基于紋理分水嶺的斜坡單元提取算法

程露 周波

摘 要：斜坡單元在以滑坡為主的地質(zhì)災(zāi)害預(yù)防和評(píng)價(jià)中有著廣泛的應(yīng)用，其提取和劃分是滑坡災(zāi)害風(fēng)險(xiǎn)評(píng)估的首要工作和重要基礎(chǔ)。針對(duì)傳統(tǒng)地理信息系統(tǒng)（GIS）方法提取的斜坡單元存在平行邊界和誤分割問題，提出了基于紋理分水嶺的斜坡單元提取方法，通過分割地形圖像劃分斜坡單元。首先通過預(yù)處理地形數(shù)據(jù)得到數(shù)字高程模型（DEM）圖像，利用灰度共生矩陣提取DEM紋理特征;然后計(jì)算融合灰度和紋理特征的梯度圖像，對(duì)梯度圖像進(jìn)行基于標(biāo)記的分水嶺分割，使其能夠準(zhǔn)確獲取山體和流域邊界;最后，結(jié)合正負(fù)地形，對(duì)山體對(duì)象進(jìn)行分水嶺分割以實(shí)現(xiàn)斜坡單元的提取。實(shí)驗(yàn)結(jié)果表明，所提方法對(duì)不同地貌類型和分辨率的DEM圖像都有良好的劃分效果;相較于傳統(tǒng)的GIS方法，該方法能夠正確分割水平面和傾斜面，有效避免因洼地填平處理而產(chǎn)生的平行邊界問題。

關(guān)鍵詞：斜坡單元;數(shù)字高程模型;分水嶺算法;正負(fù)地形;紋理梯度

中圖分類號(hào)： TP391.41圖像識(shí)別及其裝置

文獻(xiàn)標(biāo)志碼：A

Abstract： Slope units are widely used in the prevention and evaluation of landslide-based geological hazards， whose extraction and division are the primary target and important foundation for the risk assessment of landslide hazards. Considering the parallel boundaries and incorrect segmentation problems of the slope units extracted by traditional Geographic Information System （GIS） method， a slope unit extraction algorithm based on texture watershed was proposed， in which slope units were extracted by segmenting terrain images. Firstly， a Digital Elevation Model （DEM） image was obtained by the pretreatment of terrain data， and DEM texture features were extracted by gray level co-occurrence matrix. Then， the gradient image with gray level fused with texture features was calculated and segmented by marker-based watershed segmentation to accurately obtain mountain boundaries and watershed boundaries. Finally， combined with positive and negative terrains， the mountain objects were segmented by watershed segmentation to extract slope units. The experimental results show that the proposed method is pretty effective in segmentation for DEM images of different landform types and resolutions. Compared with traditional GIS method， horizontal planes and inclined planes can be segmented correctly， and the problem of parallel boundaries caused by filling of depressions can be effectively avoided through the proposed method.

Key words： slope unit; Digital Elevation Model （DEM）; watershed algorithm; positive and negative terrain; texture gradient

0 引言

數(shù)字高程模型（Digital Elevation Model， DEM）是空間數(shù)據(jù)基礎(chǔ)設(shè)施的重要組成部分，蘊(yùn)含著豐富的地形地貌信息，從DEM數(shù)據(jù)中自動(dòng)提取其隱含的地形結(jié)構(gòu)信息具有重要的研究意義[1]。斜坡單元是由山脊線和山谷線共同分割的圖元，通常情況下，一個(gè)區(qū)域內(nèi)相鄰幾個(gè)斜坡單元會(huì)有明顯不同的地形特征，如地形線、流線、坡向、坡面等[2]。斜坡單元能夠有效研究地形元素、分析單元間的聯(lián)系、保留斜坡的整體性，貼近實(shí)際地貌，可以很好地體現(xiàn)研究區(qū)域中滑坡的實(shí)際發(fā)育狀況。隨著地質(zhì)災(zāi)害風(fēng)險(xiǎn)評(píng)價(jià)研究的不斷深入，斜坡單元在以滑坡為主的地質(zhì)災(zāi)害評(píng)價(jià)中發(fā)揮著越來越重要的作用[3]，其提取和劃分是開展大比例尺區(qū)域滑坡災(zāi)害易發(fā)性、危險(xiǎn)性、風(fēng)險(xiǎn)評(píng)價(jià)的首要工作和重要基礎(chǔ)[4]。

