高分辨率遙感衛(wèi)星影像的河流提取方法研究

王民，卞瓊，高路

西安建筑科技大學(xué)信息與控制工程學(xué)院，西安 710055

高分辨率遙感衛(wèi)星影像的河流提取方法研究

王民，卞瓊，高路

西安建筑科技大學(xué)信息與控制工程學(xué)院，西安 710055

1 引言

河流網(wǎng)作為流域地形特征的基本骨架在GIS中占據(jù)重要地位，河流本身在不同時期，不同環(huán)境中的狀態(tài)同時也在地理信息系統(tǒng)中發(fā)揮著非常重要的作用[1]。故在近幾年，有許多國內(nèi)外科學(xué)家正在對怎樣認(rèn)知河流的空間地理信息不斷地進(jìn)行研究。本文基于前者在各類地物提取方面所做出的巨大成果，提出了一種能夠準(zhǔn)確、快速提取河流的方法。

由于傳統(tǒng)的遙感影像分類一般基于影像的光譜信息進(jìn)行提取相關(guān)的特征，再通過監(jiān)督分類或者非監(jiān)督分類進(jìn)行遙感模式識別[2]。但實(shí)際上從衛(wèi)星傳感器到分布在地面上的各類地物之間存在較大的差異，再加上物體本身對光有反射作用以及同物異譜，同譜異物[3]現(xiàn)象的存在，使得遙感影像提取的精確度受到很大程度上的限制。換句話說，單一利用遙感影像的光譜進(jìn)行對象分類有很大缺陷。所以多特征描述成為河網(wǎng)提取的必然發(fā)展趨勢。

2 高分辨率遙感影像中河流的特征描述

在算法研究過程中，根據(jù)高分辨率遙感衛(wèi)星影像具有高分辨率的屬性，以傳統(tǒng)波譜特征為基礎(chǔ)綜合運(yùn)用紋理特征和形狀特征來識別不同類型的河流。

2.1 光譜特征描述

早期區(qū)分不同地物之間的差異普遍利用光譜特征這個遙感影像的本質(zhì)特征對地物特征進(jìn)行提取。但由于光譜特征[4]是由目標(biāo)物的顏色、灰度或顏色波段間的亮度比構(gòu)成的，研究者起初通過提取圖像上點(diǎn)的灰度值作為光譜特征值，一系列研究實(shí)驗(yàn)證明單一的特征值提取地物效果較差，所以本文希望通過綜合地物光譜曲線特征以及地理學(xué)特征，選擇另外多個光譜特征值作為光譜特征統(tǒng)計量。

特征值一：求區(qū)域平均值

針對整幅遙感影像或者影像中的某個區(qū)域，將所有像素灰度值相加求平均得到圖像的平均值。對于一個多通道的圖像對象每個光譜對應(yīng)的圖像對象均可以使用式（1）計算均值：

其中Xi表示圖像中第i個像素點(diǎn)的像素值；n=1，2，…，n（公式（2）中所涉及的n均與此相同）。

特征值二：求二階統(tǒng)計特征（標(biāo)準(zhǔn)差）

標(biāo)準(zhǔn)差用來說明每個通道的一階統(tǒng)計與各通道之間的相連關(guān)系。

其中標(biāo)準(zhǔn)差的公式如式（2）：

2.2 紋理特征描述

因?yàn)橐环N紋理一般唯一地對應(yīng)著一種物體表面，而紋理信息在高分辨率遙感影像中顯得尤為突出，所以可選作地物之間差異的本質(zhì)特性。在1992年，P.P.Ohanian等人就對多種紋理測量技術(shù)進(jìn)行過分析比較[5]，證明了基于灰度共生矩陣的統(tǒng)計方法的優(yōu)越性勝于其他方法，而被廣泛應(yīng)用。之后，Haralick等人又認(rèn)為灰度共生矩陣的計算一般要利用10到14種統(tǒng)計量才能完全表示[6]，但后來Baraldi經(jīng)過研究又發(fā)現(xiàn)在所有灰度共生矩陣中唯有對比度、自相關(guān)性、角二階矩陣、熵、均勻性這幾個統(tǒng)計量在遙感影像中反應(yīng)信息的能力最強(qiáng)[7]。實(shí)驗(yàn)中通過對紋理特征參數(shù)進(jìn)行計算對比（在本次對比實(shí)驗(yàn)中除了選擇河流目標(biāo)外，還選擇了橋梁、道路、居民地、苗圃、池塘[8-9]等典型目標(biāo)種類）同時因要考慮算法的快速性問題，最終把用來描述高分辨率遙感衛(wèi)星影像紋理特征的灰度共生矩陣[10]用熵、對比度以及角二階矩三個統(tǒng)計量來表示。

