快鸟影像用于泥石流冲毁区自动提取

何晓宁，莫毅君，童俊涛

(西安航天天绘数据技术有限公司，西安 710061)

快鸟影像用于泥石流冲毁区自动提取

何晓宁，莫毅君，童俊涛

(西安航天天绘数据技术有限公司，西安 710061)

针对泥石流冲毁区难以自动提取的问题，该文基于快鸟(QuickBird)高分辨率影像，探讨了泥石流冲毁区自动提取方法，提出一种多信息结合自动提取模型。该方法首先对原始反射率影像做缨帽变换，利用湿度分量和绿度分量的差得到初始泥石流冲毁区影像；其次利用阈值自动提取技术将疑似泥石流冲毁区区域与其他地物分离，得到泥石流冲毁区候选区域；最后提取出水体信息和植被稀少地区，对泥石流冲毁区候选区域进行掩膜运算，得到泥石流冲毁区，并对泥石流冲毁区中的小斑块做后处理，得到相对准确的泥石流冲毁区分布范围。实验结果表明，此泥石流冲毁区自动提取模型是可行和有效的，取得了较好的结果；但对小斑块泥石流提取的精度不高，需要加强研究。

泥石流冲毁区；高分辨率影像；QuickBird；掩膜；自动提取

0 引 言

泥石流是严重威胁山区及山前地区居民安全和工程建设的一种地质灾害[1]。2010年舟曲县突发的大规模泥石流造成了重大的生命财产损失[2]。如何准确、快速地通过遥感影像获取泥石流灾害信息，对政府决策、灾后人员救治和减少财产损失具有重大意义。泥石流通常发生于地表覆盖类型复杂多样的区域，并且经常伴随着恶劣的天气条件或地质灾害。因此，利用遥感技术进行泥石流冲毁区提取是及时获取泥石流灾害信息的有效途径。

目前，基于遥感技术的泥石流调查、预防和治理等方法的研究已经取得了较大进展。如王一川等[3]提出基于DEM 自动提取泥石流沟谷边缘线的算法，能够较准确地提取出泥石流边缘线；白志勇[4]利用SPOT 和TM 数据融合图像研究泥石流；苏凤环等[5]研究了汶川地震山地灾害的遥感快速提取方法，对大规模泥石流提取效果较好；唐川等[6]对汶川震区北川县城泥石流源地特征进行了遥感动态分析；唐小明等[7]研究了基于虚拟GIS 和空间分析的小流域泥石流冲毁区地质灾害遥感解译；潘仲仁等[8]研究了遥感技术在成昆铁路泥石流冲毁区沟调查中的应用。

虽然基于泥石流的相关研究取得了较大进展，但如何有效地全自动提取泥石流冲毁区仍然是个问题。本文以舟曲灾区为研究区域，针对研究区内泥石流多发的现象，分析了基于光学遥感数据的泥石流冲毁区提取方法，提出了基于光学数据的泥石流冲毁区自动提取模型。

1 研究区与数据源

QuickBird卫星是在2001年10月18日发射成功的高分辨率商业遥感卫星，它提供了分辨率为2.44m的红、绿、蓝、近红外4个波段的多光谱影像和分辨率为0.61米的全色影像。对于泥石流冲毁区成像，相比低分辨率影像，高分辨率影像更能够准确地表征泥石流冲毁区的范围。

本文研究区域为甘肃省舟曲县，影像获取时间是2010-08-18，距离泥石流灾害发生时间2010-08-07较近，能够较好地反应泥石流冲毁区地表情况，该幅影像主要包含了泥石流冲毁区、绿地、河流、居民区和植被稀少区域这五类地物要素。图1为2.44m分辨率的包含泥石流冲毁区地区的伪彩色合成图，舟曲泥石流冲毁区主要分布于三眼峪和罗家峪，平均宽度达300m，从北向南流进白龙江。

图1 舟曲灾区的QuickBird影像及泥石流冲毁区分布

2 研究方法与处理流程

2.1 遥感影像预处理

影像预处理通常包括辐射校正、几何校正、配准等过程。本文只用到影像的辐射信息，只做辐射校正得到反射率影像即可。

2.2 泥石流冲毁区光谱特征分析

从发育过程来看，泥石流主要发育于山坡或者山沟中，发育中的泥石流冲毁区表面主要是裸露的土壤和植被稀少的地表，植被覆盖差，与周围植被茂密的区域有明显的差异。即泥石流具有2个最为显著的特征：松散物质含水量高与植被破坏严重。它们在遥感影像上反映的则是土壤湿度和植被覆盖度特征，土壤湿度可以用湿度指数反映，植被覆盖度则可以用绿度指数进行反演。通过湿度指数和绿度指数的光谱特征分析就能提取灾害体的光谱异常，可以进行灾害体快速提取模型构建[5]。

