基于無人機(jī)載多光譜相機(jī)的海面溢油分類方法研究

王 暢，尹松林，高 陽，崔子浩，田兆碩,2*

(1.哈爾濱工業(yè)大學(xué)(威海)船海光電裝備研究所，山東 威海 264209； 2.山東船舶技術(shù)研究院，山東 威海 264209)

海面溢油是海洋中危害最大，也是最為常見的污染物。石油在海面迅速散開后，形成油膜，海面上的油膜會(huì)對(duì)海水吸收氧氣造成極大影響，不僅嚴(yán)重危害海洋中植物的光合作用，還導(dǎo)致海洋中的浮游生物缺少氧氣而大量死亡[1-2]。

多光譜遙感技術(shù)是一種被動(dòng)光學(xué)探測(cè)技術(shù)，它能夠同時(shí)獲得目標(biāo)的光譜特征及其空間信息，可以更加精確地識(shí)別海面溢油污染[3]。其圖譜合一的特性，可以更直觀地將油污在圖像上標(biāo)記出來，故多光譜遙感技術(shù)十分適用于海面溢油探測(cè)。衛(wèi)星遙感具有全天候監(jiān)測(cè)、海面探測(cè)范圍廣等優(yōu)勢(shì)，但衛(wèi)星遙感受氣象條件影響較大，空間分辨率和時(shí)間分辨率不高，影響它在海洋溢油應(yīng)用中的監(jiān)測(cè)精度[4]。無人機(jī)(Unmanned Aerial Vehicle, UAV)作為新型遙感監(jiān)測(cè)平臺(tái)，能夠搭載多種傳感器設(shè)備，具有靈活性、機(jī)動(dòng)性等特點(diǎn)。當(dāng)發(fā)生海洋溢油事故時(shí)，無人機(jī)可以迅速到達(dá)溢油污染區(qū)域，記錄溢油位置和擴(kuò)散情況[5]。與其他機(jī)載遙感技術(shù)相比，多旋翼無人機(jī)具有優(yōu)良的機(jī)動(dòng)性與靈活性，能搭載多光譜相機(jī)，進(jìn)行遙感溢油分布情況探測(cè)[6]。

遙感圖像分類是遙感應(yīng)用系統(tǒng)中的關(guān)鍵步驟，快速、高精度的遙感圖像分類算法是實(shí)現(xiàn)各種實(shí)際應(yīng)用的前提，可分為監(jiān)督分類[7]和非監(jiān)督分類。目前，最大似然法[8-10]、支持向量機(jī)[11-13]、混合像元分類[14]、多項(xiàng)式邏輯回歸[15-16]以及決策樹分類等方法已經(jīng)在溢油污染探測(cè)方面有了較為廣泛的應(yīng)用?；谝陨厦枋觯狙芯恐饕兄屏藷o人機(jī)載多光譜油污探測(cè)系統(tǒng)，通過室外模擬實(shí)驗(yàn)分析最大似然法、最小距離法和光譜角填圖法3種分類方法提取溢油信息效果，并將最佳分類方法應(yīng)用于實(shí)際港口實(shí)驗(yàn)區(qū)多光譜相機(jī)數(shù)據(jù)的溢油信息提取，從而證明無人機(jī)載多光譜相機(jī)可應(yīng)用于海面溢油分類，具有實(shí)際應(yīng)用價(jià)值。

1 油污探測(cè)系統(tǒng)設(shè)計(jì)

無人機(jī)載多光譜相機(jī)系統(tǒng)大體可分為兩部分，無人機(jī)載部分和地面站部分，通過無線和電臺(tái)進(jìn)行數(shù)據(jù)傳輸。無人機(jī)載部分主要由多光譜相機(jī)(CMOSIS CMV2000)、微型電腦、差分GPS移動(dòng)站及其電臺(tái)、路由器、信號(hào)放大器以及各部分供電所需的電池等組成。地面站部分主要有差分GPS基準(zhǔn)站及其電臺(tái)、無線(Access Point，AP)接收機(jī)、電腦等構(gòu)成。多光譜相機(jī)主要性能參數(shù)如表1所示。圖1為無人機(jī)載多光譜相機(jī)油污探測(cè)整體系統(tǒng)結(jié)構(gòu)示意圖。

