APP下载

“高分二号”卫星数据面向对象的海岸线提取法

2015-10-11吴小娟肖晨超崔振营刘肖姬

航天返回与遥感 2015年4期
关键词:海岸线面向对象尺度

吴小娟 肖晨超 崔振营 刘肖姬

(1 武汉大学遥感工程学院,武汉 430027)

(2 中国国土资源航空物探遥感中心,北京 100083)

(3 中南大学地球科学与信息物理学院,长沙 410083)

(4 中国地质大学北京地球科学与资源学院,北京 100083)

0 引言

2014年8月19日,“高分二号”(GF-2)卫星的成功发射是我国遥感事业的“里程碑”,实现了亚米级空间分辨率、多光谱综合光学遥感数据获取,攻克了轻型相机及卫星系统设计难题,突破了高精度高稳定度姿态机动、高精度图像定位,提升了低轨道遥感卫星长寿命高可靠性能,对于推动我国卫星工程水平提升,提高我国高分辨率对地观测数据自给率具有重要意义[1]。由于其同时还具有高辐射精度、高定位精度和快速姿态机动能力等特点,可以预测,GF-2卫星数据在国土资源调查与监测、城乡规划监测、交通路网规划、环境监测等领域都将发挥重要的作用[2-3]。在国土资源开发和应用中,地处海陆之交的海岸线地带凭借其自身丰富的自然资源和优越的地理位置成为人类竞争和开发的重要区域[4-5]。我国海岸线长达18 000km,居世界第四位,所以采用有效的技术手段对海岸线数据进行提取监测、开发应用极具重大意义。

由于受到海岸侵蚀、淤涨、海平面上升等的变化和人工堤坝、围垦、采砂等社会因素的影响,海岸线变化较大[6],目前对海岸线具体位置的定义现在还存在些许分歧,如低潮线、沿海岸滩与平均海平面的交线、平均高潮线、多年大潮高潮线或痕迹线、最大风暴潮所能达的位置等。由遥感解译提取的海陆分界线未能考虑悬浮泥沙、潮位、季节等因素的影响,实际为某一时刻的水边线,即某一时刻海水与陆地的瞬时交界线[7],统称为海岸线。

传统的海岸线提取方法主要有实地测量法和摄影测量法[4],不但费时费力,而且精度较低,更新速度慢,已远远不能满足现有需求。随着遥感、计算机技术的发展,通过对遥感影像的解译成为海岸线提取的新手段[8-10]。现有的遥感解译海岸线方法分为目视解译和自动解译两种,其中自动解译方法得到普遍的应用,如阈值分割法、边缘检测法、区域生长提取法、神经网络法和面向对象法等[4]。面向对象法是一种新兴的遥感图像解译方法,该方法通过对影像的分割,使同质像元组成大小不同的对象,从而实现较高层次的遥感图像分类和目标地物提取[11-13]。由于突破了传统遥感影像分类方法以像元为基本分类和处理单元的局限性,相较于其他以像元为基础进行分类的方法,面向对象方法更为方便,所需时间较少,效率更高,在大范围、海量影像分类中优势明显[14]。

文章以深圳大鹏半岛地区为例,通过对 GF-2卫星数据预处理并采用面向对象方法,选取合适的分割尺度、影像光谱特征、图斑剔除、类别合并等操作,对深圳部分海岸线进行了提取。由于海岸线检测涉及的地理空间尺度一般较大,并且部分海岸带地区现场测绘困难,使得检测结果缺乏必要的精度验证,所以现有研究绝大多数是将海岸线提取结果同原图像进行叠加比较[4]。本文将研究区海岸线提取结果与GF-2卫星影像叠加比较分析,结果较为理想。

