海岸带水体遥感信息全自动提取方法

江冲亚,李满春,刘永学

南京大学地理与海洋科学学院,江苏南京210093

海岸带水体遥感信息全自动提取方法

江冲亚,李满春,刘永学

南京大学地理与海洋科学学院,江苏南京210093

针对海岸带水体的特点提出一种通过“像元—对象”及“全域—局部”的双重尺度转换方法,综合利用海岸带水体遥感信息的光谱特征、空间特征、统计特征和不确定性,有机结合地学知识与数据挖掘方法,实现海岸带水体遥感信息的全自动提取。对中国四大海域不同类型海岸带的Landsat ETM+遥感影像进行试验,提取结果具有较好的完整性和连续性,相对精度优于监督分类法和阈值分割法。

海岸带;遥感;水体提取

1 引 言

随着遥感应用的深入,水体提取方法不断改进,已取得较好的效果[1]。目前,常用的水体信息提取方法主要有监督分类法和阈值分割法两大类,前者主要是针对多光谱图像数据,采用数据挖掘技术中的各种分类方法进行水体信息的提取[2],后者主要是指依据水体遥感的地学知识,选取水陆差异比较明显的某个波段或指数,通过阈值分割的方法实现水体信息的提取[4]。这些方法均在实际运用中取得很好效果的同时也存在一些问题:第一,要建立合理的遥感信息模型,地学信息传输的规律和数据本身隐含的信息缺一不可,而监督分类方法仅利用样本自身的统计特征,没有充分利用水体目标的光谱特征和空间特征,阈值分割方法虽然考虑了水体遥感信息的特点,但采用简单的水体指数组合会损失大量的多光谱遥感信息;第二,两种方法均忽略了尺度问题,都是在较大的尺度上进行分析,即将整个遥感影像作为一个整体,建立统一的水体信息提取模型,在这种情况下,遥感影像统计数据反映的是研究区内不同类型不同水域光谱特征的差异性,而细节的水体信息遭到掩盖,提取结果难免趋于粗放;第三,对人工干预的需求使两种方法均不适合海量遥感信息的自动提取。

针对以上问题,已有学者开展了进一步的研究。文献[7]先利用谱间关系和缨帽变换湿度分量建立提取水体的最优空间掩膜,再使用最大似然法去除最优空间掩膜中其他地物信息,有效提高水体提取的相对精度。文献[8]提出“全域—局部”的分步迭代空间尺度转换机制,将全域分割、全域分类、局部分割与分类等计算过程有机地结合起来,分阶段地融合了水体信息提取所需的不同层次知识,并建立迭代算法实现水体最佳边缘的逐步逼近,获得高精度的水体信息提取。文献[9]在全域采用谱间关系法,在局部则采用基于数学形态学膨胀滤波算法进行空洞填充和短线连接,最后通过图像细化算法实现目标的细化,实现对山区细小水体进行高精度自动提取。这些研究都在一定程度上将地学知识和数据挖掘相结合,并考虑尺度问题,减少人工干预,取得了出色的效果。

2 海岸带水体遥感信息提取方法

海岸带水体遥感信息提取方法包括遥感影像分割、水体信息粗提取和水体信息精提取三个阶段(图1),其中进行两次尺度转换,其一为从像元到对象的转换,属于自下向上的尺度转换,其二为从全域到局部的转换,属于自上向下的尺度转换。在第一阶段中,结合水体遥感信息的光谱特征和空间特征进行分析,先通过空间滤波减轻噪声对目标和背景信息的干扰,再通过区域标号方法进行空间聚合,完成面向像元的全域遥感影像分割,从而实现从像元到对象的转换。在第二阶段中,先利用水体遥感信息的光谱特征构建面向对象的特征空间,再根据遥感地学知识建立相应的遥感信息模型,通过一组决策规则进行专家系统判别,提取出水体的确定区、不确定区和否定区。在第三阶段中,结合水体遥感信息的空间特征和统计特征进行分析,先选取水体不确定区,搜索各不确定水体对象的邻域,实现从全域到局部的转换,再从各自邻域内自动选取确定水体样本和否定水体样本,通过建立局部数据挖掘模型进行分类,完成面向对象的局部水体信息提取。

图1 海岸带水体遥感信息全自动提取方法框架图Fig.1 Framework diagram of coastal water extraction method

2.1 基于mean shift的遥感影像分割

面向像元的全域遥感影像分割包括空间滤波和区域标号两个步骤。本文采用mean shift算法进行空间滤波,采用种子生长算法进行区域标号。mean shift算法是一种基于非参数核密度估计的聚类方法[10],具有较好的稳健性,其基本思想是[11]:对于特征空间中的所有数据点,依次计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动该点到新的位置,然后以此为新的起点,继续计算均值偏移向量并移动,直到满足一定的条件结束迭代运算过程(图2)。由于mean shift算法实际上是在空域和值域构成的联合域内进行聚类,因此滤波的结果是使图像局部同一地物的差异减小,而不同地物间的差异得到保留。在mean shift算法滤波的基础上,通过种子生长算法将具有相似性质的像素集合起来构成区域[12],并借助拓扑分析进行相似区域合并,完成遥感影像分割,得到由一系列对象构成的分割图像。

