結果(圖4(c))相同位置的光譜值，得到圖4(e)，通過對圖4(e)進行閾值分割，得到人工地物提取結果(圖4(f))；最后，將初始水體提取結果(圖4(c))與人工地物提取結果(圖4(f))進行差運算，從而得到精確的水體信息提取結果(圖4(g))。

2.2 基于比值指數的紋理特征分析法

網箱養殖區在紋理上與其他地物有較大區別，具有較為規則的形態特征，從紋理特征出發提取網箱養殖區可取得較好效果。灰度共生矩陣是用來描述紋理的常用手段，是一種有效的紋理信息統計方法。常用的統計量包括均值(mean)、方差(variance)、對比度(contrast)、熵(entropy)、相關性(correlation)等。本研究通過樣本分析發現，紋理均值對網箱養殖區的特征提取具有較好的效果，其計算如式(2)所示。

(2)

此外，影像中網箱養殖區光譜特征與水體接近，若使用基于單一波段的光譜信息區分網箱養殖區和水體效果不佳。因此，提出利用比值特征指數來增強網箱養殖區與水體在光譜上的差異性，從而達到突出網箱養殖區信息的目的。分別選取綠波段與紅波段、綠波段與近紅外波段、紅波段與近紅外波段構建網箱比值指數(式(3)、式(4)、式(5))。

(3)

(4)

(5)

式中：C1、C2、C3為構建的比值特征指數；b2、b3、b4分別為綠波段、紅波段及近紅外波段的反射率。

為自己的漂亮所惑的女人很難有幸福之人。所謂知足常樂，而這類女人是不可能知足的。在她們看來，丈夫總是配不上她們，衣服總是配不上她們，工作環境總是配不上她們，居住環境當然也總是配不上她們，身旁的眾人更是配不上她們。所以，她們眉藏煞氣，心浮氣躁，自私自利，惹人生厭。

為提高計算效率，將紋理特征運算從影像各波段分別計算轉換為在比值指數基礎上計算。即在網箱養殖區比值指數基礎上，以ONDWI提取結果為約束條件，進行紋理均值的計算，對紋理均值運算結果圖進行閾值分割，實現對自然水體的剔除，得到網箱養殖區初提取結果。

2.3 簡化的區域分割算法

為簡化計算量提升計算效率，使用簡化的區域分割算法代替原始影像圖斑分割，即直接在ONDWI提取結果的二值圖像上，通過8鄰域種子生長法建立圖斑對象，并為對象貼上標簽。

在網箱養殖區初提取結果中，包括網箱養殖區、水中小島及水體斑塊，利用面向對象技術進行干擾對象剔除。從光譜特征上區分網箱養殖區、小島及水體斑塊具有一定難度，在區域生長形成的板塊對象基礎上，網箱養殖區往往呈較規則的方形或矩形且具有重復性，而小島則主要呈圓形或橢圓形狀，水體斑塊則呈隨機無規律形態。基于此，以形狀特征指數加以區分可取得較好效果。選取具有代表性的形狀特征指數長寬比(length-width ratio，LW)和面積周長比(area-perimeter ratio，PAI)[16]來加以區分，基于樣本訓練確定LW和PAI的最佳閾值，利用閾值分割剔除小島及隨機斑塊的干擾。LW和PAI的計算如式(6)、式(7)所示。

LW=Plength/Pwidth

(6)

PAI=Pperimeter/Parea

(7)

式中：Plength、Pwidth分別為分割對象具有相同標準二階中心矩的橢圓的長軸長度和短軸長度；LW形狀特征計算如圖5所示；Pperimeter、Parea分別為分割對象邊緣像元個數之和、所有像元個數之和，當分割對象大小不變時，PAI越大，區域越復雜。

圖5 LW形狀特征指數計算示意圖

3 結果與分析

3.1 提取結果

影像經ONDWI運算后，水體信息在影像上得到了增強，而陸地、植被等其他地物信息得到抑制，利用波譜曲線上的差異性，可有效提取水體信息。與傳統NDWI算法相比，優化的ONDWI算法能夠更加準確地剔除水體邊緣人工地物的干擾，完整地提取出水體信息(包含網箱養殖區)(圖10(b))，為后期網箱養殖區準確提取排除了人工地物的干擾。

