CN102855609A - 集成高光谱数据和稀疏声纳数据的浅水水下地形构建方法 - Google Patents

Abstract

本发明涉及一种集成高光谱数据和稀疏声纳数据的浅水水下地形构建方法，属于水下地形勘测技术领域。本发明首先借助声纳数据的聚类中心点对高光谱遥感影像进行降维，然后对降维后的低维遥感影像进行区域划分，最后在各区域内部对声纳数据进行插值得到水下地形。本发明将高光谱遥感影像与稀疏声纳数据进行了有机结合，在整个过程中，两种数据作为一种互补，很好地解决了水下地形构建的问题。经过几何校正的遥感影像和声纳数据都具备坐标信息，并且遥感影像的灰度与水深存在一定的模糊对应关系，因此划区后的遥感影像中，各水深均质区域内水深变换较小，声纳数据插值结果更真实。

Description

集成高光谱数据和稀疏声纳数据的浅水水下地形构建方法

技术领域

本发明涉及一种浅水水下地形构建方法，尤其是涉及一种集成高光谱数据和稀疏声纳数据的水下地形构建方法，属于水下地形勘测技术领域。

背景技术

沿海、近海大陆架地区作为海陆频繁相互作用的地带，地理区位优越，各类资源丰富，人类活动剧烈。从资源开发利用角度出发，近海大陆架是油气资源、食物资源、航运资源的战略性开发基地，以此为目的进行地海岸防护、港湾建设、滩涂养殖、能源开发、航道开发、电缆铺设等工程设施都极需各种精确的、不同比例尺的海底地形地貌图。

目前，水下地形数据的获取主要包括船载测量和遥感反演。其中传统船载声学测量通常采取测深设备和定位设备相组合的方式进行水下地形的测量，测深设备主要为声纳。声纳按其工作原理可以分为三种方式：单点式、单波束以及多波束。多波束声纳测量已经实现了水下地形面覆盖测绘，但多波束声纳设备价格过于昂贵，所以水下地形数据获取仍然大量使用单波束、单点式声纳设备。使用单波束、单点式设备进行水下地形测量时，根据测深水域特点进行测深航线规划，形成测深条带网并进行线测量，再利用内插外推等方式进行数据加密，从而得到实验区水下地形产品。由于回声测深仪等设备所得结果为断面测量，无法全面展现海底地形、地貌信息，加之环境、时间和经费等条件的限制，测量数据覆盖区域、更新频次已不能满足海洋调查大区域常态化、实时化的要求。

20世界60年代末，美国已开始研究遥感测深技术。近年来不同光谱、空间分辨率遥感数据不断增多，浅水水深反演模型不断丰富，按照其反演所依据的原理可分为理论解释模型、半经验模型以及统计模型等形式。

理论解释模型以可见光在水体中辐射传输方程为基础，通过合理假设化简模型，辅以探测所得的水体内部多种光学参数进行水深反演，该方法具有明确的物理意义，但水体内部光学参数难以获得，不能广泛应用。

针对理论解释模型参数复杂且不易获得的难点，半经验模型以光在水中辐射衰减原理为基础，采用水体辐射衰减等模型和分析回归所得的经验参数相结合实现水深的遥感反演，根据采用的遥感波段数可分为单波段模型和多波段模型。

无论是以可见光在水体中辐射传输方程为基础的理论模型，还是基于光在水体中的辐射衰减原理的半经验模型，由于水体光学特性十分复杂，光学参数观测值难以获取，影响水深反演精度的因素众多，因此模型反演精度不高。

统计模型以其简单的反演模型、较高的反演精度被广泛地应用于水深反演中，但该方法需要一定量的实测水深值，因而在一定程度上制约了模型的推广。

发明内容

本发明要解决技术问题是：提供一种集成高光谱数据和稀疏声纳数据的浅水水下地形构建方法，以较稀疏的声纳数据结合高光谱数据，高精度地进行浅水水下地形的构建。

为了解决以上技术问题，本发明提供一种集成高光谱数据和稀疏声纳数据的浅水水下地形构建方法，包括以下步骤：

步骤1、数据准备——经过绝对辐射值转换、杂波波段剔除、影像旋转、坏线修复及条纹去除、影像逆旋转、几何校正及平滑滤波处理高光谱遥感影像，带有坐标信息及水深信息的稀疏声纳数据，所述稀疏声纳数据与高光谱遥感影像坐标范围对应；

