基于SVM的灌區(qū)無(wú)人機(jī)影像渠系提取

張宏鳴 任 強(qiáng) 韓文霆 楊江濤 楊勤科 張 炯

(1.西北農(nóng)林科技大學(xué)信息工程學(xué)院， 陜西楊凌 712100； 2.西北農(nóng)林科技大學(xué)機(jī)械與電子工程學(xué)院, 陜西楊凌 712100；3.西北農(nóng)林科技大學(xué)水利與建筑工程學(xué)院， 陜西楊凌 712100； 4.西北大學(xué)城市與環(huán)境學(xué)院， 西安 710069；5.南加州大學(xué)神經(jīng)影像學(xué)和信息學(xué)研究所， 洛杉磯 CA 90033)

0 引言

渠系作為最常見(jiàn)的輸配水工程設(shè)施，根據(jù)形成原因，可分為人工渠系和自然渠系。針對(duì)不同渠系，采用的提取方法也不盡相同[1]。針對(duì)自然渠系，研究者提出從數(shù)字高程模型(Digital elevation model， DEM)中提取自然渠系輪廓[2]，提取方法主要包括移動(dòng)窗口算法[3]和全局法。

圖1 研究區(qū)域影像及實(shí)驗(yàn)區(qū)位置、高程Fig.1 DOM and DEM data of study area

灌區(qū)灌排渠系屬于人工渠系，呈線狀分布，多為人為有計(jì)劃的挖掘[4]。針對(duì)線狀地物，如道路的提取已有大量研究，SAATI等[5]采用Network Snake模型實(shí)現(xiàn)道路提取。但灌區(qū)渠系與農(nóng)田道路交叉分布，該類方法較難對(duì)二者進(jìn)行有效區(qū)分。傳統(tǒng)分類方法多使用單一DEM作為數(shù)據(jù)源[6]，如RAPINEL等[7]采用面向?qū)ο蟮姆治龇椒ㄌ崛」鄥^(qū)渠系，但水體、植被的存在對(duì)結(jié)果影響較大。CAZORZI等[8]利用平滑后的DEM與原始DEM得到相對(duì)地形模型，設(shè)置一定閾值來(lái)獲取渠系輪廓信息，但該方法會(huì)產(chǎn)生額外的地形冗余信息。SAH等[9]基于DEM提出了一種通過(guò)匯流累積提取渠道輪廓的方法，所得到的原始水系序列對(duì)應(yīng)的柵格數(shù)據(jù)(Raw stream order raster，RSOR)比使用常規(guī)的閾值法更接近真實(shí)地貌，但渠系連續(xù)性較差。SCHWANGHART等[10]根據(jù)水文原理，使得DEM邊緣的排水連通性得到保障，但結(jié)果中仍存在一定的誤差。BROERSON等[11]基于原始點(diǎn)云數(shù)據(jù)對(duì)平面和工程景觀中的水道進(jìn)行分類，進(jìn)而識(shí)別水道。而該方法有效性受限于研究區(qū)的地表特征(如植被覆蓋)。韓文霆等[12]使用基于面向?qū)ο蟮奶卣鹘M合分類分層方法提取灌區(qū)渠系，該方法提取結(jié)果中易出現(xiàn)中斷及無(wú)法區(qū)分農(nóng)田道路等問(wèn)題。張宏鳴等[13]基于DEM采用改進(jìn)的霍夫變換方法對(duì)灌區(qū)渠系進(jìn)行提取，并且在特征較為明顯的大范圍區(qū)域取得了良好的渠系網(wǎng)絡(luò)提取效果，但受數(shù)據(jù)源和噪聲點(diǎn)的影響，提取精度有限。前人研究過(guò)程常使用DEM或地形特征方法，數(shù)據(jù)源單一，方法較為傳統(tǒng)，自動(dòng)化程度低。

隨著人工智能的發(fā)展，使通過(guò)機(jī)器學(xué)習(xí)的方法進(jìn)行訓(xùn)練從而獲得高精度分類成為可能。近年，基于支持向量機(jī)(Support vector machines，SVM)的分類檢測(cè)方法在特征提取和目標(biāo)識(shí)別等方面得到了廣泛的應(yīng)用[14-15]。農(nóng)田溝渠與線狀道路具有一定的相似性，均屬于線狀延伸結(jié)構(gòu)。因此，本文嘗試采用基于SVM的分類檢測(cè)算法進(jìn)行灌排渠系的識(shí)別提取。

