水體污染時空分布遙感影像要素深度提取方法

馮新翎，張 杰*，湯嘉立，2

(1. 江蘇理工學院計算機工程學院，江蘇 常州 213001；2. 東南大學電氣工程學院，江蘇 南京 210096)

1 引言

隨著遙感技術的發展，特別是遙感幾何分辨率和光譜分辨率的大幅提高，為水污染監測和調查開辟了一條新的途徑。但是傳統的固定剖面分析方法很難快速、準確地反映出當下的水污染狀況，且所耗費的成本較高，執行速度較慢。

陳前[1]等人設計基于深度學習的高分遙感影像水體提取模型，通過構建水體分類數據集和水體語義分割數據集，得到水體遙感影像提取模型，運用該模型對影像提取精度進行控制與評價。實驗結果表明，該方法可以有效去除陰影和建筑物等因素對水污染影像提取結果的影響，說明該方法的適用性較好。王喆[2]等人基于哨兵二號和資源三號衛星數據，以神東礦區和準格爾露天開采礦區為代表，該地區由于煤礦開采活動造成地表水污染十分嚴重，對該地區的煤塵和水污染現象實施提取、分類和分析，采用高空間分辨率目視解譯與短波紅外經驗模型相結合的方法提取水污染影像要素，得出神東礦區污染水體面積占86.44%，準格爾礦區占74.82%，造成水污染的主要因素是煤塵顆粒物和洗煤廢水。礦區內水體、周邊水系及黃河干流呈輕度至重度污染。礦區附近水體流動性差，循環緩慢，污染較為嚴重。該方法可降低大量人工干擾，可以快速進行定性評價，能在一定程度上緩解礦山的污染現狀，可用于煤礦區的長期動態監測。

由于水污染的分布范圍很廣，上述方法不能夠提供全面的信息。為此，提出一種水體污染時空分布遙感影像要素深度提取方法。在分析地下水監測數據的基礎上，借助遙感數據可以生成更準確的圖像，對于污染信息的處理可以取得更精確、詳細的結果。所采集到的圖像更加直觀和清晰，可以準確地顯示出某個區域或整個流域的污染情況和空間分布情況；根據時間和空間分布的遙感信息，可以對同一水域的水污染歷史和趨勢進行調查和預測，為水資源保護規劃提供詳細的信息基礎。

2 水體污染影像要素深度提取流程

在全局至局部深度提取理論的基礎上，借助ArcGIS[3]水文分析模塊生成水系圖，利用空間分析緩沖工具在河流兩岸進行緩沖區擴展，構建河道取水目標區。一方面，可以準確定位河道，尤其是城區的小徑流河流水和小塊山區位置，可以減少大環境背景信息在水污染信息提取過程中的干擾；另一方面，可以修復因虛假信息造成的斷流提取與疏漏，形成較為完整的河網?；谥鸩降枷氲玫降木唧w提取步驟如圖1所示。

圖1 影像要素深度提取流程

根據圖1可知，在影像要素深度提取的過程中，首先，引入視覺注意模型結合水平集分割計算方式確定初始污染目標，然后，改進水污染自動提取過程，分割局部區域，獲取水體信息。

3 時空分布遙感影像要素深度提取

3.1 基于主成分變換方法提取影像主要特征

現有研究表明遙感影像吸收光譜曲線以紫外線可見光伴隨波長增加呈現質量下降，表現形式如下

αg(λ)=αg(λ0)exp[-S(λ-λ0)]

(1)

在式(1)中，λ0表示參考波長，S表示光譜斜率指數，在遙感影像研究中，參考波段λ0取440nm，一是由于水體圖像光波和浮游植物色素會在藍光處出現重疊吸收，二是遙感器像素設置超過波長。

在影像要素提取研究中，440nm位置中的吸收系數αg(440)表示污染濃度。圖像形成與光譜斜度及波段有關，不同區域像素差別較大，因此，用于區別不同時空下的水體情況。

(2)

利用主成分變換方法[5]進行最小化重構提取水體時空分布特征，表現形式如下

(3)

