结合笔画宽度变换与几何特征集的高分一号遥感图像河流提取

doi:10.6046/gtzyyg.2020.02.08

结合笔画宽度变换与几何特征集的高分一号遥感图像河流提取

张祝鸿, 王保云^,, 孙玉梅, 李才东, 孙显辰, 张玲莉

云南师范大学信息学院,昆明 650500

River extraction from GF-1 satellite images combining stroke width transform and a geometric feature set

ZHANG Zhuhong, WANG Baoyun^,, SUN Yumei, LI Caidong, SUN Xianchen, ZHANG Lingli

School of Information Science and Technology, Yunnan Normal University, Kunmin 650500, China

通讯作者: 王保云(1977-),男,博士,讲师,主要研究方向为机器学习、图像处理、地理信息系统应用等。Email:wspbmly@163.com。

责任编辑: 李瑜

收稿日期: 2019-05-17 修回日期: 2019-09-8 网络出版日期: 2020-06-15

基金资助:

国家自然科学基金项目“城镇化进程中基于蚁群行为规则的滇池流域不透水表面扩张智能体建模与模拟”. 41461038
云南省大学生创新创业训练计划项目“基于面向对象遥感影像分割的怒江流域泥石流孕育区域识别”和国家自然科学基金项目“基于深度迁移学习的遥感影像中泥石流孕灾沟谷识别-以云南省为例”. 61966040

Received: 2019-05-17 Revised: 2019-09-8 Online: 2020-06-15

作者简介 About authors

张祝鸿(1996-),女,本科生,主要研究方向为遥感图像处理、机器学习、泥石流灾害评价及预警。Email:2094959464@qq.com。。

摘要

从高空间分辨率遥感影像中提取河流具有诸多重要意义。目前大多数方法致力于从河流的光谱特征或纹理特征出发提取河流,但对于存在同物异谱或异物同谱现象、纹理分析尺度难以确定或噪声严重的的图像,基于水体光谱分析或纹理分析的方法并不十分适用。高空间分辨率图像中的河流一般结构不规则,更可能由于各种原因致使河流的局部与整体拥有不一样的光谱特征和纹理特征,然而在一些遥感图像中,河流可能在大范围内具有近似一致的宽度,基于此,提出了结合笔画宽度变换(stroke width transform,SWT)和几何特征集(geometric feature set,GFS)的河流提取方法。首先,使用Canny算子提取图像边缘,并把边缘图作为SWT算法的输入,得到笔画宽度图; 然后,使用连通域标记算法对其中的像元进行分组,接着根据构造的GFS来对分组之后得到的连通域进行筛选; 最后,对剩下的连通域进行孔洞填充。使用高分一号(GF-1)近红外波段进行实验的结果表明,该方法能够在完整提取目标河流的同时很好地抑制噪声。同时,该方法在提取效果和算法稳定性上明显优于乘性Duda算子和区域生长算法。

关键词： 高分一号 ; 河流提取 ; 笔画宽度变换 ; 几何特征集

Abstract

Extracting rivers from high-resolution satellite images has many important implications. At present, most methods are devoted to extracting rivers from the spectral characteristics or texture analysis of rivers. But for the image which is with the phenomenon of the same object with different spectra or different objects with the same spectra, or has serious noise, or is hard to determine the scale of texture analysis, the method based on water spectrum analysis or texture analysis is not very suitable. The rivers in high-resolution satellite images are generally irregular in structure, and it is more likely that the rivers have different spectral features and texture features due to various reasons. However, in some satellite images, rivers may have approximately uniform width over a wide range. In view of such a situation, a river extraction method combining stroke width transform and geometric feature set is proposed innovatively. Firstly, the Canny edge detector is used to extract the edge of the image, and the edge map is used as the input of the stroke width transform algorithm to obtain the stroke width map. Then, the connected pixels are grouped by using the connected component algorithm, and next, the connected components obtained after the grouping are filtered according to the geometric feature set, and finally the remaining connected components experience the process for filling holes. Experiments using the GF-1 satellite images show that the method can suppress the noise well while extracting the target river. At the same time, compared with the Multiplicative Duda operator and the region growing algorithm, the proposed method has obvious advantages in the aspects of extraction effect and algorithm stability.

