基于蚁群优化的近岸影像水边线变化分析方法

伊伟东，于新生，2*，崔尚公

(1. 中国海洋大学 海洋地球科学学院，山东 青岛 266100；2. 海底科学与探测技术教育部重点实验室，山东 青岛 266100)



基于蚁群优化的近岸影像水边线变化分析方法

伊伟东1，于新生1，2*，崔尚公1

(1. 中国海洋大学 海洋地球科学学院，山东 青岛 266100；2. 海底科学与探测技术教育部重点实验室，山东 青岛 266100)

摘要：由于近岸视频监测技术具有构建成本低、时空分辨率高的特点，近年来已成为海岸动态监测的互补手段。在近岸视频监测中，水边线可作为岸滩边缘位置变化的替代指标，受复杂海滩地形及不规则的波浪及潮汐变化影响，如何从视频图像中准确检测水边线是近岸视频监测所面临的挑战问题之一。本文针对传统图像处理方法在水边线提取中存在的效率不高和抗噪声能力差等问题，将CIELab颜色模型和蚁群优化算法相结合，对台风风暴潮期间石老人海滩的水边线进行提取和定量分析，并与传统算法进行对比。对青岛石老人海滩2011年台风期间的实时影像资料分析结果表明，与传统的提取算法相比，本文提出的方法在数字视频影像的水边线监测应用中可靠性高，并具有良好的细节呈现能力和抗边缘噪声能力，适用于弱边缘水边线的提取。分析结果验证了本方法在极端天气条件下对视频影像中水边线动态变化的自动提取可行性，对构建长时序海滩岸线动态变化影像自动分析系统具有较好的应用价值。

关键词：视频影像；水边线提取；CIELab颜色模型；蚁群优化；海岸带监测

1引言

海岸带作为重要的沿海经济带，通常是社会经济活动最为活跃的区域。伴随着海岸带开发的是大量的工程建设活动和居住人口的快速增长，会对海岸地形、自然景观及生态环境产生极大压力。这使得海岸侵蚀频发、海岸带环境恶化、海岸基础设施受侵蚀、生态功能降低，并对沿海人类日常生活产生巨大影响，目前全球沿海约70%的海滩受到不同程度侵蚀影响。水边线是海水与海岸在时空尺度上形成的瞬时交界线，水边线位置定量变化的资料是研究海岸侵蚀、河口淤积、海平面上升等海岸演变过程的重要依据[1]。因此，获取高分辨率的水边线时空迁移变化信息，对于掌握局部海岸面积变化量、研究陆海相互作用机制、保障海滩游客安全、保护海岸基础设施、监控工程后的海滩变化及海岸管理等具有重大意义[2]。传统的人工现场勘测虽然具有实时性强、测量准确的优点，但是需要大量的专业人员进行野外实地测量作业，耗费大量的人力和时间，难以满足大面积的海滩岸线变化的同步监测需求[3—6]。随着百万像素数字相机的分辨率的不断提升和价格的持续降低，20世纪90年代起非数字相机开始应用于近岸视海岸实时监测中，为获取长时序的海滩形态变化及水动力学连续动态变化信息提供了技术支撑。与其他海岸遥感技术相比，近岸视频遥测系统的构建成本低、建设速度快，并且可以提供厘米级的空间分辨率以及分、小时、日、月等不同时间尺度的连续影像资料，为开展短、中、长期的海岸环境及近岸动力动态变化研究与评价提供了成本低、实用性强和时空分辨率高的互补手段[7—8]。

基于视频影像中的水边线检测方法通常对单位时间内的影像进行平均，其目的是抑制高频变化信号的干扰影响，譬如单个随机波浪、海水泡沫等，从而确定水边线的具体位置信息[9—12]。Holland等提出了对于灰度图像可以采用像素强度变化来有效地区分海滩和破碎波的交界边缘，但是复杂的海滩地形变化会导致一些区域不能呈现明显的破碎波区域，譬如滩坝砂区域，这会导致海水-滩涂交界线检测产生较大误差。随着色彩相机性能的提高，利用影像中的光谱信息可以有效的用于海滩视频影像的岸线检测。海水对红色光谱具有强烈的吸收作用，并且在蓝色和绿色光谱范围内具有较高的色度变化；而海滩对红色光谱的吸收作用较弱，在蓝色和绿色光谱范围色度较弱。因此可以根据红色和蓝色光谱带的色饱和度变化有效的区分海水与海滩的交界边缘。通过统计岸线区域内每个像素的蓝色和红色光谱色度变化的比值，并与设置的阈值进行比较，如果超过阈值，即为检测到的水边线边缘[9，13]。

