引用本文
盖颖颖, 周斌, 孙元芳, 周燕. 基于HJ-CCD数据的海面溢油提取方法研究[J]. 国土资源遥感, 2014,26(2): 99-104
GAI Yingying, ZHOU Bin, SUN Yuanfang, ZHOU Yan. Study of extraction methods for ocean surface oil spill using HJ-CCD data[J]. REMOTE SENSING FOR LAND & RESOURCES,2014,26(2): 99-104  
Permissions
Copyright©2014, 《国土资源遥感》编辑部
《国土资源遥感》编辑部
基于HJ-CCD数据的海面溢油提取方法研究
盖颖颖, 周斌, 孙元芳, 周燕
山东省科学院海洋仪器仪表研究所,青岛 266001

第一作者简介: 盖颖颖(1987-),女,硕士,研究实习员,主要从事海洋遥感遥测方面的研究。Email:gaiyingying@pku.edu.cn。

收稿日期: 2013-05-09
基金: 山东省留学人员科技活动择优资助项目“基于GPU超级计算的实时海面目标识别算法研究”(编号: SR-12-10-1)资助
摘要

快速、准确地获取溢油污染信息,对海洋的动态监测、保护和可持续利用具有重要意义。环境与灾害监测预报小卫星星座一号(HJ-1)是我国针对生态环境污染和灾害监测发射的新型卫星平台,但HJ-1 CCD多光谱数据的光谱波段较少,仅依赖光谱信息获取海面溢油范围的精度较低。因此,以墨西哥湾溢油事件为研究对象,在分析不同地物光谱特征的基础上,采用灰度共生矩阵,选择合适的纹理结构因子,提取HJ-1 CCD图像中影响溢油识别的地物纹理特征; 建立光谱特征和纹理特征相结合的决策树模型,提取海面溢油信息,并与只考虑光谱信息的传统分类方法进行精度对比。结果表明,与最大似然分类法相比,决策树方法的油膜提取用户精度和制图精度分别提高了11.85%和4.28%。

关键词: 溢油; HJ-1; 墨西哥湾; 纹理特征; 决策树
中图分类号:TP751.1 文献标志码:A 文章编号:1001-070X(2014)02-0099-06 doi: 10.6046/gtzyyg.2014.02.17
Study of extraction methods for ocean surface oil spill using HJ-CCD data
GAI Yingying, ZHOU Bin, SUN Yuanfang, ZHOU Yan
Institute of Oceanographic Instrumentation, Shandong Academy of Sciences, Qingdao 266001, China
Abstract

Rapid and accurate access to the oil spill information is of great significance for dynamic monitoring, conservation and sustainable use of the oceans. HJ-1 is a new satellite platform designed for ecological environmental pollutions and disasters. However, the multispectral image obtained from HJ-CCD has insufficient spectral bands, and the accuracy of acquiring the oil spill coverage only by spectral information is low. In this paper, the oil spill that occurred in the Gulf of Mexico was selected as the research object. Based on the spectral analysis of different features, the authors chose the right texture structure factors and extracted the texture characteristics which affect oil spill identification by gray co-occurrence matrix. A decision tree model combining spectral characteristics with texture characteristics was established to extract the oil spill on the sea surface. A comparative analysis by using the result of maximum likelihood supervision classification method was performed, and the results show that, in comparison with the maximum likelihood classification method, the decision tree method could improve the user's accuracy and the producer's accuracy of oil spill extraction by 11.85% and 4.28% respectively.

Keyword: oil spill; HJ-1; Gulf of Mexico; texture characteristic; decision tree
0 引言

溢油污染是一种常见的海洋环境灾害, 也是一个较为复杂的海洋污染问题。溢油污染造成的危害是多方面的, 不仅对海洋生态环境造成严重威胁, 也给沿海地区的社会经济和人类身体健康带来严重影响[1, 2, 3, 4]。因此, 采取快速、有效的方法监测海上溢油事故具有重要意义。

