出版日期: 2017-05-25
点击次数:
下载次数:
DOI: 10.11834/jrs.20176157
2017 | Volumn21 | Number 3
上一篇  |  下一篇


 
海岸线遥感光谱角度—距离相似度生长模型自动化提取
expand article info 詹雅婷1,2 , 朱利3 , 孙永华4 , 苏晓蓓5 , 侯海倩6
1. 江苏省地质调查研究院,南京 210049
2. 中国科学院遥感与数字地球研究所,北京 100101
3. 环境保护部卫星环境应用中心,北京100094
4. 首都师范大学 资源环境与旅游学院,北京100483
5. 西安欧亚学院 建筑工程分院,西安 710065
6. 黑龙江地理信息工程院,哈尔滨 150086

摘要

海岸线变迁是沿海生态系统变化的重要指示因子,是国家海洋经济关注的重要组成部分。本文通过构建光谱角度—距离相似度模型,解决HJ-1B/IRS红外传感器在海岸线自动化提取应用中的可行性问题,以及当前方法应用于不同时相数据过程中的阈值不稳定性问题,拓展IRS传感器的应用领域和价值。光谱角度—距离相似度模型以多光谱像元归一化辐射值为向量元素,度量不同像元在单位空间距离上的角度相似性,以迭代方式分析水体样本像元与周边八邻域相邻像元的角度—距离相似性,通过相似性约束对水体样本进行区域生长以获取水岸分界线。通道辐射归一化分析表明采用反射率和量化等级最大值归一化的通道值能很好地反映地物随季节的变化;样本相似度分析表明以水体和非水体相似度两倍方差(0.01)为误差的生长阈值(0.98)适用于全时相影像水岸线提取,总体精度优于80%。验证数据分析表明,角度—距离相似度模型阈值稳定、不受时相影响。通过与常用的High Pass卷积滤波、Roberts卷积滤波、Sobel卷积滤波、Laplacian卷积滤波、FFT高通变换和Canny提取结果比对分析表明,High Pass、Laplacian和FFT变换无法应用于IRS传感器,Roberts和Sobel相对来说能较好的识别水陆边缘,Canny在正常噪声条件下也能有效识别水陆边缘。但这些算法在识别水陆边缘线的同时,也将内陆地物边缘线进行了识别,如何将内陆地物边缘线从识别结果中有效去除,是这些方面所面临的重要难点。比较而言,角—距相似度模型能很好的应用于IRS传感器的海岸线提取,对传感器的噪声并不敏感,在B4通道非正常水平噪声条件下也能提取出理想结果,而且后续处理简单,不存在内陆边缘线的干扰问题。光谱角度—距离相似度模型对海岸线识别精度较高、模型参数稳定,能有效地提升IRS传感器在海岸线提取方面应用价值。在实际应用过程中需要避免的是,既覆盖陆地又覆盖海洋的云团会遮挡地物光谱信息,造成海岸线无法有效分离,因此需要对影像数据进行有效的筛选。本文基于遥感影像提取的海岸线只是瞬时水边线,需要进一步结合海岸线的类型以及潮位数据和DEM等数据进行修正得到最终的海岸线。

关键词

海岸线, 角度—距离相似度, IRS, 遥感

Automatic extraction of coastline via spectral angle-distance similarity growth model
expand article info ZHAN Yating1,2 , ZHU Li3 , SUN Yonghua4 , SU Xiaobei5 , HOU Haiqian6
1.Geological Survey of Jiangsu Province, Nanjing 210049, China
2.Institute of Remote Sensing and Digital Earth Chinese Academy of Sciences, Beijing 100101, China
3.Satellite Environment Center, Ministry of Environmental Protection, Beijing 100094, China
4.Capital Normal University, College of resource environment and tourism, Beijing 100483, China
5.Xi’an Eurasia University, Xian, College of Construction Engineering, Xi’an 710065, China
6.Heilongjiang Institute of Geomatics Engineering, Harbin 150086, China

