方 悅，顏 普，陳 杰

（1.安徽建筑大學(xué) 電子與信息工程學(xué)院，安徽 合肥 230601；2.安徽省國際古建筑智能感知與高維建模聯(lián)合研究中心，安徽 合肥 230601）

在所有自然災(zāi)害中洪澇災(zāi)害發(fā)生頻率很高［1］，通過提取水體信息、精確繪制水體圖來觀察水體變化，對災(zāi)害救援和評估具有重要意義。與實地勘測相比，基于遙感影像提取水體信息可以節(jié)約大量勞動力成本、提高水體信息提取精度［2－3］。近年來，隨著衛(wèi)星技術(shù)快速發(fā)展，遙感影像數(shù)據(jù)種類越來越多，其中Landsat 8 OLI 遙感影像數(shù)據(jù)可免費獲得，其具有中等空間分辨率，可滿足水體提取要求，因此被廣泛用于水體提取［4］。

在遙感影像水體提取方法中最常用的是水體指數(shù)法［5－6］，但該方法十分依賴閾值選擇，需要重復(fù)大量實驗才可確定最佳閾值。簡單線性迭代聚類（SLIC）算法是一種高效的超像素分割算法［7］，其將圖像中的像素點聚類到超像素中，具有優(yōu)異的分割性能［8］。已有多數(shù)研究者利用SLIC 算法在遙感影像中提取水體，湛南渝等［9］采用SLIC 算法在哨兵1 號雷達數(shù)據(jù)中提取水體，并對SLIC 算法提取信息與Otsu 閾值法提取信息進行比較分析，發(fā)現(xiàn)SLIC 算法的提取效率與精度更高。但采用SLIC 算法進行像素相似性度量時只考慮影像顏色特征和空間特征，這對復(fù)雜遙感影像分割是不利的。遙感影像中往往有很多顏色接近的地物，如水體一般呈現(xiàn)深色調(diào)，其與黑色建筑物表面顏色很接近，因此需要加入紋理特征來精確分割此類地物。Lu等［10］將灰度共生矩陣紋理特征納入SLIC 算法，針對高分二號全色圖像、多光譜圖像和融合圖像驗證改進算法的有效性，結(jié)果表明，改進算法的分割完整性和正確性都高于SLIC 算法的。此外，SLIC 算法常出現(xiàn)過分割問題，需要利用區(qū)域合并方法來解決此問題，區(qū)域鄰接圖（RAG）［11］、近鄰圖（NNG）［12］和層次聚類法［13］是3 種主要的區(qū)域合并方法。相較于區(qū)域鄰接圖和近鄰圖，層次聚類法的輸入?yún)?shù)較少。Wu 等［14］將LBP紋理特征納入層次聚類法，驗證了該方法具有良好的區(qū)域合并性能。因此，筆者也選擇將紋理特征納入層次聚類方法進行區(qū)域合并。

為將水體與相似顏色地物分割開，筆者結(jié)合線性特征增強方法與局部三值模式（LTP）紋理特征［15］提出一種新的紋理特征（E＿LTP），將E＿LTP 紋理特征納入SLIC 算法，得到新超像素分割方法（F－SLIC），之后對水體超像素進行區(qū)域合并得到完整水體，通過提取同一區(qū)域不同時間的水體，分析水體變化來檢測洪澇災(zāi)害，以期為洪澇災(zāi)害的監(jiān)測和預(yù)警提供更加可靠的手段。

1 研究區(qū)域選取和數(shù)據(jù)預(yù)處理

1.1 研究區(qū)域選取

選擇3 個區(qū)域進行研究，3 個區(qū)域涉及黃河及其3條主要支流（分別為位于河南省鞏義市的伊洛河、陜西省渭南市的渭河、甘肅省蘭州市的湟水），3 個區(qū)域的偽彩色圖像見圖1。各圖像都包含具有線性特征的大水體和小水體，小水體較為狹窄，增大了水體分割的難度。