Keywords： GF-1 ; river extraction ; stroke width transform ; geometric feature set

PDF (6419KB) 元数据多维度评价相关文章导出 EndNote| Ris| Bibtex 收藏本文

本文引用格式

张祝鸿, 王保云, 孙玉梅, 李才东, 孙显辰, 张玲莉. 结合笔画宽度变换与几何特征集的高分一号遥感图像河流提取. 国土资源遥感[J], 2020, 32(2): 54-62 doi:10.6046/gtzyyg.2020.02.08

ZHANG Zhuhong, WANG Baoyun, SUN Yumei, LI Caidong, SUN Xianchen, ZHANG Lingli. River extraction from GF-1 satellite images combining stroke width transform and a geometric feature set. REMOTE SENSING FOR LAND & RESOURCES[J], 2020, 32(2): 54-62 doi:10.6046/gtzyyg.2020.02.08

0 引言

从遥感影像中提取河流对自然灾害评估、水位监测、水资源调查、地表制图等应用具有重要的作用^[1]。河流识别作为目标识别中的一个经典课题,有大量的研究集中于光学和合成孔径雷达(synthetic aperture Radar,SAR)数据。河流具有较低的可见光或红外光谱反射率,通常在图像中呈现不同于其他地物的灰暗、均匀而连续的特征^[2]。一些研究者尝试利用遥感影像中河流可见光或红外光谱反射率低、表面均匀的特性,通过提取给定阈值范围内的像素来达到识别河流或水体的目的。Rani等^[3]采用K-means聚类分析和区域生长的方法从卫星图像中提取河流; Matgen等^[4]首先使用伽马概率密度函数来估计水体反向散射,然后应用阈值步骤将水体与其他地物完全分离,最后通过区域生长算法来识别水面; 姜浩等^[5]提出了一种提取细小河流的方法,首先利用改进的归一化差异水体指数(modified normalized difference water index,MNDWI)表达水体信息,然后通过水体指数对河流进行线状增强,最后利用双阈值进行河流线段追踪; Dillabaugh等^[6]利用Duda算子(Duda road operator,DRO)结合启发式路径搜索算法提取河流。这些基于阈值的方法通常能产生良好的效果,但当图像中出现同物异谱(如河流某个局部的水花)或异物同谱现象时,难以确定恰当的阈值,且此时基于阈值的方法不能很好地发挥效果。

还有一些方法在提取河流时用到了图像的纹理特征。王民等^[7]基于河流的光谱特征、纹理特征及几何特征选取了特征参数,构造综合特征矩阵,最后通过K-means聚类得到河流目标; Molina等^[8]利用图像纹理特征和小波变换,结合数学形态学从全色卫星图像中提取河流; Sghaier等^[9]基于结构特征集纹理测量^[10]来提取均匀和长条形的区域,利用形态学开闭路径去除非线性对象,最后进行河流结构跟踪来提取整条河流; He等^[11]结合灰度共生矩阵(gray level cooccurrencce matrix,GLCM)和非子采样轮廓变换,实现了多尺度、多方向纹理特征提取,然后将生成的特征向量作为支持向量机(support vector machine,SVM)的输入,最终实现了河流提取; Sghaier等^[12]对原图像进行纹理测量以提取均匀区域,然后基于最大树结构进行去噪,最终得到完整的河流。基于纹理分析的方法在许多光学图像和SAR图像中的应用都显示出了它的有效性,但是在纹理分析难以进行时,这类方法会受到局限。尤其是,虽然基于GLCM的纹理分析方法能对整幅图像的总体纹理情况进行分析,但是几乎没有用到局部细节的纹理信息。纹理本身就具有多尺度性,GLCM方法本身的局限性使得它不能反映图像中纹理像素尺度间的相互关系。而小波变换具有良好的多尺度多分辨率分析的特点,在时域和频域都具有表征信号和局部特征的能力,是图像纹理分析的有力工具。小波变换在以上的河流提取研究中展现了良好的效果,但是小波变换的分析结果与尺度选择有巨大的关联,并且对于不同的图像,确定一个合适的分析尺度并不那么容易。此外,遥感影像中的噪声会对纹理分析产生较大影响,进而影响更进一步的操作。

