胡曉東,駱劍承,夏列鋼,沈占鋒,朱長明,喬 程

1.中國科學(xué)院遙感應(yīng)用研究所,北京100101;2.浙江工業(yè)大學(xué)軟件學(xué)院,浙江杭州310023;3.中國科學(xué)院研究生院,北京100049

圖譜迭代反饋的自適應(yīng)水體信息提取方法

胡曉東1,3,駱劍承1,夏列鋼2,沈占鋒1,朱長明1,喬 程1

1.中國科學(xué)院遙感應(yīng)用研究所,北京100101;2.浙江工業(yè)大學(xué)軟件學(xué)院,浙江杭州310023;3.中國科學(xué)院研究生院,北京100049

提出圖譜迭代反饋模型,結(jié)合空間聚合圖特征和非線性譜映射結(jié)果的優(yōu)點(diǎn),設(shè)計圖譜迭代反饋機(jī)制,并通過自適應(yīng)信息計算方法自動地調(diào)整提取參數(shù),逐步地計算逼近正確的專題區(qū)域邊界。結(jié)合水體提取案例,在分析當(dāng)前較為有效的水體提取方法基礎(chǔ)上,選取ETM影像作為數(shù)據(jù)源,提出圖譜迭代反饋的自適應(yīng)水體信息提取(WERSTP)理論與方法。試驗(yàn)比較表明,該方法能充分結(jié)合基于指數(shù)和基于光譜分類提取方法的優(yōu)勢并成功融入水體空間分布特征,獲得較好的提取效果。

水體信息提取;空間聚合圖;譜特征映射;迭代計算;遙感圖譜信息

1 引 言

利用遙感技術(shù)手段進(jìn)行水體自動提取,在水環(huán)境的定量探測、水資源調(diào)查、洪水監(jiān)測、水利規(guī)劃評估等領(lǐng)域都具有重要的意義;特別是隨著對地觀測技術(shù)的發(fā)展,遙感數(shù)據(jù)的種類和數(shù)量空前豐富,人們對于實(shí)時、準(zhǔn)確的遙感信息產(chǎn)品的需求日益迫切,這就為自動、精確的水體提取方法提出了更高的要求。

綜合當(dāng)前較為有效的水體提取方法,最常用的有指數(shù)分割法[1]、監(jiān)督分類法[2]以及決策樹法[3]等,針對不同的影像特征和應(yīng)用,可以選擇不同的水體提取方法。例如文獻(xiàn)[4]針對 TM影像進(jìn)行了分析,認(rèn)為用影像分類的方法效果最好,但需要較多的人工參與;文獻(xiàn)[5]綜合了指數(shù)和波段疊加的聚類方法,避免了閾值選取的繁瑣,提高了自動化水平;文獻(xiàn)[6]認(rèn)為針對MODIS影像,水體指數(shù)法能夠提取出最準(zhǔn)確的水體信息;文獻(xiàn)[7]通過比較五種不同水體提取指數(shù)模型的原理分析,結(jié)合具體實(shí)例進(jìn)行水體遙感提取,確定了在不同時期和不同用途時可采用最佳的水體提取模型;也有關(guān)于更高級別基于語義的水系提取方法的探討[8];為了實(shí)現(xiàn)水體提取的自動化和精確化,指數(shù)模型法和分類法是效果較好的方法,基于此發(fā)展的“全域-局部”分步迭代方法[9]被證明對于精確提取湖泊等面狀水體十分有效。

綜上,目前的方法存在著光譜與空間分析分離,自動化程度較低等不足。筆者以ETM數(shù)據(jù)為提取對象,提出了圖譜迭代反饋的自適應(yīng)水體提取方法(WERSTP),并將其與自動化程度較高的閾值分割方法和準(zhǔn)確度較高的監(jiān)督分類方法做了試驗(yàn)比較與分析,證明了該方法不僅充分結(jié)合了空間圖和波段譜的特征,提高了提取精度,而且能自適應(yīng)地調(diào)整模糊閾值,最優(yōu)地確定提取結(jié)果,達(dá)到了自動運(yùn)算的要求。

