基于FCLS像元解混的船只识别

背景介绍

在海洋与内河监测领域，船体识别一直是遥感技术的重要应用方向之一。船只分布情况不仅直接关系到航运交通管理、海上执法与国防安全，还与渔业资源监控、非法捕捞管制、环境保护以及应急救援等密切相关。传统的船舶监测手段主要依赖雷达与光学传感器，但在复杂海况、云雾遮挡或夜间条件下，容易受到干扰，存在监测盲区。高光谱遥感的出现为船体识别带来了新的可能性。特别是基于Fully Constrained Least Squares (FCLS)的光谱解混方法，可以在子像元尺度上分离水体与船体端元成分，为复杂背景下的船体识别提供更加稳健和精细的手段。因此，结合FCLS的高光谱船体识别技术，正逐渐成为海洋监测和智能遥感分析的重要研究方向。

本研究的目的在于充分发挥高光谱遥感的光谱优势，探索基于FCLS（Fully Constrained Least Squares）解混方法的船体识别策略，从而提升在复杂背景下的检测精度与稳定性。首先，通过将船体视作水体环境中的“异常端元”，利用FCLS在丰度约束下对像元光谱进行分解，可以量化船体材料与水体成分的比例，突破传统影像分辨率对小尺度船只识别的限制。结合空间形态约束与残差异常分析，本研究旨在构建一套多特征融合的船体检测判据，实现对不同尺度、不同背景条件下船只的稳健识别。最终，研究目标不仅是提高船体识别的自动化与精确度，还希望为海上交通监管、渔业执法、海洋资源管理和应急救援提供可靠的数据支撑与技术方案。

数据和方法

1.数据

该案例中使用2025年7月15日西光壹号05星(天仙配号)拍摄的法国科西嘉岛与意大利撒丁岛之间的地中海海峡（博尼法乔海峡）地区高光谱影像，使用经过大气校正的L2C级反射率数据，通过FCLS算法对该区域的船只进行识别。

表1. 数据介绍

2.FCLS像元解混

首先根据检测目标选取端元，本次识别选择了4个类别分别为水、陆地、云以及船体，如下图（1-4）。

图1 水体端元

图2 陆地端元

图3 云端元

图4 船体端元

不同物体类型的反射率如下图5。

图5船体端元

结果展示

图6为待检测影像，水体中的有较多的船体。

图6 真彩色合成影像（西光壹号05星-天仙配号  20250715）

对数据进行上述像元解，通过掩膜数据去除陆地区域并进行阈值分类得到以下结果，红色像元为船体：

图7（西光壹号05星-天仙配号  20250715）

基于FCLS解混与后续判别方法，我们统计了研究区域内提取到的船体数量，并与人工解译结果进行了对比。整体上，解混方法能够较为准确地分离出船体端元丰度较高的区域，形成清晰的船舶聚集模式。例如，在某近岸港区场景中，人工解译标注的船体数量为11艘，而基于 FCLS 的识别结果提取到13艘，识别率达到约 85%。其中，大型船只由于端元特征显著，几乎全部被正确识别；而由于1艘小型船只由于与水体混合比例过高，或者受到岸带干扰，其丰度特征不够突出，存在误判的情况。另有 1 艘为高残差小斑块，被误判为船只，说明该方法在强浪或白沫干扰下存在一定的虚警。总体来看，解混结果提取的船体数量与人工标注高度吻合，验证了该方法在复杂水体环境下的有效性，但同时也提示需要进一步结合空间形态约束与多源特征融合，以降低漏检与误检率。