當(dāng)前，斜坡單元的提取主要依賴于地理信息系統(tǒng)（Geographic Information System， GIS）的水系提取和子流域分割[5-7]，其基本原理是利用無洼地正負(fù)地形分別提取山脊線和山谷線（分別對(duì)應(yīng)分水線和匯水線），把生成的集水流域與反向集水流域融合，再經(jīng)后期人工修編不合理的單元，最終得到的由匯水線與分水線所劃分的區(qū)域即為斜坡單元。其改進(jìn)方法有：考慮柵格分辨率和集水面積閾值等因素進(jìn)行改進(jìn)的方法[8]、通過疊加曲率和反轉(zhuǎn)曲率的流域邊界進(jìn)行改進(jìn)的方法[2]、基于平均曲率進(jìn)行改進(jìn)的方法[9]等。

盡管基于水文分析的斜坡單元提取方法有著廣泛的應(yīng)用[1]，但依然存在著如下缺點(diǎn)：一是由于洼地填平對(duì)地形有一定的改變，極易形成大片平地，提取的斜坡單元往往會(huì)出現(xiàn)平行邊界[10];二是由于一般不區(qū)分水平面和傾斜面，當(dāng)?shù)匦沃写嬖谏介g盆地或大型寬谷時(shí)，只能將水平面機(jī)械地并入到傾斜面中，不符合實(shí)際地貌[11]，從而導(dǎo)致提取的斜坡單元往往需要進(jìn)行繁雜的人工修編工作，效率低下。

近年來，基于紋理分析的地形特征研究開始應(yīng)用于地表地貌類型的劃分，將紋理分析與DEM的數(shù)字地形特征相結(jié)合，被認(rèn)為是劃分宏觀地貌類型的突破點(diǎn)[12]。針對(duì)傳統(tǒng)GIS方法的不足，本文嘗試從圖像分割的角度劃分斜坡單元，將圖像分割方法中的分水嶺算法應(yīng)用到地形分割中，并結(jié)合地形圖像的紋理特征，提出了一種基于紋理分水嶺[13]的斜坡單元提取方法，使得在提取斜坡單元的同時(shí)，能夠克服傳統(tǒng)GIS方法產(chǎn)生平行邊界、不能有效區(qū)分水平面和傾斜面的缺點(diǎn)。

1 本文算法的原理及應(yīng)用背景

分水嶺算法是一種基于拓?fù)淅碚摵湍M地形學(xué)的圖像分割技術(shù)，因其運(yùn)算簡單、計(jì)算速度快，可以得到單像素寬、連通封閉的輪廓等特點(diǎn)，在圖像分割領(lǐng)域有著廣泛的應(yīng)用[14]。當(dāng)前最為普遍使用的一種分水嶺算法實(shí)現(xiàn)方式是模擬浸沒過程，其思想是將一幅灰度圖像看作是測(cè)地學(xué)上的拓?fù)涞孛瞇15]，圖像中每個(gè)點(diǎn)的灰度值對(duì)應(yīng)為地形表面的高程，每一個(gè)局部極小值及其影響區(qū)域?yàn)榧瑁璧倪吔鐒t形成分水嶺，即地形中的山脊線，如圖1所示。在每個(gè)局部極小值處，刺穿一個(gè)小孔，讓水均勻上升，從低到高直至淹沒地形，在不同集水盆的水匯合處修建一條大壩，這些大壩就是分水嶺。

從分水嶺算法的原理可以看出，待分割圖像中每個(gè)局部極小值對(duì)應(yīng)分割結(jié)果的一個(gè)子區(qū)域，子區(qū)域的個(gè)數(shù)由局部極小值的數(shù)量決定。在DEM數(shù)據(jù)中，除真實(shí)地形（溶洞、湖泊、洼地等）對(duì)應(yīng)的局部極小值外，在數(shù)據(jù)采集或數(shù)據(jù)內(nèi)插生成DEM時(shí)也會(huì)產(chǎn)生大量的局部極小值，這些偽極小值會(huì)造成嚴(yán)重的過分割[7]。為解決過分割問題，本文在標(biāo)記分水嶺算法的基礎(chǔ)上進(jìn)行改進(jìn)以提取斜坡單元。

