基于遙感和OpenCV 的海域使用疑點疑區(qū)自動提取與變化檢測方法研究

付弘濤，張昊睿，秦 平，王麗琳

（自然資源部東海預報中心，上海 200136）

自2006 年以來，原國家海洋局在全國11 個沿海省（自治區(qū)、直轄市）啟動國家海域動態(tài)監(jiān)視監(jiān)測管理系統(tǒng)建設，并逐步開展海域動態(tài)監(jiān)視監(jiān)測工作。該系統(tǒng)利用“岸—?！铡臁币惑w化監(jiān)測手段，實現(xiàn)對我國海域開發(fā)利用活動的立體和動態(tài)監(jiān)視監(jiān)測，全面掌握海域資源、海域使用和海域管理等狀況[1]。作為海域動態(tài)監(jiān)視監(jiān)測工作的重點之一，海域使用疑點疑區(qū)監(jiān)測對全國疑似違法違規(guī)用海行為進行監(jiān)測，是貫徹落實《國務院關于加強濱海濕地保護嚴格管控圍填海的通知》（國發(fā)〔2018〕24 號）重要精神的具體手段。開展基于衛(wèi)星遙感的海域使用疑點疑區(qū)全覆蓋業(yè)務化監(jiān)測，可迅速、準確和及時地掌握用海情況，保護海洋生態(tài)環(huán)境，避免國有資產(chǎn)流失，更好地踐行“綠水青山就是金山銀山”的理念。

海域使用疑點疑區(qū)是指通過前后兩期衛(wèi)星遙感影像的對比分析，海岸線向海一側(cè)某區(qū)域未經(jīng)批準（依據(jù)海域法審批）由海水變?yōu)殛懙鼗蚵冻鏊娴钠渌螒B(tài)的區(qū)域。海域使用疑點疑區(qū)監(jiān)管手段主要依靠衛(wèi)星遙感，數(shù)據(jù)源以國產(chǎn)高分系列衛(wèi)星為主。國內(nèi)外針對遙感影像變化識別已提出了大量方法，目前較為主流的方法即基于地物光譜特性的比較法和基于像元特征的比較法。前者把不同時相影像先分類再比較，簡單且應用廣泛，但耗時耗力，地面驗證工作難；后者以像素作為檢測單位直接進行變化檢測，再進行判別分析，利用像素級多特征融合，使檢測結(jié)果更加可靠，但變化檢測的指標規(guī)則、變化閾值難判定[2]。

基于遙感的自動變化檢測作為最重要的關鍵技術之一，越來越多的應用于國土資源管理、地物變化的監(jiān)測等領域[3]。但多數(shù)變化檢測算法主要是針對特定的條件（區(qū)域和影像質(zhì)量） 具有較好的效果，還沒有較為通用性的算法，且現(xiàn)有算法在效率、精度、智能性等方面存在的問題，大多算法解決的問題及理論相對分散。本文旨在落實自然資源部提出的利用衛(wèi)星遙感等多種手段實現(xiàn)對我國管轄海域“15 天一覆蓋”的巡查總體要求，研究探索一套適用于海域使用疑點疑區(qū)監(jiān)管工作的自動提取與動態(tài)變化檢測方法，同時探究影像像元“椒鹽現(xiàn)象”，潮間帶潮位不一致對自動提取精度的影響等關鍵問題，實現(xiàn)大尺度、快速且較為準確地掌握顯著用海情況，遏制違法違規(guī)用海行為，保護海洋生態(tài)環(huán)境。

1 區(qū)域概況

金山城市沙灘，位于杭州灣北岸，上海金山區(qū)南端，全長約2 km，由東北向西南徐徐延伸，是一條集海景、海趣、海樂、海韻為一體的城市景觀海岸線，地理范圍在30?42′N—30?43′N、121?20′E—121?22′E 之間。作為長三角最具有海派風格的城市海岸景觀，圍水面積達1.5 km2，該區(qū)域集聚填海、圍海、構(gòu)筑物、房屋建筑、碼頭、潮間帶灘涂等海岸帶典型解譯標志，圍填海工程邊界清晰、輪廓成熟。近兩年新增簡易碼頭、構(gòu)筑物修繕時有發(fā)生，基本覆蓋了準業(yè)務化工作中目視解譯提取的面狀要素類型。

