基于哨兵一號影像海岸線自動提取方法研究

常宇佳，邱志偉,2*，牛 原，吳振宇， 潘春天

（1.江蘇海洋大學 海洋技術與測繪學院，江蘇 連云港 222000；2. 江蘇省海洋資源開發研究院， 江蘇 連云港 222000）

1 SAR影像海岸線檢測研究現狀

海岸線的檢測對于沿海地區是非常重要的，對于地理地圖、海岸侵蝕監測都有重大意義[1-5]。近年來，國內外專家學者對于SAR 影像海岸線檢測提出了諸多方法，經過大量文獻查閱，大致分為5 種。

1）區域型方法檢測海岸線。該方法利用區域合并算法，通過連續自適應區域合并實現海岸線的分割。近些年，通過謝明鴻等對區域合并算法的不斷優化，該算法已有效減少了計算量，并有較高的提取精度，但仍有缺陷，如海面上的高亮區域、地面與海面的相似區域，算法導致出現孤立的小區域，極大的影響了海岸線的分割效果。

2）閾值檢測提取海岸線。采取合適的閾值實現海岸線的檢測，只有當海岸線區域像素差異明顯，并且相干斑噪聲較小時，才能比較理想的提取出海岸線部分。該方法需要人為設置參數，并且對于閾值極為敏感，容錯性不高。

3）馬爾可夫隨機場方法。馬爾可夫隨機場是建立在馬爾可夫模型和貝葉斯理論基礎之上的。自2012 年，Fabio 等提出基于馬爾可夫隨機場的海岸線檢測算法，雖然該算法只能檢測高分辨率單視點復合SAR 影像，但也可以提取出諸多海岸線的細節信息。之后Fabio 等又在該算法進行了改進，提出一種無監督，低報錯率的海岸線檢測算法。但是該方法需要大量的計算量，且提取精度不理想。

4）人工神經網絡方法。該方法模擬人類視覺信息處理提高海岸線檢測精度，有較好的學習能力和自動更新能力，但是在海面紋理數據差異較大時，該算法的處理能力相對較弱，且該算法耗時長，提取精度受樣本數量和特征類型的影響。

5）主動輪廓模型法。該方法將海岸線區域與主動輪廓線相結合，給出基于海岸線檢測區域的水平集法。該方法可得到連續的海岸分割線，但該算法的參數需要人工調試，且對于海面粗糙度不均勻的區域效果不是很理想。本文在眾多理論基礎上改進并提出一種適用于Sentinel-1 影像的海岸線自動提取方法，該方法快速、簡便、提取精度較高，實用性較強。

2 研究方法和關鍵技術

2.1 研究區域概況

連云港是全國為數不多擁有港口的城市，海岸線全長176.5 km，因此對連云港的海岸線進行監測分析有著非常重大的意義。本次實驗區域為接近連島附近的海岸線，全長約為32 km。Sentinel-1 影像分辨率為30 m，重訪周期為12 d。

2.2 技術流程

本文使用的海岸線提取流程如圖1 所示，首先獲取連云港SAR 多年的影像，然后進行圖像的預處理，將其相對應的軌道數據與之結合，處理成清晰的影像[6]，接著運用MATLAB 軟件使用K-means 算法分割處理，然后進行形態學處理，最后運用canny 算子提取海岸線[7]，最終根據多年海岸線，進行時空變化分析及精度驗證。

圖1 海岸線提取流程圖

3 實驗過程

3.1 圖像預處理

對于Sentinel-1 合成孔徑雷達影像，首先需要對圖像進行圖像預處理，利用ENVI SARscape 進行簡單的預處理，然后進行降噪處理，否則圖像中的一些無關噪聲點可能會影響海岸線的提取[8]。因此，本文在盡可能保證海岸線信息完整的基礎上，消除如船舶、海浪等噪聲點的干擾。

降噪結束后，對圖像進行NDWI 水體增強處理，根據水體指數直方圖，選取合適的閾值，最后得到水體指數影像，如圖2 所示。

圖2 水體指數影像

3.2 二值化

本文所采用的二值化是基于Kittler 改進的二值化方法，本文所采用的最小錯誤準則公式為:

對于給定的p(g)和p(g|i)，存在一個灰度g，其灰度g滿足:

式中，t為最小錯誤閾值。通過以下改進公式得到最優解，該公式可以更簡單的計算出準則函數，大大節省了時間。

通過改進的二值化方法得到二值化圖像3c，并與Otsu 二值化3a 和kittle 二值化3b 作比較，如圖3 所示，明顯可以看出本文的二值化方法效果更好一些。

圖3 3 種二值化方法比較

3.3 K-means 算法聚類分割

在降噪結束后，對圖像進行K-means 聚類分割處理。在眾多的聚類算法中，K-means 聚類分割是最簡單的聚類算法之一，它屬于一種無監督的學習算法。Kmeans 算法的難點在于需要設置不同的k值來獲得不同的聚類結果，k值的不確定性正是該算法的一個缺點。為了達到好的實驗結果，需要進行多次嘗試才能夠選取最優的k值。在本次實驗中，選定的K值為10。

