顧及特征優(yōu)選的機(jī)載LiDAR測深海底點云底質(zhì)分類

宿殿鵬，黃昱，陽凡林，2，趙荻能，楊安秀，2，劉驕陽

1.山東科技大學(xué) 測繪與空間信息學(xué)院,青島 266590;2.自然資源部海洋測繪重點實驗室,青島 266590;3.自然資源部第二海洋研究所 自然資源部海底科學(xué)重點實驗室,杭州 310012

1 引言

海底底質(zhì)類型是重要的海洋環(huán)境參數(shù)（趙玉新和趙廷，2020），是進(jìn)行海底科學(xué)研究的基礎(chǔ)。隨著海洋牧場建設(shè)、海洋環(huán)境監(jiān)測、海洋工程應(yīng)用及海底資源調(diào)查等領(lǐng)域發(fā)展，亟需海底底質(zhì)分類為其提供數(shù)據(jù)基礎(chǔ)。因此，探求合理、有效的海底底質(zhì)分類方法對于海上環(huán)境保護(hù)活動和海洋學(xué)科建設(shè)等方面具有重要的實際應(yīng)用價值。

目前，海底底質(zhì)分類方法大體可分為實地取樣觀測和聲光遙感探測兩類（劉永明 等，2017）。其中，傳統(tǒng)的實地取樣方法精度高，但效率低、成本高，因此該方法難以實現(xiàn)大范圍高密度的海底底質(zhì)取樣（徐超，2014）。相對于取樣方法，海底底質(zhì)遙感手段具有更高探測效率，且主要分為聲學(xué)遙感與光學(xué)遙感兩種方式。

聲學(xué)遙感方面，側(cè)掃聲吶作為高分辨率的水下聲學(xué)成像設(shè)備，能夠快速獲得大范圍、高分辨率的海底聲學(xué)圖像，在海洋湖泊等水下目標(biāo)探測中應(yīng)用廣泛（Ge 等，2021）。陳佳兵等（2017）基于珠江口側(cè)掃聲吶圖像數(shù)據(jù)，采用灰度直方圖和灰度共生矩陣方法提取特征向量，采用PSO-BP 方法，實現(xiàn)了對砂、礁石和泥3 類底質(zhì)樣本的分類，其分類精度達(dá)到90%。然而利用聲吶圖像僅提取了紋理特征，分類特征空間考慮不夠全面，進(jìn)而影響分類精度，需要結(jié)合其他的特征提取方法提高底質(zhì)分類的適用性。另外，多波束探測作為聲學(xué)海洋遙感的重要技術(shù)之一，也經(jīng)常用于海底底質(zhì)分類（陽凡林 等，2021）。唐秋華等（2014）基于多波束反向散射強(qiáng)度數(shù)據(jù)，運用改進(jìn)的學(xué)習(xí)向量量化神經(jīng)網(wǎng)絡(luò)，實現(xiàn)對海底粉砂質(zhì)砂、黏土質(zhì)砂以及砂—粉砂—黏土3種底質(zhì)類型的快速自動分類識別，相比改進(jìn)前分類精度有所提升。然而船只在淺水區(qū)域易發(fā)生觸礁、擱淺等危險，其系統(tǒng)應(yīng)用受到一定限制（劉焱雄 等，2017）。

海洋光學(xué)遙感方面，Ayustina 等（2018）運用Landsat 8 獲取的影像和實地數(shù)據(jù)實現(xiàn)對淺海區(qū)域碎石、海草混合沙、珊瑚礁混合碎石、碎石混合死珊瑚、沙混合碎石和沙混合海草的分類，OA 分類精度為80%，分類精度相對較低。機(jī)載LiDAR 測深A(yù)LB（Airborne LiDAR Bathymetry）是一種主動式的海洋探測技術(shù)，在淺水區(qū)域具有測量精度高、測量效率高、機(jī)動性高、測量連續(xù)性等優(yōu)點（劉焱雄 等，2017）。Velasco 等（2014）基于輻射傳輸模型矯正機(jī)載LiDAR 測深強(qiáng)度信息并生成強(qiáng)度圖像，利用K-means 方法對強(qiáng)度圖像進(jìn)行無監(jiān)督分類，與驗證數(shù)據(jù)相比分類效果較好，但分類精度受限于單一強(qiáng)度特征數(shù)據(jù)。針對該問題，Eren等（2018）基于機(jī)載LiDAR 測深數(shù)據(jù)提取了11 維波形特征，并利用SVM 監(jiān)督分類器進(jìn)行分類，結(jié)果顯示沙子和巖石分類的總體分類精度為96%，細(xì)砂和粗砂分類的總體分類精度僅為86%，說明僅利用波形特征進(jìn)行分類還不夠全面。為了更全面的利用特征信息，Su 等（2019）對分類特征空間做了進(jìn)一步擴(kuò)展，利用機(jī)載LiDAR 測深系統(tǒng)波形特征和地形特征數(shù)據(jù)建立特征向量，并將其輸入到支持向量機(jī)中，將底質(zhì)分為珊瑚礁和其他兩類，OA 精度達(dá)到了93.57%。綜上所述，多維特征向量往往包含更多特征信息，其分類精度要比單一特征的分類精度高，但特征冗余也會影響分類效果，因此分類之前進(jìn)行特征優(yōu)選就顯得尤為重要（戴莫凡 等，2022）。

