基于梯度變換的淺水湖泊圍網區(qū)遙感提取算法*

黃 帥，宋開宏，羅菊花，趙晉陵，馬榮華

(1:安徽大學計算智能與信號處理教育部重點實驗室，合肥 230039)(2:中國科學院流域地理學重點實驗室中國科學院南京地理與湖泊研究所，南京 210008)

基于梯度變換的淺水湖泊圍網區(qū)遙感提取算法*

黃 帥1，宋開宏1**，羅菊花2，趙晉陵1，馬榮華2

(1:安徽大學計算智能與信號處理教育部重點實驗室，合肥 230039)(2:中國科學院流域地理學重點實驗室中國科學院南京地理與湖泊研究所，南京 210008)

獲取并掌握淺水湖泊圍網養(yǎng)殖區(qū)域的時空分布信息對合理規(guī)劃圍網養(yǎng)殖進而提升湖泊水質具有重要意義. 本文以長江下游典型的圍網養(yǎng)殖淺水湖泊——陽澄湖作為研究區(qū)，利用資源三號(ZY-3)高分遙感影像，針對圍網區(qū)與非圍網區(qū)的光譜空間變化特征，采用梯度變換方法，嘗試提出一種淺水湖泊圍網區(qū)的遙感提取算法; 并以人工解譯結果作為參考，對提取結果進行驗證. 研究結果發(fā)現(xiàn)該算法對淺水湖泊圍網養(yǎng)殖區(qū)的提取精度為90.66%，可進一步用于開展長時序的淺水湖泊圍網區(qū)動態(tài)變化研究，進而為湖泊環(huán)境的政府部門制定湖泊水質提升和圍網區(qū)合理規(guī)劃政策提供決策依據.

淺水湖泊；圍網養(yǎng)殖區(qū)；梯度變換；衛(wèi)星遙感；陽澄湖

隨著社會經濟的快速發(fā)展，我國的水產漁業(yè)也穩(wěn)步向前, 逐漸從過度消耗天然漁業(yè)到人工放養(yǎng)再到圍網養(yǎng)殖[1]. 近20年來，長江流域的淺水湖泊圍網養(yǎng)殖業(yè)快速擴張，極大地增加了經濟效益，但超高密度的圍網養(yǎng)殖也對湖泊生態(tài)造成了嚴重破壞. 一方面，圍網養(yǎng)殖區(qū)中的圍網會阻隔水流，減緩污染物的擴散速度，且投放的餌料增加氮、磷等濃度，加劇了淺水湖泊的內源污染[2]；另一方面，養(yǎng)殖的魚蟹消耗甚至破壞了水生植物，降低湖泊的自凈能力，打破了湖泊的生態(tài)平衡[3]. 在此背景下，合理科學地規(guī)劃并控制湖泊圍網已被湖泊管理部門列為湖泊水質提升和優(yōu)化的重點工作，而獲取并掌握湖泊圍網養(yǎng)殖的時空分布信息是湖泊生態(tài)管理部門在科學管理圍網養(yǎng)殖區(qū)時制定措施的依據.