2 方法原理

2.1 圖譜迭代反饋模型

WERSTP方法的核心部分是圖譜迭代反饋模型。所謂圖譜迭代反饋,是指針對專題信息提取任務(wù),以一定的知識(地物指數(shù)或波譜相似指數(shù))作為初始輸入,通過空間聚合與分割以及非線性特征映射方法分別形成最初的空間聚合圖和譜特征映射層;接著進(jìn)行圖和譜的反饋運(yùn)算,獲得新的圖,并進(jìn)一步生成新的譜;然后根據(jù)新的圖和譜進(jìn)行迭代計算,直至迭代終止而獲得最優(yōu)的提取結(jié)果(圖1)。圖譜迭代反饋模型是個自動演算的智能機(jī)器,它充分利用了遙感圖譜信息,具有自適應(yīng)信息計算機(jī)制,表現(xiàn)在它能根據(jù)輸入的數(shù)據(jù)以及每一步的計算結(jié)果來適時地調(diào)整計算參數(shù),并能準(zhǔn)確地預(yù)知、排除、修正計算過程中產(chǎn)生的錯誤。

圖1 圖譜迭代反饋的自適應(yīng)水體提取方法流程圖Fig.1 The flow chart of WERSTP

由于作為初始輸入的指數(shù)及波譜種類豐富[10]且大多已十分成熟,因此圖譜迭代反饋模型是一個具有普適性的通用信息提取方法。為了深入、完整地介紹該模型,將結(jié)合基于NDWI的水體信息提取來具體闡述,同時進(jìn)一步介紹WERSTP方法的技術(shù)實(shí)現(xiàn)思路。

2.2 WERSTP方法

在陸地表層系統(tǒng)中的水體主要表現(xiàn)為湖泊、河流和冰雪等形態(tài)。一方面由于水體和陸地對太陽輻射的反射特性不同,其光譜差異比較明顯,并且水體內(nèi)部在空間上表現(xiàn)為很強(qiáng)的連續(xù)性和均勻性,使圖譜結(jié)合的提取思路成為可能;另一方面由于水中雜質(zhì)及漂浮物和水陸交錯地區(qū)等影響而產(chǎn)生了混合像元,使水體與某些地物以及陰影等特殊地物產(chǎn)生了混提或誤提等現(xiàn)象。筆者綜合考慮了以上的水體空間分布及光譜表現(xiàn)特征,基于圖譜迭代反饋理論模型,提出了WERSTP方法,其總體步驟如下(見圖1):

(1)聚合圖特征模型的生成。首先對 ETM多波段影像進(jìn)行水體指數(shù)計算,生成水體指數(shù)圖層(index layer,IL);接著對IL進(jìn)行空間聚合,生成空間聚合圖(spatial clustered layer,SCL),其中通過復(fù)雜度計算來確定聚合的尺度;在此基礎(chǔ)上通過聚合塊特征統(tǒng)計形成聚合圖特征模型(spatial clustered feature model,SCFM)。如圖2所示,(a)為 ETM的4、3、2波段假彩色原圖, (b)為對(a)進(jìn)行 NDWI指數(shù)計算的結(jié)果 IL, (c)為對(b)進(jìn)行空間聚合得到的SCL。

(2)初始類別劃分及非線性譜特征映射。對SCL進(jìn)行初始的閾值分割,形成包含專題、非專題、中間類型三種類型以及背景的空間聚合分割圖 (spatialclustered and segmented layer, SCSL);然后對原ETM影像進(jìn)行分類,本文稱之為非線性譜特征映射,得到譜特征映射層(spectral mapping layer,SML)。

(3)圖譜迭代反饋運(yùn)算。耦合 SCFM和SML進(jìn)行圖譜反饋運(yùn)算,將SML中新增的類型反映射到SCFM的相應(yīng)單元中,并通過自適應(yīng)模糊閾值的判斷,確定專題和非專題類型新增的分割塊,將其應(yīng)用到下一次迭代映射中。

