唐立軍++楊立君++王得玉++李文梅

摘 要：文章針對遙感方法提取弱水邊線不連續(xù)問題，結(jié)合Canny算子邊界定位的準(zhǔn)確性與支持向量機(jī)二元分類的優(yōu)越性，提出了基于面向?qū)ο蠹夹g(shù)的水邊線快速提取方法。采用Canny算子對遙感影像進(jìn)行影像分割，支持向量機(jī)結(jié)合紋理、幾何等空間信息方法對分割單元進(jìn)行水體與非水體信息二元分類。根據(jù)熱紅外波段水體非水體光譜特征，使用交互式數(shù)據(jù)語言編程基于網(wǎng)格法自動(dòng)選擇水體與非水體樣本，快速完成水邊線矢量信息提取。實(shí)驗(yàn)結(jié)果表明：該方法提取水邊線快速、高效，在弱水邊線處水邊線在定位精度、連續(xù)性方面與其他方法相比表現(xiàn)出較大優(yōu)勢，研究結(jié)果對海岸線調(diào)查、潮灘地形遙感反演具有重要的參考價(jià)值。

關(guān)鍵詞：水邊線提取；面向?qū)ο螅痪W(wǎng)格；Canny；支持向量機(jī)

中圖分類號(hào)：P237 文獻(xiàn)標(biāo)志碼：A 文章編號(hào)：2095-2945（2017）27-0001-04

1 概述

水邊線是水陸交界線，是遙感影像上重要的特征線。水邊線信息提取對于后續(xù)的海岸線提取、潮灘地形建模、影像定位、岸線變遷等研究具有重要的意義。如何從遙感影像上快速準(zhǔn)確地提取水邊線，一直是國內(nèi)外學(xué)者研究的熱點(diǎn)。JooHyung Ryu等人在韓國Gomso灣潮間帶利用TM數(shù)據(jù)閾值分割法進(jìn)行水邊線提取[1]，并探討了不同TM波段在提取水邊線時(shí)的有效性，具有實(shí)現(xiàn)簡單，處理速度快的優(yōu)點(diǎn)，但當(dāng)水陸分界線兩側(cè)的影像特征不明顯時(shí)效果較差；AndreasNiedermeier等人研究了基于小波邊緣檢測的SAR圖像水邊線提取[2]，這種方法獲得的水邊線位置較為準(zhǔn)確，但受噪聲影響大，致使提取的水邊線出現(xiàn)中斷現(xiàn)象，難以得到完整的水邊線；沈琦等用主動(dòng)輪廓模型對SPOT5影像進(jìn)行邊緣提取[3]，適合于對簡單圖像的分割，但穩(wěn)定性差、對初始輪廓線的位置要求比較高；申家雙等提出了基于Canny算子和GAC模型相結(jié)合的影像水邊線提取方法[4-5]，適合于強(qiáng)水邊線，自動(dòng)化程度較高，但對水邊線嚴(yán)重凹陷及弱水邊線效果較差。朱小鴿應(yīng)用多時(shí)相Landsat衛(wèi)星遙感圖像，采用神經(jīng)網(wǎng)絡(luò)分類方法監(jiān)測海岸線的變化并計(jì)算增長的陸地面積[6]，該方法對坡度平緩的淤泥質(zhì)潮灘水陸分離效果不佳。

由于遙感影像弱邊緣水邊線處的灰度和色度變化甚微，采用上述方法提取的效果往往都不理想，無法滿足后續(xù)研究和自動(dòng)測圖的需求。為此，本文將Canny邊緣檢測、支持向量機(jī)及面向?qū)ο蟮燃夹g(shù)優(yōu)勢相結(jié)合，提出了一種基于面向?qū)ο蠹夹g(shù)的水邊線快速提取方法，并進(jìn)行了實(shí)驗(yàn)驗(yàn)證，得到了較滿意的效果。

2 數(shù)據(jù)與方法

2.1 研究區(qū)與數(shù)據(jù)

選取海岸帶背景復(fù)雜的上海崇明東灘為研究區(qū)。上海崇明東灘屬于淤泥質(zhì)潮灘，灘面寬闊、坡度平緩，水邊線破碎不易精確提取，常作為弱水邊線提取的研究對象。以預(yù)處理后的Landsat5 TM影像為影像數(shù)據(jù)源，遙感影像成像時(shí)間為2007年4月7日，成像時(shí)刻風(fēng)力2-3級、天氣晴朗，屬于落潮低潮期影像。