目前上述水边线检测方法已成功地应用于常规气候条件下视频影像中的岸线检测，但是缺少在高能量波浪作用下或大潮汐变化影响下的水边线检测的报道。在极端风暴潮作用期间，海浪可以在几十分钟内导致水边线平均位置发生几米到几十米的变化，对沿岸居民安全及沿岸基础设施产生极大威胁，因此获取高时空分辨率的水边线观测资料对沿岸工程设计和管理具有重要意义。针对风暴期间高时空分辨率的岸线动态变化资料的需求，以及传统蚁群聚类算法上存在的搜索时间长和易出现停滞的现象，本文提出了一种将CIELab颜色空间和蚁群优化算法相结合的水边线提取方法，该方法引入临界距离概念进行数据项与群组之间相似度的度量，并以青岛石老人海滩为观测区域，采用2011年台风期间的实际观测影像资料对算法进行了验证。分析结果表明，本文提出的方法与已报道的传统水边线边缘提取算法相比，能够有效地提高水边线检测的准确性和运算效率。

2研究方法

2.1研究区域

青岛市石老人海水浴场位于青岛市东部，是在基岩海岸之间形成的海湾。海滩朝向东南，海滩的东侧方向有基岩岬角，底质为砂、砾石，由于滩面较宽，现已开辟为夏季浴场。整个海滩长约2 150 m，平均滩肩宽度约为80 m，后滨为绿化带、防污等人工建筑和道路，该海滩的平均宽度约为210 m，平均坡度约为4.1%，夏季以SE向浪为主。该区域的平均高潮高为3.8 m，平均低潮为1.1 m，在浴场的西部有一个水道通向海域。

摄像机架设在石老人海水浴场附近的一座公寓楼里，相机坐标为36°5′28.73″N，120°27′54.21″E，观测海拔高度约为64 m，选择观测海滩石老人浴场西南走向的海滩为观测目标，摄像机的观测面积约为75 000 m2，如图1所示。

2.2图像采集方法

近岸视频成像系统由工业数字相机、图像采集系统和存储设备构成，选用UNIC PHOCUS-1821型高清智能工业相机，配以8～80 mm的变焦光学镜头。PHOCUS-1821采用200万像素的CCD图像传感器，来自摄像机的图像通过以太网线传输到计算机中，并自动存储在计算机硬盘上，图像采用非压缩的TIFF格式。图像采集速率为每秒10帧图像，采集频率设定为每天5次，利用每次观测采集的图像生成2 min、5 min 和10 min的时间曝光图像，然后选择最佳单位时间的平均图像用于水边线的检测。

3近岸视频影像中水边线的检测方法

3.1摄影测量的图像校正方法

3.1.1摄像系统内部参数校正

成像系统的透镜材料及镜片组结构会产生图像失真，导致图像产生径向变形和切向变形，直接影响测量结果的准确性，所以需要对成像系统的内部系数进行修正。如图2所示，我们采用标准校正板(棋盘格标定板)在实验室内的光学平台上对成像系统进行校正，通过移动相机或标定板拍摄标定板图像，利用标定板与图像的对应点来确定摄像机内部参数。分别对标定板以不同角度进行拍摄(图3)，采用加州理工学院开发的图像内部参数校正软件工具对摄像机的光学畸变进行计算处理，以方格角点为校准控制点，计算角点偏移量、有效聚焦距、主轴点的位置、像素的扭曲与畸变等参数。图4中两幅图分别表示原始图像的径向畸变和切向畸变，主点在两个方向上的像素偏移量分别是2.163 4和1.609 8。

图1　研究区及相机视角Fig.1　Study area and view angle of camera

图2　室内图像采集系统Fig.2　Indoor image acquisition system

图3　标定板方位3D模型Fig.3　3D model of calibration plate bearing

3.1.2摄像机的外部校正

对图像像素进行定量分析，需要确定摄像机的位置及拍摄角度等参数[14]。根据光学成像原理，光轴是一条由镜头投射到影像平面与物空间坐标的直线，因此可以利用共线方程求解图像坐标系和世界坐标系之间的转换关系。根据Abdel-Aziz和Karara等[15]提出的直接线性变换(Direct Linear Transformation， DLT)方法，可以得到如下简化的转换模型：

(1)

式中，(xw，yw，zw)是世界三维坐标系，即人眼所感知的空间物体；(u，v)是相对应的图像二维坐标；li(1≤i≤11)是世界三维坐标系和图像坐标系之间转换关系的待定参数。

图4　图像畸变模型(箭头表示像素偏移方向)Fig.4　Image distortion mode(the arrows represent the pixel offset direction)