統(tǒng)計值一：求熵

它描述了圖像信源的平均信息量。代表了影像紋理的非均勻程度和復(fù)雜程度，是一種隨機(jī)性的度量因子。計算公式為式（3）：

式中p(i，j)表示影像中的像素點(diǎn)在同一個移動窗口之下具有相同角度，相同距離的像素對的個數(shù)所占的比例即像素對出現(xiàn)的概率。n=1，2，…；i=0，1，…；j=0，1，…（公式（4）（5）中所涉及的n、i、j均與此相同）。

統(tǒng)計值二：求對比度

它反映圖像的灰度差，對比度越大反應(yīng)的圖像越清晰。計算公式為式（4）：

式中p(i，j)表示影像中像素對出現(xiàn)的概率。

統(tǒng)計值三：求角二階矩陣

它表征了圖像灰度分布的均勻程度。計算公式為式（5）：

2.3 幾何特征描述

因?yàn)楦叻直媛蔬b感衛(wèi)星影像的高分辨率特性，河流在影像中表現(xiàn)出清晰的長條狀[11]，形如絲帶。所以將河流的這種區(qū)別于其他各種地物的特殊特性加以利用，從而提高提取效果，地物目標(biāo)區(qū)域的幾何形狀[12]特征參數(shù)主要有：周長、面積、體態(tài)比、方位角、邊界矩陣及形狀系數(shù)等。

本文利用八連通區(qū)域標(biāo)記法。在二維影像中，如果有8個相鄰的像素圍繞在目標(biāo)像素的周圍，且該目標(biāo)像素的灰度值與周圍上下左右相鄰的8個像素中某一個像素的灰度值滿足某種特定的相似性準(zhǔn)則[13]，那么就說該目標(biāo)像素P與像素A具有連通性（如圖1所示）。

圖1 八連通區(qū)域標(biāo)記示意圖

在各連通區(qū)域中，將圖像像素的個數(shù)以及圖像像素基準(zhǔn)點(diǎn)的坐標(biāo)都存入到以下數(shù)據(jù)結(jié)構(gòu)中：

通過實(shí)驗(yàn)比較最終選取連通區(qū)域體態(tài)比C作為特征參數(shù)，如式（6）所示：

式中，L表示連通區(qū)域最小外接矩形的長度，W則表示連通區(qū)域最小外接矩形寬度。則被檢測的連通區(qū)域Areas滿足式（7）：C為連通區(qū)域Areas的體態(tài)比，CTH為連通區(qū)域體態(tài)比閾值。

3 K-mean聚類分割

本文將利用光譜信息、紋理信息、幾何形狀信息的結(jié)合來形成綜合特征向量對遙感影像進(jìn)行分割提取。

通過實(shí)驗(yàn)驗(yàn)證，以目標(biāo)像素為中心，選擇移動窗口的大小為5，灰度級數(shù)為16，像素對的距離為2，像素對的相對方向θ為0°、45°、90°和135°的4個方向，基于灰度共生矩陣法的相關(guān)理論公式計算角二階矩、熵、對比度3個特征值，分別求取它們在4個不同角度方向的平均值和標(biāo)準(zhǔn)差作為紋理特征基礎(chǔ)向量，這6個紋理特征參量均為3個通道平均值。

體態(tài)比閾值選擇Cth=3.7進(jìn)行實(shí)驗(yàn)。

構(gòu)建綜合向量，有影像的3個光譜特征值、3個紋理特征值及幾何特征值共13×1的特征向量來表示：

得到圖像中每個像元的綜合特征向量后，將具有相似特征的區(qū)域歸為同類區(qū)域[14]，接著采用聚類算法進(jìn)行分析，對同類區(qū)域中的異類區(qū)域進(jìn)行去除，提取出影像河流分割結(jié)果。特征向量聚類算法的核心部分是選取適當(dāng)?shù)木垲愃惴ā?/p>

