喻金桃，郭海濤，李傳廣，盧　俊，姜春雪

1. 信息工程大學(xué)地理空間信息學(xué)院,河南 鄭州 450052； 2. 航天泰坦科技股份有限公司，北京 100070

?

四叉樹與多種活動(dòng)輪廓模型相結(jié)合的遙感影像水邊線提取方法

喻金桃1，郭海濤1，李傳廣2，盧俊1，姜春雪1

1. 信息工程大學(xué)地理空間信息學(xué)院,河南 鄭州 450052； 2. 航天泰坦科技股份有限公司，北京 100070

通過對(duì)測(cè)地線活動(dòng)輪廓(GAC)模型、Chan-Vese(CV)模型、局部二值擬合(LBF)模型的分析，將基于邊緣和區(qū)域的活動(dòng)輪廓模型以及基于四叉樹的影像分割方法有機(jī)結(jié)合，提出了一種基于四叉樹和多種活動(dòng)輪廓模型的水邊線提取方法。該方法首先對(duì)影像進(jìn)行四叉樹分割，為模型演化提供初始輪廓；然后利用CV模型的全局區(qū)域圖像統(tǒng)計(jì)信息和LBF模型的局部區(qū)域圖像統(tǒng)計(jì)信息構(gòu)造新的符號(hào)壓力函數(shù)，利用改進(jìn)的符號(hào)壓力函數(shù)代替GAC模型的邊界停止函數(shù)，有效地改善了GAC模型提前停止演化和過度演化的問題；最后采用二值選擇和高斯濾波正則化水平集方法(SBGFRLS)進(jìn)行演化，避免了重新初始化和規(guī)則化，提高了水平集演化的效率。試驗(yàn)結(jié)果表明該方法對(duì)于包括弱邊緣和嚴(yán)重凹陷邊緣的水邊線提取效果均良好，具有亞像素提取精度，并且提取速度快、穩(wěn)定性好。

四叉樹；GAC模型；CV模型；LBF模型；水邊線提取

海岸帶及海島(礁)影像水邊線提取，是利用遙感影像獲取海洋地理信息的基礎(chǔ)，通過其得到的水邊線專題圖則是海岸演化狀況分析和海岸綜合管理的關(guān)鍵數(shù)據(jù)[1-2]。水邊線提取是海岸線提取的關(guān)鍵問題，對(duì)于遙感影像上航行方位物和航行目標(biāo)的檢測(cè)與提取[3-4]也具有重要意義。目前，遙感影像水邊線提取的方法很多，常用的智能化提取方法有閾值分割法[5]、邊緣檢測(cè)法[2]、活動(dòng)輪廓模型法[6-8]、水平截集法[1]、區(qū)域生長(zhǎng)法[9]等。閾值分割法實(shí)現(xiàn)簡(jiǎn)單，處理速度快，但僅適合于分割的水體與背景有強(qiáng)烈對(duì)比度的圖像；邊緣檢測(cè)法提取的水邊線位置準(zhǔn)確，但檢測(cè)的邊緣容易中斷，通常還需要進(jìn)行后續(xù)的邊緣處理；活動(dòng)輪廓模型法總體分割精度高，但是單一的活動(dòng)輪廓模型，存在對(duì)初始輪廓敏感、灰度不均影像分割不準(zhǔn)確等問題；水平截集法抗噪能力強(qiáng)，曲線的拓?fù)渥兓赃m應(yīng)性好，但算法復(fù)雜，檢測(cè)速度比較慢；區(qū)域生長(zhǎng)法能夠得到完整的水邊線，但抗噪性能較差，種子點(diǎn)附近個(gè)別像元灰度值的突然變化極易造成水邊線的偏移[10]。現(xiàn)有的水邊線提取方法主要存在以下3個(gè)方面的不足[7，11-12]：第一，對(duì)于灰度變化不明顯的弱邊緣水邊線提取不準(zhǔn)確；第二，對(duì)于邊界復(fù)雜的水邊線，特別是嚴(yán)重凹陷情況下的水邊線不容易正確提?。坏谌?，需要人工選取種子區(qū)域，自動(dòng)化程度低，效率不高。因此，難以滿足后續(xù)研究和自動(dòng)測(cè)圖的需求。

