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

南京大學地理與海洋科學學院,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

南京大學地理與海洋科學學院,江蘇南京210093

針對海岸帶水體的特點提出一種通過“像元—對象”及“全域—局部”的雙重尺度轉換方法,綜合利用海岸帶水體遙感信息的光譜特征、空間特征、統計特征和不確定性,有機結合地學知識與數據挖掘方法,實現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+遙感影像進行試驗,提取結果具有較好的完整性和連續性,相對精度優于監督分類法和閾值分割法。

海岸帶;遙感;水體提取

1 引 言

隨著遙感應用的深入,水體提取方法不斷改進,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據,采用數據挖掘技術中的各種分類方法進行水體信息的提取[2],后者主要是指依據水體遙感的地學知識,選取水陸差異比較明顯的某個波段或指數,通過閾值分割的方法實現水體信息的提取[4]。這些方法均在實際運用中取得很好效果的同時也存在一些問題:第一,要建立合理的遙感信息模型,地學信息傳輸的規律和數據本身隱含的信息缺一不可,而監督分類方法僅利用樣本自身的統計特征,沒有充分利用水體目標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,但采用簡單的水體指數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行分析,即將整個遙感影像作為一個整體,建立統一的水體信息提取模型,在這種情況下,遙感影像統計數據反映的是研究區內不同類型不同水域光譜特征的差異性,而細節的水體信息遭到掩蓋,提取結果難免趨于粗放;第三,對人工干預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,已有學者開展了進一步的研究。文獻[7]先利用譜間關系和纓帽變換濕度分量建立提取水體的最優空間掩膜,再使用最大似然法去除最優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[8]提出“全域—局部”的分步迭代空間尺度轉換機制,將全域分割、全域分類、局部分割與分類等計算過程有機地結合起來,分階段地融合了水體信息提取所需的不同層次知識,并建立迭代算法實現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[9]在全域采用譜間關系法,在局部則采用基于數學形態學膨脹濾波算法進行空洞填充和短線連接,最后通過圖像細化算法實現目標的細化,實現對山區細小水體進行高精度自動提取。這些研究都在一定程度上將地學知識和數據挖掘相結合,并考慮尺度問題,減少人工干預,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階段(圖1),其中進行兩次尺度轉換,其一為從像元到對象的轉換,屬于自下向上的尺度轉換,其二為從全域到局部的轉換,屬于自上向下的尺度轉換。在第一階段中,結合水體遙感信息的光譜特征和空間特征進行分析,先通過空間濾波減輕噪聲對目標和背景信息的干擾,再通過區域標號方法進行空間聚合,完成面向像元的全域遙感影像分割,從而實現從像元到對象的轉換。在第二階段中,先利用水體遙感信息的光譜特征構建面向對象的特征空間,再根據遙感地學知識建立相應的遙感信息模型,通過一組決策規則進行專家系統判別,提取出水體的確定區、不確定區和否定區。在第三階段中,結合水體遙感信息的空間特征和統計特征進行分析,先選取水體不確定區,搜索各不確定水體對象的鄰域,實現從全域到局部的轉換,再從各自鄰域內自動選取確定水體樣本和否定水體樣本,通過建立局部數據挖掘模型進行分類,完成面向對象的局部水體信息提取。

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域標號兩個步驟。本文采用mean shift算法進行空間濾波,采用種子生長算法進行區域標號。mean shift算法是一種基于非參數核密度估計的聚類方法[10],具有較好的穩健性,其基本思想是[11]:對于特征空間中的所有數據點,依次計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到新的位置,然后以此為新的起點,繼續計算均值偏移向量并移動,直到滿足一定的條件結束迭代運算過程(圖2)。由于mean shift算法實際上是在空域和值域構成的聯合域內進行聚類,因此濾波的結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算法濾波的基礎上,通過種子生長算法將具有相似性質的像素集合起來構成區域[12],并借助拓撲分析進行相似區域合并,完成遙感影像分割,得到由一系列對象構成的分割圖像。

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 基于專家系統的全域水體信息提取

面向對象的全域水體信息提取包括特征空間構建和專家系統判別兩個步驟。本文選用六個光譜特征構成面向對象的全域水體信息特征空間,包括 NDWI(normal differential water index)、MNDWI(modified normaldifferentialwater index)、TCW(tasseled cap wetness)三個水體指數,NDVI(normal differential vegetation index)、SAVI(soil-adjusted vegetation index)兩個植被指數,NDBI(normal differential building index)一個建筑指數[13]。根據地學知識建立水體的遙感信息專家系統模型(圖3),模型分為兩個部分: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特點,即水體指數較大、水體指數大于植被指數、水體指數大于建筑指數;非約束性條件均為水體指數的閾值判別規則,具體方法是先對各水體指數進行直方圖統計,再用OTSU算法分別計算各水體指數的閾值,進行閾值分割,分別建立判別規則作為條件[14]。

圖3 面向對象的全域水體遙感信息專家系統模型示意圖Fig.3 Schematic diagram of expert system model of object oriented global water extraction

