基于TerraSAR-X影像的格陵兰岛海岸水边线提取

盛佳 洪中华 张云 袁国良

（1上海海事大学，上海201306；2上海海洋大学，上海201306）

0 引言

极地为地球南北两端，纬度66.5°以上，长年受白雪覆盖，气温低且几乎无植物生长，但南北两极对人类却有非常重要的意义。由于全球变暖，极地区域近几十年发生了明显的变化，据研究发现，受气候的影响，北极的海岸线以每年2米或更长的距离减退，部分地区的海岸线甚至以每年30米的速度消失。因此，研究极地区域的海岸线变化对于全球变化具有重要的意义［1］。

遥感影像是海岸线重要的数据源。用于海岸线提取的遥感影像主要分为两大类：光学影像和雷达影像。光学影像中的海水与陆地颜色差别较大，因此海岸线较为明显，但是利用光学影像提取海岸线也有如下缺点：①光学影像容易受到云层覆盖、太阳照射等气象条件的影响，这严重影响到光学的影像质量；②光学影像由于光在成像透镜的光轴周围的折射率不同，使得成像发生畸变［2］。近十年来，随着高分辨率卫星遥感SAR影像（空间分辨率优于5米）的迅速发展，SAR影像因具有全天时、全天候的工作时间以及穿透云层等优点，利用高分辨率SAR影像进行海岸线提取成为重要的研究方向。然而SAR影像由于容易受到散斑效应的影响从而导致成像中有众多的噪点。对此，通过对SAR影像进行滤波预处理，可以明显改善斑纹且对海岸线的边缘影响较小［3］。

国内外学者针对海岸线的提取方法已有Baselice等［4］在马尔科夫框架中利用EM算法，提出了一种无人监督的海岸线提取方法；刘景正等［5］用小波去噪的方法代替Canny算子中自带的高斯去噪方法，对SAR影像进行边缘检测；张祥等［6］融合空间域滤波和边缘检测信息监测，改进了SAR影像的滤波方法；马小峰等［7］分析了不同海岸的类型，用Canny边缘检测的方法提取出各种不同类型的海岸线；Wang等［8］根据水与陆地所具有的不同的特点，提出了一种建立在灰度共生矩阵和圆形窗口灰度特征基础上的新方法。本文选取了格陵兰区域作为试验区域，提出了应用支持向量机（SVM）和Canny边缘检测算子的海岸水边线提取方法。该方法首先比较了五种滤波器的处理效果以及平滑指数并选择出最佳滤波器对TerraSAR-X影像进行预处理，然后将支持向量机和Canny边缘检测算子相结合，在此基础上对海岸水边线进行提取并对提取结果进行精度验证。

1 实验区域及数据介绍

1.1 研究区域

格陵兰岛位于北冰洋与大西洋之间，海岸线全长可达35 000多公里，是世界上最大的岛屿，全岛约4／5的地区在北极圈内，84%的面积长年受冰雪覆盖，冰层平均厚度达到2 300 m。格陵兰岛所含有的冰雪总量为300万立方公里，占全球淡水总量的5.4%。由于地处极地这种特殊的地理位置，纬度高且受温室效应等自然环境的影响巨大，格陵兰岛海岸每年都发生着明显的变化［9］。

1.2 影像资料

TerraSAR-X是由德国于2007年发射的星载SAR卫星系统，具有小型化、高分辨率、多种成像模式、多种极化方式等优点，它最高分辨率可达1 m，是新型SAR系统的杰出代表。表1列举了Terra-SAR-X卫星系统的轨道参数。

表1 TerraSAR-X卫星系统的参数Table 1.Parameter of TerraSAR-X

本文选用的实验数据为TerraSAR-X卫星系统获得的位于格陵兰岛的一景ScanSAR数据。拍摄时间为2011年8月7日，最小入射角为19.621°，最大入射角为30.535°，极化方式为VV模式，拍摄模式是条带模式，近似分辨率范围为17.0—19.2 m，侧视方向为右视。图1为实验数据位于格陵兰岛的位置及预视图。

图1 数据在格陵兰岛上所处位置及预视图Fig.1.The location of the data in Greenland and the preview diagram

2 海岸水边线提取方法

由于格陵兰岛海冰常与大陆相连接，因此本文提取的是格陵兰岛海岸水边线。首先，对影像进行裁剪以及预处理；再对预处理后的影像进行支持向量机分类以及Canny边缘检测；最后对提取出的水边线进行验证。图2所示为海岸水边线提取流程图。

2.1 SAR影像滤波

图2 海岸水边线提取流程图Fig.2.Flow-chat of the coastline extraction

SAR影像的一大特点就是受斑点噪声影响严重，这种噪声属于乘性噪声，在影像上表现为信号相关的小斑点，既降低了影像的画面质量，又影响影像的自动分割、目标检测以及其他信息的提取。降低这种乘性噪声有两种方法：①对影像进行多视处理，但这种方法所需要付出的代价是降低了影像的分辨率；②用空间域滤波的方式来抑制噪声，这种情况下不会损失影像的分辨率［10］。

