孟令奎，呂琪菲

武漢大學(xué)遙感信息工程學(xué)院，湖北 武漢430079

1 引 言

遙感影像水體提取在水資源調(diào)查和洪澇災(zāi)害監(jiān)測中發(fā)揮著重要作用，目前有水體指數(shù)法［1］、譜間關(guān)系法［2］和面向?qū)ο蠓诸悾?］等多種方法，但是要獲取準(zhǔn)確而連續(xù)的水體邊界依然需要進(jìn)一步的處理。文獻(xiàn)［4］提出的主動輪廓搜索模型（Snake）能直接獲取目標(biāo)連續(xù)性輪廓，在道路提?。?］和GIS矢量邊界更新［6］中得到了成熟應(yīng)用。文獻(xiàn)［7］利用Snake模型提取了雙線型河流，文獻(xiàn)［8］利用掩膜Snake模型獲取了密云水庫面積。但Snake模型對凹邊界提取效果不佳，對復(fù)雜拓?fù)浣Y(jié)構(gòu)的處理能力較弱。文獻(xiàn)［9］提出的GVF Snake模型改進(jìn)了Snake模型的外部力，對淺凹邊界具有更強(qiáng)的收斂性能。文獻(xiàn)［10—11］分別利用GVF Snake模型提取了多光譜影像和SAR影像中的海陸邊界，文獻(xiàn)［12］研究了GVF Snake的初始輪廓對邊界提取結(jié)果的影響，并提取了遙感影像中不規(guī)則水域邊界。但該模型同樣需手工獲取靠近邊緣的初始輪廓，并且也存在對噪聲敏感、無拓?fù)渥儞Q能力等不足之處，難以提取有深凹邊界和復(fù)雜拓?fù)浣Y(jié)構(gòu)（如包含河中島）的復(fù)雜河流邊界。

文獻(xiàn)［13］提出的拓?fù)渥赃m應(yīng)動態(tài)輪廓（topology adaptive Snake，T－Snake）模型是對Snake模型的另一種改進(jìn)，用三角網(wǎng)格劃分圖像，通過判斷和處理三角網(wǎng)格與Snake曲線的空間關(guān)系來實(shí)現(xiàn)拓?fù)渥冃?，成功?yīng)用在醫(yī)學(xué)影像邊緣提取中。針對該模型需計算節(jié)點(diǎn)移動方向和位置的缺點(diǎn)，文獻(xiàn)［14］用正交網(wǎng)格代替三角網(wǎng)格，省略對節(jié)點(diǎn)移動方向的判斷，在大腦皮層重建和細(xì)胞提取中取得了良好效果。文獻(xiàn)［15—17］進(jìn)一步將節(jié)點(diǎn)約束在網(wǎng)格頂點(diǎn)，成功提取了血管影像邊緣。文獻(xiàn)［18］將T－Snake模型與同態(tài)濾波技術(shù)相結(jié)合，文獻(xiàn)［19］改進(jìn)了T－Snake模型的外部能量，這些改進(jìn)均降低了圖像斑點(diǎn)噪聲對T－Snake邊緣提取精度的影響。文獻(xiàn)［20］在T－Snake模型中增加了自適應(yīng)性強(qiáng)的膨脹力和區(qū)域能量，使之有效提取圖像的弱邊界和不連續(xù)邊界。但這些文獻(xiàn)均未考慮Snake曲線在遇到目標(biāo)內(nèi)部島狀空洞時的拓?fù)錄_突問題，而這一點(diǎn)卻是遙感影像河中島邊界提取時需要考慮的重點(diǎn)。另外，這些研究均采取手動方式進(jìn)行T－Snake模型初始化，自動化程度不高。

正交T－Snake模型在目標(biāo)邊緣處能夠自適應(yīng)地改變輪廓曲線的拓?fù)浣Y(jié)構(gòu)，對于有復(fù)雜拓?fù)浣Y(jié)構(gòu)邊界的提取能力較強(qiáng)，目前尚未有學(xué)者將其應(yīng)用在遙感影像地物提取中。本文以復(fù)雜水體邊界自動提取為目標(biāo)，引入正交T－Snake模型并加以改進(jìn)，針對包含河中島的河流邊界提取會產(chǎn)生的拓?fù)錄_突，提出了一種檢測和處理機(jī)制，并依據(jù)遙感影像分形特征，提出了水體初始輪廓自動生成方法。