Abstract

Coastline change is a major indicator of alterations in the coastalecosystem and has been the focus of attention in marine economy. In this study, the spectral angle-distance similaritygrowth model was established to address the feasibility of automatic coastline extraction HJ-1B/infrared scanner (IRS) and the instability problem of the threshold value of traditional methods that use data at different phases. This model broadens the application and increases the value of IRS. The spectralangle-distance similarity growth modelutilizes the normalized radiation values of multispectralpixels as vector elements, which measure the anglesimilarity of different multidimensional vectors in the distance space. This model also analyzes the angle-distance similarity of water sample pixels and eight neighborhood pixels through iterative calculation. The water-land boundary was determined with the regional growth of water sample pixels via similarity constraint. The analysis of channel radiometric normalization showed that normalized channel values with reflectance and maximum quantization level reflect landmark change with time. The sample similarity analysis showed that the model was suitable forwhole-phase coastline extractionby taking two time standard deviation (0.01) of similar water bodies and other landmarksas the growth threshold (0.98), and that the general accuracy was more than 80%. Verification data analysis indicated that the threshold of the angle-distance similarity growth model was stable and was unaffected by phase. Comparing the extraction results of digital image edge detection methods, such as high-pass Filter, Roberts filter, Fast Fourier Transform (FFT), and Canny algorithm, revealed that these methods caused numerous broken stripes and spots in a complicated topography area. The extraction result of the waterlineshowed a mixture of numerous cracks and gaps, which hindered the further processing of the coastline. FFT was not applicable for coastline extraction through IRS given that the influence of stripe noises. Moreover, the coastline cannot be extracted through high-pass and Roberts filters, except for Canny algorithm, when the noise of IRS B4 was normal. However, Canny algorithm cannot be used when the noise was non-normal. These algorithms extracted coastlines with multi-inland border lines, which were difficult to remove. The effective removal of inland border lines from the extraction result was a difficult problem for these algorithms. By comparison, the angle-distance similarity model can be applied to coastline extraction viaIRS sensor, which was not sensitive to the noise sensor. It can also obtain desired results when the noise of B4 was non-normal. Furthermore, the subsequent processing was simple because no inland border lines interfered. This model enhances the application value of the IRS sensor in coastline extraction. The cloud cluster covered both land- and sea-occluded spectrum information, which led to ineffective coastline extraction. Therefore, data selection is necessary before application. The coastline, which is extracted from remote sensing images in this study, only included the instantaneous waterline and not the coastline in the strict sense. Artificial coastline and bedrock shoreline can be directly used as shoreline. However, the final extraction result of gravel coastlines, mangroves, and estuary coastlines need to be modified using tide and digital elevation model data.

Key words

coastline, angle-distance similarity, IRS, remote sensing

1 引 言

海岸带地处海陆之交,凭借其自身丰富的自然资源和优越的地理位置已成为人类竞争和开发的重要区域(严海兵 等,2009),是响应全球气候变化最迅速和生态环境最敏感的地带(李学杰,2007)。海岸线的变化不仅标识了海岸带水陆分界线的不稳定性,更对沿海生态系统的健康状态具有重要的指示作用,海岸线的侵蚀与增长已成为全世界广为关注和研究的问题之一(常军 等,2004)。20世纪90年代以来,海岸带的海陆相互作用以及海岸线的变迁,受到国际地圈生物圈计划(IGBP)、热带海洋和全球大气实验计划(TOGA)、海岸带海陆相互作用研究计划(LOICZ)、世界大洋环境实验计划(WOCE)、全球大洋能量联合研究计划(JGOFS)以及美国宇航局(NASA)等多方的重视和探索。中国近30年来,多次开展了全国范围内的海岸线调查工作(Yang 等,2004)。深入研究海岸线变化,为海岸资源的管理和开发提供动态、科学和及时有效的信息,对于推进沿海地区的可持续发展,更好地实现国家海洋经济战略具有重要的现实意义(高志强 等,2014朱俊凤 等,2013)。

基于不同的应用目的,海岸线的概念定义有所不同,目前中国在海洋管理工作中使用的是平均大潮高潮线作为海陆分界线(严海兵 等,2009)。作为海岸线提取的必要前提,水边线的提取是必不可少的(马小峰 等,2007),利用遥感技术进行海岸线提取的实质或核心仍是遥感图像上水边线的检测与提取(冯兰娣 等,2002)。根据研究区域环境的不同,海岸线遥感提取方法也会不同,包括阈值分割法(Alesheikh 等,2004樊彦国 等,2009江冲亚 等,2011)、边缘检测法(Lee和Jurkevich,1990Zhang和Wang,2010)、Canny算子提取法(Liu和Jezek,2004曾文静 等,2012张朝阳 等,2005朱小鸽,2002)、区域生长种子法(谢明鸿 等,2007)、小波变换及神经网络分类法(冯兰娣 等,2002)、数学形态学法(Puissant 等,2008;[2016-05-19] https://www.researchgate.net/publication/ 241872172_MORPHOLOGICAL_AUTOMATIC_EXTRACTION_OF_PAN-EUROPEAN_COASTLINE_FROM_LANDSAT_ETM_IMAGES)、面向对象分类法(Heene和Gautama,2000)、纹理分析法(Bo 等,2001)和多时相分析法(Chen,1998)等。在实际应用过程中,需要考虑研究区域的实际情况选择几种不同的方法,再逐步调整方法的各种参数进而获取目视判断的最优结果,过程耗时费力,参数确定困难。遥感技术直接提取的只是水边线,即卫星过境时刻的水陆分界线,并不是真正意义上的海岸线,需要进一步通过不同模型的修正得到平均大潮高潮线,如基于潮位校正模型和基于潮间带校正模型等(申家双 等,2009)。

HJ-1B/IRS传感器已成功应用于中国多行业领域的遥感应用,如地表温度反演,森林火灾监测,云识别等方面。由于IRS通道设计的特殊性,其在海岸线监测中尚末有相关研究成果发表。本文以IRS传感器影像为处理对象,通过构建适用于IRS传感器的海岸线识别模型,探索IRS传感器在海岸线遥感监测应用中的价值,解决当前算法在不同时相影像数据应用过程中的最优阈值难以确定及不稳定的问题,以期拓展国产卫星的应用领域和价值。