由于研究区海滩坡度变化很小，对坐标转换精度的实际影响很小，所以假设世界三维坐标系中的z值为0，上式可简化为：

(2)

式(2)中有8个待求解的参数，因此需要至少4个方程组，即需要至少4个已知控制点方可确定未知参数，龚涛根据实验得出控制点数量在10个左右为佳[16]。利用已知地面控制点的位置，采用最小二乘法求解方程组即可获得较佳的8个外部参数的修正量[15]。

我们使用麦哲伦探险家310型号手持GPS定位仪在观测场地共选择了11个固定标志物作为控制点，控制点间的水平距离从25 m到892 m不等，如图5所示。表1是选定控制点详细的图像坐标和对应的世界坐标。

表1　控制点的图像坐标和对应的世界坐标

图5　图像控制点位置Fig.5　The positions of image control points

图6为根据控制点将图像的像素坐标转换成真实大地坐标的示例，蓝色圈号代表实际大地控制点位置，红色叉号代表图像控制点位置，可以看出坐标转换后两者的吻合度非常高，坐标转换的均方根误差为2.865 6 m。经过坐标转换之后，远视场会出现像素不足现象，可采用像素内部插值方法进行补偿。

图6　坐标转换后的图像Fig.6　The image after coordinate transformation

3.2水边线检测方法

随着近岸视频影像资料的日益增加，目前典型的手动绘制和半自动提取图像处理应用软件已难以满足海量影像的快速分析需求，譬如MapGIS、ImageJ和gvSIG等，因此开发近岸视频影像自动处理方法已成为近岸视频监测急切解决的问题。Matlab把常见图像处理操作都做成了相应的内建函数，使用者不用去考虑怎样读取图片、怎样转换颜色空间等固定和成熟的算法的细枝末节，可以将主要精力投放到算法集成研究中，不仅提高了图像处理效率，而且还统一了图像特征提取的标准，提高对比分析的可靠性，因此本文选取Matlab作为水边线提取的实现平台。潮汐和风浪会使海水在时间尺度上发生动态变化，一般根据研究目的而采用相应的岸线指标或代理岸线，譬如高潮面、平均高潮面或平均海平面等[17]。近年来根据图像处理中的特征提取方法，常采用干湿线、高水位线或水边线等代理岸线指标用于短时间内海滩岸线的变化评估[18—19]，因为水边线能更好地反映短期海岸水文动态变化状况，所以本文选取水边线作为风暴期间海滩的岸线变化指标。

通常用于近岸动态变化监测分析的图像有3种类型：瞬时图像、平均图像和方差图像。瞬时图像是数字影像中某一瞬间的单幅静止图像；平均图像是将单位时间内连续拍摄的单帧图像进行像素平均后的图像，可以有效的滤除随机噪声；方差图像是计算单位时间平均图像中的方差变化，可以提高图像中的灰度强度变化的对比度。相较于瞬时图像，平均图像和方差图像都能明显提高水边线边缘的对比度[19]，从视觉上就可以判定海岸线位置，但是从计算效率和保留图像信息上综合考虑，我们采用平均图像进行岸线位置信息的检测，图8中的a～d分别为2011年5月25日12点的单帧图像和不同时长的平均图像，与单帧图像相比，2 min、5 min和10 min平均图像的去噪效果逐渐增强，其中10 min平均图像中沙滩和海水的分界线上的去噪效果最好，因此选取10 min平均图像进行水边线提取。

图7　图像类型Fig.7　Types of imagesa.单帧图像；b～d.依次为2 min、5 min和10 min的平均图像；e.CIELab图像a. Snap-shot image; b～d. time-exposure images of 2 min， 5 min and 10 min; c. CIELab image

3.2.1颜色模型的选取

色彩图像分割算法的准确性对颜色模型具有较大的依赖性。颜色模型(color model)通过定义一个三维坐标系统和特定模型中的子空间，提供了一种规定特定色彩的标准方法。简单来说，颜色模型就是用一组数值来描述颜色的数学模型，可以分为设备相关模型和设备无关模型。前者常用的有：RGB、CMYK、YUV、HSL和HSV等，主要用于设备显示和数据传输；后者主要是CIELuv和CIELab颜色模型，分别主要用于显示自发光的光源(显示器)和表示反射、投射的物体的颜色。单纯采用RGB颜色模型的图像分割效率较高[20]，但是噪声较多，受光照条件影响较大；HSL和HSV颜色模型系统提供了适于自然色彩变化的方式[2]，但在非线性转换运算时会产生溢出，导致图像失真，且影响特征提取速度；采用YUV颜色模型进行图像分割受光照条件和噪声影响小[21]，并可利用人眼的特性来降低数字彩色图像所需要的存储容量，但是难以在复杂海岸图像的处理方面上发挥优势。

