基于国产GF-1遥感影像的面向对象桥梁提取方法研究*

袁 泽,丁建丽*,王 娇,陈文倩,李 相,黄 帅

(1.新疆大学资源与环境科学学院,新疆 乌鲁木齐 830046;2.绿洲生态教育部重点实验室,新疆 乌鲁木齐 830046)



基于国产GF-1遥感影像的面向对象桥梁提取方法研究*

袁 泽1,2,丁建丽1,2*,王 娇1,2,陈文倩1,2,李 相1,2,黄 帅1,2

(1.新疆大学资源与环境科学学院,新疆 乌鲁木齐 830046;2.绿洲生态教育部重点实验室,新疆 乌鲁木齐 830046)

以国产“高分一号”2m/8m高空间分辨率遥感图像为数据源,使用基于规则的面向对象的方法实现了对高分辨率影像中桥梁目标的精确提取。首先,经过多尺度分割实验并结合下垫面特征选择最优分割尺度;其次,利用水体指数、阈值函数等方法建立规则集,逐步获取水体和桥梁潜在区的矢量文件;最后,通过二值化、数学形态学处理、叠加分析等方法成功提取桥梁目标。实验结果表明,该方法可以准确、高效地提取出桥梁信息,总体精度在90%以上,Kappa系数在85%以上,在高分辨率遥感影像高精度提取桥梁的实践中具有广泛的适用性,该研究成果或对国产高分影像处理系统的研究与应用提供了一定的科学参考。

高分一号;桥梁;最优分割尺度;面向对象;数学形态学

信息提取是当前遥感图像处理的热点和难点[1]。桥梁是重要的人工建筑、交通枢纽[2]和水利设施,对于桥梁目标的准确识别和精确提取不仅有利于地理信息数据的及时更新,有助于防灾减灾工作的实施,更是在民用、军事和商业等领域都受到相当大的关注[3]。目前,国内外学者针对遥感影像提出了多种桥梁提取的方法,其中比较基础的方法有:基于差影检测的方法[4],基于边缘提取的方法[5-6],基于逻辑算子的方法[7],基于道路信息的方法[8]等。这几种方法虽然操作简便却各有弊端。其中差影检测法的提取精度取决于水体信息提取的精度,结构元素几何形状单一,提取效果不理想;基于边缘提取的方法未充分考虑桥梁与河流的位置关系,仅根据目标的平行线特征,会产生较多的虚警[9];基于逻辑算子的方法使用前提是桥梁宽度比较小,只能识别较低分辨率遥感图像中的桥梁目标,不具有普遍的适用性;基于道路信息的方法使用前提是图像中的道路信息已知,限制了目标选择的范围。以上基础方法均存在算法单一,精度不高等问题,仅适用于中低分辨率影像。

因此,有人提出一些综合性较强且适用于高分辨率影像的提取桥梁方法,如闵莉等[10]提出一种基于Mumford_shah模型的水上桥梁目标分割与识别方法,根据桥梁与河流边界的几何位置关系实现对桥梁提取,解决了对远距离小目标水上桥梁及灰度梯度较弱图像的桥梁分割和识别问题。但该算法以桥梁先验知识为前提,对于于不符合桥梁知识的情况存在一定局限性。陈超等[11]提出了基于地物光谱特征分析的高分辨率遥感图像水上桥梁提取方法,根据地物在近红外波段的光谱特征,采用迭代法选取阈值提取不同地物,再进行数学形态学运算和叠加分析实现桥梁的提取。但该方法对光谱特征过于依赖,只能在水体较为纯净的情况下进行,如果水体较为浑浊,遥感图像的直方图波峰不明显,会影响到水体提取阈值的选择,从而影响结果精度。郭莉莉等[12]提出了改进的Lidar数据桥梁提取算法,通过对Lidar数据格网化构造一种新的三维离散点形态学算子,再利用剖面分析方法并结合桥梁的拓扑特点提取桥梁。但高分一号未搭载雷达传感器,预计2015年的GF-3将会搭载合成孔径雷达。总的来说,这些方法大都建立在基于像素的光谱信息分析之上,很少利用地物的形状、结构、纹理等信息,在处理高分辨率遥感影像时显得能力不足[13]。