2 研究区概况及传感器特性分析

2.1 研究区概况

研究区位于广东省珠江三角洲东南侧近海地区,覆盖惠州市大亚湾,深圳市大鹏湾,珠江出口大东湾等地区,地理空间坐标范围为(114°05′30″E—115°02′30″E,22°04′30″N—23°10′30″N)。受地质构造的影响,珠三角地区形成海岸线曲折、港湾众多、岛屿星罗棋布的地貌特色。该地区海岸线类型复杂多样,主要包括河口岸、人工岸、基岩岸、沙砾岸和红树林岸等(朱俊凤 等,2013),可为海岸线的遥感监测研究提供良好的自然条件。

2.2 传感器特性分析

HJ-1B/IRS传感器4个通道涵盖了从近红外到热红外的光谱范围,如表1所示。受到传感器探元噪声的影响,目前中红外通道B3已经无法获取有效数据,其他通道仍在轨成像。

表 1 HJ-1B传感器参数设置
Table 1 Sensor Parameters of IRS

下载CSV 
平台 载荷 波段 光谱范围/μm 空间分辨率/m 重访周期/d
HJ-1B IRS B1 0.75—1.10 150 4
B2 1.55—1.75 150
B3 3.50—3.90 150
B4 10.5—12.5 300

与成像范围在可见—近红外谱段的传感器相比,IRS传感器在时空分辨率和波段设计方面具有独特的识别海岸线的特性:

(1) 在传感器时空分辨率表现方面,IRS不但具有重访周期4天的高时间分辨率,而且其720 km的大幅宽约占中国大陆海岸线总长度(1.8万 km)的4%,能为海岸线应用提供丰富的有效数据,使得高频率大范围的遥感监测成为可能;

(2) 由于水体在近红外波段(IRS B1,B2)比在可见光波段具有更弱的反射信号,因此能更加突出水陆的光谱差异,能更有利于水体信息与其他地物的区分识别;

(3) 植被和含沙物质(如自然沙滩、砾石、水泥路和混凝土等)是分布于岸边带的重要地物类型,健康植被在近红外0.7—1.4 μm和1.5—1.9 μm谱段内存在两个明显的反射峰区间,而IRS B1通道(0.75—1.10 μm)和B2通道(1.55—1.75 μm)则刚好位于该反射峰之内;沙子在热红外10—14 μm谱段内的发射率(0.92—0.96)要明显低于水体发射率(0.98—1),且其比热容约为水体比热容的1/5,因而表观热辐射在同等光照条件下比水体要高很多,而IRS B4通道(10.5—12.5 μm)则刚好在此谱段范围之内,因此IRS能更好的对岸边植被和沙质材料进行区分;

(4) 在热红外波段不存在可见光波段的镜面反射以及各种因素引起的白帽效应,水表热辐射的空间变化也要小得多,因而水表纹理结构在热红外波段表现得更为微小,更有利于水体信息在空间上的识别。

综上分析可知,IRS传感器在海岸线遥感提取中具有很大的应用潜力,需要结合其特征构建合理的提取模型,以便最大程度发挥其价值。

3 数据预处理与影像岸线特征分析

3.1 数据预处理

本文使用分布于2013年不同月份、涵盖四季的8景IRS影像(如表2所示)作为实验数据进行地物影像特征分析与模型构建。在此之前,利用2013年1月14几何精度更高的Landsat 7/ETM+数据作为参考影对所有IRS实验数据进行几何精校正,如图1所示。在几何精校正基础之上,利用式(1)和表3参数对IRS传感器B1, B2通道的记数值DN进行辐射定标,获取通道表观反射率ρ图2所示。图2中给出研究区域内几种不同类型岸线的代表性位置分布。

$\begin{array}{l}L = {\rm {DN}}/A\\\rho = \pi L/(\mu {E_0})\end{array}$ (1)

式中,L为传感器通道定标后的表观辐亮度,单位W·m–2·sr–1·μm–1,DN为传感计数值,A为通道增益,单位W–1·m2·sr·μm,ρ为表观反射率,μ为传感器观测天顶角余弦值,E0为大气外界通道辐照度,单位W·m2·μm。

表 2 实验数据成像时间分布
Table 2 Time series of study imagery

下载CSV 
春季 夏季 秋季 冬季
2013-03-07 2013-06-30 2013-09-18 2013-01-13
2013-05-30 2013-08-11 2013-11-30 2013-12-20
图 1 ETM+假彩色合成参考影像
Fig. 1 False color reference image of ETM+
图 2 IRS几何精校正后假彩色合成影像
Fig. 2 False color IRS images after geometric correction

表 3 IRS传感器绝对辐射定标参数
Table 3 Absolute radiometric calibration coefficients of IRS

下载CSV 
卫星 系数 B1 B2
HJ-1B/IRS A 4.182 17.160
E0 869.734 221.718

3.2 影像岸线特征分析

为了分析不同类型岸线的影像色调特征,分别从图2中提取几种不同类型海岸的局部影像,如图3所示。可以看出,河口类型岸线在入河口处的影像色调表现为灰色且较为模糊,这主要是由于入河口处水位较浅,近红外波段成像信息即包括水体自身反射又包括水底河床反射。由于沙砾在热红外波段的低发射率和大比热容特性,沙砾类型岸线的影像色调表现为粉红色,与水体的深蓝色色调形成鲜明的差异。人工类型岸线主要是由混凝土砌筑而成,其主要成分仍为沙质,因此人工类型岸线的影像色调与沙砾类型岸线的色调表现相近,但在局部平整光滑地区出现极高反射而导致的偏白色色调。由于基岩非常陡峭且岸上为浓密植被,因此基岩类型岸线在研究区中表现为水体与植被的过渡带,即水体—沙砾—植被的混合像元,总体色调偏向淡粉色。红树林类型岸线表现为淡绿色色调(内陆浓密植被为深绿色色调),在部分稀疏覆盖地区间杂沙砾暗粉色色调,与水体存在较为明显的差异。