考虑到基于阈值和基于纹理分析的河流提取方法中可能存在的问题和局限性,本文考虑基于遥感图像中河流的其他特征来对其进行提取。高空间分辨率遥感影像中的河流一般具有不规则的形状,甚至可能由于光照、阴影、遮挡、成像等原因,致使河流局部与整体拥有不一样的纹理特征或光谱特征。但是,对于一些遥感影像,同一图像中的同一河流的同一部分(干流部分或支流部分),甚至是同一图像中同一河流的不同部分或是不同河流,它们两侧的宽度变化总是维持在一定范围内,这使得图像中的河流在大范围内具有近似一致的宽度。而笔画宽度变换(stroke width transform,SWT)能够把图像中具有平行边缘和一致宽度的对象标记出来,进而有可能把具有这类特征的对象提取出来。SWT大多数情况下被用于从复杂场景中提取具有平行边缘且宽度较为一致的字符^[13,14,15],却很少被用于其他领域,尤其是识别高空间分辨率遥感影像中的线性结构。于是本文尝试将SWT应用在河流识别中,同时结合构造的几何特征集(geometric feature set,GFS)进行去噪。采用高分一号(GF-1)红外波段进行实验,并将本文提出方法与其他方法进行比较和性能评估。

1 实验数据分析

本文采用GF-1数据进行实验,该数据共有4个波段,空间分辨率为16 m,影像大小为600像素×600像素,获取时间为2015年11月20日。研究区位置为金沙江部分干流,如图1所示。第一波段为蓝光波段(图1(a)),第二波段为绿光波段(图1(b)),这2个波段尤其是绿光波段的反射率受到水中叶绿素的强烈影响,随着水中叶绿素浓度的上升,蓝光波段的反射率下降而绿光波段的反射率上升^[16]; 第三波段为红光波段(图1(c)),当水体的浑浊程度小于一定值时,红光波段的反射率与水体的浑浊程度几乎完全线性相关^[16,17]; 第四波段为近红外波段(图1(d)),在自然环境下,不论水体的深浅,在该波段水体几乎吸收了所有的能量,在图像中呈现很暗的色调,大部分情况下与周围地物的色调差别非常大,这为从遥感图像中识别水体提供了有利条件^[16,17]。因此,近红外波段图像十分有利于水体边缘的提取,本文算法明显能在近红外波段图像上更好地发挥作用。

图1

新窗口打开| 下载原图ZIP| 生成PPT

图1 GF-1影像4个波段

Fig.1 Four bands of GF-1

2 研究方法

SWT算法^[15,18]提供了计算图像中像素笔画宽度值以及利用平行边缘和一致宽度识别目标的思想。在一些高空间分辨率遥感图像中,河流在大范围内具有近似等宽的结构。因此,可以借鉴SWT的思想来构建河流识别算法。本文提出的结合SWT与GFS的算法流程如图2所示。

图2

新窗口打开| 下载原图ZIP| 生成PPT

图2 结合SWT与GFS的河流识别算法流程

Fig.2 Flowchart of a river extraction method combining SWT and GFS

首先,采用Canny算子进行边缘提取; 其次,进行SWT,基于得到的笔画宽度图,使用连通域标记算法对笔画宽度进行分组; 然后,对分组后的每个连通域计算其几何特征,并根据构造的GFS来进行噪声去除; 最后,进行连通区域的孔洞填充,得到完整的河流识别结果。每个过程的示意图如图3所示。为了能使每个过程的结果更清楚地显示出来,使用图3(a)所示的一个河流局部的红外波段图像作为输入,图3 (b)为使用Canny算子提取边缘的结果; 图3 (c)为笔画宽度图; 图3 (d)为进行连通域分组后的结果,每一个独立的红色矩形框内包含属于同一组的像元,即一个连通域; 图3 (e) 是基于GFS初步提取的河流结果; 图3 (f)为进行孔洞填充后提取河流的结果。

