基于面向对象技术的水边线提取快速方法

唐立军++杨立君++王得玉++李文梅

摘 要：文章针对遥感方法提取弱水边线不连续问题，结合Canny算子边界定位的准确性与支持向量机二元分类的优越性，提出了基于面向对象技术的水边线快速提取方法。采用Canny算子对遥感影像进行影像分割，支持向量机结合纹理、几何等空间信息方法对分割单元进行水体与非水体信息二元分类。根据热红外波段水体非水体光谱特征，使用交互式数据语言编程基于网格法自动选择水体与非水体样本，快速完成水边线矢量信息提取。实验结果表明：该方法提取水边线快速、高效，在弱水边线处水边线在定位精度、连续性方面与其他方法相比表现出较大优势，研究结果对海岸线调查、潮滩地形遥感反演具有重要的参考价值。

关键词：水边线提取；面向对象；网格；Canny；支持向量机

中图分类号：P237 文献标志码：A 文章编号：2095-2945（2017）27-0001-04

1 概述

水边线是水陆交界线，是遥感影像上重要的特征线。水边线信息提取对于后续的海岸线提取、潮滩地形建模、影像定位、岸线变迁等研究具有重要的意义。如何从遥感影像上快速准确地提取水边线，一直是国内外学者研究的热点。JooHyung Ryu等人在韩国Gomso湾潮间带利用TM数据阈值分割法进行水边线提取[1]，并探讨了不同TM波段在提取水边线时的有效性，具有实现简单，处理速度快的优点，但当水陆分界线两侧的影像特征不明显时效果较差；AndreasNiedermeier等人研究了基于小波边缘检测的SAR图像水边线提取[2]，这种方法获得的水边线位置较为准确，但受噪声影响大，致使提取的水边线出现中断现象，难以得到完整的水边线；沈琦等用主动轮廓模型对SPOT5影像进行边缘提取[3]，适合于对简单图像的分割，但稳定性差、对初始轮廓线的位置要求比较高；申家双等提出了基于Canny算子和GAC模型相结合的影像水边线提取方法[4-5]，适合于强水边线，自动化程度较高，但对水边线严重凹陷及弱水边线效果较差。朱小鸽应用多时相Landsat卫星遥感图像，采用神经网络分类方法监测海岸线的变化并计算增长的陆地面积[6]，该方法对坡度平缓的淤泥质潮滩水陆分离效果不佳。

由于遥感影像弱边缘水边线处的灰度和色度变化甚微，采用上述方法提取的效果往往都不理想，无法满足后续研究和自动测图的需求。为此，本文将Canny边缘检测、支持向量机及面向对象等技术优势相结合，提出了一种基于面向对象技术的水边线快速提取方法，并进行了实验验证，得到了较满意的效果。

2 数据与方法

2.1 研究区与数据

选取海岸带背景复杂的上海崇明东滩为研究区。上海崇明东滩属于淤泥质潮滩，滩面宽阔、坡度平缓，水边线破碎不易精确提取，常作为弱水边线提取的研究对象。以预处理后的Landsat5 TM影像为影像数据源，遥感影像成像时间为2007年4月7日，成像时刻风力2-3级、天气晴朗，属于落潮低潮期影像。

2.2 研究方法

面向对象分类能够充分利用地物的光谱、纹理、形状大小及上下文等空间信息，提取“同质”多边形对象，分类精度高[7]。本文针对水边线提取应用对面向对象技术中的影像密度分割、影像分类及样本的自动选择等技术环节展开研究。

（1）基于空间分析的影像分割

影像分割是将整个影像区域根据相应原则，分割成若干互不交叠的非空内部是联通的子区域的过程，是面向对象技术的关键。影像的边缘一般是图像中像素灰度有阶跃变化或者屋顶状变化的像素集合，影像边缘能够勾画出地物的外观轮廓特征，对于地物信息提取有重要意义。Canny算子在二维情况下能够计算边缘梯度和强度两方面的信息，具有良好的抗噪性和边缘定位能力[8-9]。空间自相关分析可以统计一个区域地物信息分布的同一属性信息，在空间上的相互关系，能够描述地物在空间域中一个位置上的变量与其邻近位置上同一变量的相关性。因此通过对影像做空间自相关性分析有利于地物相关信息的聚类，能够在一定程度上提高地物的边缘信息。本文选择Geyry's C指数对影像做局部统计空间自相性分析，该指数能够很好的探测出聚集区域的边界，其定义公式为：

