基于無人機RGB光學相機的漂浮綠藻探測研究

楊國英，邢前國，趙春暉，孟苗苗，李敬虎，3

（1. 哈爾濱工程大學信息與通信工程學院，哈爾濱 150001；2. 中國科學院海岸帶環境過程與生態修復重點實驗室，中國科學院煙臺海岸帶研究所，煙臺 264003；3. 魯東大學信息與電氣工程學院，煙臺 264025）

近年來，每年春夏之際，近岸海水中常會發生名為“綠潮”的海洋災害。綠潮主要由綠藻暴發造成，且多個國家和地區都有過綠潮災害的記錄［1-5］。全面監測綠潮發生、發展情況，及時發布綠潮預警信息，能為綠藻的處置工作提供科學依據。Xing等［6］利用衛星影像繪制黃海和東海大型藻華圖。目前已有很多學者利用中分辨率成像光譜儀（moderate-resolution imaging spectroradiometer，MODIS）、高分一號、環境一號、靜止水色衛星（geostationary ocean color imager，GOCI）等衛星數據監測綠潮［7-10］，但它們相對低的分辨率可能會錯過小規模的綠藻暴發［10-11］。相較于衛星遙感，無人機遙感厘米級的空間分辨率可以監測小斑塊綠藻，克服重訪周期長帶來的限制，是衛星遙感的重要補充［12-13］。

綠藻的光譜特征與植被相似，可利用監測綠藻或者植被的指數來提取。研究人員提出的相關指數有：歸一化植被指數（normalized difference vegetation index，NDVI）、漂浮藻類指數（floating algae index，FAI）、GOCI漂浮藻類指數（index of floating green algae for GOCI，IGAG）、虛擬基線漂浮藻類高度指數（virtual-baseline floating macroalgae height，VB-FAH）等［6，14-16］。但搭載多光譜傳感器的無人機價格昂貴且笨重，常見的搭載數碼相機的無人機缺乏短波紅外和近紅外波段［12］，故這些指數并不適用。而基于RGB波段的植被指數，如過綠指數（excess green，EXG）、綠葉指數（green leaf index，GLI）、可見光波段差異植被指數（visible-band difference vegetation index，VDVI）、綠紅植被指數（green red vegetation index，GRVI）等，廣泛應用在植被識別上［17-19］，適用于綠潮監測的指數相對較少。可見構建一種具有普適性且適用于無人機航拍光學影像監測綠潮的指數是十分重要的。

本文提出了一種新的指數用于增強漂浮綠藻的信號，以綠色和紅色波段形成一個虛擬基線，此基線以下藍波段信號的線高定義為紅綠波段虛擬基線漂浮綠藻指數（red-green band virtual baseline floating green algae index，RG-FAH）。以含有綠藻的不同條件的無人機影像為數據源（包括常見的太陽耀光、過曝光、小斑塊藻等復雜條件），與現有的幾種植被指數進行比較，驗證RG-FAH監測綠潮的普適性和穩定性，并討論各個指數受不同條件的影響，為治理綠潮暴發帶來的災害監測提供技術參考。

1 材料與方法

1.1 數據源

航拍地點位于山東黃海。近年來，每年夏季此地都會暴發大規模的綠藻災害［2-5］，對沿海漁業、旅游業造成巨大的經濟損失。本文采用的大疆無人機搭載L1D-20c航拍RGB相機，內置等效焦距28 mm的廣角鏡頭，光圈值可在f/2.8～f/11間自由調整，即使是復雜的環境也能拍出清晰的影像。本文數據源成像時間為2019年6月19日上午10時，航行高度為136.2 m，天氣晴朗，能見度高。利用無人機拍攝得到含綠藻的影像，影像分辨率為1.14 cm。分辨率的公式如下：

其中，GSD為影像分辨率，H為航高，f為鏡頭的焦距，a為像元尺寸。

1.2 提取綠藻的方法

1.2.1 RG-FAH指數的構建

為了精確地繪制綠藻的分布圖，減少氣溶膠、太陽耀光和薄云的影響，Hu［15］提出了使用基線減法的FAI，Xing等［6］提出了VB-FAH。FAI和VB-FAH的設計理念見圖1。FAI和VB-FAH的公式如下：

其中，R是反射率，λ是波長，下標2、3、4、5分別代表綠、紅、近紅外、短波紅外波段。研究表明VB-FAH與FAI相當，在太陽耀光和氣溶膠干擾的耐受性方面比NDVI更有利。

