水利污染遙感監測方法的設計與仿真研究

張麗軍，呂大昭，高永芹，曹志勇

(1. 河北水利電力學院水利工程系，河北 滄州 061000；2. 北京建筑大學理學院，北京 102627)

1 引言

最近幾年，隨著我國科學技術的快速發展，遙感技術逐漸發展成為一種能夠快速獲取地面大規模數據的先進方法，同時這種手段得到廣泛應用。其中，在水資源的調查以及宏觀監測中，利用衛星遙感圖像對水體中的污染特征完成提取的技術已得到了較大范圍的應用。相關專家也針對該方面的內容進行了大量的研究，例如王喆等人主要利用高空間分辨率目視解釋和短波紅外相結合經驗模型相結合的方式對研究對象進行水體污染遙感監測。吳世紅等人優先對城市黑臭水體的光學性質和影像表觀特征進行分析，同時構建黑臭水體遙感識別模型，通過模型進一步完成黑臭水體的監測工作。

由于上述兩種方法忽略了對水體遙感圖像的預處理，導致監測精度較低。為此，提出一種基于RAISR算法的水利污染遙感監測方法。為驗證所提方法的應用效果，設計了仿真。實驗結果表明，所提方法能夠獲取理想的監測結果，應用效果良好。

2 方法

2.1 基于RAISR算法的水利遙感圖像預處理

優先通過無人機航空遙感系統獲取水利遙感圖像，其中遙感圖像的成像主要是指高分辨率遙感圖像

x

通過模糊以及噪聲等相關操作獲取低分辨率遙感圖像

Z

的過程，具體如式(1)所示

Z

=

D

H

+

V

(1)

式中，

s

表示放大系數；

V

表示水利遙感圖像中的噪聲；

H

表示降質矩陣；

D

表示下采樣算子。

其中，水利圖像的超分辨處理流程如下所示：

1)構建訓練集：

得到高分辨率水利圖像(HR)，通過降質模型優先對水利遙感圖像進行降質處理，得到低分辨率圖像(LR)，將HR和LR兩者進行合并，最終形成圖像訓練集。

2)學習階段：

通過HR模型獲取水利遙感圖像高頻和低頻兩個部分之間的關聯性，同時對圖像進行分塊處理，通過相關理論進行學習，獲取相關的先驗知識，以此為依據構建學習模型。

3)升級階段：

通過LR圖像在已經建立完成的數據集中搜索最佳濾波器，以此為依據進行圖像匹配，獲取HR圖像。

RAISR算法是一種圖像超分辨率新算法，具體速度快、有效避免混疊效應的形成等優勢。

RAISR算法在傳統學習的基礎上，主要對先驗階段存在的問題進行改進，需要改進的內容如下所示：

1)濾波器的選取：

通過最小二乘算法選擇符合需求的濾波器，同時計算不同圖像之間的歐幾里得距離，構建最小化矩陣，詳細的計算式如下

(2)

上式中，

h

表示濾波器的總數；

A

表示由

LR

圖像的雙線插值圖像分塊構建的矩陣；

b

表示

HR

圖像的像素。矩陣

A

的規格是由水利遙感圖像中的像素所決定的。使用RAISR算法能夠有效避免A過大或者計算量過大，同時還能夠提升計算結果的準確性。

2)濾波器的分類：

將水利遙感圖像塊的位置以及角度作為劃分依據，對濾波器進行分類處理。

當LR圖像經過插值方法完成上采樣后，由于圖像的像素位置分布不同，以下分別通過各個類型的濾波器對水利遙感圖像進行處理，具體如圖1所示。

圖1 RAISR算法在不同階段濾波器的技術線路圖

結合水利遙感圖像的周邊像素，分別計算對應的角度、強度以及相關性，同時計算2×

n

矩陣。其中，矩陣是由第

k

個像素周圍的水平

g

和垂直

g

梯度構成，如式(3)所示

(3)

(4)

(5)

3)濾波器的存儲和優化：

濾波器主要是通過哈希機制進行數據存儲。其中，哈希表即散列表，主要采用關鍵碼對水利遙感圖像的內部結構進行訪問，同時也能夠通過關鍵碼將所需要的數據映射到列表中進行數據訪問，確保數據的查找速度得到有效提升。

RAISR算法需要優先對遙感圖像進行超分辨率處理。若單純對濾波器進行存儲等簡單的操作，將會增加算法的計算量。為了有效解決上述問題，將哈希方法引入到濾波器中，提升濾波器的存儲效率。濾波器組的穩定性和訓練圖像塊數據量的大小存在密切關聯，同時圖像塊也存在相同或者近似的情況，各個圖像塊也能夠進行不同角度的旋轉。

4)超分辨圖像結構優化：

為了有效避免圖像進行超分辨處理后整體結構發生變化，需要再引入處理混合方法，具體的操作步驟為：

①優先計算雙線性插值圖像的統計變換值；

②將步驟①得到數值取值全部設定為0，同時將其設定為權重，通過權重判定邊界，能夠進行替換。

在上述分析的基礎上，需要通過RAISR算法對水利遙感圖像進行預處理，主要劃分為兩個階段，分別為學習和升級階段，以此形成濾波器，通過濾波器完成水利遙感圖像的重建。

2.2 水利污染遙感監測

為了清楚掌握濾波器的性質，以下給出對應的一維

G

(

x

)和二維

G

(

x

，

y

)表達式

(6)

