用无人机（UAV）遥感影像去识别离岸流指示物，再通过小波变换（Wavelet）提取海面纹理特征，这个思路在海岸环境监测里不是论文里的孤例，而是已经可以进入日常巡查流程的可行方案。它的核心价值在于，把海面上那些“看起来不对劲”的纹理差异，变成一组能够交给分类器去判断的量化指标。对于做遥感图像处理的人、海岸工程从业者、环境监测团队，以及想从零跑通一个UAV图像特征提取管线的开发者来说，最值得关注的不是某款无人机，而是UAV采集 + 小波纹理特征 + 机器学习分类这套组合到底怎么落地。
这个方向一听好像涉及很多学科，但拆开看并不复杂：无人机负责拿到高分辨率海面影像，小波变换负责把海面纹理拆到不同尺度和方向，分类模型负责判断哪些区域像离岸流指示区。真正花时间的部分是数据采集质量、特征参数选择和结果验证。下面按我处理这类影像的经验，从原理、流程、参数、坑点到工程化路径，完整过一遍。整个流程可以只用 CPU 跑通，对硬件要求不高，关键是把每一步的输入输出和判断标准弄清楚。
1. 为什么用无人机来找离岸流：传统监测的痛点与遥感思路
1.1 离岸流为什么难发现
离岸流又叫裂流，是海岸常见的一种向外海方向快速流动的水体。它不像大浪那样有醒目外观，很多时候只是海面出现一条颜色略暗、波浪破碎较弱的水带，夹杂着泡沫、泥沙和碎屑向外海方向移动。站在岸边看，偶尔能发现，但更多时候要等出事之后才知道哪里有强离岸流。传统监测主要靠救生员目测、固定浮标、水质仪器，覆盖范围有限，而且很难获得整段海岸的连续空间信息。
离岸流识别的关键，不是直接测量水下流速，而是观察海面表层留下的“指示物”。这些指示物包括泡沫条带、泥沙浓度差异、波浪破碎模式变化、水面粗糙度差异等。它们共同表现为图像上的纹理差异。所以，离岸流遥感监测本质上是从表面纹理中找异常带。
1.2 无人机遥感能补上什么
卫星影像能覆盖大范围，但对近岸离岸流来说分辨率不够，而且重访周期长，云层和拍摄角度也会干扰。固定摄像头便宜但范围有限，无法覆盖一整条海岸线。无人机的好处在于：任务区域灵活，可以在离岸流高发季节临时起飞；飞行高度可以调整，影像分辨率高；成本比载人航空遥感低得多；还能在一天内多次飞行，覆盖不同潮位窗口。
但也要清楚边界。无人机不是万能的，风太大不能飞，雨天不适合，空域限制也需要提前报备。更重要的是，无人机拍到的只是海面表层光学信号，水下地形、流速、流向这些信息不能直接获取，只能通过表层纹理间接推断。所以这个方案的目标不是代替流速计，而是做大范围筛查和持续巡逻，标记高风险区域。
1.3 纹理特征为什么是核心抓手
同一个海域，离岸流区域和周边正常波浪区域的灰度均值可能差别不大，但纹理差别会更明显。离岸流会改变波浪破碎方式，使泡沫分布更集中，水流边界也会形成明显的条带。这些特征用肉眼能看出来，但机器很难用单个像素值判断，所以需要提取纹理特征。
纹理特征有很多提取方式，灰度共生矩阵、局部二值模式、Gabor滤波器、小波变换都常见。这里选择小波变换，核心原因是它的多分辨率特性。海面纹理不是单一尺度：大尺度上能看到水流带走向，中尺度上有波浪条纹，小尺度上有泡沫和碎屑聚集。小波变换能同时保留空间位置和频率信息，适合把不同尺度下的纹理差异分开处理。
2. 小波变换：把海面纹理变成可计算特征
2.1 普通灰度统计为什么不够
如果只统计灰度均值、方差、最大值、最小值，得到的是整个区域的全局信息，丢失了纹理的空间分布。一片平整的沙滩和一片均匀的海水，灰度方差可能都很小，但纹理完全不同。海面条带是方向性的，而且有周期性，普通灰度统计很难把这些结构信息提取出来。
傅里叶变换能提供频率信息，比如波浪条纹的周期，但它把空间位置信息混合在一起，无法告诉我们“哪一块区域频率异常”。离岸流识别恰恰需要局部区域的判断。小波变换在不同尺度上做分解，既保留频率带，又保留空间位置，这样才能对每一个影像分块输出一组特征向量。
2.2 小波分解的基本过程
二维小波变换会对图像做行、列方向的滤波和下采样，一次分解得到四个子带：
- 近似分量 LL：低频部分，保留整体亮度变化和主要结构。
- 水平细节 LH：对水平方向的边缘和纹理敏感。