近年來，活動(dòng)輪廓模型在圖像分割領(lǐng)域得到了廣泛的應(yīng)用[8-12]，按驅(qū)動(dòng)力的不同可以分為基于邊界的和基于區(qū)域的模型?；谶吔绲幕顒?dòng)輪廓模型一般是利用圖像梯度來構(gòu)造邊界停止函數(shù)，從而保證在目標(biāo)邊界處輪廓停止演化，但是由于這種方法利用的是梯度信息，對(duì)梯度變化不明顯的弱邊界，演化很難準(zhǔn)確地在目標(biāo)輪廓處停止[13]，測(cè)地線活動(dòng)輪廓(GAC)模型[10]就是一種最典型的基于邊界的活動(dòng)輪廓模型。基于區(qū)域的活動(dòng)輪廓模型，其輪廓演化的驅(qū)動(dòng)力是根據(jù)圖像的區(qū)域統(tǒng)計(jì)信息進(jìn)行構(gòu)造，因而對(duì)梯度變化不明顯的弱邊界目標(biāo)或者離散狀的邊界目標(biāo)分割效果較好[13]，Chan-Vese(CV)模型[12]是一種典型的基于區(qū)域的活動(dòng)輪廓模型，該模型對(duì)輪廓的初始化不敏感，但是不能處理灰度不均勻圖像。文獻(xiàn)[14—15]提出了區(qū)域可變的活動(dòng)輪廓(LBF)模型，該模型克服了CV模型不能分割灰度不均勻圖像的缺點(diǎn)，但是需要進(jìn)行多次卷積計(jì)算，計(jì)算量大，且對(duì)輪廓的初始化比較敏感。在此基礎(chǔ)上，國(guó)內(nèi)外學(xué)者開始將梯度信息和區(qū)域統(tǒng)計(jì)信息相結(jié)合[16]、將局部統(tǒng)計(jì)信息和全局統(tǒng)計(jì)信息[17]相結(jié)合，進(jìn)行優(yōu)勢(shì)互補(bǔ)，并取得了較好的分割效果。許多學(xué)者將活動(dòng)輪廓模型引入到水邊線提取，文獻(xiàn)[6]提出了一種四叉樹和幾何活動(dòng)輪廓模型相結(jié)合的自動(dòng)海陸影像分割方法，實(shí)現(xiàn)了海陸影像的自動(dòng)快速分割，但是弱邊緣分割效果不理想；文獻(xiàn)[7]提出了一種基于Canny邊緣檢測(cè)和GAC模型的水邊線提取方法，該方法對(duì)弱邊緣提取效果較好，并且能夠提取嚴(yán)重凹陷邊緣的水邊線，但是需要人工選取種子區(qū)域，自動(dòng)化程度較低，分割時(shí)間較長(zhǎng)。文獻(xiàn)[8]提出了一種四叉樹和測(cè)地線活動(dòng)輪廓模型相結(jié)合的海陸影像分割方法，不僅實(shí)現(xiàn)了自動(dòng)快速提取，同時(shí)對(duì)弱邊緣和嚴(yán)重凹陷邊緣水邊線能夠準(zhǔn)確提取，是目前最新公開發(fā)表的水邊線提取效果非常好的一種方法，但在有浪花干擾的情況下，提取邊緣與實(shí)際邊緣仍然會(huì)存在較大偏差。

通過對(duì)以上方法的分析，在對(duì)GAC、CV、LBF模型研究的基礎(chǔ)上，本文提出一種四叉樹和多種活動(dòng)輪廓模型相結(jié)合的遙感影像水邊線提取算法，該方法對(duì)包括弱邊緣和嚴(yán)重凹陷邊緣水邊線的情況均能夠自動(dòng)準(zhǔn)確提取，并且提取速度較快，穩(wěn)定性較好。

1　基于四叉樹和多種活動(dòng)輪廓模型的水邊線提取原理

1.1基于四叉樹的海陸影像分割

對(duì)于海陸遙感影像，海域部分的像素灰度值具有一定的均勻性，并且連通性較好，但是整體上灰度分布呈現(xiàn)出不均勻性，相對(duì)于海域來說，影像整體上邊緣特征豐富，特別是在海陸分界處。根據(jù)這一特征，海域部分的梯度會(huì)相對(duì)較小，而海陸分界處的梯度會(huì)相對(duì)較大，因此為了便于后續(xù)分割，先構(gòu)建影像梯度圖，如式(1)所示[6]

(1)

四叉樹分割的實(shí)質(zhì)是區(qū)域的分裂與合并技術(shù)和四叉樹的結(jié)構(gòu)相結(jié)合，來實(shí)現(xiàn)圖像分割。分割原理如圖1所示[6]，其優(yōu)勢(shì)在于分割速度快，并且是自動(dòng)分割，但是對(duì)于弱邊緣和嚴(yán)重凹陷邊緣不能準(zhǔn)確地提取。

圖1　四叉樹分割結(jié)構(gòu)示意圖Fig.1　Structure diagram for quadtree segmentation

1.2CV模型、LBF模型和GAC模型

1.2.1CV模型

CV模型的能量函數(shù)為[12]

(2)式中，I(x,y)表示原圖像；λ1、λ2是值為正的常數(shù)，一般情況下可以取λ1=λ2=1；c1和c2分別為輪廓曲線內(nèi)外的圖像灰度均值，其計(jì)算公式如下

(3)

式中，Hε(φ(x,y)為Heaviside函數(shù)的正則化形式，計(jì)算公式如式(5)所示；φ(x,y)為水平集函數(shù)。

為了避免最后的分割結(jié)果中出現(xiàn)較小和孤立區(qū)域以及零水平集的光滑，引入長(zhǎng)度懲罰項(xiàng)和面積懲罰項(xiàng)，得到水平集演化方程為

(4)

(5)

CV模型是一種基于區(qū)域的活動(dòng)輪廓模型，可以檢測(cè)梯度變化不明顯的弱邊界目標(biāo)[10]。同時(shí)，CV模型利用圖像的全局信息，因此對(duì)輪廓的初始化不敏感，并且對(duì)含噪聲圖像能夠有效地處理。但是，因?yàn)樵撃Ｐ蛯D像看作兩個(gè)常值區(qū)域，所以不能處理灰度不均勻的圖像。

1.2.2LBF模型

LBF模型的能量函數(shù)為

x,y∈Ω

(6)

式中，I:Ω→R為輸入圖像；λ1、λ2是值為正的常數(shù)；Kσ是標(biāo)準(zhǔn)差為σ的高斯核函數(shù)；f1、f2分別為擬合輪廓內(nèi)外圖像局部區(qū)域灰度的函數(shù)，其表達(dá)式為