2.2 研究方法

面向?qū)ο蠓诸惸軌虺浞掷玫匚锏墓庾V、紋理、形狀大小及上下文等空間信息，提取“同質(zhì)”多邊形對象，分類精度高[7]。本文針對水邊線提取應(yīng)用對面向?qū)ο蠹夹g(shù)中的影像密度分割、影像分類及樣本的自動(dòng)選擇等技術(shù)環(huán)節(jié)展開研究。

（1）基于空間分析的影像分割

影像分割是將整個(gè)影像區(qū)域根據(jù)相應(yīng)原則，分割成若干互不交疊的非空內(nèi)部是聯(lián)通的子區(qū)域的過程，是面向?qū)ο蠹夹g(shù)的關(guān)鍵。影像的邊緣一般是圖像中像素灰度有階躍變化或者屋頂狀變化的像素集合，影像邊緣能夠勾畫出地物的外觀輪廓特征，對于地物信息提取有重要意義。Canny算子在二維情況下能夠計(jì)算邊緣梯度和強(qiáng)度兩方面的信息，具有良好的抗噪性和邊緣定位能力[8-9]?？臻g自相關(guān)分析可以統(tǒng)計(jì)一個(gè)區(qū)域地物信息分布的同一屬性信息，在空間上的相互關(guān)系，能夠描述地物在空間域中一個(gè)位置上的變量與其鄰近位置上同一變量的相關(guān)性。因此通過對影像做空間自相關(guān)性分析有利于地物相關(guān)信息的聚類，能夠在一定程度上提高地物的邊緣信息。本文選擇Geyry's C指數(shù)對影像做局部統(tǒng)計(jì)空間自相性分析，該指數(shù)能夠很好的探測出聚集區(qū)域的邊界，其定義公式為：

對于遙感影像進(jìn)行Geyry's C指數(shù)計(jì)算后，基于Canny算子對局部統(tǒng)計(jì)結(jié)果再進(jìn)行邊緣檢測。

（2）基于格網(wǎng)的樣本自動(dòng)選擇

樣本自動(dòng)選擇是遙感技術(shù)自動(dòng)提取水邊線的關(guān)鍵步驟。在弱水邊線處灘面常駐留大量水體，海水里面泥沙含量大，水陸光譜特征不明顯，水陸區(qū)分困難。然而水體與非水體在溫度上卻有明顯的差別，特別是炎熱的夏季差異更加顯著。熱紅外波段可以探測物體溫度的差別，依據(jù)熱紅外波段可以進(jìn)行水陸初步分離。在水體和陸地的分布區(qū)范圍內(nèi)可隨機(jī)選取純凈水體和純凈陸地作為分類樣本。為避免樣本分布過于集中，在整個(gè)研究區(qū)內(nèi)可設(shè)置網(wǎng)格，在網(wǎng)格中均勻選取水體與陸地樣本。計(jì)算Landsat5 TM影像各波段直方圖（如圖1所示），從中可以看出熱紅外波段（TM-6）具有明顯的雙波峰性質(zhì)，將TM-6波段作為基礎(chǔ)數(shù)據(jù)自動(dòng)選擇樣本具有可行性。

（3）基于多元信息的支持向量機(jī)影像分類

支持向量機(jī)（SVM）是由Vapnik等針對2類線性可分情況尋找最優(yōu)分類面的問題提出的[10]。主要思想是建立一個(gè)超平面作為決策曲面，使得正例和反例之間的隔離邊緣被最大化。而對線性不可分的問題，則可通過核函數(shù)將低維輸入空間的數(shù)據(jù)映射到高維空間，以便將原低維空間的線性不可分問題轉(zhuǎn)化為高維空間上的線性可分問題[11-12]。

設(shè)訓(xùn)練樣本定義為K維向量xi，對應(yīng)的目標(biāo)值為yi，則

式中：k為訓(xùn)練樣本數(shù)；RN為輸入訓(xùn)練樣本x的特征空間。xk∈RN，（k=1，…，l），被非線性地映射到某一特征空間，得到（？準(zhǔn)（x1），…，？準(zhǔn)（xl）），則在特征空間的點(diǎn)積形式可以通過Mercer核函數(shù)表示K（xi，xj）=？準(zhǔn)（xi）·？準(zhǔn)（xj） ，用SVM解決低維空間的非線性分類問題，主要考慮的最優(yōu)化問題是使得：endprint

滿足： ， 。式中，zi=？準(zhǔn)（xi）為非線性影射；[（w，zi）+b]i為決策函數(shù)；（w，w）為向量內(nèi)積運(yùn)算；C為預(yù)設(shè)值；？孜i為松弛因子。根據(jù)最優(yōu)化理論和核函數(shù)方法，最后確定決策函數(shù)為：

式中：i為Lagrange乘子；b為偏差。對于給定的x∈RN都可能由f（x）得到y(tǒng)∈RN，從而得到一個(gè)近似的預(yù)測值。支持向量機(jī)對于二元分類具有一定的優(yōu)勢。