卫星遥感作为一种实时监测手段已经成为溢油监测最重要和最有效的途径之一。其中利用宽波段多光谱遥感数据进行海面溢油提取的方法研究早已展开, 例如Tseng等[5]利用AVHRR热红外数据对波斯湾溢油进行了监测, 指出白天溢油区海温比无溢油区海温高, 根据温度差异可分辨出溢油范围; 侯懿峰[6]基于MODIS数据计算了特征向量和溢油图像数据之间的欧氏距离, 认为该距离小于阈值的像元为溢油像元。我国环境与灾害监测预报小卫星星座一号(HJ-1)是针对生态环境污染和灾害监测发射的新型卫星平台, 以其监测范围广、重访周期短、成本低等优势成为当前海洋监测的重要工具之一; 但HJ-1获取的CCD多光谱图像只有4个波段, 波段宽度较大, 光谱信息量不足, 特别是当图像中有云覆盖时, 由于云的光谱特征与油膜接近, 仅利用光谱信息极容易将云误判为油膜。例如陆应诚等[7]基于地物光谱响应差异建立了决策树分类方法用于识别溢油区, 其中对云的误判需要进一步做人工处理。另外, 被污染的近海沿岸也呈现出与海面油膜相似的反射光谱特征, 只根据光谱特征很难将近岸混浊海水与油膜区分开来。

针对上述问题, 本文利用HJ-1获取的墨西哥湾2010年4月溢油事故发生后溢油区的CCD图像, 在光谱特征分析的基础上, 结合灰度共生矩阵提取图像纹理信息, 建立了光谱信息与纹理信息相结合的决策树溢油识别方法; 并与只考虑光谱信息的传统分类方法的海面溢油信息提取结果进行精度对比, 验证本文方法的有效性。

1 数据源及预处理

2010年4月20日, 英国石油公司的“ 深水地平线” 钻井平台发生爆炸, 导致大量原油泄漏进入墨西哥湾并迅速蔓延, 在海面上形成了大面积溢油污染区。本文选取2010年5月10日获取的墨西哥湾溢油区域的HJ-1 CCD图像为数据源, 用于海面溢油信息提取方法研究。HJ-1 CCD图像的地面分辨率为30 m, 包含蓝波段到近红外波段共4个波段。该图像经过辐射校正和几何纠正, 并采用6S模型进行了大气校正。

2 研究方法
2.1 典型地物光谱特征分析

本文对图像中的油膜、陆地、纯净海水、近岸污水、云和云阴影等6种典型地物分别进行采样, 并统计它们在各波段的反射率平均值, 得到相应的光谱特征曲线(图1)。

图1 典型地物光谱特征曲线Fig.1 Spectral curves of typical features

从图1可以看出, 陆地的光谱曲线与其余5种地物类型的光谱特征曲线明显不同, 这是因为该时期陆地表面大部分被植被覆盖, 植被在近红外波段的高反射特性, 使B4(指第4波段, 下同)的反射率远高于B3的反射率, 因此通过计算这2个波段的归一化植被指数(NDVI)可将陆地区分出来。当油膜厚度较大时, 陆地在近红外波段的反射率也比在红波段的反射率高; 但与植被相比, 2个波段反射率的差值却非常小。经过反复试验发现, 当NDVI> 0.1时, 陆地与其他地物的分离效果最好, 且不会将厚度较大的油膜像元误分为陆地。

近岸污水与其他地物的光谱曲线趋势也有所不同。由于陆地边缘海岸受到城市污水或浅海沙滩的影响, 该区域各波段的反射率均比纯净海水高, 而与油膜的反射率较为接近。经分析发现, 该地区陆地边缘水域大多呈现出蓝波段和近红外波段的反射率之和低于绿波段和红波段反射率之和的特点, 而其他地物却不具有此特点; 因此, 可将绿波段与红波段的反射率相加, 减去蓝波段和近红外波段的反射率之和, 通过放大增强该特征来识别近岸污水。经反复试验, 确定具有反射率[(B2+B3)-(B1+B4)]> 0.03光谱特征的像元为陆地边缘受污染水域。但是, 利用该光谱特征并不能将近岸水域较完整地提取出来, 仅能识别距离陆地边缘较远的受污染水域; 而距离陆地边缘较近的海水光谱因受浅滩光谱的影响, 并不具有该光谱特征。因此, 需要考虑结合纹理特征去除浅滩水域对溢油污染信息提取的影响。

对比油膜、纯净海水、云和云阴影的光谱曲线可以看出, 它们的光谱曲线变化趋势相似, 均呈现出从蓝波段到近红外波段逐渐降低的规律。但是, 纯净海水和云阴影的反射率较低, 油膜和云的反射率较高, 这种差别在可见光波段尤为明显。因此将所有可见光波段的反射率相加, 当(B1+B2+B3)> 0.5时可分离出油膜和云, 同时还有完整的沿岸水域。结合上面获得的污染水的空间分布, 最终得到只含有油膜、云和浅滩水域的图像。