2.3 模型的构建

模型的实现主要采用了影像增强技术、自动阈值提取技术及掩膜技术相结合的泥石流冲毁区自动识别提取技术。

(1)影像增强

通常能够反映地物要素信息的增强技术包括植被指数、土壤亮度指数、湿度指数、热度指数、水体指数、气象指数、缨帽变换指数、经主成分变换得到的第一主成分以及地形因子等[9-11]。在众多因子中，本文通过对泥石流冲毁区的影像特征、地形特征和各种形成条件的对比，经过反复试验，发现运用缨帽变换指数能够较好地反映泥石流冲毁区在遥感图像上的信息。

利用文献[12]中缨帽变换(Tasseled Cap)可以获得亮度指数(BRIGHT)、绿度指数(GREEN)和湿度指数(WET)。

虽然文献[12]中求解上述3个指数的公式是针对Landsat卫星数据提出的，但是在这里仍然可以使用，依据有二点。第一，QuickBird的4个波段的多光谱影像和TM影像前4个波段的波长范围一一对应，即从电磁波对地物响应原理上讲是一样的；第二，QuickBird是4个多光谱波段，虽然和公式的7个波段不相符，但是每次使用上述公式时并不是都必须使用全部的7个波段才能计算出3个指数，这正如文献[12]所讲的，利用Landsat卫星影像计算3个指数时只需要5、4、2波段即可。

通过对研究区地物要素的光谱特征分析可知，湿度指数与绿度指数的差值可以有效地将泥石流冲毁区与其它地物要素予以区分，能够极好地反映泥石流冲毁区的特征，可以直接提取到疑似泥石流冲毁区，将其表达为数学公式：

DebrisFlow=WET-GREEN

(1)

其中，DebrisFlow表示提取出的疑似泥石流冲毁区，GREEN和WET分别是文献[12]中的绿度指数和湿度指数。

(2)自动阈值提取

影像增强所得到的是疑似泥石流冲毁区灰度图像，需要选择合适阈值提取出泥石流冲毁区。研究发现，得到的疑似泥石流灰度图的直方图存在多个波峰和波谷，因此如果能得到对应泥石流冲毁区和其它地物的波谷值，便可提取出泥石流冲毁区候选区域。在这里，采用Tasi[13]提出的基于多峰直方图的阈值选取算法，并做了适当改进。

设g0(i)为原始图像中灰度值为i的像素的数量(i=0，1，…，L)，其中L是灰度直方图中的最大灰度，如果g0(i)>g0(i-1)并且g0(i)>g0(i+1)，那么算法就认为在灰度值i的地方存在一个波峰。类似地，如果g0(j)

Tasi指出平均滤波器的窗口越大，处理后的直方图越平滑，并且用大窗口的滤波器对直方图进行少量的卷积的效果类似于用小窗口的滤波器做大量卷积的效果。实验证明，大窗口滤波器会使直方图过度平滑从而无法检测到重要的波峰波谷，与大窗口滤波器相比较，用小窗口滤波器做大量卷积是以牺牲计算效率为代价来达到需要的平滑效果。基于以上的讨论，对文献[13]中的算法做了适当修改，使得小窗口滤波器做大量卷积提高了效率，即从迭代方式和终止条件上进行了优化，提出了利用灰度直方图的信息自动计算阈值的完整算法。

此算法主要由以下3个关键步骤构成：

①选择一个窗口大小为W的平均滤波器W(u)，设当前迭代次数k=1；

(2)

(3)掩膜技术

从自动阈值提取得到的疑似泥石流冲毁区包含了水体信息，其原因在于，湿度信息减去绿度信息，就剩下了湿度相关地物，即有泥石流冲毁区、水体及植被稀少地区。对于水体和植被稀少地区可以将其提取出来，再运用掩膜技术从自动阈值提取中得到的结果中去除，便可得到较为纯净的泥石流冲毁区。

本文采用水体指数模型GNDWI[14]来提取水体，其原理是通过高斯变换将原来NDWI 中的值为0 的两侧数值中的弱信息进行拉伸，同时压制值靠近-1与1 的强信息(因为对于河流来说其位置主要位于弱信息附近)，从而提高水体同陆地部分的可区分度，并保证提取出的水体的连续性。

分析得到的GNDWI影像知道，水体的像素值都接近于1.0，利用这个特征，设置水体提取的阈值为0.9，则可将水体有效提取。

对于植被稀少地区，查看反射率影像的像素值可发现，其值普遍低于泥石流冲毁区，因此可利用这一点去除植被稀少区域。具体可求取近红外波段像素平均值，若近红外波段像素值小于近红外波段像素平均值，则该像素是植被稀少地区，否则不是。