- 垂直细节 HL：对垂直方向的边缘和纹理敏感。
- 对角细节 HH：对角方向的纹理变化。
下一层继续对 LL 做分解，就能得到更粗尺度的低频信息和中等尺度的细节信息。对于海面影像，LL 反映大范围水流结构，LH、HL、HH 分别对应不同方向上的波浪纹理、泡沫条带和杂乱碎屑分布。离岸流区域通常会在某个或某几个子带出现能量异常，这就是分类器的判断依据。
2.3 用哪些纹理特征判断离岸流指示物
完成小波分解后，需要把子带系数压缩成数值特征。常用特征包括：
- 能量：子带系数的平方和或均值，反映该频带信号强度。离岸流区域的波纹结构更集中，某些子带能量可能明显高于周边。
- 熵：子带系数的分布混乱程度。泡沫带和碎屑区域分布更复杂，熵值容易偏高。
- 方差和标准差：反映纹理振幅大小。强离岸流区域表面粗糙度变化大，方差通常更高。
- 局部对比度：子带细节系数的绝对值均值，能体现纹理边缘的明显程度。
这些特征不是选得越多越好，有时 6 到 12 个特征已经够用。特征过多反而会让分类器在小样本上过拟合。建议先提取每层 LL、LH、HL、HH 的能量、熵、标准差，通过特征重要性分析后再决定保留哪些。
2.4 小波基、层数和窗口怎么选
小波基选择没有绝对正确答案，常见做法是实验对比后再确定。
| 小波基 | 特点 | 适用判断 |
|---|---|---|
| haar | 最简单，计算快，分解结果块状感明显 | 适合快速跑通流程，不适合精细纹理 |
| db2 / db4 | Daubechies系列，光滑性比haar好，边缘保留不错 | 海面纹理实验常用，建议优先测试 |
| sym4 / sym5 | 对称性更好，相位失真更小 | 对方向条纹更友好，可以对比测试 |
| coif1 / coif2 | 更平滑，但计算量稍大 | 如果噪声偏多，可以尝试 |
分解层数一般从 1 层开始，逐步增加到 3 到 4 层。层数太少，多尺度信息不足；层数太多，边界效应和计算量增加，而且离岸流的实际宽度不一定需要过深的低频信息。影像分辨率越高，可以适当增加层数；如果影像已经做过分块，每一块尺寸只有 32×32 或 64×64，那分解 2 层通常就够用了。
窗口大小决定了特征反映的空间范围。窗口太小，纹理统计不稳定；窗口太大，细节被平均掉，离岸流边界变模糊。建议以离岸流条带宽度为参考，让窗口尺寸和指示物区域尺寸接近。窗口 32×32 适合快速试错，64×64 或 128×128 更适合正式实验。相邻窗口之间可以设置重叠，增加样本数量，但计算量也会上升。
3. 从无人机影像到离岸流指示物识别：完整流程
3.1 采集条件：高度、重叠率和时间
无人机影像采集是整个流程里最不能将就的一步。如果影像本身模糊、曝光不一致、拼接错位，后面做小波特征提取的效果会大打折扣。
飞行高度需要根据目标分辨率预估。离岸流指示物的条带宽度通常有数米到几十米，如果飞行高度过高，一个像元对应几十厘米，纹理细节丢失；如果高度过低，覆盖范围太小，一条航线覆盖不了完整岸段。常见实验可先从 80 到 150 米高度开始，再根据实际面积调整。
航线重叠率建议达到航向重叠 75% 以上、旁向重叠 60% 以上，方便后期拼接和正射校正。拍照时间尽量选在太阳高度适中、海面反光不强的时段。中午顶光虽然阴影少，但水面镜面反射可能导致局部过曝；清晨或傍晚低角度光会让波浪纹理更清楚，但也更容易出现大面积暗区。要根据目标海域实际试拍后调整。
风浪大小也要记录。离岸流本身就受风浪和潮汐影响，采集时记录风速、风向、潮位、波高，会让后续分析更有依据。完全无风时海面太平静，纹理差异小；风浪过大时泡沫覆盖范围广，离岸流特征反而被淹没。
3.2 影像预处理：拼接、校正和归一化
单张无人机照片直接做特征提取，能看，但不能直接用于大范围分析。因为单张照片存在透视变形，不同区域的尺度不一致。建议先做影像拼接和正射校正，得到统一坐标下的正射影像。
处理工具可以选择 OpenDroneMap、Pix4D、Metashape 或 WebODM。如果输入只是学习实验，用 OpenDroneMap 就行，免费且支持命令行批处理。处理完成后导出正射影像，通常是 TIFF 格式。