(7)

為了保持演化的穩(wěn)定性以及平滑性，通常引入長(zhǎng)度和符號(hào)距離約束，進(jìn)行水平集演化。LBF模型利用了圖像的局部信息，因此對(duì)于灰度不均圖像具有很好的分割效果；但是只有局部信息，而沒有涉及全局信息，所以對(duì)初始輪廓敏感，抗噪性能較差，并且計(jì)算量大，因此限制了該模型在實(shí)際中的應(yīng)用。

1.2.3GAC模型

GAC模型是通過最小化如下能量函數(shù)

(8)

式中，C(q)是參數(shù)化的曲線；g是邊界停止函數(shù)。

通常為了增加輪廓法方向上的演變速度，增加一個(gè)常數(shù)項(xiàng)α，采用水平集思想最小化式(8)，得到水平集演化方程為

(9)

式中，div為散度算子。

GAC模型依靠邊緣梯度信息演化曲線，能夠自適應(yīng)地處理拓?fù)浣Y(jié)構(gòu)變化，提供高精度的閉合分割曲線，但是對(duì)噪聲敏感，需要人工給定初始輪廓，對(duì)于嚴(yán)重凹陷邊緣容易陷入局部極小值而停止演化，影響提取的精度和可靠性[16]，如圖2所示。

圖2　GAC模型局部極小值問題Fig.2　Local minimum value problem of GAC model

當(dāng)α較小時(shí)，分割曲線未到達(dá)凹陷邊緣處便提前停止演變，但當(dāng)α過大時(shí)，輪廓越過強(qiáng)邊緣的可能性又會(huì)增加，因此無法實(shí)現(xiàn)弱邊緣和嚴(yán)重凹陷邊緣的同時(shí)提取。

1.3基于四叉樹和多種活動(dòng)輪廓模型的水邊線提取

上述模型各有優(yōu)勢(shì)和不足，如何相互結(jié)合，取長(zhǎng)補(bǔ)短，更好地共同完成影像分割是近年來研究的熱點(diǎn)和難點(diǎn)。文獻(xiàn)[16]利用CV模型改進(jìn)符號(hào)壓力函數(shù)代替GAC模型的邊界停止函數(shù)，這樣的改進(jìn)使得分割目標(biāo)更加突出，弱邊緣和灰度不均勻目標(biāo)分割問題可得到有效改善，并且具有雙向演化曲線的能力：當(dāng)演化曲線在目標(biāo)內(nèi)部時(shí)，曲線向外演化；當(dāng)演化曲線在目標(biāo)外部時(shí)，曲線向內(nèi)演化，最終到達(dá)目標(biāo)邊界。符號(hào)壓力函數(shù)對(duì)曲線演化的影響如圖3所示。

圖3　符號(hào)壓力函數(shù)對(duì)曲線演化的影響Fig.3　The influence of signed pressure force function on curve evolution

水平集演化方程如式(10)

(10)

式中，spf(I)為符號(hào)壓力函數(shù)。

文獻(xiàn)[18]利用LBF模型的局部區(qū)域統(tǒng)計(jì)信息改進(jìn)符號(hào)壓力函數(shù)，提出了一種新的區(qū)域活動(dòng)輪廓模型?？紤]到CV模型對(duì)灰度不均的圖像無法進(jìn)行分割；而LBF模型對(duì)于灰度不均勻圖像分割效果好。因此本文結(jié)合CV和LBF模型的優(yōu)點(diǎn)構(gòu)造新的符號(hào)壓力函數(shù)

spf(I)=

(11)

式中，w(0≤w≤1)是一個(gè)權(quán)重因子，由經(jīng)驗(yàn)確定，可以根據(jù)圖像的細(xì)節(jié)和灰度不均勻性進(jìn)行調(diào)節(jié)。當(dāng)圖像細(xì)節(jié)較多或者灰度不均勻時(shí)，w的值應(yīng)該足夠的小，可設(shè)為0.1；反之，應(yīng)該設(shè)置為較大的值，通常w設(shè)為0.7，便可較好實(shí)現(xiàn)邊緣提取。改進(jìn)后的符號(hào)壓力函數(shù)，使得分割目標(biāo)更加突出，并且具有雙向演化的能力，從而有效地改善了GAC模型無法同時(shí)提取弱邊緣和嚴(yán)重凹陷邊緣水邊線的問題。因此這種方法構(gòu)造的符號(hào)壓力函數(shù)在水平集演化時(shí)，既保持了全局信息的優(yōu)勢(shì)，避免演化輪廓線達(dá)到局部最小，同時(shí)又保持了局部信息的優(yōu)勢(shì)，對(duì)灰度不均勻圖像的分割效果較好[16]。

(12)

通過上述的分析可知，基于四叉樹的圖像分割算法分割速度快，自動(dòng)化程度高，但是對(duì)于弱邊緣和嚴(yán)重凹陷邊緣的分割不夠準(zhǔn)確，因此本文先采用四叉樹粗分割給定初始輪廓，再利用多種活動(dòng)輪廓模型細(xì)分割得到精確結(jié)果的思路。不僅能夠準(zhǔn)確提取一般的水邊線，同時(shí)對(duì)包括弱邊緣和嚴(yán)重凹陷邊緣的水邊線也能很好提取。