DEM數(shù)據(jù)的紋理特征屬于自然紋理的一種，平原、丘陵和山脈具有不同的地貌形態(tài)和高度起伏，反映在影像上則呈現(xiàn)具有方向和粗糙度差異的紋理特征。由于灰度梯度在表達(dá)紋理信息方面的不足[16]，考慮將DEM的紋理信息融合進(jìn)灰度梯度中，構(gòu)建一個(gè)混合的包含灰度差異和紋理特征的梯度圖像，結(jié)合分水嶺分割，使其能夠更準(zhǔn)確定位山體和流域邊界。

分水嶺分割后得到的子區(qū)域?yàn)榈匦沃袉蝹€(gè)的山體對(duì)象或流域?qū)ο?，需?duì)這些子區(qū)域再次分割以提取斜坡單元。由于此時(shí)每一塊子區(qū)域的極小值數(shù)量相比原圖像已大大減少，對(duì)其作分水嶺分割可提取地形中的山脊線，借鑒GIS中正負(fù)地形思想，考慮將子區(qū)域反轉(zhuǎn)可提取山谷線，最后通過山脊線和山谷線的疊加劃分出斜坡單元。

綜上，本文考慮DEM圖像的紋理特征，利用基于標(biāo)記的分水嶺算法解決過分割問題，提取山體邊界線，獲取山體對(duì)象，再結(jié)合正負(fù)地形，對(duì)山體對(duì)象的正負(fù)地形作分水嶺變換，分別提取山脊線和山谷線，進(jìn)而疊加獲取斜坡單元。本文算法流程如圖2所示，具體步驟如下：

1）地形數(shù)據(jù)預(yù)處理：對(duì)原始DEM數(shù)據(jù)進(jìn)行灰度域轉(zhuǎn)換生成DEM圖像，隨后對(duì)該圖像作非線性濾波運(yùn)算，以平滑圖像、去除噪聲。

2）結(jié)合紋理的分水嶺分割：分別計(jì)算預(yù)處理后圖像的紋理梯度和灰度梯度，構(gòu)建一個(gè)混合梯度圖像;利用前背景標(biāo)記技術(shù)修正該混合梯度圖像，使得僅標(biāo)記過的位置出現(xiàn)極小值，隨后對(duì)修正后的梯度圖像作分水嶺變換，提取山體邊界線，獲得山體區(qū)域。

3）結(jié)合正負(fù)地形的分水嶺分割：對(duì)山體區(qū)域作形態(tài)學(xué)開閉重建，隨后對(duì)重建后的山體圖作分水嶺變換，提取山脊線，將山體區(qū)域反轉(zhuǎn)得負(fù)地形提取山谷線，最后疊加山脊線和山谷線劃分出斜坡單元。

4）合并每一塊山體區(qū)域的斜坡單元，可以得到輸入DEM數(shù)據(jù)的斜坡單元?jiǎng)澐帧?/p>

2 本文算法的具體實(shí)現(xiàn)

2.1 地形數(shù)據(jù)預(yù)處理

2.1.1 灰度域轉(zhuǎn)換

DEM為連續(xù)地表高程值的采樣序列，可用一般函數(shù)形式Vi=（Xi， Yi， Zi）表達(dá)，其中，Xi、Yi為平面坐標(biāo)，Zi為坐標(biāo)（Xi， Yi）對(duì)應(yīng)的高程[17]。和數(shù)字灰度圖像不同，DEM數(shù)據(jù)的柵格屬性值代表的是高程值，表達(dá)的地形空間表面點(diǎn)上的高程值范圍較寬，尤其對(duì)于國家基礎(chǔ)地理信息中心發(fā)布的5m、25m等高分辨率DEM數(shù)據(jù)，其柵格點(diǎn)高程值均為浮點(diǎn)類型。為提高數(shù)據(jù)的運(yùn)算效率，在進(jìn)行灰度共生矩陣的計(jì)算前，需先對(duì)DEM高程值進(jìn)行相應(yīng)的灰度域映射。DEM數(shù)據(jù)映射后，設(shè)其柵格對(duì)應(yīng)的最大灰度量化級(jí)為Mz（最大取值255），則DEM的灰度量化集G = {0，1，…，Mz}，由此可以將DEM數(shù)據(jù)模擬的二維數(shù)字地形圖像A表示為：A=Sx*Sy→G。

2.1.2 非線性濾波

在分水嶺分割前，對(duì)原始DEM圖像作濾波處理以降低圖像噪聲、平滑目標(biāo)內(nèi)部紋理，從而去除圖像中部分偽局部極小值，緩解過分割。本文對(duì)原始DEM圖像A先后作最小值濾波、最大值濾波運(yùn)算（式（1）），得到濾波后的圖像W，從而消除A中部分高斯噪聲、模糊內(nèi)部紋理，緩解過分割，而且邊界依然清晰，基本不丟失A中的重要信息。