式(3)中，IH表示H×H像素矩陣，V表示協方差矩陣VVT中的特征向量，也可表示影像的主體特征。主成分變換初始化完成后深度濾波Wh可表示為

Wh=MR1R2(Vh)×αg(λ)h=1，2，…，H

(4)

式中，Vh表示影像的第h個主要特征點。

運用主成分變換無需通過人工計算提取要素特征，因此，即可認為主成分變換方法是一種快捷簡便的自動編碼方式，可以實現對水體污染影像主要特征的自動提取。

3.2 基于NSCT變換提取污染水體紋理特征

由于高分辨率水體污染圖像具有較高的復雜性，單純利用圖像的光譜特征提取影像要素并不理想。因此，有必要利用高分辨率圖像的潛在特征來提高地物的可分性。在高分辨率圖像分類過程中，常將紋理特征進行組合，以獲得理想的分類結果。圖像的光譜特征是由像素周圍的像素組成區域來描述的。提出的深度提取方法是選取L×L窗口，構造每個像素維L×L光譜特征向量，經研究發現NSCT比傳統的紋理提取方法能更好地對圖像紋理特征進行深度提取，其主要包括兩個過程，一是非子采樣分解，二是非子采樣方向濾波器組分解。

究其原因，溫度升高時，二氧化碳氣體揮發的快，麻醉減弱，容易蘇醒，最終?；顣r間減短，Peters等[17]人發現鯰魚在隨著溫度的升高，無水保活時間越短，所以當溫度大于8 ℃時，保活時間變短。當溫度降低時，由于鮰魚耐低溫性較差，低溫會對魚體造成不可逆的損傷[21]。因此，選擇最佳的?；顪囟葘︳~的保活運輸十分有意義，能延長魚的?；顣r間。

(5)

根據上式取值結果，將輸入影像在對應的卷積層和濾波層進行計算，在計算過程中用激活函數連接兩個層次。運用Gi代表卷積神經網絡中第i層的特征圖像，這樣卷積計算的過程就可以描述為

Gi=f(Gi?Wi+bi)

(6)

式中，Wi表示第i層卷積計算核的權值特征向量，bi表示第i層影像與第i-1層影像的偏移量，最后根據線性激活函數f(·)提取到第i層的特征圖像Gi。

如果利用卷積層獲取出的特征圖像矩陣表述為Gij，并且對應的池化區域[7]尺寸為c×c，用b1代表總體偏移向量，c代表步長，那么最大池化模型為

Fij=εmax(Gij)+b1Wh

(7)

式(7)中，εmax(Gij)表示在池化區域尺寸為c×c選取出的最大元素。

(8)

為了能夠從根本上降低池化過程中特征的損失，將在上述兩個模型(最大池化模型、平均模型)的基礎上，通過插值理論進一步提取出自適應池化模型。該模型在較為復雜的池化區域可以自適應通過池化因子u來調整具體池化的過程，并且將自身的優勢進行最大化，其計算公式為

(9)

在計算中可以根據池化因子的不同取值，調整不同池化區域來動態優化傳統池化模型，進一步便有

(10)

式(10)中，a表示池化區域元素計算的平均取值，bmax表示池化區域中的最大元素。

計算中u取值的范圍為(0，1)，由于該提取模型同時兼顧最大池化模型和平均池化模型的特征，因此，可根據不同池化區域特征來對污染水體紋理特征進行自適應優化提取[8]。

3.3 遙感影像要素深度提取實現

在水體污染遙感圖像中，水體表面特征明顯，考慮到水體的幾何特征和輻射特性，采用自適應池化方式提取污染特征，并結合數學形態學[9]這一基本理論，對圖像中具有一定結構元素的形狀進行測量和提取，以達到圖像分析和提取[10]的目的。在水體遙感圖像提取過程中，基于影像主要特征和污染水體紋理特征提取結果，使用數學形態學對初始提取的路網進行細化、連接和修改[11，12]，將圖像中的結構或對象定義為具有相同形態特征的像素類型，然后根據這些形態特征對圖像進行分割，得到基本網絡輪廓，這樣既保留圖像中較小但重要的區域，又避免了其它因素的影響。