步骤2、寻找声纳数据的聚类中心点——对声纳数据的水深值进行聚类，并获得各类的中心值，水深值与所述中心值接近的测量点作为各类的中心点；

步骤3、高光谱半监督降维--经步骤1处理得到的遥感影像中，与所述中心点坐标相同的像元作为半监督降维的样本点，利用考虑空间距离的半监督拉普拉斯降维算法对经步骤1处理得到的遥感影像进行降维，得到低维遥感影像；

步骤4、水深均质区域的划分——对低维遥感影像使用多尺度分割算法进行分割，将低维遥感影像划分为若干水深均质区域；

步骤5、对声纳数据插值——在各水深均质区域内部使用信息扩散方法对声纳数据进行插值，得到水下地形。

本发明将高光谱遥感影像与稀疏声纳数据进行了有机结合，在整个过程中，两种数据作为一种互补，很好地解决了水下地形构建的问题。首先借助声纳数据的聚类中心点对高光谱遥感影像进行降维，然后对降维后的低维遥感影像进行区域划分，最后在各区域内部对声纳数据进行插值得到水下地形。经过几何校正的遥感影像和声纳数据都具备坐标信息，并且遥感影像的灰度与水深存在一定的模糊对应关系，因此可以认为划区后遥感影像中，各水深均质区域内水深变换较小，声纳数据插值结果更真实。本发明正是巧妙的利用了这一规律，将两种数据结合在一起实现了水下地形的高精度、低成本构建。

相对于多波束面型测量的声纳数据而言，本发明所用的数据价格便宜。相对于传统的遥感反演模型来说，本发明无需获取水体光学参数观测值，影响水下地形构建精度的因素较少，构建的水下地形精度较高。

进一步的，本发明对拉普拉斯降维方法进行了改进。传统拉普拉斯降维方法考虑光谱距离，忽略了遥感影像像元之间的空间特性，而本发明改进光谱距离为光谱距离与空间距离的联合距离，具体如下：

步骤3的高光谱半监督降维为考虑空间位置的拉普拉斯降维，降维算法的距离阈值采用联合高斯距离，联合高斯距离公式如下：

其中d_ij表示第i像元至第j个像元的联合距离，

表示第i像元至第j个像元光谱距离，

表示第i像元至第j个像元的空间距离，

$d_{\mathrm{ij}}^S=1-\exp (-\frac{{\left|\right|x_i^S-x_j^S\left|\right|}_2^2}{2{\left({\mathrm{\σ}}^S\right)}^2})=1-\exp (-\frac{\underset{k=1}{\overset{D}{\mathrm{\Σ}}}{(x_{\mathrm{ik}}^S-x_{\mathrm{jk}}^S)}^2}{2{\left({\mathrm{\σ}}^S\right)}^2})$

$d_{\mathrm{ij}}^L=1-\exp (-\frac{{\left|\right|x_i^L-x_j^L\left|\right|}_2^2}{2{\left({\mathrm{\σ}}^L\right)}^2})=1-\exp (-\frac{\underset{k=1}{\overset{2}{\mathrm{\Σ}}}{(x_{\mathrm{ik}}^L-x_{\mathrm{jk}}^L)}^2}{2{\left({\mathrm{\σ}}^L\right)}^2})$

