遙感影像提取圖斑中狹長結構的探測與融解方法

孔 博 陳文媛 楊 敏 艾廷華

(武漢大學 資源與環境科學學院, 湖北 武漢 430079)

0 引言

遙感技術具有觀測范圍廣、受地面限制少、數據時效性高等優點,在自然資源調查[1]、災害監測[2]、軍事偵察[3-4]等領域扮演重要角色。隨著各類型傳感器平臺的搭建完善,遙感影像的時空分辨率不斷提升,對地表事物的細節表達能力也大幅增強。同時,以深度學習為代表的人工智能技術與遙感影像解譯相結合,推動地物目標自動識別取得巨大進步[5-7]。例如,在全國土地資源調查與數據采集建庫中,部分地物已經采用深度學習模型進行矢量圖斑的自動生成[8]。雖然影像自動解譯與目標識別取得重要進展,但是獲得的矢量圖形數據并不滿足數據建庫與制圖表達的要求。以本文關注的遙感影像提取土地利用圖斑數據為例,存在大量的小面積圖斑、圖斑狹長結構、部分圖斑邊界呈鋸齒狀、人工地物正交性特征丟失等諸多問題。這些問題圖斑需要通過專門操作進行結構優化,是整個數據采集建庫與制圖表達體系的重要組成部分。目前,上述工作主要由人機交互方式完成,需要投入較大的人力物力,亟須發展專門的自動探測與處理方法。

狹長結構是指圖斑幾何形態上窄而長的部分,符號化后出現圖形粘連壓蓋現象,導致難以在圖面上清晰地表達出來。因此,依據地圖表達比例尺因素需要對狹長結構進行融解處理。在遙感影像提取的地物圖斑中,既存在單個圖斑整體上呈現狹長形態,也存在圖斑的局部結構呈狹長狀分布。針對圖斑狹長結構的探測與一致性處理問題已經引起相關學者的注意,并提出了相應的算法模型。例如,艾廷華等人[9-10]利用約束德勞奈(Delaunay )三角網提取狹長圖斑的骨架結構,結合 空間上的全覆蓋、無重疊特點,設計了狹長圖斑 的無縫剖分與一致性融解方法。 相關學者[11-13]對 狹長圖斑提取的骨架線進行修正,優化狹長圖斑區 域的剖分結構與融解結果。 江寶得等人[14]運用Delaunay三角網對圖斑局部狹長結構進行分析探測,并建立了專門的一致性剖分策略。

上述圖斑狹長結構處理方法主要面向土地利用圖斑數據的綜合任務[15],如對1∶1萬圖斑數據在1∶5萬比例尺下呈現的狹長結構進行處理。由于產生的緣由、呈現的類型、處理的原則等方面存在差異,它們難以完全解決遙感影像提取圖斑并實施建庫過程中出現的狹長結構。因此,需要在現有研究基礎上進一步豐富對圖斑狹長結構的處理方法。本文首先深入分析遙感影像提取地物圖斑產生狹長結構的緣由;在此基礎上,提出兩種針對不同情形的圖斑狹長結構探測與一致性融解方法,并通過實驗對提出的方法進行了分析與驗證。

1 圖斑狹長結構產生緣由分析

在遙感影像提取地物圖斑并實施數據建庫過程中,存在多種因素可能導致狹長結構的出現。首先,圖斑表達的地物本身具有狹長形態特點。受自然及人文環境影響,部分地物如零散分布的草地和耕地、道路旁邊及建筑物中間地帶分布的林地、局部的裸地等,本身在整體或局部結構上可能呈現狹長狀分布,提取獲得的圖斑在寬度上不滿足建庫比例尺表達下的最小可視距離條件。圖1展示了部分圖斑狹長結構的典型實例。其中,圖1(a)中的圖斑A和B整體上呈狹長狀,圖1(b)顯示了耕地區域的圖斑提取結果,由于農田間部分田埂、溝渠分布細長,并且相互間紋理反差較小,從而產生大量含局部狹長結構的圖斑(如圖斑C)。

(a)圖斑整體呈狹長狀

(b)圖斑局部呈狹長狀圖1 地物分布上的形態特點產生的狹長結構示例

其次,不同類型地物的圖斑提取后,進行疊加集成時產生狹長結構。由于不同類型地物的成像特點不同,需要采用不同的模型和參數從遙感影像上依次進行識別提取。在數據建庫階段,將提取的不同類型地物圖斑進行疊加集成時,相鄰圖斑間的共享邊界往往存在位置不一致現象,從而產生大量的細長狀“碎片”圖斑。如圖2所示,河流、道路等地物的圖斑邊界與相鄰其他類型地物的圖斑邊界疊置后,出現了圖斑A、B、C、D等大量的細長形態圖斑。