图 3 研究区不同类型岸线IRS影像色调
Fig. 3 Hues of different types of coastline on IRS image

4 基于角度和距离的相似度模型构建

基于水体与海岸带在IRS影像上的特征差异,将像元多波段值组合成多维空间向量,通过角度和距离计算像元之间的相似度。

4.1 相似度模型构建

目前多维空间中常用的相似性度量方法主要有距离法(如欧几里得距离、切比雪夫距离、曼哈顿距离和明氏距离等)和相似系数法(如Tanimoto/Jaccard系数、Pearson系数和Cosine系数)(黄斯达和陈启买,2009)。这些方法只从单一角度考虑两个向量之间的相似度,通过对IRS影像数据的应用分析表明这些方法存在诸多不适应性。为了解决单一角度描述向量相似性方法的不足,在现有方法基础之上,本文构建融合角度和距离为一体的相似性度量模型,如式(2)所示,该模型表示的是两个多维向量在单位空间距离上的角度相似性,无量纲。

$s({{V}_i},{{V}_j}) = \frac{{\cos (\theta )}}{{|{d}|/D + 1}} = \frac{{{{V}_i} \cdot {{V}_j}/(|{{V}_i}||{{V}_j}|)}}{{|{{V}_i} - {{V}_j}|/D + 1}}$ (2)

式中,s代表基于角度和距离的相似度,即角度—距离(简称“角—距”)相似度;ij分别代表影像上水体种子像素和周边待生长像素; V是由IRS传感器波段B1, B2, B4组成的空间向量,由于B3波段的高噪声和损坏,不参与构建;${\theta} $是向量 Vi Vj所组成的夹角;$ {|{ d}|} $是向量 Vi Vj两者之间的欧氏空间距离;D是理论常数,即向量 V所在空间两个向量距离的最大值(后文分析并给出具体值)。

由于式(2)分子余弦值域范围为[0,1],为了确保分母与分子在同样的数量级别,因此需要将向量欧氏空间距离归一化,即$ {|{ d}|} $除以理论最大值D,从而确保向量空间距离的值域范围也为[0,1]。另一方面,由于夹角余弦和归一化后的距离值域均为[0,1],因此分母加1,将相似度s的值域范围从[0,+∞]归一化到[0,1]。当s=0时,表示向量 Vi Vj相互垂直,不管大小如何二者完全不相似,当s=1时,表示二者完全重合,即大小和方向完全相同。

构建 V向量的元素是传感器B1, B2, B4波段的观测量,由于IRS传感器通道观测物理量的特殊性,其B1和B2通道观测的是地表反射的太阳光辐亮度,而B4通道观测的是地表自身发射的热辐射,因此3个通道观测的辐亮度差异性较大。B1和B2通道辐亮度是B4通道的10倍左右,同时B1和B2通道的辐亮度相互之间也不具备可比性。为了使向量中的每个元素相互之间具有可比性,并且在时间尺度上具有一致性,B1和B2通道以表观反射率ρ代替表观辐亮度作为向量元素,而对B4通道而言不存在表观反射率的概念,考虑到B4通道辐射量化特征为10 bit,因此以10 bit的最大值1024来归一化通道记数值DN以替代其辐射值,即B4通道用归一化后的DN值作为向量元素,从而向量$ {V} $的表达如式所示。

${V} = ({\rho _1},{\rho _2},{\rm{DN}}_4/{\rm{max}}(10 \; {\rm{bit}}))$ (3)

由于对向量$ {V} $中的每个元素都进行了归一化,每个元素的取值范围均为[0,1],因此D的理论最大值是$ {V} $空间中的最大向量[1,1,1]与最小向量[0,0,0]之间的距离,约为1.732。

4.2 通道归一化分析

为了分析前文所用归一化方法作为角—距相似度模型输入参数的可行性,分别在8景实验影像上选取水体样本和其他地物样本,通过对选取样本的统计,分析归一化后各景影像通道数值的差异。由于IRS影像上水体区域不同像素之间的辐射差异比陆地像素要小得多,因此选取较少样本点即可,而陆地像素在空间上尽量选择不同类型的地物以便于统计和分析。在水体样本点的选取过程中,避开云覆盖像元,而在其他样本点的选择中,如果存在云像元则进行了适当选取,保证统计结果的全面性。实验影像水体样本和其他样本的通道辐射统计结果分别如图4图5所示,由图4可知,对于水体而言B1, B2, B4波段随时间变化相对平缓,虽然方差在不同时相之间存在一定差异性,但数值均非常小(0.01以内)。从图5可以看出,对于其他地物样本而言B1,B2,B4波段随时间变化较为明显,方差也较大(0.9以内)。通过B4通道水体样本和其他类型样本的均值和方差比对表明,采用DN值归一化后的B4通道,在反应了水体平缓变化的同时也较好的反映了其他地物在B4波段随时间的差异性变化。因此,采用反射率和最大值归一化方案能够为角—距相似度模型提供有效的输入。

