基于SPOT 5圖像的巖溶地貌單元自動提取方法

楊樹文，謝 飛，馮光勝，劉 濤

(1.蘭州交通大學(xué)數(shù)理與軟件工程學(xué)院，蘭州 730070;2.鐵道第四勘察設(shè)計院，武漢 430063)

基于SPOT 5圖像的巖溶地貌單元自動提取方法

楊樹文1，謝 飛1，馮光勝2，劉 濤1

(1.蘭州交通大學(xué)數(shù)理與軟件工程學(xué)院，蘭州 730070;2.鐵道第四勘察設(shè)計院，武漢 430063)

通過對峰林、峰叢和巖溶洼地3者的地理特征和影像特征的研究，基于遙感圖像本底值提出了能有效反映目標(biāo)特征的遙感指數(shù)——植被指數(shù)、土壤亮度指數(shù)、圖像主成分變換第1主成分值及地形數(shù)據(jù)等，并構(gòu)建了遙感指數(shù)的集成計算法，建立了遙感自動提取模型。指數(shù)集成運算法能夠有效地增大峰叢、峰林與其他地物之間的光譜差異，使這些巖溶地貌單元的灰度值高于其他地物，從而利于巖溶地貌單元提取閾值的自動選取?；跇?gòu)建的遙感自動提取模型先提取了峰叢、峰林信息，并在此基礎(chǔ)上提取了巖溶洼地信息。經(jīng)實驗研究表明，該方法具有較高的提取精度和效率。

峰林峰叢;巖溶洼地;遙感圖像本底值;自動提取

0 引言

不同的巖溶地貌往往能反映巖溶的不同發(fā)育階段［1］，峰林、峰叢、孤峰和巖溶洼地是巖溶發(fā)育后期階段的產(chǎn)物，對工程地質(zhì)選線、選址具有重要影響。線路應(yīng)繞避大型巖溶洼地、巖溶槽谷中央、地表串珠狀漏斗、線狀排列洼地等巖溶發(fā)育極強烈的地區(qū)［2］。另外，相對高差較大的峰叢洼地、峰林洼地是石漠化較易發(fā)生的地帶［3］。

遙感圖像視域廣闊、信息量大，在識別地層、斷裂構(gòu)造、巖溶地貌等方面具有其他勘測方法所不及的優(yōu)點，尤其更適用于我國南方裸露型巖溶地區(qū)［4］。然而，各類巖溶信息的遙感解譯目前仍以目視解譯為主，在巖溶石漠化信息識別、自動分類方面研究較少，童立強［5］對西南巖溶石山地區(qū)石漠化信息的自動提取方法進行了研究;Huang等［6］利用GIS技術(shù)和徑向基函數(shù)網(wǎng)絡(luò)模型對貴州省的巖溶石漠化情況進行了分析評價研究;況順達(dá)等［7］利用改進增強型植被指數(shù)模型對巖溶石漠化信息增強技術(shù)進行了研究;劉國珍等［3］采用增強植被指數(shù)提取石漠化信息。上述方法主要涉及石漠化信息的增強、識別和分類，對峰林、峰叢和巖溶洼地等影響工程地質(zhì)選線的要素方面研究不足;且相關(guān)研究多以TM圖像為數(shù)據(jù)源，很少有基于SPOT 5圖像的。

本文基于SPOT 5圖像，通過研究巖溶區(qū)遙感圖像的本底值特征，構(gòu)建了峰林、峰叢及巖溶洼地的遙感自動提取模型，并以鄂西十宜鐵路興山段的SPOT 5圖像為例進行了實驗研究，取得了較好的效果。

