基于过渡区特征的全色遥感图像冰雪识别

引用本文

陈婷, 汪爱华, 王智勇. 基于过渡区特征的全色遥感图像冰雪识别[J]. 国土资源遥感, 2013,25(2): 27-32
CHEN Ting, WANG Aihua, WANG Zhiyong. Recognition of ice or snow for panchromatic remote sensing image based on transition region feature[J]. REMOTE SENSING FOR LAND & RESOURCES,2013,25(2): 27-32 复制到剪切板

Permissions

《国土资源遥感》编辑部

基于过渡区特征的全色遥感图像冰雪识别

陈婷¹, 汪爱华¹, 王智勇^1,²

1.北京宇视蓝图信息技术有限公司,北京 100096

2.二十一世纪空间技术应用股份有限公司,北京 100096

第一作者简介: 陈婷(1980-), 女, 博士, 工程师, 主要从事“北京一号”卫星数据处理与遥感应用研究。 E-mail:chenting@21stc.com.cn。

收稿日期: 2012-06-15

基金: 北京市科技计划项目(编号: Z111101061710001)和国家科技支撑计划项目(编号: 2011BAH23B01)共同资助

摘要

针对全色图像的冰雪识别问题,以过渡区理论为基础,提出基于过渡区特征的冰雪识别方法。首先利用K-均值聚类方法分离云、雪与其他地物,再通过SUSAN(smallest univalue segment assimilating nucleus)边缘检测提取过渡区图像; 然后设立描述过渡区大小的特征量——厚度,并与过渡区的均值和方差特征量组合成特征向量,用以分析过渡区特征,识别具有冰雪过渡区特征的点,构成冰雪边界; 最后经过边界生长和区域填充,实现冰雪识别。以“北京一号”小卫星全色图像为遥感数据源,应用该方法及过渡区阈值法、迭代自组织法和面向对象纹理分析法分别提取冰雪覆盖区。该方法的冰雪识别精度达到97.39%,明显高于其他识别方法,表明该方法能获得较高精度的冰雪识别结果和丰富的边缘信息,可为云雪分离及雪线提取等方法研究提供参考。

关键词: 冰雪识别; 过渡区; 过渡区特征; 全色遥感图像

中图分类号:TP237TP751 文献标志码:A 文章编号:1001-070X(2013)02-0027-06 doi: 10.6046/gtzyyg.2013.02.05

Recognition of ice or snow for panchromatic remote sensing image based on transition region feature

CHEN Ting¹, WANG Aihua¹, WANG Zhiyong^1,²

1.Beijing Landview Mapping Information Technology Co. Ltd., Beijing 100096, China

2.Twenty First Century Aerospace Technology Co. Ltd., Beijing 100096, China

Abstract

In order to accurately identify ice or snow and obtain the range, this paper presents a new recognition method based on transition region feature for high spatial resolution panchromatic remote sensing imagery. Firstly, the high reflection region including snow or ice and cloud was extracted by K-means cluster analysis. Secondly, the transition region was segmented by SUSAN edge detection. Then, the average, variance and thickness were chosen as the transition region feature vectors to differentiate ice or snow pixels as the target boundary. Finally, the snow or ice area was obtained by edge growing and region filling. The “Beijing-1” high spatial resolution panchromatic remote sensing image was selected to identify the ice or snow area by transition region feature, and the recognition precision reached 97.39%. A comparison of the experimental results with those of other methods shows that the accuracy of the transition region feature analysis is obviously improved. The application analysis indicates that the method of ice and snow recognition based on transition region feature can obtain higher precision of results and more details of edges, and can also provide the references for separating the cloud and snow and extracting the snow line.

Keyword: ice or snow recognition; transition region; transition region feature; panchromatic remote sensing image

Show Figures

0 引言

20世纪30年代, 研究者提出了过渡区的概念^[1]。1979年Weszka等^[2]首次将过渡区理论引入图像处理领域。章毓晋^[3]在20世纪90年代后期比较全面地研究了过渡区的理论, 且明确指出图像的过渡区像点是由背景和目标之间的部分像点构成的, 过渡区的空间位置位于背景与目标之间, 过渡区的灰度范围处于背景灰度均值与目标灰度均值之间。地表现象所固有的模糊性证明了对地观测遥感图像中过渡区的存在^{[4, 5]}, 而地表的复杂性则反映了遥感图像中不同地物过渡区特征的差异性。基于图像分割理论, 2003年肖晓玲等^[5]利用有效平均梯度提取了遥感图像的目标过渡区。2009年闫成新^[6]使用局部复杂度参数提取了遥感图像的过渡区。但目前对过渡区的研究仅限于为分割图像确定阈值提供参考, 而对其进行特征描述及应用分析、并应用于地物分类识别的研究还较少。

我国基于遥感图像的冰雪识别研究早在1985年初即已开始^[7], 近年来基于光学遥感数据的冰雪信息提取方面取得了显著成果, 冰雪识别方法研究不再单纯依靠单一的光谱信息, 而是加入了地物的空间结构信息, 例如: 2006年陈刚等^[8]综合光谱与纹理特征进行了云雪分离; 2009年龚剑明等^[9]在提取冰川时引入了形状特征, 但受遥感图像空间分辨率及空间结构信息限制, 识别精度无法大幅提高。随着星载遥感图像的地面采样间隔逐渐缩小, 具有高空间结构性特点的全色高分辨率遥感图像为冰雪识别提供了新的数据基础。面对部分云与雪分离的难点, 考虑到全色数据中冰雪的内部特征与云具有相似性, 根据形状、纹理特征无法精确区分云雪, 本文提出了另一个反映地物空间结构的特征— — 过渡区特征, 并基于过渡区的特征分析识别冰雪像点, 再利用邻域填充方法最终提取冰雪区。采用“ 北京一号” 小卫星全色图像为数据源的应用实验表明, 该方法能够明显提高冰雪识别的精度。