公式中，

表示光谱信息第i个像元的水深值，

表示光谱信息第j个像元的水深值，

表示光谱信息k波段第i个像元的水深值，

表示光谱信息k波段第j个像元的水深值，参数σ^S表示光谱距离的控制系数；

表示空间信息第i个像元的坐标值，

表示空间信息第j个像元的坐标值，

表示空间信息k波段第i个像元的坐标值，

表示空间信息k波段第j个像元坐标值，σ^L表示空间距离的控制系数。

考虑到空间距离是光谱距离的几十倍左右，本发明改进的降维算法中，光谱距离的控制系数σ^S的取值范围为1-2，空间距离的控制系数σ^L的取值范围为85-105。

进一步的，所述步骤2中，通过k-means算法对声纳数据进行聚类分析，寻找最优聚类模式，获得各类中心值。

进一步的，所述步骤2中，水深值与所述中心值偏差±0.2m以内的测量点作为各类的中心点。

为了降低运算量，本发明步骤1中，还对所述稀疏声纳数据经过如下预处理，将声纳数据分为正常航线测量点和加密点两部分，将正常航线测量点按照象元大小进行抽稀，使用均值作为象元中心点水深值，再将两部分数据进行合并得到数据压缩后的稀疏声纳数据。

本发明的创新点在于：（1）针对传统非线性流形降维算法以向量空间模型为基础，应用于遥感数据所得结果在低维流形空间中分布集中，易造成类别混分的现象，本方法引入基于图嵌入的半监督思想以及空间关系，提出了一种考虑空间距离的半监督拉普拉斯降维算法，通过调节光谱空间联合高斯距离参数，得到控制样本点低维流形嵌入，进而利用半监督拉普拉斯算法得到以矩阵空间模型为基础的降维结果，实验表明该算法结果较传统拉普拉斯降维算法而言，各类别在低维流形嵌入空间中的可分性有所提高，利于后续的分割与分类。（2）半监督降维的过程中，使用Kmeans方法对声纳点数据进行多次聚类，获得最优的聚类中心作为半监督降维的采样点，使得降维后的结果与水深信息有较高的相关性。（3）将信息扩散的方法应用到稀疏声纳点数据的插值中，该方法通过选择合适的信息扩散模型将稀疏样本所携带的信息扩散到监测空间中，并通过模糊集的理论求解预测点相对应的预测值，摆脱了常见内插方法选取数据时构建搜索圆的步骤，对观测点稀疏且排布有特定规律的数据内插有较好的效果。（4）提出一种水下地形构建的新思路，即利用稀疏带状声纳数据与面覆盖高光谱数据，采取多源数据集成的策略，取长补短，达到提高水下地形构建精度的目的。

附图说明

下面结合附图对本发明作进一步的说明。

图1为本发明实施例的高光谱遥感影像数据。

图2为本发明实施例的声纳数据。

图3为图2得到的声纳数据聚类中心点对应的图1中的影像像元。

图4为图1半监督降维后的结果图。

图5为对图4进行多尺度分割后的结果图。

图6为利用信息扩散方法对图2进行插值得到的水下地形图。

具体实施方式

本实施例对美国东海岸墨西哥湾附近海湾坦帕湾水下地形进行构建，采用的高光谱遥感数据为2004年的一景，该数据共242波段，空间分辨率30米，如附图1所示；采用的声纳数据为2004年坦帕湾单点式声纳数据，数据相邻航线之间相距500m，航线上各声纳点相距3.5m，如图2所示。

本实例集成高光谱数据和稀疏声纳数据的浅水水下地形构建方法，主要包括以下步骤：

步骤1、数据准备。

1)对高光谱数据进行预处理。本实施例所用数据已经过斑点去除、回波纠正、背景去除、辐射纠正、坏像元恢复以及图像质量检测等过程。但实际应用中，仍存在坏像元需要进行进一步的预处理，以达到提高图像可用性的目的，具体方法如下：

①绝对辐射值转换。高光谱数据由于实际辐射值较小，为存储方便，在原始值基础上乘以了一定系数，所以这里需要将所有VNIR波段除以40，SWIR所有波段除以80。

②波段剔除。剔除未经辐射定标的波段1～7、58～7、255～242，重叠的波段56～57、77～78以及受水汽影像的波段121～127、167～178。

③坏线修复及条纹去除。将影像旋转使得坏线及条纹处于竖直状态进行坏线修复、条纹去除。采用Goodenough等人提出的方法（Goodenough DG,DykA,NiemannKO,et al Processing hyper-ion and ali for forest classification[J].IEEE Transactionson Geoscience and Remote Sensing,2003,41(6):1321-1331.）进行坏线的自动检测及修复。采用谭炳香等提出的“全局去条纹”法（《EO-1Hyperion高光谱数据的预处理》，《遥感信息》2005年第6期，作者：谭炳香，李增元，陈尔学，庞勇）进行条纹的修复。然后将影像进行逆旋转为原始状态。

