基于圖像處理的海岸線自動提取算法研究

米 碩

（四川大學水力學與山區河流開發保護國家重點實驗室，四川 成都 610065）

準確快速地測定海岸線的時空變化,對于海域使用管理具有十分重要的意義[1]。海岸線會在河口泥沙淤積、海平面上升等自然現象的影響下產生緩慢的變化。人類的填海造地工程、港口建設等人為活動會造成自然岸線的急劇變化。傳統獲取海岸線的時空變化信息的方法多為野外實地調查。但該方法效率低、周期長，并且數據統計處理難度較大[2]。

基于衛星圖像，采用圖像處理的方法，可以較為方便的對海岸線進行數據統計。與傳統多波段或超光譜遙感圖像相比，Google Earth衛星圖像更新快，易獲取且歷史信息全。但是Google Earth衛星圖像為普通彩色圖像，可提供波段信息較少，因此需要設計合適的算法才能對海岸線進行準確有效的提取。

1 算法原理及實現

基于Google Earth衛星圖像進行海岸線的識別與提取，要求待處理的圖像中包含海洋區域與岸上區域，因此待識別海岸線為兩區域分界線。圖像上海洋與陸地兩區域顏色、紋理等特性存在較大差異，分界線比較明顯，可針對海陸二者特征的差異，基于圖像處理的方式設計處理算法，將海陸邊界像素點分離，進而通過搜索方法找尋海岸線像素點坐標。再根據比例尺換算出實際距離，將海岸線數據量化，從而進行后續的分析。本文海岸線的提取算法流程見圖1。

圖1 海岸線提取算法流程圖

1.1 圖像降噪

對于單獨的一張Google Earth衛星圖像，需要對圖像進行降噪處理[3]，否則圖像中無關噪點的存在有可能會對海岸線數據的提取造成干擾。因此本文算法需要在盡可能的保持原始信息即海陸邊緣特征的完整性的同時，又能夠去除信號中無用的信息如海上波浪、船舶等帶來的干擾。

本文采用了雙邊濾波來進行圖像降噪。雙邊濾波是一種可以保留邊緣信息同時降噪的濾波器。它是基于空間分布的高斯濾波函數，可以使得離邊緣較遠的像素不會對邊緣像素產生較大的影響，這樣就避免了邊緣的模糊[4]。

1.2 邊緣檢測

圖像的邊緣檢測[5]是圖像處理的常用算法之一。邊緣檢測強調的是圖像對比度。檢測對比度也就是檢測亮度上的差別，由此可以增強圖像中的邊界特征，這些邊界出現正是圖像亮度上的差別。因此基于衛星圖像中海洋與陸地亮度的顯著差異，邊緣檢測算法可以得到較為良好的效果。常見的邊界算子有Canny算子、Sobel算子、Laplace算子等，本文綜合考慮圖像處理效果及算法復雜度的影響，采用Sobel算子對Google Earth圖像進行邊緣檢測。Sobel算子主要用作邊緣檢測，它是一種離散型差分算子，用來計算圖像亮度函數灰度的近似值。

1.3 二值化

對圖像進行二值化操作可以將圖像上的像素點的灰度值設置為0或255，因此二值化后的圖像會呈現出明顯的黑白效果。圖像的二值化有利于對圖像進行進一步處理，使得圖像特征變得簡單且數據存儲量減少，能強化感興趣的目標的輪廓即海洋與陸地兩部分的圖像特征。將經過邊緣檢測的灰度圖進行二值化處理后，海洋部分會以黑色像素點的形式呈現，而陸地主體為白色像素點，黑白像素點的交界處即為需要提取的海岸線。因此基于黑白二值圖，就可以從一個種子點開始進行搜索，在遍歷全圖后，可以找到完整的黑白交界處的像素點，其連接起來即為需要提取的海岸線。