近紅外和短波紅外波段缺乏會導致大部分用于監測綠潮的指數無法適用于無人機拍攝的光學影像。為了解決這個問題，本文基于與VB-FAH相同的原理及綠藻和海水在紅綠藍波段的光譜特征提出了一種新的指數——RG-FAH。

如圖1c所示，綠波段以藍波段對稱，得到虛擬綠波段（2'），利用基線減法的原理，以虛擬綠波段和紅波段形成一個虛擬基線，此基線以下藍波段信號的線高即RG-FAH，這類似于VB-FAH的設計方法。綠藻和水體的光譜特征如圖1d所示：海水藍波段反射率高于綠藻，且區別明顯；綠藻藍波段反射率低于紅、綠波段；綠藻紅、綠波段反射率相近，且高于相應的海水反射率。光譜特征也同樣是RG-FAH設計的基礎。本文利用反射率相近的紅、綠波段構建虛擬基線，利用區別明顯的藍波段信號的線高去測量高度。RG-FAH公式為：

圖1 指數設計理念Fig. 1 Index design concept

其中，R是反射率，λ是波長，下標1、2、3分別代表藍、綠和紅波段，對應波長為470、550和700 nm。RG-FAH的取值范圍為［-255，255］。為了評估新的RG-FAH指數，本文將其與另外6個植被指數進行對比評估，并利用多張無人機影像驗證。

1.2.2 植被指數

從圖1d中可以看出，綠藻紅、綠波段的反射率相近，因此應該盡量避免使用只有紅、綠波段信息的指數。本文選取了6個植被指數作為對比，分別是紅綠藍植被指數（red-green-blue vegetation index，RGBVI）、歸一化綠藍差異指數（normalized green-blue difference index，NGBDI）、GB、EXG、GLI、VDVI［17-18］。相應的植被指數公式如下：

其中，R是反射率，下標1、2、3分別代表藍、綠和紅波段。RGBVI、NGBDI、GLI、VDVI的取值范圍為［-1，1］，GB、EXG的取值范圍為［-255，255］。通過對比不同指數識別綠藻的效果對本文新提出的RG-FAH指數進行評估。

1.2.3 閾值選取

綠藻呈綠色，和海水有較明顯的差異。本文通過選取典形地物樣本點，根據各個指數不同地物的頻率分布與評價指標的精度確定不同指數最終的閾值，以避免出現選取閾值過小、純水像素識別為綠藻、閾值過大、提取綠藻的像素減少等問題；同時，對分類結果進行目視檢查，以保證結果的可靠性。

1.3 評價指標

本文采用的評價指標有準確率（accuracy）、真正率（true positive rate，TPR）、真負率（true negative rate，TNR）和Kappa［17，20］。真正率即綠藻提取精度，真負率即海水的提取精度。以上4個評價指標值越高，意味著結果越好。

2 結果與分析

2.1 RG-FAH與其他植被指數監測綠潮的結果

無人機影像中主要包含綠藻和海水兩種地物。識別綠藻主要涉及的方法為計算各指數，根據典型地物樣本點生成頻率分布圖與評價指標確定閾值，最后評估分類的準確性。圖2a為無人機拍攝的RGB光學影像中人工選取的綠藻與海水的典型地物樣本點。真值點（圖2c）由真值圖（圖2b）生成。本文采用動態閾值法生成真值圖，即對一幅影像選取多個閾值生成結果。為了減少由隨機性和人為主觀性引起的誤差，本文選取真實值為樣本點，利用真值圖隨機生成了3 000點的綠藻和4 000點的海水，結合原始圖像目視解譯確定了7 000個幾乎完全覆蓋整幅圖像的隨機驗證點作為真實值。

圖2 試驗數據示例Fig. 2 Experimental data illustration（a）典型地物。紅色區域代表綠藻，綠色區域代表海水；（b）真值圖。綠色斑塊為綠藻（下同）；（c）真值點。紅色點代表綠藻，藍色點代表海水。(a) Typical object. Red areas represent green algae, green areas represent seawater; (b) Ground truth. Green patches are green algae (the same below); (c) Ground truth points. Red points represent green algae, blue points represent seawater.

