基于變分水平集方法的海冰信息自動提取

張永梅, 阮成卿, 劉愛超, 鐘 山, 吳玲娟

基于變分水平集方法的海冰信息自動提取

張永梅1, 2, 阮成卿1, 2, 劉愛超1, 2, 鐘 山1, 2, 吳玲娟1, 2

(1. 國家海洋局北海預(yù)報中心, 山東 青島 266061；2. 山東省海洋生態(tài)環(huán)境與防災(zāi)減災(zāi)重點實驗室, 山東 青島 266061)

針對目前海冰信息解譯時對海冰外緣線及面積信息提取不精確、業(yè)務(wù)化應(yīng)用不強問題, 提出一種基于分裂Bregman算法的海冰外緣線自動提取方法, 并通過遙感影像預(yù)處理、算法程序化等工作步驟, 將該算法應(yīng)用到業(yè)務(wù)化海冰信息解譯工作中。方法: 分別選取五景中、高空間分辨率的可見光衛(wèi)星遙感影像, 將影像上待提取海冰區(qū)域首先進行不規(guī)則圖像裁剪、圖像增強等預(yù)處理工作, 然后基于變分水平集及快速分裂Bregman投影方法進行了海冰外緣線信息的提取, 并對提取出的海冰面積進行量化, 最后與傳統(tǒng)人工提取海冰信息進行了比較。實驗結(jié)果表明, 基于變分水平集及其快速分裂 Bregman算法提取的海冰信息, 具有提取的海冰邊緣精確、自動化程度高、提取結(jié)果穩(wěn)定可靠等優(yōu)點。

變分水平集方法；分裂Bregman算法；海冰外緣線；自動提取

海冰是緯度較高海域發(fā)生的一種海洋災(zāi)害[1-2], 每年冬季渤海及黃海北部均會受到海冰災(zāi)害的影響[3]。海冰外緣線及分布面積的確定, 是研究海冰變化規(guī)律、確定海冰冰情、啟動國家海冰災(zāi)害應(yīng)急預(yù)案的一個重要指標。海冰的外緣線受風(fēng)、浪、流的影響變化很快[4], 快速、準確地識別海冰外緣線, 對船舶航行、海上工程等尤其重要[5-6]。

遙感監(jiān)測作為可以全天候、全天時的監(jiān)測方式, 是海冰監(jiān)測的有力手段[7-10]。目前科研人員利用遙感影像進行了多方法的海冰要素提取研究, 如基于形態(tài)學(xué)[11]、歐式距離[12]、稀疏分解和改進馬爾可夫隨機場(Markov random filed, MRF)模型[13]、神經(jīng)網(wǎng)絡(luò)[14-15]、機器學(xué)習(xí)[16-18]、閾值方法[19]和深度學(xué)習(xí)[20]等多種方法進行海冰分類、確定海冰外緣線, 并進行提取。

然而, 上述研究均對海冰邊緣線提取不夠精確, 并且大多研究的是局部海冰信息提取, 沒有考慮業(yè)務(wù)化海冰監(jiān)測對大范圍或整個海區(qū)海冰信息提取的需求, 另外都沒有研究提取海冰信息的具體面積和時間效率問題。一副遙感影像, 因海冰和海水反照率差異造成影像上冰水的灰度明顯不同, 基于此能夠進行海冰外緣線的判別、提取。將影像上的冰水進行分離、提取海冰外緣線, 在數(shù)字圖像處理領(lǐng)域即為圖像分割。圖像分割的方法較多, 基于變分和偏微分方程方法的圖像分割因提取信息精度高、效率高, 已成功應(yīng)用在醫(yī)學(xué)領(lǐng)域的影像提取、人臉及車牌的智能識別、道路和河道以及建筑的提取等多方面?；谧兎炙郊椒?、無需重新初始化的快速算法進行海冰外緣線檢測及提取, 目前尚沒有這方面的研究報道。

