付寶晶，李自立

（廣西師范大學(xué)電子工程學(xué)院，廣西桂林 541000）

0 引言

河流是自然環(huán)境中最常見(jiàn)的地形特征之一，也是人類(lèi)生產(chǎn)生活的重要依靠。從遙感圖像中進(jìn)行河流區(qū)域提取，對(duì)掌握某地區(qū)的水文特性、環(huán)境保護(hù)和發(fā)展建設(shè)等都有著十分重要的理論和實(shí)際意義。

近年來(lái)，河流提取是圖像分割的熱點(diǎn)，研究算法大致可分為像素閾值法［1］、紋理特征法［2］、形狀輪廓法、機(jī)器學(xué)習(xí)法等。閾值法是圖像分割中的經(jīng)典思想，劉煒［3］等通過(guò)創(chuàng)建特征空間進(jìn)行全局閾值分割粗提水域分布信息。此類(lèi)方法通常能進(jìn)行有效分割，但在圖像復(fù)雜或者目標(biāo)灰度范圍接近的區(qū)域，很難分割目標(biāo)?；诩y理特征分割在光學(xué)圖像中有很好的應(yīng)用，Moslem Ouled Sghaier［4］等基于局部紋理特征和全局形態(tài)學(xué)算子的方法對(duì)河流和湖泊進(jìn)行提取和區(qū)分。此類(lèi)方法能夠?qū)D像進(jìn)行全局的紋理分析，但是也忽略了局部紋理細(xì)節(jié)，也就使得它不能在紋理和像素之間建立聯(lián)系。形狀輪廓提取法在河流提取中也有良好的表現(xiàn)，張祝鴻［5］等利用河流的邊緣形狀特征運(yùn)用筆畫(huà)寬度變換與幾何特征集結(jié)合的方法提取河流。此類(lèi)算法依賴(lài)于檢測(cè)到的河流邊緣，在受到橋梁、山體陰影的干擾下會(huì)影響河流結(jié)構(gòu)的準(zhǔn)確性。機(jī)器學(xué)習(xí)近年來(lái)在河流提取方面有很大的優(yōu)勢(shì)和突飛猛進(jìn)的發(fā)展，李寧［6］等將精致Lee 濾波與卷積結(jié)合，基于河道幾何優(yōu)化的權(quán)值卷積核，提出一種新型的河道提取網(wǎng)絡(luò)模型。章斯騰［7］等提出增強(qiáng)河流剖面特征自動(dòng)提取河流的神經(jīng)網(wǎng)絡(luò)，能夠觀測(cè)河流網(wǎng)絡(luò)的動(dòng)態(tài)變化。其中非監(jiān)督分類(lèi)憑自然聚類(lèi)的特性，在圖像尺寸較大、紋理較為豐富的區(qū)域容易檢錯(cuò)。監(jiān)督學(xué)習(xí)效果較好，但效果和輸入的訓(xùn)練樣本數(shù)量和訓(xùn)練次數(shù)有關(guān)。

綜合現(xiàn)階段的有代表性的研究結(jié)果，基于某單一特征或方法進(jìn)行特定河流區(qū)域提取時(shí)，存在無(wú)法避免的局限性，致使提取的結(jié)果不完整或者干擾較大。針對(duì)以上的方法局限，本文提出一種基于紋理、光譜和幾何形狀多特征融合的方法。綜合考慮圖像河流區(qū)域所蘊(yùn)含的多種信息，獲取全面有效的特征描述，大幅提升河流提取的準(zhǔn)確率和完整度。