图 4 水体样本时间序列辐射统计
Fig. 4 Radiation statistics of water samples in time series
图 5 其他地物样本时间序列辐射统计
Fig. 5 Radiation statistics of other samples in time series

4.3 样本相似度分析

水体与其他地物能否有效进行分离,其关键要素是二者的角—距相似度要具有明显的差异性,并且该差异性在不同时相影像上具有较好的稳定性,进而保证二者的可分离性以及对数据获取时相的不依赖性。基于前文样本,利用式(2)分别计算每景影像水体样本对应于其他地物样本之间的相似度,即i为水体样本(w表示),j为其他地物样本(o表示),结果如图6所示。另一方面,将水体样本看作两种样本,从而计算水体样本自身内部的相似度,即ij均采用水体样本。由图6(a)可知,水体样本自身的角—距相似度非常高,且全年实验数据结果非常稳定,最小值为0.991,最大值0.999。相比较而言,水体与其他地物样本的角—距相似度全年变化较大,最小值为0.440,最大值为0.961,其原因是由于地物在不同的时相具有不同的光谱特征,如农田和植被的四季变化等。图6(b)是不同时相角—距相似度的方差,再次表明水体自身角—距相似度的稳定性(方差最大值小于0.005),以及水体与其他地物角—距相似度的变化性(方差最小值大于0.013)。

图 6 样本角—距相似度时间序列统计
Fig. 6 Similarity statistics of samples in time series

通过图6(a)可知,全部实验数据中,水体自身角—距相似度最小值比水体与其他地物角—距相似度最大值还要大,因此通过设置合理的阈值,能很好的将水体与其他地物区分开。根据实验结果,本文以水体自身角—距相似度最小值0.99作为基准,以水体自身角—距相似度方差的2倍(0.01)作为不确定度,从而设定水岸线分离阈值0.98。在区域生长过程中,影像上与固定水体种子相似度在0.98以上的周边像素则被判别为水体,而低于0.98的像素则被判别为非水体。

5 区域生长与结果分析

选择海水常年淹没位置作为固定种子,通过角度—距离相似度模型进行固定种子向周边水体区域的生长,从而自动提取水岸线。

5.1 区域迭代生长

以实验数据水体样本点为种子,采用式(2)对周边像素进行八邻域生长。

2013年1月13日水体生长结果如图7所示,图中蓝色部分为水体,为了增强水体效果,图7中对背景影像设置了70%透明,其他实验数据处理结果与图7类似,文中不再给出。完成水体生长以后,进一步将获取的二值栅格图像转换成矢量数据,进而获取研究区海岸线提取结果。

图 7 基于角—距相似度模型的IRS水体扩散结果
Fig. 7 IRS result of waterbody diffusion based on similarity model

5.2 结果分析

经过矢量转换的海岸线(红色实线)与原始图像空间叠加结果如图8所示,可以看出基于角—距相似度生长模型提取的结果能很好的区分水体与其他地物,如内陆、云、海岛等非水体要素,不同类型水陆交界处海岸线提取效果非常明显。在实验数据中,5月30日、6月30日和8月11日虽然内陆上有较多的云,但海洋上空云覆盖较少,云对算法的影像不大,由云覆盖造成的云水边缘线相对独立,自成一个多边形,可通过进一步的人工识别单独进行去除。9月18日和12月20日云覆盖较多,同一个云团同时覆盖了水体和陆地,造成提取的结果无法真实反映云下方的水岸分界线,该结果也难以通过进一步的人工识别进行去除或修正。1月13日、3月7日和11月30日基本无云影响,海岸线的识别可通过进一步识别区分大陆岸线和岛屿岸线。

图 8 不同时相实验影像海岸线提取结果
Fig. 8 Coastline extraction results of experimental image at different date

6 模型验证与比对分析

6.1 模型精度验证

为了定量分析海岸线提取精度,在2013年1月13日、3月7日和11月20日无云影响提取结果图像上对每种海岸线类型随机选择50个海岸点,并以Google Earth高空间分辨率和HJ-1B CCD 30 m空间分辨率目视解译结果作为参考基准进行模型精度验证。由于空间分辨率不一致导致的混合像元影响,为了降低由于人为主观因素引起的验证误差,采用式(4)进行多人同样本分别判别的方式获取每类海岸线的多人平均验证总体精度,精度验证结果如表4所示。总体来说,各种海岸线提取总体精度均优于80%,其中人工岸线和基岩岸线精度超过了92%,红树林岸线提取精度达到了88.4%,沙砾岸线精度为83.4%,而河口岸线由于冲积扇的影响导致精度相对最低,为80.6%。图9中红色实线为2013年1月13日对应于前文不同类型岸线分布的空间叠加结果,由图可以看出,5种不同类型的岸线均能被很好的提取,不足的是由于受到150 m空间分辨率的影响,水岸交界线影像混合像元现象明显,岸线提取位置也因此位于混合像元上,特别是在河口岸线类型上表现最为明显。