本文嘗試使用基于變分水平集方法和無需重新初始化的、分裂Bregman投影算法(split Bregman projection method, SBPM)進行海冰外緣線提取及海冰分布面積統(tǒng)計, 并提出業(yè)務(wù)化應(yīng)用的解決方案。將得出的圖像和量化結(jié)果與人工提取結(jié)果進行比較后發(fā)現(xiàn), 在提取的海冰外緣線的精度和提取時間效率方面, 本文提出的方法具有結(jié)果精確穩(wěn)定、速度快、不受人工干擾等優(yōu)點。

1 研究區(qū)域和數(shù)據(jù)來源

遙感監(jiān)測海冰分為可見光和合成孔徑雷達(Synthetic Aperture Radar, SAR)兩種方式, 兩者在監(jiān)測上各有優(yōu)勢。為滿足業(yè)務(wù)化大范圍監(jiān)測海冰的需要, 本文選用五景中高時空分辨率、高幅寬的光學(xué)遙感衛(wèi)星監(jiān)測數(shù)據(jù), 如中分辨率成像光譜儀(Moderate-resolution Imaging Spectroradiometer, MODIS)數(shù)據(jù)、環(huán)境與災(zāi)害監(jiān)測預(yù)報小衛(wèi)星B星(簡稱HJ-1B, 下同)數(shù)據(jù)和高分辨率對地觀測四號衛(wèi)星(簡稱“高分四號”, 下同)數(shù)據(jù)進行仿真實驗。數(shù)據(jù)技術(shù)指標見表1, 具體數(shù)據(jù)情況見表2。

表1 各數(shù)據(jù)源主要技術(shù)指標

表2 選用的各衛(wèi)星遙感數(shù)據(jù)情況

2 研究方法

2.1 遙感影像預(yù)處理方法

原始的遙感影像通常無法直接分析解譯, 必須經(jīng)過一些預(yù)處理工作。本文主要進行了圖像增強、圖像鑲嵌、圖像裁剪等預(yù)處理工作。因陸地、云等是無關(guān)區(qū)域, 若參與分割將降低運算效率, 因此對無關(guān)區(qū)進行了不規(guī)則圖像裁剪工作。遙感影像預(yù)處理工作均基于美國ESRI公司的ENVI軟件(以下簡稱ENVI)。實驗區(qū)域遙感影像圖及不規(guī)則影像裁剪結(jié)果, 如圖1、圖2所示。

2.2 變分水平集Chan-Vese模型

Chan-Vese模型[21]是基于Mumford-Shah模型[22](M-S模型)的著名模型。M-S模型因最小輪廓線和光滑圖像的維度不一致, 導(dǎo)致該模型無解; Chan和Vese對M-S模型提出了一個近似解, 即兩相圖像分割的Chan-Vese模型[21](C-V模型), 定義如下:

約束條件:

對式(1)求解, 可以利用交替優(yōu)化方法, 即固定, 分別優(yōu)化1和2:

1、2固定, 優(yōu)化:

硅質(zhì)巖中的Al2O3和TiO2可用于判別大陸邊緣沉積環(huán)境，F(xiàn)e2O3可反映大洋中脊組分的影響強度[3]。樣品中SiO2/Al2O3比值為9.82～62.43，比純硅質(zhì)巖(SiO2/Al2O3比值為80～1400)低很多，SiO2/Al2O3比值和Al2O3呈較好的負相關(guān)關(guān)系(圖2b)，且TiO2含量為0.026%～0.386%，Al2O3/TiO2比值為14.69～73.83，與Al2O3具有較好的正相關(guān)關(guān)系，均表現(xiàn)為富鋁特征，表明研究區(qū)有陸源碎屑沉積物[16]。

令(1,2) =1(1–)2–2(2–)2, 對式(5)求變分, 可得對應(yīng)的Euler-Lagrange方程, 得到梯度下降流:

式(6)可利用有限差分方法得到近似解。

2.3 分裂Bregman投影算法(Split Bregman Projection Method, SBPM)

約束條件:

式(9)可采用半隱式高斯賽德爾(semi-implicit Gauss Seidel iteration)迭代方法進行求解, 得到式(11); 為提高計算效率, 式(10)上面的方程可采用解析廣義軟閾值公式進行求解, 得到式(12), 下面的約束公式可采用投影公式進行計算, 得到式(13):