2.2 梯度圖像的構(gòu)建

考慮到DEM圖像山體邊界處的梯度值較大，山體區(qū)域內(nèi)部梯度值較小，若用梯度圖像代替原始DEM圖像作分水嶺變換，則可以有效提取出山體邊界，正確區(qū)分水平面和傾斜面。此外，地形紋理作為表征地面固有自然特征，是人們描述和區(qū)分不同地形特征的重要依據(jù)之一。DEM的紋理特征反映了由地表高程變化引起的地形形態(tài)差異，故利用 DEM 的紋理信息研究地形形態(tài)特征，是當(dāng)前提取地形紋理的重要方法之一[18]。本文綜合考慮DEM的紋理特征和灰度梯度在表達(dá)山體對(duì)象各自的優(yōu)勢(shì)，研究一種混合梯度用于分水嶺分割，以更好定位山體和流域?qū)ο蟮倪吔纭?/p>

2.2.1 灰度梯度

在灰度梯度運(yùn)算中，由于Sobel算子計(jì)算簡單、運(yùn)算速度快，可以產(chǎn)生較好的邊緣檢測(cè)效果[19]，所以常被用來計(jì)算圖像的一階梯度之近似值?？紤]到Sobel算子比其他算子具有更強(qiáng)的抗噪性[19]，本文選用Sobel算子計(jì)算濾波后的圖像W的梯度幅值（式（2）），得到灰度梯度圖像Gra。

2.2.2 紋理梯度

為了構(gòu)造紋理梯度，首先需要研究紋理的描述方法，目前紋理分析大致可分為統(tǒng)計(jì)型紋理分析方法和結(jié)構(gòu)型紋理分析方法。研究[17]表明，統(tǒng)計(jì)型分析方法更適用于自然紋理。為此，本文選用統(tǒng)計(jì)型紋理分析方法中的灰度共生矩陣（Gray-Level Co-occurrence Matrix， GLCM）表達(dá)紋理圖像?；贕LCM的紋理可以用14個(gè)特征參數(shù)表示，由于這些參數(shù)存在一定的冗余，可以用較少的參量表示紋理。因此，為了降低運(yùn)算量且不失準(zhǔn)確性，本文選取二階角矩、對(duì)比度和熵3個(gè)紋理特征參數(shù)（如表1所示），并采用文獻(xiàn)[13]方法計(jì)算提取到的紋理特征的紋理梯度TG。

2.2.3 混合梯度

由于紋理梯度可以很好檢測(cè)紋理邊緣，灰度梯度可以有效表達(dá)高程差異信息，為了提高DEM圖像的分割效果，更好地定位山體和流域的邊界，考慮將灰度梯度結(jié)合到紋理梯度中。本文采用文獻(xiàn)[14]中的線性疊加方法計(jì)算混合梯度Gmix：

Gmix=ωTG（x，y）+（1-ω）Gra（x，y）

其中：TG（x，y）表示紋理梯度;ω為紋理梯度所占的權(quán)重;Gra（x，y）表示灰度梯度;1-ω為灰度梯度所占的權(quán)重。本文紋理梯度所占的權(quán)重ω取值為0.5。

2.3 標(biāo)記分水嶺分割

為進(jìn)一步緩解過分割情況，對(duì)上述混合梯度圖像進(jìn)行基于標(biāo)記的分水嶺分割。本文先后對(duì)2.1節(jié)中濾波后的DEM圖像W作形態(tài)學(xué)開閉重建運(yùn)算和前背景標(biāo)記處理，修正混合梯度Gmix，最后對(duì)修正過的梯度圖像作分水嶺變換，以提取山體和流域的邊界線。

2.3.1 形態(tài)學(xué)開閉重建運(yùn)算

數(shù)學(xué)形態(tài)學(xué)具有定位效果好、分割精度高、抗噪性能好等特點(diǎn)，將數(shù)學(xué)形態(tài)學(xué)方法引入分水嶺變換中，可以有效減少極小值，很好緩解過分割現(xiàn)象[20]。本文通過對(duì)濾波后的DEM圖像W構(gòu)建形態(tài)學(xué)混合開閉重建運(yùn)算（式（3），式（4）），得到圖像F，以達(dá)到同時(shí)消除圖像中明暗細(xì)節(jié)和噪聲的目的。