(4)最優(yōu)迭代結(jié)果確定。根據(jù)上一步驟中新增分割塊的數(shù)量,并結(jié)合當(dāng)前已經(jīng)提取的專題與非專題的指數(shù)值分布情況,判斷迭代計算是否終止,同時確定最優(yōu)的迭代結(jié)果。

(5)后處理及水體專題生成。根據(jù)當(dāng)前的SCSL和SML形成柵格專題層;然后進(jìn)行去除小斑塊、對象化等后處理,獲得最終的水體專題圖。

以上步驟中,(1)和(2)分別獲得了“圖”和“譜”的信息,(3)和(4)是WERSTP方法的核心, (5)是優(yōu)化和后處理過程。

3 具體算法實(shí)現(xiàn)

根據(jù)圖譜耦合的思想,在自主研發(fā)的遙感信息計算平臺(SINCE)支持下,針對陸地衛(wèi)星遙感數(shù)據(jù)的特點(diǎn),用Visual C++開發(fā)完成了WERSTP方法原型系統(tǒng)模塊,方法中各步驟具體算法實(shí)現(xiàn)如下。

3.1 聚合圖特征模型的生成

SCFM的生成需要經(jīng)過指數(shù)計算、影像聚合(分割)和特征統(tǒng)計三個步驟。筆者采用歸一化水體指數(shù) (normalizeddifferencewaterindex, NDWI)[11]計算模型對 TM/ETM多波段影像進(jìn)行計算生成IL,其計算公式如下。其中,GREEN表示綠波段;NIR表示近紅外波段。計算結(jié)果為[0, 255]像素區(qū)間的柵格圖層。

對IL的空間聚合(分割)采用MeanShift多尺度分割算法[12],生成SCL,其中由于影像的復(fù)雜度不同,需要在分割時進(jìn)行復(fù)雜度計算以確定分割的尺度。尺度選擇的問題較為復(fù)雜,不作深入討論,采用文獻(xiàn)[13]的尺度選擇方法,轉(zhuǎn)換公式如下。其中S為局部均方根,Scale表示尺度,起始尺度為50。

空間聚合完成后,統(tǒng)計SCL上每個聚合塊的面積、均值等特征以及聚合塊之間的鄰接關(guān)系,形成SCFM。統(tǒng)計過程中通過快速連通域算法[14]生成標(biāo)號圖層,其標(biāo)號值將在SCFM中唯一地標(biāo)識一個聚合塊,以“標(biāo)號-特征”的形式組織,用“hash_map”的結(jié)構(gòu)實(shí)現(xiàn)映射,完成空間聚合塊與特征的對應(yīng)。

3.2 初始類別劃分及非線性譜特征映射

3.2.1 初始類別劃分

初始類別劃分是通過粗略的閾值分割將上一步生成的空間聚合圖劃分為三種類型的聚合塊:專題、非專題和中間類型。其余的聚合塊則作為背景,形成SCSL。其中,用于劃分類別的閾值基于IL層計算獲得,以下分別為三個類別的劃定方法:

(1)分別取[0,31]和[203,255]的區(qū)間作為水體和非水體的類別劃分區(qū)間,因?yàn)閷τ贜DWI指數(shù)來說,可認(rèn)為這兩個區(qū)間分別是水體和非水體的可靠界定區(qū)域。

(2)取經(jīng)驗(yàn)值105作為區(qū)分水體和非水體的初始分割值,再用直方圖分割的方法確定當(dāng)前圖像的分割值,并取該值的±15的區(qū)域作為中間類型的界定區(qū)域,因?yàn)榇藚^(qū)域是水體和非水體的過度區(qū)域,不能馬上判斷其類別,因此作為中間類型。