1 本底值特征

1.1 巖溶區(qū)地理及影像特征

巖溶區(qū)通常是指巖石裸露，植被不發(fā)育，具有溶洞、落水洞、地下河，且缺乏地表河流和湖泊的碳酸鹽巖分布地區(qū)。在缺水少土的巖溶發(fā)育地區(qū)，由于人為活動的干擾和破壞，導(dǎo)致巖溶區(qū)土壤流失，基巖大面積裸露，最終變成石漠。遙感圖像上植被不發(fā)育是巖溶區(qū)典型的影像特征之一。在巖溶地貌單元中，巖溶盆地和巖溶洼地遭受土壤侵蝕比較嚴(yán)重，植被發(fā)育程度差;而在峰林、峰叢和孤峰地區(qū)，植被發(fā)育相對較好。

鄂西興山縣的SPOT 5假彩色合成圖像(B1(R)，B2(G)，B3(B)波段組合)見圖1。

圖1 SPOT 5假彩色合成圖像Fig.1 SPOT 5 false color composite image

圖1中紅色區(qū)域是巖溶區(qū)的峰林、峰叢及孤峰，青色區(qū)域是巖溶盆地及巖溶洼地，灰白色區(qū)域是裸露的基巖。峰林(尤其是孤峰)在圖像上呈現(xiàn)為單一的橢圓狀圖斑或串珠狀圖斑，具有較為明顯的形狀特征、邊緣特征和紋理特征。在建的“十宜”鐵路部分路段經(jīng)過巖溶地區(qū)。

1.2 巖溶區(qū)遙感圖像本底值特征

反映自然環(huán)境最初本來面貌的數(shù)值稱為本底值［8］。由于人類活動的長期作用等因素，反映自然環(huán)境的本底值變得難以獲取，因此對自然環(huán)境本底值的研究目前實際上只立足于現(xiàn)狀，即主要是對背景值和基線值的研究，總體來說，都可統(tǒng)稱為本底值。傳感器能夠通過地物輻射、反射的電磁波能量來獲取地物現(xiàn)狀的各種信息，包括表面的和潛在的信息。

能夠反映地物要素本底信息的指數(shù)很多，如植被指數(shù)、土壤亮度指數(shù)、濕度指數(shù)、熱度指數(shù)、水體指數(shù)、氣象指數(shù)、纓帽變換指數(shù)、K－L變換指數(shù)及地形數(shù)據(jù)等［9－11］。通過對巖溶地貌單元的地理特征和影像特征的詳細(xì)研究，本文認(rèn)為能夠有效地反映巖溶區(qū)影像特征的遙感圖像本底值特征主要為植被指數(shù)、土壤亮度指數(shù)、DEM數(shù)據(jù)和第1主成分變換值。

1.2.1 植被指數(shù)

目前，可用于植被計算的遙感指數(shù)有很多，常用的有比值植被指數(shù)(RVI)、歸一化差值植被指數(shù)(NDVI)和修正型土壤調(diào)節(jié)植被指數(shù)(MSAVI)等。其中，NDVI是目前最為常用的植被指數(shù)，能夠比較有效地提取植被信息，其針對SPOT 5圖像的計算公式為

式中:ρNIR和ρRED分別為近紅外波段和紅波段的地物表觀反射率;NDVI為植被指數(shù)。

NDVI計算結(jié)果見圖2，圖中白色和灰白色代表植被發(fā)育的地區(qū)，黑色和灰黑色代表沒有植被或植被不發(fā)育的地區(qū)。

圖2 NDVI計算結(jié)果Fig.2 Result of NDVI calculation

1.2.2 土壤亮度指數(shù)

巖溶盆地、巖溶洼地和裸露的基巖具有較高的光譜反射率，因此可用土壤亮度指數(shù)來計量。常用的土壤亮度指數(shù)有歸一化差值地面指數(shù)(NDSI)和基于纓帽變換產(chǎn)生的土壤亮度指數(shù)(BI)。其中，NDSI是徐建春等［12］根據(jù)圖像在可見光紅光波段與綠光波段對土壤的響應(yīng)特征與植被、水體等相反的特性提出的，其針對SPOT 5圖像的計算公式為

