柯麗娜，翟宇寧, ，范劍超*

(1.遼寧師范大學(xué) 地理科學(xué)學(xué)院，遼寧 大連 116029；2.國家海洋環(huán)境監(jiān)測中心 海洋遙感技術(shù)室，遼寧 大連 116023)

1 引言

海水養(yǎng)殖是沿海城市的重要經(jīng)濟(jì)來源之一，為城市發(fā)展帶來了巨大的經(jīng)濟(jì)效益[1-2]。隨著海水養(yǎng)殖業(yè)繁榮發(fā)展，高密度海水養(yǎng)殖、侵占生態(tài)保護(hù)區(qū)等違規(guī)養(yǎng)殖情況也逐年增加。同時，由于部分養(yǎng)殖戶、養(yǎng)殖企業(yè)使用開放式養(yǎng)殖模式，再加上養(yǎng)殖技術(shù)不規(guī)范，長此以往將對養(yǎng)殖區(qū)域周圍環(huán)境造成較大壓力[3-5]。高效率、高精度的海水養(yǎng)殖監(jiān)測對促進(jìn)海水養(yǎng)殖業(yè)持續(xù)穩(wěn)定發(fā)展與營造健康平衡的海水生態(tài)環(huán)境具有十分重要的意義。

海水養(yǎng)殖目標(biāo)分布廣泛且分散，傳統(tǒng)實地調(diào)查方法、監(jiān)測方法受自然天氣、經(jīng)濟(jì)成本等因素影響越發(fā)無法滿足實際監(jiān)測需求。遙感技術(shù)手段憑借其覆蓋范圍廣、影像更新快等優(yōu)勢為海水養(yǎng)殖監(jiān)測提供了新的途徑[6-8]。楊英寶等[9]以航拍影像與TM 影像為數(shù)據(jù)源，通過目視解譯法對東太湖湖泊與網(wǎng)圍養(yǎng)殖面積進(jìn)行提取。Seto 和Fragkias[10]利用目視解譯結(jié)合QuickBird 遙感影像提取魚類養(yǎng)殖區(qū)信息。該方法可有效提取相對面積較大的遙感對象，但提取精度較低，易受主觀因素影響且人工成本較高。為進(jìn)一步提高養(yǎng)殖提取精度與效率，專家學(xué)者們引入Canny 算子[11]、自動閾值分割（Otsu）算法[12]、主成分分析K均值聚類（PCA_Kmeans）算法[13]等傳統(tǒng)提取算法概念。傳統(tǒng)提取算法在一定范圍內(nèi)的海水養(yǎng)殖目標(biāo)識別中表現(xiàn)出色。但隨著養(yǎng)殖提取區(qū)域擴大，環(huán)境背景愈加復(fù)雜，傳統(tǒng)算法的準(zhǔn)確率無法滿足實際需求，需要結(jié)合遙感光譜特征通過目標(biāo)敏感波段比值計算提取光譜特征進(jìn)行更深層次的提取研究。盧業(yè)偉等[14]以福建省三都澳海域為研究區(qū)通過光譜特征指數(shù)與Otsu 算法實現(xiàn)了近海養(yǎng)殖區(qū)的快速有效提取。Kang 等[15]通過波段比值歸一化計算Landsat 數(shù)據(jù)以提取2000-2018 年遼寧省海水養(yǎng)殖目標(biāo)。Wang 等[16]基于顯著性歸一化植被指數(shù)（OBVS-NDVI）對福州羅源灣筏式養(yǎng)殖進(jìn)行識別提取。程博等[17]首先計算顯著光譜和灰度共生矩陣紋理特征，再利用閾值法提取筏式養(yǎng)殖與魚排網(wǎng)箱養(yǎng)殖兩種近海養(yǎng)殖類型。指數(shù)分析法有利于養(yǎng)殖目標(biāo)光譜特征提取但存在“同譜異物”問題，同時缺少對光譜差異誤差的噪聲處理。