圖3中典型地物的頻率分布圖由圖2選取的典形樣本點生成，橫坐標是各個指數對應的值，縱坐標是值對應的像素點。綠藻與海水這兩個地物對應指數的值差別越大，就意味著錯分概率越小。利用不同指數生成的分類結果（圖4）與真實值比較，獲得評價指標（表1），以保證結果的真實性和可靠性。

圖3 典型地物的頻率分布圖Fig. 3 Typical object frequency distribution

圖4 不同指數分類結果Fig. 4 Classification results of different indices

表1 不同指數的評價指標Tab. 1 Evaluation metrics of different indices

從表1中可以看出，RG-FAH的結果是指數中監測精度最高的，GB與RG-FAH指數精度結果相當。這兩個指數都表現出了較好的提取能力，不僅典形地物頻率分布圖的值沒有重疊，且TNR和kappa系數都在0.98以上，準確率和TPR達到0.99以上，與真實結果接近一致。

2.2 RG-FAH監測綠潮的驗證

為了驗證RG-FAH的適用性和穩定性，本文討論了不同條件對無人機影像指數的影響。圖5所示的無人機影像是最普通常見的無人機拍攝的綠藻影像，綠藻覆蓋度高，且無太陽耀光的影響。

圖5 不同指數分類結果Fig. 5 Classification results of different indices

利用同樣的方法得到不同指數方法的閾值，其生成的分類結果和評價指標如表2所示。從表2可以看出，在綠藻覆蓋度高且無太陽耀光影響的無人機影像中，7個指數的綠藻提取能力都較高。EXG、GB、RG-FAH綠藻提取精度和kappa系數都在0.98以上，與真實結果接近一致，都能滿足提取要求。由此可見，RG-FAH指數能夠滿足監測綠潮的要求。

表2 不同指數的評價指標Tab. 2 Evaluation metrics of different indices

2.3 不同指數對太陽耀光的敏感性

從無人機遙感的尺度上觀測，海水表面易出現鏡面反射，反射強烈的太陽耀光［21］，導致拍攝的影像光照不均勻，太陽耀光區域的地物難以區分，造成提取困難，尤其是對高分辨率圖像［6］。為了驗證各個指數對太陽耀光的敏感性，本文利用同樣的方法進行了定量分析。

從圖6中可以看出，無人機影像右側由于太陽耀光的影響，各指數都出現了提取綠藻能力不足的問題，此時單一閾值的方法分類效果不好。表3結果顯示，RG-FAH相對其他指數來說，提取能力依然是最好的，TNR達到了0.91以上。為了探究太陽耀光對不同指數的影響程度，本文在無人機影像中畫了橫向的切線和縱向的剖線，包含有和無太陽耀光，并將范圍歸一化到［0，1］，對比各指數值的變化，同時單獨提取太陽耀光區域，分別選取1 000點綠藻和海水作為真實值。

表3 不同指數的評價指標Tab. 3 Evaluation metrics of different indices

圖6 不同指數的分類結果Fig. 6 Classification results of different indices

圖7b～7e展示了不同指數沿縱剖線和橫切線的值。曲線中尖峰凸起的地方表示綠藻，非綠藻像素即海水值。從圖7f～7h中可以看出，在紅、綠波段，海水反射率低，綠藻反射率高。但太陽耀光的影響導致紅、綠波段綠藻和海水反射率增加，難以區分，且藍波段也出現了類似的情況。事實證明，太陽耀光會導致各個指數的對應的海水值降低，但整體來看，不管是沿豎線樣帶還是橫線樣帶，RGFAH、GB均具有較低的變化，且RG-FAH的值更穩定，波動性最小。EXG、VDVI等指數在同一條帶上有明顯的變化，相比之下，RG-FAH較其他指數對太陽耀光不敏感，穩定性更強。

圖7 指數對比Fig. 7 Comparison of index（a）原始圖像。紅色線分別是縱剖線、橫切線；（b）VDVI、GLI、RGBVI、RG-FAH縱剖面的值；（c）GB、NGBDI、EXG、RG-FAH縱剖面的值；（d）GB、RG-FAH縱剖面的值；（e）GB、RG-FAH橫切面的值；（f）R波段橫切面的值；（g）G波段橫切面的值；（h）B波段橫切面的值。(a) Original UAV image. The red lines are buttock line and cross cut line; (b) VDVI, GLI, RGBVI, RG-FAH vertical profile values; (c) GB, NGBDI, EXG, RG-FAH vertical profile values; (d) GB, RG-FAH vertical profile values; (e) GB, RG-FAH transect values; (f) R-band transect values; (g) G-band transect values; (h) B-band transect values.

