基于蟻群優化的近岸影像水邊線變化分析方法

伊偉東，于新生，2*，崔尚公

(1. 中國海洋大學 海洋地球科學學院，山東 青島 266100；2. 海底科學與探測技術教育部重點實驗室，山東 青島 266100)

?

基于蟻群優化的近岸影像水邊線變化分析方法

伊偉東1，于新生1，2*，崔尚公1

(1. 中國海洋大學 海洋地球科學學院，山東 青島 266100；2. 海底科學與探測技術教育部重點實驗室，山東 青島 266100)

摘要：由于近岸視頻監測技術具有構建成本低、時空分辨率高的特點，近年來已成為海岸動態監測的互補手段。在近岸視頻監測中，水邊線可作為岸灘邊緣位置變化的替代指標，受復雜海灘地形及不規則的波浪及潮汐變化影響，如何從視頻圖像中準確檢測水邊線是近岸視頻監測所面臨的挑戰問題之一。本文針對傳統圖像處理方法在水邊線提取中存在的效率不高和抗噪聲能力差等問題，將CIELab顏色模型和蟻群優化算法相結合，對臺風風暴潮期間石老人海灘的水邊線進行提取和定量分析，并與傳統算法進行對比。對青島石老人海灘2011年臺風期間的實時影像資料分析結果表明，與傳統的提取算法相比，本文提出的方法在數字視頻影像的水邊線監測應用中可靠性高，并具有良好的細節呈現能力和抗邊緣噪聲能力，適用于弱邊緣水邊線的提取。分析結果驗證了本方法在極端天氣條件下對視頻影像中水邊線動態變化的自動提取可行性，對構建長時序海灘岸線動態變化影像自動分析系統具有較好的應用價值。

關鍵詞：視頻影像；水邊線提取；CIELab顏色模型；蟻群優化；海岸帶監測

1引言

海岸帶作為重要的沿海經濟帶，通常是社會經濟活動最為活躍的區域。伴隨著海岸帶開發的是大量的工程建設活動和居住人口的快速增長，會對海岸地形、自然景觀及生態環境產生極大壓力。這使得海岸侵蝕頻發、海岸帶環境惡化、海岸基礎設施受侵蝕、生態功能降低，并對沿海人類日常生活產生巨大影響，目前全球沿海約70%的海灘受到不同程度侵蝕影響。水邊線是海水與海岸在時空尺度上形成的瞬時交界線，水邊線位置定量變化的資料是研究海岸侵蝕、河口淤積、海平面上升等海岸演變過程的重要依據[1]。因此，獲取高分辨率的水邊線時空遷移變化信息，對于掌握局部海岸面積變化量、研究陸海相互作用機制、保障海灘游客安全、保護海岸基礎設施、監控工程后的海灘變化及海岸管理等具有重大意義[2]。傳統的人工現場勘測雖然具有實時性強、測量準確的優點，但是需要大量的專業人員進行野外實地測量作業，耗費大量的人力和時間，難以滿足大面積的海灘岸線變化的同步監測需求[3—6]。隨著百萬像素數字相機的分辨率的不斷提升和價格的持續降低，20世紀90年代起非數字相機開始應用于近岸視海岸實時監測中，為獲取長時序的海灘形態變化及水動力學連續動態變化信息提供了技術支撐。與其他海岸遙感技術相比，近岸視頻遙測系統的構建成本低、建設速度快，并且可以提供厘米級的空間分辨率以及分、小時、日、月等不同時間尺度的連續影像資料，為開展短、中、長期的海岸環境及近岸動力動態變化研究與評價提供了成本低、實用性強和時空分辨率高的互補手段[7—8]。