近年，深度學(xué)習(xí)網(wǎng)絡(luò)，特別是全卷積網(wǎng)絡(luò)（Fully Convolutional Network,FCN）因其泛化性與魯棒性優(yōu)勢被應(yīng)用于養(yǎng)殖提取研究中[18-19]。SegNet[20]與U-Net[21]繼承FCN 卷積層代替全連接層思想繼續(xù)對其網(wǎng)絡(luò)模型結(jié)構(gòu)進(jìn)行優(yōu)化，形成深度學(xué)習(xí)網(wǎng)絡(luò)經(jīng)典模型。鄭智騰等[22]基于密集網(wǎng)絡(luò)模型構(gòu)架，設(shè)計了一種改進(jìn)型雙支網(wǎng)絡(luò)結(jié)構(gòu)對海水網(wǎng)箱養(yǎng)殖目標(biāo)進(jìn)行提取。劉岳明等[23]基于GF-2 衛(wèi)星影像，建立豐富卷積特征（Richer Convolutional Features,RCF）深度學(xué)習(xí)模型實現(xiàn)福建省三都澳筏式養(yǎng)殖區(qū)的分類提取，實現(xiàn)大范圍養(yǎng)殖區(qū)的高精度提取。Cui 等[24]通過增加金字塔上采樣壓縮激勵模塊（Pyramid Upsampling and Squeeze-Excitation module,PSE）改進(jìn)U-Net 網(wǎng)絡(luò)結(jié)構(gòu)，解決遙感影像養(yǎng)殖邊緣模糊問題，實現(xiàn)連云港地區(qū)筏式養(yǎng)殖提取。Liu 等[25]基于DeepLabv3 網(wǎng)絡(luò)結(jié)構(gòu)融合多源光譜特征實現(xiàn)長?？h筏式養(yǎng)殖目標(biāo)提取。深度學(xué)習(xí)網(wǎng)絡(luò)工作原理是由卷積層學(xué)習(xí)不同的特征，由池化層將空域形狀匯聚到高維特征空間，多層交替的卷積、池化以獲取目標(biāo)深度特征，但此過程中會出現(xiàn)目標(biāo)細(xì)節(jié)丟失問題。

本文使用Canny 算子雙邊濾波算法對波段運算后的光譜信息進(jìn)行降噪，降低近岸養(yǎng)殖區(qū)復(fù)雜遙感背景及新型深海網(wǎng)箱內(nèi)部養(yǎng)殖水體對網(wǎng)箱邊緣光譜特征的干擾，提出深度邊緣光譜U-Net（Deep Edge Spectral-Unet,DES-Unet）模型。該模型在U-Net 跳躍連接結(jié)構(gòu)中加入邊緣光譜特征與全卷積U-Net 模型提取的深度特征融合，經(jīng)softmax 逐像素分類實現(xiàn)網(wǎng)箱養(yǎng)殖目標(biāo)提取[26]。

2 研究區(qū)及數(shù)據(jù)

2.1 研究區(qū)

研究區(qū)海南島位置如圖1 所示，地處18°10′～20°10′N，108°37′～111°03′E。海南島地處熱帶，屬熱帶季風(fēng)氣候，是我國最具有熱帶海洋季風(fēng)氣候特征的地方，全年暖熱，雨量充沛，年平均氣溫為23～29℃。干濕季節(jié)明顯，常風(fēng)較大。所轄海域面積為200×104km2，水系豐富，岸線資源充沛，沿岸海域水質(zhì)優(yōu)良，平均潮差小于1.7 m，海水平均流速為0.5 m/s，平均鹽度為33.5，海水平均pH 為8.0，環(huán)境條件適合進(jìn)行海水養(yǎng)殖，養(yǎng)殖作物以魚蝦為主。研究區(qū)萬寧市與陵水縣養(yǎng)殖類型以傳統(tǒng)近岸網(wǎng)箱養(yǎng)殖類型為主，如圖1a、圖1b 所示。新型深海網(wǎng)箱養(yǎng)殖主要集中在北部臨高縣，如圖1c 所示，臨高縣擁有我國目前最大的深海網(wǎng)箱養(yǎng)殖基地，共有深海網(wǎng)箱逾3 000口，年產(chǎn)量約2.4×104t，是深海網(wǎng)箱養(yǎng)殖目標(biāo)的典型研究區(qū)域。