1 过渡区特征选择

合适的特征选择和优化是设计模式识别系统中十分重要的环节。图像中过渡区具有2方面特点: ①将不同的区域分割开来, 具有边界的特点; ②面积不为零, 具有区域的特点。不同地物的过渡区具有明显差异(如大小、灰度、纹理等), 因此可根据过渡区的边界性和区域性来判识像点是否属于目标。

为体现过渡区的边界性特征, 本文提出一个新的描述因子— — 厚度, 即过渡区邻域范围内过渡区像点出现的数量; 为体现过渡区的区域性特征, 选择过渡区像点邻域的均值和方差作为描述因子。其中, 均值主要检测过渡区像点的纯度, 方差主要检测过渡点的均匀性, 厚度主要检测过渡区的大小。上述特征的计算方法是以过渡区像点E(x, y)为引导, 计算其邻域矩形范围内过渡区像点的均值、方差及厚度, 作为分析过渡区特征的特征向量。设过渡区图像t(x, y), 采用尺寸为k× k的模板, 令m=(k-1)/2, 则对应的均值μ 、方差σ ²和厚度n的特征量计算公式分别为

μ (x, y)= $\begin{matrix} \frac{1}{k^{2}} \end{matrix} \begin{matrix} \overset{m}{\sum_{i = - m}} \end{matrix}$ $\begin{matrix} \overset{m}{\sum_{j = - m}} \end{matrix}$ t(x+i, y+j), (1)

σ ²(x, y)= $\begin{matrix} \frac{1}{k^{2}} \end{matrix} \begin{matrix} \overset{m}{\sum_{i = - m}} \end{matrix}$ $\begin{matrix} \overset{m}{\sum_{j = - m}} \end{matrix}$ [t(x+i, y+j)-μ (x, y)]², (2)

n(x, y)= $\begin{matrix} \overset{k^{2}}{\sum_{i = 1}} \end{matrix}$ E(x, y)。 (3)

式(3)中: E(x, y)为过渡区像点; n(x, y)为(x, y)点的边界厚度。

由式(1)— (3)计算每个过渡区边界点的邻域特征向量V为

V=(μ , σ ², n)。 (4)

2 全色图像冰雪识别

本文使用 “ 北京一号” 小卫星的全色图像, 其波谱范围是500~800 nm, 刈幅宽度为24 km, 空间分辨率为4 m, 通过卫星侧摆可实现5~7 d的重访。图像纹理结构清晰, 几何性能好, 没有局部几何失真或变形, 且色调层次丰富, 具有较高的可判读性, 可为冰雪识别提供高分辨率和高空间结构信息的数据。

在全色遥感图像的冰雪识别中, 云和雪的区分是主要技术难点之一^[10]。通过分析云和雪的特性发现, 与云雾易变的表面特征相比, 冰雪表面特征相对稳定; 尤其是冰雪边界比云清晰, 且冰雪具有相对统一的反射率(图1)。云雾和冰雪的上述物理特性反映在遥感图像上即为过渡区的差异, 因此, 可通过选择和优化过渡区的特征来分析和识别冰雪覆盖区^[11]。

	Figure Option View Download New Window
	图1 “ 北京一号” 小卫星冰雪与云全色图像Fig.1 “ Beijing-1” panchromatic images of snow and cloud

将云和雪具有高相似度、高反射率的区域称为“ 中心区” ; 将表面粗糙、灰度值不稳定、向另一地物过渡的区域称为“ 过渡区” 。本文通过边缘检测提取出过渡区, 根据过渡区的特征向量判断过渡区内的点是否为目标点, 进而实现图像识别。具体实现方法为: ①聚类分析。根据光谱特征, 区分云雪与其他地物; ②过渡区提取。基于高梯度像点定义过渡区, 逼近云雪中心区; ③过渡区特征分析。统计过渡区像点的特征向量, 提取目标边界点; ④边界生长。通过邻域特征分析得到的边界可能是间断、不连续的, 不能保证区域的封闭型, 因此采用边界生长连接间断的边界; ⑤区域填充。为提取冰雪区域, 根据区域生长原理, 采用基于边界的区域生长方法, 递归完成区域填充。

2.1 聚类分析

根据地物光谱仪测定的光谱曲线可知, 在可见光波段, 云、雪与其他地物具有明显的差异^[12]。K均值(K-means)聚类算法依照“ 到聚类中心距离的平方和最小” 的原则, 可将具有高反射光谱特征的点提取出来。本文设计分类数为3, 从运算速度及区域获取精度考虑, 设计最大迭代次数为1; 随机提取3个样本作为聚类中心, 计算每个样本到这3个聚类中心的距离, 找出最小距离把样本归入最近的聚类中心; 修改中心点的值为本类所有样本的均值, 再计算各个样本到3个聚类中心的距离, 重新归类; 修改新的中心点, 直到新的中心点等于上一次的中心点时结束。

该方法以给定的初始类数量迭代找到最好的聚类结果, 提取的第3类即为高反射目标区; 以距离作为样本相似性度量, 可有效地汇集云、雪高反射区(程序实现过程详见文献^[13])。