(3)其余的區(qū)間作為背景。

通過以上劃分,就將SCL轉(zhuǎn)換成了SCSL,該圖層中包含了三個類別以及背景,可作為類別判定的標(biāo)準(zhǔn)。

值得注意的是,此處設(shè)置中間類型是為了后續(xù)的非線性譜特征映射而考慮,由于SCSL中的非水體類只是包含了最不像水體的那些地物,而并不包含所有類型的地物,因此類型不全,譜特征映射時有可能將許多水體映射為非水體而造成誤分;設(shè)置后則將此類像素暫時劃分為中間類型,在后續(xù)逐漸精細(xì)化的迭代過程中逐步確定最終類型,提高了提取精度。

3.2.2 非線性譜特征映射

非線性譜特征映射的原理是采用SVM分類器[15]對原ETM影像進(jìn)行分類,包括樣本的選取和SVM分類兩個步驟,參與分類的波段為ETM的1、2、3、4、5、7波段。其中為了保證分類的準(zhǔn)確性,樣本的選取需要遵循一定的概率分布,由SML確定樣本的類別,由IL確定樣本分布,具體的概率樣本選擇算法如下:

(1)計算IL的直方圖,根據(jù)影像的大小和各個類別的總像素個數(shù)(根據(jù)SML統(tǒng)計)確定各類所需的樣本點(diǎn)個數(shù)。

式中,S Nimage表示由影像大小確定的樣本個數(shù); MA X和M IN分別表示取最大值和最小值;M和N分別表示影像的寬和高;S Nclass和 Nclass分別表示由類別像素總個數(shù)確定的樣本個數(shù)和類別像素總個數(shù);S N表示最終確定的該類別樣本個數(shù)。

(2)隨機(jī)選擇一個像素點(diǎn),對照SML確定樣本類別。

(3)若該像素點(diǎn)為背景,則返回(2),取該像素的指數(shù)值,若該指數(shù)值對應(yīng)的樣本已經(jīng)滿足所需樣本個數(shù),則返回(2),指數(shù)值對應(yīng)的所需樣本個數(shù)公式如下

式中,S Nvalue表示指數(shù)值value對應(yīng)的所需樣本個數(shù);Histovalue表示直方圖中value值對應(yīng)的像素個數(shù);S Nclass表示該類別的像素總個數(shù);S N表示該類別的所需樣本總數(shù)。

(4)三個類別都達(dá)到所需樣本總數(shù) S N要求,則算法結(jié)束;

(5)(2)～(4)的循環(huán)次數(shù)超過循環(huán)上限(算法中設(shè)為100 000次),則結(jié)束算法。

用按照以上算法選擇的樣本,從原ETM影像中選取各個波段的像素值,組成多維向量樣本輸入;通過SVM的多類別分類模式進(jìn)行樣本訓(xùn)練、分類,生成由三個類別組成的SML。

3.3 圖譜迭代反饋運(yùn)算

由以上兩步,分別得到了SCSL和SML,前者與SCFM結(jié)合具有空間上的特征,可以反映出水體在空間上的連續(xù)、鄰接等關(guān)系;后者結(jié)合了高維波段屬性而具有光譜上的特征,能反映水體區(qū)別于其他地物類型的屬性。由于不包含空間關(guān)系的光譜映射,SML中出現(xiàn)了SCSL中沒有的新專題和非專題類別像素,據(jù)此,以下通過圖譜迭代反饋算法,在SCSL中找出新的水體聚合塊。

(1)找出SCSL中分別與專題和非專題相鄰的中間類型和背景聚合塊;根據(jù)SML計算它們的專題和非專題的像素含量(像素個數(shù)百分比)。

(2)若聚合塊中專題像素含量大于 T%,并且指數(shù)均值大于2.2小節(jié)中的初始分割閾值,則將該聚合塊劃分為專題類型。

(3)若聚合塊中非專題像素含量大于 N T%,則將該聚合塊劃分為非專題類型。

(4)對于每個找到的聚合塊進(jìn)行(2)、(3)的處理,其中,T%和N T%由以下公式確定

式中,TIL%和 N TIL%分別表示IL圖層中經(jīng)過初始分割后的專題和非專題百分比,閾值為2.2小節(jié)中獲得的分割閾值;FT和 FNT分別表示模糊因子,可根據(jù)提取的精度要求選擇,取值范圍分別為[0,1/TIL%]和[0,1/N TIL%]。

