张永梅，潘振宽，曹丛华，端金鸣，逯京格

(1.国家海洋局北海预报中心，山东 青岛 266061；2.山东省海洋生态环境与防灾减灾重点实验室, 山东 青岛 266061；3.青岛大学 计算机科学技术学院，山东 青岛 266071)

基于变分水平集方法的浒苔绿潮面积信息提取

张永梅1,2，潘振宽3，曹丛华1,2，端金鸣3，逯京格3

(1.国家海洋局北海预报中心，山东 青岛 266061；2.山东省海洋生态环境与防灾减灾重点实验室, 山东 青岛 266061；3.青岛大学 计算机科学技术学院，山东 青岛 266071)

绿潮面积信息提取是绿潮遥感监测中极其重要的环节，其结果将直接影响后续的统计分析和预测预警工作。目前科研人员一般基于传统阈值方法对绿潮面积信息进行提取，其提取结果具有不稳定、效率低、人为因素影响大等缺点。针对上述问题，本文基于变分水平集的对偶方法和分裂Bregman投影方法对绿潮面积信息进行了提取，并提出一种对上述两种方法提取出的绿潮面积信息结果进行量化的新方法。分别基于传统阈值方法、变分水平集的对偶方法和分裂Bregman投影方法进行了3幅影像的绿潮信息提取实验，对提取结果进行了比对分析。实验结果表明，对分辨率较高的卫星遥感数据，无论从运行效率还是从绿潮面积信息提取结果的精确性及稳定性上，基于变分水平集的对偶方法和分裂Bregman投影方法均优于基于传统阈值方法。

绿潮；信息提取；图像分割；变分水平集方法

1 引言

浒苔是绿藻门石莼科的一属，其在海上的大面积聚集被称之为浒苔绿潮，简称绿潮。大量浒苔漂浮聚集到岸边，会阻塞航道，破坏海洋生态系统，其所覆盖之处会造成海洋动、植物的大量死亡，给近岸养殖户带来巨大的财产损失。绿潮也会对海边旅游、度假、海上帆船比赛等造成严重影响，直接影响城市的旅游形象及政府的财政收入。国内外海洋部门已经把绿潮定义为一种海洋灾害。自2008年以来，每年春夏之间发生在黄海之滨的绿潮灾害受到了政府和相关部门的高度重视，政府和涉海部门都积极应对，力争把绿潮灾害造成的影响降到了最低。卫星遥感绿潮监测、预报可为政府及有关部门积极应对绿潮灾害提供第一手材料，而绿潮预报的关键在于精确并快速地对绿潮面积(即绿潮实际覆盖面积，下同)信息进行提取。绿潮面积信息提取是卫星遥感绿潮监测中的重要环节，其结果将直接影响后期的统计分析及预测预警等工作。目前国内在绿潮面积信息提取时，大多采用目视判读、人工设定阈值的方法来获得。这种方法主要依赖于专家知识，其优点是操作简单，但具有效率低下、人为影响大等缺点，尤其在绿潮应急期间其弊端更加明显。如梁刚通过设定阈值的方式进行浒苔信息的提取[1]；钟山等通过选择两个阈值解决MODIS影像在绿潮监测中提取出的绿潮实际面积的较大误差问题[2]；孙立娥对多源遥感数据通过设置合适阈值的方法进行绿潮信息提取[3]；顾行发等通过人工输入合适阈值的方法提取浒苔分布信息[4]。

绿潮面积信息提取时只需要关注感兴趣区(即绿潮)的信息，以海水为背景、绿潮区为前景进行提取，在数字图像处理领域即为图像分割。基于变分方法、PDE方法和水平集方法的变分水平集模型，因其具有自适应表达的拓扑结构、稳定的计算方法、自动的分割过程、多模型的集成能力、二/三维图像分割表达的一致性等特点，已成为当前图像分割的热点方法之一[5]。