图3

新窗口打开| 下载原图ZIP| 生成PPT

图3 提出方法各个步骤示意图

Fig.3 Schematic diagram of each step of the proposed method

2.1 边缘提取

SWT需要待识别对象的边缘作为算法输入。因此,需要先对遥感影像进行边缘提取。

为了抑制噪声在边缘提取时的干扰作用,更为准确地得到目标边缘,先采用高斯滤波对遥感影像进行平滑,以消除噪声的影响。二维的高斯滤波函数h(x,y)为

(1)h(x,y)=

\frac{1}{2 π σ^{2}} e^{\frac{x^{2} + y^{2}}{2 σ^{2}}}

式中σ²表示函数的方差,这里取σ²=2。

Canny 算子能精确定位边缘,并且边缘响应次数少,能够最大程度地抑制虚假边缘^[19],被广泛应用于目标识别、局部描述子提取、图像语义分析、三维重建等方面。采用Canny算子对滤波后图像进行边缘提取,结果示意图效果如图3(b)。可以看出,河流边缘得到了很好地保留。

2.2 SWT算法

基于图像的边缘图,按照以下步骤进行SWT算法 ^[15]处理。

1)使用sobel算子计算原始图像中边缘部分对应像元的梯度,得到梯度图G。使用的sobel算子模板为

(2)

[\begin{array}{l} 1 & 2 & 1 \\ 0 & 0 & 0 \\ - 1 & - 2 & - 1 \end{array}]

[\begin{array}{l} 1 & 0 & - 1 \\ 2 & 0 & - 2 \\ 1 & 0 & - 1 \end{array}]

得到梯度图G_x和G_y。梯度幅值I和梯度方向d的计算公式分别为

(3)I=

\sqrt[]{G_{x} + G_{y}}

(4)d=arctan

(\frac{G_{y}}{G_{x}})

。

2)对边缘点p,沿着它的梯度方向搜索另一个边缘点q,若点p和q的梯度幅值I_p和I_q以及梯度方向d_q和d_p满足以下条件,即

(5)

\frac{1}{10}

I_q≤I_p≤10I_q,d_q-

\frac{π}{3}

≤d_p≤d_q+

\frac{π}{3}

则连接这2个点,2点之间连线的宽度作为线上所有点(包括边缘点p和q)的笔画宽度值,用sw表示。如果找不到与边缘点p相对应的边缘点q,就放弃这条线。搜索过程如图4所示。

图4

新窗口打开| 下载原图ZIP| 生成PPT

图4 SWT算法步骤示意图

Fig.4 Illustration of algorithm step to SWT

为了更为清楚地说明SWT的搜索过程,将图3(a)所示包含河流的图像转换为图4(a)所示的三维网格图,然后选择一个包含河流的局部标记搜索过程; 图4(b)标识了该步骤的具体搜索过程,其中与红色圆圈标识部分颜色相同的部分是图像边缘。

3)对边缘图中的所有边缘点重复过程步骤2),最终得到SWT图,结果示意图如图3(c)所示。

2.3 连通域标记

基于2.2节得到的笔画宽度图,应用连通域标记算法^[20]对笔画宽度图中的像元进行分组,以便识别笔画宽度图像中具有河流的候选区域。分组过程依据相邻点sw值比值进行。将点p和q归为同一连通域,如果它们的笔画宽度值sw_p和sw_q满足如下条件,即

(6)

\frac{1}{3}

sw_q≤sw_p≤3sw_q ,

通过聚类分组,可以得到各个独立的具有相似sw值的连通区域,结果示意图如图3(d)所示。为了显示方便,对每一个连通区域的外接矩形做了标示(见图3(d)中的红色矩形框)。

