基于TM遙感影像溢油識別方法的比較研究

陳 韓，謝 濤，徐 輝，孟 雷，陳 偉

(1.南京信息工程大學 海洋科學學院，江蘇 南京 210044；2.南京信息工程大學 遙感與測繪工程學院，江蘇 南京 210044；3.國家氣象中心,北京 100081；4.北京市5111信箱，北京 100094；5.武漢理工大學 信息工程學院，湖北 武漢 430070)

海上石油運輸是我國石油進口的一個重要路徑，隨著石油需求的日益增長，使得沿海和港口油輪密度加大，油輪尤其是超大油輪在我國海域頻繁出現(xiàn)，導致船舶溢油污染的風險增加。例如，2018年1月6日20時，巴拿馬籍油船“SANCHI”號與香港籍散貨船“CF CRYSTAL”號在長江口以東約160海里發(fā)生碰撞，事故造成油船“SANCHI”號全船失火，船員失聯(lián)。此外，該事故導致大量難以揮發(fā)的重油和輕型凝析油發(fā)生泄漏，溢入我國東海，溢油總面積約332 km2，對我國海洋環(huán)境造成了巨大的危害[1]。因此，當溢油事故發(fā)生后，及時發(fā)現(xiàn)溢油所在位置，并準確地監(jiān)測溢油的污染范圍，對海洋生態(tài)環(huán)境的保護具有重要意義。

目前，以微波遙感和光學遙感監(jiān)測海上溢油為主，其中微波遙感以合成孔徑雷達[2](synthetic aperture radar，SAR)為主，光學遙感以多光譜傳感器為主。對比兩種傳感器發(fā)現(xiàn)，SAR存在時間分辨率低、易受到大氣海洋環(huán)境(如低風速、海洋內(nèi)波等)干擾的缺點，而多光譜傳感器則有覆蓋范圍廣、光譜信息豐富、時效性強等優(yōu)點。油膜覆蓋的海面粗糙度遠小于純凈海面的粗糙度，導致溢油區(qū)域與純凈海水區(qū)域具有不同的光學散射、反射和吸收指數(shù)特性，多光譜傳感器依賴于接收器接收到的油膜覆蓋海域和純凈海水反射信號的差異進行遙感溢油識別。孫元芳等[3]利用輔以紋理特征量的光譜角匹配算法對中分辨率MODIS數(shù)據(jù)進行油膜提取，精度高達90%以上。HOU等[4]利用浮油區(qū)域的各波段數(shù)據(jù)，提出建立浮油特征向量和光譜庫，根據(jù)光譜庫設置閾值對浮油區(qū)域進行分類，同時指出波段選擇的重要性，利用波段選擇向量計算歐氏距離得到分類結果。此外，利用光學傳感器對海洋溢油實行監(jiān)測的研究還有：①基于非負矩陣分解和支持向量機的HJ-1海洋溢油遙感圖像分類方法，提取墨西哥灣溢油[5]；②通過研究變化檢測技術的潛在能力，提出新的多時間域的溢油檢測方法[6]；③提出新型近紅外波段遞推神經(jīng)網(wǎng)絡方法，將油類劃分為厚油或薄膜狀油，并估計其面積范圍[7]；④開創(chuàng)性地研發(fā)了基于衛(wèi)星光學傳感器的溢油檢測與監(jiān)控自動系統(tǒng)，與SAR傳感器在監(jiān)測溢油上發(fā)揮互補作用[8]。

筆者采用3種監(jiān)督分類方法對墨西哥灣溢油影像進行溢油區(qū)域提取的比較研究，通過混淆矩陣得到各自分類精度，從而分析3種方法在溢油識別上的優(yōu)劣性和各自適用范圍。