CIELab颜色模型由亮度(L)和两个颜色通道(a，b)组成，其主要优势是色域宽阔，不仅包含了RGB、CMYK的所有色域，还能表现它们不能表现的色彩，只要是人的肉眼能感知的色彩，都能通过CIELab模型表现出来；其次，CIELab颜色模型很好地解决了RGB图像存在的色彩分布不均的问题，因为RGB图像在蓝色到绿色之间的过渡色彩过多，而在绿色到红色之间又缺少黄色和其他色彩；同时，CIELab模型的处理速度与RGB模型相同，并比CMYK模型快很多。Ganesan等[22]对基于CIELab颜色模型的分割方法进行了分析研究，并将结果与其他边缘检测方法进行了对比，结果显示基于CIELab的算法适用于包含各种类型噪声的彩色图像处理。鉴于CIELab颜色模型在海底色像显示了良好的彩图分割效果[22]，针对本文采用的色彩变化相对较少、受光照影响较大的近岸视频影像，本文选取CIELab颜色模型进行图像海水与陆地沙滩的分割和特征提取，成像效果如图7e所示。

3.2.2图像分割算法

图像分割方法主要分为基于阈值、边缘和区域等。阈值分割方法主要有迭代法、最大类间房方差法(OTSU)和最大熵法等[23]，其关键和难点是能否选取合适的阈值，而阈值的设定受光照和噪声的影响[24]，不适用于光照变化大和易受天气状况影响的海岸图像的处理。图像中的边缘总是以强度突变的形式出现，即局部图像的不连续性，通常用一阶和二阶导数来描述和检测边缘，常用的边缘检测算子(如Roberts算子、Sobel算子、Kirsch算子和Canny算子等)适用于边缘灰度值过渡比较尖锐而且噪声较小的图像[25—26]，但是对于边缘复杂(如边缘模糊、边缘丢失、边缘不连续等)的海岸图像的处理效果则不太理想[27]。区域生长和分列合并法是两种典型的串行区域分割方法，其中前者计算简单但在目标较大时分割速度较慢，后者可以更好地分割复杂图像但是分裂可能会破坏区域的边界[28]。此外，数学形态学方法也被应用于图像分割[29]，可以在一定程度上降低噪声对图像的影响，但是开、闭、腐蚀、膨胀等运算会导致图像的过度平滑，从而导致图像变形及细节丢失，从而影响水边线提取的准确度。

3.2.3蚁群优化算法

蚁群算法(Ant Colony Optimization， ACO)由意大利M. Dorigo等学者于1991年首先提出。该算法受自然界中真实蚁群集体行为的启发，利用真实蚁群通过个体间的信息传递以及从蚁穴到食物间最短路径的集体寻优特征，来解决一些离散系统中的优化问题。从原理上可以将其分为两类：一种是基于蚁堆形成原理进行聚类，起源于对蚁群墓地、蚁卵的分类研究；另一种是基于蚂蚁的觅食原理，利用信息素实现聚类分析[30]。该算法基于正反馈原理，具有强鲁棒性、收敛性好、并行性和自适应性等优点，初被用于解决大多数优化问题或者能够转化为优化求解的问题。随着蚁群算法不断发展和完善，目前其应用领域已扩展到多目标优化、数据分类、数据聚类、模式识别、系统建模、流程规划、信号处理、图像处理、决策支持以及仿真和系统辨识等方面[31]，体现了很好的鲁棒性和适应性。蚁群算法的离散性和并行性特点对于离散的数字图像非常实用，可以有效避免光照变化、天气变化和噪声的影响，非常适用于近岸数字视频影像的图像处理和特征提取[32]。

蚁群算法的缺点是需要较长的数据搜索时间，且在搜索中易出现停滞现象，影响整体图像处理效率。因此需要针对不同的优化问题来设计不同的蚁群算法，合理计算目标函数、信息更新和群体协调机制。本文根据Bansal和Aggarwal[33]提出的蚁群聚类改进方法，用N个单元格来代替数据项所在的直角坐标系，其中N表示图像中待聚类的像素总量。在这N个单元格组成的阵列中，单元格间相互连通以便蚂蚁能够自由活动，一个群组是由特征相同的2个或2个以上的像素集合而成的。具体的实现方法如下：

首先，将待聚类的像素放入单元格阵列，该阵列即为聚类空间(cluster space)。然后从某一群组开始搜索未被搜索过邻域。发现未被搜索过的数据项后，利用临界距离(CMC distance)检查数据项与群组的相似度。对于两种CIELab颜色(L1，a1，b1)和(L2，a2，b2)，其色度差异ΔC表示为：