对于遥感影像进行Geyry's C指数计算后，基于Canny算子对局部统计结果再进行边缘检测。

（2）基于格网的样本自动选择

样本自动选择是遥感技术自动提取水边线的关键步骤。在弱水边线处滩面常驻留大量水体，海水里面泥沙含量大，水陆光谱特征不明显，水陆区分困难。然而水体与非水体在温度上却有明显的差别，特别是炎热的夏季差异更加显著。热红外波段可以探测物体温度的差别，依据热红外波段可以进行水陆初步分离。在水体和陆地的分布区范围内可随机选取纯净水体和纯净陆地作为分类样本。为避免样本分布过于集中，在整个研究区内可设置网格，在网格中均匀选取水体与陆地样本。计算Landsat5 TM影像各波段直方图（如图1所示），从中可以看出热红外波段（TM-6）具有明显的双波峰性质，将TM-6波段作为基础数据自动选择样本具有可行性。

（3）基于多元信息的支持向量机影像分类

支持向量机（SVM）是由Vapnik等针对2类线性可分情况寻找最优分类面的问题提出的[10]。主要思想是建立一个超平面作为决策曲面，使得正例和反例之间的隔离边缘被最大化。而对线性不可分的问题，则可通过核函数将低维输入空间的数据映射到高维空间，以便将原低维空间的线性不可分问题转化为高维空间上的线性可分问题[11-12]。

设训练样本定义为K维向量xi，对应的目标值为yi，则

式中：k为训练样本数；RN为输入训练样本x的特征空间。xk∈RN，（k=1，…，l），被非线性地映射到某一特征空间，得到（？准（x1），…，？准（xl）），則在特征空间的点积形式可以通过Mercer核函数表示K（xi，xj）=？准（xi）·？准（xj） ，用SVM解决低维空间的非线性分类问题，主要考虑的最优化问题是使得：endprint

满足： ， 。式中，zi=？准（xi）为非线性影射；[（w，zi）+b]i为决策函数；（w，w）为向量内积运算；C为预设值；？孜i为松弛因子。根据最优化理论和核函数方法，最后确定决策函数为：

式中：i为Lagrange乘子；b为偏差。对于给定的x∈RN都可能由f（x）得到y∈RN，从而得到一个近似的预测值。支持向量机对于二元分类具有一定的优势。

水体与非水体两类地物在光谱信息、纹理信息及几何形状上具有明显差异，在支持向量机分类中辅助上述信息，对提高分类精度具有重要帮助。本文辅助光谱、纹理、上下文及几何形状等多元信息，应用支持向量机方法对分割后的影像进行水体与非水体信息分类。

3 结果与分析

3.1 影像分割

在进行空间自相关分析前，对遥感影像除第六波段外的所有波段进行主成分分析。然后，选取第一分量进行Geyry's C指数对影像做局部统计空间自相性分析。最后，对于分析后的结果进行Canny算子边界提取及边界连接，图2为影像分割结果。通过局部放大可以看出影像分割边界定位准确，在水边线破碎地带也能较好的进行水边界定位，能够有效地克服水边线“破碎”和“淹没”现象。

3.2 样本选择

将TM-6波段作为基础数据，应用最大津法确定分割阈值实现水陆初步分离，图3为水陆分离结果。从图中可以看出该方法能够有效的将水体与陆地进行分离，包括露出海面的小岛也能有效提取。由于TM-6波段空间分辨率为120米，因此水陆分离精度较低。以初步水陆分离的遥感影像为基础构建网格，然后计算每个格网内像元的DN均值及方差，将方差较小且均值较大或较小的网格点，作为水体（亮点）与陆地（暗点）样本，并去掉距离较近的样本（保证样本的均匀分布）。图4为基于格网的样本选择结果，从图中可以看出水体陆地样本点选择正确，且能均匀分布。基于TM-6的水陆分离确定水边线精度较差，但对于样本选择却具有有效性。