水體與非水體兩類地物在光譜信息、紋理信息及幾何形狀上具有明顯差異，在支持向量機(jī)分類中輔助上述信息，對提高分類精度具有重要幫助。本文輔助光譜、紋理、上下文及幾何形狀等多元信息，應(yīng)用支持向量機(jī)方法對分割后的影像進(jìn)行水體與非水體信息分類。

3 結(jié)果與分析

3.1 影像分割

在進(jìn)行空間自相關(guān)分析前，對遙感影像除第六波段外的所有波段進(jìn)行主成分分析。然后，選取第一分量進(jìn)行Geyry's C指數(shù)對影像做局部統(tǒng)計(jì)空間自相性分析。最后，對于分析后的結(jié)果進(jìn)行Canny算子邊界提取及邊界連接，圖2為影像分割結(jié)果。通過局部放大可以看出影像分割邊界定位準(zhǔn)確，在水邊線破碎地帶也能較好的進(jìn)行水邊界定位，能夠有效地克服水邊線“破碎”和“淹沒”現(xiàn)象。

3.2 樣本選擇

將TM-6波段作為基礎(chǔ)數(shù)據(jù)，應(yīng)用最大津法確定分割閾值實(shí)現(xiàn)水陸初步分離，圖3為水陸分離結(jié)果。從圖中可以看出該方法能夠有效的將水體與陸地進(jìn)行分離，包括露出海面的小島也能有效提取。由于TM-6波段空間分辨率為120米，因此水陸分離精度較低。以初步水陸分離的遙感影像為基礎(chǔ)構(gòu)建網(wǎng)格，然后計(jì)算每個(gè)格網(wǎng)內(nèi)像元的DN均值及方差，將方差較小且均值較大或較小的網(wǎng)格點(diǎn)，作為水體（亮點(diǎn)）與陸地（暗點(diǎn)）樣本，并去掉距離較近的樣本（保證樣本的均勻分布）。圖4為基于格網(wǎng)的樣本選擇結(jié)果，從圖中可以看出水體陸地樣本點(diǎn)選擇正確，且能均勻分布。基于TM-6的水陸分離確定水邊線精度較差，但對于樣本選擇卻具有有效性。

3.3 影像分類及邊界提取

灰度共生矩陣計(jì)算各波段紋理信息，將紋理信息作為輔助數(shù)據(jù)，各波共同參與對分割影像進(jìn)行支持向量機(jī)分類，圖5為支持向量機(jī)影像分類結(jié)果。從圖中可以看出未分類像元少，水邊線連續(xù)，通過放大可以看出水體邊界定位準(zhǔn)確，破碎地段少，能夠有效區(qū)分弱水邊線處水體與非水體信息。最后應(yīng)用圖像處理軟件（ENVI、ArcGIS等）對分類后影像進(jìn)行矢量邊界提取，提取結(jié)果如圖6所示。

3.4 水邊線質(zhì)量評價(jià)

基于遙感技術(shù)提取的水邊線是具有動(dòng)態(tài)特征的水陸交界線，其位置精度及連續(xù)性很難評價(jià)，目前并沒有統(tǒng)一標(biāo)準(zhǔn)。為驗(yàn)證上述水邊線提取方法的有效性，本文采用比較分析法進(jìn)行質(zhì)量評價(jià)。基本思想是，通過目視解譯矢量化方法提取遙感影像水邊線，并作為標(biāo)準(zhǔn)值（真值）與計(jì)算機(jī)自動(dòng)半自動(dòng)提取的水邊線進(jìn)行對比分析，主要從定位精度、連續(xù)性兩方面進(jìn)行質(zhì)量評價(jià)[13]。水邊線定位精度使用傳統(tǒng)的中誤差計(jì)算方法。主要步驟：（1）在每條水邊線上取間距近似相同的50個(gè)樣本點(diǎn)。（2）量測樣本點(diǎn)到真值水邊線的最小距離。（3）按照公式（4）計(jì)算水邊線定位精度。由于人工方法測定距離具有一定的主觀因素，計(jì)算結(jié)果取3人次結(jié)果的平均值。

