文章快速检索  
  高级检索
基于线状特征增强的TM遥感影像细小河流提取方法
1,2,冯 敏3 ,肖 桐4,王昌佐4     
1. 中国科学院 地理科学与资源研究所 资源与环境信息系统国家重点实验室,北京 100101;
2. 中国科学院大学,北京 100049;
3. Global Land Cover Facility,Department of Geographical Sciences,University of Maryland,College Park,Maryland 20742,USA;
4. 环境保护部 卫星环境应用中心,北京 100094
摘要:混合像元效应是导致难以从TM影像中提取细小河流的主要原因。本文提出一种综合多种数字图像处理技术的细小河流自动识别方法。首先,利用阈值分割来区分水体指数影像中的细小河流与面状水体;然后,对水体指数进行线状特征增强,突出线状河流信息,并抑制其他地物信息;再利用双阈值线段追踪方法,提取影像中的细小河流;最后通过3种方法分别去除阴影、道路和其他类型噪声。结果表明,本文方法能有效地提取细小河流,同时排除多种噪声的干扰,结果的制图精度高于82%,用户精度高于93%,Kappa系数高于0.993,完整度高于90%。
关键词特征提取     细小河流     遥感     水体指数    
A Narrow River Extraction Method Based on Linear Feature Enhancement in TM Image
JIANG Hao1,2,FENG Min3 ,XIAO Tong4,WANG Changzuo4    
1.State Key Laboratory of Resources and Environmental Information System,Institute of Geographic Sciences and Natural Resources Research,Chinese Academy of Sciences,Beijing 100101,China;
2. University of Chinese Academy of Sciences,Beijing 100049,China;
3. Global Land Cover Facility,Department of Geographical Sciences,University of Maryland,College Park,Maryland 20742,USA;
4. Satellite Environment Center,Ministry of Environmental Protection,Beijing 100094,China
First author: JIANG Hao (1984—),male,PhD candidate,majors in remote sensing image processing,land cover change detection.E-mail: Jiangh@lreis.ac.cn
Abstract:Extraction of narrow rivers from TM images is challenging due to mixed-pixel effects. This paper presents an automatic approach for narrow river extraction by integrating multiple digital image processing techniques. Firstly,the threshold segmentation was applied on water-index images to separate from planar water bodies and narrow rivers. Secondly,a linear feature enhancement algorithm is adopted to highlight river information and suppress other information. Thirdly,narrow rivers are extracted using dual-threshold line tracking method. Finally,three methods are selected to remove shadow,roads and other noises. Experimental results show the approach can effectively extract narrow rivers with the producer’s accuracy higher than 82%,user’s accuracy higher than 93%,Kappa coefficient higher than 0.993,and completeness higher than 90%,and avoid impact from multiple kinds of noise.
Key words: feature extraction      narrow river     remote sensing     water index    

1 引 言

从遥感影像中提取水体信息,是土地覆被制图、水域分布数据更新、数字流域构建等技术的关键支撑,并为水资源调查、河流健康评价、灾害评估等应用提供快捷而准确的信息[1]。较植被、城镇等土地覆被类型而言,水体的光谱反射率总体偏低,特征明显[2]。常见的水体提取方法分为4类:单波段阈值法[3]、多波段谱间关系法[4]、水体指数法[5, 6]、监督/非监督分类法[7, 8]。然而,单纯依赖光谱信息,无法有效识别宽度接近影像分辨率的细小河流[1]。原因在于,细小河流深度总体较浅,其像元可能成为包含水体、悬浮泥沙、河床、河岸等非水体地物的混合像元,易与其他地物类型像元混淆[9]

河流具有独特的空间特征,能够用以提高其识别精度[10]。针对TM/ETM+影像,文献[1, 11]利用谱间关系法初步识别河流,然后利用数学形态学方法进行结果修整。文献[12]认为,数学形态学方法适于连接长度小于等于5个像元的间断,否则被连接的河流将发生变形。文献[9]将数字高程模型引入河流识别过程。文献[13]针对SPOT影像,利用DRO(Duda’s road operator)算子结合启发式路径搜索算法提取河流。文献[14]针对高分辨率影像,利用基于空间像素模板的Adaboost方法,有效利用邻近像素的类别来辅助区分河流与其他地物。