④几何校正。本例中根据已经过配准的具有精确地理位置信息的TM遥感数据对高光谱数据进行几何精校正。

⑤平滑滤波。为消除影像数值数据的随机变化引起的随机误差，采用5x5中值滤波消除高频噪声，取得较平滑的空间光谱辐射数值，以利后水深反演。

2)对声纳数据进行预处理。

声纳航线上数据密度为0.5m/point，航线方向高密度的测量对反演精度提高有限，却极大加剧了计算的复杂性和内存的开销，采取分特征重采样的策略进行声纳数据的抽取已达到降低计算时间和空间复杂性的目的。

具体方法如下：将声纳数据分为正常航线测量点和加密点两部分，将正常航线测量点按照象元大小进行抽稀，使用均值作为象元中心点水深值，再将两部分数据进行合并得到数据压缩后的稀疏声纳数据。

步骤2、寻找声纳数据的聚类中心点。对声纳数据的水深值进行聚类，并获得各类的中心值，水深值与所述中心值接近的测量点作为各类的中心点。

寻找声纳数据聚类中心作为半监督样本点的具体方法如下：

1)逐步增多聚类中心点个数，并改变聚类初始随机点个数，求多次聚类结果类内误差均值，选取类内误差平均值最小的聚类中心个数作为实际聚类中心个数。

2)在步骤1)给定的聚类中心下，逐步增加聚类初始随机点个数，直至聚类后各簇的累计类内均方误差明显增大；

3)挑选步骤2)中累计类内误差最小的两点，并在这两点附近不断改变聚类中心点个数，以逼近可能最小的累计类内均方误差，得到最优的聚类中心点。

聚类的过程如表1所示，本例中当聚类中心个数为13的时候，第13个类别内的样本数为0，因此舍弃13，最终选取最优聚类中心个数为12，最优的初始随机点数为195，对应的聚类中心如下：-11.1602、-9.3621、-3.8004、-13.9071、-15.1869、-8.2899、-19.7460、-24.5605、-5.1402、-10.7514、-12.1251、-6.7161、-16.4174。

表1

步骤3、高光谱半监督降维。经步骤1处理得到的遥感影像，与步骤2中的声纳数据聚类中心点叠置，获取与聚类中心点相交的影像像元，对应影像像元如图3所示，以这些像元点为样本点进行半监督降维。

传统拉普拉斯降维方法考虑光谱距离，忽略了遥感影像像元之间的空间特性，而本实施例改进光谱距离为光谱距离与空间距离的联合距离，利用考虑空间距离的半监督拉普拉斯降维算法对经步骤1处理得到的遥感影像进行降维，得到低维遥感影像。

本实施例的高光谱半监督降维为考虑空间位置的拉普拉斯降维，降维算法的距离阈值采用联合高斯距离，联合高斯距离公式如下：

其中d_ij表示第i像元至第j个像元的联合距离，

表示第i像元至第j个像元光谱距离，表示第i像元至第j个像元的空间距离，

$d_{\mathrm{ij}}^S=1-\exp (-\frac{{\left|\right|x_i^S-x_j^S\left|\right|}_2^2}{2{\left({\mathrm{\σ}}^S\right)}^2})=1-\exp (-\frac{\underset{k=1}{\overset{D}{\mathrm{\Σ}}}{(x_{\mathrm{ik}}^S-x_{\mathrm{jk}}^S)}^2}{2{\left({\mathrm{\σ}}^S\right)}^2})$