圖1 研究區(qū)及網(wǎng)箱養(yǎng)殖目標(biāo)示意圖Fig.1 Study area and cage culture images

傳統(tǒng)近岸網(wǎng)箱主要由框架系統(tǒng)、箱體系統(tǒng)和錨泊系統(tǒng)組成，其中框架系統(tǒng)大多由板材、浮筒等部件裝配而成。由于近岸網(wǎng)箱抗風(fēng)浪能力差，一般設(shè)置于風(fēng)浪流小、避風(fēng)條件好的內(nèi)灣、隘灣或港灣等海區(qū)。受研究區(qū)氣候影響，傳統(tǒng)近岸網(wǎng)箱養(yǎng)殖的網(wǎng)箱分布密集且靠近岸邊，如圖2a 所示，近岸網(wǎng)箱養(yǎng)殖區(qū)地物情況復(fù)雜，顏色與水體具有一定相似性，光譜特征受近岸陸地、島嶼、網(wǎng)箱內(nèi)部水體、植被等因素影響難以使用單一光譜波段直接進(jìn)行養(yǎng)殖目標(biāo)提取。

圖2 傳統(tǒng)近岸網(wǎng)箱（a）與新型深海網(wǎng)箱養(yǎng)殖（b）Fig.2 Traditional offshore cages (a) and new deep-sea cages culture (b)

新型深水網(wǎng)箱主要由框架系統(tǒng)、網(wǎng)囊、固定系統(tǒng)和配套設(shè)施組成，利用固定平臺的相互作用及箱體的自身特點把箱體降到水下限定的深度。因其具有更好的抗風(fēng)浪性，因此常見于我國海南、福建等熱帶海洋季風(fēng)型氣候省份。研究區(qū)與傳統(tǒng)近岸網(wǎng)箱養(yǎng)殖目標(biāo)不同，新型深海網(wǎng)箱養(yǎng)殖區(qū)離岸距離較遠(yuǎn)，如圖2b所示，遙感影像背景較為單一。但深海網(wǎng)箱目標(biāo)監(jiān)測部分為水面網(wǎng)箱框體，受材質(zhì)與框體自身顏色特征影響，與背景水體存在相似性，提取存在一定難度。

2.2 數(shù)據(jù)源

研究使用高分二號數(shù)據(jù)（表1），3 景高分?jǐn)?shù)據(jù)分別覆蓋萬寧市、陵水縣、臨高縣3 個海水養(yǎng)殖區(qū)域。海南島近岸年均水溫為26℃，水溫穩(wěn)定，全年存在海水網(wǎng)箱養(yǎng)殖目標(biāo)。5-6 月是海南臺風(fēng)與夏季風(fēng)暴的多發(fā)季節(jié)，強風(fēng)天氣后云量降低有利于遙感影像拍攝。因此遙感影像采集時間在5-6 月，且云量控制在5%以內(nèi)，有利于網(wǎng)箱養(yǎng)殖提取。

表1 數(shù)據(jù)介紹Table 1 Data introduction

3 研究方法

本研究區(qū)養(yǎng)殖目標(biāo)提取實現(xiàn)流程如圖3 所示：首先對原始可見光1A 級數(shù)據(jù)進(jìn)行大氣校正、輻射定標(biāo)、幾何校正、最鄰近值擴散銳化融合算法，選擇對網(wǎng)箱養(yǎng)殖目標(biāo)更為敏感的紅、綠、近紅外波段進(jìn)行波段的比值計算并使用Canny 算子提取養(yǎng)殖目標(biāo)邊緣光譜特征。同時對原始遙感數(shù)據(jù)進(jìn)行鏡像對稱操作，輸入固定尺寸通過U-Net 網(wǎng)絡(luò)卷積層進(jìn)行網(wǎng)箱養(yǎng)殖深度特征提取，再通過池化層進(jìn)行特征降維壓縮冗余信息，最后通過上采樣反卷積操作還原圖像尺寸。利用DES-Unet 模型跳躍連接結(jié)構(gòu)實現(xiàn)兩側(cè)的深度特征圖與Canny 算子提取到的邊緣光譜特征進(jìn)行特征融合，在softmax 分類器中進(jìn)行逐像素點分類，實現(xiàn)多種類網(wǎng)箱養(yǎng)殖目標(biāo)提取。

