基于高分辨率遙感影像的河流信息提取方法

盛 君 王 杰 孫 策 洪年祥 高亞萍

(1.杭州天圖地理信息技術公司 浙江杭州 310012；2.浙江省測繪科學技術研究院 浙江杭州 310000)

近年來，隨著我國航空工業的飛速發展，高分辨率航空遙感影像在各行業與領域中不斷應用。作為空間地理實體與要素中的重要組成部分，在人們日常生產生活中具有重要作用。將高分辨率遙感影像與河流信息聯系起來，充分利用河流信息在高分辨率遙感影像中的空間分布特征提取河流信息具有重要的應用價值。

基于高分辨率遙感影像的河流信息提取方法研究經歷了兩個階段：一是基于像元的方法，這類方法是將研究對象細化為每一個像元，主要包括決策樹、多波段譜間關系法和最大似然法等[1-3]。這類方法的缺陷是只考慮單個像元，沒有考慮像元之間的關系，使得河流信息提取效果不明顯。二是基于面向對象的方法，這類方法在研究像元本身的基礎上，考慮了像元鄰近范圍內的空間形態特征[4]。首先，根據光譜差異對像元進行分簇，實現影像分割，然后通過不同算法對分割對象進行分類與檢測[5]。付勇勇等[6]基于面向對象分析技術，提出一種選取最佳分割尺度和特征規則的方法，采用高分二號(GF-2)遙感影像數據提取河流信息，能夠有效地提取復雜水網平原水體信息；李艷華等[7]使用基于規則的面向對象的方法實現了對山區細小水體的精確化提取，并利用形態學膨脹濾波及Pavlidis異步細化算法對提取的細小水體進行后處理,最終得到細小河流的矢量化水系圖；黃帥等[8]以GF-1遙感影像為數據源，基于面向對象的河流信息提取方法提取河流信息，提取結果較最大似然分類法更好。隨著機器學習分類器算法的不斷發展，基于面向對象河流信息提取的準確率也得到相應的提高，但仍存在河流提取結果中斷、河流識別率低等問題。本文充分發掘遙感影像中多特征融合的優勢，提出了一種基于多特征融合的河流信息提取方法，并通過試驗對提出的方法進行驗證。

1 研究方法與思路

河流、湖泊水體在紅外遙感影像中表現為藍黑色或紅色，在真彩色影像中表現為綠色或墨色，這種顏色上的差異有助于目視判別。本文根據水體在水體指數、陰影水體指數、紋理特征和顏色特征方面與遙感影像中其他地理要素的差異，對初始水體進行檢測，然后通過對提取水體邊界進行優化得到最終水體檢測結果，技術路線如圖1所示。

圖1 水體檢測技術路線

1.1 水體指數

水體信息對近紅外波段具有較強的吸收特性，對綠色波段具有較強的反射特征，根據這種特征差異性可以有效提取水體信息，抑制背景地物。根據二者的具體吸收與反射量化值可計算得到歸一化差異水體指數(NDWI)[10]。NDWI閾值可根據具體影像區域的特征進行設置。

(1)

式中：b1、b4分別為綠波段和近紅外波段的亮度值。

1.2 陰影水體指數

為了得到較為“干凈”的水體信息，需要濾除陰影信息?？梢酝ㄟ^構建陰影水體指數(SWI)的方式區分陰影信息[11]。

SWI=b1+b2-b4

(2)

式中：b1、b2、b4分別為綠波段、藍波段和近紅外波段的亮度值。

1.3 紋理特征

遙感影像中，水體區域紋理信息通常較為均勻與平緩，表現出較強的噪聲抵抗力，而非水體區域地理要素的紋理信息則較為豐富。因此，可根據水體與其他地理要素紋理特征的區別進行水體信息提取。本文使用線性反投影算法(Local Binary Patterns，LBP)進行紋理特征提取。LBP算法對影像旋轉、變形及強度變換具有一定的不變性，能夠提取影像不同尺度的局部特征。LBP算法實現紋理特征提取的方法[11]：首先，創建3×3像素窗口，比較鄰域像素值與窗口中心像素值大小，若鄰域像素值大于窗口中心像素值，則將該鄰域位置標記為1，否則標記為0，最終得到8個0與1；其次，將0與1排列得到一個二進制數據，轉換此二進制數后的十進制數即為中心要素局部紋理值，如圖2所示。局部紋理值可有效表現出不同地理要素紋理特征。