2.2 过渡区提取

为了增强过渡区的边界特性, 本文利用边缘检测的方法进行梯度增强, 使用梯度算子对图像进行卷积运算得到梯度图像, 提取大于设定阈值的像点构成过渡区。不同梯度算子对提取过渡区具有差异^[14], 主要原因是受图像噪声的影响, 故本文选择抗噪声能力强的SUSAN(smallest univalue segment assimilating nucleus)梯度算子实现边缘检测。

SUSAN算子采用圆形模板得到全方向的响应, 用一个含有37个像点的模板P(x, y)排成7行, 各行分别有3, 5, 7, 7, 7, 5, 3个像元(图2)。

	Figure Option View Download New Window
	图2 37个像点的模板Fig.2 Template of 37 pixels

对比模板内每个像点灰度值与核的灰度值, 则有

C(x₀, y₀; x, y)= $\begin{matrix} \{\begin{matrix} 1 | f (x_{0}, y_{0}) - f (x, y) | \leq T \\ 0 | f (x_{0}, y_{0}) - f (x, y) | > T \end{matrix} \end{matrix}$ , (5)

式中: (x₀, y₀)为模板P(x, y)中核像点在图像中的位置坐标; (x, y)为模板P(x, y)中其他像点在图像中的位置坐标; f(x₀, y₀)和f(x, y)分别为在(x₀, y₀)和(x, y)处像点的灰度; T为灰度阈值, 一般设T=27; C (x₀, y₀; x, y)为输出的比较结果。根据USAN(uivalue segment assimilating nucleus)原理, 初始的边界响应R(x₀, y₀)为

R(x₀, y₀)= $\begin{matrix} \{\begin{matrix} G - S (x_{0}, y_{0}) & S (x_{0}, y_{0}) < G \\ 0 & S (x_{0}, y_{0}) \geq G \end{matrix} \end{matrix}$ , (6)

式中: S(x₀, y₀)= $\begin{matrix} \sum_{(x, y) \neq (x_{0}, y_{0})} \end{matrix}$ C(x, y); G=3S_max/4, 其中S_max是S所能取得的最大值(本文使用37个像点的模板, 故最大值为36)。

此方法无需计算微分即可消除噪声影响, 并可同时检测边界和角点, 不随尺度的变化而改变所检测出的边界位置, 且控制参数简单, 任意性小, 比较容易实现边界的自动化选取^[15]; 此算法的另一优势在于边缘阈值的确定性, 提取阈值为0的像点组成过渡区。

2.3 过渡区特征分析

通过SUSAN边界检测, 标记了最大可能为冰雪的过渡区。遥感图像中云、雪过渡区的灰度值变化差异较大, 雪的灰度值具有突变特点, 但云的灰度值变化缓慢。以SUSAN检测的边界点为中心, 构建过渡区的特征向量。记录SUSAN检测的边界点位置E(x, y), 计算边界点(x, y)的邻域(25像元× 25像元方形范围)内的像点均值、方差和厚度, 组合成特征向量V, 即

V=(μ , σ ², n), (7)

式中: μ 为灰度平均值; σ ²为方差; n为厚度。

对不同区域云、雪边界进行特征采样, 计算冰雪边界特征均值向量 $\begin{matrix} \bar{v} \end{matrix}$ 。通过对边界位置p_i的邻域内计算特征向量v_pi, 比较均值向量 $\begin{matrix} \bar{v} \end{matrix}$ , 判断该点是否具有冰雪过渡区像点的特征。计算边界点p_i邻域特征向量与均值特征向量的欧式距离d², 即

$\begin{matrix} d_{p_{i}}^{2} \end{matrix}$ =( $\begin{matrix} v_{p_{i}} \end{matrix}$ - $\begin{matrix} \bar{v} \end{matrix}$ )^T( $\begin{matrix} v_{p_{i}} \end{matrix}$ - $\begin{matrix} \bar{v} \end{matrix}$ ), (8)

式中: $\begin{matrix} d_{p_{i}}^{2} \end{matrix}$ 为边界点p_i的欧氏距离; $\begin{matrix} v_{p_{i}} \end{matrix}$ 为边界p_i点的特征向量; $\begin{matrix} \bar{v} \end{matrix}$ 为冰雪过渡区的均值向量。

若 $\begin{matrix} d_{p_{i}}^{2} \end{matrix}$ < δ (δ 为根据样本选择的阈值), 则认为点p_i为冰雪点; 否则, 将该点从过渡区图像中删除。对所有点进行上述比较判断后, 过渡区图像中就只留下冰雪边界点。也可通过一种快速并行处理方法, 首先分析采样点, 选择其中具有较大变化特征的点, 通过阈值法判断该点是否具有雪过渡区像点的特征。

2.4 边界生长

通过上述特征分析, 不仅确定了冰雪过渡区像点, 同时提取了具有高梯度特征的积雪边界。由于全局阈值分割的影响, 使提取的积雪边界可能是断裂而不连续的, 甚至经过形态学运算仍不能保证边界的连续性, 因此需要针对边界信息进行后处理。

对经过邻域分析后的图像和SUSAN边界图像进行基于数学形态学的边界细化, 并运用3× 3模板对边界图像进行击中运算, 得到边界中心骨架, 边界点标记为1, 背景点记为0。进行边界生长首先寻找边界断裂端点, 依计算模板(图3)定义边界点是中心标记为1并且其8个连通邻域内至少有2个点标记为1的点。

	Figure Option View Download New Window
	图3 断点检测模板Fig.3 Template of break nodes detecting