式中：m為中誤差，即在30米空間分辨率的情況下水邊線誤差的平均值；L測為不同算法提取水邊線樣本點(diǎn)位，L真為目視解譯樣本點(diǎn)對應(yīng)真實(shí)位置，N為采樣點(diǎn)數(shù)。連續(xù)性通過主觀比較分為優(yōu)、良、中、差四個(gè)等級。當(dāng)前遙感方法提取水邊線主要包括：波段密度分割法、纓帽變換-密度分割法、RGB-HSV轉(zhuǎn)換——密度分割法、譜間關(guān)系法、修正水體指數(shù)法、監(jiān)督分類法、邊緣提取法及紋理分析-密度分割法等方法，圖7展示了部分方法提取的水邊線。應(yīng)用對比分析法對不同方法提取的水邊線進(jìn)行質(zhì)量評價(jià)，其結(jié)果詳見表1所示。從表中可以看出本文提出的水邊線提取方法定位精度最高，連續(xù)性最好?；赥M-5波段的密度分割法定位精度最差，連續(xù)性也最差。

4 結(jié)束語

針對遙感技術(shù)弱水邊線提取困難問題，本文利用水體與非水體在熱紅外波段的光譜差異，結(jié)合CANNY算子邊界定位的準(zhǔn)確性，支持向量機(jī)二分類的優(yōu)越性，基于網(wǎng)格提出了面向?qū)ο蠹夹g(shù)的水邊線快速提取算法。實(shí)驗(yàn)結(jié)果表明：利用TM-6波段水體和非水體的光譜特征，利用格網(wǎng)能夠自動(dòng)獲取水體與非水體樣本，解決了自動(dòng)提取水邊線的關(guān)鍵問題；在對遙感影像局部自相關(guān)統(tǒng)計(jì)分析的基礎(chǔ)上，使用CANNY算子邊緣檢測的影像分割，分割結(jié)果體現(xiàn)出了邊單一CANNY算子邊緣檢測邊界定位能力強(qiáng)，水邊線定位精度高。另外，輔助紋理信息及光譜信息的支持向量機(jī)面向?qū)ο蠓诸惙椒ū葐我坏闹С窒蛄繖C(jī)分類方法分類精度高。研究區(qū)分成水體與非水體兩類，未分類像元少，水邊線連續(xù)性好。在面向?qū)ο蠓诸愔杏跋穹指畛叨扰c合并尺度很重要，如何確定適當(dāng)?shù)姆指畛叨扰c合并尺度還有待進(jìn)一步研究。

參考文獻(xiàn)：

[1]Ryu Joo-Hyung，Won Joong-Sun，Min Kyung-Duck. Water Extraction from Landsat TM Data in aTidal Flat：A Case Study in Gomso Bay，Korea[J]. Remote Sensing of Environment， 2002，83（3）：442-446.

[2]Niedermeier A，Lehner S，Sanden JVD. Monitoring big river estuaries using SAR images[J]. Geoscience and Remote Sensing Symposium， 2001（4）：1756-1758.

[3]沈琦，汪承義，趙斌.幾何活動(dòng)輪廓模型用于高分辨率遙感影像海岸線自動(dòng)提取[J].復(fù)旦學(xué)報(bào)（自然科學(xué)版），2012，51（1）：77-82，104.

[4]申家雙，郭海濤，李海濱，等.基于Canny算子和GAC模型相結(jié)合的影像水邊線提取方法[J].測繪科學(xué)技術(shù)學(xué)報(bào)，2013，21（3）：264-268.

[5]郭海濤，孫磊，申家雙，等.一種四叉樹和測地線活動(dòng)輪廓模型相結(jié)合的海陸影像分割方法[J].測繪學(xué)報(bào)，2016，45（1）：65-72.

[6]朱小鴿.珠江口海岸線變化的遙感監(jiān)測[J].海洋環(huán)境科學(xué)，2002，21（2）：19-24.

[7]王賀，陳勁松，余曉敏.面向?qū)ο蠓诸愄卣鲀?yōu)化選取方法及其應(yīng)用[J].遙感學(xué)報(bào)，2013，3（4）：816-829.

[8]J Canny. A Computational Approach to Edge Detectiong[J]. IEEE Transactions on Pattern Analysis and Machine Intelligence，1986，8（6）：679-698.

[9]黃亮，左小清，馮沖，等.基于Canny算法的面向?qū)ο笥跋穹指頪J].國土資源遙感，2011，4（1）：26-31.

[10]N Vapnic-V. The Nature of Statistical Learning Theory[M]. New York： Springer Verlag，1995.

[11]朱長明，張新，駱劍承，等.基于樣本自動(dòng)選擇與SVM結(jié)合的海岸線遙感自動(dòng)提取[J].國土資源遙感，2013，25（2）：69-75.

[12]張淑雅，趙一鳴，李均利.基于SVM的圖像分類算法與實(shí)現(xiàn)[J].計(jì)算機(jī)工程與應(yīng)用，2007，43（25）：40-44.

[13]楊立君.基于多元遙感信息融合的淤泥質(zhì)潮灘地形反演研究[D].南京：河海大學(xué)，2014.endprint