張文博，張 源

（1.長沙環(huán)境保護職業(yè)技術學院，湖南 長沙 410000； 2.湖南水利水電職業(yè)技術學院，湖南 長沙 410000）

遙感技術是一種現(xiàn)代高新科技，它能夠全面、迅速、多角度、多層次地綜合展示地表信息。通過運用遙感圖像處理方法，能夠提高目標地物的清晰度。利用遙感技術獲取信息具備時間短、數(shù)據(jù)豐富等優(yōu)點。然而，如何在浩如煙海的圖像數(shù)據(jù)中及時、精確地獲取所需信息并進行應用，一直是亟待解決的關鍵問題。當前，通過計算機實現(xiàn)遙感圖像目標的自動化識別，已經成為遙感數(shù)據(jù)處理的重點研究領域。隨著高分辨率衛(wèi)星遙感影響的應用越來越廣泛，為了不斷提高其應用效果，拓展應用范圍，需要在大量遙感影像中采取合適的方法提取其特征。然而，鑒于遙感影像具有復雜和豐富的特點，自動化處理手段需要涉及如計算機視覺、人工智能等眾多領域的內容。

1 遙感影像分割

1.1 單通道遙感影像分割方法

1.RGB 至HSV 色彩空間轉換。遙感圖像數(shù)據(jù)具有多通道的獨特屬性，且各個通道的數(shù)值范圍均在0 到255之間變動。因為單通道的數(shù)據(jù)不能精確地展示地物的邊緣特征，因此需要對假彩色的圖像進行色度空間轉換，然后把變換后的圖片轉成更適應人類視覺感知的灰值圖像。

一是RGB——加色混合色彩模型?；谏碳だ碚摚覀兊难劬锎嬖谌N獨特的錐形視覺細胞，它對于紅、綠、藍三種顏色的感知特別敏銳。只有通過630nm、530nm 以及450nm 三種不同波長的光線刺激，才會感知到光色的存在。以RGB 色彩模型為基礎，人類設計出了計算機彩色顯示器，它可以通過將紅、綠、藍三種基礎顏色按照特定的比例進行疊加和組合，從而創(chuàng)造出各式各樣的顏色[1]。此色彩結構在二維的笛卡爾直角坐標系里以立方體的形式呈現(xiàn)，因此又被叫做加色模型。

二是HSV——用戶直觀的色彩模型。RGB 是指硬件設備使用的模型，這一模型相對抽象且難以理解。HSV的色彩模型采取了一種讓人容易接受的顏色表達技巧，利用色相（H）、飽和度（S）以及亮度值（V），或者是H、S 以及明度（B）這些基礎而直觀的要素，構造出一個和藝術家的色彩運用習性接近的色彩模型。

HSV 在解決數(shù)碼色彩和傳統(tǒng)顏料色彩的溝通問題方面十分有效。

H 參數(shù)描繪出光譜顏色的具體位置，取值介于0～360 之間。這個參數(shù)是通過角度來表示的，紅色、綠色和藍色各自間隔120 度。各自的補色角度差均為180 度。S 代表的是比例，其取值區(qū)間是0 至1，這個數(shù)字用來描述被挑選的顏色的純度占其最高純度的百分比。S 為0 的時候，只剩下灰度。V 代表顏色的明亮程度，其取值區(qū)間為0 至255。它與光的強度并無直接關聯(lián)。

三是改進算法。原有RGB 轉化到HSV 的算法存在諸多不足，對此需要加以優(yōu)化。本文使用了修訂版的RGB轉HSV算法來進行色度空間變換，詳細的算法步驟如下：

在對H，S，V 進行了歸一化操作之后，根據(jù)以下公式來調節(jié)H 部分的色彩分布。

在將RGB 影像轉換成HSV 之后，能夠直接改動H部分的數(shù)據(jù)，從而獲得圖像的邊緣信息。

優(yōu)化后算法的關鍵優(yōu)勢體現(xiàn)在如下幾個方面：（1）在維持原有的彩色空間的基本顏色的同時，H 部分增設了明暗灰度區(qū)域[2]。因此，只需要使用H 分量進行描述便能夠表示出色度信息，同時也能揭示出灰度的信息，這既滿足了影像特性，也能夠簡化圖片計算處理的繁瑣過程。（2）這個修正結果仍舊把H 部分的色彩級別劃分為256 級，圖像的色彩和灰度細節(jié)較為豐富，正好滿足了人類視覺的感知需求。

