基于SPOT 5图像的岩溶地貌单元自动提取方法
杨树文1, 谢飞1, 冯光胜2, 刘涛1
1.兰州交通大学数理与软件工程学院,兰州 730070
2.铁道第四勘察设计院,武汉 430063

第一作者简介: 杨树文(1975-),男,博士, 副教授,主要从事遥感数字图像处理、遥感信息检测及提取、工程地质遥感解译等方面的研究。E-mail: yangshuwen@mail.lzjtu.cn

摘要

通过对峰林、峰丛和岩溶洼地3者的地理特征和影像特征的研究,基于遥感图像本底值提出了能有效反映目标特征的遥感指数——植被指数、土壤亮度指数、图像主成分变换第1主成分值及地形数据等,并构建了遥感指数的集成计算法,建立了遥感自动提取模型。指数集成运算法能够有效地增大峰丛、峰林与其他地物之间的光谱差异,使这些岩溶地貌单元的灰度值高于其他地物,从而利于岩溶地貌单元提取阈值的自动选取。基于构建的遥感自动提取模型先提取了峰丛、峰林信息,并在此基础上提取了岩溶洼地信息。经实验研究表明,该方法具有较高的提取精度和效率。

关键词: 峰林峰丛; 岩溶洼地; 遥感图像本底值; 自动提取
中图分类号:TP751.1 文献标志码:A 文章编号:1001-070X(2012)02-0056-05 doi: 10.6046/gtzyyg.2012.02.11
Automatic Extraction of Karst Landscape Elements Based on SPOT 5 Image
YANG Shu-wen1, XIE Fei1, FENG Guang-sheng2, LIU Tao1
1.School of Mathematics,Physics & Software Engineering,Lanzhou Jiaotong University,Lanzhou 730070, China
2.Fourth Survey and Design Institute of China Railway, Wuhan 430063, China
Abstract

To study the geographical features and image features of peak-cluster, peak-forest and karst depression, this paper puts forward some remote sensing indices based on background values of remote sensing images, such as vegetation index, soil brightness index,and PC1 of principal component transformation of the image and terrain data. Meanwhile,the integrated calculation method of remote sensing indices is proposed, and the automatic extraction model of remote sensing is created. The integrated calculation method of the indices could effectively increase spectral differences between peak-cluster, peak-forest and other surface features. The gray values of peak-cluster and peak-forest are the highest in the image so as to obtain segmenting value for accurate extraction of them based on automatic selection algorithm of threshold. Based on automatic extraction model of remote sensing,this paper puts forward some information of peak-cluster and peak-forest. On such a basis,karst depression information is extracted. Experimental studies show that the method has high accuracy and efficiency of extraction.

Keyword: peak-cluster and peak-forest; karst depression; background value of remote sensing image; automatic extraction
0 引言

不同的岩溶地貌往往能反映岩溶的不同发育阶段[1], 峰林、峰丛、孤峰和岩溶洼地是岩溶发育后期阶段的产物, 对工程地质选线、选址具有重要影响。线路应绕避大型岩溶洼地、岩溶槽谷中央、地表串珠状漏斗、线状排列洼地等岩溶发育极强烈的地区[2]。另外, 相对高差较大的峰丛洼地、峰林洼地是石漠化较易发生的地带[3]

遥感图像视域广阔、信息量大, 在识别地层、断裂构造、岩溶地貌等方面具有其他勘测方法所不及的优点, 尤其更适用于我国南方裸露型岩溶地区[4]。然而, 各类岩溶信息的遥感解译目前仍以目视解译为主, 在岩溶石漠化信息识别、自动分类方面研究较少, 童立强[5]对西南岩溶石山地区石漠化信息的自动提取方法进行了研究; Huang等[6]利用GIS技术和径向基函数网络模型对贵州省的岩溶石漠化情况进行了分析评价研究; 况顺达等[7]利用改进增强型植被指数模型对岩溶石漠化信息增强技术进行了研究; 刘国珍等[3]采用增强植被指数提取石漠化信息。上述方法主要涉及石漠化信息的增强、识别和分类, 对峰林、峰丛和岩溶洼地等影响工程地质选线的要素方面研究不足; 且相关研究多以TM图像为数据源, 很少有基于SPOT 5图像的。