1.4 形態學操作

圖像形態學操作是基于形狀的一系列圖像處理操作的合集，主要有四個操作：膨脹、腐蝕、開運算、閉運算。

膨脹操作可以將圖像的輪廓加以膨脹；腐蝕操作即將圖像外圍的突出點加以腐蝕；開運算可以放大裂縫和低密度區域，消除小物體，在平滑較大物體的邊界時，不改變其面積，消除物體表面的突起；閉運算可以排除二值化圖像中的小型黑洞，突出比原圖輪廓區域更暗的區域，將兩個區域連接起來，形成連通域。

本文采用的算法先使用腐蝕操作分割出獨立的圖像元素，將不屬于海岸線的像素點獨立成個體，進而可以采取閉運算填充小的孔洞，填補海岸線像素點，使得代表海岸線的像素點平滑而連續。最后采用膨脹操作填補腐蝕操作時被蠶食的高亮區域。經過這一系列的形態學操作，可以在分離出海岸線像素區域與無關像素區域的同時增強海岸線的特征，減少無關噪點，有利于后續海岸線數據點的提取。

1.5 海岸線數據點提取方法

經過預處理及形態學操作后的圖像，在計算機中被存儲為一個大小為圖像像素長寬的矩陣，矩陣中的每個數據均代表一組像素點坐標。為了提取出海岸線像素點的坐標數據，本文采用八方向搜索的方式進行海岸線數據點的提取，見圖2，首先在圖像矩陣從海洋黑色像素區域查找到第一個陸地像素即白色像素點作為種子點，坐標為（x，y），然后以（x-1，y），（x-1，y+1），（x,y+1），（x+1，y+1），（x+1，y），（x+1，y-1），（x，y-1），（x-1，y-1）的順序在八個方向查找下一個海岸線像素點位置，直到所有海岸線邊界點被標記。

圖2 八方向搜索提取海岸線數據點

2 試驗結果

圖3展示了本文海岸線提取流程的一個示例，從圖中可以看出經過濾波、邊緣檢測、形態學操作，二值化等圖像操作后，海岸線能夠準確地被識別并被提取。具有了海岸線的散點數據后，可以計算出陸地面積等信息，為海岸線的管理建設等提供數據支持。

圖3 遼寧省菊花島海岸線提取過程

3 結論

本文選取杭州灣為研究地點，提取了1986年～2016年間22個年份的海岸線，以1996年杭州灣地區Google Earth圖像為底圖，在1996年～2014年間選取了五個年份進行海岸線的提取，見圖4。

圖4 杭州灣海岸線提取結果

在獲取到提取的海岸線數據后，可以計算出所研究區域海岸線所包圍陸地面積，進而可以計算出陸地面積的變化趨勢，從而分析港口海岸地區的時空變化趨勢。提取出的海岸線數據為一系列像素點的散點坐標，把圖像邊界像素點添加進散點數據集，所有像素點連接即為任意形狀的多邊形，因此可采用任意多邊形面積公式[6]計算陸地的像素面積，公式如下：

其中，（xi，yi）代表海岸線散點的坐標且x1=xN+1，y1=yN+1，計算出陸地的像素面積后，則需要由圖像比例尺換算出真實的陸地面積。可以通過將Google地圖衛星圖像的比例尺距離除以其所占像素，進而獲得每像素代表的實際長度，進而可以計算得出真實的陸地面積。

圖5 1986年～2016年杭州灣的面積變化

經過圖像處理并提取數據后，計算出杭州灣在1986年～2016年間的面積變化，見圖5。圖5數據表明，自1996年以來，杭州灣沿岸的陸地面積增長開始加快。從1996年到2014年，杭州灣沿岸陸地面積年均增長率為38.1 km2/a，是1986年～1996年期間杭州灣沿岸陸地面積年均增長面積（17.7 km2/a）的兩倍多。自2014年以來，杭州灣沿岸土地面積趨于穩定，并略微呈現出侵蝕的趨勢。經過此例可以看出，本文提出的海岸線數據提取算法可以基于Google Earth衛星圖像對海岸線數據進行提取，并進行后續的計算和分析，避免了傳統野外實地調查方法效率低、周期長及衛星遙感方法時效性不強的弊端，證實了該方法在港口海岸工程方面應用的可行性及有效性。