一種基于白帽變換的細小水體信息提取方法

張 強,吳 波

(福州大學地理空間信息技術(shù)國家地方聯(lián)合工程研究中心,空間數(shù)據(jù)挖掘與信息共享教育部重點實驗室,福建 福州 350116)

0 引言

水體的儲量和位置與人類水產(chǎn)活動息息相關(guān),快速準確地獲取地表水體信息對于區(qū)域水土保持監(jiān)測和水資源的合理開發(fā)利用具有重要的現(xiàn)實意義. 由于遙感影像中水體光譜特性較為明顯,且在空間分布上有較強的連通性,易于通過遙感影像快速準確地提取[1]. 相關(guān)研究人員從不同的角度提出各種水體信息提取方法,包括譜間分析法[2]、 影像分類法[3]、 水體指數(shù)法[4-5]、 特征變化法[6]等. 這類方法雖然在寬闊水體或大面積水域提取中取得較好效果,卻難以準確提取河面較為狹窄的細小水體. 這是由于開闊水體的光譜較為純凈,其影像特征具有較好的區(qū)分度,因而容易識別. 而細小水體通常定義為影像中像元表觀寬度小于或等于3個像元的狹窄河流[7],受遙感影像空間分辨率的限制,細小水體大都呈現(xiàn)混合像元,在影像中以混合光譜的形態(tài)出現(xiàn),不再具有穩(wěn)定的光譜特征,單純依據(jù)光譜信息難以準確提取[1].

為分析細小水體與其它地類特征信息,圖1給出6類典型地表覆蓋類型(即開闊水體、 細小水體、 植被、 城區(qū)、 道路、 山體陰影)在歸一化差異水體指數(shù)(normalized difference water index, NDWI)[4]和改進的歸一化差異水體指數(shù)(modified normalized difference water index, MNDWI)[5]兩種典型水體指數(shù)特征影像中的變化情況. 圖中以[均值-標準差,均值+標準差]作為地類的集中分布區(qū)間,每類地物選取200個樣本進行統(tǒng)計分析. 其中細小水體樣本從細小河流中選?。?開闊水體樣本從水體的中心區(qū)域選取. 其他4類分別為對應地類具有代表性的樣本. 從圖1可看出,開闊水體的NDWI與MNDWI特征值遠高于陸地背景,易與其它地類區(qū)分. 而細小水體除了易與植被區(qū)分,其特征值與城區(qū)、 道路和山區(qū)陰影均存在不同程度的混淆. 這表明僅依賴光譜信息難以區(qū)分細小水體,需引入其它特征輔助提取細小水體信息[8].

圖1 NDWI、 MNDWI特征值統(tǒng)計Fig.1 Statistical feature value of NDWI, MNDWI

基于以上認識,楊樹文等[9]在初步提取水體的基礎(chǔ)上,結(jié)合形態(tài)學膨脹和圖像細化連接漏提河道. 該方法在漏提較少的河道,較準確地補全了細小水體,但其補全過程忽視了水體原有的紋理信息,導致河道間斷較大時誤提嚴重. 李艷華等[8]在光譜信息的基礎(chǔ)上引入紋理、 形狀等空間特征,通過獲取最優(yōu)分割尺度來分割影像,從而提取細小水體,但其需要人為設(shè)定較多的參數(shù),因而不利于水體信息的快速提取,在大范圍區(qū)域內(nèi)難以適用. Jiang等[7]利用線性特征模型LFE增強特征影像中的線狀水體,有效地提取了細小水體,但提取過程中的多個經(jīng)驗閾值降低了該方法的自動化程度. 為了更加完整、 高效地提取細小水體,本文以中等分辨率的Landsat影像為數(shù)據(jù)源,在MNDWI初步增強水體信息的基礎(chǔ)上,提出一種基于形態(tài)學的細小水體特征的后處理方法,并結(jié)合最大類間方差[10]的自動閾值選取方法進行雙閾值分割,解決現(xiàn)有方法中[2-6]細小水體難以完整提取的問題,實現(xiàn)細小水體準確、 快速的提取.