本文在前期研究的基礎(chǔ)上[13,16]，避免使用單一數(shù)據(jù)源所帶來(lái)的缺點(diǎn)，將無(wú)人機(jī)正射影像、DEM及坡度信息相結(jié)合來(lái)構(gòu)建訓(xùn)練數(shù)據(jù)，基于SVM訓(xùn)練分類得到渠系和非渠系結(jié)果，并采用連通區(qū)域法和凸包化方法優(yōu)化結(jié)果，最后進(jìn)行噪點(diǎn)剔除和渠系斷線連接。

1 數(shù)據(jù)與方法

1.1 數(shù)據(jù)來(lái)源

研究區(qū)位于內(nèi)蒙古自治區(qū)西部臨河區(qū)海豐縣，黃土高原北部，屬黃河上游的河套灌區(qū)，地面開(kāi)闊平坦，灌區(qū)內(nèi)灌排系統(tǒng)縱橫。年平均降水量155 mm，因降水量低，使得灌區(qū)灌溉占主導(dǎo)地位，每年約有5.2×109m3黃河水灌溉農(nóng)田[17]。為減小實(shí)驗(yàn)區(qū)地表覆蓋物的影響，本研究使用AF1000型無(wú)人機(jī)于2016年3月份對(duì)河套灌區(qū)(圖1a)凍土期進(jìn)行數(shù)據(jù)采集，使用AgisoftPhotoscan軟件生成分辨率為0.25 m的地表高程數(shù)據(jù)和坡度數(shù)據(jù)(圖1b)。

為驗(yàn)證本文方法的準(zhǔn)確性和適用性，從研究區(qū)中選取土地利用情況不同的3塊區(qū)域。實(shí)驗(yàn)區(qū)1約為67.9萬(wàn)m2(圖2a)，該區(qū)域中Y型支渠特征明顯，田坎、田間小路等同譜異物的干擾較少，通過(guò)該區(qū)域來(lái)檢驗(yàn)環(huán)境條件良好情況下本文方法提取渠系的準(zhǔn)確性。實(shí)驗(yàn)區(qū)2截取約12.8萬(wàn)m2(圖2b)，該區(qū)域中包含瀝青道路和田間土路，瀝青道路從影像信息上看與渠系差異很大，且樹(shù)木和陰影較多，道路部分被遮擋，而田間小路的影像、高程、坡度等信息與渠系差異不大，由同譜異物現(xiàn)象所帶來(lái)的干擾較為嚴(yán)重。實(shí)驗(yàn)區(qū)3約為27.7萬(wàn)m2(圖2c)，該實(shí)驗(yàn)區(qū)域存在大面積的房屋干擾，渠道、田坎、田間小路分布雜亂，同時(shí)田間存在多處秸稈焚燒后的殘留物，對(duì)影像信息也造成一定影響?？赏ㄟ^(guò)該區(qū)域驗(yàn)證本文方法在復(fù)雜環(huán)境下的適用性。

圖2 各實(shí)驗(yàn)區(qū)域影像Fig.2 Images of each experiment area

1.2 原理與方法

基于單一數(shù)據(jù)源的渠系提取效果一般[13]，因此本文將無(wú)人機(jī)正射影像、DEM及派生的坡度數(shù)據(jù)，存儲(chǔ)成三維矩陣，通過(guò)比對(duì)，在3組數(shù)據(jù)上得到可信的訓(xùn)練樣本點(diǎn)(人工選點(diǎn))，并使用SVM進(jìn)行分類，其中多核基于超像素圖像分割(Superpixels-based classficationvia mutilplekernels，SC-MK)算法為SVM提供核函數(shù)，用連通區(qū)域法和凸包化方法剔除噪聲并進(jìn)行斷點(diǎn)連接，利用中軸線算法提取渠系中心線。算法流程如圖3所示。

圖3 本文方法的處理流程圖Fig.3 Flow chart of proposed method

1.2.1SVM算法提取渠系

數(shù)據(jù)、訓(xùn)練樣本和核函數(shù)是決定分類結(jié)果準(zhǔn)確性的關(guān)鍵因素[18]，因此基于SVM的渠系提取可分為3個(gè)步驟：

(1)影像預(yù)處理

對(duì)遙感圖像進(jìn)行Mean Shift濾波處理，計(jì)算像素點(diǎn)的概率密度，以合并相似的影像特征，在不損失目標(biāo)信息的前提下，抑制圖像噪聲[19]。

以x為圓心，以h為半徑，落在球內(nèi)的點(diǎn)為xi點(diǎn)的概率密度為

(1)

式中s——空間域r——顏色域

C——概率常數(shù)

hs——空間域下的半徑

xr——顏色域下的x像素點(diǎn)

hr——顏色域下的半徑

xs——空間域下的x像素點(diǎn)

半徑越大，越多的圖像細(xì)節(jié)就會(huì)被忽略[23]。選取半徑h為15，后期實(shí)驗(yàn)分類效果較好。

(2)訓(xùn)練樣本選取

圖4 渠道切面示意圖及實(shí)地勘察圖Fig.4 Schematic view of channel section and field survey maps