圖2 基于LBP算法的紋理特征提取

1.4 顏色特征提取

在遙感影像中，水體區域的顏色通常表現為偏綠或偏黃。為了量化地理要素的顏色特征，計算顏色特征值，假設影像波段號為i，則第i波段像素均值為

(3)

式中：mi為像素均值，pi,j為像素值，n為像素個數。

影像離散程度可表示為

(4)

1.5 多特征融合

水體與非水體區域通常很難通過單一特征來反映，本文采用特征值串聯的方式將多特征量化值進行融合，以充分挖掘水體區域信息。因上述特征量化的數據級別不同，故在基于特征進行影像分類前需要對多種特征數據進行歸一化處理，避免不同特征在分類時相互影響。特征向量x歸一化后的特征值yi為

(5)

式中：xi為特征向量值；xmin、xmax分別為x的最小值和最大值。

遙感影像中，特征影像的總維數就是顏色特征中的2個特征值、紋理特征中的1個特征值、水體指數中的1個特征值及陰影水體指數中的1個特征值的和。

2 算法實現過程

2.1 選擇機器分類器

水體邊界提取其實就是一種影像二分類，通常使用隨機森林(RF)分類器、極限學習分類器、支持向量機(SVM)和AdaBoost集成分類器等[12]進行影像二分類。本文根據遙感影像中的不同特征，使用分類器進行水體邊界提取試驗。本文通過對隨機森林(RF)分類器、極限學習分類器、支持向量機(SVM)和AdaBoost集成分類器進行試驗對比分析，以選擇合適的分類器。水體檢測精度通常用準確率A、精確率P及召回率R來評價?；谏鲜?種分類器對水體的提取精度如表1所示。

表1 4種不同分類器提取的水體精度單位:%Tab.1 Precision of Water Body Extracted by Four Classifiers試驗精度指標RF極限學習分類器SVMAdaBoost試驗1A91.7494.2192.3593.02P82.0484.6883.1583.21R79.1081.3479.2479.83試驗2A89.5693.7290.7891.27P82.1383.3081.6782.42R78.2780.1077.4079.02

由表1可知，試驗1中極限學習機分類器的準確率A、精確率P及召回率R分別為94.21%、84.68%、81.34%，試驗2中準確率A、精確率P及召回率R分別為93.72%、83.30%、80.10%，相比于其他分類器，極限學習機分類器的水體提取精度更高，表明極限學習機分類器更適用于本文提出的多種融合特征的河流信息提取方法。

2.2 水體邊界優化

使用分類器檢測待檢測遙感影像中的所有對象，得到初始水體檢測結果。初始水體檢測結果中存在誤檢現象，本文使用顏色空間距離、紋理相似度與角點分布差異3種判斷依據，剔除錯誤匹配對象。

2.2.1 顏色空間距離

在顏色空間中定義：

(6)

式中：DRGB，q為水體區域與待確定對象的顏色空間距離，mi為該影像對象的均值向量。

指數函數PRGB=10DRGB,q，將其作為距離閾值，若計算顏色空間距離大于該閾值，表明待檢測對象非水體。

2.2.2 紋理相似度

首先定義水體對象與待檢測對象在紋理空間中的距離，通過比較計算距離與紋理距離閾值的大小判斷待確定對象是否為水體。紋理距離閾值PLBP可表示為

PLBP=10DLBP,q

(7)

