麻德明, 劉焱雄, 金永德, 程寶權

面向對象的無人機遙感影像海岸線提取方法研究

麻德明1, 2, 劉焱雄1, 金永德1, 程寶權3

(1. 自然資源部第一海洋研究所, 山東 青島 266061; 2. 中國海洋大學 環(huán)境科學與工程學院, 山東 青島 266100; 3. 青建集團股份公司, 山東 青島 266071)

針對海岸線區(qū)域地形復雜和衛(wèi)星遙感影像分辨率的不足, 精度難以滿足大比例尺成圖要求, 以及常規(guī)解譯方法的局限性, 選取青島小島灣海岸線為研究區(qū), 以無人機(UAV)遙感影像為基礎數據, 提出一種面向對象的海岸線提取方法, 結合現(xiàn)場實測驗證, 開展了人工海岸線和砂質海岸線識別的應用實驗。結果表明: 人工海岸線和砂質海岸線概率邊緣指數(PRI)分別為0.97和0.88, 邊緣定位誤差(BDE)分別為4.33和2.84, 提取的人工海岸線和砂質海岸線與實測海岸線結果整體上匹配較好, 僅在局部細微處存在微小差異。本文提出的方法可快速有效地獲取海岸線信息, 其精度能夠滿足海岸線動態(tài)變化監(jiān)測的需求, 可在海岸線資源管理中推廣應用。

無人機(UAV)遙感; 面向對象; 半自動化; 海岸線提取

海岸線是海岸帶的重要標志之一, 也是海洋開發(fā)戰(zhàn)略的基準線和“起跑線”, 它不僅標識了陸地與海洋的分界線, 而且還蘊含了豐富的環(huán)境信息, 并對沿海的灘涂利用、濕地生態(tài)系統(tǒng)的興衰等具有重要的指示作用[1]。在我國, 海岸線系指多年大潮平均高潮位時海陸分界痕跡線, 是重要的基礎地理信息要素, 也是一種特殊的自然資源, 快速而又準確地獲取海岸線的位置及其動態(tài)變化信息, 對于國土空間規(guī)劃、海岸帶資源可持續(xù)利用與綜合管理以及生態(tài)環(huán)境保護與修復等工作具有十分重要的意義。

對海岸線探測和獲取的方法通常是通過實地測量或衛(wèi)星遙感影像解譯[2]。由于部分區(qū)域難以到達, 人工現(xiàn)場測量困難, 越來越多的專家學者開始利用遙感手段快速提取海岸線[3-4], 自動解譯成為海岸線提取技術發(fā)展的主流, 各種算法不斷呈現(xiàn)。由于海岸帶區(qū)域地形復雜和衛(wèi)星遙感影像分辨率的不足, 常規(guī)方法存在一定的局限性, 隨著無人機遙感系統(tǒng)的普及, 成為低空遙感應用領域的一個嶄新發(fā)展方向[5]。面向對象思想也隨著無人機遙感的廣泛應用得到的進一步發(fā)展[6], 面向對象的方法將形狀、光譜、紋理、語義和空間結構等相同特征的像元劃分為同一類對象, 其分析過程更加接近人類的認知過程, 不僅可以降低光譜特征變化對精度的影響, 而且還能夠充分地利用像元之間豐富的細節(jié)信息, 實現(xiàn)遙感圖像分類和目標地物提取[7], 信息提取精度更有保證。

因此, 本研究以無人機(UAV)遙感影像為基礎數據, 提出一種面向對象的海岸線提取方法, 開展人工海岸線和砂質海岸線識別的應用實驗, 并結合現(xiàn)場實測數據, 對實驗結果進行精度分析與評定。