1 遙感圖像數(shù)據(jù)分析

本文采用高分一號(hào)拍攝的臺(tái)山市遙感影像進(jìn)行實(shí)驗(yàn)，該數(shù)據(jù)的空間分辨率為2 m，實(shí)驗(yàn)選取的圖像大小為1 500×1 500 像素。圖像包含藍(lán)光通道、綠光通道、紅光通道、近紅外通道4 個(gè)波段，如圖1所示。藍(lán)光波段的水體衰減系數(shù)最小，對(duì)水體穿透能力最強(qiáng)，常用于研究河流、海洋水下環(huán)境狀況等；綠光波段對(duì)水體有一定的穿透力，常用來(lái)反映水下地形、沿岸沙洲等特征；紅光波段位于葉綠素的主要吸收帶，常用來(lái)區(qū)分植被生長(zhǎng)狀況、覆蓋率等；近紅外波段位于水體的強(qiáng)吸收區(qū)，吸收了水體絕大部分的能量［8］。對(duì)比4 個(gè)通道在河流流域上的成像特點(diǎn)，紅外波段中的水體成像部分與其他地物差異較明顯，并且在計(jì)算角二階矩時(shí)也能使水體能量保持最大化。因此，本文選取近紅外波段圖作為河流流域提取的處理對(duì)象。

圖1 遙感影像四通道圖Fig.1 Four bands images of remote sensing image

2 研究方法

首先，基于河流本身具有一定寬度且一致連續(xù)的特點(diǎn)，在一段相對(duì)較短的距離中，該段河流的任意兩個(gè)像素可以認(rèn)為具有相似的灰度統(tǒng)計(jì)特性。本文通過(guò)計(jì)算灰度共生矩陣［9］（Gray Level Co-occurrence Matrix，GLCM）來(lái)反映圖像中的河流紋理信息，選取河流與其他地物對(duì)比效果最明顯的角二階矩圖作為下一步的輸入。然后進(jìn)行OTSU［10］雙閾值分割濾除絕大部分的非河流區(qū)域，但還存在一些小斑點(diǎn)噪聲，通過(guò)構(gòu)造幾何特征濾波器（Geometric feature filter，GFF）進(jìn)行篩選去噪以得到完整的河流流域圖。本文提出的算法流程圖如圖2所示。

圖2 多特征融合算法流程圖Fig.2 Flow chart of multi-feature fusion algorithm

為了將提取過(guò)程描述的更清晰，圖3 為每個(gè)過(guò)程的具體示意圖。（a）是輸入的第四通道紅外波段圖；（b）是通過(guò)計(jì)算灰度共生矩陣得到的角二階矩特征圖；（c）是OTSU 算法進(jìn)行雙閾值分割得到的二值圖像；（d）是經(jīng)過(guò)連通域框選分組后的結(jié)果圖；（e）為通過(guò)幾何特征濾除后的得到的河流效果圖。

圖3 算法過(guò)程示意圖Fig.3 Illustration of the algorithm process

2.1 紋理特征獲取

基于輸入的紅外波段圖，按照以下步驟進(jìn)行灰度共生矩陣的計(jì)算。

（1）灰度級(jí)量化。其函數(shù)表達(dá)式為：

（2）特征值計(jì)算。以目標(biāo)像素點(diǎn)為中心，向鄰域的0°、45°、90°、135°四個(gè)方向都進(jìn)行紋理特征計(jì)算，最后取得4 個(gè)特征值的均值作為最終的結(jié)果以消除旋轉(zhuǎn)噪聲因子。通過(guò)計(jì)算可得到以下矩陣：

（3）特征選取。計(jì)算得到的灰度共生矩陣有多個(gè)統(tǒng)計(jì)量，包括均值、方差、對(duì)比度、角二階矩等。其中選取的角二階矩譜計(jì)算公式為：

圖4為各統(tǒng)計(jì)量結(jié)果示意圖。

圖4 灰度共生矩陣各統(tǒng)計(jì)量示意圖Fig.4 Illustration of GLCM’s statistics

2.2 光譜特征獲取

基于得到的角二階矩圖，用OTSU 算法基于下式進(jìn)行圖像的光譜特征分析。

式中：σ是類(lèi)間方差；w0前景像素占圖像總像素的比例；u0是前景平均灰度；w1背景像素占圖像總像素的比例；u1是背景平均灰度。

2.3 幾何特征獲取

基于得到的二值圖像，先進(jìn)行連通域標(biāo)記［11］。每一個(gè)單獨(dú)的連通域?yàn)橐粋€(gè)標(biāo)識(shí)的目標(biāo)塊。進(jìn)一步可以獲取這些標(biāo)識(shí)塊的質(zhì)心、內(nèi)接圓、外接矩形等幾何參數(shù)。示意圖如圖3（d）所示，每個(gè)紅色矩形框選的區(qū)域?yàn)橐粋€(gè)連通域。