后续在 Python 中处理时，用 Rasterio 读取影像，转成灰度，再做归一化。归一化非常关键，同一架次不同影像之间光照可能不同，直接把原始灰度送到模型里，模型会学到光照而非纹理。
import numpy as np import rasterio with rasterio.open("ortho_result.tif") as src: img = src.read([1, 2, 3]) gray = np.mean(img, axis=0).astype(np.float32) gray = (gray - gray.min()) / max(gray.max() - gray.min(), 1e-6)这一步之后，灰度范围在 0 到 1 之间，可以进入小波特征提取。
3.3 小波纹理特征提取代码示例
下面给出一个示意代码，用 PyWavelets 对影像分块提取小波纹理特征。
import cv2 import numpy as np import pywt def local_wavelet_features(gray, wavelet="db2", level=2, window=64, step=32): h, w = gray.shape rows = range(0, h - window + 1, step) cols = range(0, w - window + 1, step) records = [] for y in rows: for x in cols: block = gray[y:y + window, x:x + window] coeffs = pywt.wavedec2(block, wavelet=wavelet, level=level) cA = coeffs[0] cH1, cV1, cD1 = coeffs[1] feats = { "x": x, "y": y, "ll_energy": float(np.mean(cA ** 2)), "lh_energy": float(np.mean(cH1 ** 2)), "hl_energy": float(np.mean(cV1 ** 2)), "hh_energy": float(np.mean(cD1 ** 2)), "ll_entropy": float(-np.sum(cA ** 2 * np.log(cA ** 2 + 1e-12))), "lh_std": float(np.std(cH1)), "hl_std": float(np.std(cV1)), } records.append(feats) return records这段代码不是完整的工程实现，只是一个特征提取骨架。实际项目中要注意几个点：窗口滑动会产生大量样本，要控制内存；如果分块大小不能被窗口整除，需要裁剪或填充；不同影像之间必须保持相同的窗口和步长，否则特征不可比。
提取完特征后，把记录整理成表格，每一行是一个位置窗口，每一列是一个特征，再加一列“是否离岸流指示区”作为标签。
3.4 标注、训练与结果验证
标注是这类项目里最费人工的环节。建议在正射影像上，由熟悉离岸流形态的人划分两类区域：一类是明显离岸流指示区，另一类是正常海域。标注时不要只画矩形框，最好把离岸流通道的边界尽量画准，因为分类结果最终要定位到空间位置。
训练模型可以从随机森林开始。它不需要大量调参，也能在小样本上给出可解释的特征重要性。示例：