2 正交T－Snake模型

2.1 Snake曲線的運(yùn)動和拓?fù)渥冃?/h3>

正交T－Snake模型采用一定大小的正交網(wǎng)格劃分影像，并用順序相連的網(wǎng)格頂點(diǎn)所構(gòu)成的閉合輪廓來表示某一時刻的Snake曲線，如圖1（a）所示，實(shí)心點(diǎn)為曲線的內(nèi)部點(diǎn)，空心點(diǎn)為曲線的節(jié)點(diǎn)和外部點(diǎn)，箭頭表示節(jié)點(diǎn)方向。正交T－Snake模型中對節(jié)點(diǎn)有兩個約束條件：一是節(jié)點(diǎn)必須沿網(wǎng)格線移動，二是節(jié)點(diǎn)必須位于網(wǎng)格頂點(diǎn)處。因此，曲線節(jié)點(diǎn)總是沿網(wǎng)格線從一個網(wǎng)格頂點(diǎn)移動到下一個網(wǎng)格頂點(diǎn)。

在曲線每次變形前先進(jìn)行節(jié)點(diǎn)拆分。如圖1（b）—（d）所示，對每一個節(jié)點(diǎn)，除了其來源方向之外，在剩余的3個方向上各生成一個新節(jié)點(diǎn)，新節(jié)點(diǎn)在影像上的位置坐標(biāo)均與原節(jié)點(diǎn)相同，不同的是各自的移動方向；若新節(jié)點(diǎn)的方向指向曲線內(nèi)部則棄之，并將剩余節(jié)點(diǎn)按順序插入原曲線節(jié)點(diǎn)序列中去，此時這部分曲線的拓?fù)浣Y(jié)構(gòu)就發(fā)生了改變。

圖1 Snake曲線的運(yùn)動與拓?fù)渥冃蜦ig.1 Movement and topology deformation of Snake curve

2.2 能量函數(shù)

能量函數(shù)的內(nèi)部能量由彈力和張力組成，彈力可避免曲線出現(xiàn)曲率過大的部分，張力可使曲線相鄰節(jié)點(diǎn)間的距離趨于相同。由于正交T－Snake模型的節(jié)點(diǎn)約束在網(wǎng)格頂點(diǎn)，節(jié)點(diǎn)間距固定為k或為網(wǎng)格邊長），因此本文忽略張力。為保證曲線向外膨脹變形，添加一個膨脹力。外部能量主要指圖像力，可保證Snake曲線停留在梯度極大值處（目標(biāo)邊緣）。因此，節(jié)點(diǎn)Vi的局部能量由彈力、膨脹力和圖像力組成，函數(shù)表達(dá)式為

式中，第1項為彈力；第2項為膨脹力；第3項為圖像力；η、γ、λ為權(quán)重系數(shù)；Vi＝（xi，yi）表示節(jié)點(diǎn)坐標(biāo)是曲線幾何中心；e－ε（σ＋δ）是膨脹力衰減系數(shù)；ε∈［0，1］是衰減速度；σ和δ是節(jié)點(diǎn)鄰域的灰度標(biāo)準(zhǔn)差和極差是節(jié)點(diǎn)Vi處的灰度梯度值。整條Snake曲線的能量函數(shù)為

式中，n為曲線節(jié)點(diǎn)數(shù)。

以這樣一個由彈力、膨脹力和圖像力組成的能量函數(shù)為原則，引導(dǎo)Snake曲線檢測目標(biāo)邊界的過程是：①當(dāng)節(jié)點(diǎn)在河流內(nèi)部并遠(yuǎn)離邊緣時，較小而e－ε（σ＋δ）值較大，此時膨脹力占主導(dǎo)作用。隨著曲線向外擴(kuò)張，節(jié)點(diǎn)與曲線幾何中心的距離逐漸變大導(dǎo)致膨脹力逐漸變小，因而能量函數(shù)值逐漸變小，使曲線繼續(xù)變形以追求能量函數(shù)最小值；②當(dāng)節(jié)點(diǎn)在河流邊緣時，e－ε（σ＋δ）的值迅速衰減至零而突然變大，此時圖像力占主導(dǎo)作用，能量函數(shù)值將不再繼續(xù)減小，促使曲線停止運(yùn)動，從而停留在該處。

