基于過渡區(qū)特征的全色遙感圖像冰雪識別

陳 婷，汪愛華，王智勇，2

(1．北京宇視藍圖信息技術有限公司，北京 100096;2．二十一世紀空間技術應用股份有限公司，北京 100096)

0 引言

20世紀30年代，研究者提出了過渡區(qū)的概念［1］。1979 年 Weszka等［2］首次將過渡區(qū)理論引入圖像處理領域。章毓晉［3］在20世紀90年代后期比較全面地研究了過渡區(qū)的理論，且明確指出圖像的過渡區(qū)像點是由背景和目標之間的部分像點構成的，過渡區(qū)的空間位置位于背景與目標之間，過渡區(qū)的灰度范圍處于背景灰度均值與目標灰度均值之間。地表現(xiàn)象所固有的模糊性證明了對地觀測遙感圖像中過渡區(qū)的存在［4－5］，而地表的復雜性則反映了遙感圖像中不同地物過渡區(qū)特征的差異性。基于圖像分割理論，2003年肖曉玲等［5］利用有效平均梯度提取了遙感圖像的目標過渡區(qū)。2009年閆成新［6］使用局部復雜度參數(shù)提取了遙感圖像的過渡區(qū)。但目前對過渡區(qū)的研究僅限于為分割圖像確定閾值提供參考，而對其進行特征描述及應用分析、并應用于地物分類識別的研究還較少。

我國基于遙感圖像的冰雪識別研究早在1985年初即已開始［7］，近年來基于光學遙感數(shù)據(jù)的冰雪信息提取方面取得了顯著成果，冰雪識別方法研究不再單純依靠單一的光譜信息，而是加入了地物的空間結構信息，例如:2006年陳剛等［8］綜合光譜與紋理特征進行了云雪分離;2009年龔劍明等［9］在提取冰川時引入了形狀特征，但受遙感圖像空間分辨率及空間結構信息限制，識別精度無法大幅提高。隨著星載遙感圖像的地面采樣間隔逐漸縮小，具有高空間結構性特點的全色高分辨率遙感圖像為冰雪識別提供了新的數(shù)據(jù)基礎。面對部分云與雪分離的難點，考慮到全色數(shù)據(jù)中冰雪的內部特征與云具有相似性，根據(jù)形狀、紋理特征無法精確區(qū)分云雪，本文提出了另一個反映地物空間結構的特征——過渡區(qū)特征，并基于過渡區(qū)的特征分析識別冰雪像點，再利用鄰域填充方法最終提取冰雪區(qū)。采用“北京一號”小衛(wèi)星全色圖像為數(shù)據(jù)源的應用實驗表明，該方法能夠明顯提高冰雪識別的精度。

1 過渡區(qū)特征選擇

合適的特征選擇和優(yōu)化是設計模式識別系統(tǒng)中十分重要的環(huán)節(jié)。圖像中過渡區(qū)具有2方面特點:①將不同的區(qū)域分割開來，具有邊界的特點;②面積不為零，具有區(qū)域的特點。不同地物的過渡區(qū)具有明顯差異(如大小、灰度、紋理等)，因此可根據(jù)過渡區(qū)的邊界性和區(qū)域性來判識像點是否屬于目標。

為體現(xiàn)過渡區(qū)的邊界性特征，本文提出一個新的描述因子——厚度，即過渡區(qū)鄰域范圍內過渡區(qū)像點出現(xiàn)的數(shù)量;為體現(xiàn)過渡區(qū)的區(qū)域性特征，選擇過渡區(qū)像點鄰域的均值和方差作為描述因子。其中，均值主要檢測過渡區(qū)像點的純度，方差主要檢測過渡點的均勻性，厚度主要檢測過渡區(qū)的大小。上述特征的計算方法是以過渡區(qū)像點E(x，y)為引導，計算其鄰域矩形范圍內過渡區(qū)像點的均值、方差及厚度，作為分析過渡區(qū)特征的特征向量。設過渡區(qū)圖像t(x，y)，采用尺寸為k×k的模板，令m=(k－1)/2，則對應的均值μ、方差σ2和厚度n的特征量計算公式分別為