2.4 基于GFS去噪

一般河流都较为弯曲,且多呈线状,线宽的一致性较好。通过构造GFS来描述这些几何特征,以便于去除不属于河流的噪声区域。GFS包括连通域长度、连通域笔画宽度方差与均值比、连通域外接圆直径与笔画宽度中位数比和连通域面积以及连通域面积与外接矩形面积比。

1)连通域长度l,用来描述连通区域的长度。由于遥感图像中的河流与其他噪声相比大小相当,所以长度小于一定值的连通域将被过滤。第i个连通区域的长度l_i为

(7)l_i=max(r_i_,max-r_i_,min,c_i_,max-c_i_,min) ,

式中: r_i_,max和r_i_,min分别表示连通域行号的最大值和最小值; c_i_,max和c_i_,min分别表示列号的最大值和最小值。当l_i<T_l时,连通区域被认为是噪声区域,T_l称为长度阈值。

2)连通域笔画宽度方差与均值比ρ,用来衡量一个连通区域中所有sw值的离散程度。由于图像中的河流通常具有平行的边缘和较为一致的宽度,因此河流部分对应的连通域的sw值离散程度低,具有较小的ρ值。第i个连通区域的ρ_i计算公式为

(8)ρ_i=

\frac{υ_{i}}{μ_{i}}

(9)μ_i=

\frac{1}{N_{i}} \overset{N_{i}}{\sum_{j = 1}}

sw_ij ,

(10)υ_i=

\frac{1}{N_{i}} \overset{N_{i}}{\sum_{j = 1}}

(sw_ij-μ_i)² ,

式中: μ_i为连通域笔画宽度均值; υ_i为连通域笔画宽度方差; N_i为第i个连通域的像元数目; sw_ij为第i个连通域的第j个笔画宽度值。此参数的阈值为T_ρ,即当ρ_i≤T_ρ时,认为该连通域符合河流的特征。

3)连通域外接圆直径与笔画宽度中位数之比γ。在遥感图像中,河流多呈现细而长的结构特性,为了刻画这个特征,作河流部分对应连通域(图5(a)中紫色矩形框内区域)的外接圆,示意图如图5(b)所示,发现外接圆直径与河流的宽度值之比总是一个相当大的值,取连通域内笔画宽度值的中位数来代表连通域内所有像元的笔画宽度值。第i个连通区域的γ_i 的计算公式为

(11)γ_i=

\frac{d_{i}}{m_{i}}

(12)d_i=

\sqrt[]{(r_{i, \max} - r_{i, \min})^{2} + (c_{i, \max} - c_{i, \min})^{2}}

图5

新窗口打开| 下载原图ZIP| 生成PPT

图5 连通区域外接圆示意图

Fig.5 Examples of circumcircle

式中: m_i为第i个连通域的笔画宽度值的中位数; d_i为该连通域的外接圆直径。当γ_i≥T_γ时,认为该连通域符合河流的特性,T_γ为该参数阈值。

4)连通域面积与外接矩形面积之比λ。以5(a)中紫色矩形框内连通域为例,示意图如图6所示,由于河流具有细长且有一定曲率的结构特征,河流部分连通域的面积会远小于其外接矩形的面积,因此λ总是一个较小的值。第i个连通区域的λ_i的计算公式为

(13)λ_i=

\frac{α_{i}}{s_{i}}

(14)s_i=(r_i_,max-r_i_,min)×(c_i_,max-c_i_,min) ,

式中: α_i为连通域的面积; s_i为该区域外接矩形的面积。当λ_i≤T_λ时,认为该连通域是河流候选区域,T_λ为该参数阈值。

图6

新窗口打开| 下载原图ZIP| 生成PPT

图6 连通区域外接矩形示意图

Fig.6 Examples of external rectangle

对连通区域i按上述特征提取公式,计算得到几何特征序列g_i=[l_i,ρ_i,γ_i,λ_i],把g_i称为关于河流的GFS。依据特征集中的各特征阈值筛选河流候选区域并去除噪声,然后进行孔洞填充,最终得到河流识别结果,记过示意图如图3(e)所示。

