一種自動特征提取的SAR圖像水華識別方法

戚雯雯 孫夢偉 徐冰冰

摘? 要： 針對SAR圖像水華識別中人工提取特征效率低的問題，提出了一種自動特征提取識別方法。該方法應(yīng)用改進(jìn)的K-means算法提取SAR圖像暗斑，利用數(shù)據(jù)增強(qiáng)算法擴(kuò)充暗斑圖像集，并基于對水華暗斑圖像特征的深入分析對DenseNet網(wǎng)絡(luò)結(jié)構(gòu)進(jìn)行改進(jìn)，以實(shí)現(xiàn)對水華暗斑與非水華暗斑更有效地識別區(qū)分。以太湖數(shù)據(jù)集作為實(shí)驗(yàn)數(shù)據(jù)，該方法獲得了87.30%的總體精度，這一結(jié)果表明自動特征提取識別方法對于SAR圖像水華識別的有效性。

關(guān)鍵詞： 水華識別; SAR圖像; 改進(jìn)的DenseNet; 自動特征提取; SAR信息提取

中圖分類號：TP751? ? ? ? ? 文獻(xiàn)標(biāo)識碼：A? ? ?文章編號：1006-8228（2021）04-60-05

Abstract： To solve the low efficiency of manual feature extraction in the Synthetic Aperture Radar （SAR） image algae bloom discrimination， an automatic feature extraction and recognition method is proposed. This method uses an improved K-means algorithm to extract dark spots in SAR images and uses a data enhancement algorithm to expand the dark spot image set. Based on the in-depth analysis of the image features of algae bloom dark spots， the DenseNet network structure is improved to achieve the discrimination of algae bloom and non-algae bloom dark spots more effectively. The method obtained an overall accuracy of 87.30% using the Taihu Lake dataset as the experimental data. This result shows the effectiveness of the automatic feature extraction and recognition method for algae bloom discrimination in SAR images.

Key words： algae bloom discrimination; SAR image; improved DenseNet; automatic feature extraction; SAR information extraction

0 引言

水華是湖泊富營養(yǎng)化，水體中藻類大量繁殖生長而導(dǎo)致的水體污染現(xiàn)象[1]。傳統(tǒng)的水華監(jiān)測識別方法通常為實(shí)地采樣和布點(diǎn)，費(fèi)時(shí)費(fèi)力，難以準(zhǔn)確地反映水華的空間分布情況。隨著科技的發(fā)展，衛(wèi)星遙感技術(shù)在環(huán)境監(jiān)測領(lǐng)域發(fā)揮著越來越重要的作用。合成孔徑雷達(dá)（Synthetic Aperture Radar， SAR）是一種主動式的微波成像傳感器，在多云多雨的天氣下也能進(jìn)行有效的對地觀測。由于其不可替代的優(yōu)勢，SAR圖像已成為水環(huán)境遙感監(jiān)測應(yīng)用中重要的數(shù)據(jù)來源。

水華在湖面上通常以綠色油膜狀物質(zhì)存在[2]。油膜狀物質(zhì)對水面波紋起平滑作用，當(dāng)SAR發(fā)射的電磁波入射到水面時(shí)，會大幅降低SAR接收到的后向散射回波信號，因此水華區(qū)域在SAR圖像中以低灰度的暗斑形式呈現(xiàn)。但是，當(dāng)水面處于低風(fēng)速（小于3.2m/s）狀態(tài)時(shí)[3]，同樣會形成類似于水華的暗斑區(qū)域。區(qū)分SAR圖像中不同類型的“暗斑”，存在著諸多技術(shù)挑戰(zhàn)。目前，國內(nèi)外SAR圖像水華識別研究還處于起步階段。文獻(xiàn)[4]提出了一種基于支持向量機(jī)（Support Vector Machines， SVM）的SAR圖像水華識別方法，得到了74.32%的總體識別精度。該文獻(xiàn)的成果表明，僅使用SAR圖像進(jìn)行水華識別是具有可行性的。鑒于水面油膜在SAR圖像中與水華具有較高的相似性，在目前水華識別研究較少的情況下，溢油識別的相關(guān)方法具有很好的借鑒價(jià)值。近年來，許多研究人員多次將深度學(xué)習(xí)引入了溢油識別中，并取得了卓越的表現(xiàn)。2018年，文獻(xiàn)[5]將卷積神經(jīng)網(wǎng)絡(luò)（Convolutional Neural Network， CNN）應(yīng)用于SAR圖像溢油識別，準(zhǔn)確率達(dá)到了91.33%。2020年，文獻(xiàn)[6]提出了一種深卷積神經(jīng)網(wǎng)絡(luò)（Deep Convolutional Neural Network， DCNN），對溢油的識別準(zhǔn)確率達(dá)到了94.01%。由此可見，深度學(xué)習(xí)技術(shù)可以提取油膜的潛在特征，對于溢油檢測的精度提升起了關(guān)鍵作用。