图2 基于mean shift的遥感影像分割流程图Fig.2 Flow chart of mean shift segmentation algorithm

2.2 基于专家系统的全域水体信息提取

面向对象的全域水体信息提取包括特征空间构建和专家系统判别两个步骤。本文选用六个光谱特征构成面向对象的全域水体信息特征空间,包括 NDWI(normal differential water index)、MNDWI(modified normaldifferentialwater index)、TCW(tasseled cap wetness)三个水体指数,NDVI(normal differential vegetation index)、SAVI(soil-adjusted vegetation index)两个植被指数,NDBI(normal differential building index)一个建筑指数[13]。根据地学知识建立水体的遥感信息专家系统模型(图3),模型分为两个部分:第一部分中,对于分割图像中的任意对象,如果其特征空间不满足任意一条约束性条件,则将其判别为否定水体,即肯定不是水体的对象,否则判别为不确定水体;第二部分中,采用投票策略,即对于任意不确定水体对象,如果其特征空间满足多数非约束性条件,则将其判别为确定水体,否则仍判别为不确定水体。在模型中,约束性条件共有四条,如式(1),反映水体遥感信息的三个特点,即水体指数较大、水体指数大于植被指数、水体指数大于建筑指数;非约束性条件均为水体指数的阈值判别规则,具体方法是先对各水体指数进行直方图统计,再用OTSU算法分别计算各水体指数的阈值,进行阈值分割,分别建立判别规则作为条件[14]。

图3 面向对象的全域水体遥感信息专家系统模型示意图Fig.3 Schematic diagram of expert system model of object oriented global water extraction

2.3 基于主动学习的局部水体信息提取

面向对象的局部水体信息提取包括不确定区邻域搜索和样本自动选取与分类两个步骤。对邻域的定义可以有三种:对象的最小外接矩形、对象的缓冲区、对象所在的网格单元。采用第一种定义最简单,但由于未考虑对象形态,准确性较低;采用第二种定义最准确,但确定图像对象的缓冲区需要进行迭代的形态学膨胀运算,算法时间复杂度较高。本文采用第三种定义方式,将整个遥感影像划分为1 km×1 km的格网,与对象相交的网格单元的集合即为对象的邻域,如图4所示,不确定水体对象O的邻域为网格单元A、B和C。对每个不确定水体对象的邻域,如果其范围内既包含确定水体对象,又包含否定水体对象,则认为当前不确定水体对象局部特征显著,分别自动选取其邻域内的确定水体对象和否定水体对象作为样本,在特征空间内使用分类器对不确定水体对象进行分类,实现基于主动学习的局部水体信息提取,否则认为其局部特征不显著,使用全域的分类器进行分类。

图4 不确定水体对象邻域示意图Fig.4 Schematic diagram of neighborhood of uncertain water

3 试验分析

为验证海岸带水体遥感信息全自动提取方法的有效性,从我国四大海域选取不同类型的海岸带作为试验区。其中,渤海试验区位于河北省唐山市曹妃甸开发区附近海岸带(图5(a)),区域内盐场及养殖水面规则分布;黄海试验区位于江苏省盐城市大丰丹顶鹤国家级自然保护区附近海岸带(图5(b)),区域内滩涂湿地分布较多;东海试验区位于浙江省宁波市北仑港附近海岸带(图5(c)),区域内城市和细小水体交错复杂;南海试验区位于海南省海口市东寨港红树林国家级自然保护区附近海岸带(图5(d)),区域内植被茂密,大小湖泊零星分布。各试验区使用的试验数据均为Landsat ETM+遥感影像,成像时间分别为2001-09-01、2002-05-26、2000-06-24及 1999-12-24,影像大小均为500×500像素。

在自主研发的海岸带遥感信息处理类库的支持下,采用标准C++实现上述方法,应用该方法对四个试验区进行海岸带水体遥感信息提取,并将其结果与最大似然法监督分类提取结果及NDWI阈值分割提取结果进行比较(图5)。

从各试验区粗提取结果(图5(e)～(h))可以看出,全域提取得到的确定水体和否定水体几乎全部正确提取。试验一中的不确定水体主要为近岸高悬浮物浓度水体和盐田间的细小田埂;试验二中的不确定水体主要为滩涂间的潮沟及养殖水面的边缘;试验三中的不确定水体主要为细小的坑塘水面;试验四中的不确定水体主要为水生植物较多的湿地。其不确定性主要是由混合像元产生的。