目前，基于变分模型的图像分割在很多领域取得了成功应用，如物体识别、医学影像的判读、人体器官的三维重建、人脸识别、城市道路规划、海洋溢油信息提取等，但还没有将图像分割的变分模型应用在卫星遥感绿潮监测的信息提取工作中的研究报道。我们虽然基于变分模型在医学图像的分割与人体器官三维重建[9]等方面取得了成功应用，但还没有研究浒苔绿潮信息的提取，经过预处理工作后的遥感影像和医学影像一样，只是一张黑白图像。本文参照提取人体器官信息的原理，试图把变分模型应用到浒苔绿潮面积信息的提取方面。

Kass等是活动轮廓的创始人，提出参数化Snake模型[6]，并在物体识别等领域做了应用研究；1988年Oser和Sethian提出水平集方法[7]并被广泛应用于图像分割，该方法在物体识别等领域做了应用研究；2001年Chan和Vese提出基于变分水平集方法的两相Chan-Vese模型[8]，该模型在含噪声图像下形状识别、星空下雷区检测以及星空下光源检测等领域取得良好应用。潘振宽等提出了一种新的变分水平集方法[9]，该方法面向三维图像的多相分割，基于该方法在医学领域做了大量数值实验，在医学图像分割(脂肪、骨骼、肌肉组织、下颌骨、牙齿信息的提取)、人体器官三维重建等方面取得良好的效果；王相海和李明提出了一种基于双重轮廓演化曲线的图像分割水平集模型[10]，在物体识别方面分割结果鲁棒、准确和稳定；程相康等提出了一种快速水平集图像分割算法，该算法在执行效率和分割效果上均优于传统方法，并在医学影像、物体识别等领域进行了实验[11]。

针对绿潮灾害的特点和应急减灾业务化需要，本文提出采用基于变分水平集模型的对偶方法(DM)和分裂Bregman投影方法(SBPM)进行卫星遥感影像绿潮信息提取，为使上述方法能够成功应用，需要解决的科学问题是模型能否应用到业务化工作中，模型能否自动提取并得到精确的面积数据。基于提出的问题，首先研究了遥感数据的预处理方法，尤其是不规则影像裁剪技术的实现，标志着上述方法能够应用到业务化工作中；其次提出一种对变分模型提取出的绿潮信息结果进行量化的方法，得到了精确的面积数据，同时改变了传统的人工目视比对多张图像分割结果的弊端。与传统阈值方法绿潮提取结果相比较，上述两种方法无论从运行效率还是从绿潮信息提取结果的精确性及稳定性上均优于传统阈值方法。

2 遥感数据预处理

分别选用了2014年5月26日(实验区域一)、2015年5月26日(实验区域二)和2016年5月16日(实验区域三)3景国产环境一号(HJ-1)卫星的数据进行了分析研究。HJ-1卫星是2008年9月发射成功的，现在虽然处在延寿期，但仍在不断传回数据，其影像与正常寿命期影像各项指标相接近，完全可以与正常寿命期影像一样，在环境监测等各方面应用[12]。首先对环境卫星数据进行图像镶嵌、图像去噪、大气校正、不规则区域图像裁剪等预处理工作。其中，不规则区域图像裁剪是变分模型能够成功应用到绿潮提取的业务化工作、并能提高绿潮信息提取工作效率的重要工作。

在卫星扫描地面时，一般难以穿透大气，生成的卫星遥感图片(简称“卫片”，下同)含有大气和光照等信息，为更好地提取绿潮信息，应去除大气和光照的影响，即进行大气校正工作。经过数据定标、波谱响应函数的制作后利用ENVI平台的FLAASH模块进行大气校正。该模块内嵌目前精度较高的MODTRAN 4+模型，校正精度为像素级。