2.H 通道遙感圖像分割方法。圖像分割的目的是把影像細致地分成多個獨特的部分，同時精確地提取我們所關注的目標。依照圖像處理技術和周圍像素灰度值的差異，可以將圖像分割分為三個主要類別：閾值化算法、基于區(qū)域的分割以及基于邊緣的分割。

在執(zhí)行閾值化算法時，要設定恰當?shù)拈撝怠４碎撝档拇_定依賴于統(tǒng)計直方圖。一般來說，會采取如下幾種閾值選取策略：最大熵閾值法、最小誤差閾值法等?；叶乳撝捣ū徽J為是最根本、最關鍵的圖像分割方法之一。通常，根據(jù)圖像的一維灰度直方圖來確定閾值[3]。然而，若是影像的復雜度增加、信噪比衰減，或者由于光線干擾，致使影像的一維灰度直方圖缺乏明確的頂點與底點，僅依賴灰度值分布得到的圖像閾值數(shù)據(jù)往往無法達到預設的分割效果，甚至有可能出現(xiàn)嚴重的分割偏差。

近些年，在學術領域，二維灰度直方圖開始得到推廣普及，其主要聯(lián)合像素灰度值分布以及鄰域的平均灰度值分布進行閾值分割，此方式顯著增強了分割的精度，并且可以提高抗噪效果。這種技術的發(fā)展與完善賦予了圖像分割新的生命力，讓它在處理復雜的圖像問題上也能輕松應對。

1.2 多通道遙感影像分割方法

隨著遙感科技的進步，各種領域都開始廣泛使用高分辨率的衛(wèi)星遙感影像。如何自動或者半自動地提取大量遙感圖像的相關特性，是一個迫切需要解決的關鍵問題[4]。如湖泊、海洋等的面狀圖斑，其顏色特性在圖像中呈現(xiàn)出相對平衡的狀態(tài)，可以采用區(qū)域和邊緣分割等技術進行處理。傳統(tǒng)處理方法易造成信息丟失，效果不理想。接下來可以以四元復數(shù)為基礎，對多光譜遙感圖像進行統(tǒng)一處理，以此來計算出色彩中心值，并進行分割，提取邊緣和自動提取的面狀特征。

1.四元復數(shù)影像分割思想。為了進一步揭開多光譜圖像的神秘面紗，可以將其轉換成四元復數(shù)。如果兩幅圖片的四元復數(shù)的初階、二階及三階矩完全匹配，那么可以推斷出他們的基本統(tǒng)計信息是一樣的。對此，可以創(chuàng)建一個函數(shù)來計算兩個色彩中心，并分別用Z0和Z1 來描述。這個過程不會改變圖像的基本信息。

在RGB 中，能夠利用Z0 與Z1 的垂直平分面來分割色彩領域的邊界，也就是說，當其和Z0 更靠近時，可以用Z0 描述，而當和Z1 更靠近時，可以用Z1 描。因此，這個色彩空間只包含Z0 和Z1 兩種值。處理過的圖像僅由兩種顏色組成，因此，可以輕松地區(qū)分出背景和需要提取的圖斑信息。通過應用邊緣提取算法，我們能夠獲得所需的信息。

2.算法實現(xiàn)。依照相關思想與理論，創(chuàng)建和實施一種基于復數(shù)矩不變性的算法。

詳細流程如下：（1）通過計算得到圖像的一階矩，圍繞影像進行平移處理，使顏色中心和原點重合。（2）對經過平移處理的新影像進行重新計算，推導出四元復數(shù)Z0 和Z1。（3）依照推導出的Z0 和Z1 對影像加以分割處理。

2 圖像邊緣檢測算法與變化信息獲取

2.1 圖像邊緣檢測算法

1.邊緣信息提取算法。依照數(shù)學形態(tài)運算理論加以分析，能夠找到一種用于處理單尺寸圖片邊緣的算法[5]。如果設想E（x,y）是圖像的邊緣函數(shù)，f（x,y）代指接收圖像，b（x,y）代指結構。根據(jù)相關運算理論加以分析，便可得到如下邊緣檢查算子：