2 研究方法

2.1 數(shù)據(jù)選擇

遙感影像變化檢測首先需要選擇數(shù)據(jù)源。目前變化檢測所利用的數(shù)據(jù)源有多種，包括低空無人機航拍影像、SAR 圖像、遙感衛(wèi)星影像（如高分辨率彩色圖像、DSM（Digital Surface Model）、Landsat、Pleiades 等）、紅外影像、GIS 及多影像融合數(shù)據(jù)等；在數(shù)據(jù)的時相上，有單時相影像、多時相影像；在光譜的波段上，有單波段影像、多波段影像；在數(shù)據(jù)的類型上，有影像間變化檢測、以影像為主源輔助其他數(shù)據(jù)的變化檢測、非影像數(shù)據(jù)與影像數(shù)據(jù)綜合考慮的變化檢測。在數(shù)據(jù)選取時，考慮到檢測區(qū)域的自然特征、光照及光譜信息等因素，最好選擇同一傳感器的數(shù)據(jù)，在時空上盡可能使數(shù)據(jù)減少物候和太陽高度角等因素引起的誤差[4]。

本文選取的高分辨率衛(wèi)星影像具有經(jīng)濟性、穩(wěn)定性、實時性，影像清晰度高，可提供彩色、紋理等信息，較好地反映結(jié)構(gòu)信息，而且應用范圍廣；缺點在于數(shù)據(jù)量大、處理數(shù)據(jù)難度大且耗時、衛(wèi)星影像視場角一般在15?~20?，范圍較??；該類星源廣泛應用于各個領域，且通常與其他數(shù)據(jù)融合。

2.2 數(shù)據(jù)來源與預處理

本研究采用高分一號（GF-1） 衛(wèi)星作為數(shù)據(jù)源，其所搭載的兩臺PMS 傳感器2 m 分辨率全色，8 m 分辨率多光譜。常用的遙感影像處理軟件有Envi、Erdas、Arcgis 等。基于Envi 軟件平臺，影像經(jīng)輻射校正、幾何粗校正，并經(jīng)波段合成與影像融合、標準差光譜增強、感興趣區(qū)影像裁剪及幾何精校正等處理后，作為變化檢測的本底數(shù)據(jù)。

2.3 疑點疑區(qū)遙感解譯

為保證提取精度，對2019 年12 月10 日和2021 年11 月2 日獲取的影像進行了融合處理及粗裁剪，選取10 個像控點進行GPS 控制點測量，完成幾何精校正。選取單期影像進行柵格數(shù)據(jù)矢量化水邊線提取岸線及感興趣區(qū)劃定，剔除岸線向陸一側(cè)對整體提取效率的影響，同時利用矢量數(shù)據(jù)裁切出研究區(qū)域，形成一組相同區(qū)域不同時相的正射影像集[4]。GPS 踏勘選取的控制點如圖1 所示。

圖1 控制點站位

按照《我國近海海洋綜合調(diào)查與評價專項海島海岸帶衛(wèi)星遙感調(diào)查技術規(guī)程》要求，基于Arcgis軟件平臺，采用目視解譯方法，完成研究區(qū)域海域使用疑點疑區(qū)遙感判讀，再結(jié)合現(xiàn)場踏勘情況，比對解譯標志特征，最終確定了2 處新增海域使用疑點疑區(qū)。實測點位坐標如表1 所示。

表1 經(jīng)現(xiàn)場驗證的遙感解譯疑點疑區(qū)

2.4 計算方法

2.4.1 AdaptiveThreshold 函數(shù)

在影像中灰度是不均勻的，因此不同區(qū)域的閾值也是不一樣的?；诖嗽颍枰环N方法根據(jù)影像不同區(qū)域亮度或灰度的分布，計算其局部閾值。這種方法就是自適應閾值化圖像處理，也稱為局部閾值法[5-6]。

AdaptiveThreshold（Input Array src，Output Array dst，double maxValue，int adaptive Method，int thresholdType，int blockSize，double C）

其中，inputArray src 為輸入圖像，outputArray dst 為輸出圖像，double maxValue 為滿足條件的像素非零值（本文取值255），int adaptiveMethod 為自適應閾值算法，分別是adaptive_thresh_means_c 和adaptive_thresh_guassian_c[7-9]。

均值濾波即對鄰域內(nèi)的像素取平均值后減去相同加權值；高斯平均是在符合正態(tài)分布的情況下，每個像素點的權重離中心點越近的，其權值占比也就越重，即中心點權值最大，越往外所占越小，比均值濾波的好處是可以突出重點。本研究為追求對圖像的全幅二值化，選取均值濾波更為適合[7]。