from sklearn.ensemble import RandomForestClassifier from sklearn.model_selection import train_test_split from sklearn.metrics import classification_report X = feature_data.drop(columns=["x", "y", "label"]).values y = feature_data["label"].values X_train, X_test, y_train, y_test = train_test_split( X, y, test_size=0.2, stratify=y, random_state=42 ) clf = RandomForestClassifier(n_estimators=300, random_state=42) clf.fit(X_train, y_train) y_pred = clf.predict(X_test) print(classification_report(y_test, y_pred))验证不能只看 overall accuracy。离岸流区域通常只是影像中的一小部分，样本不均衡时，即使模型把所有区域都判为正常海域，准确率也可能很高，但这种模型没有任何实际价值。要看离岸流类别的召回率和精确率，尤其要保证召回率尽量高，因为漏报离岸流比误报更危险。
4. 参数细节与质量判断：别让模型“看起来准”
4.1 核心参数速查表
| 参数 | 常用范围 | 说明 |
|---|---|---|
| 小波基 | haar, db2, db4, sym4 | 建议先对比 db2 和 sym4 |
| 分解层数 | 1 到 4 层 | 窗口越小层数越少 |
| 窗口大小 | 32×32 到 128×128 | 接近指示物尺度 |
| 滑窗步长 | 窗口的一半 | 步长越小样本越多 |
| 特征组合 | 能量、熵、标准差、对比度 | 按特征重要性筛选 |
| 分类器 | 随机森林、SVM | 小样本优先随机森林 |
| 最小样本量 | 每个类别不少于几百个窗口 | 窗口样本多但独立样本有限 |
参数之间是关联的。窗口大了，样本数会变少；分解层数多了，低频子带分辨率会变小。调试时先固定一组基线参数，比如 db2、2 层、64×64 窗口，把流程跑通，再逐个调整参数观察验证集变化。
4.2 特征有效性的判断方法
不要等到训练完才看结果。特征提取后，第一件事是检查各类别在特征空间里有没有区分度。简单做法是画箱线图，看离岸流区域和正常海域在某个特征上的分布是否重叠明显。如果某个特征两类分布几乎完全重合，说明该特征在这个海域没有判别能力，可以直接去掉。
也可以用随机森林的特征重要性排序，但要注意特征重要性不是绝对指标。当两个特征高度相关时，重要性可能被分散。我一般会先看相关性矩阵，把相关系数过高的特征只保留一个，再训练模型。
如果所有特征在箱线图上都分不开，别急着调分类器，先回看影像预处理：灰度归一化是否做了、窗口是否太小、标注区域是否准确。很多时候问题不在算法，而在影像本身。
4.3 类别不均衡与评价指标选择
离岸流区域通常只占整幅影像的几个百分点，有时甚至不到 1%。这种数据分布下，准确率没有参考价值。更合理的指标是离岸流类别的召回率、精确率、F1 值，以及 PR 曲线面积。
我建议把预测结果重新映射回空间坐标，生成一张热力图或分类图，与原始影像叠加检查。这样可以直观看到：模型是不是只把高泡沫区判为离岸流，是否把普通波浪破碎区也误判了。空间上的连续性也很重要，真实离岸流通常是一段连续条带，如果预测结果像椒盐噪声一样零星分布，说明特征提取或窗口参数有问题，或者标注边界不统一。
5. 野外实飞最容易踩的坑：光照、波浪、飞控和标注
5.1 光照和云影会制造伪纹理
海面对光照极其敏感。同一个点位，顺光和逆光下纹理完全不同。强烈阳光照射时，波浪破碎形成的泡沫很亮，离岸流通道可能因为水色更深而显得暗；云影掠过海面时，会让大片区域灰度突然下降，形成“伪暗区”。小波变换本身不能区分真实纹理和光照阴影，所以预处理时必须关注辐射一致性。
我踩过最典型的坑是：上午飞一个架次，下午飞另一个架次，直接把两幅影像拼到同一个样本集里训练，结果分类器学到的其实是“上午和下午的光照差”。解决思路是按架次做全局归一化，或者在采集时尽量集中在同一时段，条件允许时用辐射校正板做反射率定标。如果只是实验，至少要记录光照条件，在模型验证时按架次分组评估。
5.2 风浪、潮汐和飞行窗口
