快鳥影像用于泥石流沖毀區自動提取

何曉寧，莫毅君，童俊濤

(西安航天天繪數據技術有限公司，西安 710061)

快鳥影像用于泥石流沖毀區自動提取

何曉寧，莫毅君，童俊濤

(西安航天天繪數據技術有限公司，西安 710061)

針對泥石流沖毀區難以自動提取的問題，該文基于快鳥(QuickBird)高分辨率影像，探討了泥石流沖毀區自動提取方法，提出一種多信息結合自動提取模型。該方法首先對原始反射率影像做纓帽變換，利用濕度分量和綠度分量的差得到初始泥石流沖毀區影像；其次利用閾值自動提取技術將疑似泥石流沖毀區區域與其他地物分離，得到泥石流沖毀區候選區域；最后提取出水體信息和植被稀少地區，對泥石流沖毀區候選區域進行掩膜運算，得到泥石流沖毀區，并對泥石流沖毀區中的小斑塊做后處理，得到相對準確的泥石流沖毀區分布范圍。實驗結果表明，此泥石流沖毀區自動提取模型是可行和有效的，取得了較好的結果；但對小斑塊泥石流提取的精度不高，需要加強研究。

泥石流沖毀區；高分辨率影像；QuickBird；掩膜；自動提取

0 引 言

泥石流是嚴重威脅山區及山前地區居民安全和工程建設的一種地質災害[1]。2010年舟曲縣突發的大規模泥石流造成了重大的生命財產損失[2]。如何準確、快速地通過遙感影像獲取泥石流災害信息，對政府決策、災后人員救治和減少財產損失具有重大意義。泥石流通常發生于地表覆蓋類型復雜多樣的區域，并且經常伴隨著惡劣的天氣條件或地質災害。因此，利用遙感技術進行泥石流沖毀區提取是及時獲取泥石流災害信息的有效途徑。

目前，基于遙感技術的泥石流調查、預防和治理等方法的研究已經取得了較大進展。如王一川等[3]提出基于DEM 自動提取泥石流溝谷邊緣線的算法，能夠較準確地提取出泥石流邊緣線；白志勇[4]利用SPOT 和TM 數據融合圖像研究泥石流；蘇鳳環等[5]研究了汶川地震山地災害的遙感快速提取方法，對大規模泥石流提取效果較好；唐川等[6]對汶川震區北川縣城泥石流源地特征進行了遙感動態分析；唐小明等[7]研究了基于虛擬GIS 和空間分析的小流域泥石流沖毀區地質災害遙感解譯；潘仲仁等[8]研究了遙感技術在成昆鐵路泥石流沖毀區溝調查中的應用。

雖然基于泥石流的相關研究取得了較大進展，但如何有效地全自動提取泥石流沖毀區仍然是個問題。本文以舟曲災區為研究區域，針對研究區內泥石流多發的現象，分析了基于光學遙感數據的泥石流沖毀區提取方法，提出了基于光學數據的泥石流沖毀區自動提取模型。

1 研究區與數據源

QuickBird衛星是在2001年10月18日發射成功的高分辨率商業遙感衛星，它提供了分辨率為2.44m的紅、綠、藍、近紅外4個波段的多光譜影像和分辨率為0.61米的全色影像。對于泥石流沖毀區成像，相比低分辨率影像，高分辨率影像更能夠準確地表征泥石流沖毀區的范圍。

本文研究區域為甘肅省舟曲縣，影像獲取時間是2010-08-18，距離泥石流災害發生時間2010-08-07較近，能夠較好地反應泥石流沖毀區地表情況，該幅影像主要包含了泥石流沖毀區、綠地、河流、居民區和植被稀少區域這五類地物要素。圖1為2.44m分辨率的包含泥石流沖毀區地區的偽彩色合成圖，舟曲泥石流沖毀區主要分布于三眼峪和羅家峪，平均寬度達300m，從北向南流進白龍江。

圖1 舟曲災區的QuickBird影像及泥石流沖毀區分布

2 研究方法與處理流程

2.1 遙感影像預處理

影像預處理通常包括輻射校正、幾何校正、配準等過程。本文只用到影像的輻射信息，只做輻射校正得到反射率影像即可。

2.2 泥石流沖毀區光譜特征分析

從發育過程來看，泥石流主要發育于山坡或者山溝中，發育中的泥石流沖毀區表面主要是裸露的土壤和植被稀少的地表，植被覆蓋差，與周圍植被茂密的區域有明顯的差異。即泥石流具有2個最為顯著的特征：松散物質含水量高與植被破壞嚴重。它們在遙感影像上反映的則是土壤濕度和植被覆蓋度特征，土壤濕度可以用濕度指數反映，植被覆蓋度則可以用綠度指數進行反演。通過濕度指數和綠度指數的光譜特征分析就能提取災害體的光譜異常，可以進行災害體快速提取模型構建[5]。