本文基于SPOT 5图像, 通过研究岩溶区遥感图像的本底值特征, 构建了峰林、峰丛及岩溶洼地的遥感自动提取模型, 并以鄂西十宜铁路兴山段的SPOT 5图像为例进行了实验研究, 取得了较好的效果。

1 本底值特征
1.1 岩溶区地理及影像特征

岩溶区通常是指岩石裸露, 植被不发育, 具有溶洞、落水洞、地下河, 且缺乏地表河流和湖泊的碳酸盐岩分布地区。在缺水少土的岩溶发育地区, 由于人为活动的干扰和破坏, 导致岩溶区土壤流失, 基岩大面积裸露, 最终变成石漠。遥感图像上植被不发育是岩溶区典型的影像特征之一。在岩溶地貌单元中, 岩溶盆地和岩溶洼地遭受土壤侵蚀比较严重, 植被发育程度差; 而在峰林、峰丛和孤峰地区, 植被发育相对较好。

鄂西兴山县的SPOT 5假彩色合成图像(B1(R), B2(G), B3(B)波段组合)见图1

图1 SPOT 5假彩色合成图像Fig.1 SPOT 5 false color composite image

图1中红色区域是岩溶区的峰林、峰丛及孤峰, 青色区域是岩溶盆地及岩溶洼地, 灰白色区域是裸露的基岩。峰林(尤其是孤峰)在图像上呈现为单一的椭圆状图斑或串珠状图斑, 具有较为明显的形状特征、边缘特征和纹理特征。在建的“ 十宜” 铁路部分路段经过岩溶地区。

1.2 岩溶区遥感图像本底值特征

反映自然环境最初本来面貌的数值称为本底值[8]。由于人类活动的长期作用等因素, 反映自然环境的本底值变得难以获取, 因此对自然环境本底值的研究目前实际上只立足于现状, 即主要是对背景值和基线值的研究, 总体来说, 都可统称为本底值。传感器能够通过地物辐射、反射的电磁波能量来获取地物现状的各种信息, 包括表面的和潜在的信息。

能够反映地物要素本底信息的指数很多, 如植被指数、土壤亮度指数、湿度指数、热度指数、水体指数、气象指数、缨帽变换指数、K-L变换指数及地形数据等[9, 10, 11]。通过对岩溶地貌单元的地理特征和影像特征的详细研究, 本文认为能够有效地反映岩溶区影像特征的遥感图像本底值特征主要为植被指数、土壤亮度指数、DEM数据和第1主成分变换值。

1.2.1 植被指数

目前, 可用于植被计算的遥感指数有很多, 常用的有比值植被指数(RVI)、归一化差值植被指数(NDVI)和修正型土壤调节植被指数(MSAVI)等。其中, NDVI是目前最为常用的植被指数, 能够比较有效地提取植被信息, 其针对SPOT 5 图像的计算公式为

NDVI=(ρ NIR-ρ RED)/(ρ NIR+ρ RED)。(1)

式中: ρ NIRρ RED分别为近红外波段和红波段的地物表观反射率; NDVI为植被指数。

NDVI计算结果见图2, 图中白色和灰白色代表植被发育的地区, 黑色和灰黑色代表没有植被或植被不发育的地区。

图2 NDVI计算结果Fig.2 Result of NDVI calculation

1.2.2 土壤亮度指数

岩溶盆地、岩溶洼地和裸露的基岩具有较高的光谱反射率, 因此可用土壤亮度指数来计量。常用的土壤亮度指数有归一化差值地面指数(NDSI)和基于缨帽变换产生的土壤亮度指数(BI)。其中, NDSI是徐建春等[12]根据图像在可见光红光波段与绿光波段对土壤的响应特征与植被、水体等相反的特性提出的, 其针对SPOT 5 图像的计算公式为

NDSI=(ρ RED-ρ GREEN)/(ρ RED+ρ GREEN)。(2)

式中: ρ GREEN为绿波段的地物表观反射率; NDSI为土壤亮度指数。

NDSI计算结果见图3, 图中白色和灰白色代表植被不发育、土壤反射亮度值比较高的地区。

图3 NDSI计算结果Fig.3 Result of NDSI calculation

1.2.3 主成分变换

通过图像主成分变换提取的第1主成分(PC1)包括了90%以上的地物信息, 能够有效地用于地物类别的识别与分析。PC1的计算结果如图4所示, 各类岩溶地貌单元的边界更为清晰。

