多特征融合的遙感影像河流提取方法研究

楊國俊 長江水利委員會網絡與信息中心

毛繼宗 自然資源部重慶測繪院

場景分類的目的是給當前圖像分配對應的語義標簽,是遙感圖像語義解譯的重要手段。因此，如何在圖像中捕捉具有鑒別性的特征并取得精確的圖像分類結果是遙感場景圖像分類亟待解決的難題。

1.河流

1.1 河流基本特征

為了準確識別遙感圖像上的各種地物，主要是基于遙感圖像上各種地物的差異、特征和幾何特征。河流特征有三個特點。第一、幾何特征:由于某些因素的影響，城鎮的河流通常以條狀出現，一般有彎曲部分，寬度大致相等，而農村的河流一般寬度變化較大，但從宏觀上看，一定是長條狀。第二，物理輻射特征：河流表層在相應的范圍內受到的輻射程度比較均勻，但是由于河流受到破壞的程度有所差異，受到陽光的輻射程度也有所差異。第三，樹枝式的拓撲特征：河流的分支形態根據境況的不同多拓撲的構造也是有所差異的，但是其構造大都以樹杈的形式出現，直至分支尾部水源干涸。上述所說特征導致河流和周邊地物境況間具有較大差別，較易分辨，并且按照這部分特征，河流的形體特點極具特殊性，和其他地物特點有較大差別。

1.2 河流提取的基本過程

對影像進行預處理—對影像進行分割式的低級別處理—對影像進行選擇和分析式的中級處理—高級別處理（包括智能解譯、解譯知識庫建立等）—河流標志和運用

2.多特征融合

大多數傳統的圖像分類方法都是基于光譜特征，許多研究表明，根據光譜特征區分植被和非植被、水體或非水體的能力可以提高準確性。隨著低空攝影測量的發展，特別是無人機技術的迅速發展，一些城市建設和地形測繪項目傾向于使用成本較低的無人機圖像，其中一個問題是如何有效地提取建筑物。由于城市土地基本上與建筑物材料相同，而且其光譜信息相似，利用光譜特征從不透水的土地上提取建筑物幾乎沒有什么好處，國內外研究人員進行了大量研究，以提高圖像分類的準確性。開發一種基于對象的多集成建筑提取方法有助于有效區分道路和建筑，并改進分類結果。采用灰度微分向量法提取圖像紋理特征，輔以光譜特征，采用BP神經網絡分類法對高分辨率圖像進行分類。從彩色遙感圖像提取建筑物時，通過將RGB轉換為HIS以提取建筑物的陰影，可以考慮陰影對提取結果的影響。這些陰影特性使建筑物更易于提取，因為在彩色遙感圖像中，陰影與建筑物明顯分開，并且其顏色比建筑物顏色更深。大量基于融合地物對象的光譜特征、紋理特征以及陰影、噪聲的多特征融合算法被用于提取特定地物對象，采用多分類器和多尺度劃分相結合的方法，通過各種實驗證明了各自的有效性。

3.遙感影像提取方法現狀

目前從遙感圖像中提取水體的方法通常使用基于監測的分類方法，這種分類方法基于地面水對近/中紅外波段的敏感性，并使用統計閾值提取水體信息。還可以通過計算不同圖像帶之間的總體關系，利用多光譜成像信息提取水體，這可以分為水體指數法和光譜關系法。羅建城等人以大地衛星為數據來源，根據標準化的差分水指數法，采用迭代的分步空間轉換機制可以實現湖泊水信息的自動提取。改進了基于TM圖像多光譜特征的多光譜關系，用于小批量山區水提取。Shen Jinxiang等人利用面向對象的圖像分析方法從山區lactm圖像中提取水體信息。利用標準差水指數和標準植被差水指數對資源1第02c幀進行的可行性研究提出了一種更適合資源1第02c幀的決策樹水體信息提取方法。隨著圖像空間分辨率的提高，水體的空間分布、衛星圖像的分辨率和水體提取方法的選擇也有所不同。陰影在高層建筑、橋梁、樹木等中更為常見。這種情況妨礙了關于城市水體和河流的信息的提取，因為在中分辨率和低分辨率衛星遙感圖像上，這種信息通常比較狹窄，難以識別。使用模糊c均值算法對圖像進行初步分類，然后使用最小鄰域聚類方法優化分類結果，消除水柱虛假信息，快速提取水柱信息，但提取方法的水柱輪廓不清楚。郁曉生等利用測地線的自動學習和活動剖面提取水柱邊界信息的方法，可以有效避免水柱邊界提取的模糊性問題，但算法的粗提取效果仍存在問題。

4.多特征融合的遙感影像河流提取方法研究

4.1 紋理特征

通過對遙感圖像的觀察，分布形式均勻是河流的第一大特征，覆蓋范圍比較廣；在背景區域分布的辨識度比較高，但是面積不大。紋路的特點映射出的是圖像和圖像區域中對象的表層特質。針對比較均勻的紋路，其中部分區域灰度的過渡情況、像元的分布情況是對等的或者是類似的；針對不一樣的紋路，其中部分區域灰度的過渡情況、像元的分布情況有著顯著差別。因此，河流部分的紋路具有較高相似度，但是背景部分的紋路卻是完全不同的。所以，可以通過紋路對河流部分與背景部分進行有效區分。

4.2 水體邊界初始結果優化

通過機器學習機中的分類設備對整個遙感影像中的所有目標實施檢驗工作和辨識工作，分辨影像中特定部分是不是河流或者湖泊。初步檢驗出的成果中勢必會有誤檢的部分，其中包含不是水域的誤檢目標和水域中的誤檢目標。所以，必須針對初步的檢測成果加以分析整理，將誤檢的部分刪除，強化整個檢測成果的精準度。

4.3 基于形態學處理的優化

針對粗略檢測出的圖像實施形態方面的整理，因為閉操作能夠對物體中較小的空缺進行填充、對相近的物體進行鏈接、在對物體沒有顯著改變的狀態下對其邊緣能夠起到平滑作用，對于檢測成果中河流部分遺漏的檢測點，能夠利用閉操作來進行剔除。在粗略的檢測成果內背景部分有和河流類似的單獨存在的小胞元，經常會將這種小胞元錯誤判別為河流，通過開操作能夠對較小的物體進行剔除、在纖細點處對物體進行分隔、在對面積較高物體的邊緣進行平滑時，對其大小會有微小的改變，能夠用在剔除單獨存在的錯誤檢測點上。而后在空洞填充的作用下將河流部分的微小空洞剔除。

4.4 實驗結果分析

通過對本文算法的運用，對遙感圖像開展檢測工作，將紋路研究的河流檢測算法當作基礎，對其中的試驗成果進行對比，對算法的適用性進行檢驗。下圖1a主要是驗證在分辨率較高的遙感圖像上水庫和河流之間的對比。下圖1b是紋路分析算法在河流對象提取中的實驗結果，因為水庫與郊野的影響，紋路分析算法檢驗出的成果不是很準確。下圖1C是通過本文算法得出的河流檢測成果。本文算法中融合了角點信息特點，有效規避了水庫帶來的影響，通過GAC模型對河流對象的準確部分進行了獲取，獲得了理想的檢測成果。

5.結束語

在遙感圖像中檢測分辨河流的過程中，通過單一性的特征分類設備通常無法收獲較好的辨識效果，基于此對河流進行詳細觀測，在分類器的幫助下能夠獲得良好的初始檢驗成果。在眾多試驗下表明，所提算法可以在背景十分繁雜的情況下精準辨識出河流。