[发明专利]一种基于邻域保边水平集的绿潮遥感自动探测方法及系统

说明书

本发明提供一种基于邻域保边水平集的绿潮遥感自动探测方法及系统。该探测方法包括：获取绿潮的影像，基于偏置建模构建探测模型以描述所述影像的形成过程；引入邻域特征项和边界保留项构建所述探测模型的水平集能量函数；对构建的所述水平集能量函数进行初始化处理；根据初始化过程进行所述水平集能量函数的演化进程；对演化后的所述水平集能量函数进行正则化；判断所述水平集能量函数的演化是否达到稳定，若达到稳定，则停止演化并输出绿潮探测结果，否则继续进行所述演化进程。本发明提供的基于邻域保边水平集的绿潮遥感自动探测方法准确描述了绿潮的空间分布信息，还解决了不同时相遥感影像存在差异的问题，无需人为干预可实现高精度自动探测。

技术领域

本发明涉及海洋探测领域，特别地涉及一种基于邻域保边水平集的绿潮遥感自动探测方法及系统。

背景技术

绿潮是海水中某些大型浮游植物爆发性增殖聚集形成的一种生态异常现象。近十年来，中国近海绿潮频发，规模罕见，对海洋生态环境、海洋渔业、海滨旅游、水上运动等造成影响，制约了海洋经济的发展。据海洋灾害公报统计，中国海域2013、2014、2015、2016、2017年浒苔绿潮最大分布面积依次为29733、50000、52700、57500、23522平方千米。2017年浒苔绿潮分布面积为近5年来最小值，其分布面积依然高达上万平方千米。因此，有效的绿潮监测和统计工作必不可少。卫星遥感以其大范围、快速、同步观测能力，成为绿潮监测的主要技术手段。

目前国内外在进行绿潮遥感探测时，主要有传统的光谱指数阈值法和图像处理两种方法。

基于光谱指数阈值法的绿潮遥感探测依赖于绿潮与其背景之间的光谱特性差异，构建相应的光谱指数，通过设定合适的阈值，实现绿潮与海水的区分。现有技术中提出了“归一化植被指数(Normalized Difference Vegetaion Index，NDVI)”，此方法是目前绿潮遥感检测中使用最广泛的方法。现有技术中还提出了“增强型植被指数(EnhancedVegetation Index，EVI)”，通过引入蓝波段来增强植被信号并减小大气影响”。现有技术中还提出了“归一化藻类指数算法(Normalized Difference Algae Index，NDAI)”，其特点是基于MODIS数据进行了大气校正。现有技术中还提出了“飘浮藻类指数算法(FloatingAlgal Index，FAI)”，该算法采用了短波红外波段辅助进行藻类探测。利用绿潮藻类富含叶绿素的特点，叶绿素a浓度反演算法也被用于绿潮遥感探测。

此类方法的优势在于物理机制清晰、操作简便，缺点在于：(1)特定的阈值无法解决不同时相绿潮遥感影像存在差异性的问题。这种差异性可来源于多个方面。从成像的角度进行分析，在复杂大气-海洋环境(大气浑浊度、水体等)下，绿潮遥感影像动态变化范围大，特定的成像条件下需要特定的阈值以实现准确的绿潮探测；从生理环境的角度进行分析，绿潮的形成受风、浪、流等多种环境因素的影响，不同的生理环境需要不同的阈值以更准确地描述绿潮分布特征。(2)光谱指数阈值法依赖于单个像元的信息，其忽略了绿潮的空间分布信息。在一景绿潮遥感影像中，绿潮通常呈零散的长条带状或斑块状分布，一个绿潮像元周围往往存在其他绿潮像元，而采用单一阈值容易忽略绿潮像元之间的联系。因此，不仅不同时相的遥感影像不能采用同一(单一)阈值，即使是同一遥感影像的不同区域，其探测阈值也存在明显差异。加之绿潮提取结果对所设定的阈值较为敏感，若对整幅(或多幅)影像采用单一阈值进行探测，所得结果必然不准确；若采用逐影像、小区域人工调整阈值的方式进行探测，则费时费力、监测效率低。