一种高分辨率遥感影像水体提取技术

第31卷第6期2004年11月

JournalofZhejiangUniversity(ScienceEdition)

http://www.journals.zju.edu.cn/sci

Vol.31No.6Nov.2004

一种高分辨率遥感影像水体提取技术

何智勇,章孝灿,黄智才,蒋亨显

(浙江大学地球科学系,浙江杭州310028)

摘　要:针对高分辨率影像水体信息提取,利用小波技术对图像进行膨胀和去噪处理,并提出了一种多窗口线性保持技术对线性水体进行保持,最后利用水体信息的地学特征,对图像进行联合特征去噪,获取最终的水体影像信息.利用以上技术,成功提取了浙江省嵊州市甘霖镇IKONOS全色影像中的水体信息,提取精度达到94.92%,错误率为9.01%,与传统密度分割、监督分类等方法相比较,此算法具有高精度、低噪声、高信噪比的优点.关　键　词:小波;多窗口线性保持;联合特征去噪;高分辨率影像

中图分类号:TP751.1　　　　文献标识码:A　　　文章编号:1008-9497(2004)06-701-07

HEZhi-yong,ZHANGXiao-can,HUANGZhi-cai,JIANGHeng-xian(DepartmentofEarthSciences,ZhejiangUniversity,Hangzhou310028,China)

Awaterextractiontechniquebasedonhigh-spatialremotesensingimages.JournalofZhejiangUniversity(ScienceEdition),2004,31(6):701～707

Abstract:Inordertoextractwaterinformationfromhigh-spatialremotesensingimages,wavelettechniquewasusedtoexpendtheinformationoftheobjectimages,andcleanmainnoiseoftheimages;thenanothermethodwaspresenttoconservelinearwater,whichiscalledmulti-windowlinearityreservetechnique,thencharacternoisecleaningisusedtocleantheimagenoise.Withthistechnique,waterinformationwasextractedfromIKONOSimageofShengzhouGanlin,ZhejiangProvince,andtheaccuracyis94.92%,whiletheinaccuracyofchanginginformationis9.01%.Comparedwiththeconventionalmethods,thisarithmeticischaracterizedbyhighprecisionandlownoise.

Keywords:wavelet;multi-windowlinearityreserve;characternoisecleaning;high-spatialremotesensing

　　水体信息提取对于水资源调查、洪水灾害预测评估、水利规划、环境监测等起着十分重要的作用

[1,2]

近年来,遥感成像精度的日益提高以及高分辨率影像的日渐商业化,为利用高分辨率影像提取目标信息提供了基础和条件.与低分辨率影像相比,高分辨率影像纹理特征更具变异性,同一地物内部组成要素丰富的细节信息得到表征,空间信息更加丰富,影像地物的尺寸、形状、相邻地物的关系更好地得到反映[3],但是高分辨率影像中像元的统计性不如低分辨率影像.由于以往对低分辨率影像进行分类和信息提取的方法,大多是基于像元统计性质的,例如监督分类、最大似然法、模式分类[2,4,5]等,分类精度较差,如果这些方法直接应用于统计特征相对较低的高分辨率影像,会带来一定的欠缺.因此寻找适合高分辨率影像信息提取的方法,成为本文研究的主要方向.

[5]

.随着社会对环境和水利的日益重视,人们对

水体信息提取的要求越来越严格.虽然传统的野外测量能够获得高精度的水体信息,但由于地表干涸枯泽、瞬息多变,水资源季节性变化很强,年际变化也很大,且野外测量周期长、费时费力,不适合水资源信息的及时获取和适时监测;而遥感影像成像周期较短,适时性强,并且成像精度日益提高,如果能利用高分辨率影像提取高精度的水体信息,则可以快速、准确、及时地获得水体资源信息,以弥补野外测量的不足.因此,如何提高高分辨率影像的水体信息提取精度、提高信噪比获得更佳质量的水体目标信息,成为科研工作者关注的重点.

收稿日期:2003-10-18.

基金项目:国家863项目基金资助(2001AA13003332).