2.3 模型的構建

模型的實現主要采用了影像增強技術、自動閾值提取技術及掩膜技術相結合的泥石流沖毀區自動識別提取技術。

(1)影像增強

通常能夠反映地物要素信息的增強技術包括植被指數、土壤亮度指數、濕度指數、熱度指數、水體指數、氣象指數、纓帽變換指數、經主成分變換得到的第一主成分以及地形因子等[9-11]。在眾多因子中，本文通過對泥石流沖毀區的影像特征、地形特征和各種形成條件的對比，經過反復試驗，發現運用纓帽變換指數能夠較好地反映泥石流沖毀區在遙感圖像上的信息。

利用文獻[12]中纓帽變換(Tasseled Cap)可以獲得亮度指數(BRIGHT)、綠度指數(GREEN)和濕度指數(WET)。

雖然文獻[12]中求解上述3個指數的公式是針對Landsat衛星數據提出的，但是在這里仍然可以使用，依據有二點。第一，QuickBird的4個波段的多光譜影像和TM影像前4個波段的波長范圍一一對應，即從電磁波對地物響應原理上講是一樣的；第二，QuickBird是4個多光譜波段，雖然和公式的7個波段不相符，但是每次使用上述公式時并不是都必須使用全部的7個波段才能計算出3個指數，這正如文獻[12]所講的，利用Landsat衛星影像計算3個指數時只需要5、4、2波段即可。

通過對研究區地物要素的光譜特征分析可知，濕度指數與綠度指數的差值可以有效地將泥石流沖毀區與其它地物要素予以區分，能夠極好地反映泥石流沖毀區的特征，可以直接提取到疑似泥石流沖毀區，將其表達為數學公式：

DebrisFlow=WET-GREEN

(1)

其中，DebrisFlow表示提取出的疑似泥石流沖毀區，GREEN和WET分別是文獻[12]中的綠度指數和濕度指數。

(2)自動閾值提取

影像增強所得到的是疑似泥石流沖毀區灰度圖像，需要選擇合適閾值提取出泥石流沖毀區。研究發現，得到的疑似泥石流灰度圖的直方圖存在多個波峰和波谷，因此如果能得到對應泥石流沖毀區和其它地物的波谷值，便可提取出泥石流沖毀區候選區域。在這里，采用Tasi[13]提出的基于多峰直方圖的閾值選取算法，并做了適當改進。

設g0(i)為原始圖像中灰度值為i的像素的數量(i=0，1，…，L)，其中L是灰度直方圖中的最大灰度，如果g0(i)>g0(i-1)并且g0(i)>g0(i+1)，那么算法就認為在灰度值i的地方存在一個波峰。類似地，如果g0(j)

Tasi指出平均濾波器的窗口越大，處理后的直方圖越平滑，并且用大窗口的濾波器對直方圖進行少量的卷積的效果類似于用小窗口的濾波器做大量卷積的效果。實驗證明，大窗口濾波器會使直方圖過度平滑從而無法檢測到重要的波峰波谷，與大窗口濾波器相比較，用小窗口濾波器做大量卷積是以犧牲計算效率為代價來達到需要的平滑效果。基于以上的討論，對文獻[13]中的算法做了適當修改，使得小窗口濾波器做大量卷積提高了效率，即從迭代方式和終止條件上進行了優化，提出了利用灰度直方圖的信息自動計算閾值的完整算法。

此算法主要由以下3個關鍵步驟構成：

①選擇一個窗口大小為W的平均濾波器W(u)，設當前迭代次數k=1；

(2)

(3)掩膜技術

從自動閾值提取得到的疑似泥石流沖毀區包含了水體信息，其原因在于，濕度信息減去綠度信息，就剩下了濕度相關地物，即有泥石流沖毀區、水體及植被稀少地區。對于水體和植被稀少地區可以將其提取出來，再運用掩膜技術從自動閾值提取中得到的結果中去除，便可得到較為純凈的泥石流沖毀區。