离岸流的强度和形态受潮汐和风浪影响。低潮时离岸流可能更明显，高潮时被淹没；大风天气下波浪破碎范围增大，泡沫覆盖整个近岸区，离岸流边界难以分辨。所以采集航线要结合当地潮汐表，尽量在离岸流高发的潮位窗口内飞行。飞行前后记录潮位和波高，后续分析时才能判断当前结果是稳定特征还是临时状态。
如果要做长期监测，不要只在晴天飞行。阴天、多云、不同风向下各采一次，会让模型更鲁棒。但要注意，无人机飞行有风速限制，超过机身允许的风力不能硬飞，宁可数据少一点，也不能为了样本牺牲安全。
5.3 标注一致性与专家样本
离岸流标注比普通目标检测难得多。不同人的判读标准可能不同，同一人在不同时间看同一张图也可能给出不同结果。建议先由两到三个人对同一批样本独立标注，计算标注一致性，比如 Cohen's Kappa。Kappa 太低时，先统一判读标准，再扩大标注范围。
标注区域尽量覆盖离岸流周边过渡带，因为模型在边界上的判断才能更稳。不要只标注中心最明显的一条线，那样会让模型只学会识别最亮或最暗的核心区，遇到弱的离岸流直接漏掉。更稳妥的做法是把离岸流指示物定义成“从核心通道到两侧过渡带”的连续区域，标签上可以设成“离岸流”“过渡带”“正常海域”三类，后续分析时再把过渡带归并或单独处理。
5.4 空域合规与飞行安全
这一点要放在采集计划的最前面。无论实验还是业务，都要确认飞行空域是否允许无人机作业，是否需要进行空域申请或备案。海岸通常人多、风大，要远离人群密集区飞行，设置返航高度和电子围栏。数据记录里包含飞行时间、地点、高度、气象条件，既是对实验负责，也让结果在应用时更有说服力。
不要在禁飞区拍照，也不要为了获取样本飞越过载或海况恶劣的区域。离岸流监测的目的是公共安全，飞行过程本身必须先安全。
6. 从实验到常态化监测：工程化路径
6.1 批量处理管线和日志设计
如果只是处理一两幅影像，手动跑 Python 脚本没问题。一旦要做整条海岸线的长期监测，就要把流程拆成稳定管线：
- 输入目录：按日期、架次组织无人机原始影像。
- 预处理阶段：拼接、正射校正、裁剪海岸带区域，生成标准 TIFF。
- 特征提取阶段：滑窗提取小波纹理特征，输出 CSV。
- 模型判断阶段：加载训练好的模型，输出分类结果和空间坐标。
- 可视化阶段：生成分类热力图叠加到底图上。
每一步都要写日志，记录输入文件、处理时间、失败原因、输出路径。批量任务难免遇到单幅影像损坏、几何校正失败、内存不足等问题，不能因为一个文件报错就让整批任务停掉。可以加上失败重试、跳过和结果汇总表。输出文件命名要带日期和架次编号，防止覆盖和混乱。
6.2 模型部署与结果可视化
模型训练完成后，可以保存成模型文件，放到处理管线的回调阶段。如果还要给其他系统调用，可以用 FastAPI 或 Flask 封装一个简单接口：接收一张裁片或影像块，返回“是否离岸流指示区”的概率。接口里要设置超时和并发限制，避免多人同时请求时把内存打满。
结果可视化建议输出两种图：一种是把每个窗口的分类概率平滑后生成热力图，方便人眼快速定位；另一种是提取连通域，把高概率区域转成矢量边界，便于和 GPS 坐标对应。热力图不是最终结论，只是风险提示。是否真的存在离岸流，还需要结合当时潮位、风浪和人工复核。
6.3 长期监测和预警流程
常态化监测不是每天飞一次就结束，而要及时对不同时相数据做对比。可以固定几条航线，用相同采集参数，定期飞行。通过对比同一位置在不同潮位、不同季节下的纹理特征变化，找到离岸流通道的稳定形态和诱发条件。这些数据积累得足够多，才能建立区域性的离岸流风险评估模型。
预警流程建议分级：模型概率高且连续区域大，标记为高风险；连续多期数据都出现同一位置异常，提升关注等级；现场人工核查后再决定是否向公众发布提示。整个过程要保留原始影像、飞行日志和模型版本。算法结果只能作为辅助判断，所有涉及公共安全的结论都要有专业人员把关。
最后留一个经验判断：这个方案真正落地时，最该盯住的不是算法多复杂，而是输入影像的质量、标注的一致性和参数的可重复性。先在一小段海岸把单幅影像跑顺，再扩大到整条岸线；先让模型输出能被人工理解的风险图，再考虑自动预警。离岸流监测是公共安全场景，宁可流程慢一点，也不能让误报和漏报在数据层面被放大。