以上算法確定了新增專題和非專題聚合塊后的新SCSL,即可被用于下一次迭代過程非線性譜特征映射中的樣本類別確定。

3.4 最優(yōu)迭代結(jié)果確定及后處理

本文通過統(tǒng)計在圖譜迭代反饋運(yùn)算中增加的專題聚合塊個數(shù)來確定當(dāng)前是否已經(jīng)達(dá)到最優(yōu)的迭代結(jié)果。一般來說迭代到最后,新增聚合塊數(shù)將會趨于或達(dá)到0,規(guī)定新增聚合塊數(shù)小于3時迭代終止。

判斷迭代結(jié)束后,得到了當(dāng)前的 SCSL和SML。首先將SCSL的中間類型和背景賦為非專題類;再將其與最優(yōu)迭代結(jié)果SML進(jìn)行疊加運(yùn)算,將SML為水體的所有像素賦予SCSL,獲得水體專題;然后采用區(qū)域生長法進(jìn)行小板塊去除,并進(jìn)行對象化后,生成水體專題圖。

以上為圖譜迭代反饋的自適應(yīng)水體提取方法的全部過程。該方法的特點(diǎn)在于:

(1)有機(jī)結(jié)合了圖的聚合、相鄰等空間特征和高維波段映射的譜分析,優(yōu)勢互補(bǔ),使提取結(jié)果更加符合實(shí)際,也更精確,并為實(shí)現(xiàn)自適應(yīng)的計算機(jī)制提供了可能。

(2)體現(xiàn)了自適應(yīng)思想,例如通過復(fù)雜度計算自動選擇分割尺度、根據(jù)直方圖確定最初的分割閾值、通過IL指導(dǎo)樣本的概率、根據(jù)IL確定圖譜迭代反饋運(yùn)算中的像素含量模糊閾值等,為實(shí)現(xiàn)達(dá)到自動化水平提供了可能。

(3)通過迭代機(jī)制,從初始分割圖開始,逐步地確定專題信息和剔除非專題信息,每一次迭代都累積上一次的迭代結(jié)果信息,形成了一個自適應(yīng)的逐步求精過程。

4 試驗(yàn)與分析

本文的試驗(yàn)選擇了利用ETM影像進(jìn)行渤海灣區(qū)域沿海水體提取[16-17]。海岸帶是我國利用程度最高的國土資源部分,但也是海洋災(zāi)害頻發(fā)和生態(tài)極其脆弱的區(qū)域,當(dāng)前海岸帶在自然和人工作用下,變化劇烈,海岸信息急需更新,需要快速、及時、同步地獲取海岸帶資源環(huán)境信息,為開發(fā)利用和環(huán)境保護(hù)提供依據(jù)。本文旨在通過遙感技術(shù)手段實(shí)現(xiàn)水體自動化、精確化提取,為進(jìn)一步岸線監(jiān)測、水陸變化檢測等的時效性應(yīng)用提供方法支持。

首先選取了圖2所示的影像區(qū)域(2007-09-21的ETM影像,大連郊區(qū)的濱海養(yǎng)殖場),在SINCE平臺中完成了WERSTP方法的集成,并同時集成了閾值分割和監(jiān)督分類的水體提取方法,用于方法間的比較。試驗(yàn)效果如圖3所示,(a)為初始閾值分割后的SCSL,表征了最純的水體和非水體。(b)和(c)分別是迭代一次和兩次后的SCSL,同樣地, (d)、(e)、(f)分別是迭代一次、兩次和三次后的SML,圖中的水體和非水體區(qū)域隨著迭代的進(jìn)行而漸漸地變得清晰,直至迭代結(jié)束,獲得(g)圖。(h)和(i)則分別是經(jīng)過小斑塊去除和矢量化后的水體專題圖。通過(g)與(j)和(k)的比較,可以看出, (g)圖中岸線更為精確,將簡單的指數(shù)閾值分割無法區(qū)分的淺灘部分也已提取出來,并且也準(zhǔn)確地剔除了養(yǎng)殖區(qū)間的泥地,這為進(jìn)一步的養(yǎng)殖區(qū)提取和岸線提取提供了很好的基礎(chǔ)信息。