式(11)中, =?+1, j+?–1, j+?, j+1+?, j–1; 式(13)中為正的小量, 以防止分母為0溢出。

3 仿真實驗與分析

3.1 仿真實驗步驟

基于分裂Bregman算法, 快速、精確提取海冰信息的業(yè)務(wù)化應(yīng)用實驗, 主要步驟是: 首先選擇能覆蓋遼東灣、噪聲少、清晰度高的衛(wèi)星遙感圖片(以下簡稱“衛(wèi)片”)進行圖像增強、不規(guī)則圖像裁剪等預(yù)處理工作; 其次基于Matlab軟件平臺, 將上述變分及SBPM算法程序化, 針對不同的衛(wèi)片調(diào)整初始參數(shù), 當冰水分界線分割完好則停止程序計算; 最后對分割好的海冰結(jié)果進行量化, 得到最終的海冰分布總面積。按照計算機程序設(shè)計語言繪制流程圖的原則, 繪制的工作流程圖如圖3所示。

圖3 海冰信息自動提取流程

根據(jù)衛(wèi)片的不同, 可以選擇多種預(yù)處理方法。本文采用了圖3所示圖像鑲嵌等3種方法。為加快海冰信息提取的速度, 預(yù)處理衛(wèi)片時, 將實驗區(qū)域與陸地、島嶼、云等無關(guān)信息分離是一個關(guān)鍵步驟, 經(jīng)過實驗, 本文利用ENVI軟件的感興趣區(qū)(region of interest, ROI)工具, 通過裁剪不規(guī)則圖像, 實現(xiàn)了實驗區(qū)域與無關(guān)信息的分離。基于Matlab語言程序計算得到海冰外緣線后, 根據(jù)具體衛(wèi)片的圖像分辨率, 將提取的海冰像素點個數(shù)與單位像元的面積相乘即可完成所提取海冰總面積的量化工作(圖4)。

圖4 2018年2月4日MODIS遙感影像圖

3.2 仿真實驗結(jié)果與分析

所有的仿真實驗工作在一臺惠普Z620工作站上開展, 基于Matlab 2014a、ENVI4.5及ArcGIS10.2等軟件平臺完成。實驗的數(shù)據(jù)情況見表2?；谧兎旨癝BPM算法的程序的幾個主要初始參數(shù)設(shè)計為: = 5, = 5, = 3 000, 迭代次數(shù)設(shè)計為15。

圖4是2018年2月4日MODIS遙感影像圖。圖5是上述影像基于變分方法提取結(jié)果。為更清楚地查看提取結(jié)果, 在圖5上任意選取了4個區(qū)域1、2、3、4, 分別對應(yīng)圖6中的(a)、(b)、(c)及(d)。圖7是2018年2月4日MODIS影像基于人工方法提取結(jié)果。

圖5 2018年2月4日MODIS影像基于變分方法提取結(jié)果

圖6 圖5的局部效果

圖7 2018年2月4日MODIS影像基于人工方法提取結(jié)果

圖8是2018年2月6日“高分四號”衛(wèi)星影像圖。圖9是上述影像基于變分方法的提取結(jié)果。為更清楚地查看提取結(jié)果, 在圖9上任意選取了4個區(qū)域1、2、3、4, 分別對應(yīng)圖10中的(a)、(b)、(c)及(d)。圖11是2018年2月6日“高分四號”影像基于人工方法的提取結(jié)果。

圖8 2018年2月6日“高分四號”衛(wèi)星影像圖

圖9 2018年2月6日“高分四號”影像基于變分方法提取結(jié)果

圖10 圖9的局部效果

圖11 2018年2月6日“高分四號”影像基于人工方法的提取結(jié)果

圖12是2018年1月29日HJ-1B遙感影像圖。圖13是上述影像基于變分方法的提取結(jié)果。為更清楚地查看提取結(jié)果, 在圖13上任意選取了4個區(qū)域1、2、3、4, 分別對應(yīng)圖14中的(a)、(b)、(c)及(d)。圖15是2018年1月29日HJ-1B影像基于人工方法的提取結(jié)果。