大多數情況下，遙感生成影像的總亮度L由四部分構成

L=LW+Lb+La+Lp

(11)

式(11)中，LW，Lb，La，Lp分別為水體散射、水底反射、水表面散射及大氣輻射。在水體遙感影像要素深度提取過程中，儀器探測到的水面反射光譜Ro，主要包含水中雜質的散射光Ra及水體反射光Rg，不計水面散射光及大氣輻射影像，可得

Ro=Ra+Rg

(12)

充分考慮水中物質的作用，影像中水體散射β與入射亮度L的關系如下

(13)

水污染遙感影像的最終深度提取主要集中在大氣校正和水陸分離兩個方面。由于大氣校正對水質反演尤為重要，因此，式(13)建立的反演函數可以忽略路徑輻射的影響。進一步使用近暗像素法進行大氣校正，從圖像本身獲取成像時的氣溶膠參數，同時，計算大氣氣溶膠和地表反射率信息，從而完成對水體污染時空分布遙感影像要素的深度提取。

4 實驗結果分析

為了驗證水體污染時空分布遙感影像要素深度提取方法的有效性，利用文獻[1]方法、文獻[2]方法以及所提遙感影像要素深度提取方法，分別獲取2018年11月6日、2019年5月1日水體污染流域OLI影像以及2018年1月9日、2019年9月24日水體污染時空分布遙感OLI影像，圖2為研究區域2019年5月1日水體污染遙感影像圖。

圖2 研究區域水體污染遙感影像圖

圖2中劃線內部區域表示水體污染嚴重，表1為水體污染時空分布遙感OLI影像詳細信息。

表1 水體污染時空分布遙感OLI影像

由于大氣氣溶膠具有復雜性和多變性，不同日期、不同區域的圖像會影響大氣糾正效果，存在較大差異。基于上述實驗準備條件，采用文獻[1]方法、文獻[2]方法和所提方法提取研究區域水體污染時空分布遙感影像中的局部區域，提取結果如圖3所示。

圖3 水體污染遙感影像要素提取結果

通過圖3可知，采用文獻[1]方法與文獻[2]方法提取水體污染時空分布遙感影像要素時，僅能夠獲得部分影像要素，缺失了大量的細節信息，陰影與水體混淆嚴重，存在水體、陰影混合的現象，效果并不理想。相比較之下，所提方法提取得到的影像要素結果更加豐滿，細節更加完整，能夠清晰的反映出水體受到的污染程度。這是由于所提方法將主成分變換方法和NSCT變換方法進行結合，獲取了影像的主要特征和污染水體的紋理特征，使像素提取結果更加全面，從而實現了對污染遙感影像要素中水體特征的有效提取。

為了驗證所提方法的準確性和通用性，對不同圖像進行影像要素提取，對比不同方法的提取精度，結果如圖4所示。

圖4 不同水體污染提取方法的精度驗證

分析圖4可知，在迭代次數處于0-5之間時，不同方法的提取精度呈現急速增長的趨勢，此后提取精度變化幅度趨于平緩。所提方法在水體污染提取中具有明顯的優勢，圖像總體精度較高，最高提取精度達到了95%以上。而文獻[1]方法和文獻[2]方法的提取效果較差，總體精度明顯低于所提方法。

通過上述分析結果表明所提方法能夠較好地提取出大面積的河流及細小支流，提取結果連續且無斑點噪聲，能夠克服建筑物、道路坑塘等多重因素的影響，完全適用于密集條件下的污染水體與一般水體的深度提取。

5 結論

本文提出水體污染時空分布遙感影像要素深度提取方法，將地質知識作為判斷地學對象和地學現象的重要依據，對圖像對象特征的選擇、分類信息的優化等進行了深入的研究。實驗結果表明，面向對象的信息提取方法充分利用了高分辨率遙感對象的光譜、形狀、紋理特征，降低了遙感影像要素提取的不確定性，有效地改善了傳統提取方法僅依靠光譜特征造成的大規模誤分類現象，具有較高的提取精度。該方法可以有效地應用于遙感圖像中的特征提取，能夠滿足地理空間數據庫更新的要求。