1 GF-2卫星数据介绍

GF-2卫星的空间分辨率优于1m,定位精度50m,寿命为5~8年,是迄今为止我国研制的空间分辨率最高的民用遥感卫星,同时还具有高辐射精度、高定位精度和快速姿态机动能力等特点。GF-2卫星地面像元分辨率为全色1m,多光谱4m,幅宽为45km,其卫星指标参数如表1所示[15]。

表1 GF-2卫星指标参数Tab.1 Parameters of GF-2 satellite

2 海岸线提取方法

传统的海岸线提取方法主要分为实地测量法和摄影测量法[4]。其中实地测量法主要是利用经纬仪、全站仪、GPS等测绘仪器测量海岸线拐点坐标,然后连接成线,精度较低且效率不高,不易于大面积探测和应用推广[4-5,16]。摄影和遥感技术的快速发展成为海岸线提取的新手段。摄影测量法一般是通过对飞机搭载摄影仪器拍摄的航片人工解译、调绘海岸线。与实地测量法相比,摄影测量法效率有所提高,但是更新速度仍然较慢。航天遥感技术的快速发展成为海岸线提取的新手段[8-10],其具有的全天候、大范围、高效、经济等优势大大弥补了传统海岸线测量方法的不足[16]。目前遥感海岸线提取利用的数据源有LandSat、SPOT、SAR、QuickBird、IKONOS 等影像[7]。

国内外研究学者对海岸线遥感解译进行了诸多研究,提出了许多方法,如目视解译、阈值分割法、边缘检测法、区域生长提取法、神经网络法和面向对象法等[4,7-14]。目视解译是遥感技术发展初期最常应用的方法,主要依靠人工目视手动解译,效率低下,精度不高,在现阶段已基本被其他解译方法取代。阈值分割法提取海岸线主要依据水体辐射反射率在近红外波段低于其他地物的原理,选择合适的阈值分离水体和非水体地物。由于阈值分割法简单易操作,所以是常用的海岸线提取方法之一。边缘检测法主要利用Canny、Soble、Laplace-Gauss、Prewitt和Roberts等核心算子对遥感影像中的水陆边缘进行检测,并进行结果优化处理,从而提取海岸线。区域生长法计算过程为选取种子点,然后通过合适的区域生长准则将种子周围相似元素合并到种子所在的区域中。神经网络法的结构由一个输入层、若干个中间隐含层和一个输出层组成,进行海岸线提取时的关键是建立神经网络模型和选取训练样本。以上方法均以遥感影像的像元为基础单位进行海岸线提取。

相对于其他方法,面向对象分类是将影像对象作为影像分析的基本单元,以自然对象为出发点,根据对象的几何特征、光谱特征以及影像对象间的语义关系将图像分割成为一个个在光谱、纹理和空间组合关系等特征单元[7]。面向对象分类法应用时不仅考虑地物的光谱信息,而且兼顾几何信息和拓扑信息,在高分辨率遥感影像分类中优势明显[11-14]。

3 实例分析

本文采用的GF-2卫星数据为2014年12月29日获取。由于影像获取时受到各种因素的影响会产生几何和辐射变形,所以需要通过影像预处理操作消除误差,以得到一个尽可能在几何和辐射上真实的图像,从而提高数据品质。GF-2卫星数据的预处理主要包括影像正射校正、图像配准、图像融合和裁剪等[17-18]。在采用面向对象进行海岸线提取时主要进行的处理有多尺度分割、分类、分类后处理[11-14],操作平台为ENVI软件与易康(eCognintion)软件。利用GF-2卫星影像提取海岸线处理流程见图1。

图1 海岸线提取流程Fig.1 Flow chart of coastline extraction

3.1 研究区介绍

深圳地处我国东南沿海,与香港一水之隔,东临大亚湾和大鹏湾,西濒珠江口和伶仃洋,南边与香港相连,北部与东莞、惠州接壤。区内有大小河流160余条,海岸线绵延260km,其中市区海岸线长达48km。沿海港口主要有:蛇口码头、福永码头、盐田码头、赤湾码头、妈湾码头、内河码头、东角头码头、下桐沙渔涌码头、大铲湾码头,并拥有包括罗湖口岸、皇岗口岸等多个大型口岸[19]。本文选取龙岗区大鹏半岛东侧海岸线为研究对象。研究区域内海岸线以自然海岸线为主,并有多个码头,陆地内分布枫木浪水库、河流等。研究区地理位置见图2。