表1 CMOSIS CMV2000傳感器主要技術(shù)參數(shù)

圖1 系統(tǒng)結(jié)構(gòu)示意圖

本實(shí)驗(yàn)使用的是六旋翼無人機(jī)，多光譜相機(jī)固定在機(jī)身的碳纖維圓桿上，實(shí)時(shí)動(dòng)態(tài)(Real-time Kinematic， RTK)GPS天線部分安裝于無人機(jī)上方，電臺(tái)、微型電腦、無線路由、信號(hào)放大器、供電電源等設(shè)備安裝于無人機(jī)起落架上，如圖2所示。本實(shí)驗(yàn)使用差分GPS進(jìn)行定位及導(dǎo)航。通過地面的飛控軟件，控制無人機(jī)在溢油區(qū)域上空進(jìn)行飛行作業(yè)。機(jī)載微型計(jì)算機(jī)通過Wi-Fi連接無線路由器，信號(hào)經(jīng)過放大器進(jìn)行放大，并與地面的AP接收機(jī)進(jìn)行無線局域網(wǎng)的構(gòu)建。通過計(jì)算機(jī)的遠(yuǎn)程桌面打開HSImager軟件控制多光譜相機(jī)，調(diào)節(jié)曝光時(shí)間與采集速度，并采集多光譜圖像。圖像經(jīng)過后續(xù)的分類處理將油污在圖像中標(biāo)記出來，形成偽彩色的分類圖像。

圖2 無人機(jī)載多光譜相機(jī)油污探測(cè)系統(tǒng)實(shí)物圖

2 結(jié)果與討論

2.1 水面圖像分類實(shí)驗(yàn)

利用多光譜油污探測(cè)系統(tǒng)進(jìn)行了室外模擬實(shí)驗(yàn)，實(shí)驗(yàn)時(shí)環(huán)境溫度為-5 ℃左右。使用1.60 m×0.70 m×0.50 m(長(zhǎng)×寬×高)的水池，并裝有0.40 m高的清水，水池表面結(jié)有部分浮冰。在水面滴入美孚46號(hào)潤(rùn)滑油，油在水面擴(kuò)散過程中形成油膜，此時(shí)水面有不同厚度的油膜和浮冰。將多光譜相機(jī)固定在距離水面3 m高的支架上，垂直向下對(duì)水池進(jìn)行成像，獲得有水、冰、油膜的多光譜圖像。實(shí)驗(yàn)獲得的多光譜圖像如圖3所示。