河流在遙感圖像中呈現(xiàn)線性細(xì)條狀，且具有一定的寬度，根據(jù)此特征構(gòu)建幾何特征濾波器，濾除圖像中的非河流區(qū)域噪聲。幾何特征濾波器包括連通域長(zhǎng)度、連通域矩形度、連通域面積與其外接矩形面積比。

（1）連通域長(zhǎng)度l。與其他噪聲相比，河流區(qū)域的l值較大。因此通過(guò)設(shè)定濾波器閾值Tl以濾除小塊非河流區(qū)域噪聲。

（2）連通域矩形度η。用來(lái)描述河流的矩形特征，設(shè)第i個(gè)連通域的矩形度為ηi

式中：Wi，Ll分別為第i個(gè)連通域的寬和長(zhǎng)；η的取值范圍為（0，1］，越接近于0，矩形度越高。認(rèn)定ηi≤Tη的區(qū)域?yàn)楹恿鲄^(qū)域。

（3）連通域面積與外接連通矩形標(biāo)記框面積比β。河流具有彎曲細(xì)長(zhǎng)的特征，連通域矩形框選某一連通域河流時(shí)，面積會(huì)遠(yuǎn)遠(yuǎn)大于該矩形框中河流的面積。第i個(gè)連通域面積與其外接連通矩形標(biāo)記框面積比為：

式中：εi為連通域面積；Si為連通域標(biāo)記框面積，可由Wi和Li相乘得到。

通過(guò)設(shè)定Tβ這一閾值來(lái)濾除掉不符合該特征的區(qū)域。示意圖如圖5所示。

圖5 連通域與外界矩形面積示意圖Fig.5 Examples of external rectangle area

基于上述特征定義幾何特征濾波器g={l，η，β}，對(duì)連通域標(biāo)記后的圖像進(jìn)行篩選濾除，以得到無(wú)噪聲干擾的河流流域圖。

3 提取結(jié)果

基于高分一號(hào)衛(wèi)星獲取的臺(tái)山市遙感影像，該影像共有4個(gè)波段，空間分辨率為2 m，運(yùn)用本文設(shè)計(jì)的方法進(jìn)行河流區(qū)域提取并與其他算法進(jìn)行性能比較和評(píng)估。

3.1 閾值選取

在幾何特征分析中涉及到的閾值選取對(duì)本算法的提取效果至關(guān)重要。這里對(duì)幾何特征濾波器各參數(shù)進(jìn)行討論，尋求最優(yōu)閾值，以獲取最好的提取效果。

河流在連通域中體現(xiàn)為細(xì)條狀，由圖6（c）～（f）可知，合理設(shè)置Tl數(shù)值可以有效濾除非河流的小斑點(diǎn)噪聲?？紤]到河流受到橫穿公路和橋梁以及周?chē)娣e較大湖泊的影響，因此設(shè)置Tl=100，即連通域長(zhǎng)度小于100的將會(huì)被當(dāng)作噪聲濾除。矩形度會(huì)濾除因僅考慮連通域長(zhǎng)度而忽略掉的方形水田、建筑物等地物。當(dāng)ηi≥0.6 時(shí)能有效濾除方形噪聲且保持河流完整流域，如圖6（g）～（j）所示。連通域面積與外接連通矩形標(biāo)記框面積比是刻畫(huà)連通域在矩形框中的填充度，可以有效濾除彎曲度較小的噪聲，河流連通域在其矩形標(biāo)記框內(nèi)的所占比一般是一個(gè)較小的數(shù)值，βi≥0.35時(shí)可以有效濾除山體、矩形水田等地物的干擾，如圖6（k）～（n）所示。