圖3 整體流程圖Fig.3 The overall flow chart

3.1 波段比值計算與邊緣信息提取

使用單一波段很難對海水養(yǎng)殖區(qū)進(jìn)行有效提取，因此需要通過海水養(yǎng)殖目標(biāo)最強反射波段與最弱反射波段間的比值運算突出養(yǎng)殖區(qū)域，抑制海水背景信息，進(jìn)而達(dá)到海水養(yǎng)殖光譜特征提取的目的。根據(jù)海水養(yǎng)殖與海水水體在各個波段中表現(xiàn)出的差異性，選擇R 波段、G 波段及NIR 波段進(jìn)行波段比值運算。進(jìn)行如下計算：

式中，R為紅光波段反射率；G為綠光波段反射率；NIR為近紅外波段反射率；R1、R2為比值指數(shù)；R3、R4、R5為歸一化比值指數(shù)。波段計算效果如圖4 所示。

海水養(yǎng)殖區(qū)在不同波段表現(xiàn)出的色調(diào)有所差異，例如圖4a 中所示養(yǎng)殖區(qū)域與海水背景區(qū)域的亮度差更加明顯，利用閾值分割法分離出背景區(qū)域，對于抑制海水及陸地區(qū)域的干擾有很大價值。

圖4 不同波段計算效果Fig.4 Calculation effect of different bands

使用Canny 算子雙邊濾波算法去除波段運算后的冗余光譜信息。Canny 算子與傳統(tǒng)微分算子相比具有信噪比大、檢測圖邊緣精度高等優(yōu)點。在遙感圖像中，離邊緣較遠(yuǎn)的像素對于邊緣上面的像素影響不是特別大，從而可以較好地保存圖像邊緣附近的像素值。雙邊濾波方法屬于非線性濾波方法，同時考慮到了灰度和空域信息的相似性，既保留了圖像邊緣又去除了邊緣噪聲。雙邊濾波方法輸出圖像的邊緣像素值取決于附近像素值加權(quán)值之間的組合，定義為

式中，i和j表示當(dāng)前像素坐標(biāo)點；k和l表示鄰域像素坐標(biāo)點；o(i,j)表示輸出的像素值；f(k,l)表示輸入的像素值；w(i,j,k,l)表示加權(quán)系數(shù)。

3.2 深度邊緣光譜U-Net 模型

深度邊緣光譜U-Net 模型網(wǎng)絡(luò)框架結(jié)構(gòu)如圖5 所示，深度卷積網(wǎng)絡(luò)通過下采樣的過程來捕捉到所需的語義信息，與之對應(yīng)的上采樣過程則可以用來進(jìn)行精確地定位。利用U-Net 跳躍連接結(jié)構(gòu)將降噪后的光譜特征與深度卷積網(wǎng)絡(luò)特征相融合，經(jīng)softmax 分類器實現(xiàn)網(wǎng)箱養(yǎng)殖信息提取。

圖5 DES-Unet 結(jié)構(gòu)圖Fig.5 Schematic diagram of DES-Unet structure

在輸入圖像前首先給輸入圖像增加一個固定尺寸的鏡像對稱的邊緣，這個固定尺寸由3×3 卷積得到的特征圖時的感受野來確定，由于3×3 卷積會對圖像的尺寸進(jìn)行縮小，為保證有效的3×3 卷積不降低對于原始圖像的感受野，為輸入圖像的每條邊界增加感受野的一半作為鏡像對稱的邊緣大小。輸入圖像大小設(shè)置為512×512，經(jīng)過計算鏡像邊緣的大小為60，即輸入的原始高分辨率遙感圖像的尺寸為572×572，鏡像對稱操作如下圖6 所示。