${\text{平均总体精度}} = \frac{1}{n}\sum {\frac{C}{S}} $ (4)

式中,C为正确提取样本,即验证人员判别的结果总数,S为总样本数量50,n为验证人数,此处为4。

表 4 模型验证精度
Table 4 Model validation

下载CSV 
/%
类型 总体精度
河口岸线 80.6
沙砾岸线 83.4
人工岸线 92.3
基岩岸线 93.7
红树林岸线 88.4
图 9 不同类型岸线提取结果
Fig. 9 Extraction results of different types of coastline

6.2 模型稳定性验证

为了验证模型在不同时相阈值的稳定性,对2014年全部可用数据和2015年部分成像数据均进行了岸线提取,并目视选取云量影响较少的12景结果,如图10所示。

图 10 不同时相验证数据处理结果
Fig. 10 Results of validation data at different date

1月12日传感器噪声较大,影像具有明显的条带噪声,但本文算法处理结果并没有受到噪声的影响,效果非常理想。2014年1月12日、1月31日、8月18日、10月13日、12月31日以及2015年1月16日均没有受到云覆盖影响。2月1日、2月24日、7月30日和9月19日处理结果需要进一步剔除独立云团影响。10月9和11月1日处理结果受到联合云团的影响不适宜进一步进行水岸线分离。

2013年实验数据、2014年及2015年验证数据处理结果表明,角—距相似度生长模型适用于不同时相观测影像的海岸线提取,模型针对IRS传感器影像构建的参数具有很好的通用性和稳定性。

6.3 算法比对分析

通过与现有不同算法的比对,综合分析本文算法的优点与不足。由图10可知,2014年1月12日传感器噪声更为严重,2015年1月16日数据质量相对最为理想,因此本文在这两景数据基础上分别使用最常用的High pass滤波、Laplacian卷积滤波、Roberts卷积滤波、Sobel卷积滤波、FFT高通变换和Canny变换6种边缘检测算法分别进行水岸线识别与比对分析。从处理的结果来看所有通道效果类似,因此本文只选择B1通道结果进行比对分析,两天的High pass、Laplacian、Roberts、Sobel、FFT和Canny结果依次如图11图12所示。

图 11 对2014年1月12日获取数据的6种算法处理结果
Fig. 11 Results of six methods on January 12, 2014
图 12 2015年1月16日6种算法处理结果
Fig. 12 Results of six methods on January 16, 2015

通过结果比对可知:(1)High pass和Laplacian滤波结果不理想,基本无法有效地应用于本文数据。Roberts和Sobel卷积滤波相对来说能有效的提取水岸线,但内陆地物边缘线也一并被提取出来,且对高亮地物的边缘线非常敏感。FFT高通变换对噪声特别敏感,应用于IRS传感器所有波段都基本无法获取有效结果。Canny算法在通道噪声水平正常的状态下能较好的识别出边缘线,而在通道噪声超出正常水平状态下,受到噪声的干扰非常明显;(2)这些算法共同面临同样一个难题,即如何进一步有效去除陆地内部边缘线,从而只得到完整的海岸线,而对于本文算法来讲并不存在这样的问题。

7 结 论

HJ-1B是中国专门为环境保护和灾害监测而发射的小卫星,星上搭载的IRS传感器在地表温度反演和森林火灾监测等方面具有重要应用价值。本文在考虑IRS传感器通道设置特点和影像岸线特征的基础上,构建了基于角度和距离的相似度模型用以对水岸线进行识别,从而拓展IRS传感器在海岸线监测方面的应用。实验数据分析表明,本文对B1, B2, B4通道归一化的方法能很好的表现地物在不同时相的变化,能够为角—距相似度模型提供有效输入。水体和其他地物样本的角—距相似度比对表明,二者具有明显不同的分布区间,以2倍方差为不确定度的生长阈值(0.98)能有效的对水体和其他地物进行区分,总体精度达到80%以上。验证数据分析表明,角—距相似度模型阈值稳定、不受时相影响。通过与常用的High pass卷积滤波、Roberts卷积滤波、Sobel卷积滤波、Laplacian卷积滤波、FFT高通变换和Canny提取结果比对分析表明,High Pass、Laplacian和FFT变换无法应用于IRS传感器,Roberts和Sobel相对来说能较好的识别水陆边缘,Canny在正常噪声条件下也能有效识别水陆边缘。但这些算法在识别水陆边缘线的同时,也将内陆地物边缘线进行了识别,如何将内陆地物边缘线从识别结果中有效去除,是这些方面所面临的重要难点。比较而言,角—距相似度模型能很好的应用于IRS传感器的海岸线提取,对传感器的噪声并不敏感,在B4通道非正常水平噪声条件下也能提取出理想结果,而且后续处理简单,不存在内陆边缘线的干扰问题,可提升IRS传感器在海岸线提取方面的应用价值。