傳統(tǒng)的圍網養(yǎng)殖區(qū)空間分布及其面積的獲取方法即人工實地調查測量法，該方法時間周期長，人力投入大. 遙感技術由于其具有實時、大范圍、動態(tài)和客觀等優(yōu)勢，而逐漸成為湖泊圍網養(yǎng)殖區(qū)監(jiān)測和湖泊水環(huán)境調查的主流方法. 沈芳等[4]采用人工目視解譯遙感影像后數(shù)字化的方法，提取了滆湖和洮湖圍網養(yǎng)殖區(qū). 人工目視解譯雖具有較高的精度，但仍然費時費力，很難批量自動提取. 為克服該方法無法批量提取的缺陷，近年來，學者們先后基于各種遙感數(shù)據探討了圍網區(qū)的自動提取方法. 如，馬艷娟等[5]基于ASTER數(shù)據直接利用光譜信息提取了煙臺附近的近海圍網養(yǎng)殖區(qū);朱長明等[6]基于高分影像通過紋理信息提取了連云港附近的近海圍網養(yǎng)殖區(qū)；盧業(yè)偉等[7]基于RAPIDEYE數(shù)據和紋理信息提取了澳門附近的近海圍網養(yǎng)殖區(qū). 但針對淺水湖泊的圍網養(yǎng)殖區(qū)自動提取方法的研究相對較少，李俊杰等[8]基于資源衛(wèi)星2號初步探討了如何運用紋理信息提取圍網養(yǎng)殖區(qū);王靜等[9]基于Landsat ETM衛(wèi)星數(shù)據通過對應分析的方法嘗試提取圍網養(yǎng)殖區(qū). 以上研究主要集中于使用影像的紋理信息提取圍網養(yǎng)殖區(qū)，但圖像的大多紋理特征計算復雜，運算量大，且不同時相的影像往往需要使用不同的紋理特征. 梯度變換作為圖像處理和模式識別的常用方法，自提出就受到了廣泛運用，在此基礎上提出的圖像處理算法層出不窮. 袁春蘭等[10]使用Sobel算子對用過Otsu算法運算后的紅外圖像進行梯度變換成功檢測到該圖像的邊緣；何春華等[11]使用自適應權值的Sobel算子進行圖像的梯度變換檢測圖像邊緣并獲得較好結果；李燦燦等[12]使用多方向Sobel算子對葉脈圖像進行梯度變換以檢測其邊緣變化且得到很高的檢測精度. 以上基于不同Sobel算子的邊緣檢測研究都表明了梯度變換可以有效地提取圖像邊緣，增強圖像細節(jié)[13-14].

本文以長江下游典型的圍網養(yǎng)殖湖泊——江蘇蘇州陽澄湖為研究區(qū)，以資源三號(ZY-3)高分影像為數(shù)據源，利用梯度變換嘗試提出一種普適性和準確率較高的圍網養(yǎng)殖區(qū)遙感提取算法，提取淺水湖泊圍網養(yǎng)殖區(qū)，也可為湖泊環(huán)境的政府部門制定湖泊水質提升和圍網區(qū)合理規(guī)劃政策提供支持.

1 研究區(qū)概況與數(shù)據獲取

1.1 研究區(qū)概況

陽澄湖(31°21′～31°30′N,120°39′～120°51′E)地處江蘇蘇州吳中區(qū)與昆山市之間，是古太湖的殘留，南北長17 km，東西最大寬度8 km，面積119.04 km2，蓄水量1.67×108m3，平均水深1.4 m[15]. 陽澄湖平均水深適中，利于魚蟹存活，水產資源十分豐富，湖中六寶遠近聞名，其中大閘蟹更是馳名中外，也是較早開展圍網養(yǎng)殖的淺水湖泊之一. 自1992年開始，陽澄湖進行生產性圍網養(yǎng)殖，在21世紀初形成圍網養(yǎng)殖高峰，其中主要以大閘蟹養(yǎng)殖為主.

1.2 數(shù)據搜集

本文選用的遙感數(shù)據源為國產的高分辨率多光譜衛(wèi)星影像數(shù)據——資源三號(ZY-3)，影像獲取時間是2015年4月25日，影像多光譜數(shù)據空間分辨率為5.8 m，數(shù)據記錄格式為GEOTIFF，產品總共有4個波段，分別是近紅外波段(0.77～0.89 μm)、紅波段(0.63～0.69 μm)、綠波段(0.52～0.59 μm)和藍波段(0.45～0.52 μm). 結合陽澄湖的矢量邊界對影像進行裁切(圖1)，剪切后的研究區(qū)影像共計3147*2736個像元. 考慮到背景在各波段的灰度值均為0，因此將各波段均為0的像元值賦值為NAN.

圖1 研究區(qū)示意圖

2 研究方法與提取結果

2.1 方法概述

典型圍網區(qū)中圍網和自然水體在ZY-3影像各波段的灰度值可以看出(圖2)，圍網和自然水體對光譜吸收有差異，波長最長的近紅外波段在圍網區(qū)的灰度值變化率最大. 因此，可以通過計算近紅外波段值的空間變化率來區(qū)分圍網和自然水體，而計算變化率在數(shù)學上最常用的工具是梯度. 本文嘗試以梯度計算為核心提出一種新算法提取圍網區(qū)，具體流程如圖3.