702浙江大学学报(理学版)第31卷　

针对IKONOS高分辨率影像提出了一套水体信息提取流程(见图1).流程中针对图像的膨胀和去噪需求,采用高位替代方法进行小波硬阈值处理;由于噪声处理过程中大部分的信息损失集中在不连续线性水体,本文提出了一种保持线状水体信息的多窗口线性保持技术,能够很好地对线性水体进行保持;在去噪处理过程中,结合水体地学特征对影像进行联合特征去噪,能够在较好保持目标信息的同时有效地去除大量噪声信息.用上述方法对浙江省嵊州市甘霖镇IKONOS影像进行水体信息提取,取得了良好的效果,其处理结果与人工精确提取的水体信息相比较,水体识别精度为94.92%,错误识别率为9.01%;而监督分类和密度分割的识别精度仅为84%左右,并且其错误率超过45%.

[1,6]

1.2　小波技术

1.2.1　二维离散小波变换

设

[7]

V2j(x1,x2)=Vj(x1)áVj(x2),

(1)

由于式(1)表明{Vj}j∈z空间的可分离性,并且低通

尺度函数

波函数W(x1)和W(x2)的乘积

W(x1,x2)=W(x1)W(x2),

(2)

同理,小波函数W(x1,x2)也可以分解成两个一维小

(3)

1　水体提取技术

1.1　水体提取算法流程

针对高分辨率影像,提出了一套水体信息提取算法流程.由于信息提取的关键在于消除噪声的同时保持目标信息不受损失,而噪声去除率与信息损

失率往往成正比关系,即噪声去除率越高,信息损失越多,因此在去噪前需要对目标信息作适当的膨胀处理.为了在去噪时尽可能保持水体信息,本文运用多种技术对影像进行处理:改进的小波阈值法旨在去噪前对水体信息进行膨胀和去噪处理,多窗口线性保持技术对容易损失的线状水体进行有效保持,而联合特征去噪技术则是在去噪的同时结合了水体地学特征,以减少目标信息损失.结合这三种技术,给出了对高分辨率遥感影像的水体信息提取算法流程,如图1所示

由于二维小波变换由1个低通空间和3个补空间组成,根据式(1)～(3)的分解,

Ajf(x1,x2)=〈f(x1,x2),2-j

(4)其中j表示第j层分解;A0f(x1,x2)为原始图像f(x1,x2);Ajf(x1,x2)为低通部分,Djf(x1,x2),Dj(2)f(x1,x2),D(j3)f(x1,x2)为3个补空间.其小波快速正变换过程如图2所示,逆变换过程如图3所示.

(1)

图2　二维离散小波正变换步骤Fig.2　Twodimensionswavelettransition

1.2.2　小波阈值处理

小波阈值处理包括硬阈值法和软阈值法,传统

图1

　水体信息提取算法流程图阈值处理方法的目的大多是用来压制和消除噪声,

　第6期何智勇,等:一种高分辨率遥感影像水体提取技术703

理,结果如图6所示.图像目标信息得到有效膨胀.

图3　二维离散小波逆变换步骤

Fig.3　Twodimensionswaveletreversetransition

图4　小波两层分解Fig.4　Wavelettransition

外,还需要对目标图像、目标信息进行适当的膨胀.然而目标信息的膨胀必然会带来噪声的增加,而噪声的压制又会制约目标信息的膨胀,为了处理好这两个相互制约的关系,本文采用两种方法来平衡两者关系:首先是小波滤波器系数长度对图像目标信息膨胀大小的控制,即小波滤波器系数越长,图像膨胀越多,反之越少;其次是利用高位替代方法对图像作阈值处理.