3 復(fù)雜水體邊界提取

3.1 島狀空洞拓?fù)錄_突的檢測和處理

當(dāng)要提取的目標(biāo)邊界由兩個輪廓曲線組成，且其中一個輪廓曲線在另一個的內(nèi)部時，將內(nèi)部輪廓所構(gòu)成的區(qū)域稱為島。在河流影像上常常出現(xiàn)這種情況，例如河中島或沙洲等。這種情況下Snake曲線一定會在某個地方發(fā)生自相交，如圖2（a）所示，節(jié)點(diǎn)Vi與Vj將在曲線下一次變形中發(fā)生重合，從而發(fā)生自相交拓?fù)錄_突。解決辦法是將Vi的前一節(jié)點(diǎn)與Vj的后一節(jié)點(diǎn)相連，Vi的后一節(jié)點(diǎn)與Vj的前一節(jié)點(diǎn)相連，然后將Vi、Vj拋棄，如圖2（b）所示。這樣原曲線分裂為兩條新曲線，內(nèi)部曲線將檢測內(nèi)部島嶼邊界，外部曲線將檢測目標(biāo)邊界。

圖2 島狀空洞拓?fù)錄_突的處理Fig.2 Handling for topological conflict caused by island shaped hollow

假設(shè)當(dāng)前Snake曲線是S＝｛V1，V2，…，Vn｝，節(jié)點(diǎn)個數(shù)是n。對于當(dāng)前要移動的節(jié)點(diǎn)Vi，如果它的目標(biāo)位置是曲線上另一節(jié)點(diǎn)Vj，而j－i＝m（即Vi、Vj之間的節(jié)點(diǎn)個數(shù)為m－1），那么進(jìn)行以下操作：從節(jié)點(diǎn)Vi、Vj處將曲線S分裂成兩條新閉合曲線S1、S2，其中，S1是內(nèi)部曲線，由Vi和Vj之間的節(jié)點(diǎn)序列構(gòu)成，節(jié)點(diǎn)個數(shù)是m－1；S2是外部曲線，由V1到Vi－1、和Vj＋1到Vn兩個節(jié)點(diǎn)序列合并構(gòu)成，節(jié)點(diǎn)個數(shù)是n－m－1。曲線S1構(gòu)造為

式中，令Q1＝Vi＋1，Q2＝Vi＋2，…，Qm－1＝Vi＋m－1（即：Qm－1＝Vj－1）。

曲線S2構(gòu)造為

式中，令P1＝V1，P2＝V2，…，Pi－1＝Vi－1，Pi＝Vj＋1，Pi＋1＝Vj＋2，…，Pi＋（n－j－1）＝Vj＋（n－j）（即：Pn－m＝Vn）。

外部曲線繼續(xù)向外擴(kuò)張變形，最終停留位置就是河流自身邊界，內(nèi)部曲線向內(nèi)運(yùn)動變形，最終停留位置就是河中島的邊界。

3.2 基于分形維數(shù)的水體輪廓初始化

正交T－Snake模型只要求初始輪廓是目標(biāo)內(nèi)部一條閉合曲線，無形狀和大小限制，一般手工選取目標(biāo)內(nèi)任一點(diǎn)，將距該點(diǎn)最近的網(wǎng)格頂點(diǎn)依次相連作為初始輪廓。文獻(xiàn)［21］分析了遙感影像中自然地物紋理的分形特征，用分形維數(shù)（fractal dimension，F(xiàn)D）度量，認(rèn)為水體的分形維數(shù)是最低的。據(jù)此，本文提出水體輪廓自動初始化方法，如圖3所示。

圖3 輪廓初始化流程Fig.3 Flowchart of contour initialization

首先，將影像劃分成一系列的影像塊，計算每塊影像的分形維數(shù)；其次，選擇分形維數(shù)最小的影像塊作為水體內(nèi)部區(qū)域，若多個區(qū)域同時擁有最小值，則隨機(jī)選擇其中一個；然后，對該區(qū)域的每一個邊界點(diǎn)，搜索與它距離最近的T－Snake模型網(wǎng)格頂點(diǎn)，根據(jù)網(wǎng)格頂點(diǎn)與該點(diǎn)之間的位置關(guān)系，為網(wǎng)格頂點(diǎn)賦予方向?qū)傩裕喝艟W(wǎng)格頂點(diǎn)在相應(yīng)邊界點(diǎn)的上方，則網(wǎng)格頂點(diǎn)的方向是“向上”，同理，可判斷方向為“向下”“向左”或“向右”的網(wǎng)格頂點(diǎn)；最后，將這些網(wǎng)格頂點(diǎn)按順時針順序依次相連，所構(gòu)成的閉合曲線作為水體初始輪廓。