基于四叉樹和多種活動(dòng)輪廓模型的水邊線提取算法流程如圖4所示。

圖4　水邊線提取流程Fig.4　Flowchart for waterline extraction

2　試驗(yàn)結(jié)果與分析

為了驗(yàn)證本文提出的算法有效性，進(jìn)行了多組試驗(yàn)，并與其他3種水邊線提取方法進(jìn)行了比較分析。現(xiàn)列出以下6組試驗(yàn)，為定量分析4種方法的提取效率，分別從提取精度、迭代次數(shù)、運(yùn)行時(shí)間和提取準(zhǔn)確率4個(gè)方面進(jìn)行了統(tǒng)計(jì)和驗(yàn)證。在提取準(zhǔn)確率方面，利用線特征提取廣泛使用的評(píng)價(jià)方法進(jìn)行定量評(píng)價(jià)分析，將各算法提取的水邊線與人工提取(或?qū)嶋H)水邊線進(jìn)行比較，采用完整性(CP)、正確率(CR)、提取質(zhì)量(QL)3個(gè)指標(biāo)對(duì)提取結(jié)果準(zhǔn)確性進(jìn)行評(píng)價(jià)，計(jì)算方法參考文獻(xiàn)[22]。試驗(yàn)1利用標(biāo)準(zhǔn)邊緣模擬影像驗(yàn)證本文算法的亞像素提取精度；試驗(yàn)2是利用QuickBird影像對(duì)本文算法進(jìn)行驗(yàn)證；試驗(yàn)3—試驗(yàn)6是利用天繪衛(wèi)星全色和多光譜影像對(duì)本文算法進(jìn)行驗(yàn)證，并與文獻(xiàn)[6—8]提出的水邊線提取方法進(jìn)行對(duì)比試驗(yàn)。

2.1標(biāo)準(zhǔn)邊緣模擬影像試驗(yàn)

為了簡(jiǎn)單、準(zhǔn)確地評(píng)價(jià)本文算法的提取精度，試驗(yàn)1采用已知提取結(jié)果的標(biāo)準(zhǔn)邊緣模擬影像進(jìn)行了驗(yàn)證。以CCD成像原理為基礎(chǔ)，根據(jù)方形孔徑采樣定理生成理想階躍狀邊緣[23]，分別對(duì)傾斜角為10°、15°、35°、45°、60°、75°的6幅標(biāo)準(zhǔn)邊緣影像進(jìn)行試驗(yàn)，影像大小為201×201像素，試驗(yàn)結(jié)果如圖5所示，圖5(a)—圖5(f)分別是利用本文方法對(duì)按文獻(xiàn)[23]方法生成的上述6幅標(biāo)準(zhǔn)影像邊緣提取的結(jié)果。提取精度利用文獻(xiàn)[24]的方法進(jìn)行定量計(jì)算，即以所提取的各邊緣點(diǎn)與理論邊緣直線的距離平均值來度量提取精度，本文方法對(duì)不同傾斜角的標(biāo)準(zhǔn)邊緣影像提取精度見表1。

表1　試驗(yàn)1不同傾斜角標(biāo)準(zhǔn)影像提取結(jié)果Tab.1　Results of different angle standard image extraction in experiment 1

從表1和圖5可知，本文方法的提取精度可達(dá)0.1像素以內(nèi)，說明了本文算法提取的精度達(dá)到了亞像素級(jí)。對(duì)理想的屋頂型和線條型邊緣也進(jìn)行了相關(guān)試驗(yàn)，均證明本文算法可達(dá)到亞像素級(jí)的提取精度。

2.2QuickBird影像試驗(yàn)

試驗(yàn)2采用2014年獲取的大連地區(qū)的QuickBird衛(wèi)星影像作為試驗(yàn)數(shù)據(jù)，分辨率為0.61 m，大小為1173×719像素，四叉樹分割試驗(yàn)結(jié)果如圖6所示。本試驗(yàn)主要針對(duì)本文算法的運(yùn)行效率、弱邊緣、嚴(yán)重凹陷邊緣水邊線提取能力進(jìn)行對(duì)比試驗(yàn)。試驗(yàn)結(jié)果如圖7所示，圖7(a)—圖7(c)分別為原始影像和弱邊緣、凹陷邊緣選區(qū)；圖7(d)—圖7(f)分別為文獻(xiàn)[6]方法對(duì)原始影像、弱邊緣和凹陷邊緣提取結(jié)果；圖7(g)—圖7(i)分別為文獻(xiàn)[7]方法對(duì)原始影像、弱邊緣和凹陷邊緣提取結(jié)果；圖7(j)—圖7(l)分別為文獻(xiàn)[8]方法對(duì)原始影像、弱邊緣和凹陷邊緣提取結(jié)果。圖7(m)—圖7(o)分別為本文方法對(duì)原始影像、弱邊緣和凹陷邊緣提取結(jié)果。

圖5　試驗(yàn)1亞像素提取精度驗(yàn)證Fig.5　Accuracy verification for sub-pixel extraction in experiment 1