圖2 典型圍網區(qū)一個樣線上各波段的灰度值

圖3 圍網提取算法流程圖

2.2 梯度變換及優(yōu)化

(1)

式中，x表示該點相對于參考點的橫向距離，y表示該點相對于參考點的縱向距離.

實際應用中，為簡化變化率，即梯度模值的計算，認為在x、y變化較小時，可以用絕對值和近似平方和的平方根表示[16]，式(1)也可以表示為：

(2)

由于遙感影像的DN值在空域上是離散的，計算它的梯度模值就需將公式(2)離散化. 經過研究，Roberts算子、Sobel算子和Prewitt算子相繼被提出并用來計算離散化的梯度模值[17]. 考慮到Sobel算子計算后的結果相對于Roberts算子和Prewitt算子更精確及平滑[18]，本文使用Sobel算子. 根據算子[10]：

(3)

將式(3)代入式(2)可以得到：

(4)

式中,n表示波段；φ表示影像波段的DN值；i,j分別為影像的行列數(shù).

當n=4時，變化率可較好地識別出圍網和自然水體(圖2)，因此，通過對第4波段進行以上梯度變換計算，其結果如圖4.

圖4 梯度變換結果

統(tǒng)計梯度變換后的影像灰度值，由統(tǒng)計結果可知0.001～0.150區(qū)間的灰度值占比較高，為增強特征利于分類，選用冪率函數(shù)中的根變換進行灰度變換[17]. 此外，自然情況下湖面浪花的鏡面反射給梯度變換后的新影像引入“椒鹽”噪聲(圖4). 為了提高圍網提取的可靠性，本文采用中值濾波器去除椒鹽噪聲[19]，且中值濾波器的模板大小根據噪聲的空間密度而定[20].

2.3 圍網區(qū)提取及結果優(yōu)化

在進行灰度變換和去噪后，進行圍網區(qū)閾值的確定，具體方法為：參考目視解譯的結果，在不同的區(qū)域分別選取具有代表性和典型性的圍網樣本作為訓練樣本，共選取20個樣本，并保證每個樣本至少包含10個圍網網格，然后計算樣本的數(shù)學期望將其作為圍網提取閾值，為0.8. 通過該閾值將圍網區(qū)全部提取，結果如圖5A. 但由于水生植被與水體在近紅外的灰度值差異也較大，因此，此時提取的圍網區(qū)還混有部分水生植被區(qū). 通過比較水生植被區(qū)和圍網區(qū)的影像特征，發(fā)現(xiàn)圍網區(qū)區(qū)域內有孔洞，且空間上孔洞分布存在周期性，但大小隨空間分布沒有規(guī)律(圖5A). 為了剔除水生植被區(qū)，找出孔洞是關鍵，而標準大小的孔洞比隨意大小的孔洞更易識別. 根據圍網的形狀特征的統(tǒng)計結果，發(fā)現(xiàn)圍網孔洞大小基本介于4*4像元和15*20像元之間，且頻率最高的孔洞大小為12*18像元. 為此，本算法先逐行掃描圍網區(qū)尋找間隔在4～15像元之間的圍網網格，并將這些網格通過填充(像元灰度值設置為1)或挖去(像元灰度值設置為0)的方式變成橫向間隔12像元的格子，然后再逐列掃描尋找間隔在4～20像元之間的圍網網格，并以同樣的方式將它們變成縱向間隔18像元的格子. 這樣就可以將其規(guī)格范圍內的孔洞全部轉變?yōu)?2*18像元大小(圖5B). 通過對圍網區(qū)的像元個數(shù)進行統(tǒng)計，可知陽澄湖圍網區(qū)寬度基本都大于180 m即3個孔洞周期，因此本算法將篩選出的孔洞周期數(shù)大于3的區(qū)域作為圍網區(qū)，結果如圖5C. 最后通過將空洞處灰度值設置為1，將提取區(qū)域的孔洞填滿(圖5D).