每個影像塊的分形維數(shù)采用分形布朗運(yùn)動模型［22］計算，該模型將圖像的灰度值當(dāng)作是隨機(jī)游走的結(jié)果：對于任一點(diǎn)x，其鄰域（x＋Δx）內(nèi)各像素灰度對應(yīng)的空間曲面可以用一個分形布朗曲面f（）x來擬合。f（）x具有一個基本性質(zhì)，即

根據(jù)H可以計算分形維數(shù)FD＝3－H。求H值的方法是對式（5）取對數(shù)，有

式中，c是常數(shù)。變換不同的Δx值（尺度），求出一組EΔx值，對（lgΔx，lgEΔx）采用最小二乘法進(jìn)行線性擬合，得到的直線斜率即為H。然后，計算分形維數(shù)值FD＝3－H。

3.3 水體邊界提取

水體邊界提取是初始輪廓隨著能量函數(shù)最小化而逐漸優(yōu)化的過程，算法如下：

（1）模型初始化。初始化網(wǎng)格大小r；用3.2節(jié)方法初始化水體輪廓，記錄各節(jié)點(diǎn)為（x，y，O），其中，（x，y）是節(jié)點(diǎn)坐標(biāo)，O＝｛‘up’，‘down’，‘left’，‘right’｝是節(jié)點(diǎn)方向；計算初始輪廓的能量Ebefore。

（2）節(jié)點(diǎn)拆分，并記錄新的節(jié)點(diǎn)序列中各點(diǎn)的坐標(biāo)和方向。

（3）遍歷節(jié)點(diǎn)序列，對節(jié)點(diǎn)Vi（xi，yi，Oi）進(jìn)行以下操作：①判斷Vi的目標(biāo)位置V′i，若Oi＝‘up’，則；若Oi＝‘down’，則；若Oi＝‘left’，則yi，‘left’）；若Oi＝ ‘right’，則‘right’）。②檢測島狀空洞拓?fù)錄_突，若存在一個曲線節(jié)點(diǎn)Vj，坐標(biāo)上滿足，則說明發(fā)生拓?fù)錄_突，執(zhí)行③；若不存在，則執(zhí)行④。③按照3.1節(jié)方法將原曲線分裂成為兩條新曲線S1和S2，然后對S1和S2分別執(zhí)行（2）。④計算Vi、V′i的局部能量Ei、E′i，并比較大小：若E′i＜Ei，則令Vi＝V′i，Ei＝E′i。

4 試驗與分析

4.1 試驗設(shè)計

試驗數(shù)據(jù)為國產(chǎn)GF－1衛(wèi)星PMS相機(jī)近紅外波段的一幅湖泊影像（1100像素×1100像素），如圖4（a）所示，和一幅包含河中島的長江某段影像（2244像素×1339像素），如圖6（a）所示，空間分辨率為8m。采取改進(jìn)的正交T－Snake模型進(jìn)行水體邊界提?。赫痪W(wǎng)格大小r＝2；彈力的權(quán)重系數(shù)η＝0.1；膨脹力的權(quán)重系數(shù)γ＝－0.2，膨脹力的衰減速度ε＝2，在膨脹力中計算節(jié)點(diǎn)鄰域灰度標(biāo)準(zhǔn)差和極差的鄰域大小k＝2；圖像力的權(quán)重系數(shù)λ＝0.4。

采用經(jīng)典Snake模型［7］和 GVF Snake模型［12］的提取結(jié)果進(jìn)行對比，考慮到它們對初始輪廓的敏感性，試驗中保證初始輪廓盡量貼近水體邊緣，且?guī)缀涡螤畋M量與水體邊界形狀一致。試驗在Intel酷睿i5、CPU主頻2.27GHz、內(nèi)存4GB的計算機(jī)上，eclipse＋pydev編譯環(huán)境下用Python編程實(shí)現(xiàn)。