高維特征信息不僅會增加模型構(gòu)建的復(fù)雜度，還會降低機(jī)器學(xué)習(xí)算法的性能，造成“維數(shù)災(zāi)難”和“過擬合”問題（陳科，2021；喬紀(jì)綱 等，2011）。特征優(yōu)選可移除冗余的干擾特征，有效降低高維數(shù)據(jù)的維數(shù)，從而提高分類的準(zhǔn)確度。臧卓等（2014）利用PCA 算法對喬木樹種的高光譜數(shù)據(jù)進(jìn)行降維與分類，實驗結(jié)果表明，適宜的主成分個數(shù)可獲得較高的分類精度，然而無監(jiān)督PCA 投影原則使得不同類別的數(shù)據(jù)混合在一起難以區(qū)分。為找到數(shù)據(jù)中具有判別性的維度，不同類別盡可能區(qū)分開，楊明莉等（2020）利用線性判別分析法對高光譜數(shù)據(jù)降維處理，相比特征降維前分類精度有所提高，然而線性判別分析法不適合對非高斯分布樣本進(jìn)行降維且線性判別分析法最多降維到比類別數(shù)少1的維數(shù)。因此，找到合適的特征選擇方法至關(guān)重要。

針對海底底質(zhì)分類中存在的特征冗余問題，提出了一種顧及波形和地形特征優(yōu)選的機(jī)載LiDAR海底底質(zhì)分類方法。通過提取9 類波形特征變量（偏態(tài)、峰度、反向散射截面系數(shù)、殘差振幅、殘差波寬等）和9類地形特征變量（粗糙度、高斯曲率、高程熵、變異系數(shù)、凹凸系數(shù)等）；基于Relief-F方法構(gòu)建特征優(yōu)選模型，設(shè)置貢獻(xiàn)率閾值，精簡18 類特征中貢獻(xiàn)率低于閾值的特征；最后利用SVM、隨機(jī)森林、BP 神經(jīng)網(wǎng)絡(luò)分類器，將底質(zhì)劃分為珊瑚礁、礫石、砂、植被和海岸帶5類，并對分類結(jié)果進(jìn)行精度評定與分析。

2 研究方法

2.1 數(shù)據(jù)預(yù)處理

波形數(shù)據(jù)預(yù)處理主要包括波形去噪和波形擬合兩部分。數(shù)據(jù)預(yù)處理旨在于更完整和精確地提出波形回波信號各個組分的詳細(xì)信息（Lai 和Zheng，2015）。

（1）波形去噪。ALB 系統(tǒng)接收的回波信號是海面回波信號、水體后向散射信號、海底回波信號、背景噪聲等回波信號在時間軸上能量的疊加（Abdallah等，2012）。實測波形回波信號各個組分如圖1所示。公式如下：

式中，PT（t）為ALB 系統(tǒng)接收的總回波信號，PS（t）為海面回波信號，Pc（t）為水體散射信號，Pb（t）為海底回波信號，PBG（t）為背景噪聲，PR（t）為傳感器內(nèi)部噪聲，t為時間。因此，需要在特征提取前對含噪波形信號進(jìn)行去噪處理，本文利用小波自適應(yīng)閾值去噪方法進(jìn)行ALB波形去噪。

（2）波形擬合。波形擬合是機(jī)載LiDAR 測深數(shù)據(jù)處理的重要環(huán)節(jié)，是有效提取波形特征的前提。本文基于分層異構(gòu)算法分別對水面、水體、水底波形進(jìn)行分解（亓超 等，2021，2019）。

