江沖亞,李滿春,劉永學(xué)

南京大學(xué)地理與海洋科學(xué)學(xué)院,江蘇南京210093

海岸帶水體遙感信息全自動提取方法

江沖亞,李滿春,劉永學(xué)

南京大學(xué)地理與海洋科學(xué)學(xué)院,江蘇南京210093

針對海岸帶水體的特點(diǎn)提出一種通過“像元—對象”及“全域—局部”的雙重尺度轉(zhuǎn)換方法,綜合利用海岸帶水體遙感信息的光譜特征、空間特征、統(tǒng)計(jì)特征和不確定性,有機(jī)結(jié)合地學(xué)知識與數(shù)據(jù)挖掘方法,實(shí)現(xiàn)海岸帶水體遙感信息的全自動提取。對中國四大海域不同類型海岸帶的Landsat ETM+遙感影像進(jìn)行試驗(yàn),提取結(jié)果具有較好的完整性和連續(xù)性,相對精度優(yōu)于監(jiān)督分類法和閾值分割法。

海岸帶;遙感;水體提取

1 引 言

隨著遙感應(yīng)用的深入,水體提取方法不斷改進(jìn),已取得較好的效果[1]。目前,常用的水體信息提取方法主要有監(jiān)督分類法和閾值分割法兩大類,前者主要是針對多光譜圖像數(shù)據(jù),采用數(shù)據(jù)挖掘技術(shù)中的各種分類方法進(jìn)行水體信息的提取[2],后者主要是指依據(jù)水體遙感的地學(xué)知識,選取水陸差異比較明顯的某個(gè)波段或指數(shù),通過閾值分割的方法實(shí)現(xiàn)水體信息的提取[4]。這些方法均在實(shí)際運(yùn)用中取得很好效果的同時(shí)也存在一些問題:第一,要建立合理的遙感信息模型,地學(xué)信息傳輸?shù)囊?guī)律和數(shù)據(jù)本身隱含的信息缺一不可,而監(jiān)督分類方法僅利用樣本自身的統(tǒng)計(jì)特征,沒有充分利用水體目標(biāo)的光譜特征和空間特征,閾值分割方法雖然考慮了水體遙感信息的特點(diǎn),但采用簡單的水體指數(shù)組合會損失大量的多光譜遙感信息;第二,兩種方法均忽略了尺度問題,都是在較大的尺度上進(jìn)行分析,即將整個(gè)遙感影像作為一個(gè)整體,建立統(tǒng)一的水體信息提取模型,在這種情況下,遙感影像統(tǒng)計(jì)數(shù)據(jù)反映的是研究區(qū)內(nèi)不同類型不同水域光譜特征的差異性,而細(xì)節(jié)的水體信息遭到掩蓋,提取結(jié)果難免趨于粗放;第三,對人工干預(yù)的需求使兩種方法均不適合海量遙感信息的自動提取。

針對以上問題,已有學(xué)者開展了進(jìn)一步的研究。文獻(xiàn)[7]先利用譜間關(guān)系和纓帽變換濕度分量建立提取水體的最優(yōu)空間掩膜,再使用最大似然法去除最優(yōu)空間掩膜中其他地物信息,有效提高水體提取的相對精度。文獻(xiàn)[8]提出“全域—局部”的分步迭代空間尺度轉(zhuǎn)換機(jī)制,將全域分割、全域分類、局部分割與分類等計(jì)算過程有機(jī)地結(jié)合起來,分階段地融合了水體信息提取所需的不同層次知識,并建立迭代算法實(shí)現(xiàn)水體最佳邊緣的逐步逼近,獲得高精度的水體信息提取。文獻(xiàn)[9]在全域采用譜間關(guān)系法,在局部則采用基于數(shù)學(xué)形態(tài)學(xué)膨脹濾波算法進(jìn)行空洞填充和短線連接,最后通過圖像細(xì)化算法實(shí)現(xiàn)目標(biāo)的細(xì)化,實(shí)現(xiàn)對山區(qū)細(xì)小水體進(jìn)行高精度自動提取。這些研究都在一定程度上將地學(xué)知識和數(shù)據(jù)挖掘相結(jié)合,并考慮尺度問題,減少人工干預(yù),取得了出色的效果。