以p₁为中心点, 其邻域的8个点顺时针绕中心点, 分别记为p₂, p₃, …, p₉(其中p₂在p₁的上方)。断点标记须满足条件N(p₁)≥ 2, N(p₁)是p₁的非零邻点的个数。对全部边界点检验完毕后, 对所有的端点进行标记。首先按照文献[16]的边界生长方法, 搜索断裂点半径r(r为断裂边界长度)范围内是否有边界点。如果有, 则以端点为起点, 综合SUSAN边界细化结果, 依SUSAN边界走向连接端点; 否则, 停止生长, 并放弃该断裂边界。

该算法优点是: ①边界生长充分考虑到雪边界的性质(高梯度); ②不限制断裂边界的长度。如果按照给定的模板进行边界生长, 则有可能出现与实际图像不符的现象(如产生过分割现象), 或保证不了边界的连续性、封闭性等。

2.5 区域填充

经过上述边界提取, 认为绝大部分的边界已经闭合, 根据区域生长方法及冰雪灰度特征, 本文采用基于边界的向内区域生长方法^[17]进行区域填充。以边界点为中心, 提取全色图像中3× 3模板内大于或等于中心点灰度值的所有像点, 标记为1; 小于中心点灰度值的像点位置标记为0。以此模板遍历全图像, 直到中心点及邻域点的像点均为1, 停止生长, 生成冰雪覆盖区图像。

3 实验及对比分析

冰川积雪是我国干旱、半干旱地区河流与地下水的主要补给来源, 是局部区域水文循环及生态系统的重要组成部分, 也是研究气候变化乃至全球环境变化的重要因子^[18]。以“ 北京一号” 小卫星全色传感器获取的唐古拉山脉图像为例, 进行基于过渡区特征识别冰雪覆盖区的实验。

“ 北京一号” 小卫星全色图像的获取日期为2006-09-18, 空间分辨率为4 m, 大小为2 017像元× 1 654像元。该图像覆盖青藏高原唐古拉山脉东段的冰川雪盖, 主要由冰川积雪、云、高寒荒漠、河流等组成(图4(a)), 适合于进行冰雪覆盖区识别的实验。

	Figure Option View Download New Window
	图4 不同识别方法结果对比Fig.4 Comparison among the results from the different identification algorithms

对经过辐射校正、几何纠正等预处理后的“ 北京一号” 小卫星全色图像, 按前述冰雪识别方法进行处理: ①通过K-means聚类提取第3类反射率较高的图像, 区分云、雪与其他地物; ②对云雪图像通过SUSAN检测提取值为0的点为过渡区; ③采用25× 25窗口计算过渡区像点的特征向量; ④依据1 000个采样点计算冰雪均值特征向量 $\begin{matrix} {\bar{v}}_{s} \end{matrix}$ , $\begin{matrix} {\bar{v}}_{s} \end{matrix}$ =(133.47, 6 888.03, 57.34); ⑤对比均值特征向量进行距离分析, 判断冰雪边界点(另对均值特征向量的比较可知, 厚度特征变化非常明显, 也可通过阈值判断提取冰雪边界点); ⑥采用边界生长及区域填充方法, 获得识别结果(图4(c))。

将过渡区特征法(图4(c))、过渡区阈值分割法(图4(d))、迭代自组织数据分析(ISODATA)法(图4(e))和面向对象的纹理分析法识别结果(图4(f))与目视解译结果(图4(b))对比, 可以看出阈值法和ISODATA法的识别结果中将部分高反射的云中心区错分为冰雪; 面向对象识别结果中将北部部分冰雪区漏分, 部分云区被错分为冰雪; 过渡区特征法的识别结果中, 只遗漏了少量小冰雪区, 冰雪识别结果与目视解译结果基本一致。

以目视识别为真实结果, 统计各方法结果的精度及Kappa系数(表1)。由表1可以看出, 基于过渡区特征的冰雪识别总体精度最高(达到97.39%, Kappa=0.944 7), 阈值法识别精度最低(只有93.75%, Kappa=0.871 2)。由于冰雪识别结果为二值图像, 错分与漏分误差对比存在一定的互补关系, 过渡区特征法的错分误差最低, 阈值法的错分误差最高。

表1 不同识别方法的结果精度统计 Tab.1 Precision statistics of the rusults from the different identification algorithms

综合分析不同算法与结果精度可知, 过渡区的阈值分割法方法简单、处理速度快, 但冰雪识别面积比目视解译结果大, 主要是由于过渡区的阈值往往偏低, 冰雪提取区域无法完全分离云和雪; 用迭代自组织数据分析方法进行分割, 无法准确区分云和雪; 面向对象的纹理分析方法在操作中涉及更多的参数(如尺度选择和形状权重等), 诸多参数的确定对运算量及处理结果影响较大。本文提出的基于过渡区特征的识别方法, 在总体识别冰雪范围上精度较高, 错分误差较低; 但漏分误差较高, 究其原因, 漏分部分为薄云阴影遮挡区, 具有和云雾相似的过渡区特征, 因而导致冰雪的漏判。

4 结论与建议

根据遥感图像中任何地物均有过渡区、且不同地物的过渡区特征也不相同的特点, 本文通过分析冰雪的物理特征, 建立了基于过渡区的特征描述、并基于聚类分析和SUSAN检测方法获得云雪过渡区; 对比过渡区特征描述因子, 确定冰雪像点; 再经过边界生长和区域填充方法获得冰雪覆盖区的冰雪识别方法。以“ 北京一号” 小卫星的全色图像为实验数据, 应用本文方法实现了对冰雪的识别, 得出如下结论:

1)基于过渡区厚度、方差与均值的特征向量, 描述方法简单, 符合地物物理特性, 且冰雪特征差异显著。

2)本文提出的过渡区特征法识别冰雪的精度显著提高, 其总体精度达97.39%, 明显高于过渡区阈值法等其他方法。

3)用过渡区特征法的冰雪识别结果中细节丰富, 并避免了同质判别函数限制, 为雪线的提取和云雪分离方法研究提供了参考。

综合分析过渡区特征法的复杂程度、运算速度和识别精度, 发现在2个方面仍有待进一步完善: ①识别过程中迭代次数过多, 运算量较大, 需进一步改进算法、提高效率; ②冰雪上薄云阴影的特征有待加入特征分析过程中, 以进一步提高冰雪识别精度。

The authors have declared that no competing interests exist.

参考文献

View Option

[1]	Brynildsen N, Maltby P, Leifsen T, et al. Observations of sunspot transition region oscillations[J]. Solar Physics, 2000, 191(1): 129-159. [本文引用:1] [JCR: 3.805]
[2]	Weszka J S, Rosenfeld A. Histogram modification for threshold selection[J]. IEEE Transactions on Systems, Man and Cybernetics, 1979, 9(1): 38-52. [本文引用:1]
[3]	章毓晋. 过渡区和图象分割[J]. 电子学报, 1996, 24(1): 12-17. Zhang Y. Transition region and image segmentation[J]. Chinese Journal of Electronics, 1996, 24(1): 12-17. [本文引用:1] [JCR: 0.265]
[4]	孙根云, 黄丙湖, 朝旭军. 遥感图像边缘检测的不确定性及其处理方法探讨[J]. 遥感信息, 2010(6): 110-114. Sun G Y, Huang B H, Zhao X J. The analysis of edge detection uncertainty of remote sensing images and its processing method[J]. Remote Sensing Information, 2010(6): 110-114. [本文引用:1] [CJCR: 0.45]
[5]	肖晓玲, 张翔, 吴谨, 等. 基于过渡区的遥感图像分割[J]. 军民两用技术与产品, 2003, 10(3): 44-46. Xiao X L, Zhang X, Wu J, et al. Transition region-based remote sensing image segmentation[J]. Top Technologies and Products, 2003, 10(3): 44-46. [本文引用:2]
[6]	闫成新. 基于局部复杂度的遥感图像分割[J]. 武汉理工大学学报, 2009, 31(18): 160-163. Yan C X. Local complexity based remote image segmentation[J]. Journal of Wuhan University of Technology, 2009, 31(18): 160-163. [本文引用:1] [CJCR: 0.661]
[7]	曾群柱. 我国冰雪遥感回顾与展望[J]. 冰川冻土, 1988, 10(3): 352-355. Zeng Q Z. Review and prospect of snow and ice remote sensing in China[J]. Journal of Glaciology and Geocryology, 1988, 10(3): 352-355. [本文引用:1] [CJCR: 2.221]
[8]	陈刚, 鄂栋臣. 基于纹理分析和支持向量机的极地冰雪覆盖区的云层检测[J]. 武汉大学学报: 信息科学版, 2006, 31(5): 403-406. Chen G, E D C. Cloud detection based on texture analysis and SVM over ice snow covered area[J]. Geomatics and Information Science of Wuhan University, 2006, 31(5): 403-406. [本文引用:1] [CJCR: 0.797]
[9]	龚剑明, 杨晓梅, 张涛, 等. 基于遥感多特征组合的冰川及其相关地表类型信息提取[J]. 地球信息科学学报, 2009, 11(6): 765-772. Gong J M, Yang X M, Zhang T, et al. Information extraction of glacier and its land form classes based on multi-feature remote sensing image combination[J]. Journal of Geo-Information Science, 2009, 11(6): 765-772. [本文引用:1]
[10]	柏延臣, 冯学智. 积雪遥感动态研究的现状及展望[J]. 遥感技术与应用, 1997, 12(2): 59-65. Bai Y C, Feng X Z. Introduction to some research work on snow remote sensing[J]. Remote Sensing Technology and Application, 1997, 12(2): 59-65. [本文引用:1] [CJCR: 1.047]
[11]	陈鹏, 张荣, 刘政凯. 遥感图像云图识别中的特征提取[J]. 中国科学技术大学学报, 2009, 39(5): 484-488. Chen P, Zhang R, LIU Z K. Feature detection for cloud classification in remote sensing images[J]. Journal of University of Science and Technology of China, 2009, 39(5): 484-488. [本文引用:1] [CJCR: 0.347]
[12]	延昊. NOAA16卫星积雪识别和参数提取[J]. 冰川冻土, 2004, 26(3): 369-373. Yan H. Detecting snow and estimating snowpack parameters from NOAA16-AVHRR data[J]. Journal of Glaciology and Geocryology, 2004, 26(3): 369-373. [本文引用:1] [CJCR: 2.221]
[13]	Tou J T, Gonzalez R C. Pattern recognition principles[M]. Massachusetts: Addison-Wesley Publishing Company, 1974. [本文引用:1]
[14]	Sieracki M E, Reichenbach S E, Webb K L. Evaluation of automated threshold selection methods for accurately sizing microscopic fluorescent cells by image analysis[J]. Applied and Environmental Microbiology, 1989, 55(11): 2762-2772. [本文引用:1] [JCR: 3.952]
[15]	章毓晋. 图像工程[M]. 2版. 北京: 清华大学出版社, 2007: 109-113. Zhang Y J. Image engineering[M]. 2nd ed. Beijing: Tsinghua University Press, 2007: 109-113. [本文引用:1]
[16]	刘永学, 李满春, 毛亮. 基于边缘的多光谱遥感图像分割方法[J]. 遥感学报, 2006, 10(3): 350-356. Liu Y X, Li M C, Mao L. An algorithm of multi-spectral remote sensing image segmentation based on edge information[J]. Journal of Remote Sensing, 2006, 10(3): 350-356. [本文引用:1] [CJCR: 1.077]
[17]	张德才, 周春光, 周强, 等. 基于轮廓的孔洞填充算法[J]. 吉林大学学报: 理学版, 2011, 49(1): 82-86. Zhang D C, Zhou C G, Zhou Q, et al. Hole-filling algorithm based on contour[J]. Journal of Jilin University: Science Edition, 2011, 49(1): 82-86. [本文引用:1] [CJCR: 0.624]
[18]	曹云刚, 刘闯. 从AVHRR到MODIS的雪盖制图研究进展[J]. 地理与地理信息科学, 2005, 21(5): 15-19. Cao Y G, Liu C. The development of snow-cover mapping from AVHRR to MODIS[J]. Geography and Geo-Information Science, 2005, 21(5): 15-19. [本文引用:1] [CJCR: 0.972]