式(3)中:E(x，y)為過渡區(qū)像點;n(x，y)為(x，y)點的邊界厚度。

由式(1)—(3)計算每個過渡區(qū)邊界點的鄰域特征向量V為

2 全色圖像冰雪識別

本文使用“北京一號”小衛(wèi)星的全色圖像，其波譜范圍是500～800 nm，刈幅寬度為24 km，空間分辨率為4 m，通過衛(wèi)星側擺可實現(xiàn)5～7 d的重訪。圖像紋理結構清晰，幾何性能好，沒有局部幾何失真或變形，且色調層次豐富，具有較高的可判讀性，可為冰雪識別提供高分辨率和高空間結構信息的數(shù)據(jù)。

在全色遙感圖像的冰雪識別中，云和雪的區(qū)分是主要技術難點之一［10］。通過分析云和雪的特性發(fā)現(xiàn)，與云霧易變的表面特征相比，冰雪表面特征相對穩(wěn)定;尤其是冰雪邊界比云清晰，且冰雪具有相對統(tǒng)一的反射率(圖1)。云霧和冰雪的上述物理特性反映在遙感圖像上即為過渡區(qū)的差異，因此，可通過選擇和優(yōu)化過渡區(qū)的特征來分析和識別冰雪覆蓋區(qū)［11］。

圖1 “北京一號”小衛(wèi)星冰雪與云全色圖像Fig．1 “Beijing－1”panchromatic images of snow and cloud

將云和雪具有高相似度、高反射率的區(qū)域稱為“中心區(qū)”;將表面粗糙、灰度值不穩(wěn)定、向另一地物過渡的區(qū)域稱為“過渡區(qū)”。本文通過邊緣檢測提取出過渡區(qū)，根據(jù)過渡區(qū)的特征向量判斷過渡區(qū)內的點是否為目標點，進而實現(xiàn)圖像識別。具體實現(xiàn)方法為:①聚類分析。根據(jù)光譜特征，區(qū)分云雪與其他地物;②過渡區(qū)提取。基于高梯度像點定義過渡區(qū)，逼近云雪中心區(qū);③過渡區(qū)特征分析。統(tǒng)計過渡區(qū)像點的特征向量，提取目標邊界點;④邊界生長。通過鄰域特征分析得到的邊界可能是間斷、不連續(xù)的，不能保證區(qū)域的封閉型，因此采用邊界生長連接間斷的邊界;⑤區(qū)域填充。為提取冰雪區(qū)域，根據(jù)區(qū)域生長原理，采用基于邊界的區(qū)域生長方法，遞歸完成區(qū)域填充。

2．1聚類分析

根據(jù)地物光譜儀測定的光譜曲線可知，在可見光波段，云、雪與其他地物具有明顯的差異［12］。K均值(K－means)聚類算法依照“到聚類中心距離的平方和最小”的原則，可將具有高反射光譜特征的點提取出來。本文設計分類數(shù)為3，從運算速度及區(qū)域獲取精度考慮，設計最大迭代次數(shù)為1;隨機提取3個樣本作為聚類中心，計算每個樣本到這3個聚類中心的距離，找出最小距離把樣本歸入最近的聚類中心;修改中心點的值為本類所有樣本的均值，再計算各個樣本到3個聚類中心的距離，重新歸類;修改新的中心點，直到新的中心點等于上一次的中心點時結束。

該方法以給定的初始類數(shù)量迭代找到最好的聚類結果，提取的第3類即為高反射目標區(qū);以距離作為樣本相似性度量，可有效地匯集云、雪高反射區(qū)(程序實現(xiàn)過程詳見文獻［13］)。

2．2 過渡區(qū)提取

為了增強過渡區(qū)的邊界特性，本文利用邊緣檢測的方法進行梯度增強，使用梯度算子對圖像進行卷積運算得到梯度圖像，提取大于設定閾值的像點構成過渡區(qū)。不同梯度算子對提取過渡區(qū)具有差異［14］，主要原因是受圖像噪聲的影響，故本文選擇抗噪聲能力強的SUSAN(smallest univalue segment assimilating nucleus)梯度算子實現(xiàn)邊緣檢測。