進(jìn)一步的試驗(yàn)采用了渤海灣天津、河北一帶的海岸影像(2009-08-30的 ETM影像),用人工選樣本的方式對提取精度進(jìn)行測試和比較。測試樣本是通過目視過程從影像上選取的,包含了海水、養(yǎng)殖區(qū)、池塘等水體,平坦陸地、丘陵、植被等非水體,沙灘、灘涂等水陸交錯區(qū),充分考慮了影像中的各種地貌類型,包含了1 078個水體樣本, 933個非水體樣本。從表1中可以看出,WERSTP方法在水體的提取精度上有了很大的提高,不過還是存在非水體誤提為水體的現(xiàn)象,從樣本數(shù)據(jù)里分析,這些誤分的樣本絕大多數(shù)出現(xiàn)在水陸交錯區(qū),由于光譜的復(fù)雜性和相似性,并且空間上也滿足了與水體臨近的條件,因此產(chǎn)生了誤提的現(xiàn)象。從總體精度和 Kappa系數(shù)的比較上來看,WERSTP方法的提取精度提升明顯,較之其他方法具有明顯的優(yōu)勢。

表1 三種水體提取方法的精度對比Tab.1 The accuracy comparison of three water extraction methods

此外,除了TM/ETM等中分辨率影像外,本文還針對QiuckBird、SPOT、IKONOS等高分辨率影像進(jìn)行了試驗(yàn),其前提條件是影像擁有4個以上的波段,并且包含計算歸一化水體指數(shù)所需的近紅外和綠波段,同樣取得了較好的自動提取效果。如圖 4所示為采用 WERSTP方法對IKONOS影像的提取效果,影像區(qū)域?yàn)楹Ｄ鲜『？谑协偵窖睾Ｒ挥纭?/p>

最后從計算效能上分析,由于WERSTP方法需要完成資源消耗量較大的多尺度空間聚合算法,并進(jìn)行多次迭代計算,相較于其他方法需要更多的計算資源,包括運(yùn)算和臨時存儲等,如圖2所示的寬641像素、高617像素圖像,經(jīng)過5次迭代計算,共耗時2分42秒。這也是后續(xù)研究中需要解決的問題。

5 結(jié)論與展望

本文提出了圖譜迭代反饋的自適應(yīng)水體提取方法,充分結(jié)合了“圖”的空間特征和“譜”的高維分析優(yōu)勢,并成功融入了自適應(yīng)思想及其迭代運(yùn)算機(jī)制,實(shí)現(xiàn)了水體提取的自動化和精確化。試驗(yàn)表明,該方法具有較好的水體提取效果,并可為基于水體提取的資源評估、環(huán)境監(jiān)測等應(yīng)用提供很好的方法和技術(shù)支持。

計算效率是需要進(jìn)一步考慮的問題。多尺度分割算法方面,擬采用分塊的策略,充分利用多核資源,先進(jìn)行粗略劃分,再將各個圖像塊分布于各個計算內(nèi)核進(jìn)行運(yùn)算;樣本選擇方面,將設(shè)計并實(shí)現(xiàn)優(yōu)質(zhì)樣本保存機(jī)制,避免重復(fù)選擇樣本,節(jié)省計算時間;圖譜迭代反饋運(yùn)算算法方面,設(shè)計更優(yōu)化的標(biāo)號映射機(jī)制,以方便更快地發(fā)現(xiàn)空間臨近聚合塊;實(shí)現(xiàn)技術(shù)方面,將采用微軟的并行模式庫(parallel pattern library,PPL)[18]實(shí)現(xiàn)算法的并行化,以充分利用日益先進(jìn)的多核計算資源。