圖1 偽彩色圖像（5／6／4 波段組合）

1.2 Landsat 8 OLI 遙感影像和Ground truth 圖像

選用的Landsat 8 OLI 遙感影像數(shù)據(jù)源自地理空間數(shù)據(jù)云網(wǎng)站（https：∥www.gscloud.cn／），數(shù)據(jù)已經(jīng)過幾何校正和地形校正，具體信息見表1。Landsat 8 OLI遙感影像數(shù)據(jù)往往包含云層，為了避免云陰影導(dǎo)致的水體分割誤差增大，裁剪出無云陰影圖像作為研究區(qū)域。

表1 研究區(qū)域Landsat 8 OLI 遙感影像數(shù)據(jù)信息

把高分辨率Google EarthTM圖像作為輔助信息，對Landsat 8 OLI 遙感影像數(shù)據(jù)的“真實”水體邊界進行人工數(shù)字化標(biāo)定，以獲得Ground truth 圖像用來評估分割性能。

1.3 數(shù)據(jù)預(yù)處理

僅僅經(jīng)過幾何校正和地形校正的Landsat 8 OLI遙感影像數(shù)據(jù)是數(shù)字圖像，在計算水體指數(shù)之前需要先對影像數(shù)據(jù)進行輻射定標(biāo)，將影像呈現(xiàn)的原始像元值轉(zhuǎn)換為對應(yīng)像元的地表反射率。因大氣吸收和散射機制等因素會影響地表反射率的精確性，需對輻射定標(biāo)后的數(shù)據(jù)再進行大氣校正處理，大氣校正處理模型是Flaash 模型［16］。

2 研究方法

水體提取流程見圖2，主要環(huán)節(jié)有：計算水體指數(shù)WBAWI，利用F－SLIC 超像素分割算法對WBAWI 圖像進行分割，基于E＿LTP 紋理特征和顏色特征對超像素進行區(qū)域合并得到完整水體。

圖2 水體提取流程

2.1 水體指數(shù)WBAWI

歸一化差異水體指數(shù)（NDWI）和修正歸一化差異水體指數(shù)（MNDWI）等傳統(tǒng)水體指數(shù)對小水體的增強效果較差，因此通過Kautlr－Thomas（KT）變換、LBV 變換、自動水體提取指數(shù)（AWEInsh）和HIS 變換提出一個新水體指數(shù)（WBAWI）。KT 變換可產(chǎn)生綠度、亮度、濕度3 個分量。LBV 變換可產(chǎn)生地物總輻射水平（L）、地物可見光－紅外光輻射平衡（B）和輻射變化矢量（V）3 個分量。與其他地物相比，水體的紅外輻射最弱，采用B 分量可以突出水體與其他地物的差異，顯著反映水體特征。AWEInsh可以有效突出深色建筑物與水體的差異，減小誤分類概率。

自動水體提取指數(shù)計算公式為

式中：A為自動水體提取指數(shù)AWEInsh，ρ3、ρ5、ρ6、ρ8分別為Landsat 8 OLI 遙感影像數(shù)據(jù)的波段3（Green 波段）、波段5（NIR 波段）、波段6（SWIR1 波段）、波段8（SWIR2 波段）的反射率。

將濕度分量、B 分量和AWEInsh分別作為RGB 圖像的紅色通道、綠色通道和藍色通道，然后對RGB 圖像進行HIS 變換，變換得到的I 分量即為WBAWI 圖像。蘭州區(qū)域WBAWI、NDWI、MNDWI 水體指數(shù)圖像見圖3，從圖上紅色矩形框中可看出，WBAWI 相比其他2 個傳統(tǒng)水體指數(shù)，小水體與相鄰地物的對比度更高，更有利于后續(xù)水體分割。

圖3 3 種水體指數(shù)圖像

2.2 F－SLIC 超像素分割

2.2.1 LTP 紋理特征提取

在SLIC 超像素分割聚類過程中度量周邊鄰域像素與聚類中心像素的相似性時，只考慮顏色特征和空間特征，這對復(fù)雜遙感影像的水體分割很不利，因此可在相似性度量中加入紋理特征距離，得到高度相似的超像素塊。