2 海岸帶水體遙感信息提取方法

海岸帶水體遙感信息提取方法包括遙感影像分割、水體信息粗提取和水體信息精提取三個(gè)階段(圖1),其中進(jìn)行兩次尺度轉(zhuǎn)換,其一為從像元到對象的轉(zhuǎn)換,屬于自下向上的尺度轉(zhuǎn)換,其二為從全域到局部的轉(zhuǎn)換,屬于自上向下的尺度轉(zhuǎn)換。在第一階段中,結(jié)合水體遙感信息的光譜特征和空間特征進(jìn)行分析,先通過空間濾波減輕噪聲對目標(biāo)和背景信息的干擾,再通過區(qū)域標(biāo)號方法進(jìn)行空間聚合,完成面向像元的全域遙感影像分割,從而實(shí)現(xiàn)從像元到對象的轉(zhuǎn)換。在第二階段中,先利用水體遙感信息的光譜特征構(gòu)建面向?qū)ο蟮奶卣骺臻g,再根據(jù)遙感地學(xué)知識建立相應(yīng)的遙感信息模型,通過一組決策規(guī)則進(jìn)行專家系統(tǒng)判別,提取出水體的確定區(qū)、不確定區(qū)和否定區(qū)。在第三階段中,結(jié)合水體遙感信息的空間特征和統(tǒng)計(jì)特征進(jìn)行分析,先選取水體不確定區(qū),搜索各不確定水體對象的鄰域,實(shí)現(xiàn)從全域到局部的轉(zhuǎn)換,再從各自鄰域內(nèi)自動選取確定水體樣本和否定水體樣本,通過建立局部數(shù)據(jù)挖掘模型進(jìn)行分類,完成面向?qū)ο蟮木植克w信息提取。

圖1 海岸帶水體遙感信息全自動提取方法框架圖Fig.1 Framework diagram of coastal water extraction method

2.1 基于mean shift的遙感影像分割

面向像元的全域遙感影像分割包括空間濾波和區(qū)域標(biāo)號兩個(gè)步驟。本文采用mean shift算法進(jìn)行空間濾波,采用種子生長算法進(jìn)行區(qū)域標(biāo)號。mean shift算法是一種基于非參數(shù)核密度估計(jì)的聚類方法[10],具有較好的穩(wěn)健性,其基本思想是[11]:對于特征空間中的所有數(shù)據(jù)點(diǎn),依次計(jì)算其在核窗口中的均值偏移向量,并沿均值偏移向量的方向移動該點(diǎn)到新的位置,然后以此為新的起點(diǎn),繼續(xù)計(jì)算均值偏移向量并移動,直到滿足一定的條件結(jié)束迭代運(yùn)算過程(圖2)。由于mean shift算法實(shí)際上是在空域和值域構(gòu)成的聯(lián)合域內(nèi)進(jìn)行聚類,因此濾波的結(jié)果是使圖像局部同一地物的差異減小,而不同地物間的差異得到保留。在mean shift算法濾波的基礎(chǔ)上,通過種子生長算法將具有相似性質(zhì)的像素集合起來構(gòu)成區(qū)域[12],并借助拓?fù)浞治鲞M(jìn)行相似區(qū)域合并,完成遙感影像分割,得到由一系列對象構(gòu)成的分割圖像。