4.2 結(jié)果分析

4.2.1 水體邊界提取結(jié)果

第1幅影像的湖泊邊緣有多處深凹邊界，如圖4（a）所示。圖4（b）、（c）分別為傳統(tǒng)Snake和GVF Snake的提取結(jié)果，黃色曲線是初始輪廓，紅色曲線是檢測的湖泊邊界。圖4（d）為本文方法的提取結(jié)果，黃色區(qū)域是自動獲取的分形維數(shù)最小區(qū)域，紅色曲線是檢測的湖泊邊界。

從圖4可以看出，傳統(tǒng)Snake和GVF Snake的邊界提取效果均不如改進(jìn)正交T－Snake模型，表現(xiàn)為對凹狀邊界的收斂效果不佳。因為它們是通過搜索鄰域能量最小點(diǎn)作為節(jié)點(diǎn)新位置，如圖5（a）、（b）所示，陰影區(qū)域為點(diǎn)P的5×5鄰域的局部最優(yōu)點(diǎn)，在狹長凹區(qū)域會導(dǎo)致節(jié)點(diǎn)易在局部能量極小值的作用下停留在凹區(qū)域內(nèi)某一側(cè)方邊界上，這將使得Snake曲線不能收斂到凹區(qū)域真正邊界。GVF Snake由于采取GVF場作為外部力，擴(kuò)大了節(jié)點(diǎn)搜索范圍，故對淺凹邊界的檢測效果優(yōu)于傳統(tǒng)Snake，但對于狹長深凹邊界依然會出現(xiàn)跟傳統(tǒng)Snake一樣的缺點(diǎn)。改進(jìn)的正交T－Snake模型由于通過節(jié)點(diǎn)拆分和搜索最優(yōu)的網(wǎng)格頂點(diǎn)來實(shí)現(xiàn)曲線變形，故不會陷入局部極小值，如圖5（c）、（d）所示，所以能夠很好地收斂到各深凹區(qū)域的邊緣。

第2幅影像中河流內(nèi)有兩個河中島，對于傳統(tǒng)Snake和GVF Snake，如圖6所示，考慮到它們對于初始輪廓的敏感性，傳統(tǒng)Snake的初始輪廓完全包裹影像中整個河流，GVF Snake模型的初始輪廓盡量與河流形狀相似，但即便如此，這兩種模型均不能獲取完整而精確的河流邊界：傳統(tǒng)Snake模型不能檢測到河流內(nèi)部河中島的邊界，GVF Snake模型無法提取河流的所有支流邊界。特別是GVF Snake模型，受其曲線變形方式的局限性，容易出現(xiàn)局部極小值，因檢測不到島區(qū)域背面邊界，曲線在繼續(xù)變形過程中會不斷演變成U型，因此無法提取完整的島區(qū)域邊界。

改進(jìn)正交T－Snake模型提取河流邊界的過程如圖7所示，圖7（a）是用23×23的窗口計算分形維數(shù)，并均衡化拉伸到0—255區(qū)間后得到的分形維數(shù)分布圖。可以看到，紋理光滑平坦的河流內(nèi)部分形維數(shù)偏低，表現(xiàn)為連續(xù)均勻的暗區(qū)域，其中黃色區(qū)域為計算得到的一個分形維數(shù)最小的區(qū)域，可以看到該區(qū)域位于河流的內(nèi)部某一處。從圖7（b）—（e）可以看出，Snake曲線在能量函數(shù)的作用下不斷地膨脹和向河流邊緣運(yùn)動，在此過程中，其形狀也在不斷地發(fā)生改變；在遇到河中島時，由于設(shè)計了合理的拓?fù)錄_突檢測機(jī)制和處理辦法，Snake曲線的兩端在河中島邊界某處融合，并且整體分裂為兩條曲線，其中內(nèi)部曲線停留在該處從而獲取了河中島的邊界，而外部曲線則繼續(xù)運(yùn)動檢測到河流自身邊界。這說明本文方法在提取含河中島河流時是有效的。

4.2.2 水體邊界提取精度和效率

采用Pratt品質(zhì)因數(shù)（Pratt’s figure of merit，PFM）［23］和形狀誤差［6］相結(jié)合的方式對3種模型的水體邊界提取精度進(jìn)行客觀評價。