表4顯示，RG-FAH比其他指數在減輕太陽耀光造成的影響方面更具有優勢。kappa系數達到了0.84以上，準確率達到0.92以上。相比其他指數，在太陽耀光的耐受性方面，其性能顯著提高。但不可否認的是，太陽耀光是導致各個指數提取綠藻精度下降的主要原因之一。

表4 不同指數的評價指標Tab. 4 Evaluation metrics of different indices

2.4 過曝光無人機影像對指數的影響

無人機拍攝的時候，由于光線或閃光燈設置以及相機光圈速度的影響，照片會出現曝光過度的情況［22］。在海上陽光比較刺眼的時候，大量的光進入傳感器，經常會使得照片過曝光，拍攝結果明顯偏亮，顏色失真，細節損失［23-24］。目前已有的研究方法都是針對能見度高條件下，曝光正常的影像進行研究的［17-19］，利用曝光過度的影像提取綠藻還未被探討過。為了減少照片的廢棄率，本文進行了研究以測試不同方法在曝光過度條件下的穩定性和有效性。

由圖8可知，各個指數圖像在過曝光條件下，綠藻和海水仍區別明顯。表5顯示，RG-FAH、GB即使影像曝光過度，其評價指標也均在0.99以上，綠藻和海水識別結果較為準確。事實證明，圖像過曝光并未影響這兩個指數的精度。

表5 不同指數的評價指標Tab. 5 Evaluation metrics of different indices

圖8 指數圖與分類結果Fig. 8 Index map and classification results

2.5 不同指數提取小斑塊綠藻的結果對比

黃海中不僅有大面積漂浮的綠藻，還有大量分散的小面積斑塊［25-26］。衛星中相對低的分辨率影像容易錯過小斑塊綠藻的提取［6，9］。本文以綠藻稀疏影像作為條件，著力探討了小斑塊綠藻對不同指數的影響，通過評價指標結果的對比，驗證RG-FAH指數及其余方法在識別小斑塊綠藻中的應用情況。

圖9顯示的影像中只有小斑塊綠藻，綠藻覆蓋度低，許多像素可能是海水和綠藻混合，與海水的光譜更接近，各個指數的精度都有所下降。由表6可知，RG-FAH穩定性最高，kappa系數達到了0.96以上。說明RG-FAH較其他6種植被指數具有更好的小斑塊綠藻識別能力。

表6 不同指數的評價指標Tab. 6 Evaluation metrics of different indices

圖9 不同指數分類結果Fig. 9 Classification results of different indices

2.6 不同尺寸斑塊的綠藻監測的結果對比

為了進一步研究不同指數探測不同尺寸斑塊綠藻的能力，本文利用同樣尺寸的綠藻斑塊作對比，選用非太陽耀光、非過曝光的無人機影像（圖2、5、6），以無人機影像對應的真值圖作為真實值，計算斑塊面積，統計不同斑塊面積的頻率分布。

從圖10可以看出，提取小斑塊藻類時，各個指數提取數量差異明顯，隨著斑塊面積的增加，各個指數提取斑塊的數量與真實值逐漸逼近。整體來看，GB、RG-FAH的結果相較于其他指數更接近真實值的數量，可以用來監測綠藻。

圖10 不同尺寸斑塊的頻率分布圖Fig. 10 The frequency distribution of different patch area

3 討論

綠藻暴發會造成嚴重的經濟損失和環境問題，被看作是生態災難［2］。目前已有很多學者利用多種衛星數據監測綠潮［3-7］，但相對低的分辨率容易錯過小斑塊綠藻的提取［6,27］。本文采用的無人機影像具有厘米級的空間分辨率，可以識別小斑塊藻。

監測綠藻的指數大都需要用到近紅外、短波紅外波段［6,14-16］，但常見的搭載數碼相機的無人機僅具有RGB波段［12］，這些指數并不適用，而已有的RGB波段的指數廣泛應用于植被識別，用于監測綠藻的指數較少［18-19］。本文基于與VB-FAH相同的原理及綠藻和海水在RGB波段的光譜特征提出了RG-FAH指數，通過與不同指數對比顯示，RG-FAH是一個具有普適性且適用于監測綠藻的指數。

已有的研究表明，太陽耀光會影響提取綠藻的精度，尤其是對高分辨率圖像［6］。Hu［15］提出的FAI與Xing等［6］提出的VB-FAH能夠減少氣溶膠、太陽耀光和薄云的影響。本文研究結果表明，在正常與過曝光的條件下，RG-FAH與GB相當，比RGBVI、VDVI、GLI、NGBDI、EXG更有利，但在太陽耀光的耐受性和小斑塊提取方面具有明顯的優勢，比GB及其他植被指數更穩定，可以為無人機影像監測綠藻提供新的方法。

綜上所述，本文提出的RG-FAH指數在具有代表性的無人機影像中精度最高，評價指標都在0.91以上，受不同條件影響的波動性較小，可用于識別綠藻。而綠藻與植被的光譜特征相似，為了進一步確定RG-FAH是否適用于植被識別及探測其余藻類，還需通過下一步試驗去驗證。