2000

3.805

0.0

... 0 引言20世纪30年代,研究者提出了过渡区的概念^[1] ...

1979

0.0

... 1979年Weszka等^[2]首次将过渡区理论引入图像处理领域 ...

1996

0.265

0.0

... 章毓晋^[3]在20世纪90年代后期比较全面地研究了过渡区的理论,且明确指出图像的过渡区像点是由背景和目标之间的部分像点构成的,过渡区的空间位置位于背景与目标之间,过渡区的灰度范围处于背景灰度均值与目标灰度均值之间 ...

0.0

0.45

... 地表现象所固有的模糊性证明了对地观测遥感图像中过渡区的存在^[4,5],而地表的复杂性则反映了遥感图像中不同地物过渡区特征的差异性 ...

2003

0.0

... 地表现象所固有的模糊性证明了对地观测遥感图像中过渡区的存在^[4,5],而地表的复杂性则反映了遥感图像中不同地物过渡区特征的差异性 ...

... 基于图像分割理论,2003年肖晓玲等^[5]利用有效平均梯度提取了遥感图像的目标过渡区 ...

2009

0.0

0.661

... 2009年闫成新^[6]使用局部复杂度参数提取了遥感图像的过渡区 ...

1988

0.0

2.221

曾群柱. 我国冰雪遥感回顾与展望[J]. 冰川冻土, 1988, 10(3): 352-355.

Zeng Q

Review and prospect of snow and ice remote sensing in China[J]. Journal of Glaciology and Geocryology, 1988, 10(3): 352-355.

早在1958年,我国大规模进行高山冰雪调查的初期,就已使用航空象片研究祁连山现代冰川分布及型态特征,收到了很好的效果。70年代末,随着我国卫星遥感技术的兴起和发展,中国科学院兰州冰川冻土研究所首次将诺阿气象卫星影象应用于东北、华北地区积雪的研究,同时组建遥感应用小组(即寒区遥感应用研究室前身)。冰雪遥感专业人员的培养是关系到今后冰雪遥感事业的兴衰。中国科学院有关研究所80年代初派遣一批优秀的中、青年科学工作者赴美国、加拿大遥感中心和英国谢菲尔德大学等进修冰雪遥感、图象处理或攻读冰雪遥感博士学位,他们大部分已学成回国并在各自岗位上发挥作用;另外近几年开始在国内招收培养冰雪遥感硕士研究生。

... 我国基于遥感图像的冰雪识别研究早在1985年初即已开始^[7],近年来基于光学遥感数据的冰雪信息提取方面取得了显著成果,冰雪识别方法研究不再单纯依靠单一的光谱信息,而是加入了地物的空间结构信息,例如: 2006年陈刚等^[8]综合光谱与纹理特征进行了云雪分离 ...

2006

0.0

0.797

陈刚, 鄂栋臣. 基于纹理分析和支持向量机的极地冰雪覆盖区的云层检测[J]. 武汉大学学报: 信息科学版, 2006, 31(5): 403-406.

Chen

, E

D C

. Cloud detection based on texture analysis and SVM over ice snow covered area[J]. Geomatics and Information Science of Wuhan University, 2006, 31(5): 403-406.

This paper presents one cloud detection method over ice-snow covered area in Antarctica.On account of different texture features of cloud and ice-snow area,five texture features are extracted based on GLCM.Then non-liner SVM is used to obtain the best model from training data.The experimental result shows that this algorithm performs well in cloud detection in Antarctica,especially to the thin cirrus.Furthermore,when images are resampled to the quarter or 1/16 size of the full size,cloud percentage does not change greatly,while the processing time decreases exponentially.

　 1 Chinese Antarctic Center of Surveying and Mapping,Wuhan University,129 Luoyu Road,Wuhan 430079,China

使用ASTER卫星影像,综合运用纹理分析和支持向量机的方法来检测云层,特别是对薄卷云的检测。试验表明了本文方法的有效性。

2009

0.0

龚剑明, 杨晓梅, 张涛, 等. 基于遥感多特征组合的冰川及其相关地表类型信息提取[J]. 地球信息科学学报, 2009, 11(6): 765-772.