圖2 基于mean shift的遙感影像分割流程圖Fig.2 Flow chart of mean shift segmentation algorithm

2.2 基于專家系統(tǒng)的全域水體信息提取

面向?qū)ο蟮娜蛩w信息提取包括特征空間構(gòu)建和專家系統(tǒng)判別兩個(gè)步驟。本文選用六個(gè)光譜特征構(gòu)成面向?qū)ο蟮娜蛩w信息特征空間,包括 NDWI(normal differential water index)、MNDWI(modified normaldifferentialwater index)、TCW(tasseled cap wetness)三個(gè)水體指數(shù),NDVI(normal differential vegetation index)、SAVI(soil-adjusted vegetation index)兩個(gè)植被指數(shù),NDBI(normal differential building index)一個(gè)建筑指數(shù)[13]。根據(jù)地學(xué)知識建立水體的遙感信息專家系統(tǒng)模型(圖3),模型分為兩個(gè)部分:第一部分中,對于分割圖像中的任意對象,如果其特征空間不滿足任意一條約束性條件,則將其判別為否定水體,即肯定不是水體的對象,否則判別為不確定水體;第二部分中,采用投票策略,即對于任意不確定水體對象,如果其特征空間滿足多數(shù)非約束性條件,則將其判別為確定水體,否則仍判別為不確定水體。在模型中,約束性條件共有四條,如式(1),反映水體遙感信息的三個(gè)特點(diǎn),即水體指數(shù)較大、水體指數(shù)大于植被指數(shù)、水體指數(shù)大于建筑指數(shù);非約束性條件均為水體指數(shù)的閾值判別規(guī)則,具體方法是先對各水體指數(shù)進(jìn)行直方圖統(tǒng)計(jì),再用OTSU算法分別計(jì)算各水體指數(shù)的閾值,進(jìn)行閾值分割,分別建立判別規(guī)則作為條件[14]。

圖3 面向?qū)ο蟮娜蛩w遙感信息專家系統(tǒng)模型示意圖Fig.3 Schematic diagram of expert system model of object oriented global water extraction

2.3 基于主動學(xué)習(xí)的局部水體信息提取

面向?qū)ο蟮木植克w信息提取包括不確定區(qū)鄰域搜索和樣本自動選取與分類兩個(gè)步驟。對鄰域的定義可以有三種:對象的最小外接矩形、對象的緩沖區(qū)、對象所在的網(wǎng)格單元。采用第一種定義最簡單,但由于未考慮對象形態(tài),準(zhǔn)確性較低;采用第二種定義最準(zhǔn)確,但確定圖像對象的緩沖區(qū)需要進(jìn)行迭代的形態(tài)學(xué)膨脹運(yùn)算,算法時(shí)間復(fù)雜度較高。本文采用第三種定義方式,將整個(gè)遙感影像劃分為1 km×1 km的格網(wǎng),與對象相交的網(wǎng)格單元的集合即為對象的鄰域,如圖4所示,不確定水體對象O的鄰域?yàn)榫W(wǎng)格單元A、B和C。對每個(gè)不確定水體對象的鄰域,如果其范圍內(nèi)既包含確定水體對象,又包含否定水體對象,則認(rèn)為當(dāng)前不確定水體對象局部特征顯著,分別自動選取其鄰域內(nèi)的確定水體對象和否定水體對象作為樣本,在特征空間內(nèi)使用分類器對不確定水體對象進(jìn)行分類,實(shí)現(xiàn)基于主動學(xué)習(xí)的局部水體信息提取,否則認(rèn)為其局部特征不顯著,使用全域的分類器進(jìn)行分類。