圖2 不同類型地物圖斑疊加集成中產生的狹長結構

除上述原因之外,遙感影像的圖像質量狀況、地物的紋理特點、地物識別與目標提取算法的性能等,均可能導致圖斑狹長結構的出現。與小面積圖斑等其他問題圖斑相比較,具有狹長結構的圖斑在形態上更為多樣,與周邊鄰近圖斑間的拓撲關系也更加復雜,導致探測與融解處理的難度系數更高。

2 圖斑狹長結構的自動探測與一致性融解方法

在深入分析圖斑狹長結構產生的緣由與特點基礎上,本文圍繞兩種不同情形設計了專門的探測與一致性融解算法,從而豐富現有的圖斑狹長結構處理方法,滿足基于遙感影像的地物圖斑數據生成與建庫需求。

2.1 控制圖層網格邊界產生的狹長結構探測與一致性融解

在地物圖斑數據采集與建庫過程中,水系、道路要素起到骨架控制作用。現有技術條件下,利用相關模型從遙感影像提取得到水系、道路圖斑后由人工進行核檢修正,并以此為控制圖層對制圖區域形成網格剖分。進一步地,將控制圖層與提取得到的其他類型地物圖斑進行疊加時,網格邊界附近區域會產生大量細長的“碎片”圖斑,并且分布上與網格邊界近似平行。基于這一特點,本研究提出一種基于緩沖區分析的圖斑狹長結構探測與一致性融解方法。

如圖3(a)所示(黑色線符號表示控制圖層包含的水系道路圖斑邊界,白色線符號表示其他類型地物的圖斑邊界),以這些邊界線為中心向外側做寬度為w的緩沖區如圖3(b)所示,并與周圍其他類型地物的圖斑進行相交分析。在此基礎上,探測以下三種不同類型的狹長結構，如圖3(c)所示，并實施相應處理。

(a)待處理的圖斑數據

(b)控制圖層網格邊界構建緩沖區

(c)圖斑狹長結構的識別與分割

(d)圖斑狹長結構的融解處理圖3 基于緩沖區分析的控制圖層網格邊界圖斑狹長結構探測與一致性融解方法

Ⅰ類。圖斑整體處于緩沖區范圍內,并且僅與一個非控制圖層的圖斑拓撲相鄰。對于該類型狹長圖斑,直接與相鄰的非控制圖層的圖斑進行合并。

Ⅱ類。圖斑整體處于緩沖區范圍內,但是與多個非控制圖層的圖斑拓撲相鄰。對于該類型狹長圖斑,首先需要進行剖分處理,然后依次合并至相鄰的非控制圖層的圖斑。如圖3(c)中的狹長圖斑A,在拓撲交點a、b處做緩沖區中心線的垂線,依據垂線對圖斑A進行分割處理,得到的剖分區域依次合并至相鄰的圖斑B、C、D。

Ⅲ類。圖斑的部分結構處于緩沖區范圍內。如圖3(c)中的圖斑E,首先在緩沖區邊界與該圖斑的交點c處做與緩沖區中心線的垂線,依據垂線對圖斑進行分割,然后將圖斑E處于緩沖區范圍內的部分合并至相鄰的圖斑D。

按照上述步驟對每個剖分網格進行處理,即可完成網格邊界附近圖斑狹長結構的探測與一致性融解處理。其中,緩沖區寬度w由表達比例尺下的圖面最小可視距離決定。

2.2 顧及正交性的局部狹長結構探測與一致性融解

對于非控制圖層網格邊界區域分布的圖斑狹長結構,可采用現有如基于Delaunay三角網的探測與融解方法[10]進行處理。然而,這些方法應用于農田、養殖水面、溝渠、建筑物等地物圖斑時,缺乏對人工地物正交性特征的考慮。因此,本文設計了一種顧及正交性的局部狹長結構探測與一致性處理方法。首先,對圖斑邊界進行預處理,包括冗余節點剔除與節點加密。其中,采用道格拉斯-普克算法進行冗余點的去除,壓縮矢高設置為0.01 m。進一步地,通過線性內插方法對壓縮后的圖斑邊界線進行加密。依次分析相鄰兩個節點pi(xi,yi)、pi+1(xi+1,yi+1)間的距離,若|pipi+1|大于閾值s時(s取值等于最小可視距離),則在pi、pi+1間進行節點內插。假設需要內插的節點數為n,且s×n≤|pipi+1|且s×(n+1)>|pipi+1|,則第k(1≤k≤n)個內插節點坐標計算為