1 細小水體信息的提取方法

圖2 細小水體提取流程 Fig.2 Flow chart of narrow water extraction

綜合考慮細小水體在遙感影像中的光譜與紋理特征,并根據(jù)水體在空間分布上具有連通的特性,設(shè)計一種基于影像線性增強的細小水體提取方法,通過經(jīng)驗閾值與自動閾值結(jié)合的雙閾值分割,實現(xiàn)細小水體的完整提取,基本的技術(shù)流程如圖2所示,主要包括以下4個步驟.

1) 影像預處理. 為保證影像光譜信息的原始性,在獲取Landsat ETM+/OLI原始數(shù)據(jù)的基礎(chǔ)上,僅對其進行必要的大氣輻射校正、 系統(tǒng)幾何校正.

2) 細小水體特征增強. 先計算遙感影像的MNDWI,其公式為：

(1)

式中：DNGreen代表綠光波段的灰度值；DNMIR代表短波紅外波段的灰度值. 圖1表明MNDWI雖然在局部范圍內(nèi)增大了水體與陸地背景間的反差,但細小水體仍易與城區(qū)、 道路、 山體陰影等地物產(chǎn)生混淆. 借助線性形態(tài)學算子和白帽變換對細小水體進行增強,構(gòu)建出一種結(jié)合形態(tài)學的細小水體指數(shù)MNWI(morphologicalnarrowwaterindex),其詳細步驟總結(jié)如下.

Step 1 定義線性結(jié)構(gòu)體. 由于細小水體具有典型的線狀特征,方向性顯著,而建筑物、 山體陰影具有面狀特征. 本文的線性結(jié)構(gòu)體定義為se=strelem(d,s), 其中d表示線性結(jié)構(gòu)體的方向(分別為0°、 45°、 90°、 135°),s表示細小水體的尺度(即寬度在幾個像元內(nèi)的水體被定義為細小水體,在本文中s=3).

Step 2 形態(tài)學白帽重構(gòu)(white top-hat). 為增強寬度小于結(jié)構(gòu)體se的線狀地物,對MNDWI影像進行形態(tài)學白帽重構(gòu),其公式如下所示：

WTH(d,s)=MNDWI-γMNDWI(se)

(2)

式中： γMNDWI(se)表示MNDWI特征影像在結(jié)構(gòu)元素se作用下的開運算結(jié)果；WTH則表示在尺度s和方向d作用下的白帽重構(gòu)結(jié)果. 經(jīng)過此次重構(gòu),小于結(jié)構(gòu)元素se的細小水體將高亮顯示,大于結(jié)構(gòu)元素se的開闊水體及背景地物將被顯著抑制.

Step 3 構(gòu)建形態(tài)學細小水體指數(shù)MNWI. WTH重構(gòu)雖然有效地抑制了無關(guān)背景,但可能仍有少量小面積建筑會被增強. 由于建筑物的面狀特性,其WTH在4個不同方向上有較高的灰度值,故利用WTH在各個方向上最大、 最小值的反差,抑制面狀背景,突出線狀細小水體. 據(jù)此原理構(gòu)建MNWI公式如下：

MNWI=WTHmax-WTHmin

(3)

式中：WTHmax為4個方向上白帽重構(gòu)的最大值；WTHmin為4個方向上白帽重構(gòu)的最小值.

3) 雙閾值分割. 首先在MNDWI選擇一個較大的經(jīng)驗閾值,獲取水體信息的初始分割. 為確保目標水體不受道路噪聲干擾,本文基于多次統(tǒng)計實驗,確認經(jīng)驗閾值Te= 0.2是一個較好的閾值. 然后,利用最大類間方差法(Otsu)在MNWI影像中自動確定另外一個閾值,獲取MNWI影像的潛在水體區(qū)域. 如果潛在的水體區(qū)域與經(jīng)驗閾值確定的水體區(qū)域在空間上相連通,則將潛在水體區(qū)域判定為真實水體,否則該區(qū)域為非水體. 這樣就初步提取了MNWI影像中的水體信息.

4) 影像后處理. 在初步提取的水體信息中,混有少量道路或橋梁地物,采用歸一化建筑物指數(shù)(normalizeddifferencebuilt-upindex,NDBI)[11]來剔除這些誤提的目標,利用NDBI>0.05 進一步剔除這些誤提的地物. 此外,如果分割斑塊的像元小于30,則將其剔除以減少小斑塊噪聲影響,獲取最終的水體信息.