圖4 不確定水體對象鄰域示意圖Fig.4 Schematic diagram of neighborhood of uncertain water

3 試驗(yàn)分析

為驗(yàn)證海岸帶水體遙感信息全自動提取方法的有效性,從我國四大海域選取不同類型的海岸帶作為試驗(yàn)區(qū)。其中,渤海試驗(yàn)區(qū)位于河北省唐山市曹妃甸開發(fā)區(qū)附近海岸帶(圖5(a)),區(qū)域內(nèi)鹽場及養(yǎng)殖水面規(guī)則分布;黃海試驗(yàn)區(qū)位于江蘇省鹽城市大豐丹頂鶴國家級自然保護(hù)區(qū)附近海岸帶(圖5(b)),區(qū)域內(nèi)灘涂濕地分布較多;東海試驗(yàn)區(qū)位于浙江省寧波市北侖港附近海岸帶(圖5(c)),區(qū)域內(nèi)城市和細(xì)小水體交錯復(fù)雜;南海試驗(yàn)區(qū)位于海南省海口市東寨港紅樹林國家級自然保護(hù)區(qū)附近海岸帶(圖5(d)),區(qū)域內(nèi)植被茂密,大小湖泊零星分布。各試驗(yàn)區(qū)使用的試驗(yàn)數(shù)據(jù)均為Landsat ETM+遙感影像,成像時(shí)間分別為2001-09-01、2002-05-26、2000-06-24及 1999-12-24,影像大小均為500×500像素。

在自主研發(fā)的海岸帶遙感信息處理類庫的支持下,采用標(biāo)準(zhǔn)C++實(shí)現(xiàn)上述方法,應(yīng)用該方法對四個(gè)試驗(yàn)區(qū)進(jìn)行海岸帶水體遙感信息提取,并將其結(jié)果與最大似然法監(jiān)督分類提取結(jié)果及NDWI閾值分割提取結(jié)果進(jìn)行比較(圖5)。

從各試驗(yàn)區(qū)粗提取結(jié)果(圖5(e)～(h))可以看出,全域提取得到的確定水體和否定水體幾乎全部正確提取。試驗(yàn)一中的不確定水體主要為近岸高懸浮物濃度水體和鹽田間的細(xì)小田埂;試驗(yàn)二中的不確定水體主要為灘涂間的潮溝及養(yǎng)殖水面的邊緣;試驗(yàn)三中的不確定水體主要為細(xì)小的坑塘水面;試驗(yàn)四中的不確定水體主要為水生植物較多的濕地。其不確定性主要是由混合像元產(chǎn)生的。

從各試驗(yàn)區(qū)的精提取結(jié)果(圖5(i)～(l))可以看出,經(jīng)過局部的主動學(xué)習(xí)分類,不確定水體被有效劃分為水體和非水體,其結(jié)果從整體上看優(yōu)于最大似然法監(jiān)督分類結(jié)果(圖5(m)～(q))及NDWI閾值分割結(jié)果(圖5(r)～(u))。比較局部放大的結(jié)果,本文方法(圖6(a)～(d))對于養(yǎng)殖水面、灘涂潮溝、城市細(xì)小水體、濕地等不同類型的水體,均優(yōu)于監(jiān)督分類法(圖6(e)～(h))和閾值分割法(圖6(i)～(l))。這種性能的提升是由于本文方法對不確定水體進(jìn)行了局部數(shù)據(jù)挖掘,而非使用全域上的水體遙感信息提取模型。首先,在局部工作區(qū)域內(nèi),由于水體與陸地的范圍大致均勻,同時(shí)該單元的水體也不受周圍其他水體的干擾,數(shù)據(jù)統(tǒng)計(jì)特性更為單純,從而降低局部提取模型的不確定性;其次,進(jìn)一步分析的重點(diǎn)被聚焦在水體不確定區(qū),使得局部水體分類模型更具針對性,同時(shí)水體確定區(qū)得以保留,從而避免陷入局部最優(yōu),兼顧0宏觀和微觀的水體特征。因此,本文方法最終的提取結(jié)果在完整性和連續(xù)性上均有穩(wěn)定表現(xiàn)。

圖5 試驗(yàn)結(jié)果(全域)Fig.5 Experimental results(global view)

圖6 試驗(yàn)結(jié)果(局部,白色為水邊線)Fig.6 Experimental results(local view,white lines are water edges)

