基于SR-NDVI和中值濾波的連云港海域紫菜筏架自動提取研究

許海蓬，張彥彥，鄭 劍

（1. 連云港市海域使用保護動態管理中心，江蘇 連云港 222001；2. 連云港市不動產交易登記中心，江蘇 連云港 222001）

連云港市地處我國海岸中部，海岸線長約211 km，岸線類型豐富，沿岸入海河流20余條。豐富的營養鹽輸入加上海州灣獨特的地理條件和市場需求使得紫菜養殖業快速發展，特別是近幾年，紫菜養殖面積持續增長。然而，隨著養殖面積擴大，海上實地調查和執法受天氣、環境和儀器設備等因素影響，很難快速準確地從宏觀上掌握養殖情況；同時，對于海域管理而言，還需要準確掌握筏架的面積和個數。這些現實困難使得從影像上自動提取紫菜筏架顯得尤為重要。

國內外眾多學者開展了養殖筏架的自動提取研究工作，主要分兩類：光學和SAR圖像提取。其中，光學衛星影像又分為圖像處理算法、深度學習和面向對象的特征信息提取，研究對象分為海水養殖和湖泊養殖。面向對象的特征提取通常結合或輔助圖像分類方法[1-3]；深度學習最近幾年開始應用于特征地物信息提取，紫菜筏架也在其中[4-5]；基于指數計算、主成分分析和濾波分析等圖像處理算法的自動提取和紋理特征分析，結合閾值分割，可達到較好的提取效果[6-12]。相比光學遙感，SAR具備穿云透霧和全天候工作能力，并且可利用海水和紫菜筏架的回波能量差異較大的特點，更加準確地對紫菜筏架進行精確提取[13-15]。同時，還有學者開展湖泊養殖筏架的自動提取研究[8,16-17]。上述研究偏重局部精細化提取，很少有學者考慮海洋環境因素、水深范圍等對紫菜筏架自動提取的影響研究。基于此，本文結合連云港海域管理和海洋行政執法的需求，從整個區域的角度出發，應用SR-NDVI和中值濾波兩種方法對整個連云港海域的紫菜養殖筏架開展自動提取，并以同時期無人機正射影像信息提取結果作為真值開展精度驗證。

1 研究區及數據源

1.1 研究區概況

研究區為連云港市海域，該海域是中國紫菜養殖的重要區域，如圖1所示。得天獨厚的水文地理條件造就該海域優良的紫菜生長條件，每年11月布置筏架并育苗，之后每半月采收1次，次年4月初完全收割。該海域養殖規范、養殖筏架規則整齊、水深分布較為明顯，適合開展紫菜養殖筏架的自動提取實驗。

圖1 研究區地理位置

1.2 數據源及數據預處理

1.2.1 Landsat-8衛星影像 本文應用美國陸地衛星Landsat-8，相比之前的陸地系列衛星影像，該衛星在技術方面有較大的突破，衛星影像設置11個光學波段，如表1所示。新增的質量評估波段（QA）直觀反映影像受傳感器和云影響的程度，同時對第五波段進行了一定程度的調整，有效排除了825 nm處水汽吸收影響[18]。本文中影像獲取日期為2018年1月13日，研究區紫菜養殖筏架清晰可見，影像質量高，無云層遮擋，如圖2所示。

表1 Landsat-8 OLI衛星影像技術參數

圖2 研究區Landsat-8衛星影像（R4G3B2組合）

Landsat-8圖像可見光波段輻射定標采用ENVI5.3自動處理，軟件自動讀取定標參數，結果選擇表觀反射率，原理如下：

式中：Lλ為表觀反射率；ML為波段增益；AL為波段偏置。

1.2.2 無人機影像 為驗證基于衛星影像的筏架自動提取精度，本文以當天獲取的無人機正射影像（圖3）提取紫菜養殖筏架信息為真值，開展精度分析，結合航線設計、飛行高度和相機參數，拼接生成的無人機正射影像空間分辨率為0.1 m，航線設計中的地面采樣距離（Ground Sampling Distance，GSD）為0.1 m。

圖3 研究區無人機正射影像（部分）

考慮無人機正射影像（空間分辨率0.1 m）與衛星遙感影像（空間分辨率30 m）尺度上的差別，以及風、潮汐、潮流造成的筏架變形和環境因素等影響，在基于無人機影像信息提取時采用“四至點”連線作為邊界進行提取，如圖4所示，目的是最大程度地去除邊界處混合像元和環境因素對精度分析的影響。

