高分辨率遙感影像海岸線提取方法范文

本站小編為你精心準(zhǔn)備了高分辨率遙感影像海岸線提取方法參考范文，愿這些范文能點燃您思維的火花，激發(fā)您的寫作靈感。歡迎深入閱讀并收藏。

《海洋測繪雜志》2016年第6期

摘要:

海岸線快速準(zhǔn)確提取具有十分重要的意義。利用遙感技術(shù)提取海岸線具有宏觀、快速、綜合、高頻、動態(tài)和低成本等突出優(yōu)勢。然而，利用人工解譯費時費力，而計算機自動解譯精度低。對此，提出一種半自動的面向?qū)ο蠛０毒€提取方法。首先利用eCognition進(jìn)行圖像分割，通過人機交互的方式進(jìn)行海、陸標(biāo)記，然后利用光譜直方圖測度對象之間的相似性，最后通過兩階段對象合并的方式實現(xiàn)海岸線提取。使用高分2號數(shù)據(jù)分別提取人工和潮灘海岸。實驗表明，本文方法具有快速、通用性強、精度高的優(yōu)勢。

關(guān)鍵詞:

遙感影像;海岸線提取;遙感;半自動信息提取;面向?qū)ο?圖像分割

1引言

海岸線是劃分海洋與陸地管理區(qū)域的基準(zhǔn)線，快速準(zhǔn)確地實現(xiàn)海岸線測定和動態(tài)變化信息提取，對于海岸帶區(qū)域使用管理規(guī)劃、自動導(dǎo)航、目標(biāo)定位、地圖繪制等工作具有十分重要的意義［1－2］。相對于傳統(tǒng)海岸線探測手段，遙感技術(shù)具有宏觀、快速等突出優(yōu)勢，越來越多的專家學(xué)者開始利用遙感手段快速而準(zhǔn)確地提取海岸線［3］。許多學(xué)者對這一問題作了積極的探索［3］，除目視解譯和多光譜分類外，傳統(tǒng)的海岸線提取方法包括:閾值分割法和邊緣檢測法［4］、主動輪廓模型法［5］、區(qū)域生長法［1，6］等。由于海岸帶潮灘地形復(fù)雜，遙感影像上海岸線表現(xiàn)為“弱邊界”，并且存在大量潮溝［5］，導(dǎo)致上述方法存在局限性。更重要的是，不同類型的海岸具有不同特征，其水邊線也相應(yīng)具有不同的特點［2］，算法的普適性有待檢驗。隨著高分辨率遙感影像的普及，面向?qū)ο髨D像分析方法逐步興起。面向?qū)ο蠓椒ㄍㄟ^對影像分割，使同質(zhì)像元構(gòu)成地理對象，從而實現(xiàn)較高層次的遙感圖像分類和目標(biāo)地物提取［7］。面向?qū)ο蟮膬?yōu)點是可以綜合利用對象的光譜、紋理、語義等信息，但是其本質(zhì)上是分割和分類方法的組合，需要由用戶設(shè)定參數(shù)將水陸分離，仍然難以從根本上解決傳統(tǒng)方法所面臨的問題。交互式分割算法因其充分利用先驗知識而引起研究人員的廣泛關(guān)注［8］。本文探索如何將解譯人員的目視判斷信息和計算機統(tǒng)計推斷結(jié)合，研究一種非參數(shù)、通用性強、精度高的高分辨率遙感影像海岸線提取方法。將這套算法用于青島地區(qū)“高分2號”(GF－2)影像，分別提取人工海岸和潮灘海岸。

2海岸線半自動提取方法

本文提出了一種半自動的海岸線提取算法，其整體流程見圖1，用戶只需要提供少量的標(biāo)記信息，無需對海陸進(jìn)行參數(shù)化分析。首先，為了保持較好的初始對象邊緣，得到均勻同質(zhì)的對象，本文使用商業(yè)軟件eCognition的多尺度分割算法(multiresolutionsegmentation，MRS)［9］進(jìn)行初始分割，尺度參數(shù)設(shè)為10～20，形狀權(quán)重設(shè)為0.1;然后，進(jìn)行人工標(biāo)記，以區(qū)域內(nèi)的直方圖為特征度量區(qū)域間的相似性。最后，通過兩階段區(qū)域合并將水陸分離。