3 结果与分析

使用Matlab 2014b软件实现了本文的河流提取算法。利用GF-1卫星获得的多幅不同影像,给出所获得的结果和详细的性能评估,并与文献中已有方法进行对比实验。

3.1 最优参数选择

本文提出方法在基于GFS的去噪过程中,参数的取值会直接影响算法的效果。这里针对各参数的阈值做讨论,以得到最优的参数选择范围,获得更好的实验结果。

因为河流连通区域的长度较长,因此T_l=15即可。换句话说,l≤15的连通区域被认为是噪声。因此,此参数较为稳定。

笔画宽度方差与均值之比ρ是用来度量连通区域内笔画宽度值的一致性,对于一致性强的连通区域,T_ρ的取值较小。但由于受噪声的影响,T_ρ的取值不会为0。在本文中,当0.5≤T_ρ<1.5都能够保证最终的识别效果; 但当T_ρ<0.5时,有可能会出现河流出现中断的情况; 而当T_ρ>1.5时,ρ不能起到对笔画宽度一致性的约束作用。

外接圆直径与笔画宽度中位数之比γ是间接刻画河流区域的直线长度与河流宽度的比值。因为河流宽度较为稳定,河流长度值较大,所以T_γ的取值比较大。一般取15≤T_γ<40都能在去噪的同时保留河流。

连通域面积与外接矩形面积之比λ是用于刻画河流区域在外接矩形中的填充度。当连通区域为直线时,该值接近1.0,当连通区域为弯曲度较大的曲线时,该值会远小于1.0。在本文中,当0.12≤T_λ≤0.6时均能够保证算法的最终识别效果; 当T_λ>0.6时,则可能不能起到这个特征对连通域筛选的约束作用。

综上,在给定阈值范围内,本文提出的算法对参数是不敏感的,具有较强的鲁棒性。

3.2 实验结果

为了验证本文方法相较于其他文献中算法的优势,在给出本文方法结果的同时,还做了其他算法的对比实验组,包括乘性Duda算子(multiplicative Duda road operator,MDRO)和区域生长算法(region -growing algorithm,RGA)。MDRO是由Geling^[21]在Duda算子基础上提出的针对SAR图像线边缘检测算子,常被用来检测铁轨和道路等线性结构^[22]。RGA以给定的起始位置为种子点,根据遥感影像中的局部相似性来进行区域合并,它是一种常用的基于阈值提取遥感影像中河流的方法。为了验证算法的普适性,对多个不同地域流经的河流进行实验(表1)。表1中第一行为6个包含河流的典型区域的近红外波段图像,s1为独龙江支流(伊洛瓦底江—钦敦江)流经农田区的部分,图像中河流周围有较多细长条状物体对河流提取形成干扰; s2仍为独龙江支流(伊洛瓦底江—钦敦江)流经农田区的部分,但图像中河流周围无条状干扰物; s3为雅鲁藏布江流经城市的部分; s4为独龙江支流(伊洛瓦底江—钦敦江)流经人类居住区和农田区的部分; s5为金沙江流经山谷间的部分,图像中存在较多的沟谷以及山体阴影对河流提取形成干扰; s6为澜沧江流经山脉的部分,图像中存在许多条状沟壑对河流提取形成了干扰。以上6个地区的影像大小均为600像素×600像素。MDRO, MDRO+GFS,RGA(生长阈值分别为50和130)以及本文方法的提取结果分别如表1中第2—5行所示,其中使用的GFS阈值为(T_l=15, T_ρ=1.2,T_γ =23,T_λ =0.15)。