针对油膜、云和浅滩水的采样点光谱反射率进行统计, 得到三者在不同波段的光谱反射率均值、最大值和最小值(表1)。

表1 油膜、云和浅滩水采样点光谱反射率统计 Tab.1 Spectral reflectance statistics of sampling points from oil, cloud and riffle

从表1可以看出, 油膜、云和浅滩水的反射率均值差异较小, 且在反射率最大值和最小值之间存在一定重合, 因而基于光谱特征分析的方法不能将它们区分开, 必需考虑利用纹理特征对三者进行区分。

2.2 典型地物纹理特征分析

纹理是遥感图像中的重要信息, 纹理特征分析方法主要分为统计方法和结构方法2类。通常, 统计方法适用于纹理细致且无规则的图像, 结构方法则适用于纹理规则、结构特征比较明显的图像[8, 9]。考虑到研究对象— — 油膜的扩散受风和海浪的影响, 纹理特征无规则, 本文采用统计方法中的灰度共生矩阵法[10, 11]提取油膜的纹理信息。

本文选择常用的8个统计量, 即均值(MEAN)、方差(VAR)、对比度(CON)、熵(ENT)、角二阶矩(ASM)、相关性(COR)、协同性(HOM)和相异性(DIS), 进行纹理分析和比较[12]。

由于纹理特征是一种结构特征, 与选择的波段无关[13], 因此本文选择多光谱图像的蓝波段计算其统计量。为了准确地反映目标地物与周围环境的关系, 需计算每个像元的统计量值, 所以步长选择1。另有研究表明, 方向对分类结果的影响很小, 不是溢油识别的关键, 因此可以不考虑方向性; 本文取0° , 45° , 90° 和135° 这4个方向的叠加[4]。在计算灰度共生矩阵之前, 首先对图像进行直方图均衡化, 以增加灰度值的动态范围; 然后将图像灰度级压缩为16个, 以减小计算量。

求取灰度共生矩阵时, 选择合适的计算窗口至关重要。窗口过小, 则纹理刻画过于细致, 无法描述同种地物内部像元的排列规律; 窗口过大, 则可能包含异类地物像元的信息, 导致不同地物间纹理界线不够清晰[14]。综合考虑图像空间分辨率和溢油空间分布特征, 本文分别选择5× 5, 9× 9, 13× 13和17× 17窗口计算灰度共生矩阵。图2示出使用不同窗口计算得出的相关性纹理图像。

图2 不同窗口计算得出的相关性纹理图像Fig.2 Correlation texture images calculated with different windows

从图2可以看出, 使用5× 5和9× 9窗口时, 地物纹理信息过于细致, 无法获取地物内部的整体纹理特征; 而使用13× 13和17× 17窗口时, 获得的纹理图像比较符合地物分布规律。但在计算灰度共生矩阵时, 窗口越大, 计算量也越大, 因此综合考虑使用不同窗口时油膜纹理与云、浅滩水纹理的差异和计算时间等因素, 本文选用13× 13的计算窗口。

由于不同的统计量对地物纹理的刻画程度各不相同, 因此需要选择最佳统计量用于区分地物。鉴于统计量的平均值之间数值差别较大, 不易进行比较, 故需要进行归一化处理。图3是基于MEAN, VAR, HOM, DIS, ENT, ASM, COR和CON等8种纹理特征量、窗口大小为13× 13计算得到的油膜、陆地、纯净海水、浅滩水、云和云阴影等6种地物的纹理特征量归一化均值, 其中近岸大部分污水已通过上面的光谱统计方法被识别出来, 这里仅针对受浅滩光谱影响的水域进行分析。

图3 典型地物纹理特征归一化均值曲线Fig.3 Normalized mean curves of texture characteristics for typical features

从图3可以看出, 陆地、纯净海水和云阴影的纹理特征曲线具有各自独特的特征, 而油膜、浅滩水和云的纹理特征曲线基本相似; 最大的不同在于像元亮度的相关性, 油膜的相关性数值比较大, 浅滩水次之, 云的相关性数值较小。因此, 在光谱分类的基础上, 可以采用相关性纹理特征进一步区分油膜、云和浅滩水。

2.3 决策树模型构建

本文依据地物的光谱特征和纹理特征建立决策树模型(图4)。

图4 溢油提取决策树模型Fig.4 Decision tree model for oil spill extraction

决策树模型分类规则建立在光谱和纹理特征分析基础上, 且经过反复试验获得各分类阈值[15, 16, 17]。由于研究对象是油膜, 因此本文未建立继续区分纯净海水和云阴影的规则, 分类时将纯净海水和云阴影划归为同一类。在该模型中, 光谱信息和纹理信息缺一不可, 若只应用光谱特征, 则易将云和近岸污水划分为油膜; 若只应用纹理信息, 则会出现油膜、陆地、纯净海水和近岸污水混分的情况。