圖6 幾何特征濾波器參數(shù)分析Fig.6 Parameter analysis of Geometric Feature Filter

3.2 處理結(jié)果分析

為了突出本文算法的特點(diǎn)，選取了以下常見(jiàn)方法進(jìn)行提取結(jié)果對(duì)比。包括在遙感影像分割中常用的OTSU 算法、近年來(lái)有學(xué)者提出的SWT 算法以及全卷積神經(jīng)網(wǎng)絡(luò)分割方法中的UNet 算法［12］。為了驗(yàn)證本文算法的普遍適用性，選取了流經(jīng)不同地貌的河流河段。截取的影像大小都為1 500×1 500像素，其中圖1是流經(jīng)林地的河段，河流上方有公路橫穿，公路與河流交接地帶可能對(duì)提取產(chǎn)生干擾。圖2 是流經(jīng)城市區(qū)域的河段，此處的樓房依河而建，離河流較近的樓房對(duì)河流提取會(huì)有一定的干擾。圖3 是流經(jīng)山地區(qū)域的河段，山體陰影對(duì)河流提取存在影響。圖4 是流經(jīng)農(nóng)田區(qū)域的河段，水田以及灌溉溝渠對(duì)河流提取的影響較大。分別使用的OTSU+GFF、SWT+GFF、U-Net以及本文方法提取對(duì)比圖分別如表1的第2～6行所示。

表1 算法提取河流效果對(duì)比圖Tab.1 Algorithm to extract river effect comparison

OTSU 結(jié)合GFF 算法能夠提取到完整的河流形狀，但也包含大量的非河流區(qū)域噪聲。將其與幾何濾波器結(jié)合，能夠?yàn)V除絕大數(shù)的非河流區(qū)域。但河流在林地區(qū)域的公路、城市區(qū)域的樓房、山地區(qū)域的山體陰影處產(chǎn)生了粘連噪聲，是因?yàn)樵摲椒▋H考慮了圖像的灰度特征，在有與其灰度相當(dāng)?shù)匚锏母蓴_時(shí)，很難將其分開(kāi)。

SWT 結(jié)合GFF 算法是依據(jù)圖像中平行的邊緣線進(jìn)行河流提取的，當(dāng)截取的河岸一邊有丟失時(shí)，會(huì)導(dǎo)致該部分的河流無(wú)法提取，如表1 第三行第一列流經(jīng)林地區(qū)域的提取圖所示。此外該算法主要依據(jù)的是圖像的邊緣信息，在依河而建的城市區(qū)域以及農(nóng)田區(qū)域，樓房水田、水渠等與河流距離很近，容易產(chǎn)生邊界不明顯的現(xiàn)象，因此很容易出現(xiàn)噪聲。

U-Net 網(wǎng)絡(luò)使用的訓(xùn)練數(shù)據(jù)集是Sentinel II 衛(wèi)星拍攝的位于不同氣候帶的河流影像，包含2982 對(duì)400×400 像素的彩色遙感圖像和相應(yīng)的河流標(biāo)簽，圖像的空間分辨率為10 m。初始學(xué)習(xí)率設(shè)為0.000 01，動(dòng)量設(shè)為0.9，衰減系數(shù)設(shè)為0.000 000 01，梯度下降法的最小批次設(shè)為2，設(shè)置訓(xùn)練迭代次數(shù)分別為10、50。輸入上述影像對(duì)應(yīng)的彩色圖像用得到的訓(xùn)練模型進(jìn)行分割，結(jié)果顯示當(dāng)epoch=10 的模型對(duì)流經(jīng)林地、城市區(qū)域的河流分割效果較好，河流提取較為完整，但存在少數(shù)粘連噪聲以及少量河岸缺失的現(xiàn)象。耕地區(qū)域的提取結(jié)果中有大量非河流噪聲，而在山地區(qū)域提取失敗。當(dāng)epoch=50時(shí)，流經(jīng)林地、城市區(qū)域的河流出現(xiàn)了過(guò)擬合現(xiàn)象，與河流相似地物如湖泊被當(dāng)作河流提取出來(lái)，而此時(shí)流經(jīng)山地、耕地區(qū)域的河流得到了近乎完美的提取效果。

本文算法綜合兼顧了遙感影像中河流的紋理、灰度、幾何特征，能夠最大程度的保持河流流域的完整性并能有效抑制其它算法出現(xiàn)的噪聲粘連現(xiàn)象。

3.3 結(jié)果定量評(píng)價(jià)