圖2 NDWI指數(shù)圖層及其空間聚合圖示意Fig.2 The NDWI IL and its SCL

圖3 WERSTP方法試驗(yàn)結(jié)果及比較Fig.3 The experimental result of WERSTP method and comparison to other methods

圖4 IKONOS影像提取結(jié)果Fig.4 The extraction result of IKONOS image

[1] XU Hanqiu.A Study on Information Extraction of Water Body with the Modified Normalized Difference Water Index (MNDWI)[J].Journal of Remote Sensing,2005,9(5): 589-595.(徐涵秋.利用改進(jìn)的歸一化差異水體指數(shù)(MNDWI)提取水體信息的研究[J].遙感學(xué)報,2005,9 (5):589-595.)

[2] J IA Keli,CHANG Qingrui.Extracting Water Body Information Using Principal Components Analysis[J].Journal of Huaiyin Teachers College:Natural Science Edition,2006 5(3):242-245.(賈科利,常慶瑞.利用主成分分析法提取水體信息[J].淮陰師范學(xué)院學(xué)報:自然科學(xué)版,2006, 5(3):242-245.)

[3] CAO Kai,J IAN G Nan.The Study of Automatically Extracting WaterInformation in City Zone Based on SPOT5 Image[C]∥Proceedings of IEEE International Geoscience and Remote Sensing Symposium,IGARSS’02.Denver:IEEE,2006:1481-1484.

[4] YU Huan,ZHANG Shuqing,LI Xiaofeng,et al.Inland Limnetic WetlandsWater Body ExtractionUsing TM Imagery[J].Remote Sensing Technology and Application, 2008,23(3):310-315.(于歡,張樹清,李曉峰,等.基于TM影像的典型內(nèi)陸淡水濕地水體提取研究[J].遙感技術(shù)與應(yīng)用,2008,23(3):310-315.)

[5] XI Xiaoyan,SHEN Nan,LI Xiaojuan.Research of Automatic Extraction of Water Bodies on ETM+ Images[J]. Computer Engineering and Design,2009,30(4):993-996. (席曉燕,沈楠,李小娟.ETM+影像水體提取方法研究[J].計算機(jī)工程與設(shè)計,2009,30(4):993-996.)

[6] YI Shanzhen,WANG Zhihui.Application of Different Methods in Water Extraction by Remote Sensing Data[J]. Infrared,2007,28(4):1-4.(易善楨,王志輝.不同方法在水體遙感提取中的應(yīng)用實(shí)現(xiàn)[J].紅外,2007,28(4):1-4.)

[7] WANG Zhihui,YI Shanzhen.Comparison and Research on the Different Index Models Used in Water Extraction by Remote Sensing[J].Science Technology and Engineering, 2007,7(4):534-537.(王志輝,易善楨.不同指數(shù)模型法在水體遙感提取中的比較研究[J].科學(xué)技術(shù)與工程, 2007,7(4):534-537.)

[8] LI Lin,ZHU Haihong,WANG Hong,et al.Semantic Analyses ofthe FundamentalGeographic Information Based on Formal Ontology:Exemplifying Hydrological Category[J].Acta Geodaetica et Cartographica Sinica, 2008,37(2):230-242.(李霖,朱海紅,王紅,等.基于形式本體的基礎(chǔ)地理信息語義分析:以陸地水系要素類為例[J].測繪學(xué)報,2008,37(2):230-242.)

[9] LUO Jiancheng,SHENG Yongwei,SHEN Zhanfeng,et al.Automatic and High-precise Extraction forWater Information from Multispectral Images with the Step-bystep Iterative Transformation Mechanism[J].Journal of Remote Sensing,2009,13(4):604-615.

[10] WANG Jindi,ZHANG Lixin,LIU Qinhuo,et al.The Spectrum Knowledge Base for Typical Objects in China [M].Beijing:Science Press,2009.(王錦地,張立新,柳欽火,等.中國典型地物波譜知識庫[M].北京:科學(xué)出版社,2009.)

[11] GAO B C.NDWI:A Normalized Difference Water Index for Remote Sensing of Vegetation Liquid Water from Space[J]. Remote Sensing of Environment,1996,58:257-266.

