一种基于遥感观测的大型海藻养殖面积计量方法与流程

本发明涉及数字图像处理，具体涉及一种基于遥感观测的大型海藻养殖面积计量方法。

背景技术：

1、根据中国渔业统计年鉴数据显示，2013-2020年中国海藻养殖产量不断上升，养殖海藻产量由196.2万吨上升至261.51万吨，年均增长速率为4.2％。大型海藻养殖遥感精确识别将提高大型海藻面积计量的准确性和效率，可以为海洋生态系统的管理和保护提供重要的技术支持。水产养殖区类型和位置的准确信息对解决我国近岸海洋渔业管理至关重要。遥感观测具有大面积和良好的时效性特点。尽管已有研究人员利用遥感数据进行了很多地物特征的观测，但对海洋水产养殖的观测却很少，主要有以下几个问题：

2、(1)筏式水产养殖的光谱信息较弱。在筏式养殖中，只有浮子位于水面上方，主体的延绳和附在延绳上的水产品位于水面下方。因此，相对于网箱，筏形水产养殖区的光谱信息较弱；

3、(2)筏式水产养殖的光谱信息随养殖周期的变化而变化。筏式水产养殖需要一定的养殖周期。水生作物未成熟时，其光谱特征不明显；遥感图像只能在作物成熟时显示准确的结果。因此，根据遥感图像的相位，筏形水产养殖的这一特征提出了更高的要求；

4、(3)海洋背景既复杂且具有强的动态性质。水产养殖区主要分布在海湾和河口等沿海地区。在这种情况下，养殖区附近的海水中叶绿素和悬浮物含量较高。网箱养殖产生的残留诱饵和鱼粪往往会导致海水浑浊，而洋流的影响导致海水的光谱特征不断变化。此外，在风力较大的情况下，海水会产生涌浪；这些波形成局部镜面反射，在遥感图像上产生许多小的亮条纹和暗条纹。海水背景的区域光谱差异使得使用单一阈值很难满足对大范围水产养殖区域的提取。事实上，提取大范围的养殖面积需要多个阈值，这样大大增加了工作量；

5、(4)数据的可用性是有限的。近海水产养殖位于海陆交汇的沿海地区。大气对流较为复杂，云雨的优势较大。与其他地区相比，遥感卫星数据的可用性大大降低。同时，水产养殖区域的提取需要满足特定的时间要求，这进一步加剧了从大规模水产养殖区域提取数据的难度；

6、(5)基于深度学习的大型海藻面积计量体系仍存在一些技术挑战和瓶颈。其中，数据集的构建和标注是一个关键的问题，需要大量的海藻图像数据进行训练和验证。

技术实现思路

1、本发明的目的在于针对现有技术中不足与缺陷，提供一种基于遥感观测的大型海藻养殖面积计量方法，本计量方法基于遥感观测对大型海藻养殖面积进行计算，能够准确计算其海藻养殖面积，具有在大区域提取时海水背景复杂情况下的精确提取和区分能力，提高大型海带面积计量的准确性和效率，为海洋生态系统的管理和保护提供重要的技术支持。

2、为实现上述目的，本发明采用以下技术方案是：一种基于遥感观测的大型海藻养殖面积计量方法，它采用宽幅高分辨率多光谱成像仪的卫星数据，并采用面向对象ndwi和边缘特征提取方法来获取沿岸主要养殖区大型海藻养殖面积，首先使用归一化差分水分指数(ndwi)将海水与陆地分离，在计算ndwi的特征后，区分了海洋养殖区和相邻斑块，再使用边缘检测算法对海洋养殖区的大致位置进行了去线化，最后，通过识别视觉上显著的特征和边缘的重叠，实现了海带与紫菜养殖区域的区分和准确提取。

3、进一步的，所述海水与陆地分离具体操作为：在提取前使用ndwi进行水陆分离，以消除来自具有相似光谱特征的陆地和海洋水产研制区域的干扰，ndwi的计算公式如下：其中g为当前计算的绿光波段值，nir是近红外波段值，ndwi指数大于阈值t的分割斑块被设置为水体区域，其他斑块被认为是非水体，其中，设置阈值t是为了区分当前图像中的水体区域和陆地，常使用otsu方法来获得阈值，这是一种非参数和无监督的图像分割自动阈值选择方法，通过最大化类间方差来获得分割阈值。

4、进一步的，所述类间方差公式为：σ2＝p1(m1-mg)2+p2(m2-mg)2，其中，σ2为两个类别的方差，p1是类别1在图像中比例，p2是类别2在图像中所占的比例，m1和m2分别是类别1和类别2的平均值，mg是整个图像的平均值，其中，当σ2最大时，t即为最优分割阈值。