本文提出了一種基于改進(jìn)DenseNet網(wǎng)絡(luò)的SAR圖像水華識別方法（Algal bloom Discrimination method based on Improved DenseNet structure SAR image， ADID-SAR）。該方法在應(yīng)用改進(jìn)K-means方法獲取SAR圖像暗斑樣本集的基礎(chǔ)上，利用數(shù)據(jù)增強(qiáng)算法擴(kuò)充樣本集，使其滿足自動特征提取方法的需求，并通過對水華圖像特征的深入分析，改進(jìn)優(yōu)化傳統(tǒng)的DenseNet網(wǎng)絡(luò)結(jié)構(gòu)。該方法能夠自動提取更深層次的暗斑特征，識別暗斑屬性，降低非水華對識別結(jié)果的影響。

1 研究區(qū)域與數(shù)據(jù)

本文以太湖為研究區(qū)域，太湖位于江蘇省無錫市，是我國五大淡水湖之一，其水質(zhì)質(zhì)量與蘇州、湖州、無錫以及宜興市等周邊城市的農(nóng)業(yè)灌溉、水產(chǎn)養(yǎng)殖等生產(chǎn)活動密切相關(guān)。自20世紀(jì)80年代后期，太湖水體開始出現(xiàn)富營養(yǎng)化現(xiàn)象，2007年太湖爆發(fā)了嚴(yán)重的藍(lán)藻水華污染事件[7]。因此，本文選取太湖作為研究區(qū)域，區(qū)域位置及其SAR圖像如圖1所示。

2 ADID-SAR方法

ADID-SAR方法包括圖像預(yù)處理、暗斑提取、數(shù)據(jù)增強(qiáng)、識別器訓(xùn)練，以及水華識別等步驟，總體框架如圖2所示。

當(dāng)物體以不同的徑向速度和距離與雷達(dá)之間存在相對運(yùn)動時(shí)，會導(dǎo)致雷達(dá)獲取的目標(biāo)后向散射系數(shù)存在一定的誤差。存在的誤差在SAR圖像中以斑點(diǎn)噪聲的現(xiàn)象呈現(xiàn)，所以需對原始SAR圖像進(jìn)行預(yù)處理操作，預(yù)處理步驟包括輻射校正、斑點(diǎn)濾波、幾何校正以及圖像拉伸等操作。通過以上處理，可以在一定程度上減少SAR圖像中相干斑噪聲的影響，有利于后續(xù)各環(huán)節(jié)的順利開展。

2.1 暗斑提取

預(yù)處理后的SAR圖像如圖3所示。在預(yù)處理基礎(chǔ)上，使用分割算法對暗斑區(qū)域圖像塊進(jìn)行分割處理。以圖3中暗斑區(qū)域A為例，其暗斑提取處理過程如圖4所示。圖4（a）為裁剪后的SAR暗斑圖像，選用改進(jìn)的K-means算法[4]對其進(jìn)行分割處理。該過程以K-means為基礎(chǔ)，使用多閾值Otsu算法獲取的閾值集合作為聚類中心，解決了聚類數(shù)目K難以確定的問題，有效避免了聚類算法因?yàn)楣铝Ⅻc(diǎn)而陷入局部最優(yōu)值。圖4（b）為分割后的二值圖，此時(shí)的分割結(jié)果存在邊緣噪聲和零碎干擾區(qū)域。為較好地消除以上干擾，采用自定生長中心的區(qū)域生長算法進(jìn)行精分割處理，完成對暗斑塊的提取，提取結(jié)果如圖4（c）所示。