基于視頻影像中的水邊線檢測方法通常對單位時間內的影像進行平均，其目的是抑制高頻變化信號的干擾影響，譬如單個隨機波浪、海水泡沫等，從而確定水邊線的具體位置信息[9—12]。Holland等提出了對于灰度圖像可以采用像素強度變化來有效地區分海灘和破碎波的交界邊緣，但是復雜的海灘地形變化會導致一些區域不能呈現明顯的破碎波區域，譬如灘壩砂區域，這會導致海水-灘涂交界線檢測產生較大誤差。隨著色彩相機性能的提高，利用影像中的光譜信息可以有效的用于海灘視頻影像的岸線檢測。海水對紅色光譜具有強烈的吸收作用，并且在藍色和綠色光譜范圍內具有較高的色度變化；而海灘對紅色光譜的吸收作用較弱，在藍色和綠色光譜范圍色度較弱。因此可以根據紅色和藍色光譜帶的色飽和度變化有效的區分海水與海灘的交界邊緣。通過統計岸線區域內每個像素的藍色和紅色光譜色度變化的比值，并與設置的閾值進行比較，如果超過閾值，即為檢測到的水邊線邊緣[9，13]。

目前上述水邊線檢測方法已成功地應用于常規氣候條件下視頻影像中的岸線檢測，但是缺少在高能量波浪作用下或大潮汐變化影響下的水邊線檢測的報道。在極端風暴潮作用期間，海浪可以在幾十分鐘內導致水邊線平均位置發生幾米到幾十米的變化，對沿岸居民安全及沿岸基礎設施產生極大威脅，因此獲取高時空分辨率的水邊線觀測資料對沿岸工程設計和管理具有重要意義。針對風暴期間高時空分辨率的岸線動態變化資料的需求，以及傳統蟻群聚類算法上存在的搜索時間長和易出現停滯的現象，本文提出了一種將CIELab顏色空間和蟻群優化算法相結合的水邊線提取方法，該方法引入臨界距離概念進行數據項與群組之間相似度的度量，并以青島石老人海灘為觀測區域，采用2011年臺風期間的實際觀測影像資料對算法進行了驗證。分析結果表明，本文提出的方法與已報道的傳統水邊線邊緣提取算法相比，能夠有效地提高水邊線檢測的準確性和運算效率。

2研究方法

2.1研究區域

青島市石老人海水浴場位于青島市東部，是在基巖海岸之間形成的海灣。海灘朝向東南，海灘的東側方向有基巖岬角，底質為砂、礫石，由于灘面較寬，現已開辟為夏季浴場。整個海灘長約2 150 m，平均灘肩寬度約為80 m，后濱為綠化帶、防污等人工建筑和道路，該海灘的平均寬度約為210 m，平均坡度約為4.1%，夏季以SE向浪為主。該區域的平均高潮高為3.8 m，平均低潮為1.1 m，在浴場的西部有一個水道通向海域。

攝像機架設在石老人海水浴場附近的一座公寓樓里，相機坐標為36°5′28.73″N，120°27′54.21″E，觀測海拔高度約為64 m，選擇觀測海灘石老人浴場西南走向的海灘為觀測目標，攝像機的觀測面積約為75 000 m2，如圖1所示。

2.2圖像采集方法

近岸視頻成像系統由工業數字相機、圖像采集系統和存儲設備構成，選用UNIC PHOCUS-1821型高清智能工業相機，配以8～80 mm的變焦光學鏡頭。PHOCUS-1821采用200萬像素的CCD圖像傳感器，來自攝像機的圖像通過以太網線傳輸到計算機中，并自動存儲在計算機硬盤上，圖像采用非壓縮的TIFF格式。圖像采集速率為每秒10幀圖像，采集頻率設定為每天5次，利用每次觀測采集的圖像生成2 min、5 min 和10 min的時間曝光圖像，然后選擇最佳單位時間的平均圖像用于水邊線的檢測。

3近岸視頻影像中水邊線的檢測方法

3.1攝影測量的圖像校正方法

3.1.1攝像系統內部參數校正

成像系統的透鏡材料及鏡片組結構會產生圖像失真，導致圖像產生徑向變形和切向變形，直接影響測量結果的準確性，所以需要對成像系統的內部系數進行修正。如圖2所示，我們采用標準校正板(棋盤格標定板)在實驗室內的光學平臺上對成像系統進行校正，通過移動相機或標定板拍攝標定板圖像，利用標定板與圖像的對應點來確定攝像機內部參數。分別對標定板以不同角度進行拍攝(圖3)，采用加州理工學院開發的圖像內部參數校正軟件工具對攝像機的光學畸變進行計算處理，以方格角點為校準控制點，計算角點偏移量、有效聚焦距、主軸點的位置、像素的扭曲與畸變等參數。圖4中兩幅圖分別表示原始圖像的徑向畸變和切向畸變，主點在兩個方向上的像素偏移量分別是2.163 4和1.609 8。