表1 本文方法与MDRO和RGA提取结果对比

Tab.1 Proposed method compard with MDRO and RGA

新窗口打开| 下载CSV

MDRO算法识别的河流连续性和完整性都比较差,且存在较多的非河流信息。对MDRO的识别结果采用2.4节方法进行连通区域几何特征提取与噪声去除后,由于MDRO并没有利用河流的宽度信息,GFS不能很完美地发挥效用,噪声完全去除的同时,河流的完整性受到了进一步的破坏,识别结果有多处断裂。另外该算子检测时只考虑局部像素之间的相互关系,而忽略了河流作为识别目标所具有的整体性和一致性。

RGA算法通常需要选择生长种子点和设置生长条件,本文将种子点选在河流宽度最大处,生长条件为当前点与种子点的像素值之差,设定该阈值为50和130。当阈值较小时,识别结果中,几乎没有噪声,但河流的完整性较差,基本只能识别出河流的一部分。当生长条件较为宽松,即阈值较大时,会出现难以预料的情况,虽然部分河流提取较为完整,但如s1和s4图像则由于整体相似性较高,导致识别结果包含较多难以去除的噪声,甚至几乎全图都被认为是河流。可以看出RGA算法对阈值的依赖性非常强,且不同的图像需要调整不同的阈值,阈值设置比较敏感。

本文方法兼顾了目标的局部特性和全局特性,能够在噪声抑制和河流完整性之间得到很好的平衡,在河流提取上取得了很好的效果。

3.3 河流提取效果定量分析

为了进一步评价提出方法的提取结果,引入文献[23]中定义的度量方法来进行评估。这是一种基于特征长度的度量方法,如图7所示,用L_o表示原影像中河流的长度,L_e表示算法提取出来的河流长度,L_m 表示提取出来的河流与原影像中河流相匹配部分的长度,L_u表示提取出来的河流与原影像中河流不匹配部分(未提取出或过提取部分)的长度。

图7

新窗口打开| 下载原图ZIP| 生成PPT

图7 定量分析度量示意图

Fig.7 Illustration of the quantitative analysis metric

基于以上的4个长度,得到以下3个度量值。

1)完整度Com,计算方式为

(15)Com=

\frac{L_{m}}{L_{o}}

×100% 。

2)准确度Cor,计算方式为

(16)Cor=

\frac{L_{m}}{L_{e}}

×100% 。

3)提取质量Qua,计算方式为

(17)Qua=

\frac{L_{m}}{L_{e} + L_{u}}

×100% 。

对表1中6个区域的提取结果应用该方法计算其完整性、准确度及提取质量,结果如表2所示。

表2 定量方法分析结果

Tab.2 Results ontained using the quantitative analysis metric(%)

方法	s1			s2			s3
方法	Com	Cor	Qua	Com	Cor	Qua	Com	Cor	Qua
MDRO	90	81.6	71.2	90.8	68.5	64.1	87.2	49.8	46.4
MDRO+GFS	83.6	100	83.6	89.8	100	89.7	86	99.5	85.7
RGA(生长阈值50)	54.6	98.8	54.2	74.5	100	74.5	65.6	100	65.6
RGA(生长阈值130)	提取失败			100	71.7	71.7	100	64.3	64.3
本文方法	99.1	96.9	96	97.7	95.5	93.3	99.4	98	97.5
方法	s4			s5			s6
方法	Com	Cor	Qua	Com	Cor	Qua	Com	Cor	Qua
MDRO	91.2	56.5	53.6	95.5	3.3	3.3	97	6	6
MDRO+GFS	87.2	100	87.2	82.4	96.4	80	94.1	99.4	93.6
RGA(生长阈值50)	44.1	100	44.1	79.6	100	79.6	77.8	100	77.8
RGA(生长阈值130)	提取失败			96.7	59	57.8	提取失败
本文方法	96.8	95.3	92.4	98.3	95.2	93.7	99.3	99.1	98.4