基于以上分析,本文以国产“高分一号”卫星遥感图像为数据源,针对桥梁目标,采用面向对象的方法进行提取,同时考虑包括光谱在内的影像空间结构、拓扑关系及对象之间的向下空间特征等信息[13],选择多种地物特征逐层分析,有效排除易混淆地物的干扰,保持桥梁的连续及完整性。锁定桥梁潜在区域后,通过数学形态学的闭合算法对提取的水体进行连通,再利用二值图进行叠加分析提取出桥梁目标并在原图上显示,以便应用到相应的调查、评估,研究等工作中。

1 研究方法

本文的主要研究方法是利用多尺度图像分割法、基于规则集的面向对象法、数学形态学方法等实现两个研究区内的高分一号影像桥梁提取,技术流程见图1。

图1 桥梁提取流程图

1.1 多尺度影像分割

面向对象的关键问题在于影像的精确分割,影像分割是基于同质性或异质性准则将一幅图像划分成若干有意义的子区域的过程。多采用分形网络进化法(Fractal Net Evolution Approach,FNEA),即eCgonition软件中的多尺度分割采用的算法,该方法采用异质性最小区域合并策略,从像素层自下而上进行影像分割。像元或对象合并取决于对象异质性的阈值和尺度阈值。对象异质性(F)由光谱异质性(hcolor)和形状异质性(hshape)两部分及颜色因子权重w组成,其定义如下:

F=whcolor+(1-w)hshape

(1)

多尺度分割中最重要的问题就是分割尺度的确定,分割尺度需要根据影像所包含地物类别及复杂程度来确定[15],且需要经过试验,选取最优尺度,以防止产生过分割或是欠分割的问题。本研究通过总结前人对最优分割方法的研究[13-17],使用改进的与邻域绝对均值差分方差比MRMAS(Modified Ratio of Mean Difference to Neighbors(ABS)to Standard Deviation)来作为指示目标地物最优分割尺度的指标。对于多光谱影像,在进行多尺度分割时,为更好区分出提取对象的特征,对各个波段都赋予了一定的权重,考虑到不同波段层的权重关系,则使用各层的权重与其对应的与邻域绝对均值差分方差比RMAS(Ratio of Mean Difference to Neighbors(ABS)to Standard Deviation)[17]相乘之后求平均的方法来决定单个影像对象的分割尺度评价指数,即为改进的与邻域绝对均值差分方差比(MRMAS),其表达式如下:

(2)

式中:m为多光谱影像的波段数,wL代表L波段层的权重,RMASL代表L波段层当前对象的与其对应的与邻域绝对均值差分方差比。通过绘制目标对象的MRMAS随分割尺度的变化曲线,找出曲线峰值,即可确定出目标对象的最优分割尺度。

1.2 基于规则的面向对象信息提取

面向对象的信息提取方法其处理单元并非一个个孤立的象元,而为具有多种语义特征及关系特征的对象,即“同质”多边形,能够有效地避免噪声干扰和“椒盐噪声”。一般而言,面向对象信息提取方法由影像分割、对象层次构建、分类规则建立及信息提取等部分组成[17],完成图像的分割后,需要建立对象特征的规则集,建立分类规则要根据研究区各类地物各方面信息进行搭配组合以达到获取地物类型的目的。规则结构的建立不一定必须包含多个层次,一个层次也可以形成分类规则结构[18],选择的特征不是越多提取精度就越高,那样反而降低数据时效性,加大运算量,有时只需要选择最明显的特征就可以有效对地物进行区分,表1例举了本研究中需要用到的对象特征:

表1 典型特征表

其中归一化水体指数[19-20]属于自定义指数,和亮度值共同用于提取水体。长宽比、密度以及表格中未列出的主方向(maindirection)、不对称性(asymmetry)等特征,具有区分道路和非道路信息、剔除多余的细小斑块、条纹,提取桥梁潜在区等作用。

1.3 数学形态学处理

数学形态学是一种非线性滤波方法,其运算主要包括“腐蚀”“膨胀”“开启”“闭合”四种。其作用可使结构元在图像范围内平移,施加交、并等基本的几何运算,以达到对二值图像的处理[21]。