2.3.2 前背景標(biāo)記

使用前背景標(biāo)記法標(biāo)記DEM混合梯度圖像，使得僅標(biāo)記過的位置出現(xiàn)極小值。本文通過尋找重建后圖像F中局部極大值（即地形中的山頂點(diǎn)）獲取前景標(biāo)記fgm，通過自動(dòng)化閾值將圖像F二值化后作距離變換運(yùn)算，再對(duì)結(jié)果作分水嶺變換，分水嶺的邊界線即為背景標(biāo)記bgm，利用前景標(biāo)記fgm和背景標(biāo)記bgm修正混合梯度圖像Gmix，把bgm中無關(guān)的極小值屏蔽掉（式（5）），得到修正后的梯度圖像Gmark。

Gmark=imimposemin（Gmix，bgm|fgm）

（5）

2.3.3 分水嶺變換

對(duì)修正后的梯度圖像Gmark進(jìn)行分水嶺變換（式（6）），得到單像素寬、封閉的分割線Edge1，即為地形中的山體邊界線，從而可以獲得單個(gè)山體對(duì)象圖像I。值得注意的是，從分水嶺算法的原理中可知，分水嶺為地形上的山脊線，但此處對(duì)于DEM圖像而言，分割線Edge1對(duì)應(yīng)圖像中的對(duì)象輪廓線，即為山體邊界線。

Edge1=watershed（Gmark）

（6）

2.4 結(jié)合正負(fù)地形的分水嶺分割

上述基于標(biāo)記的分水嶺分割為DEM圖像的第一次分割，此時(shí)圖中的每一塊子區(qū)域?yàn)榈匦蔚纳襟w或流域?qū)ο?，并非斜坡單元，需?duì)子區(qū)域再次分割以提取斜坡單元。對(duì)子區(qū)域而言，其偽極小值和噪聲相對(duì)原圖已大大減少，可以通過對(duì)其正負(fù)地形作分水嶺分割，來獲取山脊線和山谷線，再疊加提取出斜坡單元。本文通過對(duì)山體對(duì)象的灰度圖像I作形態(tài)學(xué)開閉重建運(yùn)算得I′（式（3）、式（4）），以去除圖像噪聲，緩解過分割。對(duì)重建后的圖像I′直接作分水嶺變換得到Edge2（式（7）），提取圖中的山脊線;反轉(zhuǎn)山體對(duì)象的DEM圖像獲取負(fù)地形，提取山谷線。最后，疊加山脊線和山谷線劃分斜坡單元。

3 實(shí)驗(yàn)與結(jié)果分析

本文算法在軟件Matlab R2017a上實(shí)現(xiàn)，為了驗(yàn)證紋理梯度的正確性及算法的有效性，本文對(duì)不同地貌類型和分辨率的DEM數(shù)據(jù)進(jìn)行提取斜坡單元實(shí)驗(yàn)，并與傳統(tǒng)GIS方法的提取結(jié)果進(jìn)行比較。

3.1 灰度梯度與紋理梯度的比較

為驗(yàn)證傳統(tǒng)灰度梯度在表達(dá)地形紋理特征的不足，本文選擇某山區(qū)1∶50000比例尺、25m分辨率的DEM數(shù)據(jù)進(jìn)行實(shí)驗(yàn)。使用本文預(yù)處理的方法，先后對(duì)原始DEM數(shù)據(jù)作灰度域映射和非線性濾波得到的局部尺度圖如圖3（a）所示，分別計(jì)算該圖像的灰度梯度和紋理梯度，實(shí)驗(yàn)結(jié)果的局部放大圖分別如圖3（b）、（c）所示。從實(shí)驗(yàn)結(jié)果可以看出，與傳統(tǒng)灰度梯度相比，紋理梯度進(jìn)一步加強(qiáng)了紋理區(qū)域的邊緣信息，模糊了山體內(nèi)部區(qū)域的紋理，更有效表達(dá)了DEM的紋理特征。在紋理梯度的基礎(chǔ)上，結(jié)合分水嶺分割，就能夠更加準(zhǔn)確地定位山體和流域?qū)ο蟮倪吔纭?/p>