圖1　研究區及相機視角Fig.1　Study area and view angle of camera

圖2　室內圖像采集系統Fig.2　Indoor image acquisition system

圖3　標定板方位3D模型Fig.3　3D model of calibration plate bearing

3.1.2攝像機的外部校正

對圖像像素進行定量分析，需要確定攝像機的位置及拍攝角度等參數[14]。根據光學成像原理，光軸是一條由鏡頭投射到影像平面與物空間坐標的直線，因此可以利用共線方程求解圖像坐標系和世界坐標系之間的轉換關系。根據Abdel-Aziz和Karara等[15]提出的直接線性變換(Direct Linear Transformation， DLT)方法，可以得到如下簡化的轉換模型：

(1)

式中，(xw，yw，zw)是世界三維坐標系，即人眼所感知的空間物體；(u，v)是相對應的圖像二維坐標；li(1≤i≤11)是世界三維坐標系和圖像坐標系之間轉換關系的待定參數。

圖4　圖像畸變模型(箭頭表示像素偏移方向)Fig.4　Image distortion mode(the arrows represent the pixel offset direction)

由于研究區海灘坡度變化很小，對坐標轉換精度的實際影響很小，所以假設世界三維坐標系中的z值為0，上式可簡化為：

(2)

式(2)中有8個待求解的參數，因此需要至少4個方程組，即需要至少4個已知控制點方可確定未知參數，龔濤根據實驗得出控制點數量在10個左右為佳[16]。利用已知地面控制點的位置，采用最小二乘法求解方程組即可獲得較佳的8個外部參數的修正量[15]。

我們使用麥哲倫探險家310型號手持GPS定位儀在觀測場地共選擇了11個固定標志物作為控制點，控制點間的水平距離從25 m到892 m不等，如圖5所示。表1是選定控制點詳細的圖像坐標和對應的世界坐標。

表1　控制點的圖像坐標和對應的世界坐標

圖5　圖像控制點位置Fig.5　The positions of image control points

圖6為根據控制點將圖像的像素坐標轉換成真實大地坐標的示例，藍色圈號代表實際大地控制點位置，紅色叉號代表圖像控制點位置，可以看出坐標轉換后兩者的吻合度非常高，坐標轉換的均方根誤差為2.865 6 m。經過坐標轉換之后，遠視場會出現像素不足現象，可采用像素內部插值方法進行補償。

圖6　坐標轉換后的圖像Fig.6　The image after coordinate transformation

3.2水邊線檢測方法

隨著近岸視頻影像資料的日益增加，目前典型的手動繪制和半自動提取圖像處理應用軟件已難以滿足海量影像的快速分析需求，譬如MapGIS、ImageJ和gvSIG等，因此開發近岸視頻影像自動處理方法已成為近岸視頻監測急切解決的問題。Matlab把常見圖像處理操作都做成了相應的內建函數，使用者不用去考慮怎樣讀取圖片、怎樣轉換顏色空間等固定和成熟的算法的細枝末節，可以將主要精力投放到算法集成研究中，不僅提高了圖像處理效率，而且還統一了圖像特征提取的標準，提高對比分析的可靠性，因此本文選取Matlab作為水邊線提取的實現平臺。潮汐和風浪會使海水在時間尺度上發生動態變化，一般根據研究目的而采用相應的岸線指標或代理岸線，譬如高潮面、平均高潮面或平均海平面等[17]。近年來根據圖像處理中的特征提取方法，常采用干濕線、高水位線或水邊線等代理岸線指標用于短時間內海灘岸線的變化評估[18—19]，因為水邊線能更好地反映短期海岸水文動態變化狀況，所以本文選取水邊線作為風暴期間海灘的岸線變化指標。

