王佳欣，竇小磊

(河南工程學(xué)院 計(jì)算機(jī)學(xué)院，河南 鄭州 451191)

隨著遙感圖像處理技術(shù)的發(fā)展，可采用高分辨率的遙感圖像識(shí)別技術(shù)進(jìn)行水體資源分析，建立高分辨率遙感水陸場(chǎng)景圖像模型，結(jié)合對(duì)地表湖泊、人工蓄水庫(kù)影像資料的分析，建立高分辨率遙感水陸場(chǎng)景圖像特征分割模型，以獲取地表的水體資源信息。通過(guò)對(duì)地表水體邊緣輪廓進(jìn)行提取，經(jīng)過(guò)高分辨率遙感影像水體特征分析，能夠在更大程度上實(shí)現(xiàn)對(duì)地表水資源的保護(hù)和建設(shè)，相關(guān)的遙感影像水體邊緣輪廓提取和識(shí)別方法受到了人們的極大重視[1-2]。

對(duì)遙感影像水體邊緣輪廓提取建立在圖像的信息增強(qiáng)和特征分割基礎(chǔ)上。采用像素信息增強(qiáng)方法，通過(guò)灰度像素特征分析技術(shù)，實(shí)現(xiàn)對(duì)遙感影像水體邊緣輪廓的提取和優(yōu)化分割。傳統(tǒng)方法主要有局部二值分割方法、小波多尺度特征分割方法和灰度像素特征分解方法等[3]。文獻(xiàn)[4]提出了基于局部二值模式的遙感影像水體邊緣輪廓提取方法，實(shí)現(xiàn)了局部區(qū)域遙感監(jiān)測(cè)下的水體資源分割，但該方法在進(jìn)行水陸邊界分割時(shí)模糊度較大，算法的快速收斂性不好。文獻(xiàn)[5]提出了基于形態(tài)學(xué)濾波抑制的遙感影像水體邊緣提取方法，基于顏色特征進(jìn)行水陸分離，該方法僅能反映水體的局部灰度分布特征。文獻(xiàn)[6]提出了基于紋理特征的水體和陸地分割方法，水體和陸地的灰度化圖像差別較大，特征分割的精度不高。

針對(duì)上述問(wèn)題，本研究提出了基于細(xì)化分割的遙感影像水體邊緣輪廓提取識(shí)別方法，采用衛(wèi)星遙感技術(shù)進(jìn)行高分辨率遙感水陸場(chǎng)景成像，采用形態(tài)學(xué)濾波方法進(jìn)行遙感影像水體邊緣輪廓檢測(cè)過(guò)程中的細(xì)化分割和濾波，對(duì)水陸粗分離結(jié)果進(jìn)行形態(tài)學(xué)閉運(yùn)算處理以實(shí)現(xiàn)遙感影像水體邊緣輪廓提取，最后進(jìn)行仿真測(cè)試，展示了本方法的優(yōu)越性能。

1 遙感水陸場(chǎng)景圖像成像和增強(qiáng)處理

1.1 遙感水陸場(chǎng)景成像處理

用灰度像素增強(qiáng)技術(shù)進(jìn)行高分辨率遙感水陸場(chǎng)景圖像像素點(diǎn)的特征檢測(cè)，基于紋理特征進(jìn)行水陸場(chǎng)景圖像檢測(cè)，結(jié)合灰度化的像素特征分解方法[7]，得到高分辨率遙感水陸場(chǎng)景圖像的模糊關(guān)聯(lián)特征量為

rk(1)=0，v=1，v(1)=0，p∈P，v=1。

(1)

根據(jù)水體和陸地的灰度化圖像檢測(cè)方法，得到遙感水陸場(chǎng)景圖像的像素特征分析模型，在深度光照強(qiáng)度分布環(huán)境下進(jìn)行圖像增強(qiáng)處理，提取圖像的模糊隸屬度函數(shù)，得到高分辨率遙感水陸場(chǎng)景圖像的多種紋理特征值為

(2)

通過(guò)紋理特征差異檢測(cè)方法，進(jìn)行圖像的優(yōu)化檢測(cè)和邊緣區(qū)域權(quán)重聚類[8]，得到高分辨率遙感水陸場(chǎng)景圖像的模糊相關(guān)性特征量為

(3)

采用形態(tài)學(xué)濾波方法，提取圖像的模糊度特征量，根據(jù)衛(wèi)星遙感監(jiān)測(cè)方法進(jìn)行邊緣輪廓檢測(cè)。采用單幀向量融合方法，得到高分辨率遙感水陸場(chǎng)景圖像的模糊度函數(shù)為

(4)

基于模糊粗糙集理論，進(jìn)行圖像的優(yōu)化分割和信息采集，采用模糊信息融合檢測(cè)方法[9]進(jìn)行顯著性檢測(cè)，得到高分辨率遙感水陸場(chǎng)景圖像的灰度像素分布矩陣為

(5)