從各試驗(yàn)區(qū)分別隨機(jī)抽取1 000個(gè)樣本點(diǎn),對提取結(jié)果進(jìn)行精度評價(jià)(表1),結(jié)果表明,運(yùn)用本文方法進(jìn)行海岸帶水體遙感信息自動提取,提取結(jié)果的精度明顯高于最大似然法監(jiān)督分類及NDWI閾值分割。經(jīng)分析發(fā)現(xiàn),本文方法未能正確提取的部分大多是光譜混合現(xiàn)象較為嚴(yán)重的像元。

表1 精度比較Tab.1 Accuracy comparison

4 結(jié)論與討論

提出一種在尺度轉(zhuǎn)換框架中融入地學(xué)知識與數(shù)據(jù)挖掘相結(jié)合的海岸帶水體遙感信息全自動提取方法。該方法通過面向像元的全域遙感影像分割、面向?qū)ο蟮娜蛩w信息提取和面向?qū)ο蟮木植克w信息提取三個(gè)過程,實(shí)現(xiàn)海岸帶水體遙感信息的精確提取,整個(gè)方法具有零樣本、零參數(shù)的特性,完全自動化運(yùn)行。試驗(yàn)證明,該方法能夠適應(yīng)各海域多類型海岸帶環(huán)境,具有較好的穩(wěn)定性,其提取結(jié)果精度較高,對細(xì)節(jié)信息的提取完整性和連續(xù)性均優(yōu)于經(jīng)典方法。

本文提出的方法框架具有一定的靈活性,文中僅結(jié)合Landsat ETM+遙感影像數(shù)據(jù)的特點(diǎn)介紹了具體實(shí)現(xiàn)方法,在實(shí)際應(yīng)用中,具體的分割算法、特征空間構(gòu)建方法、分類器算法等均可進(jìn)行調(diào)整。如CBERS 02B數(shù)據(jù)只有四個(gè)多光譜波段和一個(gè)全色波段,能構(gòu)建的指數(shù)僅有NDVI和NDWI,則需要對專家系統(tǒng)的規(guī)則進(jìn)行約減。

本文對海岸帶水體遙感信息的全自動提取進(jìn)行初步嘗試,盡管在試驗(yàn)中取得相對較優(yōu)的效果,但由于海岸帶為固、氣、液三相物質(zhì)的交互區(qū),受到懸浮物、植被、微生物等多種作用的擾動和影響,使得海岸帶水體具有較強(qiáng)的不確定性,要完全能夠針對不同海岸帶環(huán)境下的水體全自動提取,還有待進(jìn)一步探討研究。

[1] DU Yunyan,ZHOU Chenghu.Automatically Extracting Remote Sensing Information for Water Bodies[J].Journal of Remote Sensing,1998,2(4):264-269.(杜云艷,周成虎.水體的遙感信息自動提取方法[J].遙感學(xué)報(bào),1998,2(4): 264-269.)

[2] QIN Qiming,YUAN Yinhuan,LU Rongjian.The Recognition of Various Types of Water Bodies on Satellite Image [J].Geographical Research,2001,20(l):62-67.(秦其明,袁吟歡,陸榮健.衛(wèi)星圖像中不同水體類型識別研究[J].地理研究,2001,20(l):62-67.)

[3] DU Jinkang,HUANG Yongsheng,FENG Xuezhi,et al. Study on Water Bodies Extraction and Classification from SPOT Image[J].Journal of Remote Sensing,2001,5(3): 214-219.(都金康,黃永勝,馮學(xué)智,等.SPOT衛(wèi)星影像的水體提取方法及分類研究[J].遙感學(xué)報(bào),2001,5(3): 214-219.)

[4] MCFEETERS S K.The Use of Normalized Difference Water Index(NDWI)in the Delineation of Open Water Features [J].International Journal ofRemote Sensing,1996, 17(7):1425-1432.

[5] YAN G Cunjian,XU Mei.Study on the Water-body Extraction Methods of Remote Sensing Information Mechanism[J].Geographic Research,1998,17(sup):86-89. (楊存建,徐美.遙感信息機(jī)理的水體提取方法的探討[J].地理研究,1998,17(增刊):86-89.)