本文在借鑒以前的研究方法的基礎(chǔ)之上，通過對各種聚類算法的對比，K-mean聚類算法因其良好的優(yōu)越性被用來進(jìn)行綜合特征向量分割。整體算法流程如圖2所示，聚類分割流程如圖3所示。

圖2 河流影像整體算法流程框圖

圖3 聚類分割流程框圖

4 實(shí)驗(yàn)結(jié)果

4.1 對比實(shí)驗(yàn)

文中采用F.G.Wang等人提出的提取圖像主成分評價方法來評價文中的河流提取算法。根據(jù)預(yù)提取的河流等線性目標(biāo)的長度，分別計算各種算法提取河流結(jié)果的準(zhǔn)確率，遺漏誤差，冗余誤差。這三個指標(biāo)可以顯示出提取算法的好壞[15]。其中遺漏誤差指的是將提取的線性目標(biāo)錯誤地看做是背景或者噪聲而未提取出來所引起的誤差率，冗余誤差指的是誤把背景看做是線性目標(biāo)所引起的錯誤判斷率。現(xiàn)對worldview1原始影像分別采用單純的光譜，紋理信息及本文提出的綜合特征提取的結(jié)果求取平均值進(jìn)行定性，定量分析與評價，得出統(tǒng)計結(jié)果如表1～表3所示。

表1 基于光譜信息河流提取精度統(tǒng)計表（%）

表2 基于紋理信息河流提取精度統(tǒng)計表（%）

表3 基于綜合特征的河流提取精度統(tǒng)計表（%）

從以上三個表格可以看出本文提出的方法與原始方法相比精準(zhǔn)度和效率都有所提高。

4.2 提取結(jié)果

實(shí)驗(yàn)中所采用的原始影像是在2011年10月采集的一段河流區(qū)域，全區(qū)域中包括橋梁、道路、居民地、苗圃、池塘等地物信息。圖像是大小為686×595的0.5 m分辨率的worldview1衛(wèi)星遙感影像。利用MATLAB對本文提出的方法進(jìn)行驗(yàn)證，在計算機(jī)主頻1.73 GHz，內(nèi)存1 GB，Windows XP系統(tǒng)環(huán)境下平均處理時間為0.15 s。其中圖4為原始影像；圖5為經(jīng)過單純紋理特征分割后的圖像；圖6為經(jīng)過單純光譜特征分割后的圖像；圖7為多特征綜合聚類分割后的圖像。

圖4 原始影像

圖5 紋理特征提取結(jié)果

圖6 光譜特征提取結(jié)果

圖7 多特征綜合聚類分割后的圖像

5 結(jié)論

利用河流在圖像中的特性，提出一種多特征綜合利用的方法從高分辨率遙感影像中提取河流。由于高分辨率遙感衛(wèi)星影像光譜信息包含數(shù)據(jù)量巨大，所以單純地利用光譜信息并沒有像所想的那樣節(jié)省時間，反而是多特征綜合法通過分析提取具有代表性的影像特征，減少了大量數(shù)據(jù)的處理，同時多種特征量的約束使得目標(biāo)更加精準(zhǔn)，尤其是幾何特征使得小尺寸地物得以排除。所以認(rèn)為，綜合特征的利用即克服了同譜異物、紋理特征相似、不同地物形狀相似或相同等難以區(qū)分的問題，又縮短了運(yùn)行時間，提高了河流目標(biāo)的精準(zhǔn)度，能提取出理想的河流。但實(shí)際應(yīng)用中，情況復(fù)雜時，該方法還需繼續(xù)完善。

[1]于輝，徐軍.彩色遙感圖像目標(biāo)提取方法研究[J].遙感技術(shù)與應(yīng)用，2003，18（6）：388-392.

[2]秦其明.TM圖像特征抽取研究[C]//中國博士后首屆學(xué)術(shù)大會論文集.北京：國防工業(yè)出版社，1993：441-445.

[3]楊陽.高分辨率遙感影像中道路提取方法研究[D].西安：西安建筑科技大學(xué)，2011.