水華暗斑和非水華暗斑在灰度值上是相近的，但兩類暗斑在區(qū)域邊界灰度變化上存在差異，其中水華暗斑灰度呈現(xiàn)躍遷趨勢，而非水華暗斑則比較平緩。根據(jù)光學(xué)圖像目視對照，并結(jié)合氣象條件完成對樣本的標(biāo)簽添加。

2.2 數(shù)據(jù)增強(qiáng)

由于SAR暗斑樣本集的規(guī)模偏小，不能滿足后續(xù)處理中網(wǎng)絡(luò)應(yīng)用的需求，為了增加訓(xùn)練數(shù)據(jù)的數(shù)量，可以采用旋轉(zhuǎn)、翻轉(zhuǎn)等數(shù)據(jù)增強(qiáng)方法。其中，旋轉(zhuǎn)操作是隨機(jī)將圖像旋轉(zhuǎn)一定的角度，翻轉(zhuǎn)操作是按照圖像左右和上下的兩個(gè)對稱軸分別進(jìn)行翻轉(zhuǎn)[8]。圖5以太湖區(qū)域SAR圖像中一處暗斑為例，展示了使用數(shù)據(jù)增強(qiáng)方法所獲取的結(jié)果。分別將圖像樣本按照順時(shí)針的順序進(jìn)行90°、180°和270°旋轉(zhuǎn)和翻轉(zhuǎn)處理，通過這些操作，暗斑圖像的集合增加至原來的6倍，完成暗斑樣本集的擴(kuò)充。

2.3 基于改進(jìn)DenseNet網(wǎng)絡(luò)的識別器構(gòu)建

深度學(xué)習(xí)具有自動特征提取的能力，可有效避免人工特征選擇方法中特征提取效率低的問題。DenseNet網(wǎng)絡(luò)是近年來卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)發(fā)展中的關(guān)鍵結(jié)構(gòu)，其最大優(yōu)勢在于優(yōu)化梯度流，實(shí)現(xiàn)了資源的最大化利用和計(jì)算量的壓縮。DenseNet模型的網(wǎng)絡(luò)結(jié)構(gòu)主要由Transition Layer和DenseBlock組成。圖6是一個(gè)增長率k=4的DenseBlock結(jié)構(gòu)，每個(gè)層都會將前面所有層的輸出作為其額外輸入，即該網(wǎng)絡(luò)結(jié)構(gòu)中所有層都是互相連接的。這種密集的連接機(jī)制使得網(wǎng)絡(luò)參數(shù)更少，最大化地實(shí)現(xiàn)不同層之間的信息交互，充分利用輸入圖像的原始信息。

紋理是遙感圖像的重要特征，尤其在單波段、單極化的SAR圖像中，其作用更為顯著。因水華暗斑和非水華暗斑的成因不同，使得這兩類暗斑在紋理上存在差異，其中水華暗斑的紋理比較細(xì)膩平滑，非水華暗斑比較粗糙分散。為了加強(qiáng)自動特征提取過程中暗斑紋理特征的特點(diǎn)，本文在ADID-SAR識別中對DenseNet網(wǎng)絡(luò)的池化操作進(jìn)行了改進(jìn)，用最大池化替代了平均池化。相較于平均池化，最大池化可以更好地保留圖像中的紋理特征。該結(jié)構(gòu)使用的暗斑圖像樣本集的尺寸為224?224?3，隨機(jī)排列，以確保每張圖像被選中的概率都是相同的。首先將若干個(gè)樣本輸入到一個(gè)卷積核大小為7?7的卷積層和窗口大小為3?3的最大池化層，通過特征提取與降維后，將獲取到的特征圖輸入到DenseBlock和Transition Layer中，進(jìn)行各層特征的提取與融合。其中，Transition Layer結(jié)構(gòu)包括一個(gè)卷積核大小為1?1的卷積層和池化窗口大小為2?2的最大池化層。最后，將特征圖輸入到分類層，該分類層由全局平均池化（Global Average Pooling， GAP）層，完全連接層和softmax分類器組成。通過GAP對獲取到的特征圖進(jìn)行降維，經(jīng)linear特征約束后，使用Softmax分類器識別獲取到的特征，區(qū)分暗斑為水華暗斑還是非水華暗斑。