進一步在水體信息中，利用比值指數增強網箱養殖區信息。圖6為在ONDWI提取水體信息基礎上，經3種比值指數運算后網箱養殖區信息對比圖，其中白色為水體、灰色為網箱養殖區及部分干擾地物，黑色為其他地類。由圖6可知，經比值指數C1運算后可在突出網箱養殖區信息的同時盡量減小信息損失，進而在C1比值指數運算基礎上，進行紋理均值的計算，開展閾值分割。

圖6 3種比值指數運算結果對比圖

圖7為各對象紋理均值概率密度分布圖。由圖7可知，圖像分別在1.4和1.488時存在波谷。經實驗證明，當取閾值t0=1.488時，水體邊緣殘留的自然水體能夠被有效剔除，從而獲得網箱養殖區初提取結果，如圖10(c)所示，其中具有一定規則性的是網箱養殖區。

在初提取結果中包含了水中小島和未剔除的水體噪聲等干擾項，利用簡化的區域分割算法，形成圖斑對象，以長寬比LW和面積周長比PAI 2個形狀特征指數加以區分。圖8展示了典型網箱養殖區和典型干擾對象的圖像特征和形狀特征指數，網箱養殖區形狀較為規則，大體呈矩形，而一般干擾地物成自然不規則形態。從形狀特征指數計算結果來看，網箱養殖區長寬比LW和面積周長比PAI通常大于干擾地物。

圖7 紋理均值概率密度分布圖

圖8 典型對象形狀特征及形狀指數

典型的網箱養殖區呈細長型，因此，長寬比LW較干擾對象大。網箱養殖區形狀較為規則，內部復雜度比干擾對象簡單，因此面積周長比PAI比干擾地物小。圖9為典型對象形狀特征指數的3點分布圖。經實驗證明，當LW和PAI取最佳閾值1.86和0.048時，可較為明顯地將網箱養殖區和干擾地物進行區分。以最佳閾值進行分割，可將小島和水體噪聲等干擾對象剔除，實現網箱養殖區的準確提取。圖10(d)為網箱養殖區最終提取結果。

圖9 待提取對象形狀特征指數散點圖

圖10 網箱養殖區分層次提取結果

3.2 精度分析

為驗證方法的提取精度，分別采用最小距離法和最大似然法對實驗區網箱養殖區進行提取，將3種方法提取的結果進行對比。實驗過程中，基于最大似然法和最小距離法提取網箱養殖區同樣會產生部分干擾對象，對比實驗采取剔除干擾對象后的結果進行，實驗結果如圖11所示。為便于分析，選取局部區域(圖11(a)中黃色框區域)影像進行細節展示，其結果如圖12所示。從細節圖可知，最小距離法和最大似然法提取結果均有不同程度的缺失，而本文方法能夠較為完整地提取出全部網箱養殖區，且對網箱養殖區邊緣的提取更加準確，對網箱養殖區的規則形狀保留最完整。

圖11 不同算法的網箱養殖區提取結果

圖12 不同算法的網箱養殖區提取對比圖(局部)

針對網箱養殖區提取精度的評定，采用目視解譯結果與3種自動提取方法的提取結果進行對比，按提取出的網箱養殖區對象個數進行比較(表1)。由表1可知，本文方法提取精度為88.1%，與最小距離法和最大似然法相比有較大提升，比最小距離法的提取精度高14.3%，比最大似然法的提取精度高45.2%。

表1 不同算法提取精度統計

4 結束語

針對遙感影像中網箱養殖區的自動提取，本文基于層次分析法的思想，提出一種網箱養殖區提取方法。該方法通過優化歸一化差分水體指數并充分利用網箱養殖區的紋理特征和形狀特征，實現對網箱養殖區的準確提取。實驗結果表明，該方法相比傳統方法具有更高的提取精度，能夠較為完整地提取出全部網箱養殖區，且對網箱養殖區的特有形態保留較好。不足之處在于，該方法還存在一定的人機交互處理環節，如紋理特征指數、形狀特征指數的選取等，在面向不同區域、不同形態的水產養殖區自動提取時，需要進行針對性的調整。后期將在拓展方法自適應性和應用等方面開展進一步研究。