通常用于近岸動態變化監測分析的圖像有3種類型：瞬時圖像、平均圖像和方差圖像。瞬時圖像是數字影像中某一瞬間的單幅靜止圖像；平均圖像是將單位時間內連續拍攝的單幀圖像進行像素平均后的圖像，可以有效的濾除隨機噪聲；方差圖像是計算單位時間平均圖像中的方差變化，可以提高圖像中的灰度強度變化的對比度。相較于瞬時圖像，平均圖像和方差圖像都能明顯提高水邊線邊緣的對比度[19]，從視覺上就可以判定海岸線位置，但是從計算效率和保留圖像信息上綜合考慮，我們采用平均圖像進行岸線位置信息的檢測，圖8中的a～d分別為2011年5月25日12點的單幀圖像和不同時長的平均圖像，與單幀圖像相比，2 min、5 min和10 min平均圖像的去噪效果逐漸增強，其中10 min平均圖像中沙灘和海水的分界線上的去噪效果最好，因此選取10 min平均圖像進行水邊線提取。

圖7　圖像類型Fig.7　Types of imagesa.單幀圖像；b～d.依次為2 min、5 min和10 min的平均圖像；e.CIELab圖像a. Snap-shot image; b～d. time-exposure images of 2 min， 5 min and 10 min; c. CIELab image

3.2.1顏色模型的選取

色彩圖像分割算法的準確性對顏色模型具有較大的依賴性。顏色模型(color model)通過定義一個三維坐標系統和特定模型中的子空間，提供了一種規定特定色彩的標準方法。簡單來說，顏色模型就是用一組數值來描述顏色的數學模型，可以分為設備相關模型和設備無關模型。前者常用的有：RGB、CMYK、YUV、HSL和HSV等，主要用于設備顯示和數據傳輸；后者主要是CIELuv和CIELab顏色模型，分別主要用于顯示自發光的光源(顯示器)和表示反射、投射的物體的顏色。單純采用RGB顏色模型的圖像分割效率較高[20]，但是噪聲較多，受光照條件影響較大；HSL和HSV顏色模型系統提供了適于自然色彩變化的方式[2]，但在非線性轉換運算時會產生溢出，導致圖像失真，且影響特征提取速度；采用YUV顏色模型進行圖像分割受光照條件和噪聲影響小[21]，并可利用人眼的特性來降低數字彩色圖像所需要的存儲容量，但是難以在復雜海岸圖像的處理方面上發揮優勢。

CIELab顏色模型由亮度(L)和兩個顏色通道(a，b)組成，其主要優勢是色域寬闊，不僅包含了RGB、CMYK的所有色域，還能表現它們不能表現的色彩，只要是人的肉眼能感知的色彩，都能通過CIELab模型表現出來；其次，CIELab顏色模型很好地解決了RGB圖像存在的色彩分布不均的問題，因為RGB圖像在藍色到綠色之間的過渡色彩過多，而在綠色到紅色之間又缺少黃色和其他色彩；同時，CIELab模型的處理速度與RGB模型相同，并比CMYK模型快很多。Ganesan等[22]對基于CIELab顏色模型的分割方法進行了分析研究，并將結果與其他邊緣檢測方法進行了對比，結果顯示基于CIELab的算法適用于包含各種類型噪聲的彩色圖像處理。鑒于CIELab顏色模型在海底色像顯示了良好的彩圖分割效果[22]，針對本文采用的色彩變化相對較少、受光照影響較大的近岸視頻影像，本文選取CIELab顏色模型進行圖像海水與陸地沙灘的分割和特征提取，成像效果如圖7e所示。

3.2.2圖像分割算法

圖像分割方法主要分為基于閾值、邊緣和區域等。閾值分割方法主要有迭代法、最大類間房方差法(OTSU)和最大熵法等[23]，其關鍵和難點是能否選取合適的閾值，而閾值的設定受光照和噪聲的影響[24]，不適用于光照變化大和易受天氣狀況影響的海岸圖像的處理。圖像中的邊緣總是以強度突變的形式出現，即局部圖像的不連續性，通常用一階和二階導數來描述和檢測邊緣，常用的邊緣檢測算子(如Roberts算子、Sobel算子、Kirsch算子和Canny算子等)適用于邊緣灰度值過渡比較尖銳而且噪聲較小的圖像[25—26]，但是對于邊緣復雜(如邊緣模糊、邊緣丟失、邊緣不連續等)的海岸圖像的處理效果則不太理想[27]。區域生長和分列合并法是兩種典型的串行區域分割方法，其中前者計算簡單但在目標較大時分割速度較慢，后者可以更好地分割復雜圖像但是分裂可能會破壞區域的邊界[28]。此外，數學形態學方法也被應用于圖像分割[29]，可以在一定程度上降低噪聲對圖像的影響，但是開、閉、腐蝕、膨脹等運算會導致圖像的過度平滑，從而導致圖像變形及細節丟失，從而影響水邊線提取的準確度。