ADID-SAR方法中使用的網(wǎng)絡(luò)結(jié)構(gòu)具體參數(shù)設(shè)置如表1所示，輸入樣本經(jīng)卷積與池化操作后得到的特征圖尺寸大小為56?56，然后經(jīng)過4個(gè)DenseBlock和3個(gè)Transition Layer結(jié)構(gòu)后獲得的特征圖尺寸大小為7?7，最后經(jīng)GAP操作降維后獲得尺寸大小為1?1的特征圖，用以水華的分類識別。ADID-SAR方法中的網(wǎng)絡(luò)結(jié)構(gòu)由于其密集連接方式，可以捕捉到輸入圖像中細(xì)微的差異，具有強(qiáng)大的特征學(xué)習(xí)和表示能力，而且最大池化能很好的保留圖像的紋理特征，提高SAR圖像識別的準(zhǔn)確性。

3 實(shí)驗(yàn)結(jié)果與分析

3.1 評判標(biāo)準(zhǔn)

為了定量評估本文方法的性能，采用以下幾個(gè)指標(biāo)進(jìn)行評價(jià)。

⑴ 精確率（Precision，P）：對預(yù)測樣本的表示，是水華樣本預(yù)測正確的比例。

⑵ 召回率（Recall，R）：對真實(shí)樣本的表示，是水華樣本預(yù)測正確的樣本數(shù)與所有水華樣本數(shù)的比值。

⑶ F1值：F1值是P和R的一種調(diào)和平均數(shù)，當(dāng)F1值較高時(shí)則能說明方法比較有效。

⑷ 準(zhǔn)確率（Accuracy，A）：樣本被正確識別的個(gè)數(shù)與總個(gè)數(shù)的比值。

⑸ Kappa系數(shù)：Kappa系數(shù)越高，說明一致性越好。

式⑸中，A表示準(zhǔn)確率，其計(jì)算公式如⑷所示，[Pe]的計(jì)算公式如⑹所示。在上述公式中，TP表示預(yù)測正確的水華樣本，F(xiàn)N表示預(yù)測錯誤的水華樣本，F(xiàn)P表示預(yù)測錯誤的非水華樣本，TN表示預(yù)測正確的非水華樣本。

3.2 結(jié)果與分析

實(shí)驗(yàn)收集了覆蓋太湖的27景Sentinel-1A SAR圖像，經(jīng)預(yù)處理、裁剪以及分割后，獲得129個(gè)暗斑，與同時(shí)間段光學(xué)圖像和氣象水文資料對比確認(rèn)，其中水華暗斑72個(gè)，非水華暗斑57個(gè)。本文ADID-SAR方法驗(yàn)證結(jié)果如表2所示，使用該方法預(yù)測為水華的精確率P為87.00%，預(yù)測為非水華的精確率P為88.04%，暗斑識別總體精度A為87.30%，F(xiàn)1值為87.52%，Kappa系數(shù)為0.86。結(jié)果表明ADID-SAR方法可以從數(shù)據(jù)集中提取出豐富的基本特征，增強(qiáng)了特征挖掘能力，具有明顯的優(yōu)勢。