Pratt品質(zhì)因數(shù)可評價邊界的定位精度，計算公式為

式中，ND是檢測到的邊緣像素的個數(shù)；NI是理想的邊緣像素的個數(shù)；?是常數(shù)（取是檢測到的第i個邊緣點(diǎn)與真實(shí)邊緣點(diǎn)的距離。PFM值越高，則邊界提取的定位精度越高。形狀誤差可評價邊界的形狀準(zhǔn)確度，本文利用曲線長度、最小外接矩形面積、長度和寬度的均值作為特征值。對于河流影像，將外部河流邊界和內(nèi)部島嶼邊界的形狀特征值相加，作為河流邊界的形狀特征值，計算公式為

式中，SD是提取到邊界的形狀特征值；SI是理想邊界的形狀特征值。SE越小，則形狀準(zhǔn)確度越高。

在湖泊影像和河流影像上手動提取湖泊邊界和河流邊界，將它們作為各自的理想邊界，然后利用式（7）或式（8）分別計算經(jīng)典Snake模型、GVF Snake模型和本文方法的Pratt品質(zhì)因數(shù)（PFM）和形狀誤差（SE）。另外統(tǒng)計了3種模型在兩個案例中的時間開銷。精度和效率的統(tǒng)計結(jié)果如表1所示。

表1 3種模型的精度和效率Tab.1 Accuracy evaluation of the three models

從表1可以看出，兩個案例中正交T－Snake模型的PFM最高、SE最低，說明正交T－Snake模型所提取的水體邊界在定位精度和形狀準(zhǔn)確度上都是最佳的。GVF Snake的湖泊邊界提取精度優(yōu)于傳統(tǒng)Snake，是因為它能夠檢測到部分淺凹邊界，但它們均遺漏掉很大一部分河流邊界，因此在河流案例中的精度都非常低。該結(jié)果亦驗證了4.2.1節(jié)的定性分析。從表1中還可以看出，改進(jìn)正交T－Snake模型的耗時最少，計算效率最高，這是因為：①本文方法實(shí)現(xiàn)了輪廓自動初始化因而在構(gòu)造初始輪廓上耗時最少；②另兩種模型需對節(jié)點(diǎn)鄰域的所有像素都計算一次能量函數(shù)，若鄰域大小M×M，節(jié)點(diǎn)數(shù)n，則一次迭代的時間復(fù)雜度是O（n×M2），而本文方法的每個節(jié)點(diǎn)最多計算3個方向的能量函數(shù)，一次迭代的時間復(fù)雜度小于O（3n）；③曲線兩次變形之間，另兩種模型需進(jìn)行的節(jié)點(diǎn)內(nèi)插操作也增加了時間開銷，而本文方法無需此項操作。

圖4 3種模型提取的湖泊邊界Fig.4 The lake boundary extracted by three models

圖5 不同的曲線變形方式Fig.5 Different curves deformation mode

圖6 經(jīng)典Snake模型和GVF Snake模型的河流邊界提取結(jié)果Fig.6 The results of the river boundary extraction based on classic Snake model and GVF Snake model

圖7 基于改進(jìn)正交T－Snake模型的河流邊界提取結(jié)果Fig.7 The results of the river boundary extraction based on improved orthogonal T－Snake model

4.2.3 正交T－Snake模型的網(wǎng)格大小

圖8統(tǒng)計了當(dāng)網(wǎng)格寬度分別為1、2、3、4、5個像素時的兩幅影像的水體提取效率和精度。總體上，隨著網(wǎng)格大小的增加，水體提取的時間效率有所提高，而水體提取精度則會下降（Pratt品質(zhì)因數(shù)降低，形狀誤差變大）。其中，當(dāng)網(wǎng)格寬度大于2時，隨著網(wǎng)格寬度變大，Pratt品質(zhì)因數(shù)明顯降低，形狀誤差大幅增加，而耗時的變化比較緩慢。因此，本試驗的網(wǎng)格大小設(shè)置為2×2，此時基于改進(jìn)正交T－Snake模型的水體提取精度較好，計算效率也較高。

圖8 改進(jìn)正交T－Snake模型的網(wǎng)格大小對精度和耗時的影響Fig.8 The grid size of the T－snake model impact on accuracy and time cost