式中:ρGREEN為綠波段的地物表觀反射率;NDSI為土壤亮度指數(shù)。

NDSI計算結(jié)果見圖3，圖中白色和灰白色代表植被不發(fā)育、土壤反射亮度值比較高的地區(qū)。

圖3 NDSI計算結(jié)果Fig.3 Result of NDSI calculation

1.2.3 主成分變換

通過圖像主成分變換提取的第1主成分(PC1)包括了90%以上的地物信息，能夠有效地用于地物類別的識別與分析。PC1的計算結(jié)果如圖4所示，各類巖溶地貌單元的邊界更為清晰。

圖4 PC1計算結(jié)果Fig.4 Result of PC1 calculation

1.2.4 指數(shù)集成運算

植被指數(shù)NDVI、土壤亮度指數(shù)NDSI及PC1從不同方面均反映了地物間的光譜差異和紋理差異。3種指數(shù)合成的圖像見圖5。

圖5 3種指數(shù)合成的假彩色圖像Fig.5 False color image of composite the three indices

對3種指數(shù)合成的假彩色圖像進行新的主成分變換，并提取第1主成分(即指數(shù)集成計算結(jié)果)，能非常有效地將峰林、峰叢及孤峰與巖溶盆地的信息區(qū)分開來，以利于后續(xù)算法的精確提取。指數(shù)集成計算結(jié)果如圖6所示。

指數(shù)集成運算所獲取的圖像(圖6)中峰叢、峰林和孤峰的灰度值明顯高于其他地物的灰度值，這便于利用閾值分割算法提取目標(biāo)信息。

對圖6中峰林、峰叢、孤峰及裸地的典型光譜值(拉伸到0～255)進行統(tǒng)計，結(jié)果見表1(表中的裸地代表植被不發(fā)育的地塊和裸露的基巖)。

表1 峰林、峰叢及裸地的光譜統(tǒng)計值Tab.1 Spectral statistic values of peak － forest，peak－cluster and bare land

據(jù)表1可得出第1主成分圖像的特征為:①峰林、峰叢及孤峰的灰度值最大，均值為92.32，遠(yuǎn)大于巖溶盆地、巖溶洼地的灰度均值(－196.24);②有效消除了地形陰影的影響。

2 遙感自動提取模型

本文在大量研究和實驗的基礎(chǔ)上，對基于多峰直方圖的閾值自動選取算法進行了改進，使改進的算法能夠有效地獲取目標(biāo)信息的閾值。在指數(shù)集成計算模型、多峰直方圖閾值自動選取和形態(tài)學(xué)濾波等圖像處理方法的基礎(chǔ)上，本文構(gòu)建了巖溶區(qū)峰林、峰叢及巖溶洼地的遙感自動提取模型，該模型由6個重要部分組成(圖7)。

圖7 巖溶信息自動提取模型Fig.7 Automatic extraction model of karst information

1)圖像預(yù)處理。為了消除因大氣、地形等因素造成的誤差，需對原始圖像進行大氣校正;同時，為了統(tǒng)一投影參數(shù)和坐標(biāo)系，需進行幾何精糾正等處理。

2)遙感圖像本底值計算?；贜DVI，NDSI和PC1 3種指數(shù)值計算出新的灰度圖像，增大巖溶信息間的灰度值差異，以便于利用閾值自動選取算法準(zhǔn)確獲取分割閾值。

3)坡度計算。在巖溶發(fā)育區(qū)，峰叢、峰林存在于一定的坡度上，基于DEM數(shù)據(jù)進行坡度篩選，將坡度小于2°的偽峰叢、偽峰林圖斑信息刪除。

4)閾值自動選取和形態(tài)學(xué)濾波。對3種指數(shù)集成計算的新的主成分灰度圖像，利用改進的多峰直方圖閾值自動選取算法，選取峰林、峰叢及孤峰的分割閾值，并將目標(biāo)信息提取出來。利用形態(tài)學(xué)膨脹和腐蝕濾波算法處理提取的目標(biāo)圖斑中存在的部分空洞和不連續(xù)(其原因在于目標(biāo)像元并不是非常純凈，其中夾雜少許其他地物類型)的現(xiàn)象。