用Retinex算法進(jìn)行圖像信息重構(gòu)，結(jié)合模糊信息檢測(cè)方法，建立高分辨率遙感水陸場(chǎng)景圖像的超分辨率融合模型。

1.2 高分辨率遙感水陸場(chǎng)景圖像增強(qiáng)處理

在不同場(chǎng)景紋理中進(jìn)行遙感影像空間像素特征重構(gòu)，以中心像素的灰度值為閾值建立遙感影像陸地地物的空間結(jié)構(gòu)特征辨識(shí)模型，采用小波域分塊特征匹配方法[10]，得到高分辨率遙感水陸場(chǎng)景圖像的水陸場(chǎng)景樣本分布集為

ikl(z)=bml(gkl·z+fkl)，

(6)

式中：l=1，2，…，R，并且k≠l。 使用超平面作為決策邊界，對(duì)高分辨率遙感水陸場(chǎng)景圖像進(jìn)行亮區(qū)域權(quán)重匹配，得到空間自適應(yīng)參數(shù)為

(7)

對(duì)影像進(jìn)行水體特征檢測(cè)，然后進(jìn)行增強(qiáng)處理，得到遙感水陸場(chǎng)景圖像的灰度特征量為

bnrβ(X)=RβX-RβX1。

(8)

構(gòu)建圖像的模糊度檢測(cè)模型，構(gòu)建遙感水陸場(chǎng)景圖像數(shù)據(jù)集，得到水陸粗分離結(jié)果為

Gnew=(1+μT)(1+λT)Gold，

(9)

(10)

式中：Gnew和Gold分別表示高分辨率遙感水陸場(chǎng)景圖像粗略區(qū)域的新、舊預(yù)測(cè)標(biāo)簽值。

在式(7)的基礎(chǔ)上，通過(guò)灰度像素增強(qiáng)技術(shù)進(jìn)行遙感影像空間分辨率增強(qiáng)處理，在不同場(chǎng)景紋理中進(jìn)行遙感影像空間像素特征重構(gòu)[11]：

(11)

式中：TC為高分辨率遙感水陸場(chǎng)景圖像的尺度特征分解式；Md(Ci)表示Ci中紋理信息分量。

2 遙感影像水體邊緣輪廓提取

2.1 遙感影像的水體邊界點(diǎn)分割

在構(gòu)建高分辨率遙感水陸場(chǎng)景圖像視覺(jué)采樣模型的基礎(chǔ)上，采用模糊視覺(jué)信息重構(gòu)方法進(jìn)行檢測(cè)。模糊信息重構(gòu)建立在衛(wèi)星遙感圖像灰度統(tǒng)計(jì)信息的基礎(chǔ)上，加入圖像的梯度信息，分別構(gòu)造以高斯函數(shù)為核函數(shù)的局部二值灰度擬合模型進(jìn)行信息重構(gòu)和特征提取，實(shí)現(xiàn)對(duì)圖像模糊特征信息的重組。計(jì)算粗略區(qū)域的預(yù)測(cè)標(biāo)簽值，得到高分辨率遙感水陸場(chǎng)景圖像的暗區(qū)域特征分量為

Mi， j=med(…，Xi-1， j-1，Xi， j，Xi+1， j+1，…)，

(12)

(13)

建立高分辨率遙感水陸場(chǎng)景圖像的超分辨率重建模型，分析遙感影像的自適應(yīng)尋優(yōu)模型，得到高分辨率遙感水陸場(chǎng)景圖像像素空間聚類分布值為

(14)

構(gòu)造相似度特征分辨模型，結(jié)合邊緣輪廓特征檢測(cè)方法進(jìn)行圖像的景深重建，得到圖像的邊緣像素集為M×N。采用多模態(tài)特征分解方法，得到高分辨率遙感水陸場(chǎng)景圖像，圖像邊緣狀態(tài)特征分布集為

(15)

式中：η表示高分辨率遙感水陸場(chǎng)景圖像的分塊匹配量化集；φ表示稀疏特征分量；R表示高分辨率遙感水陸場(chǎng)景圖像的模板匹配系數(shù)。

采用細(xì)化分割方法進(jìn)行遙感影像的水體邊界點(diǎn)分割處理。假定待分割圖像的邊緣輪廓被分為內(nèi)部和外部?jī)蓚€(gè)同質(zhì)區(qū)域(即目標(biāo)和背景)，可通過(guò)二值圖像來(lái)逼近。假設(shè)定義域?yàn)棣傅幕叶葓D像I(x，y)被輪廓曲線C劃分為互不重疊的兩個(gè)區(qū)域R1和R2，通過(guò)最小化能量Ecv來(lái)獲得圖像的分割輪廓線，引入一個(gè)核函數(shù)用以定義局部二值擬合能量函數(shù)進(jìn)行細(xì)化分割，構(gòu)建高分辨率遙感水陸場(chǎng)景圖像的多維直方圖結(jié)構(gòu)模型，采用邊緣輪廓檢測(cè)方法，得到高分辨率遙感水陸場(chǎng)景最鄰近的k個(gè)樣本像素特征量為

s(k)=φ·s(k-1)+w(k)，

(16)

(17)