5 結(jié) 論

（1）本文提出了一種可自動提取復(fù)雜水體邊界的改進(jìn)正交T－Snake模型，在國產(chǎn)GF－1衛(wèi)星數(shù)據(jù)的水體邊界提取中取得了不錯的效果。試驗證明，該模型所提取的水體邊界的Pratt品質(zhì)因數(shù)超過93%、形狀誤差在5%以下，定位精度和形狀準(zhǔn)確度很高，對于深凹邊界的提取效果優(yōu)于傳統(tǒng)Snake和GVF Snake模型。

（2）改進(jìn)正交T－Snake模型特別針對河中島現(xiàn)象設(shè)計了曲線變形沖突檢測與處理算法，使遙感影像中包含沙洲或島嶼的水域邊界的直接提取變得簡單化，且可以直接得到連續(xù)的水體邊界線。

（3）改進(jìn)正交T－Snake模型無需手動設(shè)置初始輪廓，自動化程度高；曲線變形過程簡單使得模型計算效率較高。

（4）在改進(jìn)正交T－Snake模型中，劃分影像的網(wǎng)格尺寸越大，邊界提取的效率越高而精度越低，因為一些小于網(wǎng)格大小的影像特征易被忽略。實(shí)際應(yīng)用中需靈活設(shè)置網(wǎng)格大小，在邊界提取精度和模型計算效率兩者之間取得平衡。

綜上所述，本文改進(jìn)的正交T－Snake模型具有自動化程度高、拓?fù)渥冃文芰?qiáng)、深凹邊界收斂性能好、可檢測含島目標(biāo)和計算效率高等特點(diǎn)，能夠?qū)Π又袓u的拓?fù)浣Y(jié)構(gòu)極其復(fù)雜的河流邊界進(jìn)行精確提取，亦可在其他地物邊界提取中推廣應(yīng)用，如海上島嶼提取和道路網(wǎng)提取等。

［1］JIANG H，F(xiàn)ENG M，ZHU Y，et al.An Automated Method for Extracting Rivers and Lakes from LandSat Imagery［J］.Remote Sensing，2014，6（6）：5067－5089.

［2］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，2010，39（6）：611－617.）

［3］SHEN Li，TANG Hong，WANG Shidong，et al.River Extraction from the High Resolution Remote Sensing Image Based on Spatially Correlated Pixels Template and Adaboost Algorithm［J］.Acta Geodaetica et Cartographica Sinica，2013，42（3）：344－350.（慎利，唐宏，王世東，等.結(jié)合空間像素模板和Adaboost算法的高分辨率遙感影像河流提?。跩］.測繪學(xué)報，2013，42（3）：344－350.）

［4］KASS M，WITKIN A，TERZOPOULOS D.Snakes：Active Contour Models［J］.International Journal of Computer Vision，1988，1（4）：321－331.

［5］WU Liang，HU Yun’an.Balloon Snake with Adjustable Expansion Coefficient in Road Contour Extraction［J］.Acta Geodaetica et Cartographica Sinica，2011，40（1）：71－77.（吳亮，胡云安.膨脹系數(shù)可調(diào)的Balloon Snake方法在道路輪廓提取中的應(yīng)用［J］.測繪學(xué)報，2011，40（1）：71－77.）

［6］HAN Min，SUN Yang.A Method of Vector Edge Updating Based on Grouping Snake Model in GIS［J］.Acta Geodaetica et Cartographica Sinica，2009，38（2）：168－174.（韓敏，孫楊.一種基于分組式蛇模型的GIS矢量邊界更新方法［J］.測繪學(xué)報，2009，38（2）：168－174.）

［7］DILLABAUGH C R，NIEMANN K O，RICHARDSON D E.Semi－Automated Extraction of Rivers from Digital Imagery［J］.GeoInformatica，2002，6（3）：263－284.

［8］MIAO Lixin，TANG Shouzheng，LI Xia，et al.Extract Reservoir Water Area Automatically Using Masked Active Contour Model from Multispectral Remote Sensing Images［J］.Research of Soil and Water Conservation，2010，17（5）：7－11.（苗立新，唐守正，李霞，等.利用掩膜主動輪廓模型提取水庫水面面積［J］.水土保持研究，2010，17（5）：7－11.）

［9］XU C Y，PRINCE J L.Snakes，Shapes，and Gradient Vector Flow［J］.IEEE Transactions on Image Processing，1998，7（3）：359－369.