根据本文采用的原始图像直方图统计,水体信息灰度值集中在45～105,由于地物反射率不同的原因,遥感图像中灰度值比水体小的像元数较少,即小于45的像元数较少,而大于105的像元数非常多,因此在硬阈值处理过程中如果阈值上限的稍许增加都会带来大量噪声,所以通过减小阈值下限的方法来膨胀图像会更加合适.本文采用的高位替代方法刚好能满足要求.高位替代方法实质上是一种简化了的小波硬阈值法,由于本文小波分解后系数保存精度为16位(bit)整型数据,高位替代即在小波正变换之后用其它图像替代低频系数部分的高8位,然后对其作小波逆变换,以达到图像膨胀和去噪的效果.本文采用较为常见的Daubechies小波基,以浙江省嵊州市甘霖镇1m高分辨率的IKONOS全色影像为例,具体步骤如下:

步骤1　设置小波变换层数为2,小波滤波器系数长度为8,将1m分辨率的全色像作小波正变换处理(如图4所示).由于变换层数为2,所以变换后低频部分(图4中A2部分)分辨率为4m分辨率.

步骤2　将全色像作1/4压缩处理,由于压缩影像中水体灰度值集中在45～105,因此将灰度值小于45的点设置为0,大于105的点设置为255,其它灰度值不变,为了便于目视比较,压缩去噪处理后的图像,经过灰度值反相处理后的结果如图5所示.

步骤3　用滤波后的压缩影像来替代A2部分系

,,图5　全色影像压缩滤波后的结果图Fig.5　Imageaftercompressandfilter

图6　小波逆变换后的膨胀图像

Fig.6　Theexpandedimageafterwaveletinversetransition

1.3　多窗口线性保持技术

线状水体在图像去噪过程中是最容易损失的部分.尤其是宽度较小并且不连续的线性水体,在去噪过程中会将其作为短窄噪声消除.经过试验比较,在线性体较多的影像中(以本文采用的浙江省嵊州市甘霖镇IKONOS影像为例),如果去噪前不对这些线性水体进行保持,其目标信息损失会增加8%以上.为了保持这些水体信息,本文提出了一种多窗口线性保持技术,在对图像进行去噪前,先将容易损失的线性水体保持下来.

704浙江大学学报(理学版)第31卷　

且不连续的曲线,在一定的曲线波动幅度限制和不连续程度限制内,近似将其视为一条直线.如图7所示,图中水体虽然弯曲且不连续,但是在波动幅度2W和一定的不连续程度限制内,仍然将此水体视为B方向上的一条线性水体.在此原则下,对图像进行线性水体保持的首要任务是如何找到可能是线性水体的水体部分,本文提出了多窗口的判断技术:先建立大小不一的多级窗口(如图7所示,最大一级窗口的大小和窗口个数都是可变的,因为图像的分辨率不同,以及线性体连续弯曲程度不同,窗口的大小和级数要求不同),如果在波动幅度2W限制下,不连续弯曲水体在B方向上与每级窗口都有交点,则认为此方向上可能存在线性水体,然后在此方向上对图像进行搜索,找出满足用户条件的线性水体.具体步骤为

另外,如果要更加精确地控制水体宽度,则应将Q值与B值联系起来,因为同样宽度的线性水体在不同角度B上与窗口的交点宽度表现为不同值).

步骤3　从主窗口中心开始,向上向下沿B方向搜索水体像素,设置线性水体允许搜索宽度阀值L(原则上L等于W,但也可以适当调整),并设置线性水体允许不连续断点阀值K,以及线性水体最小长度阀值V.

步骤4　如果在宽度阀值L以及不连续断点阀值K范围内,搜索到的线性水体长度大于V,则认为是线性水体,将其保存,否则剔除.

步骤5　对所有图像像素进行扫描处理,最终得到保存的线性水体结果.

在算法进行中,参数的设置是非常重要的.n的大小控制了主窗口的大小,即控制了参与判断的线性体的基本长度,同时V在更加严格的层次上控制着线性水体的最小长度;m的大小控制了窗口个数,m越大,次窗口越多,对线性水体的连续性和弯曲程度要求越严格,同时也会增加算法的运算时间,当n增大时,m可适当增加;参数W和L控制着线性水体的弯曲度;参数Q控制了线性水体的宽度;K则控制着线性水体的不连续程度.所有参数的综合调整运用,能够适应各种不同图像线性水体提取,同时也适应于其它线性体的提取.

