基于圖像特征的遙感影像水體自動提取方案研究

徐 旭 （安徽省第一測繪院，安徽 合肥 230031）

1 引言

水是重要的基礎(chǔ)地理信息之一，與人類的生產(chǎn)生活息息相關(guān)。快速、準(zhǔn)確地從衛(wèi)星遙感影像上獲取水體信息，對水資源調(diào)查及監(jiān)測、濕地保護(hù)、洪澇災(zāi)害評估等方面具有實用意義。隨著信息技術(shù)的發(fā)展，各行業(yè)對基礎(chǔ)地理信息更新的需求巨大，迫切需要發(fā)展高分辨率遙感作為大規(guī)模采集手段，如何從遙感影像中快速自動提取專題信息，是當(dāng)前關(guān)注的熱點[1]。

目前，影像解譯仍依賴于人工，效率低、工作量大。近幾十年來，該領(lǐng)域的研究主要有單波段閾值法、譜間關(guān)系法、基于知識的自動判別法等；Chaudhuri[2]使用多種子監(jiān)督分類技術(shù)來分離水體與非水體區(qū)域；劉建波[3]等利用密度分割法從TM影像中提取水體范圍；郁金康[4]等用決策樹分類方法有效提取山區(qū)水體。但以上方法很難適用于高分辨率遙感影像。

本文以計算機視覺、圖像處理等技術(shù)為基礎(chǔ)，設(shè)計出一個自動提取水體的方案，目的是通過自動提取減少重復(fù)性工作，輔助人工修改檢查，減少錯提、漏提問題，提高工作效率。

2 研究方法

本文以水體為研究對象，分析水體目標(biāo)的視覺特征，通過選擇適當(dāng)?shù)奶卣鲄?shù)建立模型，并驗證提取結(jié)果，與人工識別對比分析。

2.1 水體特征參數(shù)選擇

水與其它地物不同，有其自身特點：①形狀不確定性；②反射率不固定性；③局部與整體的關(guān)聯(lián)性。水在不同部分表現(xiàn)出的外觀趨于一致，即由局部水體特性可推斷出更大區(qū)域的特性。此外，水體的視覺識別還包括顏色、亮度、紋理等特征。

本文選取色調(diào)（H）、飽和度（S）、亮度（I）這些容易獲取的特征，新增紅色波段與亮度的比值（RrI）作為第4個參數(shù)，構(gòu)建水體自動識別模型。R、G、B為一個像素紅、綠、藍(lán)的分量，對圖像進(jìn)行HIS變換，這里采用經(jīng)典幾何推導(dǎo)公式：

比值圖像的像素值定義式為：RrI=(R+1)/(I+1)2

2.2 算法流程

構(gòu)建本模型的基本思路如下：用鼠標(biāo)在影像有代表性的水體位置劃線，獲取采樣窗口的中心坐標(biāo)；通過9×9采樣窗口函數(shù)獲取采樣點四個特征的范圍；對每個樣本的特征進(jìn)行中值濾波作為輸出值，對每個參數(shù)的有效范圍二值化，處理后的像素值只有0或1，感知器神經(jīng)網(wǎng)絡(luò)的等權(quán)重均為1，通過感知器的像素值在數(shù)據(jù)集{0,1,2,3,4}中，值大于等于4的判斷為水體。在通過感知器神經(jīng)網(wǎng)絡(luò)模型之前，需要進(jìn)行帶通濾波器轉(zhuǎn)換。

計算濾波器的有效范圍是難點。本文提出基于最小距離的自動閾值計算方法，不依賴采樣操作，有效保留小樣本特征的分布特性。引入類別數(shù)C假設(shè)C=2，即濾波器可通過濾波值的分布范圍數(shù)為2；假定數(shù)集S0表示所有樣本某一特征的全部集合，按升序排序后得到S，用A和B表示其最大值和最小值，該算法判別規(guī)則是找到一對數(shù)值（xi,xi+1）∈S，使│xi-A│+│B-xi+1│的和最小，即求其對偶問題使（xi+1-xi）最大。計算Di=（xi+1-xi）后排序，提取最大值Dm及對應(yīng)的數(shù)值對[xi,xi+1]，則[A，xi]和[xi+1，B]即為濾波器組的可通過范圍。