［10］HU Qian，ZHANG Feng，LIU Renyi，et al.Land－sea Boundary Extraction Based on Gradient Vector Flow and Active Contour Model［J］.Journal of Zhejiang University：Science Edition，2013，40（6）：698－704.（胡倩，張豐，劉仁義，等.基于梯度矢量流和主動輪廓模型的海陸邊界提取［J］.浙江大學(xué)學(xué)報：理學(xué)版，2013，40（6）：698－704.）

［11］SHENG G F，YANG W，DENG X P，et al.Coastline Detection in Synthetic Aperture Radar（SAR）Images by Integrating Watershed Transformation and Controllable Gradient Vector Flow（GVF）Snake Model［J］.IEEE Journal of Oceanic Engineering，2012，37（3）：375－383.

［12］ZHU Shulong，MENG Weichan，ZHU Baoshan.Irregular Water Boundary Extraction Using GVF Snake［J］.Journal of Remote Sensing，2013，17（4）：742－758.（朱述龍，孟偉燦，朱寶山.運(yùn)用GVF Snake算法提取水域的不規(guī)則邊界［J］.遙感學(xué)報，2013，17（4）：742－758.）

［13］MCLNERNEY T，TERZOPOULOS D.T－Snakes：Topology Adaptive Snakes［J］.Medical Image Analysis，2000，4（2）：73－91.

［14］BISCHOFF S，KOBBELT L P.Snakes with Topology Control［J］.The Visual Computer，2004，20（4）：217－228.

［15］SUN Zheng.Coronary Vessel Detection and Motion Tracking Based on T－Snake Model［J］.Journal of Optoelectronics·Laser，2007，18（10）：1260－1264.（孫正.基于 T－snake模型的冠狀動脈血管提取和運(yùn)動跟蹤［J］.光電子·激光，2007，18（10）：1260－1264.）

［16］ZHOU Jie，JIANG Xiaohua，CHENG Liuquan，et al.Coronary Artery Edge Detection Based on an Orthogonal T－Snake Model［J］.Journal of Tsinghua University：Science and Technology，2009，49（1）：41－44.（周潔，蔣曉華，程流泉，等.基于正交T－Snake模型的冠狀動脈邊緣檢測［J］.清華大學(xué)學(xué)報：自然科學(xué)版，2009，49（1）：41－44.）

［17］ZHENG S.An Intensive Restraint Topology Adaptive Snake Model and Its Application in Tracking Dynamic Image Sequence［J］.Information Sciences，2010，180（16）：2940－2959.

［18］SUN F R，LIU Z，LI Y L，et al.Improved T－Snake Model Based Edge Detection of the Coronary Arterial Walls in Intravascular Ultrasound Images［C］∥Proceedings of the 3rd International Conference on Bioinformatics and Biomedical Engineering.Beijing，China：IEEE，2009：1－4.

［19］DIAO X F，ZHANG X Y，WANG T F，et al.Robust Topology－adaptive Snakes for Medical Ultrasonic Image Segmentation［C］∥Proceedings of the 3rd International Conference on Biomedical Engineering and Informatics.Yantai，China：IEEE，2010：527－530.

［20］YUAN Yanhong，NI Dong.Segmentation of the Left Ventricle Myocardium in Echocardiography Based on T－Snake Model［J］.Journal of Biomedical Engineering Research，2013，32（1）：7－11，21.（袁艷紅，倪東.基于T－Snake模型的超聲左心室心肌分割方法的研究［J］.生物醫(yī)學(xué)工程研究，2013，32（1）：7－11，21.）

［21］LIANG B Q，WENG Q H，TONG X H.An Evaluation of Fractal Characteristics of Urban Landscape in Indianapolis，USA，Using Multi－sensor Satellite Images［J］.International Journal of Remote Sensing，2013，34（3）：804－823.

［22］YU Zifan，LIN Zongjian.Arithmetic Research of Fractal Dimension with Image Face Based on Fractional Brownian Motion［J］.Geomatics and Information Science of Wuhan University，2005，30（2）：161－165.（于子凡，林宗堅.基于圖像表面積的分形布朗運(yùn)動分?jǐn)?shù)維算法研究［J］.武漢大學(xué)學(xué)報：信息科學(xué)版，2005，30（2）：161－165.）

［23］GONZALEZ RC，WOODS RE.Digital Image Processing［M］.New York：John Wiley and Song，1991.