圖4 基于無人機影像進行筏架信息提取示例

2 紫菜養殖自動提取方法

2.1 基于SR-NDVI的自動提取

1973年，Landsat-1衛星成功發射，Rouse等[19]就提出歸一化植被指數算法（Normalized Difference Vegetation Index，NDVI）。2008年，Hu C M[20]首次將其應用在滸苔監測分析中。紫菜筏架與滸苔在海水中的狀態、深度等情況較為相似，紫菜筏架通常置于水面以下0～0.5 m處，本文分別采集淺水區和深水區“水體”、“養殖筏架”和“養殖筏架邊緣混合像元”3種地物的波譜曲線發現，在紅光和近紅外波段存在明顯差別，如圖5所示，因此開展基于NDVI的紫菜養殖筏架自動提取實驗。

圖5 地物波譜曲線

通過調查和無人機影像量算得知，連云港市海域單個紫菜筏架長、寬均為80～120 m，相鄰筏架間距為60～300 m，考慮到NDVI一定程度上能消除部分大氣效應影響，尤其對于水體這一弱信息而言，顯得更為重要。本文采用輻射定標后的圖像進行NDVI計算，計算公式如下。

式中：LNIR代表近紅外波段的表觀反射率；LR代表紅光波段的表觀反射率。

實際閾值分割中發現，整個連云港海域水質環境在空間上有很大的不同，由于河流入海帶來的泥沙和懸浮物、港口航道區水深突變造成水質變化、不同深度水體清澈程度各異和導堤兩側水動力情況不同等因素影響自然形成的“邊界”，而這些邊界也就形成了NDVI閾值分割的區域分界線。不同因素影響的水質環境如圖6所示。

圖6 不同因素影響的水質環境

以上諸多情況導致單一閾值無法對整個養殖區進行閾值分割。為此，本文中利用等深線、港口分布范圍、航道范圍對紫菜養殖范圍進行分割，大致確定分區范圍，在此基礎上結合定性分析并進行多次實驗優化分割，形成了10個分區，如圖7所示，對應的分區閾值及劃分依據如表2所示。

圖7 NDVI分區計算范圍分布

表2 NDVI分區計算范圍對應的閾值

1至3區是連云港港贛榆港區及航道區，其中2、3區的分界線為港口南側導堤，該導堤使得兩側區域水質明顯不同；1、3區分界線為定性分析結果，3區相比1區受沿岸人為因素影響較小，水體相對清澈；4、5、6三個區的分界線為5 m、8 m等深線；7區是連云港港口主航道區及影響區域，與4、5、6區的分界線為多次實驗定性判別結果；8區對應陸地的田灣核電站，在海洋功能區劃中該區域為“田灣核電利用區”；9區是連云港徐圩港區內部，該區域受“環抱型”圍堤影響，水體清澈；10區與8區中間間隙為徐圩港區港口航道區，10區南側為灌河口，水體較為渾濁。

2.2 基于中值濾波的自動提取

研究表明，將原圖像與中值濾波后的圖像進行差值運算，可以分辨出對比度不明顯的地物[21]，有學者利用SPOT影像的綠光波段將這一研究成果應用到海帶、牡蠣等筏式養殖自動提取研究中[11]。本文基于上述研究成果，結合“水體”、“養殖筏架”和“養殖筏架邊緣混合像元”3種地物波譜曲線在藍、綠和紅光波段均存在差別這一結果，對上述三波段進行中值濾波處理，然后再與原圖像進行差值運算，這樣可以達到減弱背景水體的表觀反射率值，從而凸顯紫菜筏架。通過影像量算得知，筏架間的距離位于60～300 m之間（2～10個像元），同時經過多次試驗，確定中值濾波模板大小設置為8 × 8方型核時提取效果最佳。

3 結果分析

連云港海域受沿岸入海河流、港口航道區、導堤等因素影響，水深層次性較為明顯，從影像定性分析的角度發現，水深大于5 m的區域，水質環境較好，為此以5 m等深線為分界線確定出“深水區”和“淺水區”。通過以上4種實驗，即SR-NDVI、中值濾波（藍、綠和紅光波段），結合“深水區”和“淺水區”范圍，同時以無人機影像信息提取結果為真值，對四種實驗結果進行精度分析，結果如表3所示。

表3自動提取結果比較（底圖為無人機正射影像）

實際提取結果中發現存在“筏架相連”的現象，這種現象通常出現在相鄰筏架間距離小于50 m（影像上小于2個像元）的區域，如圖8中紅色虛線框內的筏架，提取結果中表現為距離較近的若干筏架自動提取為1個的現象，如圖9所示。