本文提出一种利用改进的归一化差异水体指数(modified normalized difference water index,MNDWI)[6]结合多种数字图像处理技术的细小河流提取方法。以TM遥感影像作为数据源,通过在我国北方4省中研究区的试验结果认为,该方法能够提取到90%以上的河流,具有较高的普适性。

2 完整水系的提取策略

本文定义的细小河流其宽度小于等于3个像元。因为对于更宽的河流,其中心像元一般为水体纯像元,具有面状水体的光谱特征,可以通过阈值法进行提取。

本文采用区域划分的方法以获取完整的水系分布(如图 1):对于面状水体,利用全局阈值进行提取,并利用局部阈值确定其边缘,具体方法在2.1节介绍;对剩余区域,利用图 2中描述的方法提取细小河流,具体方法在2.2至2.4节介绍。这两种方法相互补充,通过合并得到最终结果,如图 1

图 1 提取完整水系分布的流程 Fig. 1 Flow chart of water extraction

图 2 细小河流提取流程 Fig. 2 Flow chart of narrow river extraction
2.1 阈值分割

本文采用MNDWI表达水体信息,MNDWI的计算公式如下[6]

式中,ρgreenρswir分别对应TM影像的第2和第5波段。经过试验认为:取0.3这个较高的阈值能有效识别面状水体,且避免绝大多数阴影、城镇的干扰,只是在水陆交界处会漏分部分像元。因此,在已提取像元邻域中,补充满足MNDWI≥0的像元作为水体边缘(图 1)。之后,对面状水体以外的区域(图 1),利用接下来介绍的方法提取细小河流(图 2)。

2.2 线状特征增强

线状特征增强能够突出影像中的线状地物特征,同时抑制其他形状地物特征。河流形状较为复杂,可能笔直(人工河道)也可能蜿蜒曲折(河流源头),为提高普适性,本文对DRO算子进行了修改:①只考虑中心像元值大于左右两侧像元值的像元,避免了DRO算子在阶梯状边缘产生响应的缺陷;②只考虑3个像元,相比考虑9个像元DRO算子,对于蜿蜒曲折的自然河流效果更好。

该算子包含4个方向算子(图 3),计算方法为:对每个方向算子利用式(2)求得方向性线状增强结果LFEi,并且取LFEi的最大值为线状特征增强结果

式中,i表 4个方向算子的序号;而abc分别对应各方向算子中相应位置的像元值(图 3)。这里将本步骤的滤波结果简称为LFE(linear feature enhancement)。

图 3 线状特征增强算子 Fig. 3 Linear feature enhancement operator
2.3 利用双阈值线段追踪方法提取河流

Canny 算法是数字图像边缘检测的经典方法[15]。该方法用高阈值筛选强边缘,然后用低阈值追踪与强边缘相连的弱边缘。本文借鉴该方法:利用双阈值进行河流线段追踪。具体方法为:首先,把所有满足高阈值(公式(3))的像元标记为河流;再将剩余像元中与河流相连接,且满足低阈值(公式(4))的像元标记为河流。

2.4 噪声消除

在提取细小河流的过程中,容易混淆的噪声主要有3种类别,其成因和特点如表 1所示。

表 1 3种噪声的特点和去除方法 Tab. 1 Characters of 3 types of noises and removal methods
噪声原因特点去除方法
山体阴影缺少太阳直射辐射各波段反射率整体偏低对TM2波段设定阈值
道路由线状特征增强引入接近细小河流的LFE值对TM5波段LFE设定阈值
其他复杂多样长度短计算距离并设定阈值

(1) 山体阴影:由于现有的ASTER DEM数据在水体区域质量不高[16],不利于采用地形校正方法去除阴影[17]。文献[18]认为,阴影和水体在TM绿光波段中灰度值差异最大。因此,以绿光波段灰度值小于Tshadow的像元作为阴影。而如果影像地形平坦,则设置0忽略此功能

(2) 道路:道路的MNDWI值接近于裸地、城镇,而高于植被。以植被为背景的道路作为线状信息也会被增强。而在短波红外波段,道路的反射率高于植被,而水体的反射率低于植被。因此,如果该像元满足公式(6),则作为道路而排除