本文从NDVI值变化的情况验证大气校正效果。依据浒苔的生物特性和光谱特性，常采用计算图像的NDVI指数的方法进行浒苔绿潮区域的判读。植被指数有NDVI(归一化植被指数)、GVI(绿度植被指数)、PVI(垂直植被指数)、SAVI(土壤调节植被指数)、EVI(增强型植被指数)、DVI(差值植被指数)及RVI(比值植被指数)等多种。NDVI指数是最佳的表征陆地植被覆盖度即生长状态的指示因子，在绿色植被遥感的判读、解译中应用最广泛[13]。NDVI值无单位，其值越高表示像元中绿色植被越多，即浒苔越密集，其值为负表示像元中浒苔较少。选取任意位置海水、陆地及浒苔区域像元的大气校正前后NDVI之变化情况进行分析，结果见表1。

表1 大气校正前后像元NDVI值的变化情况

从表1可看出大气校正后相同位置的NDVI值均有较大提高，NDVI的差值定义如下：

NDVIdiff=NDVIenter-NDVIsea，

(1)

式中，NDVIdiff为NDVI的差值结果，NDVIenter为浒苔的NDVI值，NDVIsea为海水的NDVI值，大气校正前4个浒苔像元与第一个海水像元的差值NDVIdiff分别为0.383 3、0.476 157、0.728 037、0.969 664；大气校正后4个浒苔像元与第一个海水像元的差值NDVIdiff值分别为0.513 738、0.577 918、0.741 091、0.872 315，除最后一个像元校正后差值比校正前稍小外，其他3个像元在大气校正后差值均有明显的增大。由此可见，大气校正后增大了大多数浒苔NDVI值和海水NDVI值的差值，对浒苔密集度不是很高的像元影响明显，但对浒苔密集度高的像元效果不明显，有利于区分大部分浒苔信息和海水信息，有利于进一步的传统阈值方法和基于变分方法的绿潮面积信息提取。

一幅遥感影像通常包含陆地、云等非绿潮区。陆地与浒苔的归一化植被指数(NDVI指数)计算后结果相近，陆地像元将参与分割；云会掩盖绿潮信息，这些因素都会造成对绿潮的提取结果不正确，需要剔除。另外，若图像信息复杂则需要采用三相及以上变分模型进行图像分割，计算效率将受到影响，尤其在绿潮应急期间。因此，对图像进行不规则区域裁剪是一项重要的预处理工作。

不规则绿潮区域裁剪可基于ENVI软件的Subset Data via ROIS工具通过感兴趣区构建数据子集的方法实现，结果见图1和图2。

图1 实验区域位置示意图Fig.1 Location map of the experimental areas

图2 最终不规则图像裁切结果图(实验区域一)Fig.2 The final cutting result of irregular image(area 1)

图1为3景HJ-1A影像实验区域的位置示意图。图2为实验区域一的不规则图像裁剪结果，图2中的白色为绿潮信息，黑色为海水。经过预处理工作后，我们得到了一幅质量更好、更实用的遥感影像，尤其是不规则绿潮区域裁剪工作，既能够加快绿潮信息提取速度，又是变分水平集方法能够进行绿潮信息提取业务化工作的关键之处。

3 两相图像分割的Chan-Vese模型及其快速算法

遥感影像经过预处理工作后，只有绿潮和海水信息；绿潮信息解译业务化工作对速度要求较高，尤其是绿潮灾害应急期间。因此，本文基于效率更高的两相图像分割的变分水平集方法进行绿潮信息提取。

水平集方法和变分水平集方法都可以用来进行遥感影像绿潮信息提取，但因水平集方法分割弱边缘图像效果差、对图像噪声敏感及计算效率低等弊端，本文选用分割效果更好的基于变分水平集的两相Chan-Vese模型及两个快速算法进行绿潮信息提取。

3.1 两相图像分割的Chan-Vese模型

Chan-Vese模型是基于区域的著名模型，该模型基于Mumford-Shah模型,但Mumford-Shah模型只是一个理论模型，因图像和轮廓线的维度不一致，该模型不可解。为使其可解，研究人员提出改进方法，其中，Chan-Vese提出了两相图相分割的Chan-Vese模型[8]，该模型引入水平集函数φ的Heaviside函数和Dirac函数，定义如下：

(2)