1 遙感數(shù)據(jù)與分類方法

1.1 遙感數(shù)據(jù)來源和說明

筆者采用Landsat-5 TM影像數(shù)據(jù)，Landsat系列衛(wèi)星遙感影像數(shù)據(jù)覆蓋范圍從北緯83°到南緯83°，每16天進行數(shù)據(jù)更新，空間分辨率為30 m(RBV和MSS傳感器的空間分辨率為80m)，每幅遙感影像對應的實際地面面積均為185 km×185 km。TM傳感器一共擁有7個波段，其中，波段1、2、3為可見光波段，波段4、5、7為紅外波段，波段6為熱紅外波段。用戶使用的數(shù)據(jù)包含4個級別，分別為0級、1級、系統(tǒng)級糾正與精糾正。0級產(chǎn)品指沒有經(jīng)過任何處理的原始數(shù)據(jù)，0級產(chǎn)品進行輻射糾正后的影像數(shù)據(jù)為1級產(chǎn)品，繼續(xù)進行輻射校正和幾何校正的影像數(shù)據(jù)成為系統(tǒng)級糾正產(chǎn)品，精糾正產(chǎn)品是引入控制點信息再進行幾何精糾正的產(chǎn)品。Landsat數(shù)據(jù)的下載來源于美國地質(zhì)勘查局(USGS)官方網(wǎng)站(https://earthexplorer.usgs.gov/)。筆者采用兩幅墨西哥灣(18°N～31°N, 81°W～100°W)溢油圖像，位于北半球鄰近美國南部海岸新奧爾良城市，成像時間為2010年7月12日和2010年5月9日，分別如圖1和圖2所示，數(shù)據(jù)級別為L1TP。

圖1 2010年7月12日墨西哥灣溢油圖像

圖2 2010年5月9日墨西哥灣溢油圖像

圖3 溢油變化過程

灣溢油事件中平臺溢出的石油在海水中經(jīng)歷的物理化學變化過程主要包括擴散、漂移、混合等，大致過程為：海上發(fā)生溢油事故，溢出的漂浮黑油會隨著海水產(chǎn)生擴散，然后厚度會減小到0.1 mm或者更薄，在這過程中浮油的視覺特征會隨著其厚度而改變。溢油擴散示意圖如圖3所示。其中油水混合物(油乳劑)具有很高的粘度，會嚴重影響海洋環(huán)境。一般的閾值分割或者變閾值法對油水混合物的提取存在過分割或欠分割的缺陷，降低了溢油監(jiān)測的準確性。

1.2 數(shù)據(jù)預處理

通過目視解譯確定溢油存在后，需要對原始影像進行以下4步預處理：①輻射定標。輻射定標[9]的目的是將衛(wèi)星獲得的觀測量和真實觀測的地球上的物理量建立關系，即建立傳感器每個探測元輸出的數(shù)字信號與探測器輸入的輻亮度的關系，轉化DN值為輻亮度值，筆者采用ENVI自帶的定標工具進行輻射定標。②大氣校正。大氣中存在的氣體分子與氣溶膠會影響遙感影像的成像質(zhì)量，需采用大氣校正來消除這些輻射誤差。且研究表明MERIS和MODIS的可見光和紅外數(shù)據(jù)監(jiān)測地中海浮油時，大氣校正能在一定程度上提高油水對比度[10]，筆者利用ENVI本身自帶的FLASSH校正來處理[11]。③圖像裁剪。Landsat原始影像對應的實際地面面積較大，不僅包含了所要監(jiān)測范圍的地理信息，還包含了許多與目標研究所需要內(nèi)容不相關的干擾信息。為了減少不必要的工作，需對原始圖像進行裁剪，取出實際需要分析的部分。④圖像增強。圖像在設備接收到前會受到成像環(huán)境、遙感設備、傳輸系統(tǒng)等因素的干擾，圖像質(zhì)量下降。圖像增強可以強化目標的識別力和細節(jié)信息，使得后續(xù)更容易獲得目標的特征信息[12]。

2010年7月12日與2010年5月9日的溢油影像經(jīng)預處理后的圖像分別如圖4和圖5所示。

圖4 預處理后圖像(成像時間為2010.7.12)

圖5 預處理后圖像(成像時間為2010.5.9)

1.3 遙感圖像分類

遙感影像可分為非監(jiān)督分類和監(jiān)督分類。非監(jiān)督分類是一種“盲目”的分類方法，“盲目”是指在分類過程不加入任何先驗知識，僅依賴遙感影像地物的像元間的分布規(guī)律進行歸類合并，而類別屬性只有通過實地調(diào)查或者目視判讀等方法才能確定。監(jiān)督分類是依據(jù)典型樣本訓練方法進行分類，對地物的類別屬性有著先驗認識，再選取待分類地物的訓練樣本和特征參數(shù)，計算判別函數(shù)，將未知類別的樣本代入判別函數(shù)，依據(jù)判別準則對未知類別的樣本所屬的類別進行判定，具體流程如圖6所示。