3.2.3蟻群優化算法

蟻群算法(Ant Colony Optimization， ACO)由意大利M. Dorigo等學者于1991年首先提出。該算法受自然界中真實蟻群集體行為的啟發，利用真實蟻群通過個體間的信息傳遞以及從蟻穴到食物間最短路徑的集體尋優特征，來解決一些離散系統中的優化問題。從原理上可以將其分為兩類：一種是基于蟻堆形成原理進行聚類，起源于對蟻群墓地、蟻卵的分類研究；另一種是基于螞蟻的覓食原理，利用信息素實現聚類分析[30]。該算法基于正反饋原理，具有強魯棒性、收斂性好、并行性和自適應性等優點，初被用于解決大多數優化問題或者能夠轉化為優化求解的問題。隨著蟻群算法不斷發展和完善，目前其應用領域已擴展到多目標優化、數據分類、數據聚類、模式識別、系統建模、流程規劃、信號處理、圖像處理、決策支持以及仿真和系統辨識等方面[31]，體現了很好的魯棒性和適應性。蟻群算法的離散性和并行性特點對于離散的數字圖像非常實用，可以有效避免光照變化、天氣變化和噪聲的影響，非常適用于近岸數字視頻影像的圖像處理和特征提取[32]。

蟻群算法的缺點是需要較長的數據搜索時間，且在搜索中易出現停滯現象，影響整體圖像處理效率。因此需要針對不同的優化問題來設計不同的蟻群算法，合理計算目標函數、信息更新和群體協調機制。本文根據Bansal和Aggarwal[33]提出的蟻群聚類改進方法，用N個單元格來代替數據項所在的直角坐標系，其中N表示圖像中待聚類的像素總量。在這N個單元格組成的陣列中，單元格間相互連通以便螞蟻能夠自由活動，一個群組是由特征相同的2個或2個以上的像素集合而成的。具體的實現方法如下：

首先，將待聚類的像素放入單元格陣列，該陣列即為聚類空間(cluster space)。然后從某一群組開始搜索未被搜索過鄰域。發現未被搜索過的數據項后，利用臨界距離(CMC distance)檢查數據項與群組的相似度。對于兩種CIELab顏色(L1，a1，b1)和(L2，a2，b2)，其色度差異ΔC表示為：

(3)

亮度差異ΔL表示為：

(4)

色調感知差異ΔH表示為：

(5)

臨界距離ΔE表示為：

(6)

(1) 用同原始圖像大小的矩陣代替圖像直角坐標網，每個矩陣單元對應一個圖像像素；

(2) 初始化螞蟻未走過的群組的數據項為0，然后隨機選擇一個出發城市；

(3) 隨機選擇某一螞蟻的初始位置至任意數據項，檢查數據項的有效性并賦值當前的聚類索引；

(4) 如果當前數據項尚未被檢索，則利用臨界距離檢查數據項與群組的相似度M，確定相似度的閾值R，如果M

(5) 如果存在未被遍歷的數據項，則N+1，下一個螞蟻跳轉至第3步繼續執行；

(6) 重復操作，直到沒有未被遍歷的數據項為止。

在整個算法中引入均方根誤差(mean square error， MSE)計算群組內像素間的距離，以方便進行聚類分析，并提供了一種利用臨界距離計算聚類群組數量的靈活方法，有效地提高了整個圖像處理的效率。