式中，f表示输入的含噪声图像，u=(u1,u2)，u1、u2分别表示分段常值图像的前景区域和背景区域的图像灰度均值，|H(φ)|表示长度项。该模型为分段常值近似模型，前两项表示分段常值图像与实际图像之间的偏离程度，当活动轮廓线位于目标曲线的边界时，前两项的和为最小。第三项为长度项，表示活动轮廓线的长度，该值越小，轮廓线越光滑。当式(2)能量泛函取得最小值时，即得到目标曲线的理想轮廓，即：

(3)

(4)

公式(3)即为基于变分水平集的两相图相分割的Chan-Vese模型，公式(4)为其约束条件。对公式(3)进行求解，首先可以利用交替优化方法分别优化φ、u1、u2，即当φ固定时，

当u1、u2固定时，

(5)

令R(u1,u2)=α1(u1-f)2-α2(u2-f)2， 对式(5)求解，求得其对应的欧拉-拉格朗日方程，得到梯度下降流

(6)

上式可通过有限差分方法近似求解。

3.2 两种快速算法

基于变分水平集的两相图像分割的Chan-Vese模型在曲线演化过程中为保持符号距离函数的特征定义一约束公式：

|φ(x,y,t)|=1，

(7)

为满足约束条件，研究人员研究出多种快速方法，如分裂Bregman投影算法、对偶方法等。

3.2.1 对偶方法

对偶方法(DualMethod，DM)的主要思想是利用TV范数的对偶公式，改变原来能量泛函的极小化处理方式，对偶公式定义为：

(8)

(9)

式中，R(u1,u2)=α1(u1-f)2-α2(u2-f)2。

3.2.2 分裂Bregman投影算法(SplitBregmanProjectionMethod，SBPM)

(10)

(11)

(12)

(13)

公式(12)可采用半隐式高斯赛德尔(Semi-implicitGaussSeideliteration)迭代方法进行求解,得到

(14)

式中，α=φi+1,j+φi-1,j+φi,j+1+φi,j-1。对公式(14)

进行凸松弛，得到

(15)

为提高计算效率，式(13)上面的方程可采用解析广义软阈值公式进行求解，得到

(16)

式(13)下面的约束公式可采用投影公式进行计算，即

(17)

ε为正的小量，以防止分母为零溢出。

4 数值实验及分析

分别基于传统阈值方法和变分水平集方法进行绿潮信息提取实验。

遥感数据预处理及传统阈值方法提取绿潮信息运行在美国ESRI公司的ENVI4.5软件平台上。经过对图像进行NDVI指数计算、对不规则绿潮区域进行掩膜、NDVI结果与掩膜结果进行波段计算等方法进行绿潮信息提取，最终的提取结果通过ROI工具输出保存；基于变分水平集方法的数值实验基于Matlab 2010b，将DM和SBPM方法通过Matlab语言编程实现，并设计一量化公式(详见公式(18))对图像结果进行量化，提取出绿潮精确的面积数据，输入的是不规则绿潮区域图像文件，输出的是最终提取出的绿潮面积数据和运行时间。硬件环境是Intel(R)Xeon(R)CPU E5-2620 v2@2.10 GHz(双处理器)，32 GB内存的惠普工作站。经过遥感影像预处理后得到的3个实验区域的图像大小分别为1 823×1 124、1 109×795、772×620。

4.1 传统阈值方法

经过人工目视判读，选取部分阈值进行绿潮信息提取，提取部分结果见表2，表2和表3中的“时间”均指从开始进行绿潮信息提取到得到精确的提取面积的工作时间，不包含前期的遥感数据预处理时间。选取表2中部分图像结果进行展示，见图3至图8。

