高分辨率遥感影像海岸线提取方法范文

本站小编为你精心准备了高分辨率遥感影像海岸线提取方法参考范文，愿这些范文能点燃您思维的火花，激发您的写作灵感。欢迎深入阅读并收藏。

《海洋测绘杂志》2016年第6期

摘要:

海岸线快速准确提取具有十分重要的意义。利用遥感技术提取海岸线具有宏观、快速、综合、高频、动态和低成本等突出优势。然而，利用人工解译费时费力，而计算机自动解译精度低。对此，提出一种半自动的面向对象海岸线提取方法。首先利用eCognition进行图像分割，通过人机交互的方式进行海、陆标记，然后利用光谱直方图测度对象之间的相似性，最后通过两阶段对象合并的方式实现海岸线提取。使用高分2号数据分别提取人工和潮滩海岸。实验表明，本文方法具有快速、通用性强、精度高的优势。

关键词:

遥感影像;海岸线提取;遥感;半自动信息提取;面向对象;图像分割

1引言

海岸线是划分海洋与陆地管理区域的基准线，快速准确地实现海岸线测定和动态变化信息提取，对于海岸带区域使用管理规划、自动导航、目标定位、地图绘制等工作具有十分重要的意义［1－2］。相对于传统海岸线探测手段，遥感技术具有宏观、快速等突出优势，越来越多的专家学者开始利用遥感手段快速而准确地提取海岸线［3］。许多学者对这一问题作了积极的探索［3］，除目视解译和多光谱分类外，传统的海岸线提取方法包括:阈值分割法和边缘检测法［4］、主动轮廓模型法［5］、区域生长法［1，6］等。由于海岸带潮滩地形复杂，遥感影像上海岸线表现为“弱边界”，并且存在大量潮沟［5］，导致上述方法存在局限性。更重要的是，不同类型的海岸具有不同特征，其水边线也相应具有不同的特点［2］，算法的普适性有待检验。随着高分辨率遥感影像的普及，面向对象图像分析方法逐步兴起。面向对象方法通过对影像分割，使同质像元构成地理对象，从而实现较高层次的遥感图像分类和目标地物提取［7］。面向对象的优点是可以综合利用对象的光谱、纹理、语义等信息，但是其本质上是分割和分类方法的组合，需要由用户设定参数将水陆分离，仍然难以从根本上解决传统方法所面临的问题。交互式分割算法因其充分利用先验知识而引起研究人员的广泛关注［8］。本文探索如何将解译人员的目视判断信息和计算机统计推断结合，研究一种非参数、通用性强、精度高的高分辨率遥感影像海岸线提取方法。将这套算法用于青岛地区“高分2号”(GF－2)影像，分别提取人工海岸和潮滩海岸。

2海岸线半自动提取方法

本文提出了一种半自动的海岸线提取算法，其整体流程见图1，用户只需要提供少量的标记信息，无需对海陆进行参数化分析。首先，为了保持较好的初始对象边缘，得到均匀同质的对象，本文使用商业软件eCognition的多尺度分割算法(multiresolutionsegmentation，MRS)［9］进行初始分割，尺度参数设为10～20，形状权重设为0.1;然后，进行人工标记，以区域内的直方图为特征度量区域间的相似性。最后，通过两阶段区域合并将水陆分离。