SUSAN算子采用圓形模板得到全方向的響應，用一個含有37個像點的模板P(x，y)排成7行，各行分別有 3，5，7，7，7，5，3 個像元(圖2)。

圖2 37個像點的模板Fig．2 Template of 37 pixels

對比模板內每個像點灰度值與核的灰度值，則有

式中:(x0，y0)為模板P(x，y)中核像點在圖像中的位置坐標;(x，y)為模板P(x，y)中其他像點在圖像中的位置坐標;f(x0，y0)和f(x，y)分別為在(x0，y0)和(x，y)處像點的灰度;T為灰度閾值，一般設T=27;C(x0，y0;x，y)為輸出的比較結果。根據(jù)USAN(uivalue segment assimilating nucleus)原理，初始的邊界響應R(x0，y0)為

此方法無需計算微分即可消除噪聲影響，并可同時檢測邊界和角點，不隨尺度的變化而改變所檢測出的邊界位置，且控制參數(shù)簡單，任意性小，比較容易實現(xiàn)邊界的自動化選?。?5］;此算法的另一優(yōu)勢在于邊緣閾值的確定性，提取閾值為0的像點組成過渡區(qū)。

2．3 過渡區(qū)特征分析

通過SUSAN邊界檢測，標記了最大可能為冰雪的過渡區(qū)。遙感圖像中云、雪過渡區(qū)的灰度值變化差異較大，雪的灰度值具有突變特點，但云的灰度值變化緩慢。以SUSAN檢測的邊界點為中心，構建過渡區(qū)的特征向量。記錄SUSAN檢測的邊界點位置E(x，y)，計算邊界點(x，y)的鄰域(25像元 ×25像元方形范圍)內的像點均值、方差和厚度，組合成特征向量 V，即

式中:μ為灰度平均值;σ2為方差;n為厚度。

對不同區(qū)域云、雪邊界進行特征采樣，計算冰雪邊界特征均值向量。通過對邊界位置pi的鄰域內計算特征向量vpi，比較均值向量，判斷該點是否具有冰雪過渡區(qū)像點的特征。計算邊界點pi鄰域特征向量與均值特征向量的歐式距離d2，即

式中:為邊界點pi的歐氏距離;vpi為邊界pi點的特征向量;為冰雪過渡區(qū)的均值向量。

若＜δ(δ為根據(jù)樣本選擇的閾值)，則認為點pi為冰雪點;否則，將該點從過渡區(qū)圖像中刪除。對所有點進行上述比較判斷后，過渡區(qū)圖像中就只留下冰雪邊界點。也可通過一種快速并行處理方法，首先分析采樣點，選擇其中具有較大變化特征的點，通過閾值法判斷該點是否具有雪過渡區(qū)像點的特征。

2．4 邊界生長

通過上述特征分析，不僅確定了冰雪過渡區(qū)像點，同時提取了具有高梯度特征的積雪邊界。由于全局閾值分割的影響，使提取的積雪邊界可能是斷裂而不連續(xù)的，甚至經(jīng)過形態(tài)學運算仍不能保證邊界的連續(xù)性，因此需要針對邊界信息進行后處理。

對經(jīng)過鄰域分析后的圖像和SUSAN邊界圖像進行基于數(shù)學形態(tài)學的邊界細化，并運用3×3模板對邊界圖像進行擊中運算，得到邊界中心骨架，邊界點標記為1，背景點記為0。進行邊界生長首先尋找邊界斷裂端點，依計算模板(圖3)定義邊界點是中心標記為1并且其8個連通鄰域內至少有2個點標記為1的點。