表2 传统阈值方法绿潮信息提取结果

续表2

图3至图8均为图像NDVI指数计算结果与基于传统阈值方法提取出的绿潮信息结果的叠加，只对选定的不规则区域进行提取。为了更清楚地展示提取结果，对原NDVI结果图像进行了反相处理，并在每张图上对小红框表示的局部区域进行了右侧大红框的3倍放大显示。图中红色为提取出的绿潮信息结果，黑色为绿潮原信息。阈值的高低表示像元中所含浒苔密集度的高低，实验区域一和实验区域二的影像均为浒苔生长茂盛期数据，其浒苔密集度高，阈值的选取较大；实验区域三影像为浒苔绿潮初生阶段数据，其浒苔密集度较低，阈值的选取较小。经过人工观察所有图像结果并分析提取出的面积数据(即表2)可得出，3个实验区域均随着阈值的不断减小，提取出的绿潮信息越来越精细，得到的绿潮面积也越来越大。但并不是阈值可以无限减小，阈值过小会导致微弱的噪声被提取出来，阈值的多少，需要人工判读、设定。在实验区域一中当阈值等于-0.07至-0.15时有较多的浒苔信息没有被提取出来，尤其是当阈值为-0.07时，而当阈值等于-0.16、-0.17时提取出的绿潮信息较多，人工目视判读也较精确，其中阈值等于-0.17、绿潮面积为51.067 8 km2时提取的效果最好，基本上绿潮信息都被提取出来，并且没有对噪声信息进行误提取。实验区域二当阈值为-0.2，绿潮面积为18.09 km2时提取的绿潮信息最好，而当阈值为-0.21时，出现噪声；实验区域三当阈值为-0.37、绿潮面积为5.252 4 km2时提取出的绿潮信息最好，而当阈值为-0.38时，出现噪声。当出现噪声时，提取结果不可用，则停止提取。

图3 阈值为-0.07时，绿潮面积为30.301 2 km2(实验区域一)Fig.3 Threshold is -0.07，the area of green tide is 30.301 2 km2 (area 1)

图4 阈值为-0.17时，绿潮面积为51.067 8 km2(实验区域一)Fig.4 Threshold is -0.17，the area of green tide is 51.067 8 km2 (area 1)

图5 阈值为-0.13时，绿潮面积为13.337 1 km2(实验区域二)Fig.5 Threshold is -0.13，the area of green tide is 13.337 1 km2 (area 2)

图6 阈值为-0.2时，绿潮面积为18.09 km2(实验区域二)Fig.6 Threshold is -0.2，the area of green tide is 18.09 km2(area 2)

图7 阈值为-0.3时，绿潮面积为1.259 1 km2(实验区域三)Fig.7 Threshold is -0.3，the area of green tide is 1.259 1 km2 (area 3)

图8 阈值为-0.37时，绿潮面积为5.252 4 km2(实验区域三)Fig.8 Threshold is -0.37，the area of green tide is 5.252 4 km2 (area 3)

4.2 变分水平集方法

本文基于对偶方法(DM)和分裂Bregman投影方法(SBPM)进行卫星遥感影像绿潮信息提取数值实验，为与传统阈值方法提取绿潮信息进行比较，对基于变分水平集方法的绿潮信息提取结果成功进行量化，得出最终的绿潮提取面积，单位是平方千米。

4.2.1 基于变分水平集方法的绿潮信息提取结果量化方法

当研究区域是规则图像时，其最终水平集函数分割结果是前景像素值是1，背景是0，不规则图像的分割结果图像内与规则图像相反，图像内前景像素值是0，背景是1，图像外的区域为0。根据上述规律并与ENVI软件相结合可设计一量化公式得出提取出的绿潮区域总面积：

Last_area=(clip_pixel-last_sum)/

clip_pixel×clip_area

(18)

式中，Last_area为最终提取出的绿潮信息的总面积，clip_pixel为不规则图像的像素点总个数，last_sum为不规则图像内的背景像素点总个数，clip_area为不规则图像的总面积。

4.2.2 数值实验

本文采用一个水平集函数，DM方法和SBPM方法部分参数初始值相同：γ=1，σ=1，θ=3 000，DM方法中的τ=0.125。当上一次的绿潮提取面积与本次的提取面积的差值小于某最小值ε时，程序的循环次数即为迭代次数，ε的单位为平方千米。经过多组试验，并和传统阈值方法提取结果比较分析发现，当最小值ε为0.5时，提取出的绿潮面积结果不论从程序提取面积的精度上、人工目视查看图像的结果，还是从运行时间的效率上都能达到最优。最终提取出的绿潮信息部分数据结果见表3，部分图像结果见图9至图16。