在SAR圖像目標(biāo)識別中，人工提取特征結(jié)合SVM分類是較為常用的識別方法。同時(shí)，隨著深度學(xué)習(xí)技術(shù)的發(fā)展，InceptionV3網(wǎng)絡(luò)由于其模型的多樣性，在多數(shù)領(lǐng)域展示了出色的性能。為了進(jìn)一步驗(yàn)證本文方法的有效性，將ADID-SAR方法與這兩種典型方法進(jìn)行對比實(shí)驗(yàn)，識別結(jié)果如表3所示。

方法1是文獻(xiàn)[4]中提出的基于人工提取特征并以SVM為識別分類器的水華識別方法。方法2是改進(jìn)的InceptionV3網(wǎng)絡(luò)用以自動提取特征的水華識別方法。方法3是本文提出的ADID-SAR方法。由表3可以看出，方法2和方法3的總體識別精度都達(dá)到了85%以上，這說明自動提取特征的深度學(xué)習(xí)網(wǎng)絡(luò)對于SAR圖像水華識別性能改善具有積極作用。而本文所提ADID-SAR方法的識別精度最高，達(dá)到了87.30%，F(xiàn)1值和Kappa系數(shù)也都明顯高于其他兩種方法。這表明了ADID-SAR可以有效地利用提取到的特征，給出更平滑的決策邊界，提高參數(shù)效率并減少過度擬合，同時(shí)，該識別方法網(wǎng)絡(luò)結(jié)構(gòu)的密集連接方式具有正則化效應(yīng)，更適用于小數(shù)據(jù)集的識別過程。

4 結(jié)束語

特征提取是水華識別的關(guān)鍵步驟，本文針對SAR圖像水華識別領(lǐng)域中人工提取特征效率低、易受人為因素影響且難以獲得圖像數(shù)據(jù)深層特征的問題，提出了一種基于自動特征提取的SAR圖像水華識別方法——ADID-SAR。該方法可以自動提取水華暗斑圖像中的特征并完成對暗斑的識別，融合了多層特征圖，增強(qiáng)了特征傳播和特征重用性。實(shí)驗(yàn)結(jié)果表明，本文所提方法在水華識別精度方面有了明顯的提升，總體精度達(dá)到了87.30%，相比同類算法，其識別性能明顯優(yōu)于其他模型。該方法的實(shí)驗(yàn)結(jié)果還證明了深度學(xué)習(xí)方法在SAR圖像水華識別中的有效性和發(fā)展?jié)摿?，這為水環(huán)境污染防控與治理提供了有價(jià)值的參考，具有一定的應(yīng)用前景。

參考文獻(xiàn)（References）：

[1] Guo L. Ecology： doing battle with the green monster of Taihu Lake[J].Science，2007.317（5842）： 1166-1166

[2] 于洋，彭福利，孫聰.典型湖泊水華特征及相關(guān)影響因素分析[J].中國環(huán)境監(jiān)測，2017.33（2）：88-94

[3] 白曉華，胡維平，胡志新等.2004年夏季太湖梅梁灣席狀漂浮水華風(fēng)力漂移入灣量計(jì)算[J].環(huán)境科學(xué)， 2005.6：59-62

[4] Wu L， Wang L， Min L，et al. Discrimination of algal-bloom using spaceborne SAR observations of great lakes in China[J]. Remote Sensing，2018.10（5）：767

[5] 吳丹妮.基于PolSAR海面溢油和類似溢油區(qū)的分類研究[D].大連海事大學(xué)，2018.

[6] Zeng K， Wang Y. A deep convolutional neural network for oil spill detection from spaceborne SAR images[J]. Remote Sensing， 2020， 12（6）： 1015.

[7] 楊柳燕，楊欣妍，任麗曼等.太湖藍(lán)藻水華暴發(fā)機(jī)制與控制對策[J].湖泊科學(xué)，2019.31（1）：18-27

[8] 蘇浩.基于深度學(xué)習(xí)的遙感圖像目標(biāo)檢測方法[D].電子科技大學(xué)，2020.