本文采用水體指數模型GNDWI[14]來提取水體，其原理是通過高斯變換將原來NDWI 中的值為0 的兩側數值中的弱信息進行拉伸，同時壓制值靠近-1與1 的強信息(因為對于河流來說其位置主要位于弱信息附近)，從而提高水體同陸地部分的可區分度，并保證提取出的水體的連續性。

分析得到的GNDWI影像知道，水體的像素值都接近于1.0，利用這個特征，設置水體提取的閾值為0.9，則可將水體有效提取。

對于植被稀少地區，查看反射率影像的像素值可發現，其值普遍低于泥石流沖毀區，因此可利用這一點去除植被稀少區域。具體可求取近紅外波段像素平均值，若近紅外波段像素值小于近紅外波段像素平均值，則該像素是植被稀少地區，否則不是。

(4)泥石流沖毀區后處理

經過上述各種處理之后，除了泥石流沖毀區外，還有其他很多小斑點，這部分不是泥石流沖毀區，因此需要采用一定的窗口大小對小斑點進行后處理。

3 泥石流沖毀區自動提取與實驗分析

3.1 泥石流沖毀區自動提取流程

本文基于VS2008軟件平臺開發泥石流沖毀區自動提取算法，其技術流程如圖2所示。

圖2 泥石流沖毀區自動提取流程圖

其主要計算步驟如下：

①由纓帽變換獲得濕度和綠度分量，并利用二者差值計算獲得初始泥石流沖毀區影像：對于QuickBird影像，這里采用4、3、2波段獲得濕度和綠度分量；

②計算獲得原始灰度直方圖，記錄溝谷數目為N并存儲各溝谷所對應的灰度值；

③若溝谷數目N>N0(N0為最終需要的溝谷數目，一般設置為2)，則轉到④，否則轉到⑥；

④用窗口大小為W的平均濾波器對當前直方圖進行濾波：對于QuickBird影像選擇W=5；

⑤記錄得到最新的溝谷數目N并存儲各溝谷所對應的灰度值，并轉到③；

⑥當不滿足N>N0判斷條件時，溝谷最小值對應的灰度便是閾值；

⑦根據⑥得到的閾值對①得到的初始泥石流沖毀區影像進行分割，得到泥石流沖毀區候選區域影像；

⑧通過GNDWI計算獲得初始水體區域影像；

⑨若初始水體區域影像的灰度值>0.9，則轉到⑩，否則也轉到⑩；

⑩若初始水體區域影像的灰度值>0.9，則將水體影像對應的區域賦值為1；否則將水體影像對應的區域賦值為0；

3.2 實驗分析

對QuickBird反射率影像進行纓帽變化得到濕度分量WET和綠度分量GREEN，進行WET-GREEN處理得到的初始泥石流沖毀區影像，如圖3所示。從影像可看出，亮度值較高的地方為泥石流沖毀區區域。

對圖3進行自動閾值分割獲得的泥石流沖毀區候選區域，如圖4所示，包含了泥石流沖毀區、水體及植被稀少的區域，還有部分建筑。

進行GNDWI計算獲得初始水體區域影像，如圖5所示，亮度值較高的區域為水體區域影像。通過分析發現，該影像水體的值基本都大于0.9，因此對初始水體區域影像按照此閾值進行分割得到水體影像，如圖6所示。到水體影像中不僅包含了水體還包含了建筑、路、植被稀少地區等信息，糾其原因是由于QuickBird的波段數目少，在僅有4波段的情況下，水體和有些建筑、路、植被稀少地區的光譜信息很接近，很難區分。但這并不影響水體提取結果，因為后面做的是掩膜運算，多提取出的建筑、路、植被稀少地區不影響結果。

圖3 進行WET-GREEN處理得到的初始泥石流沖毀區影像

圖4 自動閾值分割獲得的泥石流沖毀區候選區域

圖5 進行GNDWI計算獲得初始水體區域影像

對于植被稀少地區，查看反射率影像的像素值可發現，其值普遍低于泥石流沖毀區區域，因此可利用這一點去除植被稀少區域。具體可以取近紅外波段像素平均值作為比較基準，若近紅外像素值小于近紅外波段像素平均值，則該像素是植被稀少地區，否則便不是，由此得到圖7。

如此便提取出了水體和植被稀少區域，用這二者對得到的泥石流沖毀區候選區域進行掩膜，便得到泥石流沖毀區區域，如圖8所示。

泥石流沖毀區區域有很多小斑點，這部分不是泥石流沖毀區，因此需要采用一定的窗口大小對小斑點進行后處理。對于QuickBird影像采用5*5的窗口進行小斑點后處理，最終得到泥石流沖毀區區域，如圖9所示。