表3 DM方法和SBPM方法绿潮信息提取结果

图9 SBPM方法初始化(实验区域一)Fig.9 The image processing result by the SBPM method initializing(area 1)

图10 DM方法初始化(实验区域一)Fig.10 The image processing result by the DM method initializing(area 1)

图11 区域一(DM方法：α=0.1, 迭代次数为20, 绿潮面积为51.640 9 km2)Fig.11 Area 1 (the DM method: α=0.1, the number of iterations is 20, the area of green tide is 51.640 9 km2)

图12 区域一(SBPM方法：α=1, 迭代次数为7, 绿潮面积为50.412 7 km2)Fig.12 Area 2 (the SBPM method：α=1, the number of iterations is 7, the area of green tide is 50.412 7 km2)

图13 区域二(DM方法：α=0.1, 迭代次数为22, 绿潮面积为18.075 6 km2)Fig.13 Area 2 (the DM method: α=0.1, the number of iterations is 22, the area of green tide is 18.075 6 km2)

图14 区域二(SBPM方法：α=1, 迭代次数为9，绿潮面积为18.167 4 km2)Fig.14 Area 2 (the SBPM method: α=1, the number of iterations is 9,the area of green tide is 18.167 4 km2)

图15 区域三(DM方法：α=1, 迭代次数为5, 绿潮面积为5.299 2 km2)Fig.15 Area 3 (the DM method: α=1, the number of iterations is 5, the area of green tide is 5.299 2 km2)

图16 区域三(SBPM方法：α=0.1, 迭代次数为22，绿潮面积为4.756 5 km2)Fig.16 Areas 3 (the SBPM method: α=0.1, the number of iterations is 22, the area of green tide is 4.756 5 km2)

图17 局部放大结果(实验区域1——传统方法：阈值为-0.17时，绿潮面积为51.067 8 km2)Fig.17 Local amplification resuls(area 1- the traditional method: threshold= -0.17，the area of green tide =51.067 8 km2)

图18 局部放大结果(实验区域1—变分方法：DM方法α=0.1, 迭代次数为20，绿潮面积为51.640 9 km2)Fig.18 Local amplification resuls(area 1- variational method: the DM method: α=0.1, the number of iterations is 20, the area of green tide is 51.640 9 km2)

图9至图16为基于变分水平集方法的绿潮信息提取的部分结果，为增强显示，对原NDVI结果进行了图像反相处理，并在每张图上对小红框表示的局部区域进行了右侧大红框的放大显示，除图11、图12对局部放大了2倍外，其他局部均放大3倍，蓝色为图像外区域，红色为提取出的绿潮信息结果，黑色为绿潮原信息。图17、图18为基于传统方法和变分方法提取绿潮面积值基本接近时图像的细节对比图。从表3可以看出，初始参数不同，提取出的绿潮面积略有不同。从对传统阈值方法进行绿潮信息提取的分析中可得出实验区域一当阈值等于-0.17时绿潮信息提取得最好(提取的绿潮面积是51.067 8 km2)、实验区域二当阈值等于-0.2时绿潮信息提取得最好(提取的绿潮面积是18.09 km2)、实验区域三当阈值等于-0.37时绿潮信息提取得最好(提取的绿潮面积是5.252 4 km2)，在基于变分的绿潮信息提取实验中(表3)，实验区域一除第5、7、11及12次实验与阈值等于-0.17时的结果有一定的偏差外，其他实验结果均与传统方法阈值为-0.17的绿潮信息提取最好时的面积接近；实验区域二除第10及14次实验与阈值等于-0.2时的结果有一定的偏差外，其他实验结果均与传统方法阈值为-0.2的绿潮信息提取最好时的面积接近；实验区域三除第13及14次实验与阈值等于-0.37时的结果有一定的偏差外，其他实验结果均与传统方法阈值为-0.37的绿潮信息提取最好时的面积接近。基于变分方法的提取结果精度高且稳定性好。从表2和表3还可以看出两者在计算时间上差别较大，实验区域一基于传统阈值方法的运行时间最短需要1 min 33 s、最长需要1 min 59 s，而基于变分水平集的运行时间最短仅为15.366 1 s，最长也不过为73.211 3 s(即1 min 13 s)；实验区域二基于传统阈值方法的运行时间最短需要1 min、最长需要1 min 24 s，而基于变分水平集的运行时间均不超过1 min，最短仅为7.082 4 s，最长也不过为45.957 9 s；实验区域三基于传统阈值方法的运行时间最短需要53 s、最长需要1 min 12 s，而基于变分水平集的运行时间均不超过1 min，最短仅为3.229 2 s，最长也不过为10.608 1 s，在运行时间上，基于变分的方法明显优于传统阈值方法。