圖6 鏡像對稱操作Fig.6 Mirror symmetry operation

網(wǎng)絡(luò)輸入為經(jīng)過邊緣鏡像操作的尺寸為572×572的原始遙感圖像，首先經(jīng)過兩層通道數(shù)為64 的3×3 卷積層與其后相接的2×2 最大池化操作下采樣圖像尺寸為原始圖像尺寸的1/2 量級，即284×284。再經(jīng)過兩層通道數(shù)為128 的3×3 卷積層與其后相接的2×2 最大池化操作下采樣圖像尺寸為原始圖像尺寸的1/4 量級，即140×140。然后經(jīng)過兩層通道數(shù)為256 的3×3 卷積層與其后相接的2×2 最大池化操作下采樣圖像尺寸為原始圖像尺寸的1/8 量級，即68×68。之后經(jīng)過兩層通道數(shù)為512 的3×3 卷積層與其后相接的2×2 最大池化操作下采樣圖像尺寸為原始圖像尺寸的1/16 量級，即32×32，從而得到最大壓縮程度的深度特征圖。其中，3×3 的卷積過程中不進(jìn)行補0 操作，每次卷積圖像的尺寸會縮小2 行2 列，經(jīng)過5 組正向卷積，將特征圖的尺寸壓縮為原始圖像的1/16，最終得到圖像尺寸為32×32 的深度特征圖（圖7）。

圖7 深度特征提取效果Fig.7 The effect of depth feature extraction

在還原圖像尺寸的過程中，即上采樣操作，通過2×2 的卷積來實現(xiàn)。將32×32 的深度特征圖送入兩層通道數(shù)為1 024 的3×3 卷積層與其后相接的2×2 卷積上采樣圖像尺寸為深度特征圖尺寸的2 倍量級，即56×56，同時拼接由正向卷積過程中68×68 的特征圖經(jīng)過卷積得到的64×64 的特征圖的中心大小為56×56的區(qū)域。再經(jīng)過兩層通道數(shù)為512 的3×3 卷積層與其后相接的2×2 卷積上采樣圖像尺寸為深度特征圖尺寸的4 倍量級，即104×104，同時拼接由正向卷積過程中140×140 的特征圖經(jīng)過卷積得到的136×136 的特征圖的中心大小為104×104 的區(qū)域。然后經(jīng)過兩層通道數(shù)為256 的3×3 卷積層與其后相接的2×2 卷積上采樣圖像尺寸為深度特征圖尺寸的8 倍量級，即200×200，同時拼接由正向卷積過程中284×284 的特征圖經(jīng)過卷積得到的280×280 的特征圖的中心大小為200×200 的區(qū)域。之后經(jīng)過兩層通道數(shù)為128 的3×3 卷積層與其后相接的2×2 卷積上采樣圖像尺寸為深度特征圖尺寸的16 倍量級，即392×392，同時拼接由正向卷積過程中572×572 的原始圖像經(jīng)過卷積得到的568×568 的特征圖的中心大小為392×392 的區(qū)域。最后經(jīng)過兩層通道數(shù)為64 的3×3 卷積層最終提取并還原出圖像尺寸為388×388 的深度特征圖，經(jīng)過全連接層進(jìn)行降維處理得到可以用于特征融合的深度特征。

在整個正向卷積與反向卷積的過程中，U-Net 模型通過跳躍連接實現(xiàn)兩側(cè)的深度特征圖與邊緣光譜特征的拼接合并，該方法可以有效地恢復(fù)所要提取養(yǎng)殖區(qū)域目標(biāo)的語義信息，從而增強了網(wǎng)絡(luò)模型的學(xué)習(xí)能力和所提取深度特征的代表養(yǎng)殖區(qū)域目標(biāo)信息的能力。

模型通過特征融合后可實現(xiàn)端到端的訓(xùn)練，養(yǎng)殖目標(biāo)信息的提取可看作二分類問題，逐像素分類判斷屬于背景區(qū)域還是目標(biāo)區(qū)域，假設(shè)x為輸入圖像，整個模型采用帶邊界權(quán)值的二元交叉熵?fù)p失函數(shù)，可定義為

式中，x表示輸入點像素值；l(x):Ω →{1,···,K}為逐像素的真值；Pl(x)(x)表示像素點與真值做差；w(x):Ω ∈R為逐像素的權(quán)值，作用為增加臨近圖像邊緣處的點的權(quán)重。