本文首先比较了中值滤波、Sigma滤波、Lee滤波、增强型Lee滤波以及Gamma滤波五种滤波方式，五种滤波方式都有其各自的优点：其中中值滤波方便简单，Sigma滤波设置阈值划分标准偏差以决定中心像元所取均值的大小，Lee滤波利用影像统计特性控制滤波器的输出使滤波器自适应于影像的变化，增强型Lee滤波对影像进行了区分，采用不同区域使用不同的滤波方法，Gamma应用最大后验概率滤除噪声。

为了选择较理想的滤波器，本文通过比较各种滤波器的平滑指数，该平滑指数能反映出各滤波器对影像噪声的平滑能力［11-12］：

其中，SI为平滑指数，平滑指数越大，平滑效果越好；MEAN为影像灰度的均值；STD为影像灰度的标准差。表2显示了不同窗口对应不同滤波方法平滑指数的比较结果。

表2 不同滤波方法不同窗口大小的平滑指数Table 2.The smooth index of different filters and different window size

为了直观地看出随着窗口变化平滑指数的变化情况，根据表2做出图3：

图3 不同窗口大小下各滤波器的平滑指数变化趋势Fig.3.Smoothness index trend of each filter under differentwindow sizes

由表2以及图3可知，随着窗口大小的增大，做比较的五种滤波器的平滑指数都随之增大，其中Gamma滤波的平滑指数最好。但是Gamma滤波还需要选择合适的窗口大小，图4显示了Gamma滤波在不同窗口大小下影像的滤波情况。

从图4可以看出，经过3×3的窗口滤波后，影像在纹理、边界方面仍然能够较好地保持，但是仍有大量的斑点噪声存在于影像中，因此对于去除噪声效果并不明显；7×7以上窗口斑点噪声去除得比较好并且平滑指数很高，但是从整体效果来看影像纹理、边界十分模糊，有用信息丢失严重；相比之下，5×5的窗口在去除噪声以及边界、纹理保持两方面都比较理想。因此，本文选用5×5窗口的Gamma滤波来去除SAR影像中的斑点噪声。

2.2 支持向量机及Canny边缘检测

图4 Gamma滤波在不同窗口大小下滤波效果比较Fig.4.The comparison of Gamma filter′s filtering effects under differentwindow sizes

Canny［13］提出了三个影像边缘检测的限制条件：好的检测、准确的定位、最小响应。由于卫星影像中水陆分界线都是阶梯型的，而Canny算子又是效果最好的阶梯型边缘检测算子之一，因此使用Canny算子具有较好的检测效果［14］。在经过滤波后的影像上直接用Canny边缘检测提取海岸水边线，这时海岸水边线不连续且有很多的干扰。因此，滤波后的SAR影像直接用Canny算子进行水边线提取效果并不理想。

支持向量机是建立在VC维理论以及结构风险最小化基础上的，在小样本、非线性、高维的情况下有非常显著的优势［15-16］。支持向量机工作基础是找到最优划分超平面，需要满足以下约束条件：

其中，w→是n维向量，b为偏移量。通过建立拉格朗日方程并求解拉格朗日函数来获得最优解并得到判别式。在获得支持向量以及相关参数后，根据判别式对影像进行分类：

其中，xi属于支持向量；ai为拉格朗日系数；b*为分类阈值。

公式（3）为针对线性可分情况下支持向量机的判别式。对于非线性可分的情况，通过将低维空间线性不可分的样本映射成高维空间线性可分的样本来实现。为了在经验风险以及推广能力两方面得到均衡，还需要引入监督因子C以及松弛因子ξi≥0，i＝1，2，…，n这时原约束条件变为：

而从低维到高维的非线性映射的关键就在于核函数的选取。根据相关理论，只要核函数满足Mercer条件，它就可以对应某一个空间中的内积函数，因此只要在最优分类面中运用适当的内积函数就可以实现这种线性不可分的分类问题［15］。此时的最优判别式为：

其中，K（xi·xj）＝Φ（xi）·Φ（xj）为核函数，来实现从低维空间到高维空间的映射。

支持向量机的关键在于核函数以及监督因子，本文选择径向基函数（RBF）作为核函数，其核函数公式为：

其中，γ为核函数的核参数，并取适当的监督因子C及核参数γ［17-18］。经过支持向量机分类后再与Canny边缘检测算子相结合，进行海岸水边线的提取。如图5所示为从整体数据上截取了四段像素为500×500的典型区域进行实验。从图中可以看出，滤波后直接用Canny算子进行海岸水边线提取时（图5b），提取出的海岸水边线具有较多干扰；而经过支持向量机分类后，再进行Canny算子边缘检测（图5d），此时提取出的海岸水边线是一条平滑的曲线。