LBP 容易受噪聲影響［11］，LTP 是由LBP 擴展的三值模式，為了提高描述符的穩(wěn)健性，選擇LTP 算子來提取WBAWI 圖像的紋理特征。

LTP 計算公式如下：

式中：xj、xk分別為3×3 鄰域的中心像素、周邊像素，t為閾值，s（uk）為LTP 編碼8 個位置的值，MLTP為LTP編碼，s（u1k）、s（u2k）分別為正模式編碼、負模式編碼8個位置的值，MLTP正、MLTP負分別為正模式編碼、負模式編碼。

經(jīng)過實驗發(fā)現(xiàn)正模式編碼得到的紋理特征更適合用來區(qū)分水體和非水體，因此本文選用正模式編碼提取LTP 紋理特征。

2.2.2 E＿LTP 紋理特征

為了使WBAWI 圖像的紋理特征突出線性水體與非水體的差異，需要對WBAWI 圖像進行線性特征增強，再提取E＿LTP 紋理特征。

線性特征增強需先使用0°、45°、90°和135°這4個方向的算子對圖像進行濾波。濾波后圖像的每個像素在4 個方向的最大值所組成的圖像就是線性特征增強圖像，見圖4。對比蘭州區(qū)域WBAWI 圖像的LTP與E＿LTP 紋理特征，從圖上紅色矩形框內(nèi)可明顯看出，E＿LTP紋理特征的水體與相鄰地物的對比度較高，有利于后續(xù)水體分割。

圖4 蘭州區(qū)域WBAWI 圖像的兩種紋理特征

2.2.3 F－SLIC 算法

復(fù)雜遙感影像中有很多與水體顏色相似的地物，為了解決水體與相鄰地物難分割的難題，結(jié)合E＿LTP 紋理特征和SLIC 算法對遙感影像進行超像素分割。

SLIC 算法有2 個輸入?yún)?shù)，即預(yù)期的超像素個數(shù)（初始聚類中心）k和超像素緊密度m。在對灰度圖像進行SLIC 超像素分割時，從初始化步驟開始，k個初始聚類中心分別分布在間隔S個像素的規(guī)則網(wǎng)格上，網(wǎng)格間隔S＝N／k，其中N為圖像的總像素數(shù)。為了避免聚類中心處于圖像邊緣或者噪聲上，將聚類中心移到其3×3 鄰域最低梯度位置上，之后在聚類中心周圍2S×2S區(qū)域中搜索相似像素。

SLIC 算法中原像素相似性度量公式為

式中：dgray為灰度距離；gc為聚類中心c 的灰度值；gi為像素i的灰度值；（xc，yc）是聚類中心c 的坐標(biāo)；（xi，yi）是像素i的坐標(biāo)；dxy為空間距離；D′s1為像素i與聚類中心c 之間基于灰度特征和顏色特征的距離；Mgray為類內(nèi)最大灰度距離，設(shè)定為輸入?yún)?shù)緊密度m；Mxy為類內(nèi)最大空間距離，Mxy＝S＝N／k；Ds1為D′s1對應(yīng)的最終的相似性度量。

在F－SLIC 算法中提出一種新相似性度量，在原來只考慮顏色特征和空間特征的基礎(chǔ)上，加入紋理特征距離，紋理特征距離計算公式為

式中：Ec為聚類中心c 的E＿LTP 紋理特征，Ei為像素i的E＿LTP 紋理特征，dE＿LTP為E＿LTP 紋理特征距離。

使用類內(nèi)最大紋理特征距離將紋理特征與顏色、空間特征合并為一個度量值，新相似性度量Ds′對應(yīng)的最終相似性度量Ds計算公式為

式中：ME＿LTP為類內(nèi)最大紋理特征距離為像素i與聚類中心c 之間基于灰度、顏色和紋理特征的距離。

每個像素都與距離最小的聚類中心聚類，一遍聚類之后，將當(dāng)前超像素的平均矢量更新為新的聚類中心，以此類推，重復(fù)迭代10 次。通過后處理把很小的超像素分配給相鄰超像素以加強連通性?？傮w來說，F(xiàn)－SLIC 算法相比于傳統(tǒng)SLIC 算法不同的是，F(xiàn)－SLIC算法結(jié)合E＿LTP 紋理特征改進了聚類相似性度量。