Gong J

, Yang X

, Zhang

, et al. Information extraction of glacier and its land form classes based on multi-feature remote sensing image combination[J]. Journal of Geo-Information Science, 2009, 11(6): 765-772.

As a typical land cover class of Qinghai-Tibetan Plateau,glacier is widely distributed in alpine terrain.However,field measurement is impossible in those areas because of complex terrain and adverse weather.At first,on the basis of analyzing the glacier image features such as the spectrum and shape,object spatial relations based on context and environment distribution including terrain and climate,this study combined and developed the existing features description algorithm of object-oriented method.Secondly,we build a series of combined extraction models for glacier information using high resolution remote sensing images and DEM data.At last,based on object-oriented method and combined extraction models,the paper tested the glacier landform extraction in the study area under the Western Mapping Project in Qinghai-Tibetan Plateau.Results indicate that the multi-feature combination model is feasible.The researches introduce a new remote sensing auto-extraction approach of glacier information where it is hardly to make field measurement.Moreover,the paper develops some new ideas for researches on glacier ablation monitoring and climatic change.

Institute of Geographical Sciences and Natural Resources Research,CAS,Beijing 100101,China

冰川作为青藏高原的一种典型的地表覆盖类型,在高寒地区广泛分布,往往因为地形复杂,无法实地测绘。本文利用高分辨率遥感影像和高精度的DEM,在分析各种冰川类别的光谱、形状、空间关系、地形和气候等环境分布特征的基础上,综合和发展了现有的特征描述算法,建立了描述各种冰川类别特征的组合提取模型,运用面向对象的自动提取方法,对西部测图区青藏高原试验区进行了冰雪影像自动识别试验。试验结果表明,该方法是可行的,它对难以实地测量的冰雪信息引进了遥感自动提取方法,为研究冰川消融和气候变化拓展了研究思路。

... 2009年龚剑明等^[9]在提取冰川时引入了形状特征,但受遥感图像空间分辨率及空间结构信息限制,识别精度无法大幅提高 ...

1997

0.0

1.047

柏延臣, 冯学智. 积雪遥感动态研究的现状及展望[J]. 遥感技术与应用, 1997, 12(2): 59-65.

Bai Y

, Feng X

Introduction to some research work on snow remote sensing[J]. Remote Sensing Technology and Application, 1997, 12(2): 59-65.

Some methods and techniques of snow remote sensing were briefly discussed in this paper.The contents mainly involved with the characteristics of snow remotely sensed data as well as their possibilities and limits in snow monitoring and snow information extrac- tion.The methods of calculating snowcover area,simulating snow depth and evaluating snow water equivalence were also introduced.Some applications of snow remote sensing in snowmelt runoff simulation and snow disaster monitoring were described.The prospect of snow remote sensing was discussed based on some new developing trends in this field.

(Lanzhou Institute of Glaciology and Geocryology,the Chinese Academy of Sciences,Lanzhou 730000)

简要讨论了积雪遥感研究的现状,主要包括常用传感器的物理参数及其可行性和局限性,云和雪的区分技术,雪盖面积和积雪深度的提取,雪水当量换算以及积雪遥感在融雪径流模拟、雪灾监测与评价、积雪对气候变化的影响研究等方面的应用。并对积雪遥感研究的发展趋势做了简要的分析与展望。

... 在全色遥感图像的冰雪识别中,云和雪的区分是主要技术难点之一^[10] ...

2009

0.0

0.347

... 云雾和冰雪的上述物理特性反映在遥感图像上即为过渡区的差异,因此,可通过选择和优化过渡区的特征来分析和识别冰雪覆盖区^[11] ...

2004

0.0

2.221

延昊. NOAA16卫星积雪识别和参数提取[J]. 冰川冻土, 2004, 26(3): 369-373.

Yan

Detecting snow and estimating snowpack parameters from NOAA16-AVHRR data[J]. Journal of Glaciology and Geocryology, 2004, 26(3): 369-373.

Based on a spectral analysis of snow, soil, vegetation and cloud, in this paper it is indicates that the first two bands of traditional NOAA-AVHRR has trouble to distinguish snow from cloud, and the low reflectance of snow in the middle infrared spectral region can be used to distinguish snow from cloud. In this paper winter snow in northern China can be successfully detected by using newly 1.6 μm middle infrared band of NOAA16-AVHRR. Further, a method to estimate the snowpack parameters is presented, including snow time, snow area and snow depth. The difference of Band 1 and Band 3a for NOAA16-AVHRR is correlated with snow depth data from agri-meteorologic observation stations, and then an exponential fit equation of snow depth is built using curve regression. It is verified that the accuracy of the snow depth is good.

National Meteorological Center, China Meteorological Adminstrative, Beijing 100081, China

通过对积雪、地物和云进行光谱分析,指出传统的NOAA-AVHRR可见光和近红外波段进行云雪识别存在困难,而雪在红外波段的低反射性特点是区分云雪的一个可行途径.利用NOAA16气象卫星新增的1.6μm红外波段,对中国北方冬季的卫星积雪图象进行识别,结果显示,云雪可以准确区分.同时,提出了利用AVHRR资料估算积雪面积、积雪深度和积雪时间的方法,并对积雪深度进行了精度检验.

... 1 聚类分析根据地物光谱仪测定的光谱曲线可知,在可见光波段,云、雪与其他地物具有明显的差异^[12] ...

1974

0.0

... 以距离作为样本相似性度量,可有效地汇集云、雪高反射区(程序实现过程详见文献^[13]) ...