2.3 基于主動學習的局部水體信息提取

面向對象的局部水體信息提取包括不確定區鄰域搜索和樣本自動選取與分類兩個步驟。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、對象所在的網格單元。采用第一種定義最簡單,但由于未考慮對象形態,準確性較低;采用第二種定義最準確,但確定圖像對象的緩沖區需要進行迭代的形態學膨脹運算,算法時間復雜度較高。本文采用第三種定義方式,將整個遙感影像劃分為1 km×1 km的格網,與對象相交的網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的鄰域為網格單元A、B和C。對每個不確定水體對象的鄰域,如果其范圍內既包含確定水體對象,又包含否定水體對象,則認為當前不確定水體對象局部特征顯著,分別自動選取其鄰域內的確定水體對象和否定水體對象作為樣本,在特征空間內使用分類器對不確定水體對象進行分類,實現基于主動學習的局部水體信息提取,否則認為其局部特征不顯著,使用全域的分類器進行分類。

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

3 試驗分析

為驗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區。其中,渤海試驗區位于河北省唐山市曹妃甸開發區附近海岸帶(圖5(a)),區域內鹽場及養殖水面規則分布;黃海試驗區位于江蘇省鹽城市大豐丹頂鶴國家級自然保護區附近海岸帶(圖5(b)),區域內灘涂濕地分布較多;東海試驗區位于浙江省寧波市北侖港附近海岸帶(圖5(c)),區域內城市和細小水體交錯復雜;南海試驗區位于海南省海口市東寨港紅樹林國家級自然保護區附近海岸帶(圖5(d)),區域內植被茂密,大小湖泊零星分布。各試驗區使用的試驗數據均為Landsat ETM+遙感影像,成像時間分別為2001-09-01、2002-05-26、2000-06-24及 1999-12-24,影像大小均為500×500像素。

在自主研發的海岸帶遙感信息處理類庫的支持下,采用標準C++實現上述方法,應用該方法對四個試驗區進行海岸帶水體遙感信息提取,并將其結果與最大似然法監督分類提取結果及NDWI閾值分割提取結果進行比較(圖5)。

從各試驗區粗提取結果(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小田埂;試驗二中的不確定水體主要為灘涂間的潮溝及養殖水面的邊緣;試驗三中的不確定水體主要為細小的坑塘水面;試驗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生的。

從各試驗區的精提取結果(圖5(i)～(l))可以看出,經過局部的主動學習分類,不確定水體被有效劃分為水體和非水體,其結果從整體上看優于最大似然法監督分類結果(圖5(m)～(q))及NDWI閾值分割結果(圖5(r)～(u))。比較局部放大的結果,本文方法(圖6(a)～(d))對于養殖水面、灘涂潮溝、城市細小水體、濕地等不同類型的水體,均優于監督分類法(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行了局部數據挖掘,而非使用全域上的水體遙感信息提取模型。首先,在局部工作區域內,由于水體與陸地的范圍大致均勻,同時該單元的水體也不受周圍其他水體的干擾,數據統計特性更為單純,從而降低局部提取模型的不確定性;其次,進一步分析的重點被聚焦在水體不確定區,使得局部水體分類模型更具針對性,同時水體確定區得以保留,從而避免陷入局部最優,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果在完整性和連續性上均有穩定表現。

圖5 試驗結果(全域)Fig.5 Experimental results(global view)

圖6 試驗結果(局部,白色為水邊線)Fig.6 Experimental results(local view,white lines are water edges)

從各試驗區分別隨機抽取1 000個樣本點,對提取結果進行精度評價(表1),結果表明,運用本文方法進行海岸帶水體遙感信息自動提取,提取結果的精度明顯高于最大似然法監督分類及NDWI閾值分割。經分析發現,本文方法未能正確提取的部分大多是光譜混合現象較為嚴重的像元。

表1 精度比較Tab.1 Accuracy comparison

4 結論與討論

提出一種在尺度轉換框架中融入地學知識與數據挖掘相結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、面向對象的全域水體信息提取和面向對象的局部水體信息提取三個過程,實現海岸帶水體遙感信息的精確提取,整個方法具有零樣本、零參數的特性,完全自動化運行。試驗證明,該方法能夠適應各海域多類型海岸帶環境,具有較好的穩定性,其提取結果精度較高,對細節信息的提取完整性和連續性均優于經典方法。

本文提出的方法框架具有一定的靈活性,文中僅結合Landsat ETM+遙感影像數據的特點介紹了具體實現方法,在實際應用中,具體的分割算法、特征空間構建方法、分類器算法等均可進行調整。如CBERS 02B數據只有四個多光譜波段和一個全色波段,能構建的指數僅有NDVI和NDWI,則需要對專家系統的規則進行約減。

本文對海岸帶水體遙感信息的全自動提取進行初步嘗試,盡管在試驗中取得相對較優的效果,但由于海岸帶為固、氣、液三相物質的交互區,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的不確定性,要完全能夠針對不同海岸帶環境下的水體全自動提取,還有待進一步探討研究。

[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].遙感學報,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,馮學智,等.SPOT衛星影像的水體提取方法及分類研究[J].遙感學報,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.利用改進的歸一化差異水體指數(MNDWI)提取水體信息的研究[J].遙感學報,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,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].遙感學報,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影像自動提取細小水體的方法[J].測繪學報,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.遙感影像數字處理導論[M].陳曉玲,龔威,李平湖,等,譯.北京:機械工業出版社,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

國家自然科學基金(40701117)

(責任編輯:宋啟凡)

2010-01-08

2010-09-26

江沖亞(1985—),男,碩士生,主要研究方向為遙感信息提取。

E-mail:chongya@126.com