1 研究方法

1.1 海岸線識別方法

根據《全國海岸線技術規(guī)程》(自然資辦函[2019]1187號), 海岸線分為人工海岸線、自然海岸線和其他海岸線。人工海岸線識別通常以海岸工程等的外沿為其位置線。自然海岸線又包括砂質岸線、泥質岸線、基巖岸線和生物岸線。對砂質岸線來說, 發(fā)育有灘脊的, 海岸線一般確定在灘脊的頂部向海一側, 而具陡崖的海灘通常與基巖陡岸相接, 其位置界定為崖下灘與崖的相交線。泥質岸線應根據海岸植被生長變化狀況、大潮平均高潮位時的海水痕跡線以及植物碎屑、貝殼碎片、雜物垃圾分布的痕跡線等綜合分析界定[8]?；鶐r海岸線位置界定在陡崖的基部。生物海岸線界定為毗鄰或穿越珊瑚礁、紅樹林和海草床的海岸線。

1.2 海岸線提取方法

在分析國內外相關研究方法、成果和經驗的基礎上, 提出了一種面向對象的海岸線提取算法, 該方法只需要提供少量的標記信息, 而無需對海陸進行參數化分析。首先, 利用多尺度分割算法對無人機遙感影像進行初始分割; 然后, 進行人工標記, 在此基礎上利用直方圖為特征度量進行對象相似度描述; 最后, 通過對象合并算法將水陸分離, 提取目標海岸線。

1) 圖像分割

借助eCognition軟件的圖像多尺度分割算法對無人機遙感影像邊界控制進行初始分割, 得到均勻同質的對象, 形成影像對象層次網絡。

2) 目標標記

對分割的圖像, 通過專家目視判斷, 人工標記海岸和海域, 為對象相似性測度提供背景參考。如圖1a和圖2a所示。

3) 對象相似度描述

其中表示對象標號,表示箱格號,表示對象中像元的位置,1,2為箱格的上下界,為像元的光譜索引值,為狄拉克函數。利用對象光譜直方圖, 選擇巴氏系數表征區(qū)域對象和的相似度[11]:

4) 對象合并

利用具有全局屬性的極值優(yōu)化對象合并方法[12], 基于測量兩個區(qū)域對象邊界上像素之間的差異性進行合并。

其中(,)是最小權邊緣,和代表區(qū)域分量;,是對應于圖像元素的一組節(jié)點,是連接相鄰節(jié)點對的邊緣集合, 每個邊緣()有一個對應的權重來度量由該邊連接的兩個節(jié)點的相異性()。

通過循環(huán)迭代合并最相似的對象, 并把未標識對象逐步合并到已標識對象中, 將水陸分離, 實現(xiàn)目標的提取, 相應的合并判定依據滿足下列條件[12]:

2 結果與分析

2.1 人工海岸線

人工海海岸線通常受潮汐作用影響較小, 僅需提供目視判斷信息, 對此, 只需要大致的標記海域和陸地的位置。本研究采用了兩幅具有人工海岸線的無人機圖像IM1, IM2, 進行試驗。IM1為養(yǎng)殖池區(qū)域人工海岸線, IM2為碼頭人工海海岸線, 大小為1 581像素×1 588像素, 兩幅圖像分辨率均為0.05 m。

由于人工海岸線構成復雜, 根據不同的應用需求, 本研究提取了兩種海岸線結果, 一種是大范圍的海岸線獲取, 另外一種為小范圍局部海岸線提取, 并以小范圍局部海岸線提取結果精度進行精確評估。

圖1是IM1養(yǎng)殖池作為海域的一部分, 如圖1a所示, 陸地區(qū)域設置為紅色目標, 海洋設置為藍色背景。圖1b是本研究方法提取的海岸線結果; 圖2是養(yǎng)殖池邊界作為水陸分界, 同樣的, 如圖2a所示, 陸地設置為目標紅色, 海洋設置為背景藍色, 圖2b是本研究方法提取的海岸線結果。兩種不同情況下, 得到的大范圍區(qū)域海岸線同樣具有相對平滑、連續(xù)的特點。