图2 研究区地理位置图Fig.2 Location of studied area

3.2 基于面向对象方法海岸线提取

3.2.1 GF-2卫星数据预处理

GF-2卫星数据应用前,需要采用的预处理主要有正射校正、图像配准、融合和裁剪[17-18]。其中正射校正是对图像空间和几何畸变进行校正生成多中心投影平面正射图像的处理过程,可以纠正系统因素和地形产生的几何畸变;图像配准消除GF-2卫星遥感影像的1m全色数据和4m多光谱数据间同名点存在比较明显的几何偏差;对 GF-2卫星影像配准后的全色和多光谱数据进行影像数据融合,并将融合后的影像进行裁剪,得到研究区所在范围影像。数据预处理操作平台为ENVI软件。正射校正时参照研究区1:10 000的DEM高程图,正射模型选用自定义有理多项式系数文件图像正射校正模型(generic RPC and RSM)。图像配准时以1m全色数据为基准,依据分布均匀、合理的原则,采用手动选择控制点和软件自动配准功能相结合选取控制点,利用多项式拟合校正方法对4m多光谱影像数据进行校正,处理均方根误差控制在0.5个像元内,将配准后的全色和多光谱数据采用格拉姆-施密特(ram-schmidt)正交化方法行影像数据融合,最后对融合后的影像裁剪,得到研究区所在范围影像,见图3。

图3 GF-2卫星影像真彩色Fig.3 True color GF-2 image

由于研究区内影像真彩色显示时整体色调偏暗,所以在结果呈现时将 GF-2卫星近红外波段同时参与绿波显示,绿色波段加强后影像效果见图4。

图4 GF-2卫星绿波段加强后影像Fig.4 GF-2 image after strengthened greenband

3.2.2 海岸线提取

面向对象的遥感图像分类方法不仅基于光谱特征,还利用影像的质地、纹理对影像进行分割和分类,分类结果避免了斑点噪声,具有良好的整体性[20]。提取流程主要分为分割、分类、分类后处理,如小图斑消除、类别合并等。

(1)多尺度分割

在多尺度分割时,影像对象多边形的大小和数量随尺度的调整而变化。分割尺度值越大,所生成的对象层内多边形面积就越大,且数目越小,所需时间越短,然而会忽视细节体现,所以可以进行大目标类别的提取,如森林、草原、海水、湖泊等;小尺度分割生成的对象层内多边形面积较多,数量大,所耗时间也较长,可以更好地区分细节,主要应用于房屋、道路、地标等小目标的分类[21]。在对复杂区域进行分类时,一般采用建立多种分割尺度图层的方法进行分层、逐步提取。由于本文提取对象主要为海岸线,对其他地物的具体分类并不涉及,所以在获得完整、均一的海域对象的基础上,依据分割效率达到最高的原则进行影像分割,分别对研究区影像采用300、100、50尺度进行分割,效果如图5。300尺度分割效率最高,然而对某些海边人工建筑边线等细节区分较差;50尺度分割细节都得到了区分,然而所需时间较长;以100为尺度进行分割较为得当,整体分割效果较好,细节处也得到了体现,效率较高。

图5 多尺度分割效果Fig.5 Results of multi-resolution segementation

(2)分类及后处理

在利用 GF-2卫星数据进行海岸线提取时,主要依据的理论为水体在近红外波段具有强吸收性,在影像近红外波段呈现暗色,所以对 GF-2卫星近红外波段选取合适的阈值分离水体和非水体,其中水体为蓝色显示。从图6中可以看出,包括海水、水库、河流等水体和码头建筑、船只、陆地等非水体都得到了较好的区分。