根據(jù)同等原理，我們能夠利用形態(tài)學的腐蝕運算方法，構造出用于圖像邊緣檢測算子：

膨脹腐蝕型邊緣檢測算子為：

根據(jù)相關分析發(fā)現(xiàn)，以膨脹運算為基礎得到的邊緣檢測算子可能會使圖像邊緣變得模糊，以腐蝕運算為依據(jù)得出的結果可能會導致輸出圖像邊緣部分的細節(jié)信息丟失。為了得到理想的圖像邊緣，并盡可能地提高圖像邊緣的清晰度，我們需要實施一些策略，如我們需對現(xiàn)有的邊緣檢測算子進行改進。

那么，新的邊緣檢測算子可以被定義為：

對于每個bi（x,y）而言，與之相關的邊緣算子Ei（x,y）可以表示如下：

經過優(yōu)化的邊緣檢測算子器在原始圖像中增添了豐富的邊緣信息，有效減輕了檢測結果的模糊性，使邊緣細節(jié)更加清晰可見。然而，這種修正也會導致圖像中的噪聲增多。

2.改進的邊緣檢測算子。本研究探討了如何通過多結構和多尺度元素，增強算法的噪聲抵抗能力，以便更準確地識別檢測圖像的邊緣。首先，各種結構元素對各種類型的噪聲都可以產生優(yōu)秀的過濾效果。其次，大尺度的結構元素在抑制噪聲方面具有出色的表現(xiàn)，但邊緣檢測相對粗糙；相反，小尺度的結構元素在抑制噪聲方面的性能略有不足，然而其在保持圖像邊緣細節(jié)上的表現(xiàn)更為出色[6]。所以，可以綜合應用多種結構元素和尺度不同的元素，循序漸進地完成圖像邊緣檢測任務，從而在控制噪聲產生的同時，加強邊緣信息檢測的清晰度。接著，根據(jù)特定的權重對檢測結果進行累計處理，獲取最終的檢測結果。在對比與研究后，聯(lián)合應用多種結構元素加以檢測，基于單尺度膨脹獲得多尺度元素。通過構造得到如下結果：

在該公式中，ai表示權系數(shù)，E5(x,y)、E3(x,y)分別代表5×5、3×3 的結構元素檢測結果。

信息熵si定義如下：

其中，p(i)代表圖像中灰度值為i 的概率。

3.遙感影像提取邊緣結果分析。在多通道分割中，邊緣信息能夠清晰地展示出原始圖像的特性，但是存在許多細微的差別。雖然應用多結構算子提取邊緣可以應對復雜的二值圖像，并且能夠保持影像的原始性和精確度，但它也有一個明顯的問題，即噪聲較大。

邊緣信息圖像能夠清晰地展現(xiàn)出分割后的邊界，然而，對于原始圖像來說，其存在著一定的偏差。在一維和二維的圖像分割過程中，多結構算子能夠充分展現(xiàn)出分割后的邊緣特性，保證了圖像的精確度，同時也幾乎沒有噪聲。

2.2 遙感影像濕地邊緣變化信息自動提取

在這里，主要利用ETM 衛(wèi)星與CBER-02 衛(wèi)星的遙感影像，來分析并比較各個時間階段的河流與湖泊。對各個時間段的遙感圖像進行預處理，然后分割，并對分割結果進行減法操作。通過應用多結構算子，能夠從相減后的圖像中提取出邊緣，獲取到圖像的變化信息。

3 總結

本文以眾多遙感圖像邊緣信息提取研究成果為基礎展開論述，概括了不同時期的遙感圖像變化信息提取算法，并且簡要設計了一個匹配性軟件。利用這些算法，能夠有效地獲得ETM 衛(wèi)星圖像以及CBER-02 衛(wèi)星圖片中的湖泊與河流數(shù)據(jù)，其表現(xiàn)出色。然而，從遙感影像中提取邊緣信息并非易事，仍需對此進行更深層次的探討與研究。