特征跟踪与模式匹配结合算法在海冰漂移检测中的应用研究 下载: 955次
1 引言
复杂多变的海冰是极区最重要的自然现象之一,海冰及冰山在外部驱动力的作用下会发生漂移,直接影响极区船只的安全航行。北极海冰范围持续萎缩,大大提升了北极航道开通的可能性[1]。北极由于其丰富的石油、天然气资源,备受各国瞩目[2],在北极开展海洋运输以及近海活动已是当今的趋势[3]。然而,我国在极区的研究资料有限,自2014年“雪龙”号的遇难事件以来,我国也在加强对极区海洋环境的监测[4]。因此,提高对极区海冰运动的分析,不仅有重要的战略意义,也对我国乃至北半球的气候分析大有裨益[5]。
极区由于其恶劣的环境条件,极大地限制了实测资料的获取,而早期的浮标观测和极地科考站都有其局限性,仅能观测小面积海冰漂移。然而,为了能够有效地观测海冰运动,模拟和预测海冰漂移,必须在一定的时空尺度上获取海冰的运动特征。随着卫星遥感技术的发展,这一问题得到有效地解决,目前最常用的卫星传感器包括微波辐射计(AVHRR)[6]、散射计(NSCAT)[7]、微波成像仪(SSM/I)[7-8]、合成孔径雷达(SAR)[9-10]等。其中,微波辐射计和散射计由于其分辨率的限制,常用于大范围的海冰漂移监测,无法得到高分辨率、重点区域的海冰漂移产品。合成孔径雷达具有全天时、全天候、多视角及对地物有一定的穿透能力等优点,近年来越来越多的国内外学者将其应用于海冰漂移检测。本文旨在选用SAR图像从空间上检测海冰的漂移,并对其进行量化。
本文提出一种基于三角剖分的特征跟踪与模式匹配结合算法,并将其有效地应用于高分辨率SAR图像海冰漂移检测。利用特征跟踪产生粗定位,通过建立三角网络,不仅为模式匹配提供搜索区域,而且可以自适应地确定模板窗口,较好地提高模式匹配算法的计算效率。该算法不仅能提高模式匹配的检测速度,而且不易受尺度变换、光照和角度的影响,其检测结果对图像噪声也有较高的稳健性,能进一步提高检测精度和均匀度,弥补了传统的特征跟踪算法在局部区域特征点缺失的不足。
2 材料与方法
2.1 卫星数据及研究区域介绍
Sentinel-1卫星是欧洲航天局2014年4月发射的对地观测卫星,其分辨率最高达5 m,幅宽达到400 km,支持双极化(HH+HV、VV+VH,其中H表示水平,V表示垂直),与其他卫星相比,Sentinel-1卫星数据不仅具有超高的辐射分辨率(1 dB/3
选用的Sentinel-1数据为超宽幅(EW)模式的地距影像(GRD),其为中等分辨率(40 m×40 m),该模式主要用于海上、冰川、极地等需要大范围覆盖和短重访周期的区域。相对于单视复数影像(SLC),GRD 数据有效地消除了热噪声并在一定程度上提高了图像质量[12]。选择的图像对位于波弗特海域,覆盖区域如
表 1. 卫星数据表
Table 1. Satellite data sheet
|
2.2 算法介绍
2.2.1 Sentinel-1数据预处理
对于每个像素
针对Sentinel-1图像存在的相干斑噪声,进行滤波处理。采用5×5的自适应滤波进行平滑处理,既在一定程度上抑制了斑点噪声,又保留了图像的细节信息,有效地提高了特征点检测的精度。
2.2.2 算法流程
基于特征跟踪和模式匹配相结合的算法,流程如
1) 选择特征跟踪算法,对时间跨度为
式中:
然而,主方向的确定过于依赖局部区域像素的梯度方向,使得找到的主方向不准确,而特征向量提取以及匹配都严重依赖于主方向,即使微小的偏差角度也会造成特征匹配的较大误差,从而造成不可避免的误匹配。为了提高后续的检测效率及精度,本文对特征跟踪结果进行误匹配剔除。Thomas等[14]的离群点剔除方法为数据正则化提供了一种有效的手段;同时还可利用一个中值滤波器剔除特征跟踪的异常矢量。
2) 针对剔除后的离散特征点,采用模式匹配算法,得到更均匀、规则的漂移矢量集。具体步骤为:
(1) 基于特征点的位置构造三角网络。为了得到最优三角网络,选择Bowyer-Watson算法进行二维delaunay三角剖分。由于delaunay三角剖分具有空圆特性和最大化最小角特性,实验得到的三角网络不仅具有唯一性,而且每一个网格都是趋于规则的,即相对于其他三角网络构造法,在delaunay三角网络中对每一个三角形的最小角进行升序排列得到的数值最大,这为模式匹配提供了更稳定的区域选择。