(3)

亮度差异ΔL表示为：

(4)

色调感知差异ΔH表示为：

(5)

临界距离ΔE表示为：

(6)

(1) 用同原始图像大小的矩阵代替图像直角坐标网，每个矩阵单元对应一个图像像素；

(2) 初始化蚂蚁未走过的群组的数据项为0，然后随机选择一个出发城市；

(3) 随机选择某一蚂蚁的初始位置至任意数据项，检查数据项的有效性并赋值当前的聚类索引；

(4) 如果当前数据项尚未被检索，则利用临界距离检查数据项与群组的相似度M，确定相似度的阈值R，如果M

(5) 如果存在未被遍历的数据项，则N+1，下一个蚂蚁跳转至第3步继续执行；

(6) 重复操作，直到没有未被遍历的数据项为止。

在整个算法中引入均方根误差(mean square error， MSE)计算群组内像素间的距离，以方便进行聚类分析，并提供了一种利用临界距离计算聚类群组数量的灵活方法，有效地提高了整个图像处理的效率。

4水边线提取结果与分析

4.1水边线提取对比评估

由于沙滩的光谱位于黄红之间，而海洋位于蓝绿之间，因此利用图像的色彩变化可以识别海水与沙滩的交界线。彩色相机的成像靶面的一个像素可以同时记录红色(red)、绿色(green)和蓝色(blue)3种色彩信息，最简单的方法是将RGB色彩图像转换为灰度图像，根据灰度图像直方图设定二值化阈值，如图8a所示，由于图像中海陆灰度具有弱对比性，并且难以呈现完整海水区域轮廓，且图像细节呈现较差。近期的研究表明基于HSV颜色模型比传统的RGB色彩更适于海滩的海水—沙滩的分界线的检测。HSV色彩模型属于极坐标空间结构，能直观描述颜色，其光强度分量和色度分量是独立关系，因此适合基于人的颜色感知特性进行处理和分析的图像处理算法[34]。如图8b所示，提取HSV图像的饱和度分量，利用最大类间方差法(OTSU)进行初步阈值分割，然后利用数学形态法进行边缘提取。提取后的水边线基本能够如实地还原海陆边界，但是明显不能消除边缘噪声(船只等)的干扰，也不能有效地提取狭长水道的边缘。与上述两种算法不同，从图8c中可以看出，利用CIELab颜色模型和改进的蚁群聚类算法相结合的方法抗噪声能力更强，获取的海陆边界线更加接近实际，边缘平滑度更好，更重要的是能很好地识别狭长水道并提取其边缘，保证了目标信息的完整性。

听到驮子这么一说，大家都理解了。是啊，碰到这样的孩子，谁的心里不烦，不买，就不买！我们岭北人还是支持驮子这个外地人，必须支持他！

4.2台风期间海滩动态变化监测

为了研究极端天气条件下水边线的动态相应，选取2011年第13号台风“梅花”出现期间的图像资料进行处理和分析。台风“梅花”于2011年8月7日沿西北方向经过山东半岛海域，台风中心距青岛市区最近约410 km。台风经过期间，青岛市沿海最大风力达9～10级，阵风12级，平均浪高为4～5 m，局部浪高达6～10 m。8月8日中午减弱为强热带风暴，之后沿山东半岛向西北方向离去。

本文从2011年石老人海水浴场影像库中选取风暴潮前后的数据资料，剔除了大雨天等气象条件造成的低质量图像以及视频系统发生故障导致图像采集序列不完整等因素的影响，例如8月7日青岛市下暴雨，所拍摄的图像质量极差，而8月9日和8月10日两天供电系统出现故障，没有采集到图像，导致图像资料不完整。如图9所示，风暴潮来临之前波浪覆盖海滩面积较小，仅在潮汐作用的影响下产生海水的涨落运动。8月7日到8日凌晨，梅花台风到达青岛近海附近，从图像可以看出，风浪使得海水平时很难到达的游客聚集区被淹没。在随后的1个月里，海滩有一个明显的恢复过程。图10是基于本文方法提取的水边线。

研究区原始图像是非正摄图像，为了呈现水边线的真实形态特征和实现准确的水边线动态变化的定量分析，按照3.1.2节方法将图10中提取的水边线从图像坐标系转换到世界坐标系，并在约75 000 m2的观测区内设计了10条等间距的垂直于海滩陆侧边缘的测线(图11)，计算坐标转换后测线与水边线和参考岸线L的两个交点之间的坐标差，然后转换为实际水平距离，图12a显示的是不同日期和测点上水边线的相对位置变化。