(3) 其他类型:产生原因较多,如呈线状分布的空地,或者机场、煤场等人工设施;之前消噪步骤残留的像元。这些噪声的共同特点是长度短。因此,判断其像元数量(公式(7)),删除较小斑块

3 试验结果与分析 3.1 试验基本情况

本文根据不同的土地覆被类型,挑选我国北方地区的四景TM影像进行试验,其基本情况见表 2。通过人工解译得到参考结果,利用以下4个指标来评价提取效果:制图精度(producer’s accuracy)、用户精度(user’s accuracy)、Kappa系数(kappa coefficient)、完整度(completeness)[19, 20],结果见表 3。其中,前3个指标基于逐像元的对比,而完整度基于河流的长度,公式如下

式中,LrefLt分别为参考、正确提取的细小河流长度。

表 2 影像基本情况与试验参数 Tab. 2 Descriptions of the images and experimental parameters
试验区域背景干扰TM行列号Tshadow
1黑龙江省漠河县4森林、城镇公路、煤场122-0230
2河北省承德市滦河镇5(a)森林、城镇阴影122-0320.5
3宁夏回族自治区青铜峡市5(b)农田、城镇公路130-0340
4青海省果洛州优云乡5(c)草地公路133-0360

表 3 精度比较 Tab. 3 Accuracy comparison
试验提取方法制图精度/(%)用户精度/(%)Kappa完整度/(%)
1本文方法91.795.00.998 94.2
阈值法14.799.70.985 68.2
2本文方法84.393.60.997 91.5
阈值法33.434.80.982 44.1
3本文方法91.996.40.996 97.6
阈值法60.689.80.985 52.9
4本文方法82.096.90.993 90.1
阈值法26.398.20.976 32.4
3.2 试验结果评价

试验1展示了本文方法主要步骤的中间结果。图 4(a)为TM 543波段组合影像,其中较大城镇为漠河县城。其中4条河流分别是额木尔河(图 4(e)中标注为1)、大林河(3)、老槽河(2)和古莲河(4)。图 4(c)是阈值法提取结果,其中额木尔河和大林河的提取结果较完整,而老槽河、古莲河几乎完全无法提取到,制图精度极低。而对比图 4(d)图 4(b)可以看出,经过线状特征增强后,河流和道路在影像中十分突出。图 4(e)为利用双阈值线段追踪方法的初步提取结果,4条河流被完整提取,且相互连接无间断,但其中混合有河滩和道路等噪声,最明显的是4段道路,图中均标以星号。而图 4(f)显示了去噪后的结果,不足之处是老槽河有一处间断,此处的河宽经Google Earth测算小于15 m。

图 4 试验1中原始影像和主要步骤结果(白色区域表示提取结果) Fig. 4 Experiment 1,comparison of original image and results of the main steps (white pixels indicate the extraction results)

试验2的影像中山体阴影较多,阈值法的用户精度在4个试验中最低,因为结果混有大片的阴影和城镇,如图 5(d)所示。而利用本文方法,用户精度显著提升,可以提取影像中两条河流的主要部分,然而其中也存在3处明显间断,其中河宽最宽处为20 m。

试验3的影像中有黄河和4条人工河道。其中,对于黄河等面状水体,两种方法提取效果差别不大,如图 5(e)图 5(k)。但阈值法识别人工河道的效果不佳。而利用本文方法时,4条人工河大部分被提取,右侧一条水渠发生断裂,经测算其河床宽度25 m左右。

试验4的影像位于青海省果洛州优云乡,黄河与优尔曲的交汇处。由于靠近黄河源头,此处的河流蜿蜒曲折,分支交错,河流宽度变化大。黄河宽度大于40 m,而优尔曲的宽度在3 m至15 m不等。结果显示,利用阈值法可以提取黄河干流,但优尔曲只能提取到一些微小片段,如图 5(f)。而利用本文方法可以提取黄河和优尔曲的干流,如图 5(l)

图 5 试验2—4,对比原始影像和提取结果(白色像元) Fig. 5 Experiment 2 to 4, comparison of original images and extraction results (white pixels)
4 结 论