式中，w(x)表示輸入點像素權(quán)值；wc(x):Ω ∈R為平衡類別比例所加的權(quán)值；d1(x):Ω ∈R為像素點到其最近距離的目標(biāo)邊界的距離；d2(x):Ω ∈R為像素點到其距離第二近的目標(biāo)邊界的距離；w0和 σ均為常數(shù)值，此處設(shè)置為w0=10 和 σ≈5 像素。

經(jīng)預(yù)處理的高分系列遙感影像中裁剪出尺寸為2 048×2 048 的養(yǎng)殖區(qū)域影像并提取其前3 個通道，即R、G、B 波段，同時分離出地理信息，進(jìn)行歸一化處理，轉(zhuǎn)化為柵格格式8 位三通道的彩色圖像。其中假設(shè)待處理養(yǎng)殖區(qū)域遙感圖像的像素最大值與最小值為max(x)、min(x)，則歸一化處理的結(jié)果norm為

式中，xi表示待處理養(yǎng)殖區(qū)域遙感圖像的像素值。

為擴充數(shù)據(jù)訓(xùn)練分類器，本文采用了圖像切塊以及旋轉(zhuǎn)、拉伸等方法擴充數(shù)據(jù)。首先通過64×64 大小的滑動窗口，以不重疊最小步長橫向獲取養(yǎng)殖區(qū)域高分辨率遙感圖像，再對裁剪后的圖像執(zhí)行隨機拉伸、旋轉(zhuǎn)等操作進(jìn)行數(shù)據(jù)擴充，同時對圖8 中真值圖執(zhí)行相同操作來達(dá)到擴充數(shù)據(jù)集的目的，同時也增強了算法的學(xué)習(xí)代表能力與魯棒性。

圖8 養(yǎng)殖區(qū)域遙感影像（a）與真值（b）Fig.8 Remote sensing images (a) and true value (b) of the breeding area

3.3 精度計算方法

通過養(yǎng)殖區(qū)域的提取結(jié)果與真值圖作比較，準(zhǔn)確率指標(biāo)（Acc）顯示所提取區(qū)域的信息中分類結(jié)果為正確的區(qū)域的比例，召回率指標(biāo)（R）顯示所有真實養(yǎng)殖區(qū)域中被正確提取所占比例，精確率（P）顯示正確預(yù)測的占全部預(yù)測為正的比例，公式分別為

式中，TP為正確提取的養(yǎng)殖區(qū)域的像元數(shù)量；TN為正確提取的背景區(qū)域的像元數(shù)量；FP為錯誤提取的養(yǎng)殖區(qū)域的像元數(shù)量；FN為未提取出的養(yǎng)殖區(qū)域的像元數(shù)量。

Kappa 系數(shù)是一種比例，代表著分類與完全隨機的分類產(chǎn)生錯誤減少的比例，其計算公式為

式中，pt為正確分類的比例；pe為隨機情況下期望的正確分類比例。

4 實驗結(jié)果與分析

4.1 硬件條件與參數(shù)設(shè)置

硬件條件為CPU 采用Intel Core i7 4.0-GHz，GPU采用NVIDIA GeForce RTX 2080Ti，32 GB 內(nèi)存。

對比實驗Canny 算子提取算法、Otsu 算法、PCA_Kmeans 算法參數(shù)設(shè)置如表2 所示。數(shù)據(jù)經(jīng)過圖像裁剪得到包含養(yǎng)殖區(qū)域的切片185 幅，按照訓(xùn)練集∶驗證集∶測試集為7∶2∶1 的比例劃分?jǐn)?shù)據(jù)集。采用RMSprop 算法優(yōu)化訓(xùn)練，初始學(xué)習(xí)率設(shè)置為0.001，權(quán)重衰減設(shè)置為10 至8，動量設(shè)置為0.9，共訓(xùn)練200 個時期，在180 時期處取得最好結(jié)果。對比實驗使用與DES-Unet 訓(xùn)練策略相同。

表2 算法參數(shù)表Table 2 Parameters of algorithm

4.2 近岸網(wǎng)箱養(yǎng)殖提取結(jié)果分析

近岸網(wǎng)箱養(yǎng)殖目標(biāo)原圖像、真值圖、Canny 算子提取結(jié)果、Otsu 算法提取結(jié)果、PCA_Kmeans 算法提取結(jié)果、Segnet 提取結(jié)果、U-Net 提取結(jié)果、DES-Unet 提取結(jié)果如圖9 所示。