2.2 特征提取與特征優(yōu)選模型構(gòu)建

（1）波形特征提取。本文基于2.1 節(jié)波形擬合結(jié)果進(jìn)行9 類波形特征的提取，其示意圖如圖2所示。

圖2 波形特征變量分布圖Fig.2 Schematic illustration of sea bottom waveform variables

1）振幅（Peak amplitude）：回波能量的最大值，表示回波強(qiáng)度（Lee 等，2001）。如圖2（a）所示，波形最高處的能量值。

2）波寬（Pulse width）：回波波形的平展距離。如圖2（a）所示。

3）半幅波寬（Full width at half maximum）：如圖2（a）所示，回波能量為振幅的一半時所對應(yīng)的波寬（Hou 等，2019）。

式中，GSE為高斯擬合時波形的標(biāo)準(zhǔn)偏差。

4）波形面積（Area）：海底波形響應(yīng)過程中激光脈沖能量的積累。當(dāng)回波高度為振幅高度的20%時，兩者之間對應(yīng)的面積S，如圖2（a）所示。

式中，Si為第i段回波波形對應(yīng)的采樣面積。

5）偏態(tài)（Skewness）：對回波能量分布的偏移程度，如圖2（b）所示。用式（4）來計算回波能量的分布趨勢對稱性的量度（Joanes和Gill，1998）。

式中，Pi為回波波形采樣點的能量，為波形采樣點處回波能量的平均值，n為采樣點個數(shù)。

6）峰度（Kurtosis）：表示回波波峰的尖銳程度，如圖2（b）所示。由下式可計算出（Matsatsinis和Samaras，2000）：

7）反向散射截面系數(shù)（Backscatter crosssection）：如圖2（c）所示，反映出海底水波和回波信號之間的有效碰撞面積（Alexander等，2010）。

式中，Ccal為校準(zhǔn)常數(shù)，，R為激光發(fā)射器中心到海底的距離，βt為激光束發(fā)射角，P為振幅，W為脈寬，ρ為海底發(fā)射率。

8）殘差振幅（Residual amplitude）：是殘差信號的振幅值。在75%峰值強(qiáng)度點處用于平均斜率擬合，所形成的多余線性回歸與底部收益之間的面積作為殘差信號，交點處的振幅值與底部收益點處的振幅值之差就是殘差振幅（Li 等，2012），如圖2（a）所示。

式中，PRES是殘差振幅，PCL是交點處線性回歸的振幅值，PCW是對應(yīng)的底部收益點處的振幅值。

9）殘差波寬（Residual pulse width）：模擬底部收益率的線性部分頂部處的脈沖寬度，如圖2（a）所示。

式中，WRES是殘差波寬，WCR是右側(cè)頂點處的脈沖寬度，WCL是左側(cè)頂點處的脈沖寬度。

（2）地形特征提取。地形特征則采用局部二次曲面擬合算法進(jìn)行提取。其主要步驟為：首先，設(shè)定擬合半徑r，并基于LM 算法建立海底點的二次曲面擬合模型，根據(jù)擬合時間和擬合精度確定最優(yōu)半徑為2 m，進(jìn)而得到最優(yōu)半徑下的最佳擬合參數(shù)；然后，根據(jù)最優(yōu)擬合參數(shù)確定地形模型，依據(jù)表1 中的特征定義獲取9 類地形特征數(shù)據(jù)。其中部分地形特征變量分布圖如圖3所示。

表1 海底地形特征參數(shù)表Table1 Description of sea bottom geometric variables

圖3 部分地形特征變量分布圖Fig.3 Schematic illustration of partial geometric variables

（3）特征優(yōu)選模型構(gòu)建。為精簡并優(yōu)化特征空間，分類之前需要進(jìn)行特征優(yōu)選處理，本文采用Relief-F 算法進(jìn)行特征優(yōu)選?；舅枷胧菫閷嶒灁?shù)據(jù)特征集中的每一個特征賦予不同的權(quán)重，隨后遵循“聚集同類樣本，離散異類樣本”的原則迭代更新權(quán)值，即根據(jù)其權(quán)值大小進(jìn)行排序，并設(shè)立閾值舍棄貢獻(xiàn)率較小的特征，最后得到優(yōu)選的特征子集（黃莉莉 等，2012）。

首先找出k個與任意特征xi同類的最近鄰樣本集合H，其中表示特征xi與H內(nèi)各特征在特征集A上的差異量化表達(dá)為式（9）：

式中，j=1，2，3，…，k。然后找出與xi不同類的k個最近鄰特征樣本集合M（c），其中n行1列表示特征xi與M（c）各特征在特征集A上的差異量化表達(dá)為公式（10）（張鴻，2012）：