5)峰林、峰叢及孤峰信息提取。對獲取的目標(biāo)信息進行柵格轉(zhuǎn)矢量和圖形簡化處理，從而提取出完整的目標(biāo)信息。

6)巖溶洼地提取。巖溶洼地往往發(fā)育在較為封閉的峰叢、峰林中，因此在峰林、峰叢及孤峰提取的基礎(chǔ)上，通過坡度、位置和面積等條件的篩選，可進一步提取巖溶洼地信息。

3 實驗分析

實驗區(qū)位于湖北興山縣地區(qū)，處于在建的“十宜”鐵路線經(jīng)過的巖溶地區(qū)的部分路段，采用的SPOT 5多光譜圖像的空間分辨率為10 m，獲取日期為2007年9月21日。

利用本文方法提取該區(qū)的峰林、峰叢及孤峰，由于巖溶洼地發(fā)育在封閉的峰叢、峰林中，因此通過坡度、范圍和面積等參數(shù)的篩選，可進一步提取出巖溶洼地信息(圖8)。

圖8 峰林、峰叢及巖溶洼地提取結(jié)果Fig.8 Result of extracted peak － forest，peak－cluster and karst depression

將自動提取的峰林、峰叢及孤峰和巖溶洼地的信息疊加在實驗區(qū)SPOT 5圖像上，如圖9所示。

圖9 提取結(jié)果與原始圖像的疊加Fig.9 Superposition of extraction result and original images

將前期人工解譯和系統(tǒng)自動提取的峰林、峰叢及孤峰和巖溶洼地信息分別與線路詳勘的資料進行對比(表2)。

表2 目標(biāo)信息提取精度對比Tab.2 Accuracy comparison of target information extraction

由表2分析可知，峰林、峰叢及孤峰人工解譯的精度比自動提取的精度略高，利用自動提取模型而遺漏的圖斑多分布于圖像邊緣，這主要源于多邊形閉合算法的邊緣誤差。巖溶洼地信息自動提取的精度只有78%，主要原因是受到圖像空間分辨率的影響，面積較小的洼地未被識別或被算法篩選掉了。但是，人工解譯1景圖像需要1～2 d的時間，而自動提取只需10 min左右，因此自動提取技術(shù)具有非常明顯的效率優(yōu)勢。

4 結(jié)論

對遙感圖像本底值的研究是構(gòu)建目標(biāo)信息自動提取算法的關(guān)鍵。植被指數(shù)、土壤亮度指數(shù)、DEM數(shù)據(jù)和SPOT 5圖像主成分變換的第1主成分值都能在一定程度上反映峰叢、峰林的影像特征;基于主成分變換方法構(gòu)建的指數(shù)集成方法能更進一步增大目標(biāo)信息與其他地物間的光譜差異，從而利于用閾值自動選取算法獲取準(zhǔn)確的分割閾值?；诖?，本文構(gòu)建的遙感自動提取模型，可簡潔、有效地提取出峰林、峰叢及孤峰信息，并可進一步提取出巖溶洼地信息。

雖然本文在研究中進行了長期和大量的實驗，但還存在某些不足。能反映遙感圖像本底值的指數(shù)和集成計算方法還需進一步擴展和研究;文中的提取模型尚未引入形狀、邊緣和紋理等空間特征，而這些信息的加入將會進一步提高模型的提取精度。

［1］劉湛省.巖溶地區(qū)鐵路工程地質(zhì)勘察淺探［J］.西部探礦工程，2010，22(7):104 －106.

［2］曹化平，王 科.鐵路巖溶隧道工程地質(zhì)選線研究［J］.高速鐵路技術(shù)，2011，2(1):31 －36.