圖9 近岸網(wǎng)箱提取效果Fig.9 Extraction effect of offshore cages

借助高分辨率高分影像數(shù)據(jù)并結(jié)合現(xiàn)場調(diào)查，通過對研究區(qū)影像進(jìn)行目視解譯后得到研究區(qū)網(wǎng)箱養(yǎng)殖真值圖，基于真值圖對提取結(jié)果進(jìn)行準(zhǔn)確率、召回率與Kappa 系數(shù)的計算，驗證結(jié)果如表3 所示。

表3 近岸網(wǎng)箱精度驗證結(jié)果Table 3 Accuracy verification results of offsore cages

根據(jù)實驗結(jié)果，對比幾種算法在相同實驗設(shè)置下的結(jié)果，單一光譜特征與Canny 算子、Otsu 算法以及PCA_Kmeans 算法的提取對于形變復(fù)雜、大小不一的近岸網(wǎng)箱難以提取出準(zhǔn)確的邊界，模糊的邊緣進(jìn)一步造成了對于養(yǎng)殖區(qū)域信息提取的障礙，最終導(dǎo)致所提取出區(qū)域中漏檢與誤檢較多，準(zhǔn)確率與召回率急劇下降。同時，對比深度神經(jīng)網(wǎng)絡(luò)模型Segnet 與U-Net，由于受到訓(xùn)練數(shù)據(jù)等的限制，在一些網(wǎng)箱養(yǎng)殖的細(xì)節(jié)區(qū)域尤其是邊緣無法正確的分類提取。本文所提出融合了深度特征的養(yǎng)殖區(qū)域提取算法，原始遙感影像經(jīng)過深度網(wǎng)絡(luò)的迭代，能夠更準(zhǔn)確地提取出近岸網(wǎng)箱的邊緣、形狀、顏色等特征，將其與通過波段計算得到的光譜特征融合進(jìn)行養(yǎng)殖區(qū)域的提取得到如圖9所示的提取結(jié)果，相較于其他幾種算法提升明顯。其中準(zhǔn)確率97.35%，召回率 97.38%，精確率89.37%和Kappa 系數(shù)0.88 都有所提升。

利用DES-Unet 對萬寧市與陵水縣近岸網(wǎng)箱養(yǎng)殖區(qū)域進(jìn)行信息提取，結(jié)果如圖10、圖11 所示。近岸網(wǎng)箱抗風(fēng)浪能力較差，受氣候因素影響，兩地近岸網(wǎng)箱主要分布于風(fēng)浪較小的海灣內(nèi)。萬寧市近岸網(wǎng)箱養(yǎng)殖區(qū)域面積為0.68 km2。萬寧市當(dāng)?shù)仞B(yǎng)殖作物以經(jīng)濟(jì)類魚蝦為主，分布主要集中于坡頭港興隆華僑農(nóng)場養(yǎng)殖場與東澳鎮(zhèn)淡水養(yǎng)殖場，少部分位于南部洲仔島附近。陵水縣近岸網(wǎng)箱養(yǎng)殖區(qū)域面積為0.76 km2，養(yǎng)殖作物以經(jīng)濟(jì)魚類為主。養(yǎng)殖區(qū)域主要集中于黎安港、新村鎮(zhèn)新村港內(nèi)。

圖10 萬寧市養(yǎng)殖提取結(jié)果Fig.10 The results of aquaculture extraction in Wanning City

圖11 陵水縣養(yǎng)殖提取結(jié)果Fig.11 The results of aquaculture extraction in Lingshui Country

4.3 深海網(wǎng)箱提取結(jié)果分析

深海網(wǎng)箱養(yǎng)殖目標(biāo)原圖像、真值圖、Canny 算子提取結(jié)果、Otsu 算法提取結(jié)果、PCA_Kmeans 算法提取結(jié)果、Segnet 提取結(jié)果、U-Net、DES-Unet 提取結(jié)果如圖12 所示。