5、进一步的，所述边缘检测和目标提取具体操作为：养殖区边界往往较为明显，具有较强的梯度特征，通过边缘检测确保水产养殖区的完整结构，提高提取精度，本方法使用边缘提取canny算法提取了海洋水产养殖区域的边缘，提取结果是二值图像，其中，1是边缘，o是背景，基于canny算子的边缘检测主要有5个步骤，依次是高斯滤波、像素梯度计算、非极大值抑制、滞后阈值处理和孤立弱边缘抑制(高斯滤波：高斯滤波使用的高斯核是具有x和y两个维度的高斯函数，且两个维度上标准差一般取相同，形式为：使用sobel算子计算像素梯度：sobel算子是两个3×3的矩阵，分别为sx和sy，前者用于计算图像x方向像素梯度矩阵gx，后者用于计算图像y方向像素梯度矩阵gy，具体形式为：其中，i为灰度图像矩阵，需要说明的是，图像矩阵坐标系原点在左上角，且x正方向为从左到右，y正方向为从上到下，则由可计算得到梯度强度矩阵gxy；非极大值像素梯度抑制：非极大值像素梯度抑制的目的在于消除边缘检测带来的杂散响应，起到将边缘“瘦身”的作用，其基本方法是将当前像素梯度强度与沿正负梯度方向上的相邻像素的梯度强度进行比较，若其最大(即为极值)，则保留该像素为边缘点，若不是最大，则对其进行抑制，不将其作为边缘点，为了更精确计算，通常在跨越梯度方向的两个相邻像素之间使用线性插值来得到要参与比较的像素梯度，可将像素的邻接情况划分为4个区域，其中每个区域包含上下两部分，若中心像素点x方向梯度强度为gx(i,j)，y方向梯度强度为gx(i,j)，梯度强度为gxy(i,j)，则根据gx(i,j)和gy(i,j)的正负和大小可判断出其梯度方向所属区域，进而根据其像素梯度方向以及相邻点的像素梯度线性插值得到正负梯度方向的两个参与比较的梯度强度gup(i,j)和gdown(i,j)公式如下：gup(i,j)＝(1-t)gxy(i,j+1)+tgxy(i-1,j+1)，gdown(i,j)＝(1-t)gxy(i,j-1)+tgxy(i+1,j-1)；阈值滞后处理：定义一个高阈值和一个低阈值，梯度强度低于低阈值的像素点被抑制，不作为边缘点；高于高阈值的像素点被定义为强边缘，保留为边缘点；处于高低阈值之间的定义为弱边缘，留待进一步处理；孤立弱边缘抑制：通常而言，由真实边缘引起的弱边缘像素点将连接到强边缘像素点，而噪声响应则未连接，通过查看弱边缘像素及其8个邻域像素，可根据其与强边缘的连接情况来进行判断，一般，可定义只要其中邻域像素其中一个为强边缘像素点，则该弱边缘就可以保留为强边缘，即真实边缘点)。

6、进一步的，它还包括基于obvs-ndvi的表面目标提取与基于边缘重叠的潜在目标提取：基于obvs-ndvi的表面目标提取：筏子养殖区位于水面以下，会受到海水背景的影响，用单一的阈值很难从海水中分离和提取大规模的筏式养殖区，然而，无论水色的状态如何，养殖区的ndvi值都远高于海水背景的ndvi，因此，我们根据这一特征计算斑块和相邻斑块之间的ndvi差异，利用这一相对较高的ndvi特征，提取出筏式养殖面积，具体公式如下：其中，nir是近红外波段的平均值，r是红色波段的平均数值；o是当前计算的像素点，n(o)是当前计算像素点的所有相邻像素点的集合，b(o,oj)是像素点o和相邻像素点oj的共同边长，而mo(ndvi)表示像素点的ndvi，计算出的ndvi区别特征obvs-ndvi记录为so(ndvi)；基于边缘重叠的潜在目标提取：将线条特征与物体斑块特征相结合，实现海洋水产养殖区域的准确提取，对提取的边缘进行高斯滤波以获得边缘概率图e(x,y)，在高斯滤波之后，根据等式计算边缘重叠rj:其中，b是显著特征斑块so的边缘像素集，b是像素集中包含的像素数，当r在0.15-0.25之间时，提取结果的准确性最高。

7、一种基于遥感观测的大型海藻养殖面积计量方法，其特征在于，它还包括椭圆拟合区别与识别区域和面积。

8、进一步的，所述椭圆拟合区别具体为：紫菜养殖区与海带养殖区在卫星图片中均表现出黑色，从图片颜色中很难将他们区分，不过两个外形存在巨大差别，紫菜养殖区主要特征是：台架呈现长条形，长度数十米至一百多米，中间有毛竹分割成数段，台架无或少浮球，或仅区块外沿安装浮球，一般成片分布，也有零散，海带养殖区的主要特征是：台架呈现长条形，长度数十米至一百多米，台架本身及区块外沿安装浮球，成片分布，所以，紫菜养殖区长轴长度要远大于短轴长度，我们依据这一特征，对获得养殖区域进行椭圆拟合，分别获得长轴a和短轴b之比(a/b)，当认定为紫菜养殖区；认定为海带养殖区，最后再通过高分辨率卫星图片进行视觉验证，确定最终的养殖类型。

9、进一步的，所述识别区域和面积具体为：养殖海域的水色复杂多变，为了尽量简化养殖海域的水色差异性，同时加速图片处理速度，本方法基于养殖区域范围，将卫星图片进行分割，获得若干个子区域，并对它们进行编码并分别进行识别，最终计算识别区域沿岸海带养殖面积，根据面积计算公式:s＝∑m fi×r2，其中r为卫星遥感图片的分辨率，通过对上述若干个子海域的识别，对养殖区域的海带和紫菜养殖面积进行统计。

10、采用上述技术方案后，本发明有益效果为：本计量方法基于遥感观测对大型海藻养殖面积进行计算，能够准确计算其海藻养殖面积，具有在大区域提取时海水背景复杂情况下的精确提取和区分能力，提高大型海带面积计量的准确性和效率，为海洋生态系统的管理和保护提供重要的技术支持。