在提取到的河流流域圖中自動(dòng)生成10 000個(gè)隨機(jī)點(diǎn)，設(shè)N0為河流像元個(gè)數(shù)，Nr為正確提取的像元個(gè)數(shù)，Ne為錯(cuò)誤提取的像元個(gè)數(shù)，Nl為漏提取像元個(gè)數(shù)?；谝陨?個(gè)參數(shù)，得到兩個(gè)定量評(píng)價(jià)公式。

（1）準(zhǔn)確率。

（2）完整度。

根據(jù)上述公式對(duì)表1中每一幅圖像分別計(jì)算其準(zhǔn)確率和完整度，基于隨機(jī)點(diǎn)數(shù)的不確定性，進(jìn)行多次實(shí)驗(yàn)取平均值，結(jié)果如表2所示。

表2 定量分析結(jié)果統(tǒng)計(jì)Tab.2 Statistics of quantitative analysis results

從定量分析結(jié)果中可以看出，將本文算法應(yīng)用到四種地形時(shí)，無(wú)論從準(zhǔn)確率還是完整度方面都有明顯的優(yōu)勢(shì)。在山地與耕地區(qū)域得到了近乎完美的河流流域，在流經(jīng)林地和城市區(qū)域由于公路和橋梁的影響，導(dǎo)致該方法在斷連處有很小的局部河流信息丟失。OTSU 算法受到灰度近似的橋梁、公路和建筑物的影響，會(huì)出現(xiàn)幾個(gè)特征濾波器無(wú)法濾除的粘連噪聲，因此在林地、城市和山地區(qū)域的準(zhǔn)確率不高。而在耕地區(qū)域，OTSU 算法有著不錯(cuò)的效果，精度和完整度都可達(dá)到99%以上。SWT算法受到岸邊水田、灌溉溝渠和樓房的影響，在進(jìn)行筆畫(huà)寬度變換時(shí)，與河道構(gòu)建成一個(gè)連通域，幾何特征濾波器對(duì)該部分噪聲失效，所以該算法在林地、城市和耕地區(qū)域的準(zhǔn)確率不高。其中SWT算法在林地區(qū)域的完整度最低，是因?yàn)樗o圖像缺失了河岸的一邊，而該算法非常依賴(lài)邊緣的提取，導(dǎo)致該河段有較多信息丟失。U-Net算法的輸出效果與迭代訓(xùn)練次數(shù)有著密切的聯(lián)系，其中當(dāng)epoch=10時(shí)，流經(jīng)林地、城市的河流都有著不錯(cuò)的提取效果，但是在山地和耕地區(qū)域的河流提取誤差較大甚至提取失敗。當(dāng)加大迭代訓(xùn)練次數(shù)后，山地和耕地區(qū)域河流的精確度得到極大的提升，準(zhǔn)確率和完整度達(dá)到了98%以上。而此時(shí)流經(jīng)林地和城市區(qū)域的河流提取結(jié)果中包含了大量湖泊噪聲，致使河流提取的準(zhǔn)確率下降。

4 結(jié)論

高分辨率遙感衛(wèi)星圖像中河流有多種特征，本文綜合考慮河流包括紋理、光譜以及幾何3 個(gè)方面特征進(jìn)行驗(yàn)證分析。選取流經(jīng)不同地貌區(qū)域的河段實(shí)驗(yàn)并進(jìn)行結(jié)果的定性和定量分析，結(jié)果表明，本文方法是一種適應(yīng)性很強(qiáng)的方法，能夠在不同地貌環(huán)境下準(zhǔn)確提取河流。通過(guò)與對(duì)照組的對(duì)比分析，該方法能最大程度減少灰度近似地物以及河岸缺失的影響，有著較好的性能表現(xiàn)。

但是該算法還存在一定的缺陷：一是由于灰度共生矩陣的計(jì)算量較大，因此在實(shí)驗(yàn)中的計(jì)算速度會(huì)比較慢。如何進(jìn)一步進(jìn)行圖像預(yù)處理縮減灰度共生矩陣的計(jì)算量是下一步要解決的關(guān)鍵問(wèn)題。二是在幾何特征濾波器的參數(shù)閾值設(shè)定需要人為的干涉與判斷，怎樣自適應(yīng)確定濾波器的參數(shù)是下一步工作的重點(diǎn)。