提取高分辨率遙感水陸場(chǎng)景圖像的空間視覺(jué)特征分布值，計(jì)算圖像分割的R、G、B分量，基于 KNN 的水陸區(qū)域粗分離方法，在不同場(chǎng)景紋理中進(jìn)行遙感影像空間像素特征重構(gòu)。以中心像素的灰度值為閾值建立遙感影像陸地地物的空間結(jié)構(gòu)特征辨識(shí)模型，實(shí)現(xiàn)遙感影像的水體邊界點(diǎn)分割[12]。

2.2 遙感影像水體邊緣輪廓檢測(cè)

(18)

式中：r和θ為每個(gè)細(xì)致分區(qū)的水體邊緣輪廓分布系數(shù)。當(dāng)相關(guān)性變量滿足ηm(x，y)∈{-1，0，1}時(shí)，采用重疊粗略分區(qū)的方法，得到高分辨率遙感水陸場(chǎng)景分區(qū)特征分量為

(19)

式中：r為高分辨率遙感水陸場(chǎng)景圖像紋理特征匹配值，0≤r≤1。計(jì)算測(cè)試圖像每個(gè)粗略分區(qū)區(qū)域塊半徑ri內(nèi)的LBP特征，采用形態(tài)學(xué)濾波方法進(jìn)行遙感影像水體邊緣輪廓檢測(cè)過(guò)程中的細(xì)化分割和濾波，對(duì)水陸粗分離結(jié)果進(jìn)行形態(tài)學(xué)閉運(yùn)算處理，得出邊緣輪廓特征分布為

(20)

(21)

式中：c、r分別為高分辨率遙感水陸場(chǎng)景圖像灰度像素分布的列數(shù)和行數(shù)。根據(jù)細(xì)化分割結(jié)果進(jìn)行水體邊界平滑處理，實(shí)現(xiàn)了對(duì)遙感影像水體邊緣輪廓的提取。

3 仿真實(shí)驗(yàn)與結(jié)果分析

為了驗(yàn)證本方法在遙感影像水體邊緣輪廓特征提取中的應(yīng)用性能，進(jìn)行實(shí)驗(yàn)分析。采用MATLAB 2016a仿真工具進(jìn)行程序設(shè)計(jì)，測(cè)試樣本集來(lái)自 Google Earth衛(wèi)星地圖2019年的遙感影像，給出訓(xùn)練圖像的大小為2 000 mm×2 000 mm，水體邊界平滑系數(shù)為0.83，遙感影像的粗分系數(shù)為0.45，對(duì)3組測(cè)試樣本采用本方法得到的測(cè)試結(jié)果如圖1、圖2和圖3所示。

圖1 遙感影像測(cè)試樣本1Fig.1 Remote sensing image test sample 1

圖2 遙感影像測(cè)試樣本2Fig.2 Remote sensing image test sample 2

圖3 遙感影像測(cè)試樣本3Fig.3 Remote sensing image test sample 3

分析上述仿真結(jié)果得知，采用本方法能有效實(shí)現(xiàn)對(duì)遙感影像水體邊緣輪廓的提取，水體邊界平滑性較好，輪廓特征的辨識(shí)度較高。測(cè)試輸出的峰值信噪比越高，遙感影像水體邊緣輪廓提取的精度越高，得到的對(duì)比結(jié)果如圖4所示。分析圖4得知，使用本方法進(jìn)行遙感影像水體邊緣輪廓提取的峰值信噪比較高。

以文獻(xiàn)[4]和文獻(xiàn)[6]為例，測(cè)試用不同方法進(jìn)行遙感影像水體邊緣輪廓提取的準(zhǔn)確率，得到的對(duì)比結(jié)果見(jiàn)表1。分析表1得知，使用本方法進(jìn)行遙感影像水體邊緣輪廓提取的準(zhǔn)確率較高。

圖4 峰值信噪比對(duì)比Fig.4 Comparison of peak SNR

測(cè)試圖像文獻(xiàn)[4]方法文獻(xiàn)[6]方法本方法圖像10.8340.9230.997圖像20.8940.9010.993圖像30.9130.9360.982平均準(zhǔn)確率0.8800.9200.991

4 結(jié)語(yǔ)

本研究提出了基于細(xì)化分割的遙感影像水體邊緣輪廓提取識(shí)別方法。以中心像素的灰度值為閾值建立遙感影像陸地地物的空間結(jié)構(gòu)特征辨識(shí)模型，對(duì)影像進(jìn)行水體特征檢測(cè)，通過(guò)灰度像素增強(qiáng)技術(shù)進(jìn)行遙感影像空間分辨率增強(qiáng)處理，建立高分辨率遙感水陸場(chǎng)景圖像的超分辨率重建模型，采用重疊粗略分區(qū)的方法，得到水陸場(chǎng)景分區(qū)特征，根據(jù)細(xì)化分割結(jié)果進(jìn)行水體邊界平滑處理，實(shí)現(xiàn)了對(duì)遙感影像水體邊緣輪廓的提取。通過(guò)仿真實(shí)驗(yàn)可知，采用本方法進(jìn)行遙感圖像水體分割的邊界平滑性較好，特征提取精度較高。