4水邊線提取結果與分析

4.1水邊線提取對比評估

由于沙灘的光譜位于黃紅之間，而海洋位于藍綠之間，因此利用圖像的色彩變化可以識別海水與沙灘的交界線。彩色相機的成像靶面的一個像素可以同時記錄紅色(red)、綠色(green)和藍色(blue)3種色彩信息，最簡單的方法是將RGB色彩圖像轉換為灰度圖像，根據灰度圖像直方圖設定二值化閾值，如圖8a所示，由于圖像中海陸灰度具有弱對比性，并且難以呈現完整海水區域輪廓，且圖像細節呈現較差。近期的研究表明基于HSV顏色模型比傳統的RGB色彩更適于海灘的海水—沙灘的分界線的檢測。HSV色彩模型屬于極坐標空間結構，能直觀描述顏色，其光強度分量和色度分量是獨立關系，因此適合基于人的顏色感知特性進行處理和分析的圖像處理算法[34]。如圖8b所示，提取HSV圖像的飽和度分量，利用最大類間方差法(OTSU)進行初步閾值分割，然后利用數學形態法進行邊緣提取。提取后的水邊線基本能夠如實地還原海陸邊界，但是明顯不能消除邊緣噪聲(船只等)的干擾，也不能有效地提取狹長水道的邊緣。與上述兩種算法不同，從圖8c中可以看出，利用CIELab顏色模型和改進的蟻群聚類算法相結合的方法抗噪聲能力更強，獲取的海陸邊界線更加接近實際，邊緣平滑度更好，更重要的是能很好地識別狹長水道并提取其邊緣，保證了目標信息的完整性。

聽到馱子這么一說，大家都理解了。是啊，碰到這樣的孩子，誰的心里不煩，不買，就不買！我們嶺北人還是支持馱子這個外地人，必須支持他！

4.2臺風期間海灘動態變化監測

為了研究極端天氣條件下水邊線的動態相應，選取2011年第13號臺風“梅花”出現期間的圖像資料進行處理和分析。臺風“梅花”于2011年8月7日沿西北方向經過山東半島海域，臺風中心距青島市區最近約410 km。臺風經過期間，青島市沿海最大風力達9～10級，陣風12級，平均浪高為4～5 m，局部浪高達6～10 m。8月8日中午減弱為強熱帶風暴，之后沿山東半島向西北方向離去。

本文從2011年石老人海水浴場影像庫中選取風暴潮前后的數據資料，剔除了大雨天等氣象條件造成的低質量圖像以及視頻系統發生故障導致圖像采集序列不完整等因素的影響，例如8月7日青島市下暴雨，所拍攝的圖像質量極差，而8月9日和8月10日兩天供電系統出現故障，沒有采集到圖像，導致圖像資料不完整。如圖9所示，風暴潮來臨之前波浪覆蓋海灘面積較小，僅在潮汐作用的影響下產生海水的漲落運動。8月7日到8日凌晨，梅花臺風到達青島近海附近，從圖像可以看出，風浪使得海水平時很難到達的游客聚集區被淹沒。在隨后的1個月里，海灘有一個明顯的恢復過程。圖10是基于本文方法提取的水邊線。

研究區原始圖像是非正攝圖像，為了呈現水邊線的真實形態特征和實現準確的水邊線動態變化的定量分析，按照3.1.2節方法將圖10中提取的水邊線從圖像坐標系轉換到世界坐標系，并在約75 000 m2的觀測區內設計了10條等間距的垂直于海灘陸側邊緣的測線(圖11)，計算坐標轉換后測線與水邊線和參考岸線L的兩個交點之間的坐標差，然后轉換為實際水平距離，圖12a顯示的是不同日期和測點上水邊線的相對位置變化。

圖8　不同提取方法對比Fig.8　Comparison of different extraction methodsa.基于灰度圖像的Canny算子方法；b.基于HSV圖像的OTSU和數學形態學方法；c.基于CIELab圖像的蟻群聚類方法a. Gray image with Canny algorithm; b. HSV image with OTSU and Mathematic Morphology method; c. CIELab image with Ant Colony method

圖9　2011年石老人海灘風暴潮前后灘面變化示例影像Fig. 9　The sample images of beach face changes before and after storm influence in Shilaoren beach of Qingdao in 2011

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

圖11　坐標轉換后的水邊線Fig.11　Waterlines after coordinate transformationa-j. 測線；L. 參考岸線a-j. Measuring lines; L. reference coastline

圖12　風暴潮前后水邊線位置的變化Fig.12　The changes of water line positions before and after storma. 水邊線位置；b. 海灘平均寬度a. The waterline positions; b. the average width of the beach