2.1对象相似测度

光谱直方图接近人眼视觉响应［10］，不仅能够描述对象的全局特征，而且对噪声、光照变化和纹理具有较强的鲁棒性。因而，本文构造光谱直方图来描述对象特征。对图像进行初始分割后，按照如下步骤计算对象的光谱直方图:首先将每个光谱分量量化为ns个灰度级，其中s表示光谱分量，如R、G、B、Nir等。然后，将新量化后的光谱矢量转化为标量索引z。以RGB彩色图像为例，分别将R、G、B三个通道量化为nR、nG、nB个灰度级别。假定像素点i量化后的颜色矢量为［ri，gi，bi］，那么对应的索引zi表示为:zi=ri+gi•nR+bi•nR•nG(1)该过程中索引z能够充分反映光谱矢量信息。然后计算每个对象的直方图HistuR:HistuR=∑x∈R∫z2z1δ(z－R(X))dz(2)式中，R为对象标号;u为箱格号;X为对象R中像元的位置;Z1、Z2为箱格u的上下界;z为像元的光谱索引值;δ为狄拉克函数。利用对象光谱直方图，定义如下相似测度表征对象Q和R的相似度:ρ(Q，R)=∑16nu=1HistuR•Hist槡uQ(3)对象Q和R的相似度ρ(Q，R)能够充分描述对象之间的相似性。

2.2两阶段对象合并

通过迭代合并逐步将未标记对象合并到已标记对象，从而实现目标提取。合并过程分为两个阶段:第一阶段，未标记对象与背景标记对象合并，迭代增长背景区域。当背景区域停止增长则进入第二阶段;第二阶段，自适应地合并未标记对象，包括未标记对象与目标对象合并、未标记对象间相互合并。两阶段迭代执行，因而每个对象都能得到正确的类别，使算法收敛。根据文献［11］，在每个阶段可以通过迭代合并最相似的对象满足，相应的合并判据为:P(Q，R)=Trueifρ(Q，R)=Maxj=1，2，…，kρ(Q，SQj)False{Otherwise(4)式中，SQj为Q的任一相邻对象。如果R是Q的最相似对象，那么R=R∪Q;反之，拒绝Q与R合并。

3实验分析

从图像上可以看出，采取传统的边缘检测算子是难以直接从影像中得到连续、完整岸线。选取青岛市“高分二号”(GF－2)卫星影像进行试验。主要包括两种海岸线，图2(a)是青岛西海岸典型的人工海岸，岸线相对完整、平滑;图2(b)为胶州湾地区典型的淤泥质潮滩，存在大量潮沟，岸线较模糊，并且胶州湾内部存在跨海大桥和较多的过往船只等干扰信息。本文选用面向对象的图像分析方法作为对比方法，其试验平台为eCognitionDeveloper。采取面向对象的监督分类方法，利用光谱、水体指数、植被等数等指数和灰度共生矩阵等纹理特征，使用随机森林分类器［12］，对海域和陆地进行分类，检测出海岸线。为确保实验公平，分类器的输入样本规模大于本文的人工标记。从图像上可以看出，采取传统的边缘检测算子是难以直接从影像中得到连续、完整岸线。需要指出，由于以下两个原因，对于海岸线提取算法的精度进行定量的评估是相当困难的:①“海岸线”有一定模糊度，对于陆地和水域中间的过渡地段(如海滩)有时很难定义明显的海陆分界线;②很难获取用于验证的地面真实数据［5］。大部分有关海岸线检测的文献，均只定性地给出了一定的主观性评估。基于上述分析，本文也仅基于目视判断来对二种算法的检测结果进行定性精度比较。本文实验平台为Windows64位操作系统，2.9GHzIntelPentiumCPU，6GBRAM，Matlab2013a和eCognitiondeveloper9.0。

3.1人工海岸实验

本算法不需要用户输入任何的参数，用户操作简单，仅需提供目视判断信息。人工海岸线通常不受潮汐的影响。对此，用户只需要大致的标记海域和陆地的位置，如图3(a)所示，陆地被标记为目标(绿色)，海洋被标记为背景(蓝色)。除了蓝色和绿色的标记线，图3(a)还叠加显示了一些黑色的细线，它们是初始分割的边界线。图3(b)是本文方法提取的海岸线结果，它具有平滑、连续的特点。图3(c)是用户选取的水体和陆地的样本，其中黄色表示陆地、蓝色表示海洋。通过与图3(a)对比，可以看出其规模大于本文的标记。然而，从图4(d)中可以看出，面向对象方法未能有效的提取人工海岸线。