图8　不同提取方法对比Fig.8　Comparison of different extraction methodsa.基于灰度图像的Canny算子方法；b.基于HSV图像的OTSU和数学形态学方法；c.基于CIELab图像的蚁群聚类方法a. Gray image with Canny algorithm; b. HSV image with OTSU and Mathematic Morphology method; c. CIELab image with Ant Colony method

图9　2011年石老人海滩风暴潮前后滩面变化示例影像Fig. 9　The sample images of beach face changes before and after storm influence in Shilaoren beach of Qingdao in 2011

图10　利用本文方法提取的岸线Fig.10　Extracting coastlines using the proposed method

图11　坐标转换后的水边线Fig.11　Waterlines after coordinate transformationa-j. 测线；L. 参考岸线a-j. Measuring lines; L. reference coastline

图12　风暴潮前后水边线位置的变化Fig.12　The changes of water line positions before and after storma. 水边线位置；b. 海滩平均宽度a. The waterline positions; b. the average width of the beach

为了更加直观地展现台风风暴潮影响下水边线位置的变化量，通过计算各个日期的水边线平均离岸位置构成海滩宽度变化直方图。图12b中纵轴表示水边线与参考岸线L之间的实际水平距离，直方图高度代表海滩平均宽度。从中可以直接看出，在风暴潮影响下，8月8日水边线平均离岸位置处在平时极难到达的最低值，说明当时水边线急剧后退，海水淹没了大部分海滩区域。

从数据结果中可以看出，水边线位置快速、大幅度的变化与台风风暴潮之间有很强的相关性。风暴潮期间石老人海滩处于高能环境下，加上滩面坡度较小，波浪上涌强烈，使得滩肩宽度变窄。结果显示，台风风暴潮前后海滩宽度变化最大达95 m，8月8日当天海滩平均宽度更是降到12.31 m。

5结论

从近岸视频影像中自动、准确地提取岸线变化信息是近岸视频监测中面临的重要挑战之一，本文针对近岸图像色彩变化较少、易受光照变化和天气条件影响的特点，选择不依赖光线和颜料的CIELab颜色模型对近岸图像进行分割与检测，结合具有很好鲁棒性和适应性的蚁群算法，引入临界距离概念进行数据项与群组之间相似度的度量，对蚁群聚类算法进行改进，实现了近岸影像水边线的检测。将本文的水边线检测算法与传统的二值图像阈值分割方法、HSV颜色模型S分量的最大类间方差法和数学形态法所提取的水边线进行了对比，表明了所提出的算法具有良好的抗噪能力，并且该算法在特殊狭长区的识别能力和边缘光滑能力上的优势使其具有良好的应用前景。

通过对石老人海滩短期的视频影像资料进行分析，证明了本文采用的水边线检测方法适用于定量分析极端天气条件下滩宽在短时间内发生的快速变化，并验证了该方法的可靠性。获取较小时空尺度上的水边线迁移变化信息，对于促进陆海相互作用机制的

研究、保障海滩游客安全、保护海岸基础设施、监控工程后的海滩变化以及海岸管理等具有积极地推动作用。为了消除其他环境因素的干扰从而获取更加准确的、单一的风暴潮影响因子的数据，在随后的研究中将会引入潮汐和波浪数据进行研究。

参考文献：

[1]Addo K A， Walkden M， Mills J P. Detection， measurement and prediction of shoreline recession in Accra， Ghana[J]. ISPRS Journal of Photogrammetry and Remote Sensing， 2008， 63(5): 543-558．

[2]Rihouey D， Dugor J， Dailloux D， et al. Application of remote sensing video systems to coastal defence monitoring[J]. Journal of Coastal Research， 2009，58(2): 1582-1586．

[3]Valaouris A， Poulos S， Petrakis S， et al. Processes affecting recent and future morphological evolution of the Xylokastro beach zone(Gulf of Corinth， Greece)[J]. Global NEST Journal， 2014， 16(4):773-786．

[4]Emery K O. A simple method of measuring beach profiles[J]. Limnology and Oceanography， 1961， 6(1): 90-93．

[5]Turner I L， Goodwin I， Davidson M A， et al. Planning for an Australian National Coastal Observatory: monitoring and forecasting coastal erosion in a changing climate[C]// Proceeding of Coastal and Ports. Perth, 2011：737-743．

[6]Harley M D， Turner I L， Short A D， et al. Assessment and integration of conventional， RTK-GPS and image-derived beach survey methods for daily to decadal coastal monitoring[J]. Coastal Engineering， 2011， 58(2): 194-205．