圖5 圍網初步提取結果(A)、圍網孔洞標準化結果(B)、去除水生植被區(qū)結果(C)和圍網最終提取結果(D)

3 精度評價

采用人工解譯的圍網區(qū)作為參考標準，對本論文算法提取的圍網區(qū)進行精度驗證. 具體方法為：將算法提取的圍網區(qū)和人工解譯的圍網區(qū)轉變成矢量圖層，假設算法提取的圍網區(qū)為集合A，人工解譯的圍網區(qū)為集合B，則正確分類的圍網區(qū)C=A∩B，漏分的圍網區(qū)O=B-C，錯分的圍網區(qū)E=A-C(圖6)，分別計算A、B、C、O、E的面積，并根據以下公式計算漏分誤差、錯分精度和總體精度[21]：

(5)

(6)

(7)

式中，po為漏分誤差，pe為錯分誤差，pc為總體精度，SO為漏分的面積，SE為錯分的圍網面積，SC為正確分類的圍網面積，SW為正確分類的水體面積，SA為算法提取的圍網面積，SB為人工解譯的圍網面積，S為湖泊總面積.

基于以上驗證方法得到的精度評價結果如表1. 該算法對圍網區(qū)的提取精度為90.66%，錯分精度為17.95%，漏分誤差為15.35%.

圖 6人工解譯的圍網區(qū)(A)、算法提取的圍網區(qū)(B)和兩者的比較結果(C)

表1 圍網提取精度評價

4 結論與討論

基于ZY-3衛(wèi)星影像，根據圍網區(qū)與非圍網區(qū)在影像上的光譜空間變化特征，利用梯度變換提出一種圍網區(qū)遙感識別方法，并利用該方法對2015年陽澄湖的圍網區(qū)進行提取，并以人工目視解譯結果作為標準，對提取結果進行驗證和精度評價. 結果表明：該方法對圍網區(qū)的提取精度達到90.66%，基本滿足實際應用需求.

本文以陽澄湖為研究區(qū)提出了圍網提取方法，且取得較高的識別精度. 理論上，該算法具有普適性，可用于其他淺水湖泊的圍網提取，但考慮到不同湖泊的水環(huán)境因素差異較大，該算法能否準確提取其它的淺水湖泊(如滆湖、長蕩湖等)的圍網區(qū)還有待進一步驗證. 此外，該算法是基于高分影像ZY-3為數(shù)據源發(fā)展的，理論上該算法可以用于任何衛(wèi)星影像提取淺水湖泊圍網，但受空間和光譜分辨率的限制，該算法是否適用于其他衛(wèi)星影像(如更低分辨率的Landsat和HJ-CCD等)提取淺水湖泊圍網區(qū)，精度如何等還有待進一步研究. 同時，該算法依然存在誤差，理論上很多因素均會造成精度損失，如樣本的選取方式、樣本數(shù)量的確定和閾值的計算等，如何分析不同因素對精度的影響進而提高提取精度還有待進一步研究.

[1] Han Xiangzhen, Li Enhua, Yuan Longyietal. The effects of enclosure aquaculture on aquatic vegetation and surface sediment resuspension.HubeiAgriculturalSciences, 2007, 46(4): 556-558. [韓祥珍, 厲恩華, 袁龍義等. 圍網養(yǎng)殖對水生植被和沉積物再懸浮的影響. 湖北農業(yè)科學, 2007, 46(4): 556-558.]

[2] Wang Xiumei, Song Youkun. Enclosure aquatic culture in lakes and the protection of water environment.PollutionControlTechnology, 2006, 19(6): 3-4. [王秀梅, 宋友坤. 湖泊圍網養(yǎng)殖與水環(huán)境保護. 污染防治技術, 2006, 19(6): 3-4.]

[3] Ji Haiting, Xie Dong, Zhou Hengjieetal. Advances in ecological research on epiphytic community of submerged macrophytes.JLakeSci, 2013, 25(2): 163-170. DOI: 10.18307/2013.0201.[紀海婷, 謝冬, 周恒杰等. 沉水植物附植生物群落生態(tài)學研究進展. 湖泊科學, 2013, 25(2): 163-170.]