图6 采用面向对象方法初步分类结果Fig.6 Preliminary classification result by using object-oriented method

由于本研究主要对海岸线进行提取,所以将陆地内水库等陆地水体从水体分类中剔除,同时将海面船只从非水体分类中剔除,消除其他因素的影响,再分别对两种类别所在多边形进行合并,此时影像分为海水和非海水两类。由于研究区内有部分河流直接与海水相连,所以入海河流所在位置的海岸线提取也是众多研究中需要考虑的问题之一[22-23]。河海界线划分是一项复杂的系统工程,涉及社会、经济、环境等多个领域。国际上有关海陆界线的规定和认知也不尽相同。我国多个沿海省市已经开展的海陆划界实践表明,利用河口岸线的几何形态、地质地貌以及水文要素的分布和演变规律等确定河海界线,具有较好的可靠性。划分原则主要为:保留大型河口的港湾特征;反映河口处沙咀、沙洲和 潟 湖地貌;表现河口的喇叭状形态;不对称河渠视河口形态择定,河口分界线一般定在河流缩窄或两岬曲率最大处。本文在采用面向对象方法进行海岸线提取时,依据上述原则及经验采用收缩法对海水进行调整,即将入海河流处的海岸线向海洋方向收缩至沙滩处,并保留入海河流的喇叭状形态,见图7。最终得到图3所示研究区海岸线的提取结果(见图8)。研究区海岸线与影像叠加效果见图9。

图7 入海河流收缩处理前后对比Fig.7 Comparison of river shrinkage before and after shrinkage

图8 海岸线提取Fig.8 Result of coastline extraction

图9 研究区海岸线与影像叠加效果Fig.9 Superposition effect of coastline and GF-2 data

4 结束语

在国土资源调查与监测中,海岸线的提取与监测意义重大,不仅对沿海的滩涂面积、湿地生态系统衰退等具有重要的指示作用;同时是全球环境变化、海岸环境变化以及人为活动相互作用的结果和综合反映。本文以大鹏半岛为研究对象,对 GF-2卫星影像进行正射校正、配准、融合和裁剪等预处理,再利用面向对象方法对研究区的海岸线进行解译,并对河口海陆分界进行了初步的探讨研究。由于部分海岸带地区现场测绘困难,且海岸线检测涉及的地理空间尺度一般较大,所以利用遥感手段提取海岸线的结果精度验证较为困难。本文通过将提取与 GF-2卫星影像相叠加进行效果验证,证明提取的海岸线比较理想,基本满足了遥感卫星影像自动提取的需求,且简单易操作,效率高。

References)

[1]徐庆鹤, 范立佳, 高洪涛, 等. 遥感卫星平台与载荷一体化构型[J]. 航天返回与遥感,2014, 35(4): 9-16.XU Qinghe, FAN Lijia, GAO Hongtao, etal. Integrated Configuration Design of Platform and Payload for Remote Sensing Satellite[J]. Spacecraft Recovery amp; Remote Sensing, 2014, 35(4): 9-16. (in Chinese)

[2]殷礼明, 葛之江, 刘品雄, 等. 卫星遥感与海洋地质调查[J]. 航天返回与遥感, 2001, 22(2): 40-43.YIN Liming, GE Zhijiang, LIU Pinxiong, etal. Spacecraft Remote Sensing and Oceanographic Survey[J]. Spacecraft Recovery amp; Remote Sensing, 2001, 22(2): 40-43. (in Chinese)

[3]何明一, 畅文娟, 梅少辉. 高光谱遥感数据特征挖掘技术研究进展[J]. 航天返回与遥感, 2013, 31(1): 1-12.HE Mingyi, CHANG Wenjuan, MEI Shaohui. Advance in Feature Mining from Hyperspectral Remote Sensing Data[J].Spacecraft Recovery amp; Remote Sensing, 2013, 31(1): 1-12. (in Chinese)