$d_{\mathrm{ij}}^L=1-\exp (-\frac{{\left|\right|x_i^L-x_j^L\left|\right|}_2^2}{2{\left({\mathrm{\σ}}^L\right)}^2})=1-\exp (-\frac{\underset{k=1}{\overset{2}{\mathrm{\Σ}}}{(x_{\mathrm{ik}}^L-x_{\mathrm{jk}}^L)}^2}{2{\left({\mathrm{\σ}}^L\right)}^2})$

公式中，表示光谱信息第i个像元的水深值，

表示光谱信息第j个像元的水深值，

表示光谱信息k波段第i个像元的水深值，

表示光谱信息k波段第j个像元的水深值，参数σ^S表示光谱距离的控制系数；

表示空间信息第i个像元的坐标值，

表示空间信息第j个像元的坐标值，

表示空间信息k波段第i个像元的坐标值，

表示空间信息k波段第j个像元坐标值，σ^L表示空间距离的控制系数。

为处理方便将整个高光谱数据划分为100*100大小的各个分块进行分别降维，本实施例设定降维后的维数为2维，拉普拉斯降维算法的K邻域数量设定为12。K领域数量是拉普拉斯降维算法的一个参数（默认设为8或者12，这里选取12），拉普拉斯降维基本思想是用一个无向有权图描述一个流形，保证在降维后各有权图还能保持原来降维前的结构，由于这个有权图是个局部的邻接关系，所以要确定一个邻域阈值，即为K邻域阈值。具体方法如下：

1）读入相关数据包括影像数据、空间位置数据以及采样点数据。

2）使用非监督拉普拉斯降维算法获取样本点作为半监督的采样点。

3）根据样本点考虑空间位置使用半监督的拉普拉斯降维算法对分割后的高光谱数据进行降维，设定K邻域数量为12，光谱距离系数值为1，空间距离系数值为100。

①首先遍历待降维数据集

找寻各点的近邻点，构造近邻图。在

中，计算每个点X_i同其余点之间的光谱与空间的联合高斯距离，寻找相对于每个点X_i的欧氏距离最近的12个点则归为所求点的近邻点，若点X_i与X_j邻接，则图中点X_i与X_j之间存在一条无向有权边。

②使用热核函数构造权值矩阵W。在上述近邻图中，为每一条边选择一个权值W_i，j，构造权值矩阵W。若点X_i与X_j是邻接的，则设边的权值为W_i,j=exp(-||X_i-Y_j||²/t)，否则设W_i,j=0。

③根据样本点

和样本点对应的低维嵌入

对Laplacian矩阵进行分块处理，并带入原始Laplacian降维方程

中，求取待降维数据集的低维嵌入坐标

将各个分块的降维结果合并，最终合并出来的整幅降维结果如图4所示。

步骤4、水深均质区域的划分。对低维遥感影像使用多尺度分割算法进行分割，将低维遥感影像划分为若干水深均质区域。

本实施例使用多尺度分割方法（多尺度分割方法算法可参考《一种面向对象的遥感影像多尺度分割方法》，《北京交通大学学报：自然科学版》2007年第4期，作者：谭衢霖、刘正军、沈伟）对降维后的结果进行多尺度分割，不断调整分割的尺度阈值，最终通过不断调整尺度阈值,最终选取62作为最优分割尺度，并在此基础上进行分块合并，得到的分割结果如图5所示。

步骤5、对声纳数据插值。在各水深均质区域内部使用信息扩散方法对声纳数据进行插值，得到水下地形，如图6所示。

信息扩散方法可以参考《模糊信息处理中的信息扩散方法及其应用》，《西北大学学报(自然科学版)》1992年04期，作者：王家鼎、黄崇福。

首先使用步骤4中的各个分块对声纳数据点进行分割，在各个分块中的声纳数据使用信息扩散的方法进行内插值，然后将各个分块信息扩散的结果拼接起来，得到整个实例区域的水下地形信息。

除上述实施例外，本发明还可以有其他实施方式。凡采用等同替换或等效变换形成的技术方案，均落在本发明要求的保护范围。

Claims (6)