首先对图像进行二值化[22],能够提高后续处理速度,提高矢量化正确率[23]。对通过规则集提取出的桥梁潜在区水体的.shp文件进行二值化,生成mask文件,公式如下:

(3)

其次进行滤波处理,连通的水体在二值化后的影像上会表现为被桥梁所截断状,但由于桥梁宽度有限,可通过先膨胀再腐蚀的数学形态学运算使得水体在影像上表现连通[24-25],同时填平图像中的小孔和弥合小裂缝[26],再将连通的水体与截断的水体进行波段运算即可提取出桥梁目标,算法如下:

腐蚀:

f(⊕b)(s,t)=max{f(s-x,t-y)+b(x,y)|

(s-x,t-y)∈Df,(x,y)∈Db}

(4)

膨胀:

f(⊙b)(s,t)=max{f(s+x,t+y)+b(x,y)|

(s+x,t+y)∈Df,(x,y)∈Db}

(5)

式中:f(s,t)是输入图像函数,b(x,y)为结构元素,Df、Db分别是f和b的定义域。最后,通过波段运算进行叠加分析:

F(X)=b1·b2

(6)

式中:F(X)是叠加分析结果,b1是经过先膨胀后腐蚀的联通水体表面二值图,b2是桥梁潜在区二值图。

2 实验与结果

2.1 研究区概括

喀什河源于新疆天山与依连哈比尔尕两山之间东北麓,是伊犁河的第2大支流,自东向西流经尼勒克县,伊宁县,至雅马图汇入伊犁河。全长304km,平均径流量32.1亿m3。流域地势西南高,北部低,平均海拔在2 335m～2 508m之间。河道顺直,支流短小而广布,桥梁、水坝等水利设施种类繁多,分布广泛。本文选取研究区一位于尼勒克县东北部乌兰布鲁克村某水电站(见图2(a)),海拔较高,提取目标属于工业桥梁,桥体较大,周围地物种类较少,水体较深。为与之区分,研究区二选择在尼勒克县西南部相对地势较低的居民区(见图1(b)),提取目标属于一般民用桥梁,桥体较小,周围地物种类多,水体较浅,识别难度相对较大。

图2 研究区示意图

2.2 数据源与预处理

本文的数据源即国产“高分一号”2m/8m影像数据,高分一号(GF-1)卫星是我国高分辨率对地观测系统的首发星,突破了高空间分辨率、多光谱与宽覆盖相结合的光学遥感等关键技术。GF-1卫星搭载了2台2m/8m相机(三反同轴TDICCD相机,PMS1和PMS2,幅宽为70km)和16m多光谱相机(由4台透射式CCD相机组成,WFV1-WFV4,幅宽为800km)。其中本文使用的PMS载荷相机同时兼有2m全色波段和8m多光谱波段(具体参数见表2),表现出了巨大的应用潜力,因此加强对2m/8m高分一号影像的研究具有重大的科学与现实意义。其中,研究区一的成像时间为2014年8月1日,太阳高度角62.4107°,太阳方位角155.658°,轨道号:81(Row),60(Path)。研究区二的成像时间为2014年8月30日,太阳高度角55.0268°,太阳方位角163.036°,轨道号:83(Row),62(Path)。

表2 GF-1卫星载荷PMS参数

GF-1数据预处理在ENVI5.1平台上完成,包括正射校正、图像裁剪、几何校正、辐射定标、Flaash大气校正,图像融合等。鉴于GF-1遥感影像的空间分辨率较高,且具有RPC文件和DEM数据,所以先通过正射校正来达到更高的提取精度,重采样采用可以平滑影像的3次卷积内插方法。随后,鉴于GF-1遥感影像大区域、宽图幅的特点,基于Arcgis10.0平台裁剪出具体研究区范围,并进行辐射定标,重新设定增益偏置参数,获得进而完成Flaash大气校正。随后的在图像融合[27]中,鉴于GF-1遥感影像的辐射分辨率也较高,同时具备全色数据(2m)和多光谱数据(8m),因此将二者进行融合可使融合后的影像既保留了多光谱影像的光谱特性,又保持了全色影像的空间细节,起到增强目标特征和提高影像解译能力的效果。