圖3是T2人工建筑海岸線, 以建筑上最高水位作為水路分界, 水位線作為海岸線的人工海岸線提取結果。如圖3a所示, 陸地作為目標設置成藍色, 海洋作為背景設置成綠色。圖3b是本研究方法提取的海岸線結果, 由于水位線不夠平滑, 故提取的海岸線雖然位置較為準確、連續(xù), 但是缺少平滑的特點。

圖1 IM1的人工岸線的手動標記(a)和半自動提取結果(b)(養(yǎng)殖池為海域部分)

圖2 IM1的人工岸線的手動標記(a)和半自動提取結果(b)(養(yǎng)殖池為陸域部分)

圖3 IM2的人工海岸線標記(a)及提取結果(b)

在此基礎上, 對提取的海岸線進行了多項式擬合, 得到最終提取的擬合的海岸線如圖4a所示, 圖4b是專家目視解譯的參考海岸線位置。從圖4可以看出, 最終得到的海岸線接近人工目視解譯的結果, 而且平滑連續(xù)。

圖4 IM2的人工海岸線擬合結果(a)與參考海岸線(b)對比

2.2 砂質海岸線

受潮汐作用的影響, 在進行無人機航攝獲取遙感影像的時刻通常是瞬時水位的痕跡影像, 而在實際進行海岸線的提取往往得到的是瞬時水邊線, 因此應進行潮位改正。一般根據無人機航攝時刻潮位信息、多年平均大潮高潮位高度[4]、海岸DEM等參數因子, 計算瞬時水邊線到平均大潮高潮線之間的距離, 從而對瞬時水邊線進行校正, 最終獲得海岸線的實際位置。

故, 在進行海岸線提取時, 有必要融合潮位、海岸地貌、DEM等多源數據信息進行輔助[2], 以精確推算海岸線。對于砂質海岸線提取, 本研究采用了一幅IM3無人機遙感影像進行試驗, 其分辨率為0.05 m。

本方法可根據海岸地形地貌信息靈活設置輔助標志, 以提高海岸線識別的速度和精度, 如圖5a所示,在潮灘區(qū)域進行綠色標識, 植被以上的陸地區(qū)域劃分藍色標記。提取的海岸線結果如圖5b所示, 為了得到較為自然的平滑效果, 對提取的海岸線進行二項式擬合, 如圖6a所示。圖6b是專家根據豐富的經驗知識, 結合現(xiàn)場海岸線的實際位置, 經過目視解譯得到的參考海岸線, 從圖6綜合對比可以看出, 在潮灘區(qū)域存在的模糊邊界和潮溝等并沒有影響本方法的提取結果, 兩者獲得海岸線走勢基本一致。

圖5 IM3砂質海岸線標記(a)及提取結果(b)

圖6 IM3砂質海岸線擬合結果(a)與參考海岸線(b)對比

2.3 精度評定

為驗證本研究提出的海岸線提取方法的精度, 確保實驗結果的可靠性, 我們利用現(xiàn)場實測的數據, 結合目視解譯, 形成一條參考背景海岸線。通過概率邊緣指數PRI(Probabilistic Rand Index)和邊緣定位誤差BDE(Boundary Displacement Error)兩個指標進行定量計算對比, 以評價海岸線提取結果與參考背景值之間的符合性。

1) PRI

概率邊緣指數PRI是指實際分割結果和參考分割結果中具有相同標簽的像素對數與總的像素對數的比值。取值范圍為[0, 1], 值越接近1, 表明實際分割結果與人工參考分割結果越接近。

2) BDE

邊緣定位誤差BDE度量實際分割邊緣和參考邊緣的邊緣像素的平均定位誤差, 一個邊界像素的誤差定義為其與另一分割圖像的相鄰最近的邊緣像素的距離。取值范圍為[0, +∞), 值越小, 表示分割結果與人工解譯結果邊緣越相似。