圖6 監(jiān)督分類流程圖

3種遙感影像監(jiān)督分類方法原理如下：

(1)平行管道分類法。平行管道分類法也稱平行六面體分類，是一種盒式分類方法，在n維n個波段情況下各類訓練樣本的特征向量分別產(chǎn)生各自多維的盒子，待分類的個體落入其中哪個盒子就屬于哪一類，若出現(xiàn)某像素被兩個或更多的盒子接受，則最終分類結果為最小盒子所對應的類別，整個分類法的尺度由所選類別的均值來決定，此方法時間復雜性較低[13]。

(2)最大似然分類法(MLE)。最大似然分類法是根據(jù)貝葉斯信息準則對遙感影像進行分類的一種分類法，原理為假設遙感圖像中各類波段服從正態(tài)分布[14]，并選擇訓練區(qū)，計算各個未分類樣本區(qū)的歸屬概率，取最大概率對應的類為分類結果。

筆者使用相同分布的樣本集D={d1,d2,…,dN}來估計參數(shù)θ。樣本的概率分布為p(di;θ)，聯(lián)合概率密度函數(shù)p(D;θ)是θ相對于數(shù)據(jù)集{d1,d2,…,dN}的似然函數(shù)，如式(1)所示。最大似然法是求似然函數(shù)l(θ)中θ的最大值，其表達式如式(2)所示。

l(θ)=p(D;θ)=p(d1,d2,…,dN;θ)=

(1)

(2)

(3)支持向量機分類法(support vector machine)[15]。以統(tǒng)計學的VC維理論和結構風險最小原理為基礎，尋找最優(yōu)分類超平面，使其滿足分類要求，在保證分類精度的同時可以最大化超平面兩側的空白區(qū)域[16]。

SVM分類方法采用的樣本集[(xj,yj),j=1,2,…,M]是非線性可分的，因此可通過將樣本點投影到高維特征空間來引入非線性函數(shù)Φ用于線性分類。假設存在非線性函數(shù)Φ，用H(xj,x)=Φ(xj)·Φ(x)代替內(nèi)積運算(xj·x)。因此，最佳分類超平面可表示為：

(3)

式中：M為樣本數(shù);b為分類閾值。筆者使用的核函數(shù)K(x,y)是徑向基函數(shù)(RBF)，其表達式如式(4)所示。

(4)

支持向量機可以有效地從訓練到預測樣本進行“推理”。計算復雜度僅依賴于支持向量的個數(shù)，避免了維數(shù)災難，具有魯棒性，當樣本量較大時，需要大量的機器內(nèi)存和計算時間。

采用交叉驗證算法(令某參數(shù)不變，調(diào)整另一個參數(shù)的值，參數(shù)變化交替進行，直到取得滿意的結果)來確定懲罰參數(shù)C=100和核參數(shù)γ=1[17]。

1.4 訓練樣本的選擇與評價

地物通過人工判讀分為兩類：溢油(白色)和海水(黑色)，繪制多邊形選擇感興趣區(qū)進行樣本選擇，并使用計算ROI工具計算樣本的可分離性。筆者所選用樣本的可分離性大于1.99，表明樣本之間可分離性良好。

2 結果及精度分析

2.1 遙感圖像分類結果

對于2010年7月12日溢油圖像，3種分類法用時分別為3.35 s、3.59 s、15.93 s，對于2010年5月9日溢油圖像，3種分類方法用時分別為13.05 s、14.25 s、25.95 s，2010年7月12日與2010年5月9日的溢油影像提取結果分別如圖7和圖8所示。

圖7 2010年7月12日影像的3種方法提取結果

圖8 2010年5月9日影像的3種方法提取結果

2.2 精度分析

利用混淆矩陣對3種影像分類方法進行精度評定，通過目視解譯判斷是否存在過分割與欠分割的缺陷，2011年2月21日墨西哥灣純凈海域如圖9所示。

圖9 2011年2月21日墨西哥灣影像(無溢油)