混合像元效应是导致难以从TM影像中提取细小河流的主要原因。本文提出一种细小河流提取方法:①首先利用阈值分割,识别面状水体;②对水体指数进行线状特征增强;③利用双阈值线段追踪方法,提取影像中的细小河流;④去除山体阴影、道路和其他这3类噪声。通过我国北方4省试验区的结果显示,针对宽度小于等于3个像元的细小河流,该方法对比阈值法有明显改善,提取结果的制图精度高于82%,用户精度高于93%,Kappa系数高于0.993,完整度高于90%。

本研究的不足之处在于:①当河流宽度小于像元宽度时,其水体指数值接近于背景而难以提取,因此,关于算法能够提取的河流宽度,存在一个下限,本文根据试验认为,对于宽度小于等于25 m的河流,提取效果将会不稳定,但这一结论缺乏定量化的描述,本文只是根据试验结果作出简单估计;②文中的双阈值线段追踪方法依赖于给定的阈值,在拐弯、淤塞或者阴影处,往往因为个别像元难以识别而发生间断,如何利用启发式方法来自动连接间断,成为今后的研究内容。

参考文献
[1] YANG Shuwen, XUE Chongsheng, LIU Tao, et al. A Method of Small Water Information Automatic Extraction from TM Remote Sensing Image [J]. Acta Geodaetica et Cartographica Sinica, 2010, 39 (6):611-617. (杨树文,薛重生,刘涛,等. 一种利用TM 影像自动提取细小水体的方法[J]. 测绘学报,2010, 39(6): 611-617.)
[2] ZHAO Yingshi. The Principle and Method of Analysis of Remote Sensing Application [M]. Beijing: Science Press, 2003.(赵英时. 遥感应用分析原理与方法[M]. 北京:科学出版社,2003.)
[3] BI Haiyun, WANG Siyuan, ZENG Jiangyuan, et al. Comparison and Analysis of Several Common Water Extraction Methods Based on TM Image [J]. Remote Sensing Information, 2012, 27(5): 77-82.(毕海芸,王思远,曾江源,等. 基于TM影像的几种常用水体提取方法的比较和分析[J].遥感信息,2012, 27(5): 77-82.)
[4] ZHOU Chenghu, LUO Jiancheng, YANG Xiaomei, et al. Geo-understanding and Analysis in Remote Sensing Image[M]. Beijing: Science Press, 2003. (周成虎,骆剑承,杨晓梅,等. 遥感影像地学理解与分析[M]. 北京:科学出版社,2003.)
[5] MCFEETERS S K. The Use of Normalized Difference Water Index (NDWI) in the Delineation of Open Water Features [J]. International Journal of Remote Sensing, 1996,17 (7):1425-1432.
[6] XU Hanqiu. A Study on Information Extraction of Water Body with the Modified Normalized Difference Water Index (MNDWI) [J]. Journal of Remote Sensing, 2005, 9 (5): 589-595.(徐涵秋. 利用改进的归一化差异水体指数(MNDWI)提取水体信息的研究[J]. 遥感学报,2005,9(5):589-595.)
[7] FRAZIER S P, PAGE J K. Water Body Detection and Delineation with Landsat TM Data [J]. Journal of Photogrammetric Engineering & Remote Sensing, 2000,66 (12): 1461-1467.
[8] DENG Jingsong, WANG Ke, LI Jun, et al. Study on the Automatic Extraction of Water Body Information from SPOT-5 Images Using Decision Tree [J]. Journal of Zhejiang University, 2005,31 (2):171-174.(邓劲松,王珂,李君,等. 决策树方法从SPOT-5卫星影像中自动提取水体信息研究[J]. 浙江大学学报:农业与生命科学版,2005,31(2): 171-174.)
[9] ZHU Changming, LUO Jiancheng, SHEN Zhanfeng, et al. The River Linear Water the Adaptive Auto-extraction on Remote Sensing Image Aided by DEM [J]. Acta Geodaetica et Cartographica Sinica, 2013, 42 (2): 277-283.(朱长明,骆剑承,沈占锋,等. DEM辅助下的河道细小线性水体自适应迭代提取[J].测绘学报,2013,42(2):277 - 283.)
[10] LUO Jiancheng, SHENG Yongwei, SHEN Zhanfeng, et al. Automatic and High-precise Extraction for Water Information from Multispectral Images with the Step-by-step Iterative Transformation Mechanism [J]. Journal of Remote Sensing, 2009,13 (4),610-615. (骆剑承, 盛永伟, 沈占锋,等.分步迭代的多光谱遥感水体信息高精度自动提取[J]. 遥感学报, 2009, 13(4):610-615.)