[7]Balouin Y， Rey-Valette H， Picand P A. Automatic assessment and analysis of beach attendance using video images at the Lido of Sète beach， France[J]. Ocean & Coastal Management， 2014， 102(41): 114-122．

[8]Almar R， Ranasinghe R， Sénéchal N， et al. Video-based detection of shorelines at complex meso-macro tidal beaches[J]. Journal of Coastal Research， 2012， 28(5): 1040-1048．

[9]Aarninkhof S G J， Turner I L， Dronkers T D T， et al. A video-based technique for mapping intertidal beach bathymetry[J]. Coastal Engineering， 2003， 49(4): 275-289．

[10]Holman R A， Stanley J. The history and technical capabilities of Argus[J]. Coastal Engineering， 2007， 54(6): 477-491．

[11]Plant N G， Aarninkhof S G J， Turner I L， et al. The performance of shoreline detection models applied to video imagery[J]. Journal of Coastal Research， 2009，23(3): 658-670．

[12]Uunk L， Wijnberg K M， Morelissen R. Automated mapping of the intertidal beach bathymetry from video images[J]. Coastal Engineering， 2010， 57(4): 461-469．

[13]Smith R K， Bryan K R. Monitoring beach face volume with a combination of intermittent profiling and video imagery[J]. Journal of Coastal Research， 2007，23(4): 892-898．

[14]Holland K T， Holman R A， Lippman T C， et al. Practical use of video imagery in nearshore oceanographic field studies[J]. IEEE Journal of Ocean Engineering， 1997， 22(1): 81-92．

[15]Abdel-Aziz Y I, Karara H M. Direct linear transformation from comparator coordinates into object space coordinates in close-range photogrammetry[C]//Proceeding of the ASP Symposium on Close Range Photogrammetry, Fall Church VA: American Society of Photogrammetry, 1971: 1-18.

[16]龚涛. 近景摄影测量控制点布设方案的研究[J]. 西南交通大学学报， 1997， 32(3): 330-335．

Gong Tao. A scheme for distribution of control points in close-range photogrammetry[J]. Journal of Southwest Jiaotong University， 1997， 32(3): 330-335．

[17]Boak E H， Turner I L. Shoreline definition and detection: A review[J]. Journal of Coastal Research， 2005， 21(4):688-703．

[18]Paris P， Mitasova H. Barrier island dynamics using mass center analysis: A new way to detect and track large-scale change[J]. ISPRS International Journal of Geo-Information， 2014， 3(1): 49-65．

[19]严海兵， 李秉柏， 陈敏东. 遥感技术提取海岸线的研究进展[J]. 地域研究与开发， 2009， 28(1): 101-105．

Yan Haibing， Li Bingbai， Chen Mindong. Progress of researches in coastline extraction based on RS technique[J]. Areal Research and Development， 2009， 28(1): 101-105．

[20]Rajinikanth V， Couceiro M S. RGB histogram based color image segmentation using firefly algorithm[J]. Procedia Computer Science， 2015， 46(5): 1449-1457．

[21]林伟明， 胡云堂. 基于YUV颜色模型的番茄收获机器人图像分割方法[J]. 农业机械学报， 2012， 43(12): 176-180．

Lin Weiming， Hu Yuntang. Image segmentation method based on YUV color space for tomato harvesting robot[J]. Transactions of the Chinese Society for Agricultural Machinery， 2012， 43(12): 176-180．

[22]Ganesan P， Rajini V， Rajkumar R I. Segmentation and edge detection of color images using CIELAB color space and edge detectors[C]// Emerging Trends in Robotics and Communication Technologies (INTERACT)， 2010 International Conference on. IEEE， 2010: 393-397．

[23]龙建武. 图像阈值分割关键技术研究[D]. 长春：吉林大学， 2014．

Long Jianwu. Research on Key Techniques of Image Thresholding[D]. Changchun：Jilin University， 2014．

[24]Otsu N. A threshold selection method from gray-level histograms[J]. Automatica， 1975， 11(285/296): 23-27．

[25]Aslam A， Khan E， Beg M M S. Improved edge detection algorithm for brain tumor segmentation[J]. Procedia Computer Science， 2015， 58(8): 430-437．

[26]Shrivakshan G T， Chandrasekar C. A comparison of various edge detection techniques used in image processing[J]. International Journal of Computer Science Issues， 2012， 9(5): 272-276．

[27]宋寅卯， 刘磊. 图像分割研究方法及进展[J]. 电脑学习， 2010(2): 1-3．

Song Yinmao， Liu Lei. The methods and progress of image segment[J]. Computer Studies， 2010(2): 1-3．