2.3 分類器構(gòu)建

隨機(jī)森林分類器構(gòu)建，首先利用Bootstrap 隨機(jī)有放回的選取M個訓(xùn)練集且每個的大小約占原始數(shù)據(jù)的三分之二；然后訓(xùn)練每個樣本集為單個決策樹，根據(jù)Gini 系數(shù)的最小原則隨機(jī)選取最優(yōu)特征進(jìn)行分裂，直到該節(jié)點訓(xùn)練樣例都屬于同一類；最后，按照決策樹投票結(jié)果決定最終分類結(jié)果。隨機(jī)森林分類輸出判別式如下式所示：

式中，H（x）為最終分類結(jié)果；hi（x）表示單一決策樹分類結(jié)果；argmax 表示函數(shù)取得最大值時的參數(shù)值；Y表示目標(biāo)向量；I（）為示性函數(shù)（表示當(dāng)集合內(nèi)有此數(shù)時該函數(shù)值為1，無此數(shù)時該函數(shù)值為0）（陳進(jìn) 等，2020）。

2.4 算法流程

本文是顧及波形特征和地形特征優(yōu)選的海底底質(zhì)分類，具體流程包括：

（1）對原始回波信號進(jìn)行小波去噪，對原始點云進(jìn)行點云去噪處理；

（2）對去噪后的回波信號進(jìn)行峰值探測，然后分別利用高斯函數(shù)擬合水面反射回波，利用韋伯函數(shù)擬合水底反射回波，利用雙指數(shù)函數(shù)擬合水體反射回波，進(jìn)而提取出波形特征；

（3）對去噪后的點云數(shù)據(jù)采用LM 算法建立二次曲面擬合模型，迭代尋優(yōu)獲得最優(yōu)化的擬合參數(shù)，提取出地形特征；

（4）基于提取的波形和地形特征，利用Relief-F 算法計算其貢獻(xiàn)率排序，保留貢獻(xiàn)率較大的特征；

（5）利用隨機(jī)森林分類器提取出珊瑚礁、砂、海岸帶、礫石、植被5類底質(zhì)類型。

3 實驗與分析

3.1 實驗數(shù)據(jù)

實驗所用數(shù)據(jù)采集自中國西沙群島永樂環(huán)礁西北側(cè)的甘泉島水域，南海西沙群島區(qū)域。該島是典型的珊瑚島且島內(nèi)環(huán)境相對比較原始，擁有豐富的海底底質(zhì)類型，有利于開展淺水環(huán)境下的海底底質(zhì)分類研究。

實驗中機(jī)載LiDAR測深數(shù)據(jù)由Optech Aquarius ALB 系統(tǒng)采用532 nm，70 kHz 綠激光采集，飛機(jī)飛行高度為300 m，激光掃描最低角為15°，激光發(fā)射角為1 mrad，脈沖寬度為8.3 ns。經(jīng)數(shù)據(jù)預(yù)處理后，共獲得1.8×107個海底點，海底點云密度約為4 pts/m2。同時采集了部分高清數(shù)碼相片，分辨率5 cm，以此為參考進(jìn)行訓(xùn)練樣本和驗證樣本的選擇，樣本采集區(qū)域如圖4（a）A區(qū)所示。

圖4 研究區(qū)域圖Fig.4 Study area

3.2 特征提取結(jié)果與特征優(yōu)選分析

（1）波形和地形特征提取結(jié)果。根據(jù)波形和地形特征的提取方法，對ALB數(shù)據(jù)進(jìn)行9維波形和9 維地形特征變量的特征提取，波形特征提取結(jié)果如圖5所示，地形特征提取結(jié)果如圖6所示。

圖5 波形特征提取結(jié)果圖Fig.5 Result diagram of waveform feature extraction

圖6 地形特征提取結(jié)果圖Fig.6 Result diagram of terrain feature extraction

（2）特征優(yōu)選結(jié)果與分析。采用Relief-F 算法對9 類波形特征和9 類地形特征，根據(jù)其貢獻(xiàn)率值由高到低進(jìn)行排序。依據(jù)選取的特征輸入到分類器內(nèi)分類精度最高的原則，人工設(shè)置貢獻(xiàn)率閾值為0.0048，貢獻(xiàn)率小于此閾值的特征被去除。