2.3 基于E＿LTP 和灰度特征的區(qū)域合并

F－SLIC 超像素分割算法得到的分割結(jié)果并不是完整水體提取結(jié)果，此分割結(jié)果屬于過分割，因此需要通過區(qū)域合并將相似度高的超像素迭代合并為一個超像素來解決過分割問題。

在基于層次聚類的區(qū)域合并算法中，相似性度量一般為顏色距離。但應(yīng)用于遙感影像時，水體顏色與相鄰地物顏色過于相似，僅僅使用顏色距離會導(dǎo)致誤合并，因此選擇將E＿LTP 紋理特征納入相似性度量以優(yōu)化合并性能。

選用余弦相似度計算超像素與相鄰超像素之間的灰度特征和紋理特征距離，即把圖像表示為矢量，矢量間的余弦距離即為圖像間的相似度。首先將兩個超像素縮放至大小一致，獲得超像素灰度或紋理特征的直方圖分布，再將直方圖劃分為64 個區(qū)，每個區(qū)包括連續(xù)4 個灰度等級，對每個區(qū)的4 個值進行求和得到1個數(shù)據(jù)，最終得到的64 個數(shù)據(jù)為超像素灰度或紋理特征對應(yīng)的矢量，這樣就把兩個超像素的灰度值或紋理特征轉(zhuǎn)化成矢量A和矢量B，見式（15）。按照式（16）計算2 個矢量的余弦距離，余弦值cos（A，B）越接近1，表明夾角越接近0°，2 個矢量越相似，即2 個超像素越相似。

式中：ai為矢量A中的64 個數(shù)據(jù)；bi為矢量B中的64個數(shù)據(jù)；Sgray為超像素與相鄰超像素的灰度特征余弦距離；Agray、Bgray分別為2 個超像素灰度特征對應(yīng)的矢量；AE＿LTP、BE＿LTP分別為2 個超像素E＿LTP 紋理特征對應(yīng)的矢量；SE＿LTP為超像素與相鄰超像素的E＿LTP 紋理特征余弦距離；D為相似性度量，同時考慮灰度特征和E＿LTP 紋理特征距離。

超像素只與相鄰的余弦相似度最高且達到閾值的超像素合并，通過不斷迭代，直到所有余弦相似度較高的超像素合并為一個超像素。把WBAWI 圖像中過分割的水體超像素合并之后就可獲得完整的水體提取結(jié)果，再通過比較同一區(qū)域不同時間的水體變化來監(jiān)測該區(qū)域是否發(fā)生洪澇災(zāi)害。

2.4 算法評價指標(biāo)

采用邊界召回率［17］、欠分割錯誤率［18］驗證FSLIC 算法的有效性和實用性。邊界召回率越大，表示算法分割的邊界越準(zhǔn)確。邊界召回率BR計算公式為

式中：TP為算法分割邊界像素出現(xiàn)在Ground truth 邊界周圍兩個像素區(qū)域內(nèi)的像素總數(shù)，GB為Ground truth邊界像素總數(shù)。

欠分割錯誤率EU是算法分割得到的超像素相比Ground truth 分割結(jié)果的“溢出”。EU值越小，表示算法分割結(jié)果相比Ground truth 分割結(jié)果的“溢出”越少，分割結(jié)果越準(zhǔn)確。EU計算公式為

式中：si為算法分割結(jié)果的超像素；gk為Ground truth 分割結(jié)果的超像素；為取與si交集最大的gk。

3 結(jié)果與分析

3.1 5 種算法對遙感影像分割結(jié)果的比較

為了驗證F－SLIC 算法對Landsat 8 OLI 遙感影像的分割性能，采用SLIC 算法、融合LTP 紋理特征的SLIC 算法、F－SLIC 算法分別在鞏義區(qū)域、渭南區(qū)域和蘭州區(qū)域進行超像素分割處理。這3 個研究區(qū)域的最佳分割超像素塊數(shù)分別為3 000、2 000、2 000，為了分割出呈窄線性的小水體，緊密度m取值都較大，分別為50、30、33。