圖3 水面溢油實(shí)驗(yàn)圖像

圖3(a)為水面溢油實(shí)驗(yàn)時(shí)的數(shù)碼照片；圖3(b)為滴入潤(rùn)滑油后(0 min)的RGB多光譜圖像；圖3(c)為油在水面擴(kuò)散10 min后的RGB多光譜圖像。其中R部分為第18波段，波長(zhǎng)為917.85 nm；G部分為第12波段，波長(zhǎng)為756.19 nm；B部分為第6波段，波長(zhǎng)為792.80 nm。由于圖像可以明顯區(qū)分冰、水及不同厚度的油膜，所以使用遙感圖像處理平臺(tái)(The Environment for Visualizing Images，ENVI)對(duì)多光譜圖像進(jìn)行監(jiān)督分類，首先在兩幅多光譜圖像中用不同顏色選取感興趣區(qū)域作為樣本，一共定義6類樣本，分別為冰、水、薄油膜、厚油膜、相對(duì)厚油膜、容器邊框。然后使用ENVI中的訓(xùn)練樣本可分離工具計(jì)算任意類別間的統(tǒng)計(jì)距離。每個(gè)感興趣區(qū)域互相組合并通過Jeffries-Matusita距離(兩個(gè)樣本間的向量距離)和轉(zhuǎn)換分離度算法進(jìn)行計(jì)算，來衡量訓(xùn)練樣本的可分離性。當(dāng)分離性的值大于1.90時(shí)說明樣本之間可分離性好，小于1.00時(shí)將兩種樣本劃分為一類。此實(shí)驗(yàn)得到的水和冰的分離性為1.16，小于1.90，分離程度較差，其它樣本兩兩分離程度較好，均大于1.90。本研究使用所有25個(gè)波段的中心波長(zhǎng)值，通過統(tǒng)計(jì)特征的方法進(jìn)行3種分類的運(yùn)算處理。最后分別利用最大似然法、最小距離法、光譜角填圖法3種方法對(duì)圖3(b)、(c)進(jìn)行監(jiān)督分類，實(shí)驗(yàn)分類結(jié)果如圖4所示。

圖4(a)、(d)分別為溢油實(shí)驗(yàn)(0 min)和溢油實(shí)驗(yàn)(10 min)的最大似然法分類結(jié)果圖，設(shè)置似然度閾值為0.50，數(shù)據(jù)比例系數(shù)為255。對(duì)原始圖像進(jìn)行分類，并對(duì)分類結(jié)果進(jìn)行評(píng)價(jià)，如表2所示。根據(jù)混淆矩陣計(jì)算，前者總分類精度為51.90%，Kappa系數(shù)為0.47；后者總分類精度為90.71%，Kappa系數(shù)為0.88，分類方法較好提取目標(biāo)，但由于水和冰相似度較高，會(huì)將冰誤判為水。圖4(b)、(e)分別為溢油實(shí)驗(yàn)(0 min)和溢油實(shí)驗(yàn)(10 min)的最小距離法分類結(jié)果圖，設(shè)置所有類別標(biāo)準(zhǔn)差閾值為4，不設(shè)最大距離誤差，其前者總分類精度為42.40%，Kappa系數(shù)為0.36；后者總分類精度為36.17%，Kappa系數(shù)為0.25。從整體提取結(jié)果上來看，將水誤判成冰的分類結(jié)果較為嚴(yán)重，將油水混合區(qū)的薄油膜層誤判為冰存在過分割的缺陷。圖4(c)、(f)分別為溢油實(shí)驗(yàn)(0 min)和溢油實(shí)驗(yàn)(10 min)的光譜角填圖法分類結(jié)果圖，其前者總分類精度為85.09%，Kappa系數(shù)為0.82。各個(gè)類別的分類精度也相對(duì)均勻，其中厚油膜的分類精度為76.00%，薄油膜的分類精度為92.29%，相對(duì)厚油膜的精度為77.09%，水體的分類精度達(dá)到86.11%，冰的分類精度為87.06%；后者無論是在油水混合層還是冰層，都有較好的提取結(jié)果，優(yōu)于其它兩種方法，其總分類精度為92.37%，Kappa系數(shù)為0.90。光譜角填圖法在應(yīng)用于邊緣信息模糊的油水混合區(qū)域時(shí)，能較好的區(qū)分溢油和海水。

表2 實(shí)驗(yàn)分類精度評(píng)價(jià)

圖4 實(shí)驗(yàn)分類結(jié)果圖

綜上所述，根據(jù)總分類精度和Kappa系數(shù)作對(duì)比，最大似然法的分類精度明顯高于最小距離法，但在分類速度上會(huì)略小于最小距離法。與最小距離法和最大似然法的分類結(jié)果相比，光譜角填圖分類方法的分類結(jié)果明顯好于其他兩種方法，且精度較高，故海面實(shí)驗(yàn)使用光譜角填圖分類方法對(duì)多光譜圖像進(jìn)行處理來獲得溢油區(qū)域的信息。