1989

3.952

0.0

... 不同梯度算子对提取过渡区具有差异^[14],主要原因是受图像噪声的影响,故本文选择抗噪声能力强的SUSAN(smallest univalue segment assimilating nucleus)梯度算子实现边缘检测 ...

2007

0.0

... 此方法无需计算微分即可消除噪声影响,并可同时检测边界和角点,不随尺度的变化而改变所检测出的边界位置,且控制参数简单,任意性小,比较容易实现边界的自动化选取^[15] ...

2006

0.0

1.077

刘永学, 李满春, 毛亮. 基于边缘的多光谱遥感图像分割方法[J]. 遥感学报, 2006, 10(3): 350-356.

Liu Y

, Li M

, Mao

An algorithm of multi-spectral remote sensing image segmentation based on edge information[J]. Journal of Remote Sensing, 2006, 10(3): 350-356.

According to the first geographic law of Tobler and the Marr's machine vision theory,an algorithm to segmenting multi-spectral remote sensing imageries has been put forward based on the edge information extracted from them.This algorithm consists of four steps listed below:(1) Detecting edge information in each band of remote sensing imageries using a improved Canny method;(2) Integrating edge information in each band of remote sensing imageries into a binary image by methods such as overlay technique in GIS technology,and then thinning edges in the binary image by techniques of mathematical morphology using a rectangle probe;(3) conjoining disconnected edges according to the characteristics of processing edge such as length,direction and so on,to close each region;(4) at last,labeling region and remove abundant edges that do not compose region.Then,the multi-spectral remote sensing imageries of Quickbird covering the Kumamoto city,Japan,have been taken as a case study for this algorithm,and the result has been compared with other segmentation algorithms such as Multi-Threshold Gray Slice Approach(MTGSA),Iterative Self-Organized Data Analysis Technology Algorithm(ISODATA) image segmentation algorithm,Watershed Segmentation Algorithm(WSA),Fractal Net Evolution Approach(FNEA) and so on.Based on the comparative analysis,conclusions could be drawn out that(1) In term of utilizing brightness information of each band,the scope that the algorithm proposed in the paper is the most comprehensive one,and MTGSA and WSA can only use single band of multi-spectral remote sensing image;(2) The result of this algorithm could be the most satisfied,as it detects edge information of each spectral band respectively,and then integrates as well as connects them together,maximally digging out the detailed features in remote sensing imageries;(3) In the aspect of computational duration,this algorithm is relatively a bit faster than others under the same environment.As the same as the other three approaches,the algorithm proposed in the paper has also confronted the common difficulty of how to confirm the coefficient in the image segmentation procedure.

从Marr视觉计算理论和Tobler地学第一定律出发,提出了基于边缘的多光谱遥感图像分割方法.在基于边缘的多光谱遥感图像分割方法中,由边缘检测、边缘综合、边缘生长、区域标号等环节组成.该遥感图像分割方法在可视化开发平台Delphi中予以编程实现.将之应用于日本熊本市（Kumamoto）的Quickbird多光谱遥感图像中,并与多种遥感分割算法进行了比较：（1）从多光谱遥感图像各波段亮度信息利用的程度上看,提出的遥感图像分割方法能充分利用多波段亮度信息;（2）从遥感图像分割结果上看,由于分别对不同的波段进行边缘检测,并在此基础上进行边缘综合、边缘生长,遥感图像中的细节特征得到了充分体现,遥感图像分割效果更理想;（3）从计算复杂度和计算效率上看,基于边缘的多光谱遥感图像分割法较其他分割方法有一定的优势.

2011

0.0

0.624

张德才, 周春光, 周强, 等. 基于轮廓的孔洞填充算法[J]. 吉林大学学报: 理学版, 2011, 49(1): 82-86.

Zhang D

, Zhou C

, Zhou

, et al. Hole-filling algorithm based on contour[J]. Journal of Jilin University: Science Edition, 2011, 49(1): 82-86.

A new holefilling algorithm based on contour was proposed. First of all, the circumscribed contour to the target area is found and ma rked, then a point in the area is selected as the seed to perform the regiongrowing operation inside the contour until all the points are found. At last, the algorithm eliminates all the marks, and sets the target area foreground color. Experimental results show that the algorithm is adaptable to any kind of hole filling algorithm and efficient. And the speed of the algorithm will be accelerated when the area of the target reduces. When the algorithm is applied in the motion detection system, more complete information of the moving target will be acquired.

College of Computer Science and Technology, Jilin University, Changchun 130012, China

提出一种基于轮廓的孔洞填充算法. 该算法首先查找目标区域的外围轮廓并添加标记；然后将目标区域内一点作为种子点, 以外围轮廓为界进行区域生长, 直至找到目标区域上的所有点；最后消除外围轮廓的标记, 并将找到的目标区域上所有点置为前景色. 实验结果表明, 该算法不仅适用于任意类型的孔洞填充, 而且具有很高的填充效率；随着目标区域面积的减小, 算法的运行速度也会相应提高；将该算法应用在运动目标检测系统中, 能够使检测到的信息更完整.

... 5 区域填充经过上述边界提取,认为绝大部分的边界已经闭合,根据区域生长方法及冰雪灰度特征,本文采用基于边界的向内区域生长方法^[17]进行区域填充 ...

2005

0.0

0.972

... 3 实验及对比分析冰川积雪是我国干旱、半干旱地区河流与地下水的主要补给来源,是局部区域水文循环及生态系统的重要组成部分,也是研究气候变化乃至全球环境变化的重要因子^[18] ...