圖6　四叉樹分割結(jié)果Fig.6　Results of quad-tree segmentation

由圖6可以看出，四叉樹分割所獲得的輪廓非常接近于真實(shí)水邊線，為水平集演化提供了精確的初始輪廓，減少了演化的次數(shù)，提高了演化的效率。由圖7第2列試驗(yàn)結(jié)果可以看出，文獻(xiàn)[6—8]所述方法在有浪花干擾的情況下，提取邊緣與實(shí)際邊緣相差較大，提取結(jié)果不準(zhǔn)確，并且嚴(yán)重凹陷邊緣水邊線提取的能力也較差；而本文方法在有浪花干擾的情況下效果較好，提取結(jié)果更接近實(shí)際邊緣，并且對(duì)嚴(yán)重凹陷邊緣能夠準(zhǔn)確提取。同時(shí)，提取效率明顯高于文獻(xiàn)[6—8]所述方法，運(yùn)行效率和提取準(zhǔn)確率統(tǒng)計(jì)情況見表2。

表2試驗(yàn)2各算法運(yùn)行效率和提取準(zhǔn)確率統(tǒng)計(jì)

Tab.2Operating efficiency and extraction accuracy for each algorithm in experiment 2

方法迭代次數(shù)/次運(yùn)行時(shí)間/mCP/(%)CR/(%)QL/(%)文獻(xiàn)[6]方法480106.787.091.177.3文獻(xiàn)[7]方法1940434.585.086.372.3文獻(xiàn)[8]方法43091.585.086.372.3本文方法14023.497.499.497.0

2.3天繪一號(hào)衛(wèi)星影像試驗(yàn)

試驗(yàn)3采用2013年獲取的大連地區(qū)的天繪衛(wèi)星影像作為試驗(yàn)數(shù)據(jù)，大小為498×427像素，分辨率為2 m，本試驗(yàn)主要針對(duì)本文算法的運(yùn)行效率、一般水邊線提取準(zhǔn)確性進(jìn)行對(duì)比試驗(yàn)。試驗(yàn)結(jié)果如圖8所示，圖8(a)為原始影像，圖8(b)—圖8(d)分別為文獻(xiàn)[6—8]方法和本文方法對(duì)原始影像的提取結(jié)果；圖8(e)為選區(qū)放大影像，圖8(f)—圖8(h)分別為文獻(xiàn)[6—8]方法和本文方法選區(qū)放大的提取結(jié)果。運(yùn)行效率和提取準(zhǔn)確率統(tǒng)計(jì)結(jié)果見表3。

表3試驗(yàn)3各算法運(yùn)行效率和提取準(zhǔn)確率統(tǒng)計(jì)

Tab.3Operating efficiency and extraction accuracy for each algorithm in experiment 3

方法迭代次數(shù)/次運(yùn)行時(shí)間/sCP/(%)CR/(%)QL/(%)文獻(xiàn)[6]方法20010.693.097.090.0文獻(xiàn)[7]方法68037.495.896.292.1文獻(xiàn)[8]方法1407.395.896.292.1本文方法602.599.7100.099.7

試驗(yàn)4采用2013年獲取的大連地區(qū)的天繪衛(wèi)星影像作為試驗(yàn)數(shù)據(jù)，大小為811×639像素，分辨率為2 m，本試驗(yàn)主要針對(duì)本文算法的運(yùn)行效率、嚴(yán)重凹陷水邊線提取準(zhǔn)確性進(jìn)行對(duì)比試驗(yàn)。試驗(yàn)結(jié)果如圖9所示，圖9(a)為原始影像，圖9(b)—圖9(d)分別為文獻(xiàn)[6—8]方法和本文方法對(duì)原始影像的提取結(jié)果；圖9(e)為選區(qū)放大影像，圖9(f)—圖9(h)分別為文獻(xiàn)[6—8]方法和本文方法選區(qū)放大的提取結(jié)果。運(yùn)行效率和提取準(zhǔn)確率統(tǒng)計(jì)結(jié)果見表4。

圖7　試驗(yàn)2各算法水邊線提取結(jié)果Fig.7　Results of waterline extraction in experiment 2

圖8　試驗(yàn)3一般水邊線提取結(jié)果Fig.8　Results of general waterline extraction in experiment 3

圖9　嚴(yán)重凹陷邊緣水邊線提取結(jié)果Fig.9　Experimental results of waterline extraction for concave edges

Tab.4Operating efficiency and extraction accuracy for each algorithm in experiment4

方法迭代次數(shù)/次運(yùn)行時(shí)間/sCP/(%)CR/(%)QL/(%)文獻(xiàn)[6]方法960131.076.989.669.1文獻(xiàn)[7]方法1020138.678.786.669.3文獻(xiàn)[8]方法900120.678.786.669.3本文方法22023.297.499.096.2

試驗(yàn)5采用2013年獲取的大連地區(qū)的天繪衛(wèi)星影像作為試驗(yàn)數(shù)據(jù)，大小為859×710像素，分辨率為2 m，本試驗(yàn)主要針對(duì)本文算法的運(yùn)行效率、弱邊緣水邊線提取準(zhǔn)確性進(jìn)行對(duì)比試驗(yàn)。試驗(yàn)結(jié)果如圖10所示，圖10(a)為原始影像，圖10(b)—圖10(d)分別為文獻(xiàn)[6—8]方法和本文方法對(duì)原始影像提取結(jié)果；圖10(e)為選區(qū)放大影像，圖10(f)—圖10(h)為文獻(xiàn)[6—8]方法和本文方法選區(qū)放大的提取結(jié)果。運(yùn)行效率和提取準(zhǔn)確率統(tǒng)計(jì)結(jié)果見表5。