[12] SHEN Zhanfeng,LUO Jiancheng,HU Xiaodong,et al. A Mean Shift Multi-scale Segmentation for High-resolution Remote Sensing Images[J].Geomatics and Information Science of Wuhan University,2010,35(3):313-316. (沈占鋒,駱劍承,胡曉東,等.高分辨率遙感多尺度均值漂移分割算法研究[J].武漢大學(xué)學(xué)報:信息科學(xué)版, 2010,35(3).313-316.)

[13] MING Dongping,WANG Qun,YANG Jianyu.Spatial Scale of Remote Sensing Image and Selection of Optimal Spatial Resolution[J].Journal of Remote Sensing,2008, 12(4):529-537.(明冬萍,王群,楊建宇.遙感影像空間尺度特性與最佳空間分辨率選擇[J].遙感學(xué)報,2008, 12(4):529-537.)

[14] KONGBin.A Fast Connected Component Analysis Algorithm and Its Implementation[J].PR&AI,2003,16 (1):110-115.(孔斌.快速連通域分析算法及其實(shí)現(xiàn)[J].模式識別與人工智能,2003,16(1):110-115.)

[15] LUO Jiancheng,MING Dongping,SHEN Zhanfeng,et al. Multi-scale Information Extraction from High Resolution Remote Sensing Imagery and Region Partition Methods Based on GMRF-SVM[J].International Journal of Remote Sensing,2007,28(15):3395-3412.

[16] LIU H,J EZEK K C.Automated Extraction of Coastline from Satellite Imagery by Integrating Canny Edge Detection and Locally Adaptive Thresholding Methods [J].International Journal of Remote Sensing,2004,25 (5):937-958.

[17] PAUL S F,KENNETH J P.Water Body Detection and Delineation with Landsat TM Data[J].Photogrammetric Engineering&Remote Sensing,2000,66(12):1461-1467.

[18] Microsoft Visual Studio 2010.Parallel Patterns Library (PPL)[EB/OL].[2010-07-20]http:∥msdn.microsoft. com/en-us/library/dd492418.aspx.

Adaptive Water Body Information Extraction Using RS TUPU Computing Model

HU Xiaodong1,3,LUO Jiancheng1,XIA Liegang2,SHEN Zhanfeng1,ZHU Changming1,QIAO Cheng1
1.Institute of Remote Sensing Applications,Chinese Academy of Sciences,Beijing 100101,China;2.Software College,Zhejiang University of Technology,Hangzhou 310023,China;3.Graduated University,Chinese Academy of Sciences,Beijing 100049,China

A RS TUPU computing mechanism is designed,considering the advantages of the features of spatial clustered layer and non-linear spectral mapping layer,which aims to approach the accurate regional boundary of thematic area step by step.Meanwhile,extraction parameters in the process are adjusted automatically by adaptive information computing method.Subsequently,the RS TUPU computing model is proposed,which will be applied in water body extraction.The existing valid methods for water body extraction are analyzed first.On this basis,an adaptive water body extraction method using RS TUPU computing model(WERSTP)is proposed,where ETM image is selected as experimental data source.WERSTP combines with the advantages of methods based on index computing and spectral classification,and the experimental results show that this method obtains an effective extraction result to make it achieve the level of accuracy and automation in water body information extraction.

water body information extraction;spatial clustered structure;spectral feature mapping;iterative computing;RS TUPU information

HU Xiaodong(1982—),male,PhD candidate,majors in remote sensing information extraction and its adaptive computing methods.

1001-1595(2011)05-0544-07

TP751

A

國家自然科學(xué)基金(40871203;40971228);國家863計劃(2009AA12Z148);水體污染控制與治理科技重大專項(xiàng)(2009ZX07318-001)

(責(zé)任編輯:雷秀麗)

2010-08-25

2010-11-19

胡曉東(1982—),男,博士生,主要研究方向?yàn)檫b感信息提取及其自適應(yīng)計算。

E-mail:mydonne@gmail.com