(4)泥石流冲毁区后处理

经过上述各种处理之后，除了泥石流冲毁区外，还有其他很多小斑点，这部分不是泥石流冲毁区，因此需要采用一定的窗口大小对小斑点进行后处理。

3 泥石流冲毁区自动提取与实验分析

3.1 泥石流冲毁区自动提取流程

本文基于VS2008软件平台开发泥石流冲毁区自动提取算法，其技术流程如图2所示。

图2 泥石流冲毁区自动提取流程图

其主要计算步骤如下：

①由缨帽变换获得湿度和绿度分量，并利用二者差值计算获得初始泥石流冲毁区影像：对于QuickBird影像，这里采用4、3、2波段获得湿度和绿度分量；

②计算获得原始灰度直方图，记录沟谷数目为N并存储各沟谷所对应的灰度值；

③若沟谷数目N>N0(N0为最终需要的沟谷数目，一般设置为2)，则转到④，否则转到⑥；

④用窗口大小为W的平均滤波器对当前直方图进行滤波：对于QuickBird影像选择W=5；

⑤记录得到最新的沟谷数目N并存储各沟谷所对应的灰度值，并转到③；

⑥当不满足N>N0判断条件时，沟谷最小值对应的灰度便是阈值；

⑦根据⑥得到的阈值对①得到的初始泥石流冲毁区影像进行分割，得到泥石流冲毁区候选区域影像；

⑧通过GNDWI计算获得初始水体区域影像；

⑨若初始水体区域影像的灰度值>0.9，则转到⑩，否则也转到⑩；

⑩若初始水体区域影像的灰度值>0.9，则将水体影像对应的区域赋值为1；否则将水体影像对应的区域赋值为0；

3.2 实验分析

对QuickBird反射率影像进行缨帽变化得到湿度分量WET和绿度分量GREEN，进行WET-GREEN处理得到的初始泥石流冲毁区影像，如图3所示。从影像可看出，亮度值较高的地方为泥石流冲毁区区域。

对图3进行自动阈值分割获得的泥石流冲毁区候选区域，如图4所示，包含了泥石流冲毁区、水体及植被稀少的区域，还有部分建筑。

进行GNDWI计算获得初始水体区域影像，如图5所示，亮度值较高的区域为水体区域影像。通过分析发现，该影像水体的值基本都大于0.9，因此对初始水体区域影像按照此阈值进行分割得到水体影像，如图6所示。到水体影像中不仅包含了水体还包含了建筑、路、植被稀少地区等信息，纠其原因是由于QuickBird的波段数目少，在仅有4波段的情况下，水体和有些建筑、路、植被稀少地区的光谱信息很接近，很难区分。但这并不影响水体提取结果，因为后面做的是掩膜运算，多提取出的建筑、路、植被稀少地区不影响结果。

图3 进行WET-GREEN处理得到的初始泥石流冲毁区影像

图4 自动阈值分割获得的泥石流冲毁区候选区域

图5 进行GNDWI计算获得初始水体区域影像

对于植被稀少地区，查看反射率影像的像素值可发现，其值普遍低于泥石流冲毁区区域，因此可利用这一点去除植被稀少区域。具体可以取近红外波段像素平均值作为比较基准，若近红外像素值小于近红外波段像素平均值，则该像素是植被稀少地区，否则便不是，由此得到图7。

如此便提取出了水体和植被稀少区域，用这二者对得到的泥石流冲毁区候选区域进行掩膜，便得到泥石流冲毁区区域，如图8所示。

泥石流冲毁区区域有很多小斑点，这部分不是泥石流冲毁区，因此需要采用一定的窗口大小对小斑点进行后处理。对于QuickBird影像采用5*5的窗口进行小斑点后处理，最终得到泥石流冲毁区区域，如图9所示。

图6 阈值分割获得水体区域影像

图7 植被稀少区域的影像

图8 泥石流冲毁区影像

图9 去除小斑点的泥石流冲毁区影像

根据舟曲泥石流冲毁区灾后调查可知，泥石流冲毁区主要分布于三眼峪和罗家峪，平均宽度达300m由北向南流进白龙江。从提取的结果可知，三眼峪和罗家峪的大片泥石流冲毁区被准确提取，其他地区的小块泥石流冲毁区也被提取出，实验结果表明，本文的算法有效。

4 结束语

本文根据泥石流冲毁区的特点即含水量较高和绿度指数较低的特点，利用影像增强、自动阈值提取、掩膜处理和泥石流冲毁区后处理技术建立了泥石流冲毁区快速提取模型。根据建立的模型对舟曲泥石流冲毁区进行了快速提取，取得了较好的效果，最关键的是提出了自动阈值提取的模型，使得能够自动处理获得阈值。