图5 海岸水边线提取效果图Fig.5.The pictures of coastline extraction

2.3 精度验证

为了验证提取的海岸水边线的准确程度，将提取的海岸水边线与设定的标准线作重叠，整体观察海岸水边线与设定的标准线的差异。从提取的海岸水边线上选取一些样本点，对比提取的海岸水边线与设定的标准线之间的位移；设定误差允许的窗口大小，如果提取海岸水边线上的样本点与标准线上对应位置的样本点在设定的窗口内，则判定为在误差范围内，提取正确；如果两点位移超出了设定的窗口大小，则判定提取失败。计算出不同窗口大小情况下海岸水边线提取的准确率。图6为提取的海岸水边线与标准线重合图，其中黑色线为本文方法提取的海岸水边线，红色线为标准海岸水边线。

通过ArcGIS软件来统计各实验区域提取的海岸水边线上的像素点，并选取10%的样本点进行验证。分别统计四幅影像在窗口大小为1×1、2×2、3×3时的提取精度。表3为不同窗口下实验区域的统计结果。

图6 海岸水边线提取验证Fig.6.Verification of the extracted coastline

表3 像素点位置检验结果Table 3.The result of pixel position inspection

由图6以及表3可以看出，该方法提取失败的像素点存在，但是较少，随着误差允许的窗口大小的增大，提取的海岸水边线准确率也随之增大，1×1窗口要求两幅图上的样本点位移差不超过一个像素，此时要求过于严格，准确率不高；2×2以上窗口的准确率都达百分之六十以上，能满足海岸水边线提取的要求［19］。

3 结论

本文是格陵兰岛基于TerraSAR-X影像上的海岸水边线提取。由于SAR影像受相干斑影响严重，因此本文从目视效果及平滑指数两方面对比了多种滤波方法，选用最佳的乘性噪声的滤波方法对SAR影像进行预处理，并利用了支持向量机对海域和陆地进行分类以及Canny算子对影像进行边缘检测，最终结合这两种算法提取了格陵兰岛实验区域的海岸水边线，在此基础上将继续研究极地区域海岸线的变迁。

致谢 感谢德国宇航中心（DLR）提供的Terra-SAR-X数据。感谢上海海洋大学信息学院王振华博士对于本研究的帮助。

1 赵红.研究发现北极海岸线每年后退数米.地球科学进展，2011，26（5）：515.

2 王运峰.SAR图像与光学图像数据融合算法研究.成都：电子科技大学，2003.

3 Baselice F，Ferraioli G.Unsupervised coastal line extraction from SAR images.IEEE Geoscience and Remote Sensing Letters，2013，10（6）：1350—1354.

4 Baselice F，FerraioliG，Pascazio V.Coastal line extraction from SARMulti-channel images／／2012 Tyrrhenian Workshop on Advances in Radar and Remote Sensing.Naples：IEEE，2012：322—325.

5 刘景正，余旭初，张鹏强，等.新型Canny算法的SAR图像边缘检测.测绘科学，2008，33（1）：132—134.

6 张祥，邓喀中，范洪冬.融合Canny边缘检测技术的SAR图像改进滤波方法.黑龙江工程学院学报（自然科学版），2011，25（2）：6—9.

7 马小峰，赵冬至，邢小罡，等.海岸线卫星遥感提取方法研究.海洋环境科学，2007，26（2）：185—189.

8 Wang Y F，Yu Q Z，LüW T，etal.Coastline detection in SAR imagesusingmulti-feature and SVM／／4th International Congresson Imageand Signal Processing.Shanghai：IEEE，2011，3：1227—1230.

9 http：／／baike.baidu.com／view／20318.htm.

10 凌飞龙，汪小钦，陈芸芝.SAR图像滤波去噪效果评价研究——以福建省海岸带为例.海洋科学进展，2004，22（B10）：171—176.

11 王俊.SAR影像溢油目标边缘提取方法及实现.大连：大连海事大学，2009.

12 张乐.合成孔径雷达图像用于海岸线检测.青岛：中国海洋大学，2010.

13 Canny J.Acomputational approach to edge detection.IEEE Transactions on Pattern Analysis and Machine Intelligence，1986，8（6）：679—698.

14 种劲松，欧阳越，朱敏慧.合成孔径雷达图像海洋目标检测.北京：海洋出版社，2006：16.

15 陈冰梅，樊晓平，周志明，等.支持向量机原理及展望.制造业自动化，2010，32（12）：136—138.

16 王鹏，朱小燕.基于RBF核的SVM的模型选择及其应用.计算机工程与应用，2003，39（24）：72—73.

17 张汉女.基于SVM的海岸线提取方法研究.长春：东北师范大学，2010.

18 林升梁，刘志.基于RBF核函数的支持向量机参数选择.浙江工业大学学报，2007，35（2）：163—167.

19 刘善伟，张杰，马毅，等.遥感与DEM相结合的海岸线高精度提取方法.遥感技术与应用，2011，26（5）：613—618.