图4 PC1计算结果Fig.4 Result of PC1 calculation

1.2.4 指数集成运算

植被指数NDVI、土壤亮度指数NDSI及PC1从不同方面均反映了地物间的光谱差异和纹理差异。3种指数合成的图像见图5

图5 3种指数合成的假彩色图像Fig.5 False color image of composite the three indices

对3种指数合成的假彩色图像进行新的主成分变换, 并提取第1主成分(即指数集成计算结果), 能非常有效地将峰林、峰丛及孤峰与岩溶盆地的信息区分开来, 以利于后续算法的精确提取。指数集成计算结果如图6所示。

图6 指数集成计算结果Fig.6 Result of integrated calculation

指数集成运算所获取的图像(图6)中峰丛、峰林和孤峰的灰度值明显高于其他地物的灰度值, 这便于利用阈值分割算法提取目标信息。

图6中峰林、峰丛、孤峰及裸地的典型光谱值(拉伸到0~255)进行统计, 结果见表1(表中的裸地代表植被不发育的地块和裸露的基岩)。

表1 峰林、峰丛及裸地的光谱统计值 Tab.1 Spectral statistic values of peak-forest, peak-cluster and bare land

表1可得出第1主成分图像的特征为: ①峰林、峰丛及孤峰的灰度值最大, 均值为92.32, 远大于岩溶盆地、岩溶洼地的灰度均值(-196.24); ②有效消除了地形阴影的影响。

2 遥感自动提取模型

本文在大量研究和实验的基础上, 对基于多峰直方图的阈值自动选取算法进行了改进, 使改进的算法能够有效地获取目标信息的阈值。在指数集成计算模型、多峰直方图阈值自动选取和形态学滤波等图像处理方法的基础上, 本文构建了岩溶区峰林、峰丛及岩溶洼地的遥感自动提取模型, 该模型由6个重要部分组成(图7)。

图7 岩溶信息自动提取模型Fig.7 Automatic extraction model of karst information

1)图像预处理。为了消除因大气、地形等因素造成的误差, 需对原始图像进行大气校正; 同时, 为了统一投影参数和坐标系, 需进行几何精纠正等处理。

2)遥感图像本底值计算。基于NDVI, NDSI和PC1 3种指数值计算出新的灰度图像, 增大岩溶信息间的灰度值差异, 以便于利用阈值自动选取算法准确获取分割阈值。

3)坡度计算。在岩溶发育区, 峰丛、峰林存在于一定的坡度上, 基于DEM数据进行坡度筛选, 将坡度小于2° 的伪峰丛、伪峰林图斑信息删除。

4)阈值自动选取和形态学滤波。对3种指数集成计算的新的主成分灰度图像, 利用改进的多峰直方图阈值自动选取算法, 选取峰林、峰丛及孤峰的分割阈值, 并将目标信息提取出来。利用形态学膨胀和腐蚀滤波算法处理提取的目标图斑中存在的部分空洞和不连续(其原因在于目标像元并不是非常纯净, 其中夹杂少许其他地物类型)的现象。

5)峰林、峰丛及孤峰信息提取。对获取的目标信息进行栅格转矢量和图形简化处理, 从而提取出完整的目标信息。

6)岩溶洼地提取。岩溶洼地往往发育在较为封闭的峰丛、峰林中, 因此在峰林、峰丛及孤峰提取的基础上, 通过坡度、位置和面积等条件的筛选, 可进一步提取岩溶洼地信息。

3 实验分析

实验区位于湖北兴山县地区, 处于在建的“ 十宜” 铁路线经过的岩溶地区的部分路段, 采用的SPOT 5多光谱图像的空间分辨率为10 m, 获取日期为2007年9月21日。

利用本文方法提取该区的峰林、峰丛及孤峰, 由于岩溶洼地发育在封闭的峰丛、峰林中, 因此通过坡度、范围和面积等参数的筛选, 可进一步提取出岩溶洼地信息(图8)。

图8 峰林、峰丛及岩溶洼地提取结果Fig.8 Result of extracted peak-forest, peak-cluster and karst depression