新窗口打开| 下载CSV

从表2中分析结果可以看出,当应用到6个不同的地区时,本文方法在完整度、准确度和提取质量3个方面都获得了相当不错的结果,s1,s3和s6获得几近完美的完整度值,分别是99.1%,99.4%和99.3%。s2和s4由于河流中的一些阻隔物(水花或桥梁)的存在,河流边缘的检测受到了影响,导致这些很小的局部不能很好地被检测出来。s5中河流的完整性(98.3%)受到影响是由于河流较后的一小部分只有河流的一侧在图像中,SWT无法检测到河流的另外一侧,于是这一段河流的检测就失败了。这些结果表明本文方法对图像中两侧完整、中间阻隔物不影响边缘检测、宽度较为一致的河流具有极好的检测能力(即使是有分支的河流,如s5)。6个地区在整体完整度较好的情况下,准确度依旧很好。尤其是s6的高准确度(99.1%)证明本文方法对图像中沟谷、沟壑这种类似于河流的长条状物体有很好的清除能力。其他地区(s1,s2,s4,s5)准确度明显比完整度差一些的原因是,河流周围一些噪声的连通域恰好和代表河流的连通域连在了一起,导致GFS无法将这样的噪声过滤。提取质量很大程度由L_m,L_e和L_u决定。6个地区获得的提取质量整体上都较好。

从MDRO算法的结果可以发现,该方法在完整度、准确度和提取质量3个方面都明显逊色于本文方法,尤其是s5和s6的准确度非常低,分别只达到了3.3%和6.6%,这是因为s5和s6为山区,MDRO保留了大量山体阴影、沟谷或是沟壑形成的条状物,而这些条状物并不是河流。而MDRO+GFS的结果中,6个地区无一例外尤其是s5和s6的完整度和提取质量都得到了大幅度的提高。虽然一些地区的完整度在原来的基础上降低了一些,这是因为MDRO并没有用到宽度信息,GFS无法完美发挥效用。MDRO和GFS结合后,大部分地区(s2,s3,s4,s5,s6)的准确度都达到了100%,但是MDRO+GFS只是提取河流部分的线,并没有把河流整个范围识别出来,所以算法性能略逊色于本文方法。

从RGA生长阈值为50时的结果可以发现,6个地区的完整度都非常不理想,但高准确度表明RGA在识别河流像素上具有一定潜力。当RGA的生长阈值达到130时,s1,s4和s6识别失败,s2和s3看似被完整地提取出来,但准确度却并不乐观,这是因为河流周围几乎多了整整一圈非河流像素,导致准确度降低。对于s5来说,一些地方生长过多而一些地方的河流没有生长到,提取效果也不好。RGA虽然具有识别河流像素的潜力,但阈值确定和生长不稳定性方面的缺点非常明显,其整体性能明显逊色于本文方法。而且RGA是高度依赖生长点初始化的半自动方法。

综上所述,本文方法是一种很好的自动提取河流的方法,不仅能成功应用到不同场景下的河流提取中,提取结果较好,而且与其他几个对照实验组相比,本文方法在性能效果方面也展现了很好的优势。

4 结论

在一些高空间分辨率遥感图像中,河流可能在大范围内具有近似一致的宽度值。基于此,提出了一种新的基于SWT和GFS的河流识别方法,并进行了实验验证。在6个不同地区的GF-1卫星红外波段图像上进行实验的结果表明,本文方法能够很好地适应不同地区河流的提取,并且与对照组实验相比,本文方法也具有很强的性能优势。

但是,本文方法在实验中仍存在一些不足之处: ①由于图像河流中一些阻隔物的存在(水花、桥梁或山体阴影),SWT算法受到限制,导致提取出的河流会有局部间断,如何解决间断问题并保持河流整体结构准确性是下一步需要研究的问题; ②当河流周围的噪声连通域与河流连通域连在一起时,GFS无法通过调整参数来去除这样的噪声。这说明在一些情况下只考虑河流的宽度是不够的,考虑到纹理或光谱特征在区分河流像素点方面的优势,下一步考虑将纹理信息或光谱信息作为补充融合到现有方法中。

参考文献

原文顺序

文献年度倒序

文中引用次数倒序

被引期刊影响因子

[1]

冷凯群

基于PLFT及图像融合的卫星河流识别

[J]. 计算机工程与设计, 2018,39(12):170-174.