圖片

圖3 灰度梯度與紋理梯度的對(duì)比

Fig. 3 Comparison of gray level gradient and texture gradient

3.2 本文算法的分割結(jié)果

圖4（a）和圖5（a）分別為1∶50000比例尺、25m分辨率的某山區(qū)和某平原地區(qū)DEM圖，圖6（a）為1∶10000比例尺、5m分辨率的某山區(qū)DEM圖，對(duì)應(yīng)的山體陰影圖（可看作分割的參考圖像）分別如圖4（d）、圖5（d）和圖6（d）所示。為驗(yàn)證算法的有效性，利用本文算法分別對(duì)上述實(shí)驗(yàn)樣區(qū)的DEM數(shù)據(jù)進(jìn)行斜坡單元的提取，實(shí)驗(yàn)結(jié)果分別如圖4（c）、圖5（c）和圖6（c）所示。從實(shí)驗(yàn)結(jié)果可以看出，本文算法有效可行，可以實(shí)現(xiàn)斜坡單元的提取，且坡面提取較為完整，分割邊界定位較為準(zhǔn)確，符合實(shí)際地形。同時(shí)，對(duì)于不同分辨率和地貌類型的DEM數(shù)據(jù)，本文算法都可以得到單像素寬且封閉的分割區(qū)域，分割邊界清晰、定位準(zhǔn)確。由此，本文算法分割性能較好，具有良好的魯棒性。

3.3 與傳統(tǒng)GIS方法比較

當(dāng)前斜坡單元的提取算法主要集中在基于GIS的水文分析上，故將本文算法與傳統(tǒng)GIS方法作對(duì)比，進(jìn)而驗(yàn)證本文方法的有效性和優(yōu)越性。為此，分別使用傳統(tǒng)GIS方法和本文算法對(duì)圖6（a）所示的山區(qū)DEM圖像進(jìn)行斜坡單元提取。利用ArcGIS軟件的水文分析工具，通過無洼地正負(fù)地形子流域邊界的劃分，實(shí)現(xiàn)該山區(qū)的斜坡單元提取，實(shí)驗(yàn)所取正地形流量閾值為800，負(fù)地形流量閾值為500，實(shí)驗(yàn)結(jié)果局部放大區(qū)域如圖7（a）所示，用本文算法提取斜坡單元的實(shí)驗(yàn)結(jié)果局部放大區(qū)域如圖7（b）所示。

從以下兩個(gè)角度對(duì)比實(shí)驗(yàn)結(jié)果：一是分割結(jié)果區(qū)域的單元形態(tài)，圓形、正方形和正三角形更貼合實(shí)際地貌，長條形則需要繁雜的人工修編;二是平均提取準(zhǔn)確率，即提取到的完整坡面（區(qū)域面積達(dá)到坡面的70%以上）/分割區(qū)域（斜坡單元）數(shù)，平均提取準(zhǔn)確率越高說明分割結(jié)果越接近實(shí)際地形的邊界線。圖7（a）中共生成516個(gè)分割區(qū)域，其中提取到較為完整坡面有23個(gè)，平均提取準(zhǔn)確率為4.46%。圖7（b）中共生成81個(gè)分割區(qū)域，其中提取到較為完整的坡面有59個(gè)，平均提取準(zhǔn)確率為72.84%。從圖7（a）可以看出，傳統(tǒng)的GIS方法由于洼地填平對(duì)地形的改變，造成了大片平地，提取的斜坡單元出現(xiàn)了很多長條形的單元形態(tài)和平行的邊界線;此外，由于不能有效區(qū)分水平面和傾斜面，山區(qū)的山體和流域部分都出現(xiàn)了明顯的錯(cuò)誤分割，坡面提取不完整，不符合實(shí)際地形。從圖7（b）可以看出，分割結(jié)果區(qū)域的單元形態(tài)少有長條形，更貼合實(shí)際地貌，表明本文算法克服了傳統(tǒng)方法的缺點(diǎn)，能夠有效區(qū)分水平面和傾斜面，正確分割出了山體對(duì)象和流域?qū)ο?，且避免了因洼地填平處理產(chǎn)生的平行邊界，免去了繁雜的修編工作。相比于傳統(tǒng)的GIS方法，本文提取的斜坡單元的邊界線與實(shí)際地形的邊界線更為相符，更加貼近真實(shí)地貌，且本文算法的平均提取準(zhǔn)確率相比于傳統(tǒng)GIS方法大大提高。