正射影像上，渠床與農(nóng)田顏色較接近；高程上，渠床略低；坡度上，渠床與農(nóng)田均趨于平緩。而渠堤在高程和坡度特征上與農(nóng)田區(qū)域差異較大。研究區(qū)渠系可分為無(wú)襯渠系(圖4a)和有襯渠系(圖4b)兩種，高程、坡度和渠系實(shí)地勘察圖(藍(lán)色線條)如圖4所示，結(jié)合這些特點(diǎn)，實(shí)驗(yàn)過(guò)程中將渠堤和渠床同時(shí)作為目標(biāo)取樣點(diǎn)。

在監(jiān)督分類之前，需采集足量的負(fù)樣本點(diǎn)(非渠系樣本點(diǎn))，實(shí)驗(yàn)采取等距采樣法[20]，采樣距離視圖像大小而定。但候選樣本點(diǎn)存在落于渠系的可能，因此根據(jù)渠堤和渠床相比農(nóng)田、道路會(huì)發(fā)生高程驟變的特點(diǎn)，去除高程變化較大的候選樣本點(diǎn)，篩選出較為真實(shí)的負(fù)樣本點(diǎn)，盡可能地降低對(duì)分類過(guò)程的不利影響。

(3)SC-MK算法生成核函數(shù)

SVM中采用傳統(tǒng)的核函數(shù)在分類結(jié)果上表現(xiàn)出較多的干擾因素[21]。為了進(jìn)一步提升分類效果，研究工作者試圖將光譜與空間信息結(jié)合起來(lái)作為分類依據(jù)，SC-MK就是諸多研究工作的一種有效方法。本研究將正射影像、DEM、坡度3種數(shù)據(jù)結(jié)合形成的多維數(shù)據(jù)作為數(shù)據(jù)源。SC-MK算法主要分為3個(gè)步驟[22]：

(1)過(guò)分割(Entropy rate superpixel， ERS)。算法先對(duì)原始圖像進(jìn)行預(yù)處理，包括隨機(jī)遍歷圖像并生成熵率以及平衡過(guò)程2部分。熵率傾向于生成緊密且均勻的簇類，同時(shí)平衡函數(shù)會(huì)促使每個(gè)簇類的尺寸趨于一致[23]。采用該算法高效準(zhǔn)確地對(duì)原始圖像進(jìn)行過(guò)分割，為SC-MK算法的進(jìn)行提供了條件。

(2)生成超像素。超像素的生成需要先求出超像素?cái)?shù)目L，這取決于地形區(qū)域復(fù)雜程度，區(qū)域越復(fù)雜等待識(shí)別的單元格就越多。用R表示目標(biāo)像素占總像素的比例，Lbase表示超像素的預(yù)設(shè)值，則超像素個(gè)數(shù)L為

L=LbaseR

(2)

根據(jù)超像素個(gè)數(shù)L，調(diào)用ERS算法，將原有的高分辨率圖像分割生成L個(gè)超像素。

(3)生成特征信息圖像。分割生成超像素后，需用矩陣YSPi來(lái)描述第i個(gè)超像素，才能生成特征信息圖像，包括光譜信息圖像ISpec、均值信息圖像IMean、加權(quán)均值圖像IWeigh。它們是計(jì)算內(nèi)核的必要保障。

光譜信息圖像ISpec用于描述超像素圖像中原始的光譜特征信息，由全部光譜像素YSPi構(gòu)成。設(shè)YSPi中共有z個(gè)像素，YSPi表示為

YSPi=[y1iy2i…yzi]

(3)

均值特征圖像IMean的生成需要先根據(jù)YSPi計(jì)算每一個(gè)超像素中光譜信息的平均值yMeani，然后將yMeani的值賦給YSPi中的所有像素。新的均值特征圖像IMean可以減少圖像中的干擾信息。

加權(quán)均值特征圖像IWeigh由每個(gè)超像素YSPi及其相鄰的超像素進(jìn)行平均加權(quán)計(jì)算得到。若YSPi共有J個(gè)鄰接超像素，YSPi的鄰接超像素為

YSPi,j=[YSPi,1YSPi,2…YSPi,J]

(4)

某一超像素光譜加權(quán)均值信息yWAi的計(jì)算，需要其所有鄰接超像素光譜均值信息yMeani,j。光譜加權(quán)均值信息yWAi的計(jì)算公式為

(5)

其中

(6)