3.4 形態學處理

形態學處理是基于圖像形狀對圖像進行的一系列處理操作，基本操作步驟包括:腐蝕-膨脹-填充-開運算-閉運算。

本文采用的算法是先對圖像填充小的孔洞，補充小的像素點，使海岸線更加的光滑，然后進行去噪操作。接下來進行對圖像膨脹操作，填補圖像的高亮區域，然后進行腐蝕操作，將海岸線分解成像素元素，把不屬于海岸線的元素變為個體，然后再進行填充，使海岸線變得更加光滑、連續。

3.5 邊緣檢測

邊緣檢測是圖像處理和計算機視覺中的基本問題，邊緣檢測的目的是標識數字圖像中亮度變化明顯的點[9]，就是確定像素點的狀態來判斷像素點是否在邊緣。

常見的邊緣檢測算子有Roberts 算子、Prewitt 算子、Sobel 算子、Canny 算子。本文經實驗研究實例對比，Canny 邊緣檢測算子為最優檢測算子，選擇Canny邊緣檢測算子對Sentinel-1 圖像進行邊緣檢測。

Canny 算子在處理邊緣檢測時，首先利用高斯濾波器平滑圖像，然后利用一階偏導有限差分計算梯度幅值和方向，對梯度幅值進行非極大值抑制，用雙閾值檢測和連接邊緣[10-12]。對形態學處理之后的圖像進行Canny 算子檢測邊緣，在此，本文對算法做了進一步的優化，將圖像在matlab 中提取出的笛卡爾坐標直接在算法中進行轉化，使其轉換為WGS84 坐標。

4 實驗結果與分析

本文實驗首先從歐空局獲取原始圖像，并用Envi進行圖像預處理，裁剪后的結果如圖4 所示。

圖4 裁剪后的實驗區域圖片

使用算法進行圖像處理，結果如圖5 所示。圖5展示了實驗區域海岸線提取的一個實例過程，從圖中可以看出圖像經過K-means 算法分割（a）、二值化降噪處理（b）、形態學處理（c）、邊緣檢測算子檢測（d）等操作后，海岸線準確的被提取出來，最后與原始岸線做對比（e）。從圖5 中可看出經形態學處理后岸線分割完整，提取的海岸線與原本岸線基本完全契合。

圖5 實驗區域海岸線提取過程

圖6 為多年海岸線提取對比圖，實驗數據采用不同年份相同季度的SAR 影像。從實驗結果來看，2016 年與2015 年岸線變化并不明顯，而自2017-2020 年，岸線變化逐年明顯，向內陸延伸明顯。為了驗證預測，隨后在獲取到提取的海岸線數據后，可以計算出所研究區域的海岸線包圍的陸地面積，從而計算出陸地變化的趨勢。提取出的海岸線離散點的坐標，把圖像邊界像素點也加進散點數據集，所有的點連接成一個任意多邊形，然后利用多邊形面積公式計算出陸地的像素面積。公式如下:

圖6 多年海岸線提取對比圖

式中，xi、yi為海岸線離散點的坐標，計算出像素面積后，則可通過比例關系，計算出陸地真實的面積。

經過圖像處理并提取數據，計算出實驗區域連云港海岸陸地面積變化時間在2015-2020 年，如圖7 所示。表中表明，自2015 年，連云港內陸面積在逐年減少，可能是由于近年來全球氣候變暖，海平面升高以及多年海水侵蝕所致。經實驗數據表明，實驗區域連云港沿岸陸地面積年平均縮減率為4.209 km2/a。由此例可以看出，本文提出的海岸線提取算法是可以基于哨兵一號數據對海岸線數據進行提取的。因此進行了分析和計算，極大的避免了傳統野外測量效率低、周期長的弊端，證實了該方法的在海洋工程方面的可行性和有效性。

圖7 2015-2020 年實驗區域海岸陸地面積變化

以本文的精度驗證進行實地測量，測量時間為2020-05-17，并下載2020-05-23 的Sentinel-1 數據。本文選取30 個特征點，其中最大像素偏差為5，最小像素偏差為1，像素平均偏差為2.9，如圖8 所示。從精度對比結果分析得出結論，海岸線提取精度較高。

圖8 像素偏差直方圖

5 結 語

本文首先獲取了連云港多年同一季度SAR 影像，并進行一系列的數據處理操作，然后應用Matlab 軟件對多年影像進行海岸線自動提取分析。實驗結果顯示，利用該方法對Sentinel-1 影像提取邊界線效果良好，從中可以提取出準確海陸邊界線，對生態環境保護、農林牧漁業的發展、海洋資源的規劃管理及航海安全等方面有著重要的影響，并為基于SAR 影像提取邊界線進行時空變換分析做出了補充。