式中：DLBP,q為水體對象與待確定對象的距離，也是待確定對象紋理特征值mLBP,q與紋理均值mLBP的差值。

2.2.3 角點分布差異

水體區域在遙感影像中的表現通常較為平坦，水體對象的角點特征數量少，而非水體區域的角點特征數量相對較多，故可基于角點分布的差異來判斷待確定對象是否為水體。角點分布指標mc.q為某待確定對象的角點總數N與像素總數S的比值，其中角點特征通過MinEigen算子提取得到。

若存在面積較大的待確定對象，需要選擇并計算5個子區域角點分布指標均值mc，則角點分布差異Dc,q可表示為

Dc，q=|mc，q-mc|

(8)

角點分布判斷依據Pc=10Dc,q，若N>Pc，則表示待確定對象為水體對象。通過不斷試驗，當N=2.2時，水體提取效果最好。

2.2.4 投票決策

本文根據顏色空間距離、紋理相似度與角點分布差異3種特征之和判斷依據，基于軟投票方法判斷待確定對象，決策函數為

P=PLBP+PRGB+Pc

(9)

設置投票閾值T，當待確定對象的投票值P小于閾值T時，將對象標記為水體區域，否則標記為非水體區域。經過多次試驗，當投票閾值T=2.5時，水體檢測效果最好。

3 試驗與結果分析

為了對基于多特征融合的河流信息提取方法的有效性及優越性進行檢驗，本文選取某地2019年高分辨率遙感影像作為數據源進行試驗驗證，使用準確率A、精確率P及召回率R來評價提取結果。其中，準確率A表示提取正確樣本占總樣本的比例；精確率P表示正確提取為水體的樣本占總水體樣本的比例；召回率R表示正確提取為水體的樣本占提取出水體樣本的比例。3種評價指標可表示為[13]

(10)

式中：FN為非水體中錯誤判斷像素數量，TN為非水體中正確判斷的像素數據，Fp為水體中錯誤判斷的像素數量，Tp為水體中正確判斷的像素數量。

影像數據分辨率為0.5 m，影像大小均為6 908個像素×7 300個像素。在樣本數據訓練中，為了得到更多樣本數據，對訓練數據進行平移和旋轉。

依次提取遙感影像中的多種特征，構建五維特征空間向量，使用極限學習機分類器進行訓練。選擇一組高分辨率遙感影像數據作為試驗數據，使用訓練后得到的模型對試驗數據中的水體區域進行檢測，結果如圖3所示。

圖3 遙感影像水體檢測結果

由圖3可知，初始水體檢測結果中包含較多的高大建筑物和樹木的陰影信息，通過軟投票法有效去除了陰影的干擾，得到優化后的水體檢測信息。初始水體檢測結果及優化后水體檢測結果的精度統計如表2所示。

表2 水體初始檢測結果與優化后結果精度統計 單位:%Tab.2 Accuracy Statistics of Initial Detection Results and Optimized Results of Water Body檢測結果APR初始檢測90.2486.6478.87優化后檢測94.7591.2290.84

由表2可知，初始水體檢測結果中，相比于精確率與召回率，準確率更高，為90.24%，是由于初始水體檢測中的誤檢和漏檢現象較為嚴重。通過軟投票法對初始水體檢測結果進行優化，優化后的水體檢測結果無論是正確率、精確率還是召回率都有了一定程度的提升，其中召回率的提升率最高，從而驗證了本文提出的基于多特征融合的河流信息提取方法的有效性及優越性。

4 結 語

本文提出的高分辨率遙感影像多特征融合的河流信息提取方法，充分考慮了遙感影像中的多種空間特征，通過極限學習機分類器結合軟投票法提取河流信息，并進行了試驗驗證。

結果表明，與初始水體檢測結果相比，使用軟投票算法優化后的水體檢測結果無論是在準確率、精確率還是召回率上都有了一定程度的提高，有效抑制陰影信息的干擾。由于本文使用的試驗數據有限，得到的結果還有待進一步驗證，下一步將擴大范圍，進行整個流域或更大范圍的河流水系提取研究，同時將本文方法應用于遙感影像中其他地理要素的識別與檢測等。