針對閾值類型參數(shù)int thresholdType，選取以高電平模式開啟的形式作為最大值，低電平為最小值零的THRESH_BINARY，計算公式如下。

int blockSize 是自適應閾值函數(shù)需要計算的領域塊的大小，即領域塊內(nèi)的像素點數(shù)量（本文取值11）。double C 是偏移調(diào)整量，當計算得到閾值后，用閾值再減去這個偏移調(diào)整量得到最終閾值，該偏移調(diào)整量的取值正負皆可（本文中取值-2）。對于對比度和明暗變化有較大差異的影像，前期使用普通非自適應的Threshold 函數(shù)計算二值圖，其輸出輪廓效果并不理想，輸出的二值圖質(zhì)量差異較大，影響了接下來變化檢測的效果[7-9]。

2.4.2 FindContours 函數(shù)

經(jīng)自適應閾值化處理后得到的二值圖，作為FindContours 函數(shù)的輸入圖像進行處理。數(shù)字圖像以坐標系方式確定像素點坐標，因此函數(shù)將每個像素點以“點向量”方式存儲，即vector

Void findContours（InputArray image，OutputArrayOfArrays contours， OutputArray hierarchy， int mode，int method，Point offset=Point（））

其中，InputArray image 為輸入圖像；OutputArrayOfArrays contours 為找到的輪廓圖；OutputArray hierarchy 為層級關系，定義為vector

2.4.3 DrawContours 函數(shù)

在屏幕上繪制檢測到的輪廓。繪制輪廓算法不涉及調(diào)節(jié)參數(shù)，所以對算法的細節(jié)可以忽略，實現(xiàn)效果很好。

Void draw Contours（InputOutputArray image，Input Array Of Arrays contours，int contourIdx，const Scalar& color，int thickness=1，int lineType=8，InputArray hierarchy =noArray（）， int maxLevel =INT_MAX，Point offset=Point（））

其中，InputOutputArray image 表示目標圖像，Input Array Of Arrays contours 表示輸入的輪廓組，每一組輪廓由點vector 構(gòu)成；int contourIdx 指明繪制輪廓的數(shù)量，本文設定該參數(shù)為負值（-1），畫全部輪廓，const Scalar&color 為輪廓的顏色，三通道色組，int thickness為輪廓的線寬，如果為負值或CV_FILLED表示填充輪廓內(nèi)部，int lineType 為線條類型，InputArray hierarchy 和int maxLevel 共同作用可以輸出輪廓結(jié)構(gòu)信息。Point offset 為偏移參數(shù)[7-9]。

3 結(jié)果與分析

3.1 變化檢測結(jié)果

利用OpenCV 普通二值化函數(shù)（Threshold）對影像進行基本二值化的閾值方法得到的輪廓效果并不理想，后采用自適應閾值化函數(shù)（Adaptive Threshold）對每一個像素點單獨計算閾值，根據(jù)像素的鄰域塊的像素值分布來確定該像素位置上的二值化閾值，對于不關注的提取要素，運用霍夫變換、二次線段剔除等特征提取方法進行噪點消除[7]。金山城市沙灘輪廓提取效果如圖2 所示。

圖2 金山城市沙灘自適應閾值圖（2019 年12 月10 日）

在閾值圖基礎上，使用FindContours 函數(shù)，對基期和末期分別進行輪廓線提取，使用DrawContours函數(shù)對輪廓上色，并比較前后像素點色度差異，在末期圖的輪廓線中，標記變化區(qū)域，如圖3 所示。為驗證算法對疑點疑區(qū)目標檢測的性能，需結(jié)合實地驗證后的遙感目視解譯結(jié)果進行一次驗證。

圖3 金山城市沙灘自動變化檢測結(jié)果（2021 年11 月2 日）

3.2 結(jié)果分析

通過上述自動提取結(jié)果可以看到，首先，利用OpenCV 自適應閾值化函數(shù)得到的輪廓結(jié)果能夠?qū)詈?、?gòu)筑物、房屋建筑、碼頭、潮間帶灘涂等海岸帶典型解譯標志提取出來，因?qū)嶋H業(yè)務運行獲取到的影像分辨率較高，雖然提取精度得到了一定保障，但需濾除船舶、海面垃圾、管道、浮閥等不關注的信息，以上要素在衛(wèi)星影像中基本以簡單的點狀呈現(xiàn)，運用“霍夫變換”、二次線段剔除等特征提取方法進行盡可能的噪點消除后，非關注信息得到了有效凈化，岸線向海一側(cè)的主要地物得到保留。