[4] Shen Fang, Kuang Dingbo. Remote sensing investigation and analysis for water resources utilization and its dynamic change of representing mid-or small lake groups in Taihu drainage area.JournalofRemoteSensing, 2003, 7(3): 221-226. [沈芳, 匡定波. 太湖流域典型中小湖群水資源利用及動態(tài)變化的遙感調查與分析. 遙感學報, 2003, 7(3): 221-226.]

[5] Ma Yanjuan, Zhao Dongling, Wang Ruimeietal. Offshore aquatic farming areas extraction method based on ASTER data.TransactionsoftheChineseSocietyofAgriculturalEngineering, 2010, 26(S2): 120-124. [馬艷娟, 趙冬玲, 王瑞梅等. 基于ASTER數(shù)據的近海水產養(yǎng)殖區(qū)提取方法. 農業(yè)工程學報, 2010, 26(S2): 120-124.]

[6] Zhu Changming, Luo Jiancheng, Shen Zhanfengetal. Extract enclosure culture in coastal waters based on high spatial resolution remoter sensing image.JournalofDalianMaritimeUniversity, 2011, 37(3): 66-69. [朱長明, 駱劍承, 沈占鋒等. 高分辨率遙感影像近海養(yǎng)殖區(qū)自動識別方法. 大連海事大學學報: 自然科學版, 2011, 37(3): 66-69.]

[7] Lu Yewei, Li Qiangzi, Du Xinetal. A method of coastal aquaculture area automatic extraction with high spatial resolution images.RemoteSensingTechnologyandApplication, 2015, 30(3): 486-494. [盧業(yè)偉, 李強子, 杜鑫等. 基于高分辨率影像的近海養(yǎng)殖區(qū)的一種自動提取方法. 遙感技術與應用, 2015, 30(3): 486-494.]

[8] Li Junjie, He Longhua, Dai Jinfangetal. Extract enclosure culture in lakes based on remote sensing image texture information.JLakeSci, 2006, 18(4): 337-342. DOI: 10.18307/2006.0403.[李俊杰, 何隆華, 戴錦芳等. 基于遙感影像紋理信息的湖泊圍網養(yǎng)殖區(qū)提取. 湖泊科學, 2006, 18(4): 337-342.]

[9] Wang Jing, Gao Junfeng. Extraction of enclosure culture in Gehu Lake based on correspondence analysis.JournalofRemoteSensing, 2008, 12(5): 716-723. [王靜, 高俊峰. 基于對應分析的湖泊圍網養(yǎng)殖范圍提取. 遙感學報, 2008, 12(5): 716-723.]

[10] Yuan Chunlan, Xiong Zonglong, Zhou Xuehuaetal. Study of infrared image edge detection based on Sobel operator.Laser&Infrared, 2009, 39(1): 85-87. [袁春蘭, 熊宗龍, 周雪花等. 基于Sobel算子的圖像邊緣檢測研究. 激光與紅外, 2009, 39(1): 85-87.]

[11] He Chunhua, Zhang Xuefei, Hu Yingchun. A study on improved algorithm for Sobel on image edge detection.OpticalTechnique, 2012, 38(3): 323-327. [何春華, 張雪飛, 胡迎春. 基于改進Sobel算子的邊緣檢測算法的研究. 光學技術, 2012, 38(3): 323-327.]

[12] Li Cancan, Sun Changhui, Wang Jingetal. Extraction of leaf vein based on improved Sobel algorithm and hue information.TransactionoftheChineseSocietyofAgriculturalEngineering, 2011, 27(7): 196-199. [李燦燦, 孫長輝, 王靜等. 基于改進的Sobel算子和色調信息的葉脈提取方法. 農業(yè)工程學報, 2011, 27(7): 196-199.]

[13] Gabriel T, Vijay C, Tsai SSetal. Fast computation of rotation-invariant image features by an approximate radial gradient transform. IEEE Transactions on Image Processing.APublicationoftheIEEESignalProcessingSociety, 2013, 22(8): 2970-2982.