試驗(yàn)6采用天繪衛(wèi)星多光譜影像作為試驗(yàn)數(shù)據(jù)，大小為980×588像素，分辨率為10 m，本試驗(yàn)主要針對(duì)多光譜影像進(jìn)行對(duì)比試驗(yàn)。試驗(yàn)結(jié)果如圖11所示，圖11(a)為原始影像，圖11(b)—圖11(d)分別為文獻(xiàn)[6—8]方法和本文方法對(duì)原始影像提取結(jié)果；圖11(e)為選區(qū)放大影像，圖11(f)—圖11(h)為文獻(xiàn)[6—8]方法和本文方法選區(qū)放大的提取結(jié)果。運(yùn)行效率和提取準(zhǔn)確率統(tǒng)計(jì)結(jié)果見表6。

圖10　弱邊緣水邊線提取結(jié)果Fig.10　Experimental results of waterline extraction for weak edges

Tab.5Operating efficiency and extraction accuracy for each algorithm in experiment 5

方法迭代次數(shù)/次運(yùn)行時(shí)間/sCP/(%)CR/(%)QL/(%)文獻(xiàn)[6]方法44069.367.183.158.5文獻(xiàn)[7]方法1740275.865.884.558.9文獻(xiàn)[8]方法42065.265.884.558.9本文方法10012.290.896.188.2

表6試驗(yàn)6各算法運(yùn)行效率和提取準(zhǔn)確率統(tǒng)計(jì)

Tab.6Operating efficiency and extraction accuracy for each algorithm in experiment 6

方法迭代次數(shù)/次運(yùn)行時(shí)間/sCP/(%)CR/(%)QL/(%)文獻(xiàn)[6]方法44069.392.594.686.7文獻(xiàn)[7]方法980146.182.888.272.5文獻(xiàn)[8]方法46067.382.888.272.5本文方法404.898.999.798.8

圖11　多光譜影像水邊線提取結(jié)果Fig.11　Experimental results of multispectral image waterline extraction

從圖8—圖11也可以看出，本文方法可以較準(zhǔn)確地提取水邊線，特別是對(duì)于弱邊緣和嚴(yán)重凹陷邊緣水邊線也能準(zhǔn)確地得到提取，穩(wěn)定性強(qiáng)，無需人工選擇種子點(diǎn)或初始邊界，自動(dòng)化程度高。由表3—表6可以看出，從迭代次數(shù)和運(yùn)行時(shí)間兩方面來看，本文方法的運(yùn)行效率明顯高于文獻(xiàn)[6—7]所述的方法，提高效率可達(dá)4倍以上；從提取準(zhǔn)確率方面來看，從提取完整性、準(zhǔn)確性和提取質(zhì)量3個(gè)指標(biāo)可以看出，本文方法整體提取準(zhǔn)確率較高。

通過對(duì)上述6組試驗(yàn)結(jié)果的分析，可以得到：①本文利用四叉樹分割為曲線演化提供初始輪廓，實(shí)現(xiàn)了演化的自動(dòng)化；②結(jié)合GAC、CV、LBF模型的優(yōu)勢(shì)構(gòu)造的符號(hào)壓力函數(shù)具有雙向演化的能力，從而有效地改善了GAC模型無法同時(shí)提取弱邊緣和嚴(yán)重凹陷邊緣水邊線的問題，保持了全局信息的優(yōu)勢(shì)，避免演化輪廓線達(dá)到局部最小，同時(shí)又保持了局部信息的優(yōu)勢(shì)，對(duì)灰度不均勻圖像的分割效果較好；③最后采用二值選擇和高斯濾波正則化水平集方法(SBGFRLS)進(jìn)行演化，避免了重新初始化和規(guī)則化，提高了水平集演化的效率，因此較之其他提取方法在效率和精度方面都更有優(yōu)勢(shì)；④缺點(diǎn)是構(gòu)造的符號(hào)壓力函數(shù)中的權(quán)重因子由經(jīng)驗(yàn)決定，需要根據(jù)圖像的細(xì)節(jié)和灰度不均勻性進(jìn)行調(diào)節(jié)。

3　結(jié)　論

針對(duì)遙感影像水邊線提取中弱邊緣和嚴(yán)重凹陷邊緣水邊線難以準(zhǔn)確提取、提取時(shí)間長(zhǎng)以及自動(dòng)化程度低等問題，本文提出了一種四叉樹和多種活動(dòng)輪廓模型相結(jié)合的水邊線提取方法。試驗(yàn)結(jié)果表明：該方法對(duì)于包括弱邊緣、嚴(yán)重凹陷邊緣的水邊線均能夠準(zhǔn)確提取，并且具有亞像素提取精度；利用效率較高的四叉樹分割方法獲取水邊線的初始輪廓，無需人工干預(yù)，自動(dòng)化程度高；通過引入四叉樹分割，改進(jìn)符號(hào)壓力函數(shù)以及采用高斯卷積核規(guī)則化水平集函數(shù)避免了重新初始化，極大地提高了水邊線提取的效率。由于本文算法采用Matlab編程實(shí)現(xiàn)，所處理的影像大小有限，對(duì)于更大圖像的處理需要考慮分塊或其他的圖像處理方法，今后將會(huì)進(jìn)一步作深入研究。

[1]RYU J H, WON J S. Application of Neural Networks to Waterline Extraction in Tidal Flat from Optic Satellite Images[C]∥IEEE International Geoscience and Remote Sensing Symposium (IGARSS). Toronto, Ont: IEEE, 2002, 4: 2026-2028.