3 提取结果与精度分析

根据上述的决策树模型提取HJ-1 CCD图像中的溢油区域如图5所示。

从图5可以看出, 该方法能够提取主要溢油污染区(a), 对边缘薄油膜区(b)亦能实现较为精确地提取, 同时能够排除大部分与油膜光谱相似的云(c)以及近岸污水(d)对溢油识别的影响。

为了说明利用光谱和纹理特征相结合的决策树模型提取溢油信息的优势, 本文将其与只考虑光谱特征的最大似然监督分类法的分类精度进行比较。

图5 油膜提取结果Fig.5 Result of oil extraction

首先在遥感图像中通过随机采样获得各地物类型的若干样本点, 采样点比例应满足地物分类比例; 然后通过对2种方法提取结果与样本数据的比较, 计算出混淆矩阵和Kappa系数(表2和表3)。

表2 决策树分类精度 Tab.2 Accuracy of decision tree classification
表3 最大似然监督分类精度 Tab.3 Accuracy of maximum likelihood supervision classification

从表2— 3可以看出, 2种方法分类的总体精度和Kappa系数都比较高; 但是利用最大似然分类法识别溢油时, 其他地物对油膜提取结果的干扰相对较大, 特别是云和纯净海水。而利用本文方法提取溢油, 基本上可以排除云和陆地的干扰, 用户精度和制图精度分别可达86.51%和87.90%, 与最大似然分类法相比, 2项精度分别提高了11.85%和4.28%。本文方法中, 近岸污水的制图精度有所下降, 这主要是由于与纯净海水的混分, 即当决策树方法执行时, 通过[(B2+B3)-(B1+B4)]> 0.03特征无法区分出来的轻污染海水, 通过(B1+B2+B3)> 0.5特征被分成了纯净海水, 但是无论被分为哪一类, 都不会被分为油膜, 因此油膜识别精度得到了提高。

4 结论

本文在分析HJ-1 CCD图像中油膜与其他地物光谱特征和纹理特征的异同基础上, 建立了光谱特征与纹理特征相结合的决策树溢油识别方法, 得出以下结论:

1)在利用HJ-1 CCD图像识别溢油过程中, 近岸污水和云与油膜的光谱差异较小, 成为最大的干扰因素, 仅依赖光谱信息容易出现两两混分的情况。

2)在HJ-1 CCD图像中, 地物的形状、粗糙度及空间位置等纹理信息也是重要的影像特征。在光谱特征分析的基础上, 辅以用灰度共生矩阵提取的纹理信息, 能够有效地提高HJ-1 CCD图像的油膜识别精度。

3)本文提出的光谱特征和纹理特征相结合的决策树模型为应用光谱信息不很丰富的HJ-1 CCD数据进行溢油信息提取提供了有效途径; 但是模型中的阈值是根据反复试验得到的经验值, 并不适用于所有的图像, 因此需要深入研究阈值获取方法, 以实现对溢油的自动监测。另外, 基于灰度共生矩阵提取纹理特征需要较大的计算量, 耗费时间较长, 为了实现海面溢油的实时监测, 同时保证监测精度, 不能单纯通过减少图像的灰度级来减少计算量, 需要对纹理信息提取的快速算法做更加深入的研究。

志谢: 感谢中国资源卫星应用中心提供HJ-1卫星遥感数据。

The authors have declared that no competing interests exist.