[4]申家双, 翟京生, 郭海涛. 海岸线提取技术研究[J]. 海洋测绘, 2009, 29(6): 74-77.SHEN Jiashuang, ZHAI Jingsheng, GUO Haitao. Study on Coastline Extraction Technology[J]. Hydrographic Surveying and Charting, 2009, 29(6): 74-77. (in Chinese)

[5]丁丽霞, 周斌, 张新刚, 等. 浙江大陆淤涨型海岸线的变迁遥感调查[J]. 科技通报, 2006, 22(3): 292-298.DING Lixia, ZHOU Bin, ZHANG Xingang, etal. Continental Coastline Change Research by Remote Sensing in the Zhejiang Province[J]. Bulletin of Science and Technology, 2006, 22(3): 292-298. (in Chinese)

[6]姜义, 李建芬, 康慧, 等. 渤海湾西岸近百年来海岸线变迁遥感分析[J]. 国土资源遥感, 2003, 58(4): 54-58.JIANG Yi, LI Jianfen, KANG Hui, etal. A Remote Sensing Analysis of Coastline Changed Along the Bohai Bay Muddy Coast in the Past 130 Years[J]. Remote Sensing for Land amp; Resources, 2003, 58(4): 54-58. (in Chinese)

[7]张明, 蒋雪中, 张俊儒, 等. 遥感技术提取海岸线的研究进展[J]. 地域研究与开发, 2009, 28(1): 101-105.ZHANG Ming, JIANG Xuezhong, ZHANG Junru, etal. Progress of Researches in Coastline Extraction Based on RS Technique[J]. Areal Research and Development, 2009, 28(1): 101-105. (in Chinese)

[8]Le M J, Tilton J C. Refining Image Segmentation by Integration of Edge and Region Data[J]. IEEE Trans Geosci Remote Sens,1995, 33: 605-615.

[9]Dellepiane S, Laurentiis R D, Giordano F. Coastline Extra-ction from SAR Images and a Method for the Evaluation of the Coastline Precision[J]. Pattern Recognition Letters, 2004, 25: 1461-1470.

[10]马小峰, 赵冬至, 张丰收, 等. 海岸线卫星遥感提取方法研究进展[J]. 遥感技术与应用, 2007, 22(4): 575-580.MA Xiaofeng, ZHAO Dongzhi, ZHANG Fengshou, etal. An Overview of Means of Withdrawing Coastline by Remote Sensing[J]. Remote Sensing Technology and Application, 2007, 22(4): 575-580. (in Chinese)

[11]陈云浩, 冯通, 史培军, 等. 基于面向对象和规则的遥感影像分类研究[J]. 武汉大学学报: 信息科学版, 2006, 31(4):316-320.CHEN Yunhao, FENG Tong, SHI Peijun, etal. Classification of Remote Sensing Image Based on Object Oriented and Class Rules[J]. Geomatics and Information Science of Wuhan University, 2006, 31(4): 316-320. (in Chinese)

[12]Bhaskaran S, Paramananda S, Ramnarayan M. Per-pixel and Object-oriented Classification Methods for Mapping ur-ban Features Using Ikonos Satellite data[J]. Applied Geog-raphy, 2010(30): 650-665.

[13]Han N, Wu J, Tahmassebi A R S. NDVI-based Lacunarity Texture for Improving Identification of Torreya Using ob-ject-oriented Method[J]. Agricultural Sciences in China, 2011, 10(9): 1431-1444.