式中wi,j——鄰接超像素的權(quán)值

h——一個(gè)預(yù)設(shè)的標(biāo)量

將yWAi的值賦給超像素YSPi中的每一個(gè)像素，將賦值后的超像素集合生成加權(quán)均值特征圖像IWeigh。

內(nèi)核的生成需要特征信息圖像結(jié)合訓(xùn)練樣本得到各自對(duì)應(yīng)的特征訓(xùn)練集合作為基礎(chǔ)，具體過(guò)程是將選取出的訓(xùn)練樣本點(diǎn)組合成訓(xùn)練集合(y1,y2,…,yN)。根據(jù)訓(xùn)練集合中的像素點(diǎn)對(duì)應(yīng)坐標(biāo)索引，找出光譜信息圖像ISpec、均值信息圖像IMean、加權(quán)均值圖像IWeigh中對(duì)應(yīng)的像素點(diǎn)，生成光譜信息訓(xùn)練集合(ySpec,Train1,ySpec,Train2,…,ySpec,TrainN)、均值特征訓(xùn)練集合(yMean,Train1,yMean,Train2,…,yMean,TrainN)、加權(quán)均值訓(xùn)練集合(yWeigh,Train1,yWeigh,Train2,…,yWeigh,TrainN)。根據(jù)3個(gè)訓(xùn)練集合，分別生成3個(gè)內(nèi)核，計(jì)算公式為

(7)

其中σ為函數(shù)的寬度參數(shù)，控制函數(shù)的徑向作用范圍。

根據(jù)生成的3個(gè)內(nèi)核KSpec、KIntraS、KInterS，聯(lián)合3個(gè)內(nèi)核采用加權(quán)平均值法計(jì)算出一個(gè)統(tǒng)一的內(nèi)核，作為SVM最終的分類依據(jù)，計(jì)算公式為

KComSup(yi,yj)=
μSpecKSpec+μIntraSKIntraS+μInterSKInterS

(8)

其中，μSpec、μIntraS、μInterS表示3個(gè)內(nèi)核生成統(tǒng)一內(nèi)核時(shí)各自所占的權(quán)重，同時(shí)3個(gè)參數(shù)需要滿足

μSpec+μIntraS+μInterS=1

(9)

將生成的混合內(nèi)核KComSup作為SVM的分類準(zhǔn)則，用來(lái)決定原圖像中每個(gè)像素所屬類別。訓(xùn)練過(guò)程中，正負(fù)訓(xùn)練樣本數(shù)量均為200，可以有良好的訓(xùn)練效果及泛化能力。

SVM提取后仍存在一定的噪點(diǎn)和渠道斷裂現(xiàn)象，因此需要去噪及渠系斷點(diǎn)連接來(lái)進(jìn)一步優(yōu)化。

1.2.2渠系提取結(jié)果優(yōu)化

1.2.2.1連通域標(biāo)記算法剔除噪點(diǎn)

SVM方法提取出的渠系信息背景中仍存在一定噪點(diǎn)，影響渠系斷線連接及結(jié)果。消除圖像噪聲常用的濾波和平滑方法會(huì)導(dǎo)致原本的渠系信息也一定程度的丟失，而采用連通區(qū)域分析法(Connected component analysis)進(jìn)行區(qū)域標(biāo)記時(shí)對(duì)原本目標(biāo)渠系信息產(chǎn)生的弱化影響較小。連通區(qū)域(Connected component)一般是指圖像中規(guī)定大小的相鄰前景元素組成的具有相同像素?cái)?shù)的一片區(qū)域。連通區(qū)域分析法需要將這些區(qū)域進(jìn)行標(biāo)記，如果符合要求，則將其做增強(qiáng)或者刪除[24]。最終當(dāng)區(qū)域個(gè)數(shù)小于閾值3時(shí)，默認(rèn)為非目標(biāo)渠系，將其重置為背景。從而達(dá)到一個(gè)較為理想的狀態(tài)。

為計(jì)算連通區(qū)域個(gè)數(shù)，本文對(duì)4連通鄰域進(jìn)行標(biāo)記處理，該標(biāo)記思路為選取一個(gè)前景像素點(diǎn)作為種子，然后根據(jù)連通區(qū)域的2個(gè)基本條件，即像素?cái)?shù)相同且位置相鄰(上下左右4個(gè)位置)，將與種子相鄰的前景像素標(biāo)記合并到同一個(gè)像素集合中，最終得到的該像素集合即為一個(gè)連通區(qū)域[27]。處理過(guò)程為：

(1)設(shè)圖像p是一個(gè)m×n的位圖，用數(shù)組存放，從上到下，從左到右，依次掃描每個(gè)像素點(diǎn)，直到當(dāng)前的像素點(diǎn)p(x,y)為1。