研究存在的缺陷主要表现在：(1)泥石流冲毁区的活动尺度具有一定的变化范围，处理大型泥石流冲毁区具有较好效果；对于小型泥石流冲毁区，由于其宽度范围较小，像上仅表现为几个像元，因而提取效果不太理想。(2)提取出的泥石流冲毁区包含小斑块，主要是由于这些区域虽然没形成泥石流冲毁区，但是也是泥石流冲毁区的成分，在光谱特性上没有差别。虽然对提取出的泥石流冲毁区影像做了后处理，但后处理后的效果仍然有瑕疵，需要进一步加强研究。

综上所述，利用影像增强、自动阈值提取及掩膜技术建立泥石流冲毁区自动快速提取的模型是可行和有效的，本次研究为泥石流冲毁区的自动识别模型建立进行了有益的探索。

[1] 吴平，郑文晓.泥石流的形成条件及其防治措施[J].西部探矿工程，2008(3)：4-5.

[2] 余斌，杨永红，苏永超，等.甘肃省舟曲8.7特大泥石流冲毁区调查研究[J].工程地质学报，2010，18(4)：437-444.

[3] 王一川，秦军.基于DEM 自动提取泥石流沟谷边缘线算法的试验[J].四川测绘，2006，29(1)：28-31.

[4] 白志勇，秦军.陆地卫星SPOT、TM 数据复合影象在泥石流调查中的应用[J].水土保持学报，2001，15(1)：116-119.

[5] 苏凤环，刘洪江，韩用顺.汶川地震山地灾害遥感快速提取及其分布特点分析[J].遥感学报，2008，12(6)：956-963.

[6] 唐川，丁军，梁京涛.汶川震区北川县城泥石流冲毁区源地特征的遥感动态分析[J].工程地质学报，2010，18(1)：1-7.

[7] 唐小明，冯杭建，赵建康.基于虚拟GIS 和空间分析的小流域泥石流冲毁区地质灾害遥感解译——以嵊州市为例[J].工地质科技情报，2008，27(2)：12-16.

[8] 潘仲仁，曹林英.遥感技术在成昆铁路泥石流冲毁区沟调查中的应用[J].铁道工程学报，2006(增刊)：237-242.

[9] 江振蓝，沙晋明，杨武年.基于GIS 的福州市生态环境遥感综合评价模型[J].国土资源遥感，2004(3)：46-48.

[10] 李洪义，史舟，沙晋明，等.基于人工神经网络的生态环境质量遥感评价[J].应用生态学报，2006，17(8)：1475-1480.

[11] 江振蓝，沙晋明.植被生态环境遥感本底值研究——以福州市为例[J].福建师范大学学报(自然科学版)，2008，24(4)：80-85.

[12] 杨存建，刘纪远，黄河，等.热带森林植被生物量与遥感地学数据之间的相关性分析[J].地理研究，2005，24(3)：473-479.

[13] TSAI D M. A fast thresholding selection procedure for multimodal and unimodal histograms[J].Pattern Recognition Letters，1995，16(6)：653-666.

[14] 沈占锋，夏列钢，李均力，等.采用高斯归一化水体指数实现遥感影像河流的精确提取[J].中国图象图形学报，2013，18(4)：421-428.

Application of QuickBird Remote Sensing Imagery in Automatic Extraction of Debris Flow Destroyed Area

HE Xiao-ning，MO Yi-jun，TONG Jun-tao

(Xi'anSpaceMappingDataTechnologyCo.，Ltd，Xi'an710061)

Aiming at the automatic extraction problem of debris flow destroyed areas，this study discusses an automatic extraction method of debris flow destroyed area based on QuickBird high resolution remote sensing imagery，and proposes an automatic extraction model of multi-information combination.Firstly，use a tasseled cap transformation for the original reflectance images to calculate moisture component and greenness component，and then use the difference of them to get the initial debris flow destroyed area image；Secondly，use automatic extraction technology to get threshold for separating suspected debris flow destroyed image from other surface features，and then get candidate debris flow destroyed image；Finally，extract the water and sparse vegetation areas to perform mask operation on candidate debris flow destroyed image for getting debris flow destroyed area，and perform post-processing for small spots in the debris flow destroyed area to get relatively accurate debris flow destroyed area.The experimental results show that the proposed model is feasible and effective，and achieves good results；the extraction accuracy of small debris flow is not high，which needs to be strengthened.

debris flow destroyed area；high-resolution image；QuickBird；mask；automatic extraction

2014-08-05

2014-10-19

何晓宁(1987—)，男，硕士，工程师，主要从事遥感地物提取、高光谱遥感方面的研究。

E-mail：flyhxn@126.com

10.3969/j.issn.1000-3177.2015.05.012

P237

A

1000-3177(2015)141-0077-06