如圖7 所示，特征優(yōu)選后，保留了13 類特征，其中波形特征有4個，分別是波寬、半幅波寬、波形面積、后向散射截面系數(shù)；地形特征有9個，分別是高斯曲率、坡度、水深標(biāo)準(zhǔn)差、平均偏差、高程熵、海底起伏度、粗糙度、凹凸系數(shù)、變異系數(shù)。進(jìn)一步分析可知：地形特征貢獻(xiàn)率占3/4 左右，證明了地形特征對于底質(zhì)分類的重要性，但僅僅使用地形特征缺乏詳細(xì)的空間尺度過程信息，需結(jié)合波形特征，波形特征約占比1/4，證明波形特征在此特征空間中對分類的有效性。

圖7 特征優(yōu)選結(jié)果貢獻(xiàn)率分布圖Fig.7 Distribution diagram of contribution rate of feature optimization results

3.3 分類結(jié)果與精度評定

如圖9（a）所示，將實驗區(qū)域劃分為5種底質(zhì)類型，并從實驗區(qū)域A 中選取總訓(xùn)練樣本，其中珊瑚礁點8601 個、植被點8104 個、海岸帶點3976個、砂點8727 個、礫石點6323 個。在分類過程中，隨機(jī)選取總訓(xùn)練樣本的70%、20%和10%分別作為訓(xùn)練樣本、驗證樣本和測試樣本，3 個樣本集之間沒有重疊的點。為了減小分類特征過多或過少對分類精度產(chǎn)生的負(fù)面影響，本實驗采用Relief-F 算法對18 類波形和地形特征進(jìn)行特征優(yōu)選，并設(shè)計對照實驗對比分析。

由圖8 可知，特征優(yōu)選后，3 種分類方法的總體精度均有所提升，表明使用Relief-F 算法能夠減少特征冗余度帶來的不利影響，進(jìn)而達(dá)到提高分類精度的目的。

圖8 特征優(yōu)選前后精度對比圖Fig.8 Comparison diagram of accuracy before and after feature optimization

將最優(yōu)的13 類特征輸入到SVM，BPNN，RF 3 種經(jīng)典分類器算法中進(jìn)行分類，并利用用戶精度、生產(chǎn)者精度、總精度OA 和Kappa 系數(shù)對分類精度進(jìn)行精度評定，結(jié)果如表2所示。

表2 特征優(yōu)選后分類精度對比結(jié)果Table2 Comparison of classification accuracy

由表2 實驗結(jié)果分析可知，實驗比對3 種分類方法中，隨機(jī)森林分類器泛化性強(qiáng)且分類精度最高，總體精度達(dá)到95.36%，Kappa系數(shù)為0.94。

最后基于上述分類過程中訓(xùn)練好的SVM，BPNN，RF 共3 個分類器模型，對測區(qū)A 進(jìn)行預(yù)測，預(yù)測結(jié)果如圖9（b）、圖9（c）、圖9（d）所示，RF 分類器的預(yù)測結(jié)果與圖9（a）最為相近；其次為SVM，BP神經(jīng)網(wǎng)絡(luò)預(yù)測結(jié)果較差。

圖9 實驗區(qū)域預(yù)測結(jié)果圖Fig.9 Diagram of prediction results in the experimental area

4 結(jié)論

針對海底底質(zhì)分類中存在的冗余特征問題，提出了一種顧及波形和地形特征優(yōu)選的機(jī)載LiDAR 測深海底底質(zhì)分類方法。將所提算法應(yīng)用于實測機(jī)載LiDAR 測深數(shù)據(jù)，通過對分類結(jié)果進(jìn)行精度評定與分析，得出以下結(jié)論：

（1）基于9 類波形特征和9 類地形特征變量，利用構(gòu)建的特征優(yōu)選模型進(jìn)行特征優(yōu)選?；趦?yōu)選特征，利用3種分類器進(jìn)行分類。實驗結(jié)果表明Relief-F 特征優(yōu)選模型減小了冗余特征對分類精度的負(fù)面影響，基于優(yōu)選特征進(jìn)行分類可獲取更高的分類精度。

（2）為了選擇有效的分類器，進(jìn)行特征優(yōu)選后，基于隨機(jī)森林，SVM，BP神經(jīng)網(wǎng)絡(luò)3種分類器分別提取珊瑚礁、砂、礫石、海岸帶、植被5 種底質(zhì)。實驗結(jié)果表明隨機(jī)森林分類器的分類效果最好，OA精度和Kappa系數(shù)分別達(dá)到了95.36%和0.94。

通過本文顧及波形和地形特征優(yōu)選的機(jī)載LiDAR 測深底質(zhì)分類方法研究，相關(guān)成果能夠為海洋工程等領(lǐng)域?qū)５椎踪|(zhì)分類需求提供有效的技術(shù)支撐。