4 結(jié)語

本文結(jié)合DEM紋理信息和正負(fù)地形，提出了一種改進(jìn)的基于標(biāo)記分水嶺的斜坡單元提取方法，其基本過程為：利用灰度共生矩陣求取紋理梯度，結(jié)合灰度梯度構(gòu)建混合梯度圖像，對(duì)此進(jìn)行標(biāo)記分水嶺分割以準(zhǔn)確進(jìn)行山體和流域邊界的定位，得到山體對(duì)象。隨后結(jié)合正負(fù)地形，對(duì)山體對(duì)象進(jìn)行分水嶺分割獲取斜坡單元。實(shí)驗(yàn)結(jié)果表明，本文算法能夠?qū)崿F(xiàn)斜坡單元的提取，對(duì)于不同地貌類型、不同分辨率的DEM數(shù)據(jù)都具有良好的有效性和適應(yīng)性，提取結(jié)果的邊界清晰、定位準(zhǔn)確，比較貼合實(shí)際地形地貌。此外，本文算法能夠克服傳統(tǒng)GIS方法容易產(chǎn)生平行邊界、不能正確區(qū)分水平面和傾斜面等缺點(diǎn)，避免后期繁雜的人工修編工作，大大提高提取效率。

由于形態(tài)學(xué)結(jié)構(gòu)元素形狀和大小、灰度梯度算子的選取等關(guān)鍵因素對(duì)劃分結(jié)果的影響難以定量考量，實(shí)驗(yàn)過程中參數(shù)的選取缺乏定量計(jì)算分析，考慮這些參數(shù)對(duì)劃分結(jié)果影響，建立較完整的斜坡單元定量劃分算法將是下一步的研究工作。

參考文獻(xiàn) （References）

[1] 洪瑩，王繼周，李昂.地形特征提取的一種簡易算法[J].測(cè)繪科學(xué)，2009，34（6）：127-129.（HONG Y， WANG J Z， LI A. A simple terrain feature extraction algorithm [J]. Science of Surveying and Mapping， 2009， 34（6）： 127-129.）

[2] 謝謨文，江崎哲郎，周國云.基于邊坡單元的三維滑坡災(zāi)害評(píng)價(jià)的GIS方法[J].巖石力學(xué)與工程學(xué)報(bào)，2003，22（6）：969-976.（XIE M W， TETSURO E， ZHOU G Y. GIS method for slope-unit-based 3d landslide hazard evaluation [J]. Chinese Journal of Rock Mechanics and Engineering， 2003， 22（6）： 969-976.）

[3] 顏閣，梁收運(yùn)，趙紅亮.基于GIS的斜坡單元?jiǎng)澐址椒ǜ倪M(jìn)與實(shí)現(xiàn)[J].地理科學(xué)，2017，37（11）：1764-1770.（YAN G， LIANG S Y， ZHAO H L. An approach to improving slope unit division using GIS technique [J]. Scientia Geographica Sinica， 2017， 37（11）： 1764-1770.）

[4] 張曦，陳麗霞，徐勇，等.兩種斜坡單元?jiǎng)澐址椒▽?duì)滑坡災(zāi)害易發(fā)性評(píng)價(jià)的對(duì)比研究[J].安全與環(huán)境工程，2018，25（1）：12-17.（ZHANG X， CHEN L X， XU Y， et al. Comparison of two methods for slope unit division in landslide susceptibility evaluation [J]. Safety and Environmental Engineering， 2018， 25（1）： 12-17.）

[5] 謝謨文，江崎哲郎，邱騁，等.空間三維滑坡敏感性分區(qū)工具及其應(yīng)用[J].地學(xué)前緣，2007，14（6）：73-84.（XIE M W， TETSURO E， QIU C， et al. A spatial three-dimensional landslide susceptibility mapping tool and its applications [J]. Earth Science Frontiers， 2007， 14（6）： 73-84.）

[6] ALVIOLI M， MARCHESINI I， REICHENBACH P， et al. Automatic delineation of geomorphological slope units with r.slopeunits v1.0 and their optimization for landslide susceptibility modeling [J]. Geoscientific Model Development， 2016， 9（11）： 3975-3991.

[7] SCHLGEL R， MARCHESINI I， ALVIOLI M， et al. Optimizing landslide susceptibility zonation： effects of DEM spatial resolution and slope unit delineation on logistic regression models [J]. Geomorphology， 2018， 301： 10-20.