(2)將p(x,y)作為種子，并賦予其一個(gè)標(biāo)記flag，然后將該種子相鄰的4個(gè)鄰域前景像素入棧。

(3)彈出棧頂元素，賦予其相同的flag，檢測(cè)該棧頂像素相鄰的4鄰域，若非空壓棧，表示不再處理此點(diǎn)，區(qū)域個(gè)數(shù)加1。

(4)重復(fù)步驟(3)操作直到棧中元素為空，此時(shí)找到圖像p中的一個(gè)連通區(qū)域，并且該區(qū)域中的像素值都被標(biāo)記為同一個(gè)flag。

(5)重復(fù)前面4個(gè)步驟，可以找到所有連通區(qū)域，遍歷所有連通區(qū)域，若其區(qū)域個(gè)數(shù)判斷小于3，則將該區(qū)域內(nèi)的所有像素重置為背景像素。經(jīng)過(guò)該步驟的噪點(diǎn)去除效果如圖5所示，其中紅色圓圈為背景噪聲。

圖5 去噪效果Fig.5 Local noise removal effect

1.2.2.2凸包化算法連接渠系斷線

針對(duì)提取復(fù)雜渠道時(shí)連續(xù)性不足、渠床存在異物以及樹(shù)木陰影等造成渠系非正常中斷的問(wèn)題，需要進(jìn)行斷線連接處理。斷線連接的常用方法有膨脹細(xì)化法、張量投票法、凸包化方法等[25]。膨脹細(xì)化法直接對(duì)柵格數(shù)據(jù)進(jìn)行操作，雖然對(duì)一部分中斷渠道和交匯口具備處理能力，但存在一定盲目性，連接效果并不穩(wěn)定。張量投票法對(duì)較大長(zhǎng)度的斷裂渠道修復(fù)效果一般。而凸包化方法可以有目的地連接較長(zhǎng)渠系，具體實(shí)現(xiàn)過(guò)程是先選出點(diǎn)集Q(p0,p1,…,pn)中y坐標(biāo)最小的點(diǎn)記為p0，若相同則比較x坐標(biāo)，并將點(diǎn)集Q按照極角由小到大排序，若相同則按照到p0的距離由小到大排序。然后將p0、p1、p2壓入棧，遍歷剩下的點(diǎn)，循環(huán)剔除不是凸包頂點(diǎn)的點(diǎn)，即非同條渠系所需連接的斷點(diǎn)。但由于渠系像素點(diǎn)間離散間距不同，該方法使得渠道變形加粗(圖6b)，可通過(guò)提取中軸線對(duì)該問(wèn)題進(jìn)行規(guī)避(圖6c)。

圖6 渠道斷線連接過(guò)程Fig.6 Channel disconnection process

1.2.3結(jié)果對(duì)比

為了檢驗(yàn)不同連接方法對(duì)渠系連接的效果，而渠系形狀近似為一定寬度的線段，基于這一特征可以通過(guò)繪制渠系區(qū)域的最小外接矩形來(lái)獲取渠系的長(zhǎng)度、寬度信息。從而進(jìn)行定量分析評(píng)價(jià)，即最小外接矩形的長(zhǎng)為渠系長(zhǎng)度，寬為渠系寬度。測(cè)量單位均為像素?cái)?shù)并以人工測(cè)量作為檢驗(yàn)標(biāo)準(zhǔn)[28]。

為衡量本文方法提取渠系的精度，采用精確率P、完整度C、準(zhǔn)確率A，3項(xiàng)指標(biāo)對(duì)提取結(jié)果進(jìn)行量化評(píng)價(jià)[26]，其計(jì)算公式為

P=TP/(TP+FP)×100%

(10)

C=TN/(TN+FN)×100%

(11)

A=TP/(TP+FP+FN)×100%

(12)

式中TP——正確識(shí)別的渠系像素?cái)?shù)

FP——非渠系識(shí)別為渠系像素?cái)?shù)

TN——正確識(shí)別的非渠系像素?cái)?shù)

FN——渠系識(shí)別為非渠系像素?cái)?shù)

2 結(jié)果與討論

2.1 斷線連接

截取實(shí)驗(yàn)區(qū)2中的3條渠系，SVM分類后的效果如圖6a所示，渠系提取結(jié)果連續(xù)性較差。采用凸包化方法進(jìn)行斷線連接后的結(jié)果如圖6b所示，渠系連接效果明顯，但變形嚴(yán)重。采用中軸線提取后的結(jié)果如圖6c所示，3條渠系全部連接，但依然存在少量噪聲點(diǎn)。由圖6可以看出，3條渠系均較好地連接在一起，特別是渠道2斷線恢復(fù)效果最明顯。對(duì)渠道2采用最小外接矩形法定量分析，測(cè)量單位均為像素，其測(cè)量結(jié)果如表1所示。