[28]薛卫鹏. 基于Otsu算法与数学形态学的图像分割算法研究[D]. 沈阳：东北大学， 2009．

Xue Weipeng. An analysis of image segmentation based on otsu method and mathematic morphology[D]. Shenyang：Northeastern University， 2009．

[29]朱培逸， 刘红晴. 基于数学形态学图像分割算法在水果分级中的应用[J]. 科学技术与工程， 2013 (34): 10375-10380．

Zhu Peiyi， Liu Hongqing. Facial expression recognition using multi-feature fusion in color space[J]. Science Technology and Engineering， 2013(34): 10375-10380．

[30]鄢文晋. 蚁群算法及其在数据挖掘中的应用[D]. 重庆: 重庆大学， 2007：52-59．

Yan Wenjin. Ant Colony Algorithm and Its Applications in Data Mining[D]. Chongqing: Chongqing University， 2007：52-59．

[31]Nezamabadi-pour H， Saryazdi S， Rashedi E. Edge detection using ant algorithms[J]. Soft Computing， 2006， 10(7): 623-628．

[32]韩彦芳， 施鹏飞. 基于蚁群算法的图像分割方法[J]. 计算机工程与应用， 2004， 40(18): 5-7．

Han Yanfang， Shi Pengfei. Image segmentation based on improved ant colony algorithm[J]. Computer Engineering and Applications， 2004， 40(18): 5-7．

[33]Bansal S， Aggarwal D. Color image segmentation using CIElab color space using ant colony optimization[J]. International Journal of Computer Applications， 2011， 29(9): 28-34．

[34]庞晓敏， 闵子建， 阚江明. 基于HSI和LAB颜色空间的彩色图像分割[J]. 广西大学学报: 自然科学版， 2011， 36(6): 976-980．

Pang Xiaomin， Min Zijian， Kan Jiangming. Color image segmentation based on HSI and LAB color space[J]. Journal of Guangxi University: Natural Science Edition， 2011， 36(6): 976-980．

Analysis method of waterline change from nearshore video images based on ant colony optimization

Yi Weidong1， Yu Xinsheng1，2， Cui Shanggong1

(1.CollegeofMarineGeosciences，OceanUniversityofChina，Qingdao266100，China; 2.KeyLabofSubmarineGeoscienceandProspectingTechniques，MinistryofEducation，Qingdao266100，China)

Abstract:Because of the characteristics of low cost and high spatio-temporal resolution, nearshore video remote sensing technology has become an alternative means for coastal dynamic monitoring in recent years. For nearshore video monitoring, the waterline position can be used as a proxy indicator for mapping the shoreline changes of beach. Under the influence of complex beach terrain and irregular variation of waves and tides, accurate detection of waterline changes from video images has become one of the challenge problems in nearshore video remote sensing. A combined CIELab color model with ant colony optimization algorithm to detect the edge of waterline has been proposed and it has been evaluated under high water level changeduring typhoon storm surge in Shilaoren Beach, Qingdao city. The results of both comparison with traditional methods for edge detection and field images evaluation have showed that the proposed method has better reliability, accuracy and the ability to preserve the detail edges and anti-noise capability, which is particularly suitable for quantifying waterline efficiently. The feasibility of the proposed method for extracting waterline automatically from field video images in extreme weather conditions is demonstrated and it is showed this method is capable to incorporate into an automotive coastal video system for long term shoreline dynamic change monitoring.

Key words:video image; waterline detection; CIELab color model； ant colony optimization； coastal zone monitoring

收稿日期：2015-12-01；

修订日期：2016-03-12。

基金项目：国家自然科学基金项目(41176078)；中国海洋石油总公司科技发展项目(C/KJFJDSY 003-2008)。

作者简介：伊伟东(1989—)，男，山东省淄博市人，主要从事海岸摄影测量与地理信息研究。E-mail：jkdywd@163.com *通信作者：于新生(1960—)，男 ，主要从事海底观测及信息处理研究。E-mail：xsyu@ouc.edu.cn

中图分类号:P715.7

文献标志码：A

文章编号：0253-4193(2016)07-0072-13

伊伟东，于新生，崔尚公. 基于蚁群优化的近岸影像水边线变化分析方法[J]. 海洋学报， 2016， 38(7):72-84， doi:10.3969/j.issn.0253-4193.2016.07.007

Yi Weidong， Yu Xinsheng， Cui Shanggong. Analysis method of waterline change from nearshore video images[J]. Haiyang Xuebao， 2016， 38(7):72-84， doi:10.3969/j.issn.0253-4193.2016.07.007