[8] 黃啟樂，陳偉，唐緒波，等.區(qū)域地質(zhì)災(zāi)害評(píng)價(jià)中斜坡單元?jiǎng)澐址椒ㄑ芯縖J].自然災(zāi)害學(xué)報(bào)，2017，26（5）：157-164.（HUANG Q L， CHEN W， TANG X B， et al. Study on the method of slope unit zoning in regional geo-hazards risk assessment [J]. Journal of Natural Disasters， 2017， 26 （5）： 157-164.）

[9] ROMSTAD B， ETZELMüLLER B. Mean-curvature watersheds： a simple method for segmentation of a digital elevation model into terrain units [J]. Geomorphology， 2012， 139/140： 293-302.

[10] 葉愛中，夏軍，王綱勝，等.基于數(shù)字高程模型的河網(wǎng)提取及子流域生成[J].水利學(xué)報(bào)，2005，36（5）：531-537.（YE A Z， XIA J， WANG G S， et al. Drainage network extraction and subcatchment delineation based on digital elevation model [J]. Journal of Hydraulic Engineering， 2005， 36（5）： 531-537.）

[11] GUZZETTI F， CARRARA A， CARDINALI M， et al. Landslide hazard evaluation： a review of current techniques and their application in a multi-scale study， central Italy [J]. Geomorphology， 1999， 31（1/2/3/4）： 181-216.

[12] 劉凱，湯國安，陶旸，等.基于灰度共生矩陣的DEM地形紋理特征量化研究[J].地球信息科學(xué)學(xué)報(bào)，2012，14（6）：751-760.（LIU K， TANG G A， TAO Y， et al. GLCM based quantitative analysis of terrain texture from DEMs [J]. Journal of Geo-Information Science， 2012， 14（6）： 751-760.）

[13] HILL P R， CANAGARAJAH C N， BULL D R. Image segmentation using a texture gradient based watershed transform [J]. IEEE Transactions on Image Processing， 2003， 12（12）： 1618-1633.

[14] 楊家紅，劉杰，鐘堅(jiān)成，等.結(jié)合分水嶺與自動(dòng)種子區(qū)域生長的彩色圖像分割算法[J].中國圖象圖形學(xué)報(bào)，2010，15（1）：63-68.（YANG J H， LIU J， ZHONG J C， et al. A color image segmentation algorithm by integrating watershed with automatic seeded region growing [J]. Journal of Image and Graphics， 2010， 15（1）： 63-68.）

[15] 李小紅，武敬飛，張國富，等.結(jié)合分水嶺和區(qū)域合并的彩色圖像分割[J].電子測(cè)量與儀器學(xué)報(bào)，2013，27（3）：247-252.（LI X H， WU J F， ZHANG G F， et al. New color image segmentation based on watershed and region merging [J]. Journal of Electronic Measurement and Instrument， 2013， 27（3）： 247-252.）

[16] 沈晶，楊學(xué)志.一種新的基于紋理分水嶺的紡織品缺陷檢測(cè)方法[J].中國圖象圖形學(xué)報(bào)，2009，14（10）：1997-2003.（SHEN J， YANG X Z. A new method for the fabric defect defection based on texture watershed [J]. Journal of Image and Graphics， 2009， 14（10）： 1997-2003.）

[17] 李志林，朱慶.數(shù)字高程模型[M].2版.武漢：武漢大學(xué)出版社，2003：19-226.（LI Z L， ZHU Q. Digital Elevation Model [M]. 2nd ed. Wuhan： Wuhan University Press， 2003： 19-226.）

[18] 王琛智，湯國安，袁賽，等.基于DEM紋理特征的月貌自動(dòng)識(shí)別方法探究[J].地球信息科學(xué)學(xué)報(bào)，2015，17（1）：45-53.（WANG C Z， TANG G A， YUAN S， et al. A method for identifying the lunar morphology based on texture from DEMs [J]. Journal of Geo-Information Science， 2015， 17（1）： 45-53.）

[19] 袁春蘭，熊宗龍，周雪花，等.基于Sobel算子的圖像邊緣檢測(cè)研究[J].激光與紅外，2009，39（1）：85-87.（YUAN C L， XIONG Z L， ZHOU X H， et al. Study of infrared image edge detection based on Sobel operator [J]. Laser and Infrared， 2009， 39（1）： 85-87.）

[20] 任玉剛，張建，李淼，等.基于分水嶺算法的作物病害葉片圖像分割方法[J].計(jì)算機(jī)應(yīng)用，2012，32（3）：752-755.（REN Y G， ZHANG J， LI M， et al. Segmentation method for crop disease leaf images based on watershed algorithm [J]. Journal of Computer Applications， 2012， 32（3）： 752-755.）