基于雷达光学影像融合的养殖池塘提取方法_张志德.pdf

书书书雷达智能信号处理专题DOI:1016592/jcnki10047859202212014基于雷达光学影像融合的养殖池塘提取方法张志德1，葛贵银2，刘祥梅1，王健1，陈嘉琪*1(1 河海大学 计算机与信息学院，南京 211100)(2 江苏星宇芯联电子科技有限公司，南京 210046)摘要:池塘养殖在提供水产品同时为周边水环境带来了污染，为此对养殖池塘提取算法进行研究。针对养殖池塘提取过程中雷达图像受地形影响易产生噪声，而多光谱图像易受天气等因素影响这一现象，文中提出了一种基于决策级融合的塘坝提取方法，综合多数据源成像的优势来提高识别精度。先对雷达图像进行预处理和超分辨图像重建，再用面向对象的连通分量分割算法对图像进行水陆分割。随后，利用 2015 水体指数对光学影像进行水体提取，整合光学数据的光谱特性并与雷达影像进行决策级融合，全面考虑每个数据源的分类结果，得到最终的养殖池塘分布图像。实验数据表明:决策级融合利用雷达影像较高的分辨率和光学影像丰富的波段信息，提高了对小型塘坝的分辨能力，较单一数据源提取优势显著。关键词:合成孔径雷达;光学影像;合成孔径雷达影像;决策级融合中图分类号:TN95752文献标志码:A文章编号:10047859(2022)12009308引用格式:张志德，葛贵银，刘祥梅，等 基于雷达光学影像融合的养殖池塘提取方法J 现代雷达，2022，44(12):93100ZHANG Zhide，GE Guiyin，LIU Xiangmei，et al An extraction method of aquaculture ponds based on fusion of radarand optical images J Modern adar，2022，44(12):93100An Extraction Method of Aquaculture Ponds Based onFusion of adar and Optical ImagesZHANG Zhide1，GE Guiyin2，LIU Xiangmei1，WANG Jian1，CHEN Jiaqi*1(1 School of Computer and Information，Hohai University，Nanjing 211100，China)(2 Jiangsu Xing Yu Xin Lian Electronic Technology Co，LTD，Nanjing 210046，China)Abstract:An aquaculture pond extraction algorithm is proposed in this paper for the reason that pond aquaculture brings pollutionto the surrounding water environment when providing aquatic products In the process of pond extraction，radar images are suscepti-ble to noise due to topography and multispectral images are susceptible to weather and other factors To address this problem，a de-cision-level fusion-based pond extraction method is proposed to improve the recognition accuracy by integrating the advantages ofmultiple data sources images adar images are preprocessed and reconstructed by super-resolution first，and then the object-orien-ted connected component segmentation algorithm is used to segment the image by water and land Then，the 2015 water index isused to extract water in optical images The spectral characteristics of optical image is integrated to the radar image for decision-lev-el fusion The final aquaculture distribution image is obtained after comprehensively considering the classification results of each da-ta source The experimental data show that the decision-level fusion takes advantage of the higher resolution of the radar image andplenty waveband information of the optical image to improve the discrimination of small ponds，which has significant advantages o-ver the extraction from a single data sourceKey words:synthetic aperture radar;optical image;synthetic aperture radar image;decision level fusion收稿日期:2022-08-12修订日期:2022-10-160引言水产品是人体内蛋白质等营养物质的重要来源，对改善膳食结构有重要作用1。