圖12 深海網(wǎng)箱提取效果Fig.12 Extraction effect of deep-sea cages

普通網(wǎng)箱養(yǎng)殖提取同樣借助高分辨率高分影像數(shù)據(jù)及目視解譯獲得研究區(qū)深海網(wǎng)箱養(yǎng)殖真值圖，基于真值圖對提取結(jié)果進(jìn)行準(zhǔn)確率、召回率及Kappa系數(shù)計算，驗證結(jié)果如表4 所示。

表4 深海網(wǎng)箱提取精度驗證Table 4 Verification of the extraction accuracy of deep-sea cages

分析對比實驗結(jié)果，單一光譜特征條件下使用Canny 算子、Otsu 算法及PCA_Kmeans 算法進(jìn)行養(yǎng)殖提取對于與海水顏色相近、目標(biāo)面積較小的深海網(wǎng)箱存在邊界模糊、無法準(zhǔn)確分離海水背景等問題，模糊的邊緣對于養(yǎng)殖區(qū)域信息的提取造成了負(fù)面影響，導(dǎo)致所提取的區(qū)域邊界完整性存在問題，甚至無法形成完整連通區(qū)域，準(zhǔn)確率和召回率受到很大限制。深度神經(jīng)網(wǎng)絡(luò)模型Segnet 與U-Net 雖然在一些海水背景簡單的區(qū)域表現(xiàn)不錯，但在海面情況復(fù)雜，尤其是有海浪等干擾時提取效果不理想。本文提出了融合深度特征的養(yǎng)殖區(qū)域提取算法，即原始遙感影像經(jīng)過深度神經(jīng)網(wǎng)絡(luò)的迭代，同時融合光譜特征能夠更準(zhǔn)確地提取出近岸網(wǎng)箱的邊緣、形狀、顏色等特征，最終可以得到如圖13 所示的提取結(jié)果，相較于傳統(tǒng)特征提升明顯，準(zhǔn)確率（98.99%）、召回率（98.81%）、精確率（95.14%）和Kappa 系數(shù)（0.91）都有顯著提升。

圖13 臨高縣養(yǎng)殖提取結(jié)果Fig.13 Breeding extraction results in Lingao

利用DES-Unet 對臨高縣深海網(wǎng)箱養(yǎng)殖區(qū)域進(jìn)行養(yǎng)殖信息提取，結(jié)果如圖13 所示。新型深水網(wǎng)箱抗風(fēng)浪能力強，養(yǎng)殖容量遠(yuǎn)大于傳統(tǒng)近岸網(wǎng)箱，要求水深40 m 以深遠(yuǎn)離近岸污染區(qū)，因此距岸較遠(yuǎn)。臨高縣共提取深海網(wǎng)箱面積0.98 km2，經(jīng)實地考察，該縣主要養(yǎng)殖品種為南美對蝦（Litopenaeus vannamei）、龍蝦（Palinuridae）等經(jīng)濟(jì)品種。養(yǎng)殖區(qū)域主要集中于西部調(diào)樓港、黃龍港、新盈港、頭咀港及東部金牌港等地。

5 結(jié)論

將邊緣光譜特征與深度卷積網(wǎng)絡(luò)特征有機結(jié)合，構(gòu)建深度光譜邊緣U-Net 網(wǎng)絡(luò)模型進(jìn)行傳統(tǒng)近岸和新型深海網(wǎng)箱養(yǎng)殖提取，利用雙邊濾波方法去除邊緣光譜特征冗余信息，通過DES-Unet 模型跳躍連接結(jié)構(gòu)融合深度特征與邊緣光譜特征，可有效解決傳統(tǒng)算法模型在近岸環(huán)境中受水體泥沙、植被等因素影響，光譜特征噪聲干擾嚴(yán)重導(dǎo)致誤分現(xiàn)象，也可以解決新型深海網(wǎng)箱由于水面框體面積較小容易與養(yǎng)殖水體出現(xiàn)“異物同譜”現(xiàn)象的難題，有效提升了兩類網(wǎng)箱養(yǎng)殖目標(biāo)提取的準(zhǔn)確率、召回率、精確率和Kappa 系數(shù)，具有較強的普適性，可有助于實現(xiàn)海南省海水養(yǎng)殖精確動態(tài)監(jiān)測。