3.2潮滩海岸实验

由于砂质和淤泥质潮滩海岸受潮位影响较大，提取结果均为影像获取时间的瞬时水边线，须经过潮位改正后方能作为海岸线。潮位校正一般根据卫星成像时刻的潮位高度、平均大潮高潮位的潮水高度以及海岸坡度等信息计算水边线至高潮线的水平距离，从而确定海岸线的位置［3］。基于上述分析，用户有必要在提取瞬时水边线的同时，结合实际情况，提取潮滩区域。这样做不仅可以为融合多源数据的海岸线提取奠定基础，有利于结合潮位、DEM等数据推算精确的海岸线［2，13］，也有利于海岸带环境分析。本算法能够灵活应对上述需求，可以根据海岸线的实际情况灵活的设置标记。如图4(a)所示，本文在潮滩区域额外设置了橙色标记。如图4(b)所示，本文算法将水陆分界线和潮滩同时提取出来。在潮滩位置，存在的弱边界、潮沟等并没有影响本文方法的提取效果，得到的边界平滑、连续。并且，本文的方法没有受到胶州湾内部船只、岛屿和跨海大桥的影响。图4(b)是本文方法提取的海岸线结果，它具有平滑、连续的特点。图4(c)是用户选取的足量样本，其中红色表示潮滩。然而，从图4(d)中可以看出，面向对象方法未能有效排除海湾中的干扰因素，将跨海大桥识别为陆地，并且潮滩和陆地存在很多的混淆。从表1中可以看出，本文的运算时间显著低于向对象分析法的耗时。这是因为，本文的方法所利用的特征比较简洁，算法效率高。面向对象方法所使用的特征比较复杂，分割、训练和分类需要消耗较长的时间。

4结束语

本文提出一种半自动的面向对象高分辨率遥感影像海岸线提取方法。该方法不仅具有面向图像分析的优点，也能够直接有效的融合解译人员的判读信息，减轻解译人员的负担。相对于监督分类的方法，该方法无需反复调整实验参数。本文分别对人工海岸和潮滩海岸进行实验，获得了连续、平滑的高精度海岸线，表明该方法具有快速、通用性强、精度高的优势。通常，潮滩海岸受潮汐等因素的影响，从遥感图像上直接提取的并不是真正意义上的海岸线，而是水陆分界线，需要结合潮汐和地形信息进行校正。需要指出，对于潮滩海岸，本文能够同时提取潮滩和水陆分界线，为后续的潮汐校正提供基础。总体而言，本文所提出的半自动方法是一种有价值的高分辨率遥感影像海岸线提取算法。

参考文献:

［1］谢明鸿，张亚飞，付琨．基于种子点增长的SAR图像海岸线自动提取算法［J］．中国科学院大学学报，2007，24(1):93-98．

［2］张旭凯，张霞，杨邦会．结合海岸类型和潮位校正的海岸线遥感提取［J］．国土资源遥感，2013，25(4):91-97．

［3］毋亭，侯西勇．国内外海岸线变化研究综述［J］．生态学报，2016(4):1-13．

［5］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．

［6］张继领，冯伍法，张艳．基于边缘引导约束的高分辨率遥感影像海岸线提取［J］．海洋测绘，2015，35(6):58-61．

［7］吴小娟，肖晨超，崔振营．“高分二号”卫星数据面向对象的海岸线提取法［J］．航天返回与遥感，2015(4):84-92．

［8］周良芬，何建农．弱交互式水边线提取新算法［J］．计算机工程与设计，2013，34(4):1442-1445．

［13］申家双，翟京生，郭海涛．海岸线提取技术研究［J］．海洋测绘，2009，29(6):74-77．

作者:王鹏 孙根云 王振杰 单位:中国石油大学(华东)地球科学与技术学院