采用不同算法在最佳分割超像素塊數(shù)和最佳緊密度下得到的超像素分割圖像見圖5～圖7（分割圖像上方圖為對應(yīng)顏色方框的局部放大圖，綠框、藍框和黑框從左至右均依次對應(yīng)SLIC 圖像、SLIC ＋LTP 圖像、F－SLIC圖像的放大圖），3 種算法的輸入?yún)?shù)統(tǒng)一。在3 個研究區(qū)域內(nèi)，算法性能差異主要體現(xiàn)在小水體上，從綠框和藍框局部放大圖可看出，SLIC＋LTP 算法和F－SLIC算法的水體邊界分割性能都明顯比SLIC 算法的好，SLIC 算法存在較多的欠分割情況。從黑框局部放大圖可看出，F(xiàn)－SLIC 算法的分割性能比SLIC＋LTP算法的稍好一些，SLIC＋LTP 算法也存在欠分割情況?？偟膩碚f，F(xiàn)－SLIC 算法的分割性能最好，產(chǎn)生的水體超像素很規(guī)整。

圖5 采用不同算法得到的鞏義區(qū)域超像素分割圖像

圖6 采用不同算法得到的渭南區(qū)域超像素分割圖像

SLIC、SLIC ＋LTP、F－SLIC 三種算法的邊界召回率、欠分割錯誤率見圖8～圖10，F(xiàn)－SLIC 算法與SLIC＋LTP 算法的分割性能較接近，均優(yōu)于SLIC 算法。F－SLIC算法的邊界召回率比SLIC 算法提高了1%～4%，F(xiàn)－SLIC 算法的欠分割錯誤率比SLIC 算法降低了0.05%～0.30%，超像素塊數(shù)越少，F(xiàn)－SLIC 算法的兩項指標(biāo)值與其他兩種算法的差異越明顯。

圖9 渭南區(qū)域不同算法的邊界召回率和欠分割錯誤率

圖10 蘭州區(qū)域不同算法的邊界召回率和欠分割錯誤率

3.2 水體變化監(jiān)測

采用F－SLIC 算法分割的各區(qū)域水體超像素區(qū)域合并后的水體提取結(jié)果見圖11，水體輪廓圖箭頭左邊圖像為對應(yīng)顏色方框的局部放大圖?？梢钥闯觯崛∷w輪廓較完整，因此可用F－SLIC 算法提取同一區(qū)域不同時間的水體來比較水體變化。

提取的不同時間的水體輪廓見圖12，水體輪廓圖箭頭左邊圖像為對應(yīng)顏色方框的局部放大圖。圖12（a）中紅色輪廓表示提取鞏義區(qū)域2021 年7 月12 日的水體輪廓，綠色輪廓表示提取鞏義區(qū)域2021 年9 月30 日的水體輪廓；圖12（b）中紅色輪廓表示提取渭南區(qū)域2020 年1 月29 日的水體輪廓，綠色輪廓表示提取渭南區(qū)域2020 年7 月7 日的水體輪廓；圖12（c）中紅色輪廓表示提取蘭州區(qū)域2021 年3 月23 日的水體輪廓，綠色輪廓表示提取蘭州區(qū)域2021 年8 月14 日的水體輪廓。可以看出，3 個研究區(qū)域的水體隨時間變化都發(fā)生不同程度的變化，其中鞏義區(qū)域和渭南區(qū)域的黃河水體變化較明顯，對于這些水體發(fā)生明顯變化的地區(qū)可做標(biāo)記，在下次遇到連續(xù)暴雨天氣時進行洪澇災(zāi)害防控，以降低對附近居民的傷害。

圖12 不同時間水體輪廓對比

4 結(jié)論

本文將E＿LTP 紋理特征納入SLIC 算法的相似性度量，提出一種新超像素分割方法（F－SLIC），對Landsat 8 OLI 遙感影像進行超像素分割。經(jīng)與SLIC算法和SLIC＋LTP 算法對比，F(xiàn)－SLIC 算法在邊緣召回率和欠分割錯誤率上都得到了優(yōu)化，能夠很好地將水體和背景分割開，并解決了小水體難以分割的問題。此外，對水體超像素進行區(qū)域合并，解決了超像素過分割問題，得到完整水體輪廓。通過提取同一區(qū)域不同時間的水體輪廓，可有效觀察水體變化，提前對水體變化明顯的區(qū)域做標(biāo)記，為洪澇防控提供參考。