(1)

式中,pi和pi+1為邊界兩相鄰點;xi、xi+1、yi和yi+1分別為兩點的橫縱坐標;|pipi+1|表示pi和pi+1之間的距離;xk和yk表示第k個內插點的橫縱坐標;n為需要內插的節點數;s為最小可視距離。

圖斑邊界線預處理后,運用Delaunay三角網進行局部狹長結構的探測與融解處理。如圖4所示,具體步驟如下：

(1)提取圖斑邊界節點構建Delaunay三角網,僅考慮圖斑內部的三角形。

(2)遍歷每個三角形,計算連接非相鄰節點三角形邊的平均長度Lmean;若Lmean>λ,則刪除該三角形。

(3)按照拓撲關系對保留的三角形進行組合,進而得到圖斑的狹長結構,并對狹長部分切割邊進行調整,使得切口部分保持正交性特點。以圖4(d)中的切割邊ac為例,對它相鄰的兩條直線段進行延長直至相較于點b,以ab替換ac作為最終的切割線。

(4)依據調整后的切割線分解圖斑的狹長結構,按照共享邊界最長原則,將探測得到的狹長結構合并至相鄰的圖斑中。

(a)構建Delaunay三角網

(b)刪除長邊三角形

(d)狹長結構切口正交性調整

(e)圖斑狹長結構分解

(f)狹長結構融解處理

3 實驗分析

實驗區域面積約2 km2,分布有道路、水系、建筑物、林地、農田、溝渠等地物。其中,道路、水系圖斑(黑色邊界表示)通過模型自動提取后由人工實施了核檢改正,形成控制圖層;然后與建筑物、林地、農田、溝渠等其他類型地物的圖斑(白色邊界表示)進行疊加,總共形成241個圖斑。試驗過程主要對提出的兩種圖斑狹長結構探測與一致性融解算法進行分析驗證。其中,參照1∶1萬土地利用數據建庫規范以及實際應用需求,在控制圖層網格邊界圖斑狹長結構探測中緩沖區邊界設置為3 m,局部狹長結構探測算法中三角形邊平均長度閾值λ設置為5 m。

圖5展示了兩種不同情形圖斑狹長結構處理前后的變化示例(黑色線符號表示控制圖層包含的水系道路圖斑邊界,白色線符號表示其他類型地物的圖斑邊界)。表1列出了本文兩種方法對不同類型圖斑狹長結構的探測與一致性融解結果的統計信息。其中,控制圖層網格邊界附近區域共存有89個圖斑存在狹長結構,采用基于緩沖區分析的探測方法準確識別87個圖斑,經人工檢查核實83個圖斑的狹長結構得到合理的融解處理,探測與一致性融解的準確率分別為97.8%和95.4%;共有23個農田、溝渠、養殖水面圖斑存在狹長結構,22個圖斑通過本文方法得到準確識別,在滿足正交性特征保持的條件下20個圖斑的狹長結構得到合理的融解處理,探測與一致性融解的準確率分別為95.7%和90.9%。以上結果表明,本文提出的兩種方法能夠對遙感影像提取圖斑中存在的狹長結構進行準確探測,并實施合理的一致性融解處理。

圖5 本文方法對圖斑狹長結構實施探測與一致性融解的結果示例

表1 本文方法對圖斑狹長結構探測與一致性融解處理的準確度

4 結束語

基于遙感影像的地物圖斑自動識別與建庫已經成為當前測繪地理信息領域關注的熱點課題。該過程的實現不僅需要引入人工智能技術發展影像智能解譯與目標自動識別技術,而且需要建立高效的圖斑結構優化后處理方法。本文針對遙感影像提取圖斑中存在的狹長結構探處理問題開展專門研究。在深入分析狹長結構產生的緣由及表現形式基礎上,針對控制圖層網格邊界附近分布的圖斑狹長結構以及人工地物圖斑的局部狹長結構設計了專門的探測與一致性融解方法。利用真實數據進行試驗驗證,結果表明本文方法在狹長特征的探測與融解處理方面均具有較高的準確率。下一步工作中,需要將本文提出的方法與現有其他方法進行有效集成,建立圖斑狹長結構類型的自適應診斷與一致性融解處理技術鏈條,從而實現對整個數據集的批量式處理。