圖16是2018年1月12日HJ-1B遙感影像圖。圖17是上述影像基于變分方法的提取結(jié)果。為更清楚地查看提取結(jié)果, 在圖17上任意選取了4個區(qū)域1、2、3、4, 分別對應(yīng)圖18中的(a)、(b)、(c)及(d)。圖19是2018年1月12日HJ-1B影像基于人工方法的提取結(jié)果。

圖12 2018年1月29日HJ-1B遙感影像圖

圖13 2018年1月29日HJ-1B影像基于變分方法的提取結(jié)果

圖14 圖13的局部效果圖

圖15 2018年1月29日HJ-1B影像基于人工方法提取結(jié)果

圖16 2018年1月12日HJ-1B遙感影像圖

圖17 2018年1月12日HJ-1B影像基于變分方法的提取結(jié)果

圖18 圖17的局部效果圖

圖19 2018年1月12日HJ-1B影像基于人工方法提取結(jié)果

圖20是2018年2月15日“高分四號”衛(wèi)星影像。圖21是上述影像基于變分方法提取結(jié)果。為更清楚地查看提取結(jié)果, 在圖21上任意選取了4個區(qū)域1、2、3、4, 分別對應(yīng)圖22中的(a)、(b)、(c)及(d)。圖23是2018年2月15日“高分四號”影像基于人工方法的提取結(jié)果。

上面的圖5、6、9、10、13、14、17、18、21和22共10張圖是基于變分及SBPM快速算法提取海冰信息的結(jié)果, 綠線即提取的海冰外緣線, 黑色及天藍色背景(用PhotoShop軟件處理過)是海水、陸地等非海冰區(qū)。在五景影像上分別選擇了三處有代表性的區(qū)域進行重點、放大顯示, 一是靠近陸地、有冰有水有陸地的區(qū)域(見圖5、9、13、17和21的1區(qū)); 二是靠近陸地有初生冰的區(qū)域(見圖5、9、13、17和21的3區(qū)); 三是遠離陸地冰水分明的區(qū)域(見圖5、9、13、17和21的2區(qū)和4區(qū))。從提取結(jié)果圖片上看, 1區(qū)提取的效果較差, 原因是近遼東灣底海水結(jié)冰不明顯, 冰水灰度接近, 變分法沒有進行較好地識別; 3區(qū)的初生冰區(qū)域提取過細, 導(dǎo)致部分初生冰沒有被識別; 2區(qū)和4區(qū)提取的效果最好, 海冰外緣線及冰間水道提取的精度都非常高。圖7、11、15、19及圖23五張圖是基于人工解譯方法提取的海冰信息結(jié)果, 遼東灣內(nèi)的灰白色區(qū)域即為提取的海冰外緣線及分布面積。人工解譯方法因為加入了專家知識, 在靠近陸地、冰水灰度不明顯及初生冰較多的地方, 識別得較好, 但在遠離陸地、冰水明顯分離的冰間水道區(qū)域提取的不夠精確。表3是兩種方法的數(shù)值比較結(jié)果, 其中的“提取時間”是指純粹的海冰外緣線提取及海冰分布面積計算的時間。這個比較結(jié)果和圖片結(jié)果基本吻合, 因人工解譯方法對冰間水道及外緣線提取不精確, 造成數(shù)值結(jié)果大于變分方法; 從提取時間上看, 基于變分及SBPM方法最快僅需要15.568 9 s, 最慢也僅需要41.652 3 s, 而人工解譯方法最快需要2 min 53 s, 最慢需要15 min 14 s, 在提取時間上變分方法有很大的優(yōu)勢。另外, 基于變分方法提取海冰外緣線結(jié)果穩(wěn)定, 不受人為因素影響, 不會出現(xiàn)解譯專家不同解譯結(jié)果迥異的情況。

圖20 2018年2月15日“高分四號”衛(wèi)星影像

圖21 2018年2月15日“高分四號”影像基于變分方法提取結(jié)果

圖22 圖21的局部效果

圖23 2018年2月15日“高分四號”影像基于人工方法的提取結(jié)果

表3 基于變分方法與人工解譯方法提取海冰分布面積的結(jié)果比較

4 結(jié)論

本文提出基于變分水平集方法及快速分裂Bregman投影方法的海冰信息提取業(yè)務(wù)化工作解決方案。仿真實驗結(jié)果表明, 基于變分水平集方法及快速分裂Bregman投影方法能夠應(yīng)用到業(yè)務(wù)化海冰監(jiān)測工作中; 無論在提取海冰外緣線的精度上還是在提取海冰信息的時間上, 變分及SBPM方法都有很大的優(yōu)勢。