(2) 利用三角网络对特征点进行划分。为了有效逼近准确位置且减少不必要的运算,计算每一个三角形的面积,选择合适的阈值滤除高密集度的区域。
本文选用最大互相关(MCC)算法,确定最佳匹配区域。MCC算法的主要思想是匹配相关系数的计算,可表示为
式中:cov为两者的协方差;
海冰漂移的速度
式中:
3 实验与结果讨论
3.1 参数调整
特征跟踪算法剔除后有142个特征向量和249个剖分三角形,但部分三角区域较小,进行模式匹配有两点不足:1)匹配模板相对较小,限制了MCC算法的匹配精度;2)计算得到的漂移矢量与初始的漂移矢量临近,检测结果冗余。为了提高计算效率,选择面积大于300 pixel的区域进行模式匹配,同时为了保证算法的准确性与精度,还设置阈值为0.95的相似度,滤除匹配系数相对较低的矢量,在129组运算中,准确匹配的有126组,准确率高达98%。
3.2 实验
对HH极化和HV极化的Sentinel-1图像分别进行海冰漂移检测,如
从主观角度评价,无论是HH极化还是HV极化下,特征跟踪的结果存在明显的信息缺失,而本文算法很好地弥补了这些缺失,有效地提高了海冰漂移检测的空间覆盖率。
本文的另一个目的是提高计算效率,特征跟踪的用时约为5.04 s,模式匹配的用时约为9.61 s,共用时14.65 s,而单独使用模式匹配算法,选取10个分布均匀的海冰样本,用时为125.34 s,算法时间缩短了约88%,为海冰漂移检测的实时性研究提供了有力的保障。
3.3 结果讨论
为了验证本文测出海冰漂移速度的准确性,根据参考图像和待匹配图像的时间信息,选择相同时间对应的浮标数据,使用国际北极浮标计划(IABP)的浮标数据集进行标定和验证。通过浮标的经纬信息,确定其速度,与本文的海冰漂移结果相比较,并计算误差。由于浮标数量有限,本文针对感兴趣区域寻找最近的浮标(
将提取的海冰漂移速度用散点图的形式表示。
表 2. 浮标信息
Table 2. Buoy information
|
图 5. 海冰漂移速度散点图。(a) SIFT;(b) SIFT+MCC
Fig. 5. Scatter diagrams of sea-ice drift speed. (a) SIFT; (b) SIFT+MCC
从客观角度评价,通过盒状图对本文结果进行分析,如
通过Voronoi图比较特征点的空间密度,如
图 6. 矢量距离盒状图。(a) HH极化;(b) HV极化
Fig. 6. Box charts of vector distance. (a) HH polarization; (b) HV polarization
图 7. 空间密度图。(a)(b) HH极化;(c)(d) HV极化
Fig. 7. Spatial density diagrams. (a)(b) HH polarization; (c)(d) HV polarization
4 结论
基于三角网络,提出一种特征跟踪和模式匹配相结合的新算法。在双极化Sentinel-1图像的海冰漂移检测应用中,本文算法表现出较高的空间覆盖率和较好的均匀性,相比模式匹配算法,算法时间降低了约88%,有效提高了检测效率。本文算法的优越性也在一定程度上依赖于预处理,其中辐射校准、热噪声处理以及利用自适应滤波器降低相干斑噪声对图像的干扰,在一定程度上提高了特征识别的效率。为了提高海冰漂移结果的准确率,没有直接在特征跟踪结果上进行模式匹配,而是采用有效的剔除算法,对离群点进行剔除,降低了误匹配率。
通过建立delaunay三角网络将两种算法进行结合,有以下优势:
1) 相较于简单的插值,小面积网格的滤除,使模式匹配结果更加均匀;
2) delaunay三角网络具有唯一性和规则性,为模式匹配提供了稳定可靠的搜索空间;
3) 利用网格区域大小自适应地确定模式匹配的样本窗口与搜索范围,提高了算法的稳健性。
本文算法对于HH极化和HV极化都有良好的检测效果,其检测结果也与浮标数据保持较高一致性,相对于传统特征跟踪方法,其误差更小,对噪声稳健性更高,可以有效地应用于海冰漂移检测的定量分析。
[3] Humpert M, Raspotnik A. The future of Arctic shipping along the transpolar sea route[J]. Arctic Yearbook, 2012, 2012(1): 281-307.