結(jié)合水體局部與整體可互證性的特點，對提取算法優(yōu)化：如果某點識別為水、周圍n1個點（設(shè)為8后調(diào)整）不是水，那么該點很大概率不是水；如果某點識別不為水，周圍n2個點是水，則該點判斷為水。

算法運行后得到提取水體的柵格數(shù)據(jù)，水體為藍(lán)色，非水體仍為影像RGB初始值，需要用ArcGIS軟件處理轉(zhuǎn)換為矢量數(shù)據(jù)。先柵格轉(zhuǎn)面，添加面積字段，設(shè)置面積閾值，選取大面導(dǎo)出；再采用平滑工具，設(shè)置適當(dāng)?shù)钠屏浚顾孢吘壉M量平滑。

精度分析需要選取一個好的參照對象，目前仍是目視解譯提供可靠準(zhǔn)確的結(jié)果。本文選取一致度C來度量兩個對象之間的近似程度。定義式為:C=1-(DA+DV)/(TA+TV)，其中，DA為模型識別為水體、人工拒絕識別為水體的像素總數(shù)；DV為模型拒絕識別為水體、但被人工識別為水體的像素總數(shù)；TA為模型識別為水體的像素總數(shù)；TV為人工識別所有水體的像素總數(shù)。對不同方法提取結(jié)果在空間上的比較，采用擦除工具獲取。

3 試驗與分析

3.1 試驗數(shù)據(jù)

本文所用數(shù)據(jù)為巢湖流域資源三號衛(wèi)星影像。從2016年巢湖流域DOM中選取數(shù)十幅影像用于測試效果。這里選取一幅代表性影像展示，大小為706×690像素，分辨率1m。

3.2 試驗結(jié)果與評價

圖1（a）包含河流和池塘，紅線部分為人工采樣線，不同水體的顏色差異較大，水體3、4偏藍(lán)，0、1、2偏綠，0比1亮度明顯偏低。使用模型提取并軟件處理，疊加原始影像后顯示；采用隨機樹分類方法提取水體，藍(lán)色為水體；人工提取水體結(jié)果為shp數(shù)據(jù)，柵格化處理后，黑色為水體。

模型提取結(jié)果與實際水體之間的差別主要在水體邊界上，池塘2和5顏色均勻清晰，提取出完整水面。通過調(diào)整參數(shù)找出最優(yōu)解，計算模型提取與人工識別的一致度為98.06%，隨機樹方法提取與人工識別的一致度為96.26%；模型提取的時間消耗與采樣難易程度有關(guān)，與影像復(fù)雜程度有關(guān)，該影像模型提取配合軟件處理和人工修改共耗時20.4min，全部人工作業(yè)需耗時32.6min，生產(chǎn)效率提高了37.4%。結(jié)果表明，本模型提取結(jié)果與人工解譯很接近，具有較高的一致度，自動提取效果優(yōu)于軟件，總體效率優(yōu)于人工提取，能夠達(dá)到減少重復(fù)性工作、提高工作效率的目的。

造成邊界差異原因可能有幾個方面：①處于邊緣的水體性質(zhì)受外界因素影響，與其它部分明顯不同；②水面目標(biāo)如橋梁、船只，在衛(wèi)星成像上只能看到目標(biāo)物；③一些高大物體如建筑、植被陰影遮擋住水體局部，使得成像上無法表現(xiàn)出水體特征而影響判斷。

圖1 原始影像及三種方法提取結(jié)果

4 結(jié)語

本文基于水體視覺特征及圖像處理技術(shù)，提出了一種適合于彩色高分辨率遙感影像的水體自動提取方法，通過試驗取得了良好的效果。文中參數(shù)設(shè)置是在大量試驗基礎(chǔ)上人工設(shè)定的，如何自動獲取參數(shù)以及解決遮擋物的干擾，是后續(xù)研究的方向。