2.1對象相似測度

光譜直方圖接近人眼視覺響應(yīng)［10］，不僅能夠描述對象的全局特征，而且對噪聲、光照變化和紋理具有較強的魯棒性。因而，本文構(gòu)造光譜直方圖來描述對象特征。對圖像進(jìn)行初始分割后，按照如下步驟計算對象的光譜直方圖:首先將每個光譜分量量化為ns個灰度級，其中s表示光譜分量，如R、G、B、Nir等。然后，將新量化后的光譜矢量轉(zhuǎn)化為標(biāo)量索引z。以RGB彩色圖像為例，分別將R、G、B三個通道量化為nR、nG、nB個灰度級別。假定像素點i量化后的顏色矢量為［ri，gi，bi］，那么對應(yīng)的索引zi表示為:zi=ri+gi•nR+bi•nR•nG(1)該過程中索引z能夠充分反映光譜矢量信息。然后計算每個對象的直方圖HistuR:HistuR=∑x∈R∫z2z1δ(z－R(X))dz(2)式中，R為對象標(biāo)號;u為箱格號;X為對象R中像元的位置;Z1、Z2為箱格u的上下界;z為像元的光譜索引值;δ為狄拉克函數(shù)。利用對象光譜直方圖，定義如下相似測度表征對象Q和R的相似度:ρ(Q，R)=∑16nu=1HistuR•Hist槡uQ(3)對象Q和R的相似度ρ(Q，R)能夠充分描述對象之間的相似性。

2.2兩階段對象合并

通過迭代合并逐步將未標(biāo)記對象合并到已標(biāo)記對象，從而實現(xiàn)目標(biāo)提取。合并過程分為兩個階段:第一階段，未標(biāo)記對象與背景標(biāo)記對象合并，迭代增長背景區(qū)域。當(dāng)背景區(qū)域停止增長則進(jìn)入第二階段;第二階段，自適應(yīng)地合并未標(biāo)記對象，包括未標(biāo)記對象與目標(biāo)對象合并、未標(biāo)記對象間相互合并。兩階段迭代執(zhí)行，因而每個對象都能得到正確的類別，使算法收斂。根據(jù)文獻(xiàn)［11］，在每個階段可以通過迭代合并最相似的對象滿足，相應(yīng)的合并判據(jù)為:P(Q，R)=Trueifρ(Q，R)=Maxj=1，2，…，kρ(Q，SQj)False{Otherwise(4)式中，SQj為Q的任一相鄰對象。如果R是Q的最相似對象，那么R=R∪Q;反之，拒絕Q與R合并。

3實驗分析

從圖像上可以看出，采取傳統(tǒng)的邊緣檢測算子是難以直接從影像中得到連續(xù)、完整岸線。選取青島市“高分二號”(GF－2)衛(wèi)星影像進(jìn)行試驗。主要包括兩種海岸線，圖2(a)是青島西海岸典型的人工海岸，岸線相對完整、平滑;圖2(b)為膠州灣地區(qū)典型的淤泥質(zhì)潮灘，存在大量潮溝，岸線較模糊，并且膠州灣內(nèi)部存在跨海大橋和較多的過往船只等干擾信息。本文選用面向?qū)ο蟮膱D像分析方法作為對比方法，其試驗平臺為eCognitionDeveloper。采取面向?qū)ο蟮谋O(jiān)督分類方法，利用光譜、水體指數(shù)、植被等數(shù)等指數(shù)和灰度共生矩陣等紋理特征，使用隨機森林分類器［12］，對海域和陸地進(jìn)行分類，檢測出海岸線。為確保實驗公平，分類器的輸入樣本規(guī)模大于本文的人工標(biāo)記。從圖像上可以看出，采取傳統(tǒng)的邊緣檢測算子是難以直接從影像中得到連續(xù)、完整岸線。需要指出，由于以下兩個原因，對于海岸線提取算法的精度進(jìn)行定量的評估是相當(dāng)困難的:①“海岸線”有一定模糊度，對于陸地和水域中間的過渡地段(如海灘)有時很難定義明顯的海陸分界線;②很難獲取用于驗證的地面真實數(shù)據(jù)［5］。大部分有關(guān)海岸線檢測的文獻(xiàn)，均只定性地給出了一定的主觀性評估。基于上述分析，本文也僅基于目視判斷來對二種算法的檢測結(jié)果進(jìn)行定性精度比較。本文實驗平臺為Windows64位操作系統(tǒng)，2.9GHzIntelPentiumCPU，6GBRAM，Matlab2013a和eCognitiondeveloper9.0。

3.1人工海岸實驗

本算法不需要用戶輸入任何的參數(shù)，用戶操作簡單，僅需提供目視判斷信息。人工海岸線通常不受潮汐的影響。對此，用戶只需要大致的標(biāo)記海域和陸地的位置，如圖3(a)所示，陸地被標(biāo)記為目標(biāo)(綠色)，海洋被標(biāo)記為背景(藍(lán)色)。除了藍(lán)色和綠色的標(biāo)記線，圖3(a)還疊加顯示了一些黑色的細(xì)線，它們是初始分割的邊界線。圖3(b)是本文方法提取的海岸線結(jié)果，它具有平滑、連續(xù)的特點。圖3(c)是用戶選取的水體和陸地的樣本，其中黃色表示陸地、藍(lán)色表示海洋。通過與圖3(a)對比，可以看出其規(guī)模大于本文的標(biāo)記。然而，從圖4(d)中可以看出，面向?qū)ο蠓椒ㄎ茨苡行У奶崛∪斯ず０毒€。