2 實驗結(jié)果與分析

2.1 研究區(qū)數(shù)據(jù)

如圖3所示,選取不同地形條件下的LandsatETM+/OLI影像進行細小水體提取實驗.

圖3 研究區(qū)的遙感影像Fig.3 Remote sensing image of study areas

影像1為2001年9月1日獲取的Landsat7ETM+影像地表覆蓋類型, 以落葉針葉林、 灌木林和城市建筑用地為主,地形起伏較為明顯. 因此,研究區(qū)1以河北省潘家口水庫為中心選取,涵蓋灤河流域內(nèi)的多條細小支流. 影像2為2014年12月13日獲取的Landsat8OLI影像,其軌道號為119-42. 該區(qū)域?qū)賮啛釒ШＱ笮约撅L氣候,平均降雨量1 400～2 000mm,是中國雨量最豐富的區(qū)域之一. 本文選取兩個區(qū)域進一步分析細小水體的提取精度,其中研究區(qū)2位于福建省羅源縣霍口溪流域,大小為1 000px×1 000px,該區(qū)域的植被覆蓋類型以常綠針葉林為主,地形同樣存在較大起伏,流域范圍內(nèi)涵蓋黃浦溪、 后溪、 斌溪等支流. 研究區(qū)3位于閩江中游支流尤溪河流域,大小為1 000px×1 000px,該區(qū)域的地表覆蓋類型以常綠針葉林、 城市建筑用地為主,北部地形較為平坦,南部地形較為起伏,流域范圍內(nèi)涵蓋青印溪、 清溪、 文江溪等多條支流.

本文以高分辨率的谷歌地球影像為基礎(chǔ),對研究區(qū)范圍內(nèi)的細小水體進行手工數(shù)字化,生成參考水體數(shù)據(jù),以確保實驗驗證過程中細小水體的準確性.

2.2 MNWI影像分析

利用MNWI對研究區(qū)1的MNDWI影像進行線性增強,增強前后分別如圖4(a)、 4(c)所示. 分析特征影像可知,在MNDWI影像中,裸地和城區(qū)的亮度值與細小河流較為接近,在水體信息提取時易造成混淆； 而在線性增強后的MNWI影像中,細小河流的亮度明顯增強,更容易與背景中的城區(qū)和裸地區(qū)分. 對4(a)、 4(c)中標注的樣本區(qū)域進行放大,分別如圖4(b)、 4(d)所示. 通過對比可以發(fā)現(xiàn),MNDWI中細小水體的亮度差較大,這使得分割提取細小水體時較暗的部分容易出現(xiàn)漏提,而這一現(xiàn)象在MNWI中得到改善,細小水體整體亮度值較高,從而更有利于閾值分割.

圖4 比較MNDWI與MNWI中的細小水體Fig.4 Comparison of narrow water in MNDWI and MNWI image

水體信息繪制該區(qū)域MNWI影像的ROC曲線[12], 如圖5所示. 進一步分析可發(fā)現(xiàn),ROC曲線前半段上升較快,當虛警率僅為5%時,查全率便可達到90%以上,而當查全率到達95%后,增速逐漸減緩,這表明真實的參考細小水體與MNWI影像呈高度正相關(guān)性,MNWI有較好的細小水體增強效果.

圖5 樣本區(qū)域MNWI影像的ROC和AUC曲線Fig.5 ROC and AUC curves of MNWI image in the focus area

圖6 MNWI影像的特征值統(tǒng)計Fig.6 Statistical feature value of MNWI image

利用圖1所選取的地物樣本對MNWI影像進行特征統(tǒng)計,結(jié)果如圖6所示. 與MNDWI影像中各種地物的特征值分布進行對比發(fā)現(xiàn),MNWI影像中的細小水體得到顯著增強,其特征值遠高于其它地物,因而容易通過閾值分割出細小水體. 由于道路同樣呈線狀分布,它同樣在增強后的MNWI影像中具有較大的特征值,使得難以通過單一閾值的方式將二者準確區(qū)分.