[6] XU Hanqiu.A Study on Information Extraction of Water Body with the Modified Normalized Difference Water Index (MNDWI)[J].Journal of Remote Sensing,2005,9(5): 589-595.(徐涵秋.利用改進(jìn)的歸一化差異水體指數(shù)(MNDWI)提取水體信息的研究[J].遙感學(xué)報(bào),2005, 9(5):589-595.)

[7] WU Wenyuan,SHEN Xiaohua,ZOU Lejun,et al.A Integrated Method for Water Body Detection and Delineation U-sing Landsat ETM+ Data[J].Bulletin of Science and Technology,2008,24(2):252-259,271.(吳文淵,沈曉華,鄒樂君,等.基于Landsat ETM+影像的水體信息綜合提取方法[J].科技通報(bào),2008,24(2):252-259,271.)

[8] LUO Jiancheng,SHENG Yongwei,SHEN Zhanfeng,et al.High Accuracy Water Extraction from Multi-spectral Remote Sensing Based on Iterative Steps Method[J]. Journal of Remote Sensing,2009,13(4):610-615.(駱劍承,盛永偉,沈占鋒,等.分步迭代的多光譜遙感水體信息高精度自動提取[J].遙感學(xué)報(bào),2009,13(4):610-615.)

[9] YANG Shuwen,XUE Chongsheng,LIU Tao,et al.A Method of Small Water Information Automatic Extraction from TM Remote Sensing Images[J].Acta Geodaetica et Cartographica Sinica,2010,39(6):611-617.(楊樹文,薛重生,劉濤,等.一種利用TM影像自動提取細(xì)小水體的方法[J].測繪學(xué)報(bào),2010,39(6):611-617.)

[10] FU KUNAGA K,HOSTETLER L D.The Estimation of the Gradient of a Density Function with Applications in Pattern Recognition[J].IEEE Trans Information Theory, 1975(21):32-40.

[11] COMANICIU D,M EER P.Mean Shift:A Robust Approach toward Feature Space Analysis[J].IEEE Trans on Pattern Analysis and Machine Intelligence, 2002,24(5):603-619.

[12] ZHANG Yujin.Image Engineering:2[M].Beijing:Tsinghua University Press,2005.(章毓晉.圖像工程:中冊[M].北京:清華大學(xué)出版社,2005.)

[13] J ENSEN J R.Introductory Digital Image Processing:A RemoteSensing Perspective[M]. CHEN Xiaoling, GONG Wei,LIPingxiang,etal,Trans.Beijing: Mechanical Industry Press,2007.(延森J R.遙感影像數(shù)字處理導(dǎo)論[M].陳曉玲,龔?fù)?李平湖,等,譯.北京:機(jī)械工業(yè)出版社,2007.)

[14] OTSU N.A Threshold Selection Method from Gray-level Histogram[J].IEEE Transactions on Systems,1979, 9(1):62-66.

Full-automatic Method for Coastal Water Information Extractionfrom Remote Sensing Image

J IANG Chongya,LI Manchun,LIU Y ongxue
School of Geography and Oceanography Science,Nanjing University,Nanjing 210093,China

A new water-extraction method,which focuses on the characteristics of the coastal water,is proposed. The method adopts scale transformation from pixel to object and from global to local,utilizes spectral features, special features,statistic features and uncertainties of remote sensing information,and makes use of combination of geo-knowledge and data mining technology.Experimental results indicate that,the method can extract water in various types of coastal zones with better completeness,better continuity and higher accuracy than classic methods such as supervised classification and threshold segmentation.

coastal zones;remote sensing;water extraction

JIANG Chongya(1985—),male,postgraduate, majors in remote sensing information extraction.

1001-1595(2011)03-0332-06

P237

A

國家自然科學(xué)基金(40701117)

(責(zé)任編輯:宋啟凡)

2010-01-08

2010-09-26

江沖亞(1985—),男,碩士生,主要研究方向?yàn)檫b感信息提取。

E-mail:chongya@126.com