5 结论

目前科研人员一般基于传统阈值方法对绿潮信息进行提取，其提取结果具有人为因素影响大、不稳定、效率低等缺点，针对这些缺点，本文基于图像分割的变分水平集方法进行了绿潮信息提取研究，重点研究了基于变分水平集的两相Chan-Vese模型及SBPM方法和DM方法等快速算法，提出了一种对这两种方法提取的绿潮信息结果进行量化的方法，并分别进行了多景遥感数据的传统阈值方法和基于变分模型的SBPM方法和DM方法提取绿潮信息的数值实验。实验结果表明，图像分割的变分模型能够应用到绿潮卫星遥感监测业务化工作中；对分辨率较高的卫星遥感数据，基于变分水平集方法提取浒苔绿潮信息面积提取精度高且稳定性好，在时间效率上有较大的优势。

本文仅针对HJ-1A数据、基于SBPM方法和DM方法提取绿潮信息，未来可针对其他数据源、研究其他模型进行绿潮信息提取，以提高卫星遥感业务化监测绿潮、解译绿潮的水平。

[1] 梁刚. 大型藻类遥感监测方法研究[D]. 大连: 大连海事大学, 2011.

Liang Gang. The method of monitoring macroalgae by remote sensing[D]. Dalian: Dalian Maritime University, 2011.

[2] 钟山, 丁一, 李振. MODIS浒苔遥感监测误差分析研究[J]. 遥感信息, 2013, 28(1):38-42.

Zhong Shan, Ding Yi, Li Zhen. Error analysis on enteromorpha prolifera monitoring using MODIS data[J]. Remote Sensing Information, 2013, 28(1):38-42.

[3] 孙立娥. 绿潮遥感探测影响因素分析[D]. 青岛: 青岛大学, 2012.

Sun Lie. Analysis on influences of the green tide remote sensing detecting[D]. Qingdao: Qingdao University, 2012.

[4] 顾行发, 陈兴峰, 尹球, 等. 黄海浒苔灾害遥感立体监测[J]. 光谱学与光谱分析, 2011, 31(6):1627-1632.

Gu Xingfa, Chen Xingfeng, Yin Qiu, et al. Stereoscopic remote sensing used in enteromorpha prolifra disaster in Chinese Yellow Sea[J]. Spectroscopy and Spectral Analysis, 2011, 31(6):1627-1632.

[5] Chan T, Sandberg B, Moelich M. Some recent developments in variational image segmentation[M]//Image Processing Based on Partial Differential Equations, New York: Springer-Verlag, 2007, Part Ⅲ:175-210.

[6] Kass M，Witriw A，Terzopoulos D. Snakes: Active contour models[J]. International Journal of Computer Vision,1988,1:321-331.

[7] Osher S, Sethian J A. Fronts propagating with curvature-dependent speed: algorithms based on hamilton-jacobi formulations[J]. Journal of Computational Physics, 1988, 79(1):12-49.

[8] Chan T F, Vese L A. Active contours without edges[J]. IEEE Transactions on Image Processing， 2001，10(2):266-277.