[2]QIN Ping. Waterline Information Extraction from Radial Sand Ridge of South Yellow Sea[C]∥Proceedings of the 6th International Congress on Image and Signal Processing (CISP). Hangzhou: IEEE, 2013: 459-463.

[3]LI Heng, WANG Xinyu. Automatic Recognition of Ship Types from Infrared Images Using Support Vector Machines[C]∥Proceedings of the International Conference on Computer Science and Software Engineering. Wuhan, Hubei: IEEE, 2008, 6: 483-486.

[4]汪閩, 駱劍承, 明冬萍. 高分辨率遙感影像上基于形狀特征的船舶提取[J]. 武漢大學(xué)學(xué)報(bào)(信息科學(xué)版), 2005, 30(8): 685-688.

WANG Min, LUO Jiancheng, MING Dongping. Extract Ship Targets from High Spatial Resolution Remote Sensed Imagery with Shape Feature[J]. Geomatics and Information Science of Wuhan University, 2005, 30(8): 685-688.

[5]LI Zhen, LIU Yongxue, LI Manchun, et al. Automatic Waterline Pick-up Based on Improved Embedded Confidence[C]∥Proceedings of the 18th International Conference on Geoinformatics. Beijing: IEEE, 2010: 1-6.

[6]ZHANG Hongwei, ZHANG Baoming, GUO Haitao. An Automatic Coastline Extraction Method Based on Active Contour Model[C]∥Proceedings of the 21st International Conference on Geoinformatics. Kaifeng: IEEE, 2013, 6: 111-115.

[7]申家雙, 郭海濤, 李海濱, 等. 基于Canny算子和GAC模型相結(jié)合的影像水邊線提取方法[J]. 測(cè)繪科學(xué)技術(shù)學(xué)報(bào), 2013, 30(3): 264-268.

SHEN Jiashuang, GUO Haitao, LI Haibin, et al. A Water Edge Extraction Method from Images Based on Canny Operator and GAC Model[J]. Journal of Geomatics Science and Technology, 2013, 30(3): 264-268.

[8]郭海濤, 孫磊, 申家雙, 等. 一種四叉樹和測(cè)地線活動(dòng)輪廓模型相結(jié)合的海陸影像分割方法[J]. 測(cè)繪學(xué)報(bào), 2016, 45(1): 65-72. DOI: 10.11947/j.AGCS.2016.20150240.

GUO Haitao, SUN Lei, SHEN Jiashuang, et al. An Island and Coastal Image Segmentation Method Based on Quadtree and GAC Model[J]. Acta Geodaetica et Cartographica Sinica, 2016, 45(1): 65-72. DOI: 10.11947/j.AGCS.2016.20150240.

[9]謝明鴻, 張亞飛, 付琨. 基于種子點(diǎn)增長(zhǎng)的SAR圖像海岸線自動(dòng)提取算法[J]. 中國(guó)科學(xué)院研究生院學(xué)報(bào), 2007, 24(1): 93-98.

XIE Minghong, ZHANG Yafei, FU Kun. Algorithm of Detection Coastline from SAR Images Based on Seeds Growing[J]. Journal of the Graduate School of the Chinese Academy of Sciences, 2007, 24(1): 93-98.

[10]申家雙. 海岸帶等水位線信息提取與垂直基準(zhǔn)轉(zhuǎn)換技術(shù)研究[D]. 鄭州: 信息工程大學(xué), 2008. SHEN Jiashuang. Research on Technology of Equal Waterline Information Extraction and Vertical Datum Transformation in Coastal Zone[D]. Zhengzhou: Information Engineering University, 2008.

[11]王曉峰. 水平集方法及其在圖像分割中的應(yīng)用研究[D]. 合肥: 中國(guó)科學(xué)技術(shù)大學(xué), 2009.

WANG Xiaofeng. The Study of Level Set Methods and Their Applications in Image Segmentation [D]. Hefei: University of Science and Technology of China, 2009.

[12]CHAN T F, VESE L A. Active Contours without Edges[J]. IEEE Transactions on Images Processing, 2001, 10(2): 266-277.

[13]LI Chunming, KAO C Y, GORE J C, et al. Implicit Active Contours Driven by Local Binary Fitting Energy[C]∥Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition. Minneapolis, MN: IEEE, 2007: 1-7.

[14]LI Chunming, KAO C Y, GORE J C, et al. Minimization of Region-scalable Fitting Energy for Image Segmentation[J]. IEEE Transactions on Image Processing, 2008, 17(10): 1940-1949.

[15]田法, 周明全, 段福慶, 等. 結(jié)合統(tǒng)計(jì)和梯度信息的高效活動(dòng)輪廓模型[J]. 中國(guó)圖象圖形學(xué)報(bào), 2011, 16(8): 1489-1496.TIAN Fa, ZHOU Mingquan, DUAN Fuqing, et al. Efficient Active Contour Model Driven by Statistical and Gradient Information[J]. Journal of Image and Graphics, 2011, 16(8): 1489-1496.

[16]ZHANG Kaihua, ZHANG Lei, SONG Huihui, et al. Active Contours with Selective Local or Global Segmentation: A New Formulation and Level Set Method[J]. Image and Vision Computing, 2010, 28(4): 668-676.

[17]WANG Xiaofeng, MIN Hai. A Level Set Based Segmentation Method for Images with Intensity Inhomogeneity[M]∥HUANG Deshuang, JO K H, LEE H H, et al. Emerging Intelligent Computing Technology and Applications. With Aspects of Artificial Intelligence. Berlin: Springer, 2009: 670-679.