圖6 閾值分割獲得水體區域影像

圖7 植被稀少區域的影像

圖8 泥石流沖毀區影像

圖9 去除小斑點的泥石流沖毀區影像

根據舟曲泥石流沖毀區災后調查可知，泥石流沖毀區主要分布于三眼峪和羅家峪，平均寬度達300m由北向南流進白龍江。從提取的結果可知，三眼峪和羅家峪的大片泥石流沖毀區被準確提取，其他地區的小塊泥石流沖毀區也被提取出，實驗結果表明，本文的算法有效。

4 結束語

本文根據泥石流沖毀區的特點即含水量較高和綠度指數較低的特點，利用影像增強、自動閾值提取、掩膜處理和泥石流沖毀區后處理技術建立了泥石流沖毀區快速提取模型。根據建立的模型對舟曲泥石流沖毀區進行了快速提取，取得了較好的效果，最關鍵的是提出了自動閾值提取的模型，使得能夠自動處理獲得閾值。

研究存在的缺陷主要表現在：(1)泥石流沖毀區的活動尺度具有一定的變化范圍，處理大型泥石流沖毀區具有較好效果；對于小型泥石流沖毀區，由于其寬度范圍較小，像上僅表現為幾個像元，因而提取效果不太理想。(2)提取出的泥石流沖毀區包含小斑塊，主要是由于這些區域雖然沒形成泥石流沖毀區，但是也是泥石流沖毀區的成分，在光譜特性上沒有差別。雖然對提取出的泥石流沖毀區影像做了后處理，但后處理后的效果仍然有瑕疵，需要進一步加強研究。

綜上所述，利用影像增強、自動閾值提取及掩膜技術建立泥石流沖毀區自動快速提取的模型是可行和有效的，本次研究為泥石流沖毀區的自動識別模型建立進行了有益的探索。

[1] 吳平，鄭文曉.泥石流的形成條件及其防治措施[J].西部探礦工程，2008(3)：4-5.

[2] 余斌，楊永紅，蘇永超，等.甘肅省舟曲8.7特大泥石流沖毀區調查研究[J].工程地質學報，2010，18(4)：437-444.

[3] 王一川，秦軍.基于DEM 自動提取泥石流溝谷邊緣線算法的試驗[J].四川測繪，2006，29(1)：28-31.

[4] 白志勇，秦軍.陸地衛星SPOT、TM 數據復合影象在泥石流調查中的應用[J].水土保持學報，2001，15(1)：116-119.

[5] 蘇鳳環，劉洪江，韓用順.汶川地震山地災害遙感快速提取及其分布特點分析[J].遙感學報，2008，12(6)：956-963.

[6] 唐川，丁軍，梁京濤.汶川震區北川縣城泥石流沖毀區源地特征的遙感動態分析[J].工程地質學報，2010，18(1)：1-7.

[7] 唐小明，馮杭建，趙建康.基于虛擬GIS 和空間分析的小流域泥石流沖毀區地質災害遙感解譯——以嵊州市為例[J].工地質科技情報，2008，27(2)：12-16.

[8] 潘仲仁，曹林英.遙感技術在成昆鐵路泥石流沖毀區溝調查中的應用[J].鐵道工程學報，2006(增刊)：237-242.

[9] 江振藍，沙晉明，楊武年.基于GIS 的福州市生態環境遙感綜合評價模型[J].國土資源遙感，2004(3)：46-48.

[10] 李洪義，史舟，沙晉明，等.基于人工神經網絡的生態環境質量遙感評價[J].應用生態學報，2006，17(8)：1475-1480.

[11] 江振藍，沙晉明.植被生態環境遙感本底值研究——以福州市為例[J].福建師范大學學報(自然科學版)，2008，24(4)：80-85.

[12] 楊存建，劉紀遠，黃河，等.熱帶森林植被生物量與遙感地學數據之間的相關性分析[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] 沈占鋒，夏列鋼，李均力，等.采用高斯歸一化水體指數實現遙感影像河流的精確提取[J].中國圖象圖形學報，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

何曉寧(1987—)，男，碩士，工程師，主要從事遙感地物提取、高光譜遙感方面的研究。

E-mail：flyhxn@126.com

10.3969/j.issn.1000-3177.2015.05.012

P237

A

1000-3177(2015)141-0077-06