表1斷線連接結(jié)果對(duì)比

Tab.1 Comparison of connection results 像素

以人工測(cè)量作為衡量標(biāo)準(zhǔn)，膨脹細(xì)化法、張量投票法在長(zhǎng)度和寬度上均出現(xiàn)了較大誤差，本文方法處理后的渠道2誤差均最小且完整連續(xù)，斷點(diǎn)間誤連接問(wèn)題通過(guò)閾值尋優(yōu)得到一定程度的解決。

同時(shí)渠道1和3連接效果良好，進(jìn)一步驗(yàn)證了本文方法推廣到對(duì)整片研究區(qū)域進(jìn)行連接處理的可行性。

2.2 渠系網(wǎng)絡(luò)提取結(jié)果

分別把3個(gè)實(shí)驗(yàn)樣區(qū)的結(jié)果與實(shí)際渠系信息進(jìn)行疊加對(duì)比，對(duì)應(yīng)各方法提取的精確率、完整度、準(zhǔn)確率計(jì)算結(jié)果如表2所示。提取的渠系分布效果如圖7所示。不同實(shí)驗(yàn)的訓(xùn)練樣本對(duì)應(yīng)正射影像中黃色線段。結(jié)果表明：

(1)改進(jìn)的霍夫變換在實(shí)驗(yàn)區(qū)1這種較大片環(huán)境良好的區(qū)域(圖7a)與SVM方法精確率接近，但是面對(duì)分布密集、交錯(cuò)較為復(fù)雜的渠系漏提取較多，同時(shí)提取精度盡管達(dá)到斗渠，但大部分農(nóng)渠丟失，完整度為86.52%，SVM方法提取的完整度可達(dá)91.54%，準(zhǔn)確率可達(dá)88.34%，均優(yōu)于改進(jìn)的霍夫變換。

表2 本文方法精度評(píng)價(jià)及對(duì)比Tab.2 Performance and comparison of proposed method

(2)SVM方法在較復(fù)雜和復(fù)雜區(qū)域(圖7e)整體表現(xiàn)良好，實(shí)驗(yàn)區(qū)2渠系提取準(zhǔn)確率可達(dá)89.35%，實(shí)驗(yàn)區(qū)3是本次實(shí)驗(yàn)中環(huán)境最為復(fù)雜的區(qū)域(圖7i)，存在大量房屋、道路等干擾信息，考驗(yàn)了本文方法面對(duì)復(fù)雜環(huán)境的適用性。該地區(qū)北部存在大片房屋建筑干擾以及各種人為活動(dòng)的影響，實(shí)驗(yàn)準(zhǔn)確率達(dá)到了80.42%，優(yōu)于改進(jìn)霍夫變換的74.84%。

圖7 渠系提取效果比較Fig.7 Comparison of canal extraction results

(3)依照各個(gè)指標(biāo)進(jìn)行精度評(píng)價(jià)，平均精度為86.34%。針對(duì)不同復(fù)雜環(huán)境下的實(shí)驗(yàn)區(qū)域，本文方法在人工選點(diǎn)的引導(dǎo)下，均得到了有效的渠系分布信息，準(zhǔn)確性和適用性良好。在人工監(jiān)督下的SVM分類方法能夠較為完整地保留渠系分布信息，但仍受限于影像信息與其他地物區(qū)分度較小，農(nóng)渠特征不明顯以及與渠道相鄰的建筑物、人為活動(dòng)等干擾。斷線連接方法在實(shí)驗(yàn)過(guò)程中也出現(xiàn)了閾值設(shè)置過(guò)大，極易出現(xiàn)渠道間誤連。而閾值設(shè)置過(guò)小，又會(huì)造成連接效果不佳的處境。所以后期針對(duì)不同實(shí)驗(yàn)區(qū)域情況，進(jìn)行了人工調(diào)優(yōu)，使其渠道斷裂連接效果和渠道間錯(cuò)誤連接達(dá)到一個(gè)相對(duì)平衡。

3 結(jié)論

(1)基于SVM方法實(shí)現(xiàn)了灌區(qū)的渠系提取，后期對(duì)渠系結(jié)果進(jìn)行優(yōu)化，有效地解決了渠系斷裂和變形問(wèn)題，提高了渠系提取精度，主要誤差來(lái)自于農(nóng)渠等無(wú)襯渠特征不明顯。

(2)充分結(jié)合多源數(shù)據(jù)的不同特性，采用多核混合的核函數(shù)，為渠系提取提供了新的思路，識(shí)別精度得到保障，準(zhǔn)確率和精確率都達(dá)到了較好的結(jié)果。

(3)基于無(wú)人機(jī)正射影像及其衍生數(shù)據(jù)的灌區(qū)渠系制圖，最大的瓶頸來(lái)自于渠系地形特征模糊以及建筑物的干擾，使得提取難度加大，因此未來(lái)基于水文分析方法結(jié)合土地利用分類、多光譜數(shù)據(jù)等可進(jìn)一步提高制圖精度。

1 胡安焱，林凱榮，李瑋，等.無(wú)資料地區(qū)渠系建設(shè)的設(shè)計(jì)洪水計(jì)算探討[J]. 灌溉排水學(xué)報(bào)，2006，25(2):1-3.