其次，實際工作中會遇到兩期衛(wèi)星影像潮位不一致的情況，受限于影像質(zhì)量差異，自動判讀出的潮位變化區(qū)域基本為大面積不規(guī)則形狀，邊緣偵測效果并不理想，故自動提取出來的連續(xù)橫向不規(guī)則條狀變化信息結(jié)合人工判讀被舍棄。

最后，提取出的輪廓邊界較為準確，變化檢測結(jié)果表現(xiàn)良好，但僅試驗性開展方法研究并不能證明其整體有效性，而實際工作中監(jiān)測范圍更大，影像覆蓋面更廣，如何有效且快速的提取出變化區(qū)域仍需開展更多的案例研究，同時進行大尺度的精度驗證分析。

4 結(jié)論及建議

本文提出了一種適應實際業(yè)務化工作需求的海域使用疑點疑區(qū)自動提取與變化檢測方法，并以上海金山城市沙灘為研究區(qū)，選用研究區(qū)2019 年、2021 年兩景高分一號（GF-1）衛(wèi)星遙感影像作為數(shù)據(jù)源，進行了相關案例實驗與精度評價分析。研究結(jié)果表明，所提融合遙感和OpenCV 方法自動提取后的圖像空間結(jié)構(gòu)邊界清晰、信息增強效果好，且變化檢測結(jié)果較為準確，該方法較適合于監(jiān)測區(qū)域地物類型較少、時效性要求高，但調(diào)查面積較大的信息提取。而且不同的閾值函數(shù)對同一影像所得提取效果不同，利用OpenCV 普通二值化函數(shù)（Threshold）對影像進行基本二值化的閾值方法得到的輪廓效果并不理想，采用自適應閾值化函數(shù)（AdaptiveThreshold） 對每一個像素點單獨計算閾值，根據(jù)像素的鄰域塊的像素值分布來確定該像素位置上的二值化閾值，得到的輪廓效果較好。

對研究區(qū)的海域使用疑點疑區(qū)動態(tài)分析結(jié)果表明，由融合遙感和OpenCV 方法所得出的疑點疑區(qū)變化信息，其精度達到了業(yè)務化開展海域使用疑點疑區(qū)變化檢測的要求，且形成了一套基于自動變化檢測方法的海域使用疑點疑區(qū)遙感解譯業(yè)務化試運行基本操作流程，如圖4 所示。

圖4 基于人機交互的海域使用疑點疑區(qū)業(yè)務化試運行流程

OpenCV 是一種先進的計算機視覺庫，用于數(shù)字圖像及視頻處理操作，能夠較為輕松地實現(xiàn)算法目標和應用。OpenCV 函數(shù)庫核心代碼由C/C++代碼編寫而成，具有輕量化且高效的特點，同時提供Python、Ruby、MATLAB 等語言的接口程序，實現(xiàn)了圖像處理和計算機視覺方面的很多通用算法，有很強的擴展性、通用性和可移植性。

針對海域海島此類大尺度的目標變化檢測，利用OpenCV 可高效完成應用目標。相比傳統(tǒng)人工識別，OpenCV 對基于精校正的基末期遙感影像，進行輪廓提取并準確定位坐標，比較前后坐標差異，判定變化區(qū)域，可減少人工識別帶來的誤差。對于變化識別過程中，類似灘涂這樣的干擾區(qū)域，使用OpenCV 中的濾波算法和霍夫變化算法進行特定區(qū)域的輪廓消除，同時配合光譜反射率數(shù)據(jù)，能夠準確判定區(qū)域地物特征類型，避免人工誤判。

相較于Envi 或ArcGIS 這樣的專業(yè)遙感處理軟件，OpenCV 作為計算機視覺庫，在處理多光譜影像數(shù)據(jù)時，沒有針對性的函數(shù)快速提取數(shù)據(jù)，需自行研究并編寫對應的代碼進行提??；基于不同分辨率影像底圖比較中，使用OpenCV 進行分辨率調(diào)整后，基末期影像輪廓比較存在一定的誤差。未來在差異變化區(qū)域的精度方面，需要進一步探究。