[11] LI Hui, DAI Zhenyong, ZHANG Lihua, et al. Mathematical Morphology Based Drainage Line Extraction from Remote Sensing Image [J]. Geomatics and Information Science of Wuhan University, 2011, 36(8): 956-959. (李辉,代侦勇,张利华,等. 利用数学形态学的遥感影像水系提取方法 [J]. 武汉大学学报:信息科学版,2011, 36(8): 956-959.)
[12] ZHANG Y. A Method for Continuous Extraction of Multispectrally Classified Urban Rivers [J]. Photogrammetric Engineering and Remote Sensing, 2000, 66(8): 991-999.
[13] DILLABAUGH C R, NIEMANN O K, RICHARDSON D E. Semi-automated Extraction of Rivers from Digital Imagery [J]. GeoInformatica,2002, 6(3): 263-284.
[14] SHEN Li, TANG Hong, WANG Shidong, et al. River Extraction from the High Resolution Remote Sensing Image Based on Spatially Correlated Pixels Template and Adaboost Algorithm [J]. Acta Geodaetica et Cartographica Sinica, 2013,42 (3): 344-350.(慎利,唐宏,王世东,等.结合空间像素模板和Adaboost算法的高分辨率遥感影像河流提取[J].测绘学报,2013,42(3):344-350.)
[15] CANNY J. A Computational Approach to Edge Detection [J]. IEEE Transactions on Pattern Analysis and Machine Intelligence,1986,8: 679-698.
[16] ZHAO Guosong, DU Yun, LING Feng, et al. Analysis of Influencing Factors on Height Differences between ASTER GDEM and SRTM3 [J]. Science of Surveying and Mapping,2012,37(4): 167-170.(赵国松,杜耘,凌峰,等. ASTER GDEM与SRTM3高程差异影响因素分析[J]. 测绘科学, 2012,37(4): 167-170.)
[17] HANTSON S, CHUVIECO E. Evaluation of Different Topographic Correction Methods for Landsat Imagery [J]. International Journal of Applied Earth Observation and Geoinformation, 2011,13(5): 691-700.
[18] FEYISA G L,MEILBY H,FENSHOLT R,et al. Automated Water Extraction Index: A New Technique for Surface Water Mapping Using Landsat Imagery [J]. Remote Sensing of Environment, 2014, 140:23-35.
[19] ZHOU Shaoguang, XU Yong. To Extract Roads with No Clear and Continuous Boundaries in RS Images [J]. Acta Geodaetica et Cartographica Sinica, 2008,37 (3): 301-307.(周绍光,徐勇.在高分辨率遥感影像中提取无清晰连续边缘线的道路[J].测绘学报,2008,37(3):301-307.)
[20] LI Yijing, HU Xiangyun, ZHANG Jianqing, et al. Automatic Road Extraction in Complex Scenes Based on Information Fusion from LiDAR Data and Remote Sensing Imagery[J]. Acta Geodaetica et Cartographica Sinica, 2012,41 (6): 870-876.(李怡静,胡翔云,张剑清,等. 影像与LiDAR数据信息融合复杂场景下的道路自动提取[J]. 测绘学报,2012,41(6):870-876.)
http://dx.doi.org/10.13485/j.cnki.11-2089.2014.0114
中国科学技术协会主管、中国测绘地理信息学会主办。
0

文章信息

姜浩,冯敏,肖桐,等
JIANG Hao,FENG Min,XIAO Tong,et al
基于线状特征增强的TM遥感影像细小河流提取方法
A Narrow River Extraction Method Based on Linear Feature Enhancement in TM Image
测绘学报,2014,43(7):705-710
Acta Geodaetica et Cartographica Sinica,2014,43(7): 705-710.
http://dx.doi.org/10.13485/j.cnki.11-2089.2014.0114

文章历史

收稿日期:2013-07-18
修回日期:2014-04-10

相关文章

工作空间