参考文献
[1] Camilla B, Solberg A H S. Oil spill detection by satellite remote sensing[J]. Remote Sensing of Environment, 2005, 95(1): 1-13. [本文引用:1] [JCR: 5.103]
[2] Carnesecchi F, Byfield V, Cipollini P, et al. An optical model for the interpretation of remotely sensed multispectral images of oil spill[C]//Charles R. Proceeding SPIE 7105, Remote Sensing of the Ocean, Sea Ice and Large Water Regions 2008. Wales, 2008. [本文引用:1]
[3] Li Y, Ma L, Yu S M, et al. Remote sensing of marine oil spills and its applications[C]//Tong Q X. Remote Sensing of the Environment: 16th National Symposium on Remote Sensing of China. Beijing, 2007. [本文引用:1]
[4] 牛亚琴. 基于遥感图像的海上溢油现象识别研究[D]. 舟山: 浙江海洋学院, 2012.
Niu Y Q. Identification of marine spilled oil based on remote sensing image[D]. Zhoushan: Zhejiang Ocean University, 2012. [本文引用:2]
[5] Tseng W Y, Chiu L S. AVHRR observations of Persian Gulf oil spills[C]//IEEE International Geoscience and Remote Sensing Symposium. Pasadena: IEEE, 1994: 779-782. [本文引用:1]
[6] 侯懿峰. MODIS数据解析及海面溢油分类研究[D]. 大连: 大连海事大学, 2012.
Hou Y F. The research on MODIS data processing and marine oil spill classification[D]. Dalian: Dalian Maritime University, 2012. [本文引用:1] [CJCR: 0.3688]
[7] 陆应诚, 陈君颖, 包颖, 等. 基于HJ-1星CCD数据的溢油遥感特性分析与信息提取[J]. 中国科学: 信息科学, 2011, 41(增刊): 193-201.
Lu Y C, Chen J Y, Bao Y, et al. Using HJ-1 satellite CCD data for remote sensing analysis and information extraction in oil spill scenarios[J]. Scientia Sinica: Informationis, 2011, 41(s1): 193-201. [本文引用:1]
[8] 姜良美, 王芳, 肖志坤, 等. 基于纹理特征的微山湖湿地信息提取研究[J]. 湖南科技大学学报: 自然科学版, 2011, 26(4): 68-72.
Jiang L M, Wang F, Xiao Z K, et al. Study on extracting wetland information in Weishanhu Lake area based on texture feature[J]. Journal of Hunan University of Science and Technology: Natural Science Edition, 2011, 26(4): 68-72. [本文引用:1]
[9] 张砾. 辅以纹理特征的洪泽湖湿地信息提取[J]. 遥感信息, 2010(3): 30-34.
Zhang L. Wetland information extraction combined with texture features[J]. Remote Sensing Information, 2010(3): 30-34. [本文引用:1] [CJCR: 0.7]
[10] Haralick R M, Shanmugam K, Dinstein I. Textural features for image classification[J]. IEEE Transactions on Systems, Man and Cybernetics, 1973, 3(6): 610-621. [本文引用:1]
[11] Franklin S E, Hall R J, Moskal L M, et al. Incorporating texture into classification of forest species composition from airborne multispectral images[J]. International Journal of Remote Sensing, 2000, 21(1): 61-79. [本文引用:1]
[12] Li G Y, Lu D S, Moran E, et al. A comparative analysis of ALOS PALSAR L-band and RADARSAT-2 C-band data for land -cover classification in a tropical moist region[J]. ISPRS Journal of Photogrammetry and Remote Sensing, 2012, 70: 26-38. [本文引用:1] [JCR: 3.313]
[13] 冯建辉, 杨玉静. 基于灰度共生矩阵提取纹理特征图像的研究[J]. 北京测绘, 2007(3): 19-22.
Feng J H, Yang Y J. Study of texture images extraction based on gray level co-occurence matrix[J]. Beijing Surveying and Mapping, 2007(3): 19-22. [本文引用:1] [CJCR: 0.2437]
[14] 谭湘莹, 于秀兰, 钱国蕙. 一种大小窗口结合的SAR图像纹理特征分类方法[J]. 系统工程与电子技术, 2000, 22(4): 15-17.
Tan X Y, Yu X L, Qian G H. A classification method by use of SAR image texture characteristics with combination of large and small windows[J]. Systems Engineering and Electronics, 2000, 22(4): 15-17. [本文引用:1] [CJCR: 0.499]
[15] Kasapoglu N G, Yazgan B, Akleman F. Hierarchical decision tree classification of SAR data with feature extraction method based on spatial variations[C]//IEEE International Geoscience and Remote Sensing Symposium. Toulouse, 2003: 3453-3455. [本文引用:1]
[16] 赵文吉, 段福州, 刘晓萌, 等. ENVI遥感影像处理专题与实践[M]. 北京: 中国环境科学出版社, 2007: 54.
Zhao W J, Duan F Z, Liu X M, et al. ENVI processing topics and practice for remote sensing images[M]. Beijing: China Environmental Science Press, 2007: 54. [本文引用:1]
[17] 巴桑, 刘志红, 张正健, 等. 决策树在遥感影像分类中的应用[J]. 高原山地气象研究, 2011, 31(2): 31-34.
Ba S, Liu Z H, Zhang Z J, et al. Decision tree and its application in remote sensing image classification[J]. Plateau and Mountain Meteorology Research, 2011, 31(2): 31-34. [本文引用:1] [CJCR: 0.8095]