分別利用單閾值和雙閾值分割提取樣本區(qū)域內(nèi)的水體信息,結(jié)果如圖7所示. 定性分析4種水體分割結(jié)果可以發(fā)現(xiàn),以單閾值20分割MNWI特征影像,雖較完整地提取了樣本區(qū)域內(nèi)的水體信息,但卻誤提了影像下側(cè)的一段道路,并且提取結(jié)果中存在較嚴重的斑塊噪聲； 當單閾值提升至30時,誤提的道路信息明顯減少,但水體信息的完整度也隨之下降； 最后將單閾值提升至40,雖然完全避免了道路的誤提,但提取的河流信息卻中出現(xiàn)較多的斷點； 而雙閾值分割則較好地避免了道路信息的干擾,且降噪效果較為明顯.

圖7 MNWI影像分割結(jié)果對比Fig.7 Comparison of MNWI image segmentation results表1 不同方法分割MNWI影像的精度評價Tab.1 Accuracy evaluation of different methods segment MNWI images (%)

此外,本文還基于2.1中的參考水體數(shù)據(jù),對樣本區(qū)的全部區(qū)域進行定量精度評價(如表1所示). 觀察評價結(jié)果可以發(fā)現(xiàn),隨著單閾值的升高,細小水體提取結(jié)果的用戶精度逐步提升,誤提取現(xiàn)象不斷減少； 但此時制圖精度也在逐漸下降,細小水體中出現(xiàn)越來越多的漏提取現(xiàn)象. 然而使用雙閾值分割方法可避免此類問題,不僅獲取了較高的用戶精度,降低了混淆地物的誤提,而且制圖精度高達99.1%,能夠更為完整地提取細小水體. 因此本文使用雙閾值分割方法進行細小水體提取.

2.3 細小水體提取結(jié)果與分析

為了評價細小水體提取結(jié)果,圖8分別顯示對本文方法和最優(yōu)閾值分割MNDWI影像法的提取結(jié)果. 圖中采用不同的顏色對準確提取、 漏提、 誤提的細小水體分別進行標注. 結(jié)果表明本文方法在個研究區(qū)均較完整地提取了細小水體. 研究區(qū)1中的6條主要支流提取結(jié)果均較為完整； 而漏提水體主要集中在潘家口水庫的東側(cè),漏提河道寬度小于10 m. 這些漏提的河道在Landsat影像中不足一個像元,本文的方法增強細小水體線性后仍難取得較好的效果. 同樣,研究區(qū)2和3的細小水體整體提取效果較好,但研究區(qū)2在斌溪和霍口溪段出現(xiàn)兩處明顯漏提,主要是因為該區(qū)域河道普遍狹窄以及沿岸樹陰遮擋較為嚴重. 由圖8提取結(jié)果知,最優(yōu)閾值法的細小水體漏提和間斷都很嚴重,僅有少量支流提取較為完整,其中研究區(qū)2的水體漏提最為嚴重.

此外,為了對細小水體提取結(jié)果進行定量評價,本文以研究區(qū)的全部區(qū)域為評價對象,以制圖、 用戶精度為評價指標,對本文方法、 最優(yōu)閾值法、 文獻[9]中基于形態(tài)學膨脹的后處理方法(對最優(yōu)閾值分割結(jié)果進行后處理)、 文獻[7]分割LFE影像的提取方法進行精度評價,結(jié)果如表2所示. 其中由于目標水體和噪聲道路均以線狀形式在提取結(jié)果中出現(xiàn),為使評價結(jié)果更具代表性,本文采用細小河流長度作為統(tǒng)計指標參與精度評價.

圖8 3個研究區(qū)的多光譜影像及其水體提取結(jié)果Fig.8 Multi-spectral images and water extraction results of 3 study areas表2 研究區(qū)內(nèi)不同細小水體提取方法的精度評價Tab.2 Accuracy evaluation of different narrow water extraction methods in the study areas (%)