HU Anyan，LIN Kairong，LI Wei，et al.Discussion on design flood calculation of canal system in no data area[J]. Journal of Irrigation and Drainage, 2006, 25(2):1-3.(in Chinese)

2 楊勤科，李銳，曹明明.區(qū)域土壤侵蝕定量研究的國(guó)內(nèi)外進(jìn)展[J].地球科學(xué)進(jìn)展，2006，21(8):849-856.

YANG Qinke，LI Rui，CAO Mingming.Study on quantitative study of regional soil erosion at home and abroad [J].Advances in Earth Science, 2006, 21(8):849-856.(in Chinese)

3 PEUCKER T K,DOUGLASD H.Detection of surface-specific points by local parallel processing of discrete terrain elevation data[J].Computer Graphics & Image Processing,1975,4(4):375-387.

4 劉輝，謝天文. 基于PCA與HIS模型的高分辨率遙感影像陰影檢測(cè)研究[J].遙感技術(shù)與應(yīng)用，2013，28(1):78-84.

LIU Hui，XIE Tianwen.Research on high-resolution remote sensing image shadow detection based on PCA and HIS model[J].Remote Sensing Technology and Application,2013,28(1):78-84.(in Chinese)

5 SAATI M,AMINI J.Road network extraction from high-resolution SAR imagery based on the network snake model[J].Photogrammetric Engineering & Remote Sensing, 2011(Supp.1):23-26.

6 劉凱，湯國(guó)安，黃驍力，等.面向地形特征的DEM與影像紋理差異分析[J].地球信息科學(xué)學(xué)報(bào)，2016，18(3): 386-395.

LIU Kai，TANG Guoan，HUANG Xiaoli，et al.DEM and image texture differences for terrain features[J].Journal of Earth Information Science,2016,18(3):386-395.(in Chinese)

7 RAPINEL S,HUBERT L,CLEMENT B,et al.Ditch network extraction and hydrogeomorphological characterization using LiDAR-derived DTM in wetlands[J].Hydrology Research,2015,46(2):276.

8 CAZORZI F,FONTANA G D,LUCA A D,et al.Drainage network detection and assessment of network storage capacity in agrarian landscape[J].Hydrological Processes,2013,27(4): 541-553.

9 SAH R K,DAS A K.Drainage skeletonization from flow-accumulated area without the use of threshold[J].Geocarto International,2015,30(8): 894-904.

10 SCHWANGHART W,GROOM G,KUHN N J,et al.Flow network derivation from a high resolution DEM in a low relief, agrarian landscape[J].Earth Surface Processes and Landforms,2013, 27(6):39-43.

11 BROERSON T,PETERS R,LEDOUX H.Automatic identification of watercourses in flat and engineered landscapes by computing the skeleton of a LiDAR point cloud[J]. Computers & Geosciences,2017, 106:171-180.

12 韓文霆，張立元，張海鑫，等. 基于無(wú)人機(jī)遙感與面向?qū)ο蠓ǖ奶镩g渠系分布信息提取[J/OL].農(nóng)業(yè)機(jī)械學(xué)報(bào)，2017，48(3):205-214.http:∥www.j-csam.org/jcsam/ch/reader/view_abstract.aspx?flag=1&file_no=20170326&journal_id=jcsam.DOI:10.6041/j.issn.1000-1298.2017.03.026.

HAN Wenting，ZHANG Liyuan，ZHANG Haixin，et al.Extraction method of sublateralcanal distribution information based on UAV remote sensing[J/OL].Transactions of the Chinese Society for Agricultural Machinery,2017, 48(3):205-214.(in Chinese)

13 張宏鳴，李瑤，王猛，等. 基于無(wú)人機(jī)DEM的灌區(qū)渠系提取方法[J/OL].農(nóng)業(yè)機(jī)械學(xué)報(bào)，2017，48(10):165-171.http:∥www.j-csam.org/jcsam/ch/reader/view_abstract.aspx?flag=1&file_no=20171020&journal_id=jcsam.DOI:10.6041/j.issn.1000-1298.2017.10.020.