[9] 潘振宽, 李华, 魏伟波, 等. 三维图像多相分割的变分水平集方法[J]. 计算机学报, 2009, 32(12): 2464-2474.

Pan Zhenkuan, Li Hua, Wei Weibo, et al. A variational level set method of multiphase segmentation for 3D images[J]. Chinese Journal of Computer, 2009, 32(12):2464-2474.

[10] 王相海, 李明. 矢量C-V模型的高光谱遥感影像分割[J]. 遥感学报, 2015, 19(3):443-450.

Wang Xianghai, Li Ming. Segmentation of hyperspectral remote sensing image using vector C-V model[J]. Journal of Remote Sensing, 2015, 19(3):443-450.

[11] 程相康，朱宏擎. 一种基于高斯混合模型的快速水平集图像分割方法[J]. 华东理工大学学报(自然科学版)，2015, 41(6): 808-814.

Cheng Xiangkang, Zhu Hongqing. A fast level set method for image segmentation based on Gaussian Mixture Models[J].Journal of East China University of Science and Technology:Natural Science Edition, 2015，41(6)：808-814.

[12] 苏晓慧, 张晓东, 苏伟, 等. HJ-1卫星延寿期的CCD影像质量评价与可用性分析[J]. 农业工程学报, 2012, 28(12):164-170.

Su Xiaohui, Zhang Xiaodong, Su Wei, et al. Quality evaluation and usability annlysis of CCD image in life extension period for HJ-1 satellite[J]. Transactions of the Chinese Society of Agricultural Engineering, 2012, 28(12):164-170.

[13] 赵英时，陈冬梅，李小明. 遥感应用分析原理与方法[M]. 北京: 科学出版社, 2003.

Zhao Yingshi, Chen Dongmei, Li Xiaoming. Analysis Principle and Method of Remote Sensing Applications[M]. Beijing: Science Press, 2003.

Information extraction of enteromorpha green tide area based on variational level set method

Zhang Yongmei1,2, Pan Zhenkuan3, Cao Conghua1,2, Duan Jinming3, Lu Jingge3

(1.NorthChinaSeaMarineForecastingCenterofStateOceanicAdministration,Qingdao266061,China;2.ShandongProvincialLaboratoryofMarineEcologyandEnvironment&DisasterPreventionandMitigation,Qingdao266061,China;3.SchoolofComputerScience&Technology,QingdaoUniversity,Qingdao266071,China)

Green tide area information extraction is an important link of the remote sensing monitoring, its result will directly affect the subsequent statistical analysis and the early warning prediction. Now researchers generally extract the green tide area information based on the traditional threshold method, and this approach has many disadvantages such as low efficiency, unstable result and human factors. Against to above-mentioned problem, the dual method and split Bregman projection method based on variational level set method was studied used to the green tide area information extraction in this paper. A new quantization method was proposed, which was used to deal with the green tide information result extracted by the two mentioned methods. Based on the traditional threshold method and the dual method and split Bregman projection method, the experiments of three images were respectively carried out, and extraction results were compared and analyzed. To higher resolution satellite remote sensing data, the experiment results show that not only the extraction efficiency but the accuracy and stability based on variational level set method are all superior to the traditional threshold method.

greed tide; information extraction; image segmentation; variational level set method

10.3969/j.issn.0253-4193.2017.09.012

2016-09-25；

2016-10-30。

国家自然科学基金项目(41306028)。

张永梅(1971—),女,山东省淄博市人，高级工程师,主要研究方向为遥感图像处理、变分图像分割。E-mail:zhyongmei82@126.com

TP79

A

0253-4193(2017)09-0121-12

张永梅，潘振宽，曹丛华, 等. 基于变分水平集方法的浒苔绿潮面积信息提取[J]. 海洋学报, 2017, 39(9): 121-132,

Zhang Yongmei, Pan Zhenkuan, Cao Conghua, et al. Information extraction of enteromorpha green tide area based on variational level set method[J]. Haiyang Xuebao, 2017, 39(9): 121-132, doi:10.3969/j.issn.0253-4193.2017.09.012