欧美等国对水产品的获取以海洋捕捞为主，而我国水产品生产坚持“以养为主”的指导方针，淡水养殖得到了快速发展2。目前，我 国 淡 水 养 殖 产 量 已 经 占 到 水 产 养 殖 总量的50%以上，尤其淡水池塘养殖占比越来越高，至2020 年池塘养殖产量占淡水养殖总产量的 74%3。池塘养殖给我国带来水产品同时，对我国生态水环境造成了严重破坏。水产养殖池塘排出富含氮、磷的废水，严重破坏生态系统4。但是养殖池塘空间分布杂乱，关于养殖池塘水体提取的方法研究依然较少。因此，对养殖池塘提取方法的研究，有利于准确掌握水产养殖池塘的空间范围分布，从而为保护水生态系统提供参考。养殖池塘往往由人工形成，通常具有明显的几何39第 44 卷第 12 期2022 年 12 月现 代 雷 达Modern adarVol44No12Dec 2022特征，呈现出矩形等规则形状，且面积大小不等。为了准确提取出养殖池塘的几何特征，雷达与光学卫星影像 被 应 用 于 养 殖 池 塘 监 测。文 献5基 于SPOT-5 和 WorldView-1 全色光学图像，使用区域增长分割和无监督聚类分类器识别了潭江泻湖地区的沿海水产养殖区域。文献 6基于 Landsat TM/ETM+光学影像，对 19852010 年中国沿海盐田和水产养殖池塘的时空分布进行了系统分析。文献 7利用Sentinel1 合成孔径雷达(SA)的时间序列，绘制了亚洲沿海部分地区的水产养殖池塘。文献 8同样采用 Sentinel-1 SA 影像，综合水体指数、纹理几何特征构建了水产养殖池塘自动提取算法，并在越南沿海地区成功验证了其结果。但是，SA 图像信息在传播过程中会产生相干斑噪声9，并且其后向散射系数易受山地阴影等影响10。光学影像波段颜色信息丰富，在合适的波段组合下可以有效地区分养殖池塘和狭长堤坝11，而光学影像易因大气、云层等自然现象而产生偏差12。两种数据在水陆分割时各有优劣，所以可以将二者进行融合，以此来提高养殖池塘的分类与提取精度。遥感领域中，主要有基于像元级、特征级和决策级三种数据融合方法。像元级融合主要对像素特征进行提取13;特征级融合在前者基础上，提取输入图像特征后，综合处理其边缘、形状、局部特征等信息14;而决策级融合在各传感器独立实现分类操作后，通过执行全局最优决策，将多源识别结果进行汇总分析判定15。较单一识别而言，决策级融合更趋向于智能逻辑，综合多种传感器判别得到的识别结果。同时，决策级融合有着优越的自适应性和兼容性，存在较好的纠错和抗干扰能力16。因此，为了综合 SA 和光学数据在水陆分割方面的优势17，本文对池塘密集分布的太湖流域进行重点研究，对太湖周边养殖池塘进行提取。针对 SA 影像，本文首先对影像进行预处理和超分辨重建，再用面向对象的连通分量分割算法对图像进行水陆分割。1实验数据本文用到的遥感卫星包括 Sentinel-1 SA 雷达卫星与 Sentinel-2 多光谱卫星。Sentinel-1 是哥白尼太空计划的核心部分，通过两颗 C 波段 SA 卫星实现对地成像。Sentinel-1A 与 Sentinel-1B 于 2014 年与 2015 年4 月相继发射18。Sentinel-1 主要包括干涉宽幅、超宽幅、条带成像和波浪模式四种成像模式。除波浪模式外，所有模式均可在双极化模式下成像。其中，干涉宽幅模式可实现5 m20 m 地面分辨率的250 km 条带宽度的高精度成像。本文使用干涉宽幅成像模式下 VH极化的单视复数影像产品。相较于 HH 极化，VH 极化在反向散射直方图中存在明显双峰分布，所以更适合于水域和陆地分割。如今，Sentinel-1 在海洋环境观测、土地制图、湖泊监测等领域应用广泛。Sentinel-2 由 Sentinel-2A 和 Sentinel-2B 双卫星组成，装载了具有宽扫描、高分辨率的多光谱仪。Senti-nel-2 能在 5 天内重访整个地球，相比于 Landsat 系列卫星时间分辨率更高。并且 Sentinel-2 波段的空间分辨率最高可达 10 m，而 Landsat 主要波段空间分辨率为 30 m，所以本文使用 Sentinel-2 光学数据与 Sentinel-1 雷达数据进行融合，实现塘坝提取。2基于 SA 影像的塘坝提取Sentinel-1 的高精度成像，为塘坝的精确提取提供条件。基于 Sentinel-1 雷达影像的塘坝提取算法主要分为 4 个步骤，即 SA 图像预处理、基于超分辨技术的图像重建、时序中值处理以及地形掩膜处理。步骤流程图如图 1 所示。图 1基于 Sentinel-1 雷达数据的养殖池塘提取算法流程图21预处理首先利用下载得到的轨道精确数据，更新轨道元数据从而获取更高精度配准影像。然后利用 55 窗口大小的 enLee 滤波器，减少成像过程中产生的热噪声从而保证子条带间的连续性，该滤波器在减少噪声同时有效保留了图像细节。由于 SA 数据受到观测几何影响，仍具有一定的辐射偏差。所以在距离向做补偿，利用辐射定标归一化到同一标准下。辐射定标后的结果是无量纲的并且该数值较小，所以需要将结果转换成 dB 为单位的后向散射值。分贝化执行过程如下0=10lg0(1)492022，44(12)现 代 雷 达式中:0为辐射定标后的数值。以上操作都是在 SA坐标系下进行的，为了方便后续实验，对结果进行地理编码，转换到笛卡尔坐标系输出。22基于超分辨技术的 SA 图像重建SA 成像时往往受到雷达平台的非理想运动、大气扰动、系统再生以及成像条件不佳等因素影响，容易出现模糊等问题。同时，实际中塘坝面积往往较小，这进一步加剧了塘坝中水域与陆地边界的模糊，降低了养殖池塘提取结果的准确性。因此，图像超分辨技术成为提高 SA 图像质量的一大热点19，同时也是提高塘坝提取准确