[4] 孙鹤泉, 李春花, 张志刚. 基于遥感图像分析的极区海冰漂移研究[J]. 海洋技术学报, 2015, 34(1): 10-14.
Sun H Q, Li C H, Zhang Z G. Study on the polar sea ice drift based on remote sensing image analysis[J]. Journal of Ocean Technology, 2015, 34(1): 10-14.
[6] Barth A. Canter M, van Schaeybroeck B, et al. Assimilation of sea surface temperature, sea ice concentration and sea ice drift in a model of the Southern Ocean[J]. Ocean Modelling, 2015, 93: 22-39.
[7] Zhao Y H, Liu A K, Long D G. Validation of sea ice motion from QuikSCAT with those from SSM/I and buoy[J]. IEEE Transactions on Geoscience and Remote Sensing, 2002, 40(6): 1241-1246.
[9] Yu J, Yang Y, Liu A K, et al. Analysis of sea ice motion and deformation in the marginal ice zone of the Bering Sea using SAR data[J]. International Journal of Remote Sensing, 2009, 30(14): 3603-3611.
[10] Linow S, Hollands T, Dierking W. An assessment of the reliability of sea-ice motion and deformation retrieval using SAR images[J]. Annals of Glaciology, 2015, 56(69): 229-234.
[11] 李春升, 王伟杰, 王鹏波, 等. 星载SAR技术的现状与发展趋势[J]. 电子与信息学报, 2016, 38(1): 229-240.
Li C S, Wang W J, Wang P B, et al. Current situation and development trends of spaceborne SAR technology[J]. Journal of Electronics & Information Technology, 2016, 38(1): 229-240.
[12] 杨魁, 杨建兵, 江冰茹. Sentinel-1卫星综述[J]. 城市勘测, 2015(2): 24-27.
Yang K, Yang J B, Jiang B R. Sentinel-1 satellite overview[J]. Urban Geotechnical Investigation & Surveying, 2015(2): 24-27.
[13] 高彦贵, 林幼权. SAR图像辐射校准模型与误差分析[J]. 现代雷达, 2010, 32(6): 39-42.
Gao Y G, Lin Y Q. Radiometric calibration model and error analysis of SAR image[J]. Modern Radar, 2010, 32(6): 39-42.
[14] Thomas M, Geiger C A, Kambhamettu C. High resolution (400 m) motion characterization of sea ice using ERS-1 SAR imagery[J]. Cold Regions Science and Technology, 2008, 52(2): 207-223.
[15] KomarovA, BarberD. Detection of sea ice motion from co- and cross-polarization RADARSAT-2 images[C]∥2012 IEEE International Geoscience and Remote Sensing Symposium, July 22-27, 2012, Munich, Germany. New York: IEEE, 2012: 3277- 3280.
[16] Muckenhuber S, Korosov A A, Sandven S. Open-source feature-tracking algorithm for sea ice drift retrieval from Sentinel-1 SAR imagery[J]. The Cryosphere, 2016, 10(2): 913-925.
王军凯, 吕晓琪, 张明, 李菁, 孟娴静, 刘根旺. 特征跟踪与模式匹配结合算法在海冰漂移检测中的应用研究[J]. 激光与光电子学进展, 2019, 56(16): 161005. Junkai Wang, Xiaoqi Lü, Ming Zhang, Jing Li, Xianjing Meng, Genwang Liu. Combined Feature-Tracking and Pattern-Matching Algorithm for Sea-Ice Drift Detection[J]. Laser & Optoelectronics Progress, 2019, 56(16): 161005.