在本實驗中, PRI用來檢驗實際分割結果與參考結果之間的整體一致性。BDE從局部檢驗邊緣定位的準確度。一般來講, PRI的值越大, BDE的值越小[13], 表明海岸線的提取精度越好。

由表1可以看出, 人工岸線的PRI指數數值大于0.97, 即提取海岸線與參考海岸線的結果達到了97%的重合度; BDE小于4.5個像素, 根據圖像分辨率可知, 也就是提取海岸線與參考海岸線的實際定位誤差僅小于0.22 m, 不足0.5 m。砂質岸線的PRI指數數值大于0.88, 即提取的海岸線與參考海海岸線相比, 整體精度達到了88%; BDE小于2.9像素, 提取海岸線與參考海海岸線的實際定位誤差僅小于0.14 m, 即海岸線定位誤差不足0.5 m。本方法提取人工海岸線和砂質海岸線與實測海海岸線結果整體上相似, 僅在局部細微處存在微小差異, 海岸線識別精度較高。綜合兩種指標, 提取的海岸線結果可以滿足海岸線位置精度的提取要求。

表1 海岸線提取結果精度評定

3 結論

本研究將面向對象的思想方法融入到無人機遙感影像海岸線提取中, 分別對人工海岸線和砂質海岸線進行了提取實驗, 并通過概率邊緣指數PRI和邊緣定位誤差BDE進行精度評估, 人工海岸線和砂質海岸線與實測海岸線結果整體結構上基本相似, 僅在局部細微處存在微小差異, 表明該方法海岸線識別速度快、精度較高, 是一種有價值的無人機遙感影像海岸線提取算法, 能夠滿足大比例尺成圖要求, 可在實際岸線資源管理中推廣使用。

[1] 劉鵬. 海岸線影像特征提取方法與實證研究[D]. 福州: 福建師范大學, 2008. Liu Peng. Coastline image feature extraction method and empirical research[J]. Fuzhou: Fujian Normal University, 2008.

[2] 申家雙, 翟京生, 郭海濤. 海岸線提取技術研究[J]. 海洋測繪, 2009, 29(6): 74-77. Shen Jiashuang, Zhai Jingsheng, Guo Haitao. Study on coastline extraction technology[J]. Hydrographic Surveying and Charting, 2009, 29(6): 74-77.

[3] Houston J R, Dean R G. Shoreline change on the east coast of florida[J]. Journal of Coastal Research, 2014, 30(4): 647-660.

[4] 毋亭, 侯西勇. 海岸線變化研究綜述[J]. 生態(tài)學報, 2016, 36(4): 1170-1182. Wu Ting, Hou Xiyong. Review of research on coastline changes around the world[J]. Acta Ecologica Sinica, 2016, 36(4): 1170-1182.

[5] 吳云東, 張強. 立體測繪型雙翼民用無人機航空攝影系統(tǒng)的實現(xiàn)與應用[J]. 測繪科學技術學報, 2003, 26(3): 161-164. Wu Yundong, Zhang Qiang. Implementation and applica-tion of aerial photographic system by civil unmanned biplane for survey and stereo mapping[J]. Journal of Geomatics Science and Technology, 2003, 26(3): 161-164.

[6] Xie Z, Roberts C, Johnson B. Object-based target search using remotely sensed data: A case study in detecting invasive exotic Australian pine in south Florida[J]. ISPRS Journal of Photogrammetry and Remote Sensing, 2008, 63(6): 647-660.

[7] 吳小娟, 肖晨超, 崔振營, 等.“高分二號”衛(wèi)星數據面向對象的海海岸線提取法[J]. 航天返回與遙感, 2015, 36(4): 84-92. Wu Xiaojuan, Xiao Chenchao, Cui Zhenying, et al. Coa-stline extraction based on object-oriented method using GF-2 satellite data[J]. Spaceraft Recovery & Remote Sensing, 2015, 36(4): 84-92.