[14] Wang Jian, Liu Xiao, Wang Guohui. Multi-sensor image fusion algorithm based on gradient transform.JournalofChongqingUniversityofTechnology, 2012, 26(10): 62-65.

[15] Wang Sumin ed. Lakes of China. Beijing: Sciences Press, 1998: 360. [王蘇民. 中國湖泊志. 北京：科學出版社, 1998: 360.]

[16] Duan Ruiling, Li Qingxiang, Li Yuhe. Summary of image edge detection.OpticalTechnique, 2005, 31(3): 415-419. [段瑞玲, 李慶祥, 李玉和. 圖像邊緣檢測方法研究綜述. 光學技術, 2005, 31(3): 415-419.]

[17] Gonzalez RC. Digital image processing. Beijing: Publishing House of Electronics Industry, 2006.

[18] Zhai Jun, Gan Lan. The application of grads Hough transformation in circle detection.JournalofEastChinaJiaotongUniversity, 2007, 24(1): 101-104. [瞿鈞, 甘嵐. 梯度Hough變換在圓檢測中的應用. 華東交通大學學報, 2007, 24(1): 101-104.]

[19] Zhao Gaochang, Zhang Lei, Wu Fengbo. Application of improved median filtering algorithm to image de-noising.JournalofAppliedOptics, 2011, 32(4): 678-682. [趙高長, 張磊, 武風波. 改進的中值濾波算法在圖像去噪中的應用. 應用光學, 2011, 32(4): 678-682.]

[20] Zhang Heng, Lei Zhihui, Ding Xiaohua. An improved method of median filter.JournalofImageandGraphics, 2004, 9(4): 408-411. [張恒, 雷志輝, 丁曉華. 一種改進的中值濾波算法. 中國圖象圖形學報, 2004, 9(4): 408-411.]

[21] Zhao Yingshi ed. Analysis and principle of remote sensing applications. Beijing: Sciences Press, 1998: 217. [趙英時. 遙感應用分析原理與方法. 北京：科學出版社, 1998: 217.]

A remote sensing extraction algorithm of enclosure culture area in shallow lakes based on gradient transform

HUANG Shuai1, SONG Kaihong1**, LUO Juhua2, ZHAO Jinling1& MA Ronghua2

(1:KeyLaboratoryofIntelligentComputing&SignalProcessing,MinistryofEducation,AnhuiUniversity,Hefei230039,P.R.China)(2:KeyLaboratoryofWatershedGeographicSciences,NanjingInstituteofGeographyandLimnology,ChineseAcademyofSciences,Nanjing210008,P.R.China)

Mastering the tempo-spatial distribution information of enclosure culture areas is useful for a scientific planning of enclosure culture areas of shallow lakes and making effective measurements to improve water quality. This study took Lake Yangcheng as a study area, which is a typical enclosure culture area in the lower reaches of Yangtze River. An extraction algorithm of remote sensing images is proposed through the gradient transformation of remote sensing data based on the differences between enclosure and non-enclosure areas in spectral space. A high-resolution ZY-3 image was used to acquire the spatial distribution of enclosure culture areas in shallow lakes. The enclosure culture areas extracted using the proposed extraction algorithm and the manual visual interpretation were compared to evaluate the classification accuracy. The results show that the overall classification accuracy reached to 90.66%. The proposed method could be used to monitor the dynamic changes of enclosure culture areas in shallow lakes based on the ZY-3 images.

Shallow lakes; enclosure culture area; gradient transformation; satellite remote sensing; Lake Yangcheng

*國家自然科學基金項目(41301375)和蘇州市陽澄湖生態(tài)系統(tǒng)優(yōu)化提升研究基金項目(SZLHZ 2014-G-003)聯(lián)合資助. 2016-04-13收稿;2016-06-02收修改稿.黃帥(1992～)，男，碩士研究生；E-mail：adamw300462@163.com.

J.LakeSci.(湖泊科學)， 2017， 29(2)： 490-497

DOI 10.18307/2017.0225

?2017 byJournalofLakeSciences

**通信作者; E-mail：sk_hong@sina.com.