[18]蘇日娜, 吳紀(jì)桃. 改進(jìn)符號(hào)壓力函數(shù)的區(qū)域活動(dòng)輪廓模型[J]. 中國(guó)圖象圖形學(xué)報(bào), 2011, 16(12): 2169-2174.

SU Rina, WU Jitao. Region-based Active Contour Model Improving the Signed Pressure Force Function[J]. Journal of Image and Graphics, 2011, 16(12): 2169-2174.

[19]OSHER S, FEDKIW R. Level Set Methods and Dynamic Implicit Surfaces[M]. New York: Springer-Verlag, 2003: 77.

[20]SHI Yonggang, KARL W C, Real-time Tracking Using Level Sets[C]∥Proceedings of the IEEE Computer Society Conference on Computer Vision and Pattern Recognition. San Diego, CA: IEEE, 2005: 34-41.

[21]ZHANG Kaihua, SONG Huihui, ZHANG Lei. Active Contours Driven by Local Image Fitting Energy[J]. Pattern Recognition, 2010, 43(4): 1199-1206.

[22]丁磊, 姚紅, 郭海濤, 等. 利用鄰域質(zhì)心投票從分類后影像提取道路中心線[J]. 中國(guó)圖象圖形學(xué)報(bào), 2015, 20(11): 1526-1534.

DING Lei, YAO Hong, GUO Haitao, et al. Using Neighborhood Centroid Voting to Extract Road Centerline from Classified Image[J]. Journal of Image and Graphics, 2015, 20(11): 1526-1534.

[23]賀忠海, 王寶光, 廖怡白. 理想邊緣產(chǎn)生方法的研究[J]. 光學(xué) 精密工程, 2002, 10(1): 89-93.

HE Zhonghai, WANG Baoguang, LIAO Yibai. Study of Method for Generating Ideal Edges[J]. Optics and Precision Engineering, 2002, 10(1): 89-93.

[24]陳小衛(wèi), 徐朝輝, 郭海濤, 等. 利用極值梯度的通用亞像素邊緣檢測(cè)方法[J]. 測(cè)繪學(xué)報(bào), 2014, 43(5): 500-507. DOI: 10.13485/j.cnki.11-2089.2014.0073.CHEN Xiaowei, XU Zhaohui, GUO Haitao, et al. Universal Sub-pixel Edge Detection Algorithm Based on Extremal Gradient[J]. Acta Geodaetica et Cartographica Sinica, 2014, 43(5): 500-507. DOI: 10.13485/j.cnki.11-2089.2014.0073.

(責(zé)任編輯：張艷玲)

A Waterline Extraction Method from Remote Sensing Image Based on Quad-tree and Multiple Active Contour Model

YU Jintao1，GUO Haitao1，LI Chuanguang2，LU Jun1，JIANG Chunxue1

1. Institute of Surveying and Mapping，Information Engineering University，Zhengzhou 450052, China； 2. Aerospace TITAN Technology Co., LTD, Beijing 100070, China

After the characteristics of geodesic active contour model (GAC), Chan-Vese model(CV) and local binary fitting model(LBF) are analyzed, and the active contour model based on regions and edges is combined with image segmentation method based on quad-tree, a waterline extraction method based on quad-tree and multiple active contour model is proposed in this paper. Firstly, the method provides an initial contour according to quad-tree segmentation. Secondly, a new signed pressure force(SPF) function based on global image statistics information of CV model and local image statistics information of LBF model has been defined, and then ,the edge stopping function(ESF) is replaced by the proposed SPF function, which solves the problem such as evolution stopped in advance and excessive evolution. Finally, the selective binary and Gaussian filtering level set method is used to avoid reinitializing and regularization to improve the evolution efficiency. The experimental results show that this method can effectively extract the weak edges and serious concave edges, and owns some properties such as sub-pixel accuracy, high efficiency and reliability for waterline extraction.

quad-tree; GAC model; CV model; LBF model; waterline extraction

The National Natural Science Foundation of China(Nos.41101396；41001262);Funded by State Key Laboratory of Geo-information Engineering(No.SKLGIE2015-M -3-3)

YU Jintao(1992—)，male，postgraduate, majors in digital photogrammetry and remote sensing image processing.

喻金桃，郭海濤，李傳廣，等.四叉樹與多種活動(dòng)輪廓模型相結(jié)合的遙感影像水邊線提取方法[J].測(cè)繪學(xué)報(bào)，2016,45(9)：1104-1114.

10.11947/j.AGCS.2016.20160037.

YU Jintao，GUO Haitao，LI Chuanguang，et al.A Waterline Extraction Method from Remote Sensing Image Based on Quad-tree and Multiple Active Contour Model[J]. Acta Geodaetica et Cartographica Sinica,2016,45(9):1104-1114. DOI:10.11947/j.AGCS.2016.20160037.

P237

A

1001-1595(2016)09-1104-11

國(guó)家自然科學(xué)基金(41101396；41001262)；地理信息工程國(guó)家重點(diǎn)實(shí)驗(yàn)室開放研究基金(SKLGIE2015-M-3-3)

2016-01-29

喻金桃(1992—)，男，碩士生，研究方向?yàn)閿?shù)字?jǐn)z影測(cè)量、遙感圖像處理。

E-mail： 289386886@qq.com

修回日期： 2016-07-25