从各试验区的精提取结果(图5(i)～(l))可以看出,经过局部的主动学习分类,不确定水体被有效划分为水体和非水体,其结果从整体上看优于最大似然法监督分类结果(图5(m)～(q))及NDWI阈值分割结果(图5(r)～(u))。比较局部放大的结果,本文方法(图6(a)～(d))对于养殖水面、滩涂潮沟、城市细小水体、湿地等不同类型的水体,均优于监督分类法(图6(e)～(h))和阈值分割法(图6(i)～(l))。这种性能的提升是由于本文方法对不确定水体进行了局部数据挖掘,而非使用全域上的水体遥感信息提取模型。首先,在局部工作区域内,由于水体与陆地的范围大致均匀,同时该单元的水体也不受周围其他水体的干扰,数据统计特性更为单纯,从而降低局部提取模型的不确定性;其次,进一步分析的重点被聚焦在水体不确定区,使得局部水体分类模型更具针对性,同时水体确定区得以保留,从而避免陷入局部最优,兼顾0宏观和微观的水体特征。因此,本文方法最终的提取结果在完整性和连续性上均有稳定表现。

图5 试验结果(全域)Fig.5 Experimental results(global view)

图6 试验结果(局部,白色为水边线)Fig.6 Experimental results(local view,white lines are water edges)

从各试验区分别随机抽取1 000个样本点,对提取结果进行精度评价(表1),结果表明,运用本文方法进行海岸带水体遥感信息自动提取,提取结果的精度明显高于最大似然法监督分类及NDWI阈值分割。经分析发现,本文方法未能正确提取的部分大多是光谱混合现象较为严重的像元。

表1 精度比较Tab.1 Accuracy comparison

4 结论与讨论

提出一种在尺度转换框架中融入地学知识与数据挖掘相结合的海岸带水体遥感信息全自动提取方法。该方法通过面向像元的全域遥感影像分割、面向对象的全域水体信息提取和面向对象的局部水体信息提取三个过程,实现海岸带水体遥感信息的精确提取,整个方法具有零样本、零参数的特性,完全自动化运行。试验证明,该方法能够适应各海域多类型海岸带环境,具有较好的稳定性,其提取结果精度较高,对细节信息的提取完整性和连续性均优于经典方法。

本文提出的方法框架具有一定的灵活性,文中仅结合Landsat ETM+遥感影像数据的特点介绍了具体实现方法,在实际应用中,具体的分割算法、特征空间构建方法、分类器算法等均可进行调整。如CBERS 02B数据只有四个多光谱波段和一个全色波段,能构建的指数仅有NDVI和NDWI,则需要对专家系统的规则进行约减。

本文对海岸带水体遥感信息的全自动提取进行初步尝试,尽管在试验中取得相对较优的效果,但由于海岸带为固、气、液三相物质的交互区,受到悬浮物、植被、微生物等多种作用的扰动和影响,使得海岸带水体具有较强的不确定性,要完全能够针对不同海岸带环境下的水体全自动提取,还有待进一步探讨研究。

[1] DU Yunyan,ZHOU Chenghu.Automatically Extracting Remote Sensing Information for Water Bodies[J].Journal of Remote Sensing,1998,2(4):264-269.(杜云艳,周成虎.水体的遥感信息自动提取方法[J].遥感学报,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,袁吟欢,陆荣健.卫星图像中不同水体类型识别研究[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,黄永胜,冯学智,等.SPOT卫星影像的水体提取方法及分类研究[J].遥感学报,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. (杨存建,徐美.遥感信息机理的水体提取方法的探讨[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.利用改进的归一化差异水体指数(MNDWI)提取水体信息的研究[J].遥感学报,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.(吴文渊,沈晓华,邹乐君,等.基于Landsat ETM+影像的水体信息综合提取方法[J].科技通报,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.(骆剑承,盛永伟,沈占锋,等.分步迭代的多光谱遥感水体信息高精度自动提取[J].遥感学报,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.(杨树文,薛重生,刘涛,等.一种利用TM影像自动提取细小水体的方法[J].测绘学报,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.(章毓晋.图像工程:中册[M].北京:清华大学出版社,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.遥感影像数字处理导论[M].陈晓玲,龚威,李平湖,等,译.北京:机械工业出版社,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

国家自然科学基金(40701117)

(责任编辑:宋启凡)

2010-01-08

2010-09-26

江冲亚(1985—),男,硕士生,主要研究方向为遥感信息提取。

E-mail:chongya@126.com