［3］劉國珍，白惠芳，李朝陽.西南巖溶地區(qū)石漠化遙感監(jiān)測特征分析［J］.安徽農(nóng)業(yè)科學(xué)，2010，38(16):8543 －8546.

［4］光耀華.巖溶地區(qū)工程地質(zhì)研究的若干新進展概述［J］.中國巖溶，1998，17(4):378 －383.

［5］童立強.西南巖溶石山地區(qū)石漠化信息自動提取技術(shù)研究［J］.國土資源遙感，2003(4):35 －39.

［6］Huang Q H，Cai Y L.Assessment of Karst Rocky Desertification Using the Radial Basis Function Network Model and GIS Technique:A Case Study of Guizhou Province，China［J］.Environ Geol，2006，49(8):1173 －1179.

［7］況順達(dá)，戴傳固，王尚彥，等.巖溶石漠化遙感信息增強技術(shù)探討［J］.貴州地質(zhì)，2009，26(1):44 －48.

［8］陳振民.環(huán)境本底值背景值基線值概念的商榷［J］.河南地質(zhì)，2000，18(2):158 －160.

［9］江振藍(lán)，沙晉明，楊武年.基于GIS的福州市生態(tài)環(huán)境遙感綜合評價模型［J］.國土資源遙感，2004(3):46 －48，60.

［10］李洪義，史 舟，沙晉明，等.基于人工神經(jīng)網(wǎng)絡(luò)的生態(tài)環(huán)境質(zhì)量遙感評價［J］.應(yīng)用生態(tài)學(xué)報，2006，17(8):1475 －1480.

［11］江振藍(lán)，沙晉明.植被生態(tài)環(huán)境遙感本底值研究——以福州市為例［J］.福建師范大學(xué)學(xué)報:自然科學(xué)版，2008，24(4):80－85.

［12］徐建春，趙英時，劉振華.利用遙感和GIS研究內(nèi)蒙古中西部地區(qū)環(huán)境變化［J］.遙感學(xué)報，2002，6(2):142 －150.

Automatic Extraction of Karst Landscape Elements Based on SPOT 5 Image

YANG Shu－wen1，XIE Fei1，F(xiàn)ENG Guang－sheng2，LIU Tao1
(1.School of Mathematics，Physics ＆ Software Engineering，Lanzhou Jiaotong University，Lanzhou 730070，China;2.Fourth Survey and Design Institute of China Railway，Wuhan 430063，China)

To study the geographical features and image features of peak－cluster，peak－forest and karst depression，this paper puts forward some remote sensing indices based on background values of remote sensing images，such as vegetation index，soil brightness index，and PC1 of principal component transformation of the image and terrain data.Meanwhile，the integrated calculation method of remote sensing indices is proposed，and the automatic extraction model of remote sensing is created.The integrated calculation method of the indices could effectively increase spectral differences between peak－cluster，peak－forest and other surface features.The gray values of peak－cluster and peak－forest are the highest in the image so as to obtain segmenting value for accurate extraction of them based on automatic selection algorithm of threshold.Based on automatic extraction model of remote sensing，this paper puts forward some information of peak － cluster and peak － forest.On such a basis，karst depression information is extracted.Experimental studies show that the method has high accuracy and efficiency of extraction.

peak－cluster and peak－forest;karst depression;background value of remote sensing image;automatic extraction

TP 751.1

A

1001－070X(2012)02－0056－05

楊樹文(1975－)，男，博士，副教授，主要從事遙感數(shù)字圖像處理、遙感信息檢測及提取、工程地質(zhì)遙感解譯等方面的研究。E － mail:yangshuwen@mail.lzjtu.cn。

(責(zé)任編輯:邢 宇)

10.6046/gtzyyg.2012.02.11

2011－08－15;

2011－09－07

中鐵第四勘察設(shè)計院集團有限公司基金項目(編號:2009D06－1)資助。