[1] LEWIS N S, KOENIG L, GRANT G, et al. Sea ice detection from persistent single-channel shortwave infrared satellite data[J]. Ecological Informatics, 2019, 52: 139-149.

[2] MAHONEY A R, BARRY R G, SMOLYANITSKY V, et al. Observed sea ice extent in the Russian Arctic, 1933– 2006[J]. Journal of Geophysical Research Oceans, 2008, 113: C11005.

[3] SU H, JI B W, WANG Y P. Sea ice extent detection in the Bohai Sea using sentinel-3 OLCI data[J]. Remote Sensing, 2019, 11(20): 2436.

[4] WANG R F, HUANG D, ZHANG X, et al. Combined pattern matching and feature tracking for Bohai Sea ice drift detection using Gaofen-4 imagery[J]. International Journal of Remote Sensing, 2020, 41(19): 7486-7508.

[5] MAKYNEN M, SIMILA M. Thin ice detection in the Barents and Kara Seas with AMSR-E and SSMIS radiometer data[J]. IEEE Transactions on Geoscience & Remote Sensing, 2015, 53(9): 5036-5053.

[6] HOFFMAN J P, ACKERMAN S A, LIU Y, et al. The detection and characterization of arctic sea ice leads with satellite imagers[J]. Remote Sensing, 2019, 11(5): 521.

[7] ZHU Y C, YU K G, ZOU J G, et al. Sea ice detection based on differential delay-Doppler maps from UK Tech-DemoSat-1[J]. Sensors, 2017, 17(7): 1614.

[8] SOUTHWELL B J, DEMPSTER A G. Sea ice transition detection using incoherent integration and deconvolution[J]. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, 2019, 13: 14-20.

[9] KIM M, KIM H C, IM J, et al. Object-based landfast sea ice detection over West Antarctica using time series ALOS PALSAR data[J]. Remote Sensing of Environment, 2020, 242: 111782.

[10] BARBAT M M, RACKOW T, WESCHE C, et al. Automated iceberg tracking with a machine learning approach applied to SAR imagery: A Weddell sea case study[J]. ISPRS Journal of Photogrammetry and Remote Sensing, 2021, 172: 189-206.

[11] WANG W B, SU J. Sea ice edge automatic retrieval based on morphology[J]. Journal of Remote Sensing, 2015, 19(6): 983-989.

[12] 武晉雯, 孫龍彧, 馮銳, 等. 實測光譜和歐氏距離在GF2衛(wèi)星海冰提取中的應(yīng)用[J]. 遙感技術(shù)學(xué)報, 2018, 31(10): 1598-1603.

WU Jinwen, SUN Longyu, FENG Rui, et al. Application of measured spectra and euclidean distance in GF2 satellite sea ice extraction[J]. Chinese Journal of Sensors and Actuators, 2018, 31(10): 1598-1603.

[13] 張寶華, 周文濤, 呂曉琪. 基于稀疏分解和改進MRF模型的SAR海冰圖像分割方法[J]. 遙感技術(shù)與應(yīng)用, 2017, 32(4): 709-713.

ZHANG Baohua, ZHOU Wentao, Lü Xiaoqi. SAR sea ice image segmentation method based on low rank sparse representation and improved MRF model[J]. Remote Sensing Technology and Application, 2017, 32(4): 709-713.

[14] GAO P, WANG X, GAO Y H, et al. Sea ice change detection in SAR images based on convolutional-wavelet neural networks[J]. IEEE Geoscience and Remote Sensing Letters, 2019, 16(8): 1240-1244.

[15] MARKO M, MARKKU S. Thin ice detection in the Barents and Kara Seas using AMSR2 high-frequency radiometer data[J]. IEEE Transactions on Geoscience and Remote Sensing, 2019, 57(10): 7418-7437.

