多特征融合的遥感影像河流提取方法研究

杨国俊 长江水利委员会网络与信息中心

毛继宗 自然资源部重庆测绘院

场景分类的目的是给当前图像分配对应的语义标签,是遥感图像语义解译的重要手段。因此，如何在图像中捕捉具有鉴别性的特征并取得精确的图像分类结果是遥感场景图像分类亟待解决的难题。

1.河流

1.1 河流基本特征

为了准确识别遥感图像上的各种地物，主要是基于遥感图像上各种地物的差异、特征和几何特征。河流特征有三个特点。第一、几何特征:由于某些因素的影响，城镇的河流通常以条状出现，一般有弯曲部分，宽度大致相等，而农村的河流一般宽度变化较大，但从宏观上看，一定是长条状。第二，物理辐射特征：河流表层在相应的范围内受到的辐射程度比较均匀，但是由于河流受到破坏的程度有所差异，受到阳光的辐射程度也有所差异。第三，树枝式的拓扑特征：河流的分支形态根据境况的不同多拓扑的构造也是有所差异的，但是其构造大都以树杈的形式出现，直至分支尾部水源干涸。上述所说特征导致河流和周边地物境况间具有较大差别，较易分辨，并且按照这部分特征，河流的形体特点极具特殊性，和其他地物特点有较大差别。

1.2 河流提取的基本过程

对影像进行预处理—对影像进行分割式的低级别处理—对影像进行选择和分析式的中级处理—高级别处理（包括智能解译、解译知识库建立等）—河流标志和运用

2.多特征融合

大多数传统的图像分类方法都是基于光谱特征，许多研究表明，根据光谱特征区分植被和非植被、水体或非水体的能力可以提高准确性。随着低空摄影测量的发展，特别是无人机技术的迅速发展，一些城市建设和地形测绘项目倾向于使用成本较低的无人机图像，其中一个问题是如何有效地提取建筑物。由于城市土地基本上与建筑物材料相同，而且其光谱信息相似，利用光谱特征从不透水的土地上提取建筑物几乎没有什么好处，国内外研究人员进行了大量研究，以提高图像分类的准确性。开发一种基于对象的多集成建筑提取方法有助于有效区分道路和建筑，并改进分类结果。采用灰度微分向量法提取图像纹理特征，辅以光谱特征，采用BP神经网络分类法对高分辨率图像进行分类。从彩色遥感图像提取建筑物时，通过将RGB转换为HIS以提取建筑物的阴影，可以考虑阴影对提取结果的影响。这些阴影特性使建筑物更易于提取，因为在彩色遥感图像中，阴影与建筑物明显分开，并且其颜色比建筑物颜色更深。大量基于融合地物对象的光谱特征、纹理特征以及阴影、噪声的多特征融合算法被用于提取特定地物对象，采用多分类器和多尺度划分相结合的方法，通过各种实验证明了各自的有效性。

3.遥感影像提取方法现状

目前从遥感图像中提取水体的方法通常使用基于监测的分类方法，这种分类方法基于地面水对近/中红外波段的敏感性，并使用统计阈值提取水体信息。还可以通过计算不同图像带之间的总体关系，利用多光谱成像信息提取水体，这可以分为水体指数法和光谱关系法。罗建城等人以大地卫星为数据来源，根据标准化的差分水指数法，采用迭代的分步空间转换机制可以实现湖泊水信息的自动提取。改进了基于TM图像多光谱特征的多光谱关系，用于小批量山区水提取。Shen Jinxiang等人利用面向对象的图像分析方法从山区lactm图像中提取水体信息。利用标准差水指数和标准植被差水指数对资源1第02c帧进行的可行性研究提出了一种更适合资源1第02c帧的决策树水体信息提取方法。随着图像空间分辨率的提高，水体的空间分布、卫星图像的分辨率和水体提取方法的选择也有所不同。阴影在高层建筑、桥梁、树木等中更为常见。这种情况妨碍了关于城市水体和河流的信息的提取，因为在中分辨率和低分辨率卫星遥感图像上，这种信息通常比较狭窄，难以识别。使用模糊c均值算法对图像进行初步分类，然后使用最小邻域聚类方法优化分类结果，消除水柱虚假信息，快速提取水柱信息，但提取方法的水柱轮廓不清楚。郁晓生等利用测地线的自动学习和活动剖面提取水柱边界信息的方法，可以有效避免水柱边界提取的模糊性问题，但算法的粗提取效果仍存在问题。

4.多特征融合的遥感影像河流提取方法研究

4.1 纹理特征

通过对遥感图像的观察，分布形式均匀是河流的第一大特征，覆盖范围比较广；在背景区域分布的辨识度比较高，但是面积不大。纹路的特点映射出的是图像和图像区域中对象的表层特质。针对比较均匀的纹路，其中部分区域灰度的过渡情况、像元的分布情况是对等的或者是类似的；针对不一样的纹路，其中部分区域灰度的过渡情况、像元的分布情况有着显著差别。因此，河流部分的纹路具有较高相似度，但是背景部分的纹路却是完全不同的。所以，可以通过纹路对河流部分与背景部分进行有效区分。

4.2 水体边界初始结果优化

通过机器学习机中的分类设备对整个遥感影像中的所有目标实施检验工作和辨识工作，分辨影像中特定部分是不是河流或者湖泊。初步检验出的成果中势必会有误检的部分，其中包含不是水域的误检目标和水域中的误检目标。所以，必须针对初步的检测成果加以分析整理，将误检的部分删除，强化整个检测成果的精准度。

4.3 基于形态学处理的优化

针对粗略检测出的图像实施形态方面的整理，因为闭操作能够对物体中较小的空缺进行填充、对相近的物体进行链接、在对物体没有显著改变的状态下对其边缘能够起到平滑作用，对于检测成果中河流部分遗漏的检测点，能够利用闭操作来进行剔除。在粗略的检测成果内背景部分有和河流类似的单独存在的小胞元，经常会将这种小胞元错误判别为河流，通过开操作能够对较小的物体进行剔除、在纤细点处对物体进行分隔、在对面积较高物体的边缘进行平滑时，对其大小会有微小的改变，能够用在剔除单独存在的错误检测点上。而后在空洞填充的作用下将河流部分的微小空洞剔除。

4.4 实验结果分析

通过对本文算法的运用，对遥感图像开展检测工作，将纹路研究的河流检测算法当作基础，对其中的试验成果进行对比，对算法的适用性进行检验。下图1a主要是验证在分辨率较高的遥感图像上水库和河流之间的对比。下图1b是纹路分析算法在河流对象提取中的实验结果，因为水库与郊野的影响，纹路分析算法检验出的成果不是很准确。下图1C是通过本文算法得出的河流检测成果。本文算法中融合了角点信息特点，有效规避了水库带来的影响，通过GAC模型对河流对象的准确部分进行了获取，获得了理想的检测成果。

5.结束语

在遥感图像中检测分辨河流的过程中，通过单一性的特征分类设备通常无法收获较好的辨识效果，基于此对河流进行详细观测，在分类器的帮助下能够获得良好的初始检验成果。在众多试验下表明，所提算法可以在背景十分繁杂的情况下精准辨识出河流。