2010年7月12日影像使用平行管道法、最大似然法、支持向量機法提取溢油區(qū)域的精度分析分別如表1～表3所示。

表1 7月12日油膜平行管道法分類精度分析

注：總體精度為95.99%；Kappa系數(shù)為0.903 7

表2 7月12日油膜最大似然法分類精度分析

注：總體精度為99.42%；Kappa系數(shù)為0.986 8

表3 7月12日油膜支持向量機分類精度分析

注：總體精度為99.95%；Kappa系數(shù)為0.998 8

2010年5月9日的影像使用平行管道法、最大似然法、支持向量機法提取溢油區(qū)域的精度分析分別如表4～表6所示。

表4 5月9日溢油平行管道法分類精度分析

注：總體精度為98.25%；Kappa系數(shù)為0.964 9

表5 5月9日溢油最大似然法分類精度分析

注：總體精度為99.02%；Kappa系數(shù)為0.980 4

表6 5月9日溢油支持向量機分類精度分析

注：總體精度為99.96%；Kappa系數(shù)為0.999 1

2.3 對比分析

由表1～表6的精度分析可知，兩組數(shù)據(jù)的3種分類結果中，支持向量機分類精度最高分別為99.95%和99.96%，Kappa系數(shù)分別為0.998 8和0.999 1，支持向量機分類方法能較好地提取出目標。結合圖7、圖8和圖9可以看出3種分類方法提取的主要差異體現(xiàn)在：①平行管道法在提取厚油膜層方面準確性較高，但提取薄油膜層時，會將薄油層誤判為海水，從整體提取結果上來看在溢油信息提取方面平行管道法存在欠分割的問題。②最大似然法對整體溢油(包含厚油膜和薄油膜)的提取較為準確，但是會將油水混合區(qū)的水誤判為薄油膜層，存在過分割的缺陷。③支持向量機分類法無論是在厚油膜層還是油水混合層，都有著較好的提取結果，優(yōu)于其他兩種分類法。支持向量機分類法在應用于邊緣信息模糊的油水混合區(qū)域時，能很好地區(qū)分出溢油與海水。

每種方法都有各自的適用范圍，實際操作中應靈活運用。在筆者的實驗數(shù)據(jù)中，平行管道法適用于提取厚油膜區(qū)域，不適用于薄油膜區(qū)域；最大似然法適用于提取薄油膜，但卻對溢油稀疏區(qū)域無法分辨；支持向量機對厚油膜和薄油膜均可實現(xiàn)較好的提取，對油水混合區(qū)也有著很好的分辨力。

2.4 溢油信息確定

頻域處理方法同樣可提取溢油信息，王臣等[18]研究得到藍色波段(0.45～0.52 μm)與綠色波段(0.52～0.59μm)的油水反差是最明顯的，反射紅外波段(0.77～0.89μm)可做輔助提取波段，同時陳輝等[19]研究證實了在有太陽光的條件下，油膜會吸收太陽光使得油膜在熱紅外波段的亮溫明顯高于背景海水，反射紅外波段同理。所以筆者使用TM數(shù)據(jù)的綠波段(band 2)和反射紅外波段(band 4)組合來提取溢油區(qū)域。對于預處理過后的兩組波段數(shù)據(jù)，再利用閾值分割法將這兩組波段進行組合獲得較好的海面油膜分布狀態(tài)，結果表明頻域處理形成的溢油分布圖像與支持向量機分類得到的溢油分布圖像相似，明確了支持向量機在遙感溢油圖像分類上有著最高精度的優(yōu)異性。組合波段提取油膜結果如圖10所示，根據(jù)溢油分布狀態(tài)計算得出2010年7月12日溢油區(qū)域的面積為426.46 km2, 2010年5月9日溢油區(qū)域的面積為1 204 km2。有關部門得知溢油面積后就能更有效地提出溢油應對措施，從而及時降低溢油的危害。

圖10 墨西哥灣溢油圖

3 結論

光學傳感器對海洋大面積溢油區(qū)域的監(jiān)測是海洋遙感的研究熱點，如何提高溢油識別的分類精度也是學者關注的問題，筆者運用3種監(jiān)督分類對墨西哥灣溢油區(qū)域的TM影像進行浮油與海水的分類,分析不同分類法對浮油識別的差異性，通過對比不同分類法的總體精度和Kappa系數(shù),得到如下結論：①監(jiān)督分類在通過人為選擇訓練樣本時帶有主觀性,這會導致后期分類結果產(chǎn)生差異，需要對訓練樣本進行評價；②在筆者采用的數(shù)據(jù)中，相比于平行管道法和最大似然法，支持向量機分類法的精度最高，可達99.96%，支持向量機分類法在TM遙感影像溢油識別領域具有一定的優(yōu)越性。

然而，筆者所采用的數(shù)據(jù)未包含島嶼及其他污染物，溢油類型單一，需要在今后的工作中進一步分析SVM分類法在各種溢油場景的適用性與精確性。同時，由于光學傳感器受天氣影響嚴重，而微波傳感器可以全天時、全天候工作，因此，結合光學圖像和微波圖像進行溢油監(jiān)測是未來的研究方向。