[8] 麻德明, 鄧才龍, 徐文學, 等. 無人機遙感系統(tǒng)在海岸線勘測中的應用[J]. 海洋開發(fā)與管理, 2015, 32(4): 45-48.Ma Deming, Deng Cailong, Xu Wenxue, et al. Application of UAV remote sensing system in coastline survey[J]. Ocean Development and Management, 2015, 32(4): 45-48.

[9] Nummiaro K, Koller-Meier E, Van Gool L. An adaptive color-based particle filter[J]. Image and Vision Computing, 2003, 21(1): 99-110.

[10] 王鵬, 葛潔, 方崢, 等. 半自動面向對象高分辨率遙感地災目標提取方法[J]. 山地學報, 2018, 36(4): 654-659. Wang Peng, Ge Jie, Fang Zheng, et al. Semi-automatic object-oriented geological disaster target extraction based on high-resolution remote sensing[J]. Mountain Research, 2018, 36(4): 654-659.

[11] Ning J F, Zhang L, Zhang D, et al. Interactive image segmentation by maximal similarity based region merging[J]. Pattern Recognition, 2010, 43(2): 445-456.

[12] Peng B, Zhang L, Zhang D. Automatic image segmentation by dynamic region merging[J]. Image Processing, IEEE Transactions on, 2011, 20(12): 3592-3605.

[13] Arbelaez P, Maire M, Fowlkes C, et al. Contour Detection and Hierarchical Image Segmentation[J]. IEEE Transactions on Pattern Analysis and Machine Intelligence, 2011, 33: 898-916.

Research on object-oriented method of extracting coastline from unmanned aerial vehicle remote sensing image

MA De-ming1, 2, LIU Yan-xiong1, JIN Yong-de1, CHENG Bao-quan3

(1. The First Institute of Oceanography, Ministry of Natural Resources, Qingdao 266061, China; 2. College of Environmental Sciece and Engineering, Ocean University of China, Qingdao 266100, China; 3.Qingjian Group Co., Ltd., Qingdao 266071, China)

The coastline is one of the important signs of the coastal zone, and also the baseline and “starting line” of the marine development strategy. It not only marks the boundary between land and sea, but also contains rich environmental information, and has an important role in indicating the coastal beach utilization and the rise and fall of wetland ecosystem.As a precious natural resource, coastline plays an important role in coastal economic development. How to quickly and accurately extract the information of coastline location and its dynamic changes is an urgent problem for natural resources authorities and researchers. In this paper, the coastline of Qingdao small Island Bay was taken as the research object, and the unmanned aerial vehicle remote sensing image was taken as the basic data. An object-oriented coastline extraction method was proposed. Combined with the field test, the application experiment of artificial coastline and sandy coastline identification was carried out. The results show that the probability edge index PRI (Probabilistic Rand Index) of artificial coastline and sandy coastline are 0.97 and 0.88, respectively, and the edge positioning error BDE (Boundary Displacement Error) is 4.33 and 2.84, respectively. The extracted artificial coastline and sandy coastline are basically similar to the measured coastline results. There are only slight differences in local fineness, and the accuracy of coastline identification is high. It is proved that the method can quickly and effectively acquire the coastline information, and its accuracy can meet the needs of coastline dynamic change monitoring, and can be promoted and applied in coastline resource management.

unmanned aerial vehicle remote sensing; object-oriented; semi-automatic; coastline extraction

May 9, 2020

P76

A

1000-3096(2020)10-0046-06

10.11759/hykx20200509001

2020-05-09;

2020-06-15

海洋公益性科研專項(201405028-4)

[The Public Science and Technology Research Funds Projects of Ocean, No. 201405028]

麻德明(1982-), 男, 山東膠南人, 工程師, 在職博士生, 研究方向為海洋測繪與GIS應用, E-mail: demingma@fio.org.cn

(本文編輯: 劉珊珊)