2.2 海面油污探測(cè)實(shí)驗(yàn)

使用機(jī)載多光譜探測(cè)系統(tǒng)進(jìn)行實(shí)際海面油污探測(cè)實(shí)驗(yàn)，實(shí)驗(yàn)地點(diǎn)選擇在山東威海的一個(gè)小型漁港(圖5)，船附近有少量油污溢出，無人機(jī)飛到溢油目標(biāo)上方進(jìn)行多光譜成像。

圖5 實(shí)驗(yàn)溢油區(qū)域?qū)嵨飯D

通過地面站設(shè)計(jì)飛行路線，探測(cè)高度為20 m，探測(cè)面積為22 m2。通過局域網(wǎng)打開軟件控制多光譜相機(jī)，設(shè)置相機(jī)采集速率為10 fps，曝光時(shí)間為50 ms，并對(duì)溢油區(qū)域進(jìn)行拍攝。將拍攝到的原始多光譜圖像進(jìn)行保存(圖6)。將原始圖像通過目視解譯和當(dāng)時(shí)的實(shí)地觀察得到獲取船、溢油、水沙灘的真實(shí)感興趣區(qū)(圖7)。使用光譜角填圖分類法對(duì)其進(jìn)行分類，分類結(jié)果如圖8所示。使用ENVI中混淆矩陣(Confusion Matrix)工具把真實(shí)感興趣區(qū)的像元與最終分類結(jié)果相匹配建立混淆矩陣，并根據(jù)混淆矩陣對(duì)光譜角填圖算法進(jìn)行精度評(píng)價(jià)，如表3所示。各個(gè)部分分類精度都相對(duì)較高，錯(cuò)分誤差整體低于30.00%，除船的漏分誤差相對(duì)較高外，其它都在允許范圍內(nèi)，溢油圖像區(qū)域制圖精度達(dá)到99.57%，各個(gè)部分的用戶精度都達(dá)到70.00%以上，總分類精度為80.98%，Kappa系數(shù)為0.74。光譜角填圖分類方法整體精度高，適合該系統(tǒng)的溢油分類方法。

圖6 海上溢油的原始圖像

圖7 海上溢油的真實(shí)數(shù)據(jù)圖

圖8 海上溢油的光譜角填圖分類法結(jié)果圖

表3 海上溢油分類混淆矩陣表

3 結(jié)論

基于多光譜遙感技術(shù)，本研究設(shè)計(jì)了無人機(jī)載多光譜油污探測(cè)系統(tǒng)，并利用最大似然法、最小距離法以及光譜角填圖法對(duì)多光譜圖像進(jìn)行分類，通過混淆矩陣對(duì)3種方法進(jìn)行精度評(píng)價(jià)。實(shí)驗(yàn)表明，光譜角填圖法分類效果最好，可將水、冰、薄油膜、厚油膜進(jìn)行區(qū)分，總分類精度達(dá)到90.00%以上，明顯高于其他兩種方法。海面溢油探測(cè)實(shí)驗(yàn)中，利用自研的無人機(jī)載多光譜系統(tǒng)對(duì)溢油區(qū)域進(jìn)行探測(cè)，并基于光譜角填圖法對(duì)多光譜圖像進(jìn)行分類，驗(yàn)證該系統(tǒng)的溢油探測(cè)功能。研究表明，無人機(jī)搭載多光譜相機(jī)具有實(shí)時(shí)性、速度快的優(yōu)點(diǎn)，可抵近或飛入溢油危險(xiǎn)區(qū)，高效地獲得水面溢油信息，可有效地彌補(bǔ)衛(wèi)星平臺(tái)的不足，實(shí)現(xiàn)對(duì)水面溢油污染情況的監(jiān)測(cè)，并為相關(guān)人員清理溢油提供指導(dǎo)作用，將在海洋溢油遙感探測(cè)中發(fā)揮巨大作用。