1.一种集成高光谱数据和稀疏声纳数据的浅水水下地形构建方法，包括以下步骤：

步骤1、数据准备——经过绝对辐射值转换、杂波波段剔除、影像旋转、坏线修复及条纹去除、影像逆旋转、几何校正及平滑滤波处理高光谱遥感影像，带有坐标信息及水深信息的稀疏声纳数据，所述稀疏声纳数据与高光谱遥感影像坐标范围对应；

步骤2、寻找声纳数据的聚类中心点——对声纳数据的水深值进行聚类，并获得各类的中心值，水深值与所述中心值接近的测量点作为各类的中心点；

步骤3、高光谱半监督降维——经步骤1处理得到的遥感影像中，与所述中心点坐标相同的像元作为半监督降维的样本点，利用考虑空间距离的半监督拉普拉斯降维算法对经步骤1处理得到的遥感影像进行降维，得到低维遥感影像；

步骤4、水深均质区域的划分——对低维遥感影像使用多尺度分割算法进行分割，将低维遥感影像划分为若干水深均质区域；

步骤5、对声纳数据插值——在各水深均质区域内部使用信息扩散方法对声纳数据进行插值，得到水下地形。

2.根据权利要求1所述的集成高光谱数据和稀疏声纳数据的浅水水下地形构建方法，其特征在于：所述步骤3的高光谱半监督降维为考虑空间位置的拉普拉斯降维，降维算法的距离阈值采用联合高斯距离，联合高斯距离公式如下：

其中d_ij表示第i像元至第j个像元的联合距离，

表示第i像元至第j个像元光谱距离，

表示第i像元至第j个像元的空间距离，

$d_{\mathrm{ij}}^S=1-\exp (-\frac{{\left|\right|x_i^S-x_j^S\left|\right|}_2^2}{2{\left({\mathrm{\σ}}^S\right)}^2})=1-\exp (-\frac{\underset{k=1}{\overset{D}{\mathrm{\Σ}}}{(x_{\mathrm{ik}}^S-x_{\mathrm{jk}}^S)}^2}{2{\left({\mathrm{\σ}}^S\right)}^2})$

$d_{\mathrm{ij}}^L=1-\exp (-\frac{{\left|\right|x_i^L-x_j^L\left|\right|}_2^2}{2{\left({\mathrm{\σ}}^L\right)}^2})=1-\exp (-\frac{\underset{k=1}{\overset{2}{\mathrm{\Σ}}}{(x_{\mathrm{ik}}^L-x_{\mathrm{jk}}^L)}^2}{2{\left({\mathrm{\σ}}^L\right)}^2})$

公式中，

表示光谱信息第i个像元的水深值，

表示光谱信息第j个像元的水深值，

表示光谱信息k波段第i个像元的水深值，

表示光谱信息k波段第j个像元的水深值，参数σ^S表示光谱距离的控制系数；

表示空间信息第i个像元的坐标值，

表示空间信息第j个像元的坐标值，

表示空间信息k波段第i个像元的坐标值，

表示空间信息k波段第j个像元坐标值，σ^L表示空间距离的控制系数。

3.根据权利要求2所述的集成高光谱数据和稀疏声纳数据的浅水水下地形构建方法，其特征在于：所述步骤2中，通过k-means算法对声纳数据进行聚类分析，寻找最优聚类模式，获得各类中心值。

4.根据权利要求3所述的集成高光谱数据和稀疏声纳数据的浅水水下地形构建方法，其特征在于：所述步骤2中，水深值与所述中心值偏差±0.2m以内的测量点作为各类的中心点。

5.根据权利要求4所述的集成高光谱数据和稀疏声纳数据的浅水水下地形构建方法，其特征在于：步骤1中，所述稀疏声纳数据经过如下预处理，将声纳数据分为正常航线测量点和加密点两部分，将正常航线测量点按照象元大小进行抽稀，使用均值作为象元中心点水深值，再将两部分数据进行合并得到数据压缩后的稀疏声纳数据。

6.根据权利要求5所述的集成高光谱数据和稀疏声纳数据的浅水水下地形构建方法，其特征在于：光谱距离的控制系数σ^S的取值范围为1-2，空间距离的控制系数σ^L的取值范围为85-105。

Images