实际上,本文所涉及的海岸线提取结果只是基于遥感影像的瞬时水边线,而非严格意义上的海岸线。对于潮间带范围较宽的区域,如大河河口、江苏北部海岸带等,海岸线与水边线的差异尤为显著。本文研究区域中的人工岸线和基岩岸线可直接当作海岸线,而沙砾岸线、红树林岸线和河口岸线则需要进一步利用潮位数据以及DEM等数据进行修正,相关技术可参考文献(申家双 等,2009),在此不再赘述。

参考文献(References)

  • Alesheikh A A, Ghorbanali A and Talebzadeh A. 2004. Generation the coastline change map for Urmia Lake by TM and ETM+ imagery. Map Asia, Beijing, China
  • Bagli S and Soille P. 2003. Morphological automatic extraction of pan-European coastline from Landsat ETM+ images//Proceedings of the Fifth International Symposium on GIS and Computer Cartography for Coastal Zone Management (OSTGIS). Genova
  • BO G, Delleplane S and De Laurentiis R. 2001. Coastline extraction in remotely sensed images by means of texture feature analysis//Proceedings of 2001 IEEE International Geoscience and Remote Sensing Symposium. Sydney, NSW: IEEE: 1493–1495 [DOI: 10.1109/IGARSS.2001.976889]
  • Chang J, Liu G H and Liu Q S. 2004. Dynamic monitoring of coastline in the yellow river delta by remote sensing. Geo-Information Science, 6 (1): 94–98. [DOI: 10.3969/j.issn.1560-8999.2004.01.021] ( 常军, 刘高焕, 刘庆生. 2004. 黄河三角洲海岸线遥感动态监测. 地球信息科学, 6 (1): 94–98. [DOI: 10.3969/j.issn.1560-8999.2004.01.021] )
  • Chen L C. 1998. Detection of shoreline changes for tideland areas using multi-temporal satellite images. International Journal of Remote Sensing, 19 (17): 3383–3397. [DOI: 10.1080/0143116982-14055]
  • Fan Y G, Zhang S Q, Hou C L and Zhang L. 2009. Study on method of coastline extraction from remote sensing-taking yellow river mouth reach and Diaokou reach of yellow river delta area as an example. Remote Sensing Information (8): 67–70,74. [DOI: 10.3969/j.issn.1000-3177.2009.04.013] ( 樊彦国, 张淑芹, 侯春玲, 张磊. 2009. 基于遥感影像提取海岸线方法的研究——以黄河三角洲地区黄河口段和刁口段海岸为例. 遥感信息 (8): 67–70,74. [DOI: 10.3969/j.issn.1000-3177.2009.04.013] )
  • Feng L D, Sun X G and Xu K H. 2002. Edge Detection of coastline based on wavelet transform method. Journal of Ocean University of Qingdao, 32 (5): 777–781. [DOI: 10.3969/j.issn.1672-5174.2002.05.014] ( 冯兰娣, 孙效功, 胥可辉. 2002. 利用海岸带遥感图像提取岸线的小波变换方法. 青岛海洋大学学报, 32 (5): 777–781. [DOI: 10.3969/j.issn.1672-5174.2002.05.014] )
  • Gao Z Q, Liu X Y, Ning J C and Lu Q S. 2014. Analysis on changes in coastline and reclamation area and its causes based on 30-year satellite data in China. Transactions of the Chinese Society of Agricultural Engineering, 30 (12): 140–147. [DOI: 10.3969/j.issn.1002-6819.2014.12.017] ( 高志强, 刘向阳, 宁吉才, 芦清水. 2014. 基于遥感的近30a中国海岸线和围填海面积变化及成因分析. 农业工程学报, 30 (12): 140–147. [DOI: 10.3969/j.issn.1002-6819.2014.12.017] )
  • Heene G and Gautama S. 2000. Optimisation of a coastline extraction algorithm for object-oriented matching of multisensor satellite imagery//Proceedings of 2000 IEEE International Geoscience and Remote Sensing Symposium. Honolulu, HI: IEEE: 2632–2634 [DOI: 10.1109/IGARSS.2000.859664]
  • Huang S D and Chen Q M. 2009. Research on high dimensional clustering algorithm based on similarity Measure. Control and Management, 25 (27): 187–188, 198. [DOI: 10.3969/j.issn.2095-6835.2009.27.074] ( 黄斯达, 陈启买. 2009. 基于相似性度量的高维聚类算法的研究. 微计算机信息, 25 (27): 187–188, 198. [DOI: 10.3969/j.issn.2095-6835.2009.27.074] )
  • Jiang C Y, Li M C and Liu Y X. 2011. Full-automatic method for coastal water information extraction from remote sensing image. Acta Geodaetica et Cartographica Sinica, 40 (3): 332–337. ( 江冲亚, 李满春, 刘永学. 2011. 海岸带水体遥感信息全自动提取方法. 测绘学报, 40 (3): 332–337. )
  • Lee J S and Jurkevich I. 1990. Coastline detection and tracing in SAR images. IEEE Transactions on Geoscience and Remote Sensing, 28 (4): 662–668. [DOI: 10.1109/TGRS.1990.572976]