[16] MIAO X, XIE H J, ACKLEY S F, et al. Object-based detection of Arctic sea ice and melt ponds using high spatial resolution aerial photographs[J]. Cold Regions Science & Technology, 2015, 119: 211-222.

[17] MIAO X, XIE H J, ACKLEY S F, et al. Object-based arctic sea ice ridge detection from high-spatial-resolution imagery[J]. IEEE Geoscience & Remote Sensing Letters, 2016, 13(6): 787-791.

[18] LEE S, IM J, KIM J W, et al. Arctic sea ice thickness estimation from CryoSat-2 satellite data using machine learning-based lead detection[J]. Remote Sensing, 2016, 8(9): 698.

[19] LONGEPE N, THIBAUT P, VADAINE R, et al. Comparative evaluation of sea ice lead detection based on SAR imagery and altimeter data[J]. IEEE Transactions on Geoscience and Remote Sensing, 2019, 57(6): 4050- 4061.

[20] GAO Y H, GAO F, DONG J Y, et al. Transferred deep learning for sea ice change detection from Synthetic- Aperture radar images[J]. IEEE Geoscience and Remote Sensing Letters, 2019, 16(10): 1655-1659.

[21] CHAN T F, VESE L A. Active contours without edges[J]. IEEE Transactions on Image Processing, 2001, 10(2): 266-277.

[22] MUMFORD D, SHAH J. Optimal approximations by pie-cewise smooth functions and associated variational problems[J]. Communications on Pure & Applied Mathe--matics, 1989, 42(5): 577-685.

[23] GOLDSTEIN T, BRESSON X, OSHER S. Geometric applications of the split Bregman method: segmentation and surface reconstruction[J]. Journal of Scientific Com-puting, 2010, 45(1/3): 272-293.

Automatic extraction of sea ice information based on variational level set method

ZHANG Yong-mei1, 2, RUAN Cheng-qing1, 2, LIU Ai-chao1, 2, ZHONG Shan1, 2,WU Ling-juan1, 2

(1. North China Sea Marine Forecasting Center of State Oceanic Administration, Qingdao 266061, China; 2. Shandong Provincial Laboratory of Marine Ecology and Environment & Disaster Prevention and Mitigation, Qingdao 266061, China)

To solve the problems of inaccurate extraction of outer edge and area information of sea ice and weak business application in the current sea ice information interpretation in this study, an automatic extraction method of sea ice outer edge based on the split Bregman algorithm is proposed. The algorithm is applied to the operational sea ice information interpretation work through remote sensing image preprocessing and algorithm programming. Five visible satellite remote sensing images with medium and high spatial resolutions were selected. First, irregular image clipping, image enhancement, and other preprocessing work are conducted for the sea ice region to be extracted from the image. Next, based on the variational level set and fast split Bregman projection methods, the information of sea ice outer edge line is extracted, and the extracted sea ice area is quantified and compared with the traditional manual extraction of sea ice information. The experimental results indicate that the sea ice information extracted based on the variational level set method and the fast split Bregman algorithm has the advantages of accurate sea ice edge extraction, a high degree of automation, and stable and reliable extraction results.

variational level set method; split Bregman algorithm; ice edge; automatic extraction

Aug. 9, 2021

[Foundation of the National Key Research and DevelopmentProject of China, No. 2018YFC1407200; Shandong Natural Science Foundation Project, No. ZR2019ZD12]

P731

A

1000-3096(2022)07-0001-10

10.11759/hykx20210809001

2021-08-09;

2021-10-22

國家重點研發(fā)計劃項目(2018YFC1407200); 山東省自然科學(xué)基金重大基礎(chǔ)研究項目(ZR2019ZD12)

張永梅(1971—), 山東淄博人, 高級工程師, 碩士, 主要從事遙感圖像解譯和變分方法研究, E-mail: zhangyongmei@ncs.mnr.gov.cn; 阮成卿(1987—), 山東威海人,通信作者, 博士, 主要從事海冰遙感與數(shù)值模擬研究, E-mail: ruanchq@163.com

(本文編輯: 叢培秀)