式中，

σ

表示像素矩陣；

e

表示常數；

x

和

y

分別表示不同的坐標方向。

對水利遙感圖像優先進行灰度直方圖統計，進而得到對應的圖像。

圖像分割是目標識別和解析的重要基礎，同時在圖像處理過程中處于核心環節。一般情況下，水利遙感圖像的分割是根據圖像的顏色和灰度等相關系數為依據進行劃分的。

假設水利遙感圖像展現的是雙峰谷的形態特征，則說明圖像所擁有所占面積和背景所占面積之間存在較大的差異。針對已經給定的灰度水利遙感圖像，需要在圖像中任意選擇一個像素點，同時將其設定為隨機變量，得到對應的概率密度

P

(

x

，

θ

)。假設圖像中含有被污染的水體，在水體部分的像素值明顯低于其部分。若水利遙感圖像中水體被污染部分和未被污染部分均服從高斯分布，設定污染水體所占的像素比例為

α

，剩余部分所占的比例為

α

，則概率密度對應的表達式為

(7)

式中，

μ

和

μ

分別表示模型的相關參數；

N

表示目標區域的像素總數。為更好實現水利污染區域的自動提取，需要將人工標注環節提出。以下主要借助高斯混合模型實現，同時重新定義

P

(

I

|

l

=

j

)，具體的計算式如下

(8)

EM

算法是一種迭代算法，主要能夠劃分為以下幾個步驟：

①優先求解出似然函數在對數條件下的期望值。

②選取最大期望值。

對于已經選定的雙混合高斯模型，將圖像中的灰度值全部設定為已知變量，表示為

x

={

x

，

x

，…，

x

}，根據樣本

x

組建似然函數

L

(

θ

)，具體如式(9)所示

(9)

對

L

(

θ

)進行對數提取后，再進行求導，獲取極值(

InL

(

θ

))，將其表示為以下的形式

(10)

為了表示

μ

，需要對式(10)進行簡化處理，則有

(11)

(12)

(13)

在上述分析的基礎上，需要對參數值進行初始化處理，同時代入到對應的公式中進行求解。以下詳細給出水利污染遙感監測的具體操作步驟：

①通過水利遙感圖像建立高斯混合模型，同時根據計算確定最佳閾值，采用閾值得到模型的初始參數。

②繪制水利遙感圖像的直方圖，并且借助最大累間方差計算區域，獲取模型的基本參數。

③對初始參數進行EM迭代計算，直至滿足約束條件。

④通過高斯混合模型對權重取值進行計算，并且采用最大流最小分割算法對水利遙感圖像進行分割。

⑤根據步驟④得到的分割結果提取水利污染遙感特征，完成水利污染遙感監測。

3 仿真研究

為驗證所提基于RAISR算法的水利污染遙感監測方法的有效性，對M城市礦區廢水池的水利污染情況進行監測研究。

優先對礦區的水體進行波譜測試分析，具體的結果如圖2所示：

圖2 M城市礦區廢水池水體的反射波普曲線圖

分析圖2可知，M城市礦區水體的反射率總體較低，其中距離河岸越近，水體的反射率越低。

利用圖3給出M城市礦區廢水池池口處水體的反射波普曲線

圖3 M城市礦區廢水池池口處水體的反射波普曲線

分析圖3中的實驗數據可知，隨著距離河岸距離的持續增加，廢水池池口處水體的反射率也開始逐漸增加，并且在波長為900nm處出現第一個高峰，反射率越高，說明水體污染越嚴重。

下面重點對水體中的懸浮物進行監測，對懸浮物實測濃度值和反射率兩者之間完成相關分析，利用圖4給出具體的實驗對比結果。

圖4 相關分析實驗測試

分析圖4中的實驗數據可知，通過最大正相關系數和最小負相關系數所對應的光譜反射率，能夠更好反映兩者之間的關聯性，有效降低由外界干擾所引發的監測誤差，確保所提方法能夠更好實現水利污染遙感監測。

為了進一步驗證所提方法的優越性，以下實驗測試選取文獻[3]方法和文獻[4]方法作為對比對象，分別對比三種方法的監測精度，具體實驗結果如表1所示。

表1 不同方法的監測精度對比結果

分析表1中的實驗數據可知，所提方法的監測值和實際懸浮物濃度更加接近，而文獻[3]方法和文獻[4]方法的監測值和真實值之間的差異較大。充分證明所提方法能夠獲取精度更高的監測結果，同時也說明在所提方法中采用RAISR算法對水利圖像進行預處理是可行的。

4 結束語

針對傳統監測方法存在的不足，結合RAISR算法，提出基于RAISR算法的水利污染遙感監測方法。經實驗測試證明，所提方法能夠以較高的精度完成水利污染遙感監測，具有較強的實用性。

由于污染遙感監測方面的內容研究范圍比較廣，雖然所提方法已取得一些理想的應用效果，但是受到時間以及空間等多方面因素的限制，所提方法仍需進一步提升，后續將重點針對以下幾方面的內容展開研究：

1)加強遙感圖像方面的研究，使其能夠得到更大的進步空間。

2)實驗未深入驗證所提方法的耗時，后續將針對該問題進一步分析和驗證。

3)補充水利遙感圖像分割方面內容，引進更多先進的理論和知識，以獲取更加準確的圖像分割結果。