  • Li X J. 2007. Application of the remote sensing method in the analysis of the shoreline change and its environmental impact in the Lingdingyang Bay, Pearl River estuary, Guangdong, China. Geological Bulletin of China, 26 (2): 215–222. [DOI: 10.3969/j.issn.1671-2552.2007.02.013] ( 李学杰. 2007. 应用遥感方法分析珠江口伶仃洋的海岸线变迁及其环境效应. 地质通报, 26 (2): 215–222. [DOI: 10.3969/j.issn.1671-2552.2007.02.013] )
  • Liu H and Jezek K C. 2004. Automated extraction of coastline from satellite imagery by integrating Canny edge detection and locally adaptive thresholding methods. International Journal of Remote Sensing, 25 (5): 937–958. [DOI: 10.1080/0143116031000139890]
  • Ma X F, Zhao D Z, Xing X G, Zhang F S, Wen S Y and Yang F. 2007. Means of withdrawing coastline by remote sensing. Marine Environmental Science, 26 (2): 185–189. [DOI: 10.3969/j.issn.1007-6336.2007.02.022] ( 马小峰, 赵冬至, 邢小罡, 张丰收, 文世勇, 杨帆. 2007. 海岸线卫星遥感提取方法研究. 海洋环境科学, 26 (2): 185–189. [DOI: 10.3969/j.issn.1007-6336.2007.02.022] )
  • Puissant A, Lefèvre S and Weber J. 2008. Coastline extraction in VHR imagery using mathematical morphology with spatial and spectral knowledge//Proceedings of The XXI SPRS Congress. Beijing, China: 1305–1310
  • Shen J S, Zhai J S and Guo H T. 2009. Study on coastline extraction technology. Hydrographic Surveying and Charting, 29 (6): 74–77. [DOI: 10.3969/j.issn.1671-3044.2009.06.021] ( 申家双, 翟京生, 郭海涛. 2009. 海岸线提取技术研究. 海洋测绘, 29 (6): 74–77. [DOI: 10.3969/j.issn.1671-3044.2009.06.021] )
  • Xie M H, Zhang Y F and Fu K. 2007. Algorithm of detection coastline from SAR images based on seeds growing. Journal of the Graduate School of the Chinese Academy of Sciences, 24 (1): 93–98. [DOI: 10.3969/j.issn.1002-1175.2007.01.014] ( 谢明鸿, 张亚飞, 付琨. 2007. 基于种子点增长的SAR图像海岸线自动提取算法. 中国科学院研究生院学报, 24 (1): 93–98. [DOI: 10.3969/j.issn.1002-1175.2007.01.014] )
  • Yan H B, Li B B and Chen M D. 2009. Progress of researches in coastline extraction based on RS technique. Areal Research and Development, 28 (1): 101–105. [DOI: 10.3969/j.issn.1003-2363.2009.01.021] ( 严海兵, 李秉柏, 陈敏东. 2009. 遥感技术提取海岸线的研究进展. 地域研究与开发, 28 (1): 101–105. [DOI: 10.3969/j.issn.1003-2363.2009.01.021] )
  • Yang X M, Lan R Q, Du Y Y and Chen X F. 2004. Technical foundation research on high resolution remote sensing system of China’s coastal zone. Acta Oceanologica Sinica, 23 (1): 109–118.
  • Zeng W J, Wan L, Zhang T D and Xu Y R. 2012. Fast detection of sea line based on the visible characteristics of marine images. Acta Optica Sinica, 32 (1): 0111001 ( 曾文静, 万磊, 张铁栋, 徐玉如. 2012. 基于海面可见光图像的海界线快速检测. 光学学报, 32 (1): 0111001 )
  • Zhang X F and Wang Z Y. 2010. Coastline extraction from remote sensing image based on improved minimum filter//Proceedings of the Second ⅡTA International Conference on Geoscience and Remote Sensing. Qingdao: IEEE: 44–47 [DOI: 10.1109/ⅡTA-GRS.2010.5603235]
  • Zhang Z Y, Feng W F and Zhang J H. 2005. A coastline-detection method based on the color difference for the RS image. Journal of Institute of Surveying and Mapping, 22 (4): 259–262. [DOI: 10.3969/j.issn.1673-6338.2005.04.008] ( 张朝阳, 冯伍法, 张俊华. 2005. 基于色差的遥感影像海岸线提取. 测绘学院学报, 22 (4): 259–262. [DOI: 10.3969/j.issn.1673-6338.2005.04.008] )
  • Zhu J F, Wang G M, Zhang J L and Huang T L. 2013. Remote sensing investigation and recent evolution analysis of Pearl River delta coastline. Remote Sensing for Land and Resources, 25 (3): 130–137. [DOI: 10.6046/gtzyyg.2013.03.22] ( 朱俊凤, 王耿明, 张金兰, 黄铁兰. 2013. 珠江三角洲海岸线遥感调查和近期演变分析. 国土资源遥感, 25 (3): 130–137. [DOI: 10.6046/gtzyyg.2013.03.22] )
  • Zhu X G. 2002. Remote sensing monitoring of coastline changes in Pearl River Estuary. Marine Environmental Science, 21 (2): 19–22. [DOI: 10.3969/j.issn.1007-6336.2002.02.005] ( 朱小鸽. 2002. 珠江口海岸线变化的遥感监测. 海洋环境科学, 21 (2): 19–22. [DOI: 10.3969/j.issn.1007-6336.2002.02.005] )