图3 最优分割尺度选择曲线

2.3 面向对象桥梁提取

基于eCognition8.0平台,采用多尺度分割算法(multiresolutionsegmentation)对经过预处理的GF-1影像进行分割。经过多次尝试,初步设置各个波段的权重为1,分割尺度为20,形状因子0.1,光滑度因子0.5,再将分割尺度以步长10进行递增的方式对影像进行多尺度分割。在每个分割完成的影像上选取样本,统计样本对象的标准差和与邻域均值差分绝对值,再根据式(2)计算出一定分割尺度下的MRMAS。再以影像分割尺度为x轴,以MRMAS为y轴,绘制出桥梁目标的MRMAS随分割尺度变化的折线,图3为研究区和研究区二的最优分割尺度选择曲线。从两幅折线图可以看出MRMAS随着分割尺度的变化其间会出现峰值,该峰值即指示了最优分割尺度,而当分割尺度过小或过大时,MRMAS都相对较小,会造成影像多边形对象“过度分割”或“分割不足”的现象。所以,可以根据两幅折线图中的峰值确定出选区一和选区二的最优分割尺度分别为30、20。分割后效果见图4(a)、图4(e)。

影像分割完毕后,确定如下规则集提取桥梁潜在区:①利用上文提出的归一化水体指数(NDWI),进行阈值分割,(如图4(b)、图4(f))区分水体和非水体。②在非水体地物中利用亮度(如图4(c)、图4(g))和(如图4(c)、4(g))Length/Width(长宽比)进行阈值分割,区分道路和非道路信息。③(如图4(g))设立Asymmety(不对称性)和(如图4(d)、图4(h))Maindirection(主方向)隶属度函数以及(如图4(d)、图4(h))Density(密度)阈值函数,去除多余的道路信息,得到潜在桥梁区域。基于eCognition的UpdateRange阈值调整功能,通过尝试,人为的确定出各对象特征阈值范围,在通过assignclass功能逐步建立规则集,进行提取信息。图3为提取过程图,可以看出,使用该规则集提取桥梁潜在区,在保持了桥梁的完整性的同时,也确保与其他地物之间能够较好地区分。

图4 桥梁潜在区提取过程

完成桥梁潜在区的提取之后,确定如下步骤提取桥梁:①将上文中水体和桥梁潜在区的提取结果以.shp文件输出,再以ROI(感兴趣区域)形式在预处理后的原图中打开并适当调整配色(如图5(a)、图5(e))。②分别建立水体和桥梁潜在区的mask二值图文件(二值分割)[28](如图5(b)、图5(f)),再通过先膨胀后腐蚀的数学形态学运算联通水体表面(如图5(c)、图5(g))。③将连通的水体表面与桥梁潜在区进行叠加分析,根据b1·b2波段运算提取桥再与原图叠加显示(如图5(d)、5(h))。图4为桥梁目标的提取过程图,可以看出,最终的提取结果能够很好的匹配真实桥梁。

2.4 精度分析

通过将桥梁目标提取结果与原始图像目视解译结果进行比较可以发现,在形状和位置等方面,提取的桥梁目标都能够较好地匹配真实桥梁。但由于受不同地物光谱特征和各种细节信息的影响,任存在少量的误分现象,比如由于桥梁本身阴影与水体的混淆等。利用ENVI5.1中精度分析模块,分别对两个研究区采用单阈值法、最大似然法、面向对象法的结果进行精度分析,正如如表3结果显示,面向对象的桥梁信息的提取精度明显高于其他方法。综上可知,本文的面向对象提取方法具有较高精度,能够提取不同特征的桥梁目标,定位较为准确,提取结果在一定程度上能够和真实桥梁相目标匹配,精度较高,误差较小。

图5 桥梁提取过程

表3 不同提取方法的精度对比

3 结论

本文以国产高分一号8m影像为数据源,针对水利设施中桥梁的高精度提取难度较大的问题,使用基于规则的面向对象方法实现了对桥梁目标的精确化提取。实验结果表明,该方法的总体精度在90%以上,Kappa系数在85%以上,远高于常规提取方法的精度,能够为流域水资源调查,防洪减灾,水利规划等工作提供一定的科学参考。针对本实验,最终得出以下结论:

①使用基于规则的面向对象方法提取桥梁信息,相比基于像元的常规方法,不仅考虑了影像的光谱信息,同时考虑了对象的几何、形状、拓扑关系等特征,为影像分类提供更多的参考依据,从而提高分类精度。

②本文方法能够克服目标周围的复杂环境影响,面向不同地物采用不同特征进行提取,避免桥梁阴影、绿化带、两端道路等非目标信息干扰,提取结果能够很好的匹配真实桥梁目标,适用性强。

③本方案还提供了同质性纹理特征等备用特征以用于没有水体情况下的桥梁识别应用,还可以根据数据源的特点增加或减少部分特征,因此本文提出的方法具有一定的伸缩性和较强的普适性。

④继续深入研究针对国产高分一号高分辨率遥感影像如何高效、准确地获取高精度桥梁等水利设施信息的相关问题,对我国的水利事业的发展具有重要意义,为国产高分影像处理系统的研究与应用提供必要的科学参考。

[1] Wu Fan,Wang Chao,Zhang Hong,et al. Knowledge-Based Bridge Recognition in High Resolution Optical Imagery[J]. Journal of Electronics and Information Technology,2006,28(4):587-591.

[2]董银文,苑秉成,石钊铭. 基于区域特征的航拍图像水上桥梁自动识别[J]. 武汉大学学报,2013,38(9):1073-1077.

[3]Luo J,Ming D,Liu W,et al. Extraction of Bridges over Water from IKONOS Panchromatic Data[J]. International Journal of Remote Sensing,2007,28(16):3633.

[4]Wu Hao,Liu Zhengkai,Zhang Rong. A Study of Bridge Recognition from Landsat TM Images[J]. Journal of Remote Sensing,2003,7(6):478-484.

[5]Sun Qi,Cao Zhiguo,Zhang Tianxu. A Recognition Algorithm Based on Knowledge Framework for Long Range Infrared Bridge Images[J]. Journal of Huazhong University of Science and Technology,2001,29(4):1-3.

[6]Peng Shurong,Wang Yaonan,Liu Guocai. A Method Improving Registration Accuracy Progressively for InSAR Complex Image[J]. Acta Geodaetica et Cartographica Sinica,2007,36(1):62-66,77.

[7]Chaudhuri D,Ashok Samal. An Automatic Bridge Detection Technique for Multispectral Images[J]. IEEE Transactions on Geoscience and Remote Sensing,2008,46(9):2720-2727.

[8]Vergnet R L,Saint-Marc P,Jezouin J L. A Generic Bridge Finder[J]. Automated CAD-Based Vision,1991,2(3):176-185.

[9]杨浩,尹东,洪日昌. 高分辨率遥感图像中桥梁自动识别方法研究[J]. 计算机仿真,2006,23(9):119-123.

[10]闵莉,唐延东,史泽林. 基于Mumford_shah模型的水上桥梁目标分割与识别[J]. 红外与激光工程,2006,35(4):499-504.

[11]陈超,秦其明,陈理. 基于地物光谱特征分析的高分辨率遥感图像水上桥梁提取[J]. 光谱学与光谱分析,2013,33(3):718-722.

[12]郭莉莉,陈忠,张宁新. 改进的Lidar数据桥梁提取算法研究[J]. 计算机工程与设计,2014,25(6):2072-2083.

[13]陈生,王宏,沈占锋. 面向对象的高分辨率遥感影像桥梁提取研究[J]. 中国图象图形学报,2009,14(4):585-590.

[14]易文斌,唐宏,杨晋科. 面向对象的灾害信息遥感提取框架及其应用[J]. 自然灾害学报,2009,18(5):157-162.

[15]段光耀,宫辉力,李小娟. 结合特征分量构建和面向对象方法提取高分辨率卫星影像阴影[J]. 遥感学报,2014,18(4):760-770.

[16]张俊,朱国龙,李妍. 面向对象高分辨率影像信息提取中的尺度效应及最优尺度研究[J]. 测绘科学,2011,36(2):58,107-109.