将自动提取的峰林、峰丛及孤峰和岩溶洼地的信息叠加在实验区SPOT 5图像上, 如图9所示。

图9 提取结果与原始图像的叠加Fig.9 Superposition of extraction result and original images

将前期人工解译和系统自动提取的峰林、峰丛及孤峰和岩溶洼地信息分别与线路详勘的资料进行对比(表2)。

表2 目标信息提取精度对比 Tab.2 Accuracy comparison of target information extraction

表2分析可知, 峰林、峰丛及孤峰人工解译的精度比自动提取的精度略高, 利用自动提取模型而遗漏的图斑多分布于图像边缘, 这主要源于多边形闭合算法的边缘误差。岩溶洼地信息自动提取的精度只有78%, 主要原因是受到图像空间分辨率的影响, 面积较小的洼地未被识别或被算法筛选掉了。但是, 人工解译1景图像需要1~2 d的时间, 而自动提取只需10 min左右, 因此自动提取技术具有非常明显的效率优势。

4 结论

对遥感图像本底值的研究是构建目标信息自动提取算法的关键。植被指数、土壤亮度指数、DEM数据和SPOT 5图像主成分变换的第1主成分值都能在一定程度上反映峰丛、峰林的影像特征; 基于主成分变换方法构建的指数集成方法能更进一步增大目标信息与其他地物间的光谱差异, 从而利于用阈值自动选取算法获取准确的分割阈值。基于此, 本文构建的遥感自动提取模型, 可简洁、有效地提取出峰林、峰丛及孤峰信息, 并可进一步提取出岩溶洼地信息。

虽然本文在研究中进行了长期和大量的实验, 但还存在某些不足。能反映遥感图像本底值的指数和集成计算方法还需进一步扩展和研究; 文中的提取模型尚未引入形状、边缘和纹理等空间特征, 而这些信息的加入将会进一步提高模型的提取精度。

The authors have declared that no competing interests exist.

参考文献
[1] 刘湛省. 岩溶地区铁路工程地质勘察浅探[J]. 西部探矿工程, 2010, 22(7): 104-106. [本文引用:1]
[2] 曹化平, 王科. 铁路岩溶隧道工程地质选线研究[J]. 高速铁路技术, 2011, 2(1): 31-36. [本文引用:1]
[3] 刘国珍, 白惠芳, 李朝阳. 西南岩溶地区石漠化遥感监测特征分析[J]. 安徽农业科学, 2010, 38(16): 8543-8546. [本文引用:2]
[4] 光耀华. 岩溶地区工程地质研究的若干新进展概述[J]. 中国岩溶, 1998, 17(4): 378-383. [本文引用:1]
[5] 童立强. 西南岩溶石山地区石漠化信息自动提取技术研究[J]. 国土资源遥感, 2003(4): 35-39. [本文引用:1]
[6] Huang Q H, Cai Y L. Assessment of Karst Rocky Desertification Using the Radial Basis Function Network Model and GIS Technique: A Case Study of Guizhou Province, China[J]. Environ Geol, 2006, 49(8): 1173-1179. [本文引用:1]
[7] 况顺达, 戴传固, 王尚彦, . 岩溶石漠化遥感信息增强技术探讨[J]. 贵州地质, 2009, 26(1): 44-48. [本文引用:1]
[8] 陈振民. 环境本底值背景值基线值概念的商榷[J]. 河南地质, 2000, 18(2): 158-160. [本文引用:1]
[9] 江振蓝, 沙晋明, 杨武年. 基于GIS的福州市生态环境遥感综合评价模型[J]. 国土资源遥感, 2004(3): 46-48, 60. [本文引用:1]
[10] 李洪义, 史舟, 沙晋明, . 基于人工神经网络的生态环境质量遥感评价[J]. 应用生态学报, 2006, 17(8): 1475-1480. [本文引用:1]
[11] 江振蓝, 沙晋明. 植被生态环境遥感本底值研究——以福州市为例[J]. 福建师范大学学报: 自然科学版, 2008, 24(4): 80-85. [本文引用:1]
[12] 徐建春, 赵英时, 刘振华. 利用遥感和GIS研究内蒙古中西部地区环境变化[J]. 遥感学报, 2002, 6(2): 142-150. [本文引用:1]