[14]贾明明, 刘殿伟, 王宗明, 等. 面向对象方法和多源遥感数据的杭州湾海岸线提取分析[J]. 地球信息科学学报, 2013,15(2): 262-269.JIA Mingming, LIU Dianwei, WANG Zongming, etal. Coastline Changes in Hangzhou Bay Based on Object-oriented Method Using Multi-source Remote Sensing Data[J]. Journal of Geo-information Science, 2013, 15(2): 262-269. (in Chinese)

[15]中国资源卫星应用中心.“高分二号”卫星介绍[EB/OL]. (2015-03-09)[2015-03-13]. http//www.cresda.com/n16/n1130/n192766/192878. html .China Centre for Resources Satellite Data and Application. The Introduction of GF-2 Satellite[EB/OL].(2015-03-09)[2015-03-13]. http//www. cresda. com/n16/n1130/n192766/192878. html . (in Chinese)

[16]孙伟富, 马毅, 张杰, 等. 不同类型海岸线遥感解译标志建立和提取方法研究[J]. 测绘通报, 2011, (3): 41-44.SUN Weifu, MA Yi, ZHANG Jie, etal. Study of Remote Sensing Interpretation Keys and Extraction Technique of Different types of Shoreline[J]. Bulletin of Surveying and Mapping, 2011, (3): 41-44. (in Chinese)

[17]赵莹, 王环, 方圆. 基于WorldView-2的遥感影像预处理[J]. 测绘与空间地理信息, 2014, (6): 165-167.ZHAO Ying, WANG Huan, FANG Yuan. Remote Sensing Image Processing Based on Worldview-2[J]. Geomatics amp; Spatial Information Technology, 2014, (6): 165-167. (in Chinese)

[18]杨燕杰, 赵英俊, 秦凯, 等. 高光谱影像预处理技术[J]. 科技导报, 2013, 31(9): 65-67.YANG Yanjie, ZHAO Yingjun, QIN Kai, etal. Preprocessing Techniques for Hyperspectral-images[J]. Science amp; Technology Review, 2013, 31(9): 65-67. (in Chinese)

[19]李猷, 王仰麟, 彭建, 等. 深圳市1978年至2005年海岸线对动态演变分析[J]. 资源科学, 2009, 31(5): 875-883.LI You, WANG Yanglin, PENG Jian, etal. Research on Dynamic Changes of Coastline in Shenzhen City Based on Landsat Image[J]. Resource Science, 2009, 31(5): 875-883. (in Chinese)

[20]Walter V. Object-based Classifieation of Remote Sensing Data for Change Detection[J]. Journal of Photogrammetry amp; Remote Sensing, 2004(58): 225-238.

[21]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):107-109.ZHANG Jun, ZHU Guolong, LI Yan. Scale Effect and Optimal Scale in Object-oriented Information Extraction of High Spatial Resolution Remote Sensing Image[J]. Science of Surveying and Mapping, 2011, 36(2): 107-109. (in Chinese)

[22]于健, 吴桑云, 李萍. 我国入海河流河口地区海陆分界线划分方法研究[J]. 海岸工程, 2003, 22(2): 51-59.YU Jian, WU Sangyun, Li Ping. Study on the Method for Delimiting Sea-land Demarcation Line in Chinese River Estuary area[J]. Coastal Engineering, 2003, 22(2): 51-59. (in Chinese)

[23]许建平, 杨义菊. 钱塘江与杭州湾河海界线对划分[J]. 海洋学研究, 2007, 25(10): 44-54.XU Jianping, YANG Yiju. The Division of Boundary between Qiantang River and Hangzhouwan Bay[J]. Journal of Marine Sciences, 2007, 25(10): 44-54. (in Chinese)

猜你喜欢

海岸线面向对象尺度
GEE平台下利用物候特征进行面向对象的水稻种植分布提取
财产的五大尺度和五重应对
面向对象方法在水蓄冷PLC编程中应用分析
面向对象的组合软件工程研究
徒步拍摄英国海岸线
徒步拍摄英国海岸线
徒步拍摄英国海岸线
徒步拍摄英国海岸线
宇宙的尺度
9