對比4種不同方法的提取精度,可以發(fā)現(xiàn)最優(yōu)閾值分割法的制圖精度最低,且該方法在研究區(qū)2的制圖精度明顯低于其他區(qū)域,這表明該方法提取的細小水體完整性較差且在河道狹窄處精度下降嚴重. 文獻[9]中的方法雖然提高了制圖精度,并減少了細小水體的漏提,但在研究區(qū)2內(nèi)的用戶精度卻下降近50%. 這可能是因為通過膨脹濾波和圖像細化操作實現(xiàn)的斷點連接,忽略了地類的真實紋理,難以捕捉細小水體的真實位置,較多的誤提使得該方法用戶精度較低. 文獻[7]中基于LFE影像的提取方法與本文方法都取得了較好的制圖精度,較為完整地提取了細小水體. 但本文方法自動化程度更高,在確定初始目標水體分割閾值的前提下可自動提取細小水體,并且誤提率更低,具有更好的用戶精度.

3 結(jié)語

現(xiàn)有的水體指數(shù)多對開闊水體提取有效,但細小水體的提取中容易存在漏提現(xiàn)象,影響水體的整體提取精度. 本文以MNDWI的水體指數(shù)特征影像為基礎(chǔ),利用形態(tài)學白帽變換,構(gòu)建出一種細小水體指數(shù)MNWI,使得細小水體與背景更易區(qū)分. 實驗結(jié)果表明,本文方法可較好地提取細小水體,與最優(yōu)閾值分割等方法相比,水體提取更為連續(xù),且有著更高的提取精度. 研究表明MNWI對不同寬度細小水體的增強效果有所差別,當寬度大于20 m時(即寬度在Landsat影像中大于2/3像素)有較好的增強效果,但當寬度小于15 m時增強效果顯著下降.

盡管本文采用MNDWI構(gòu)造形態(tài)學細小水體指數(shù)MNWI,本文的方法同樣適用其他常用水體指數(shù),如NDWI等. 本文主要以中等分辨率的Landsat影像為數(shù)據(jù)源進行方法設(shè)計,該方法是否適用于Spot-4或GF-1等中等分辨率影像、 Worldview或Quickbird等高分辨率影像,仍有待今后開展大量的相關(guān)驗證工作.

[1] 朱長明, 駱劍承, 沈占鋒, 等. DEM輔助下的河道細小線性水體自適應迭代提取[J]. 測繪學報, 2013, 42(2): 277-283.

[2] 都金康, 黃永勝, 馮學智, 等. SPOT衛(wèi)星影像的水體提取方法及分類研究[J]. 遙感學報, 2001, 5(3): 214-219.

[3] 劉煒, 王聰華, 趙爾平,等. 基于面向?qū)ο蠓诸惖募毿『恿魉w提取方法研究[J]. 農(nóng)業(yè)機械學報, 2014, 45(7): 237-244.

[4] MCFEETERS S K. The use of the normalized difference water index (NDWI) in the delineation of open water features[J]. International Journal of Remote Sensing, 1996, 17(7): 1425-1432.

[5] 徐涵秋. 利用改進的歸一化差異水體指數(shù)(MNDWI)提取水體信息的研究[J]. 遙感學報, 2005, 9(5): 589-595.

[6] 王剛, 李小曼, 田杰. 幾種TM影像的水體自動提取方法比較[J]. 測繪科學, 2008, 33(3): 141-142.

[7] JIANG H, FENG M, ZHU Y,etal. An automated method for extracting rivers and lakes from Landsat imagery[J]. Remote Sensing, 2014, 6(6): 5067-5089.

[8] 李艷華, 丁建麗, 閆人華. 基于國產(chǎn)GF-1遙感影像的山區(qū)細小水體提取方法研究[J]. 資源科學, 2015, 37(2): 408-416.

[9] 楊樹文, 薛重生, 劉濤, 等. 一種利用TM影像自動提取細小水體的方法[J]. 測繪學報, 2010, 39(6): 611-617.

[10] OTSU N A. Threshold selection method from gray - scale histograms[J]. IEEE Trans on SMC, 1979, 9(1): 62-66.

[11] 查勇, 倪紹祥, 楊山. 一種利用TM圖像自動提取城鎮(zhèn)用地信息的有效方法[J]. 遙感學報, 2003, 7(1): 37-40.

[12] WU B, HUANG B, FUNG T,etal. Projection of land use change patterns using kernel logistic regression.[J]. Photogrammetric Engineering & Remote Sensing, 2009, 75(8): 971-979.