3.3 影像分类及边界提取

灰度共生矩阵计算各波段纹理信息，将纹理信息作为辅助数据，各波共同参与对分割影像进行支持向量机分类，图5为支持向量机影像分类结果。从图中可以看出未分类像元少，水边线连续，通过放大可以看出水体边界定位准确，破碎地段少，能够有效区分弱水边线处水体与非水体信息。最后应用图像处理软件（ENVI、ArcGIS等）对分类后影像进行矢量边界提取，提取结果如图6所示。

3.4 水边线质量评价

基于遥感技术提取的水边线是具有动态特征的水陆交界线，其位置精度及连续性很难评价，目前并没有统一标准。为验证上述水边线提取方法的有效性，本文采用比较分析法进行质量评价。基本思想是，通过目视解译矢量化方法提取遥感影像水边线，并作为标准值（真值）与计算机自动半自动提取的水边线进行对比分析，主要从定位精度、连续性两方面进行质量评价[13]。水边线定位精度使用传统的中误差计算方法。主要步骤：（1）在每条水边线上取间距近似相同的50个样本点。（2）量测样本点到真值水边线的最小距离。（3）按照公式（4）计算水边线定位精度。由于人工方法测定距离具有一定的主观因素，计算结果取3人次结果的平均值。

式中：m为中误差，即在30米空间分辨率的情况下水边线误差的平均值；L测为不同算法提取水边线样本点位，L真为目视解译样本点对应真实位置，N为采样点数。连续性通过主观比较分为优、良、中、差四个等级。当前遥感方法提取水边线主要包括：波段密度分割法、缨帽变换-密度分割法、RGB-HSV转换——密度分割法、谱间关系法、修正水体指数法、监督分类法、边缘提取法及纹理分析-密度分割法等方法，图7展示了部分方法提取的水边线。应用对比分析法对不同方法提取的水边线进行质量评价，其结果详见表1所示。从表中可以看出本文提出的水边线提取方法定位精度最高，连续性最好。基于TM-5波段的密度分割法定位精度最差，连续性也最差。

4 结束语

针对遥感技术弱水边线提取困难问题，本文利用水体与非水体在热红外波段的光谱差异，结合CANNY算子边界定位的准确性，支持向量机二分类的优越性，基于网格提出了面向对象技术的水边线快速提取算法。实验结果表明：利用TM-6波段水体和非水体的光谱特征，利用格网能够自动获取水体与非水体样本，解决了自动提取水边线的关键问题；在对遥感影像局部自相关统计分析的基础上，使用CANNY算子边缘检测的影像分割，分割结果体现出了边单一CANNY算子边缘检测边界定位能力强，水边线定位精度高。另外，辅助纹理信息及光谱信息的支持向量机面向对象分类方法比单一的支持向量机分类方法分类精度高。研究区分成水体与非水体两类，未分类像元少，水边线连续性好。在面向对象分类中影像分割尺度与合并尺度很重要，如何确定适当的分割尺度与合并尺度还有待进一步研究。

参考文献：

[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，汪承义，赵斌.几何活动轮廓模型用于高分辨率遥感影像海岸线自动提取[J].复旦学报（自然科学版），2012，51（1）：77-82，104.

[4]申家双，郭海涛，李海滨，等.基于Canny算子和GAC模型相结合的影像水边线提取方法[J].测绘科学技术学报，2013，21（3）：264-268.

[5]郭海涛，孙磊，申家双，等.一种四叉树和测地线活动轮廓模型相结合的海陆影像分割方法[J].测绘学报，2016，45（1）：65-72.

[6]朱小鸽.珠江口海岸线变化的遥感监测[J].海洋环境科学，2002，21（2）：19-24.

[7]王贺，陈劲松，余晓敏.面向对象分类特征优化选取方法及其应用[J].遥感学报，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]黄亮，左小清，冯冲，等.基于Canny算法的面向对象影像分割[J].国土资源遥感，2011，4（1）：26-31.

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

[11]朱长明，张新，骆剑承，等.基于样本自动选择与SVM结合的海岸线遥感自动提取[J].国土资源遥感，2013，25（2）：69-75.

[12]張淑雅，赵一鸣，李均利.基于SVM的图像分类算法与实现[J].计算机工程与应用，2007，43（25）：40-44.

[13]杨立君.基于多元遥感信息融合的淤泥质潮滩地形反演研究[D].南京：河海大学，2014.endprint