ZHANG Hongming，LI Yao，WANG Meng，et al.Study on the extraction method of irrigation networks in irrigated area based on UAV DEM [J/OL].Transactions of the Chinese Society for Agricultural Machinery,2017,48(10):168-171.(in Chinese)

14 陸永帥，李元祥，劉波，等.基于深度殘差網(wǎng)絡(luò)的高光譜遙感數(shù)據(jù)霾監(jiān)測(cè)[J].光學(xué)學(xué)報(bào),2017，37(11):1-19.

LU Yongshuai，LI Yuanxiang，LIU Bo，et al.Heavy monitoring of hyperspectral remote sensing data based on depth residuals network [J]. Chinese Journal of Optics, 2017, 37(11):1-19.(in Chinese)

15 沈照慶，黃亮，陶建斌. 基于支持向量機(jī)的高光譜遙感影像道路提取[J].長(zhǎng)安大學(xué)學(xué)報(bào)：自然科學(xué)版,2012,32(5):34-38.

SHEN Zhaoqing，HUANG Liang，TAO Jianbin. Hyperspectral remote sensing image road extraction based on support vector machine[J]. Journal of Chang’an University:Natural Science Edition, 2012,32(5): 34-38.(in Chinese)

16 ZHANG H,WEI J,YANG Q,et al.An improved method for calculating slope length (λ) and the LS parameters of the revised universal soil loss equation for large watersheds[J].Geoderma,2017,308: 36-45.

17 YANG T,XU C Y,SHAO Q,et al.Temporal and spatial patterns of low-flow changes in the Yellow River in last half century[J].Stochastic Environmental Research and Risk Assessment,2010,24(2): 297-309.

18 黃亮，舒寧.基于支持向量機(jī)(SVM)單目標(biāo)SAR圖像分割[J].地理空間信息,2011,9(1):60-62.

HUANG Liang，SHU Ning.Fractive segmentation of single target SAR based on support vector machine (SVM)[J].Geospatial Information,2011,9(1): 60-62.(in Chinese)

19 冀峰，高新波，謝松云.Mean-shift濾波和直方圖增強(qiáng)的圖像弱邊緣提取[J].中國(guó)圖象圖形學(xué)報(bào)，2012，17(6):651-656.

JI Feng，GAO Xinbo，XIE Songyun.Mean-shift filtering and histogram-enhanced image weak edge extraction [J].Journal of Image and Graphics,2012,17(6): 651-656.(in Chinese)

20 丁磊，張保明，郭海濤，等.矢量數(shù)據(jù)輔助的高分辨率遙感影像道路自動(dòng)提取[J].遙感學(xué)報(bào)，2017，21(1):84-95.

DING Lei，ZHANG Baoming，GUO Haitao，et al.Automatic extraction of high resolution remote sensing images based on vector data [J]. Journal of Remote Sensing,2017,21(1): 84-95.(in Chinese)

21 鄔嘯，魏延，吳瑕.基于混合核函數(shù)的支持向量機(jī)[J].重慶理工大學(xué)學(xué)報(bào)：自然科學(xué)版，2011，25(10):66-70.

WU Xiao，WEI Yan，WU Xia.Support vector machine based on mixed kernel function [J].Journal of Chongqing University of Technology:Natural Science Edition,2011,25(10): 66-70.(in Chinese)

22 FANG L, LI S.Classification of hyperspectral images by exploiting spectral-spatial information of superpixelvia multiple kernels[J].IEEE Transactions on Geoscience and Remote Sensing,2014,53(12):6663-6674.

23 LIU M, TUZEL O.Entropy-rate clustering, cluster analysis via maximizing a submodular function subject to a matroid constraint[J].IEEE Transactions on Pattern Analysis and Machine Intelligence,2014,36(1): 99-112.

24 張?jiān)普?，趙海，宋純賀，等. 一種新的連通區(qū)域標(biāo)記算法[J].計(jì)算機(jī)應(yīng)用研究，2010，27(11):4335-4337.

ZHANG Yunzhe，ZHAO Hai，SONG Chunhe，et al.A new connectivity region labeling algorithm[J]. Application Research of Computers, 2010,27(11): 4335-4337.(in Chinese)

25 于廣婷，朱聰，李柏林，等.光學(xué)圖像中一種新的邊界斷點(diǎn)連接方法[J].計(jì)算機(jī)應(yīng)用研究，2014，31(4):1264-1266.

YU Guangting，ZHU Cong，LI Bolin，et al.A new boundary breakpoint connection method in optical image[J].Application Research of Computers,2014,31(4): 1264-1266.(in Chinese)

26 WIEDEMANN C,HEIPKE C,MAYER H,et al.Empirical evaluation of automatically extracted road axes[J]. Wiley-IEEE Computer Society,1998, 47(3): 172-187.