[4]陸超.基于worldview2影像的面向?qū)ο笮畔⑻崛〖夹g(shù)研究[D].杭州：浙江大學(xué)，2012.

[5]Ohanian P P，Dubes R C.Performance evaluation for four classes of texture features[J].Pattern Recognition，1992，25（8）：819-833.

[6]Haralick R M，Shanmugam K.Textural features for image classification[J].IEEE Trans on Systems Man Cybernet，1973（3）：610-621.

[7]Baraldi A，Parminggian F.An investigation on the texture characteristics associated with gray level co-occurrence matrix statistical parameters[J].IEEE Trans on Geoscience and Remote Sensing，1995，32（2）：293-303.

[8]韓晶.鄧喀中.SPOT影像水體提取方法比較[EB/OL]. [2012-08-20].http：//www.paper.edu.cn.

[9]郁金康.SPOT衛(wèi)星影像的水體提取方法及分類研究[J].遙感學(xué)報，2001，5（3）：214-219.

[10]侯海苗，冀小平.基于灰度共生矩陣的紋理特征[J].長治學(xué)院學(xué)報，2008（5）.

[11]李云，胡學(xué)龍.二值圖像中標(biāo)定目標(biāo)區(qū)域的幾何特征提取[J].微機(jī)發(fā)展，2000（5）.

[12]齊義娜.面向?qū)ο蟮母叻直媛蔬b感影像信息提取與尺度效應(yīng)分析[D].長春：東北師范大學(xué)，2009.

[13]吳皓，劉政凱，張榮.圖像中橋梁目標(biāo)識別方法的研究[J].遙感學(xué)報，2003，7（6）：478-484.

[14]單麗杰.基于子圖像特征的目標(biāo)提取方法[J].紅外與激光工程，2004，339（6）：597-599.

[15]Wang F G，Newkirk R.A knowledge-based system for highway network extraction[J].IEEE Trans on Geoscience and Remote Sensing，1998，26（5）：525-531.

WANG Min,BIAN Qiong,GAO Lu

Information and Control Engineering College,Xi’an University of Architecture and Technology,Xi’an 710055,China

In order to overcome the defects that extracts rivers sample with spectrum information,using high-resolution remote sensing satellite imagery of the outstanding features of high resolution,a method of comprehensive satellite image feature is put forward,including spectrum,texture,geometric features and so on.It is a method that extracts river with joint features.The rivers spectral features,texture features and geometric shape features are described respectively.By selecting characteristic parameters,structure integrated characteristic matrix,this paper reuses the average clustering segmentation,and eventually gets river target.The real high-resolution remote sensing images Worldview1 experiments validate the preciseness and rapidity of the methods.

rivers extraction;feature extraction;K-mean;Worldview1 image;multi-feature fusion

為了克服單純采用光譜信息提取河流的缺陷，利用高分辨率遙感影像突出的高分辨率的特性提出一種綜合影像中光譜、紋理、幾何特性等多特征聯(lián)合提取河流的方法。該方法分別對河流水體的光譜特征、紋理特征及河流幾何形狀進(jìn)行描述，選取特征參數(shù)，構(gòu)造綜合特征矩陣，利用均值聚類分割最終得到河流目標(biāo)。通過對真實(shí)高分辨率遙感影像Worldview1影像進(jìn)行的實(shí)驗(yàn)驗(yàn)證了該方法的高精準(zhǔn)性及快速性。

河流提取；特征提取；K-mean；Worldview1影像；多特征融合

A

TP751.1

10.3778/j.issn.1002-8331.1210-0314

WANG Min,BIAN Qiong,GAO Lu.High resolution satellite remote sensing images’rivers extraction method. Computer Engineering and Applications,2014,50（18）：193-196.

國家自然科學(xué)基金（No.61073196）；陜西省自然科學(xué)基礎(chǔ)研究基金（No.2011JM8026）；陜西省科研基金（No.x05016）。

王民（1959—），副教授，碩士研究生導(dǎo)師，研究方向?yàn)橹悄苄畔⑻幚恚槐瀛偅?988—），女，碩士研究生，研究方向?yàn)橹悄芸刂啤-mail：635078177@qq.com

2012-10-29

2012-12-24

1002-8331（2014）18-0193-04

◎信號處理◎