[17]买买提·沙吾提,塔西甫拉提·特依拜,丁建丽. 面向对象的干旱区盐渍地信息提取方法研究[J]. 中国沙漠,2013,33(5):1586-1592.

[18]冉有华,李文君. TM图像土地利用分类精度验证和评估[J]. 遥感技术与应用,2003,18(2):81-86.

[19]张行清,丁美花,陈燕丽. 基于HJ-1卫星遥感的广西水库水面监测[J]. 水利学报,2014,45(4):427-434.

[20]李加林,曹罗丹,浦瑞良. 洪涝灾害遥感监测评估研究综述[J]. 水利学报,2014,45(3):253-260.

[21]杨述斌,彭复员. 数学形态学在图像处理中的应用于发展[J]. 武汉化工学院学报,2004,26(1):70-73.

[22]刘文洪,万甜,程文娟. 基于图像二值化处理的气泡羽流不稳定结构分析[J]. 水利学报,2009,40(11):1369-1373.

[23]黄贝莹,左小青. 基于数学形态学的IKONOS影像提取建筑物高度方法研究遥感信息[J]. 遥感信息,2014,29(2):68-76.

[24]胡译,唐斌,王海. 基于形态学的栅格图像矢量化预处理[J]. 测绘与空间地理信息,2014,37(1):172-173.

[25]梁菲,谭衢霖,刘亚岚. 国产“环境一号”(HJ-1)卫星遥感影像桥梁提取研究[J]. 测绘工程,2011,20(5):13-17.

[26]崔屹. 图像处理与分析:数学形态学方法及应用[M]. 北京:科学出版社,2002.

[27]丁蕾,廖同庆,陶亮. 基于SVR的多传感器数据融合处理方法[J]. 传感技术学报,2011,24(5):710-713.

[28]唐晓芬,侯迪波,俞丞. 基于改进水平集方法的高分辨率遥感图像道路提取[J]. 传感技术学报,2010,23(2):229-234.

[29]黄焱,曲平,姜淼. 基于易康平台的高分辨率影像在测绘生产中的地物提取[J]. 测绘与空间地理信息,2013,36(12):146-147.

Object-Oriented Extracting Bridges Information Based on China-Made GF-1*

YUANZe1,2,DINGJianli1,2*,WANGJiao1,2,CHENWenqian1,2,LIXiang1,2,HUANGShuai1,2

(1.College of Resources and Environment Science;Xinjiang University,Urumqi 830046,China;2.College of Resources and Environment Science;Xinjiang University,Urumqi 830046,China)

Based on China-made GF-1,high spatial resolution remote sensing image as data sources,using object-oriented method based on rules to achieve the goal of high spatial resolution image in the bridge of the extraction. First,through a large number of multi-scale segmentation experiments,the optimal segmentation scale according to the underlying surface feature selection;Secondly,useing of water body index,the threshold function method to establish rules,such as gradually access to water and the potential bridges vector files;Then,by using binarization processing,mathematical morphology algorithm,overlay analysis and so on operation,The ultimate success of extraction bridge targets. Results that the method can accurately and efficiently extract the information of bridges,the overall accuracy of over 90%,the Kappa coefficient of more than 85%,the results of the study or to the research and application of domestic high image processing system to provide some scientific reference.

GF-1;bridge;optimal segmentation scale;object-oriented;mathematical morphology

袁 泽(1991-),男,汉族,新疆伊犁人,硕士研究生,主要从事干旱区资源环境及遥感应用研究,yuanze_vip@163.com;

丁建丽(1974-),男,汉族,山东成武人,教授,博士生导师,主要从事干旱区资源环境及遥感应用研究,12848454278@qq.com。

项目来源:高分辨率对地观测重大专项项目(民用部分)(95-Y40B02-9001-13/15-03-01);国家自然科学基金项目(U1303381,41261090,41130531,41161063);教育部新世纪优秀人才支持计划项目(NCET-12-1075);教育部长江学者计划创新团队计划项目(IRT1180);新疆维吾尔自治区青年科技创新人才培养工程项目(2013711014);霍英东青年教师基金项目(121018)

2014-11-30 修改日期:2015-02-12

C:7230

10.3969/j.issn.1004-1699.2015.05.014

TP753

A

1004-1699(2015)05-0690-07