圖3 斷點檢測模板Fig．3 Template of break nodes detecting

以p1為中心點，其鄰域的8個點順時針繞中心點，分別記為p2，p3，…，p9(其中p2在p1的上方)。斷點標記須滿足條件N(p1)≥2，N(p1)是p1的非零鄰點的個數(shù)。對全部邊界點檢驗完畢后，對所有的端點進行標記。首先按照文獻［16］的邊界生長方法，搜索斷裂點半徑r(r為斷裂邊界長度)范圍內是否有邊界點。如果有，則以端點為起點，綜合SUSAN邊界細化結果，依SUSAN邊界走向連接端點;否則，停止生長，并放棄該斷裂邊界。

該算法優(yōu)點是:①邊界生長充分考慮到雪邊界的性質(高梯度);②不限制斷裂邊界的長度。如果按照給定的模板進行邊界生長，則有可能出現(xiàn)與實際圖像不符的現(xiàn)象(如產(chǎn)生過分割現(xiàn)象)，或保證不了邊界的連續(xù)性、封閉性等。

2．5 區(qū)域填充

經(jīng)過上述邊界提取，認為絕大部分的邊界已經(jīng)閉合，根據(jù)區(qū)域生長方法及冰雪灰度特征，本文采用基于邊界的向內區(qū)域生長方法［17］進行區(qū)域填充。以邊界點為中心，提取全色圖像中3×3模板內大于或等于中心點灰度值的所有像點，標記為1;小于中心點灰度值的像點位置標記為0。以此模板遍歷全圖像，直到中心點及鄰域點的像點均為1，停止生長，生成冰雪覆蓋區(qū)圖像。

3 實驗及對比分析

冰川積雪是我國干旱、半干旱地區(qū)河流與地下水的主要補給來源，是局部區(qū)域水文循環(huán)及生態(tài)系統(tǒng)的重要組成部分，也是研究氣候變化乃至全球環(huán)境變化的重要因子［18］。以“北京一號”小衛(wèi)星全色傳感器獲取的唐古拉山脈圖像為例，進行基于過渡區(qū)特征識別冰雪覆蓋區(qū)的實驗。

“北京一號”小衛(wèi)星全色圖像的獲取日期為2006－09－18，空間分辨率為4 m，大小為2 017像元×1 654像元。該圖像覆蓋青藏高原唐古拉山脈東段的冰川雪蓋，主要由冰川積雪、云、高寒荒漠、河流等組成(圖4(a))，適合于進行冰雪覆蓋區(qū)識別的實驗。

圖4 不同識別方法結果對比Fig．4 Comparison among the results from the different identification algorithms

對經(jīng)過輻射校正、幾何糾正等預處理后的“北京一號”小衛(wèi)星全色圖像，按前述冰雪識別方法進行處理:①通過K－means聚類提取第3類反射率較高的圖像，區(qū)分云、雪與其他地物;②對云雪圖像通過SUSAN檢測提取值為0的點為過渡區(qū);③采用25×25窗口計算過渡區(qū)像點的特征向量;④依據(jù)1 000個采樣點計算冰雪均值特征向量，=(133．47，6 888．03，57．34);⑤對比均值特征向量進行距離分析，判斷冰雪邊界點(另對均值特征向量的比較可知，厚度特征變化非常明顯，也可通過閾值判斷提取冰雪邊界點);⑥采用邊界生長及區(qū)域填充方法，獲得識別結果(圖4(c))。

將過渡區(qū)特征法(圖4(c))、過渡區(qū)閾值分割法(圖4(d))、迭代自組織數(shù)據(jù)分析(ISODATA)法(圖4(e))和面向對象的紋理分析法識別結果(圖4(f))與目視解譯結果(圖4(b))對比，可以看出閾值法和ISODATA法的識別結果中將部分高反射的云中心區(qū)錯分為冰雪;面向對象識別結果中將北部部分冰雪區(qū)漏分，部分云區(qū)被錯分為冰雪;過渡區(qū)特征法的識別結果中，只遺漏了少量小冰雪區(qū)，冰雪識別結果與目視解譯結果基本一致。