為了更加直觀地展現臺風風暴潮影響下水邊線位置的變化量，通過計算各個日期的水邊線平均離岸位置構成海灘寬度變化直方圖。圖12b中縱軸表示水邊線與參考岸線L之間的實際水平距離，直方圖高度代表海灘平均寬度。從中可以直接看出，在風暴潮影響下，8月8日水邊線平均離岸位置處在平時極難到達的最低值，說明當時水邊線急劇后退，海水淹沒了大部分海灘區域。

從數據結果中可以看出，水邊線位置快速、大幅度的變化與臺風風暴潮之間有很強的相關性。風暴潮期間石老人海灘處于高能環境下，加上灘面坡度較小，波浪上涌強烈，使得灘肩寬度變窄。結果顯示，臺風風暴潮前后海灘寬度變化最大達95 m，8月8日當天海灘平均寬度更是降到12.31 m。

5結論

從近岸視頻影像中自動、準確地提取岸線變化信息是近岸視頻監測中面臨的重要挑戰之一，本文針對近岸圖像色彩變化較少、易受光照變化和天氣條件影響的特點，選擇不依賴光線和顏料的CIELab顏色模型對近岸圖像進行分割與檢測，結合具有很好魯棒性和適應性的蟻群算法，引入臨界距離概念進行數據項與群組之間相似度的度量，對蟻群聚類算法進行改進，實現了近岸影像水邊線的檢測。將本文的水邊線檢測算法與傳統的二值圖像閾值分割方法、HSV顏色模型S分量的最大類間方差法和數學形態法所提取的水邊線進行了對比，表明了所提出的算法具有良好的抗噪能力，并且該算法在特殊狹長區的識別能力和邊緣光滑能力上的優勢使其具有良好的應用前景。

通過對石老人海灘短期的視頻影像資料進行分析，證明了本文采用的水邊線檢測方法適用于定量分析極端天氣條件下灘寬在短時間內發生的快速變化，并驗證了該方法的可靠性。獲取較小時空尺度上的水邊線遷移變化信息，對于促進陸海相互作用機制的

研究、保障海灘游客安全、保護海岸基礎設施、監控工程后的海灘變化以及海岸管理等具有積極地推動作用。為了消除其他環境因素的干擾從而獲取更加準確的、單一的風暴潮影響因子的數據，在隨后的研究中將會引入潮汐和波浪數據進行研究。

參考文獻：

[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]龔濤. 近景攝影測量控制點布設方案的研究[J]. 西南交通大學學報， 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]嚴海兵， 李秉柏， 陳敏東. 遙感技術提取海岸線的研究進展[J]. 地域研究與開發， 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]林偉明， 胡云堂. 基于YUV顏色模型的番茄收獲機器人圖像分割方法[J]. 農業機械學報， 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]龍建武. 圖像閾值分割關鍵技術研究[D]. 長春：吉林大學， 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， 劉磊. 圖像分割研究方法及進展[J]. 電腦學習， 2010(2): 1-3．

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

[28]薛衛鵬. 基于Otsu算法與數學形態學的圖像分割算法研究[D]. 沈陽：東北大學， 2009．

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

[29]朱培逸， 劉紅晴. 基于數學形態學圖像分割算法在水果分級中的應用[J]. 科學技術與工程， 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]鄢文晉. 蟻群算法及其在數據挖掘中的應用[D]. 重慶: 重慶大學， 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]韓彥芳， 施鵬飛. 基于蟻群算法的圖像分割方法[J]. 計算機工程與應用， 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]龐曉敏， 閔子建， 闞江明. 基于HSI和LAB顏色空間的彩色圖像分割[J]. 廣西大學學報: 自然科學版， 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；

修訂日期：2016-03-12。

基金項目：國家自然科學基金項目(41176078)；中國海洋石油總公司科技發展項目(C/KJFJDSY 003-2008)。

作者簡介：伊偉東(1989—)，男，山東省淄博市人，主要從事海岸攝影測量與地理信息研究。E-mail：jkdywd@163.com *通信作者：于新生(1960—)，男 ，主要從事海底觀測及信息處理研究。E-mail：xsyu@ouc.edu.cn

中圖分類號:P715.7

文獻標志碼：A

文章編號：0253-4193(2016)07-0072-13

伊偉東，于新生，崔尚公. 基于蟻群優化的近岸影像水邊線變化分析方法[J]. 海洋學報， 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