3.2潮灘海岸實驗

由于砂質(zhì)和淤泥質(zhì)潮灘海岸受潮位影響較大，提取結(jié)果均為影像獲取時間的瞬時水邊線，須經(jīng)過潮位改正后方能作為海岸線。潮位校正一般根據(jù)衛(wèi)星成像時刻的潮位高度、平均大潮高潮位的潮水高度以及海岸坡度等信息計算水邊線至高潮線的水平距離，從而確定海岸線的位置［3］。基于上述分析，用戶有必要在提取瞬時水邊線的同時，結(jié)合實際情況，提取潮灘區(qū)域。這樣做不僅可以為融合多源數(shù)據(jù)的海岸線提取奠定基礎(chǔ)，有利于結(jié)合潮位、DEM等數(shù)據(jù)推算精確的海岸線［2，13］，也有利于海岸帶環(huán)境分析。本算法能夠靈活應(yīng)對上述需求，可以根據(jù)海岸線的實際情況靈活的設(shè)置標(biāo)記。如圖4(a)所示，本文在潮灘區(qū)域額外設(shè)置了橙色標(biāo)記。如圖4(b)所示，本文算法將水陸分界線和潮灘同時提取出來。在潮灘位置，存在的弱邊界、潮溝等并沒有影響本文方法的提取效果，得到的邊界平滑、連續(xù)。并且，本文的方法沒有受到膠州灣內(nèi)部船只、島嶼和跨海大橋的影響。圖4(b)是本文方法提取的海岸線結(jié)果，它具有平滑、連續(xù)的特點。圖4(c)是用戶選取的足量樣本，其中紅色表示潮灘。然而，從圖4(d)中可以看出，面向?qū)ο蠓椒ㄎ茨苡行懦持械母蓴_因素，將跨海大橋識別為陸地，并且潮灘和陸地存在很多的混淆。從表1中可以看出，本文的運算時間顯著低于向?qū)ο蠓治龇ǖ暮臅r。這是因為，本文的方法所利用的特征比較簡潔，算法效率高。面向?qū)ο蠓椒ㄋ褂玫奶卣鞅容^復(fù)雜，分割、訓(xùn)練和分類需要消耗較長的時間。

4結(jié)束語

本文提出一種半自動的面向?qū)ο蟾叻直媛蔬b感影像海岸線提取方法。該方法不僅具有面向圖像分析的優(yōu)點，也能夠直接有效的融合解譯人員的判讀信息，減輕解譯人員的負(fù)擔(dān)。相對于監(jiān)督分類的方法，該方法無需反復(fù)調(diào)整實驗參數(shù)。本文分別對人工海岸和潮灘海岸進(jìn)行實驗，獲得了連續(xù)、平滑的高精度海岸線，表明該方法具有快速、通用性強、精度高的優(yōu)勢。通常，潮灘海岸受潮汐等因素的影響，從遙感圖像上直接提取的并不是真正意義上的海岸線，而是水陸分界線，需要結(jié)合潮汐和地形信息進(jìn)行校正。需要指出，對于潮灘海岸，本文能夠同時提取潮灘和水陸分界線，為后續(xù)的潮汐校正提供基礎(chǔ)。總體而言，本文所提出的半自動方法是一種有價值的高分辨率遙感影像海岸線提取算法。

參考文獻(xiàn):

［1］謝明鴻，張亞飛，付琨．基于種子點增長的SAR圖像海岸線自動提取算法［J］．中國科學(xué)院大學(xué)學(xué)報，2007，24(1):93-98．

［2］張旭凱，張霞，楊邦會．結(jié)合海岸類型和潮位校正的海岸線遙感提取［J］．國土資源遙感，2013，25(4):91-97．

［3］毋亭，侯西勇．國內(nèi)外海岸線變化研究綜述［J］．生態(tài)學(xué)報，2016(4):1-13．

［5］沈琦，汪承義，趙斌．幾何活動輪廓模型用于高分辨率遙感影像海岸線自動提取［J］．復(fù)旦學(xué)報:自然科學(xué)版，2012，51(1):77-82．

［6］張繼領(lǐng)，馮伍法，張艷．基于邊緣引導(dǎo)約束的高分辨率遙感影像海岸線提取［J］．海洋測繪，2015，35(6):58-61．

［7］吳小娟，肖晨超，崔振營．“高分二號”衛(wèi)星數(shù)據(jù)面向?qū)ο蟮暮０毒€提取法［J］．航天返回與遙感，2015(4):84-92．

［8］周良芬，何建農(nóng)．弱交互式水邊線提取新算法［J］．計算機工程與設(shè)計，2013，34(4):1442-1445．

［13］申家雙，翟京生，郭海濤．海岸線提取技術(shù)研究［J］．海洋測繪，2009，29(6):74-77．

作者:王鵬 孫根云 王振杰 單位:中國石油大學(xué)(華東)地球科學(xué)與技術(shù)學(xué)院