圖8筏架相連區域（左：極易出現，右：不易出現）

圖9 筏架相連

針對上述現象，將自動識別矢量數據與真值做交集運算（Intersect），得出重疊個數，分析自動提取中此種現象的個數，并結合不同水深環境進行精度評價，參見表4。

表4 紫菜筏架自動提取精度驗證表（面積單位：ha）

從自動識別的筏架個數和面積兩個角度分析，深水區紫菜筏架自動提取結果較好。淺水區受水質、入海河流等因素影響，自動識別的筏架個數相差較大，其中只有SR-NDVI方法識別筏架個數較好，識別個數誤差為21個，識別個數精度為96.30%，基于中值濾波的3種方法識別個數誤差較大，分別為55個、50個和88個，識別個數精度僅為90.29%、91.18%和84.48%；從識別面積的角度分析，結果與識別個數類似，SR-NDVI方法識別面積誤差為49.72 ha，識別面積精度為91.65%，基于中值濾波的3種方法識別面積誤差較大，分別為74.89 ha、114.47 ha和37.93 ha，識別面積精度分別為87.42%、80.77%和93.63%。相比淺水區，深水區受人類活動影響較小，水體清澈，精度相對較高，深水區紫菜養殖筏架為224個，筏架面積為293.19 ha，4種方法識別的紫菜筏架個數較為接近，識別個數誤差均優于2個筏架，其中綠光波段的中值濾波方法識別面積為292.80 ha，與真值面積僅相差0.39 ha，識別個數誤差1個，識別面積精度和識別個數精度分別為99.87%和99.55%，藍光波段中值濾波方法次之，識別個數和識別面積精度分別為99.11%和95.11%，紅光波段中值濾波方法識別個數和識別面積精度分別為99.55%和88.42%，SR-NDVI方法識別面積誤差較大，為51.45 ha，識別面積精度僅為82.45%。

考慮到自動提取結果中存在“筏架相連”的情況，以無人機影像提取的真值作為標準，統計重疊個數，深水區重疊個數與識別個數相差甚微，只有藍光波段和紅光波段的中值濾波方法存在差別，可以得出結論認為，深水區域的自動識別結果基本不存在相連的現象；而在淺水區域，重疊個數與識別個數相差較大，其中紅光波段中值濾波方法和SR-NDVI兩者差別分別達27個和15個，證明該區域自動識別結果中“筏架相連”的現象較為普遍。

從上述實驗結果還可分析得出，淺水區SR-NDVI方法從識別個數和識別面積兩個方面，只有紅光波段的面積識別精度優于中值濾波方法；而深水區恰恰相反，在識別個數方面，兩種方法相差甚微，但從識別面積的角度分析發現，精度僅為82.45%，遠遠低于中值濾波方法。

4 結論與討論

4.1 結論

本文利用Landsat-8衛星影像，以連云港市紫菜養殖筏架為研究對象，采用分區域歸一化植被指數和中值濾波（分別利用藍、綠和紅光波段）兩種方法，開展紫菜筏架自動提取研究，并以同時期無人機影像信息提取真值對自動提取結果開展精度驗證，針對不同水深區域，從識別個數、識別面積和識別方法3個角度進行比對分析，同時針對“筏架相連”的現象，利用GIS方法中的交集運算（Intersect）開展精度分析，研究結果表明：（1）淺水區SR-NDVI方法識別面積精度優于中值濾波方法，深水區與之相反。相比淺水區，深水區水質穩定、受人為環境因素影響較小，提取精度相對較高，4種方法識別紫菜筏架個數誤差均優于2個筏架，同時綠光波段中值濾波方法識別面積誤差僅為0.39 ha，而淺水區提取精度相對較差；（2）深水區域基本不存在“筏架相連”的現象；相反在淺水區域，重疊個數與識別個數相差較大，其中紅光波段中值濾波方法兩者差別達27個，證明該區域自動識別結果中“筏架相連”的現象較為普遍。本文提取結果為筏架養殖面積、占用海域面積等計算提供了依據，基本滿足海洋執法、海域管理需求，同時間接性的為海洋經濟統計提供基礎數據。

4.2 討論

本文結合連云港市海域管理和海洋行政執法的需求，研究重點是整個連云港市海域紫菜養殖筏架的自動提取研究，從不同水深、水質環境分析提取方法是否具有普適性，但由于缺乏同步無人機影像開展精度驗證，因此未開展多種衛星影像的自動提取研究，下一步將結合其它衛星影像過境時間，采集無人機影像，以驗證衛星影像對紫菜養殖筏架自動提取的普適性。

本文自動提取研究中，由于海水受入海河流、水動力環境等因素影響，本文中采用定性的方法對整個連云港市海域進行劃分，造成一定的提取誤差，在后續的研究工作中，結合海洋水色方面的知識對水體進行處理，盡可能去除這方面的影響，并開展多種指數方法的自動提取實驗，分析其普適性。