以目視識別為真實結果，統(tǒng)計各方法結果的精度及Kappa系數(shù)(表1)。由表1可以看出，基于過渡區(qū)特征的冰雪識別總體精度最高(達到97．39%，Kappa=0．944 7)，閾值法識別精度最低(只有 93．75%，Kappa=0．871 2)。由于冰雪識別結果為二值圖像，錯分與漏分誤差對比存在一定的互補關系，過渡區(qū)特征法的錯分誤差最低，閾值法的錯分誤差最高。

表1 不同識別方法的結果精度統(tǒng)計Tab．1 Precision statistics of the rusults from the different identification algorithm s

綜合分析不同算法與結果精度可知，過渡區(qū)的閾值分割法方法簡單、處理速度快，但冰雪識別面積比目視解譯結果大，主要是由于過渡區(qū)的閾值往往偏低，冰雪提取區(qū)域無法完全分離云和雪;用迭代自組織數(shù)據(jù)分析方法進行分割，無法準確區(qū)分云和雪;面向對象的紋理分析方法在操作中涉及更多的參數(shù)(如尺度選擇和形狀權重等)，諸多參數(shù)的確定對運算量及處理結果影響較大。本文提出的基于過渡區(qū)特征的識別方法，在總體識別冰雪范圍上精度較高，錯分誤差較低;但漏分誤差較高，究其原因，漏分部分為薄云陰影遮擋區(qū)，具有和云霧相似的過渡區(qū)特征，因而導致冰雪的漏判。

4 結論與建議

根據(jù)遙感圖像中任何地物均有過渡區(qū)、且不同地物的過渡區(qū)特征也不相同的特點，本文通過分析冰雪的物理特征，建立了基于過渡區(qū)的特征描述、并基于聚類分析和SUSAN檢測方法獲得云雪過渡區(qū);對比過渡區(qū)特征描述因子，確定冰雪像點;再經(jīng)過邊界生長和區(qū)域填充方法獲得冰雪覆蓋區(qū)的冰雪識別方法。以“北京一號”小衛(wèi)星的全色圖像為實驗數(shù)據(jù)，應用本文方法實現(xiàn)了對冰雪的識別，得出如下結論:

1)基于過渡區(qū)厚度、方差與均值的特征向量，描述方法簡單，符合地物物理特性，且冰雪特征差異顯著。

2)本文提出的過渡區(qū)特征法識別冰雪的精度顯著提高，其總體精度達97．39%，明顯高于過渡區(qū)閾值法等其他方法。

3)用過渡區(qū)特征法的冰雪識別結果中細節(jié)豐富，并避免了同質判別函數(shù)限制，為雪線的提取和云雪分離方法研究提供了參考。

綜合分析過渡區(qū)特征法的復雜程度、運算速度和識別精度，發(fā)現(xiàn)在2個方面仍有待進一步完善:①識別過程中迭代次數(shù)過多，運算量較大，需進一步改進算法、提高效率;②冰雪上薄云陰影的特征有待加入特征分析過程中，以進一步提高冰雪識別精度。

［1］ Brynildsen N，Maltby P，Leifsen T，et al．Observations of sunspot transition region oscillations［J］．Solar Physics，2000，191(1):129－159．

［2］ Weszka JS，Rosenfeld A．Histogram modification for threshold selection［J］．IEEE Transactions on Systems，Man and Cybernetics，1979，9(1):38－52．

［3］ 章毓晉．過渡區(qū)和圖象分割［J］．電子學報，1996，24(1):12－17．Zhang Y．Transition region and image segmentation［J］．Chinese Journal of Electronics，1996，24(1):12－17．

［4］ 孫根云，黃丙湖，朝旭軍．遙感圖像邊緣檢測的不確定性及其處理方法探討［J］．遙感信息，2010(6):110－114．Sun G Y，Huang BH，Zhao X J．The analysis of edge detection uncertainty of remote sensing images and its processing method［J］．Remote Sensing Information，2010(6):110－114．

［5］ 肖曉玲，張 翔，吳 謹，等．基于過渡區(qū)的遙感圖像分割［J］．軍民兩用技術與產(chǎn)品，2003，10(3):44－46．Xiao X L，Zhang X，Wu J，et al．Transition region－based remote sensing image segmentation［J］．Top Technologies and Products，2003，10(3):44－46．

［6］ 閆成新．基于局部復雜度的遙感圖像分割［J］．武漢理工大學學報，2009，31(18):160－163．Yan CX．Local complexity based remote image segmentation［J］．Journal of Wuhan University of Technology，2009，31(18):160－163．

［7］ 曾群柱．我國冰雪遙感回顧與展望［J］．冰川凍土，1988，10(3):352－355．Zeng Q Z．Review and prospect of snow and ice remote sensing in China［J］．Journal of Glaciology and Geocryology，1988，10(3):352－355．

［8］ 陳 剛，鄂棟臣．基于紋理分析和支持向量機的極地冰雪覆蓋區(qū)的云層檢測［J］．武漢大學學報:信息科學版，2006，31(5):403－406．Chen G，E D C．Cloud detection based on texture analysis and SVM over ice snow covered area［J］．Geomatics and Information Science of Wuhan University，2006，31(5):403－406．

［9］ 龔劍明，楊曉梅，張 濤，等．基于遙感多特征組合的冰川及其相關地表類型信息提取［J］．地球信息科學學報，2009，11(6):765－772．Gong JM，Yang XM，Zhang T，etal．Information extraction of glacier and its land form classes based on multi－feature remote sensing image combination［J］．Journal of Geo－Information Science，2009，11(6):765－772．

［10］ 柏延臣，馮學智．積雪遙感動態(tài)研究的現(xiàn)狀及展望［J］．遙感技術與應用，1997，12(2):59－65．Bai Y C，F(xiàn)eng X Z．Introduction to some research work on snow remote sensing［J］．Remote Sensing Technology and Application，1997，12(2):59－65．

［11］ 陳 鵬，張 榮，劉政凱．遙感圖像云圖識別中的特征提取［J］．中國科學技術大學學報，2009，39(5):484－488．Chen P，Zhang R，LIU Z K．Feature detection for cloud classification in remote sensing images［J］．Journal of University of Science and Technology of China，2009，39(5):484－488．

［12］ 延 昊．NOAA16衛(wèi)星積雪識別和參數(shù)提?。跩］．冰川凍土，2004，26(3):369－373．Yan H．Detecting snow and estimating snow pack parameters from NOAA16－AVHRR data［J］．Journal of Glaciology and Geocryology，2004，26(3):369－373．

［13］ Tou JT，Gonzalez R C．Pattern recognition principles［M］．Massachusetts:Addison－Wesley Publishing Company，1974．

［14］ Sieracki M E，Reichenbach S E，Webb K L．Evaluation of automated threshold selection methods for accurately sizing microscopic fluorescent cells by image analysis［J］．Applied and Environmental Microbiology，1989，55(11):2762－2772．

［15］ 章毓晉．圖像工程［M］．2版．北京:清華大學出版社，2007:109－113．Zhang Y J．Image engineering［M］．2nd ed．Beijing:Tsinghua University Press，2007:109－113．

［16］ 劉永學，李滿春，毛 亮．基于邊緣的多光譜遙感圖像分割方法［J］．遙感學報，2006，10(3):350－356．Liu Y X，Li M C，Mao L．An algorithm of multi－spectral remote sensing image segmentation based on edge information［J］．Journal of Remote Sensing，2006，10(3):350－356．

［17］ 張德才，周春光，周 強，等．基于輪廓的孔洞填充算法［J］．吉林大學學報:理學版，2011，49(1):82－86．Zhang D C，Zhou CG，Zhou Q，et al．Hole－filling algorithm based on contour［J］．Journal of Jilin University:Science Edition，2011，49(1):82－86．

［18］ 曹云剛，劉 闖．從 AVHRR到 MODIS的雪蓋制圖研究進展［J］．地理與地理信息科學，2005，21(5):15－19．Cao Y G，Liu C．The development of snow－cover mapping from AVHRR to MODIS［J］．Geography and Geo－Information Science，2005，21(5):15－19．