2　应用与结论

图7　多窗口线性保持算法示意图

Fig.7　Arithmeticofmulti-windowlinearityreserve

2.1　样本选取

以浙江省嵊州市甘霖镇为应用研究区,对该区域1m分辨率IKONOS全色影像进行水体信息提取.由于研究区图幅较大,为便于文中图片的描述与表达,选取并切割其中水系丰富,包含水体、公路、房屋、田地、树木等地物类型的复杂区域作为研究样本,样本大小为2048×2048像素.2.2　小波膨胀去噪处理

按照1.2节所描述的方法,对样本图像作膨胀去噪处理.

在小波膨胀去噪过程中,由于图像并未完全二值化,部分像素过渡灰度值为0～255,因此需要将逆变换后的图像做二值化处理:首先设置阀值a(0

步骤1　建立一个可在图像区域内拖动的主窗口,大小为n×n,n大小可调;确定次窗口级数m之

后,在主窗口内建立各级次窗口,第x级次窗口边长为(m-x+1)*n/(m+1).假设次窗口级数为2,则次窗口1边长为2n/3,次窗口2边长为n/3,如图7所示.

步骤2　将主窗口在图像区域内拖动,如果主窗口中心点O为水体像素,并且在经过中心点O的某个B方向上,每级窗口在阀值W范围内都有水体像素与之相交,而且每个交点的左右连续水体像素不超过阀值Q,则试图将此方向上的像素视为线性水体像素(阀值W控制B方向与窗口相交点的左右允许误差,或者说是水体曲线波动幅度,也可以说它是控制允许线性水体弯曲程度的阀值,以像素个数为计量单位,W值越大,允许线性水体弯曲程度越大;阀值Q控制线性水体的最大宽度,如果水体宽度大于,

　第6期何智勇,等:一种高分辨率遥感影像水体提取技术705

提高算法执行效率,在算法执行前,首先将不需要进行保持的主干水体剔除.具体方法是将图像(见图8)作强烈去噪处理,剩下主干水体信息(见图9),然后从原图像(见图8)中剔除掉主干水体信息(见图9),得到需要的结果(见图10).去除主干水体信息的图像将主干水体的边缘信息保存下来,并且边缘信息呈线状,适应于多窗口线性保持算法的执行.

图11是对图10作多窗口线性保持处理之后的结果,其算法参数设置见表

图11　多窗口线性保持处理后的结果图

Fig.11　Waterinformationaftermulti-windowlinearityreserve

表1　多窗口线性保持的参数设置

Table1　Parametersofmulti-windowlinearityprotection

参数名参数值/像素

n31

V27

2.4　联合特征去噪

在小波融合过程中,由于房屋屋顶以及其它地物的光谱值接近水体,使得图像会产生许多噪声(如图8所示).但水体信息和噪声是具有一定地学特征

图8　小波膨胀去噪后的影像Fig.8　Thepolarized

image

的:水体一般呈现宽而长的条带状或者大块状,而其它光谱值接近水体的地物一般呈现点状、小块状、或者短窄带状(如图8所示),根据这一特征,如果一条水体的宽度值大于或等于2个像元,那么除水体端点像元之外,其它任何一个水体像元的相邻像元个数大于或等于5.结合以上原则,本文提出了一种联合特征去噪技术:

步骤1　假设水体像素灰度值为255,其它像素灰度值为0,除边缘行列外,对于每个灰度值为255的像元(x,y),计算与之相邻并且灰度值为255的像元个数c(x,y):

图9　强烈去噪后的主干水体信息

Fig.9　Themainwaterinformationafternoise

cleaning

completely

步骤2　设置阀值C,如果此像元(x,y)不是经过多窗口线性保持处理后保留的线性水体(如图11所示),并且c(x,y)小于C,则将(x,y)点的灰度值p(x,y)设置为0;否则不变.

步骤3　适当调整C值,重复进行步骤1、2,直到前后图像变化不大并且达到去噪要求为止.由于此算法对于宽度为一个像元的线状水体无法保留,并且对水体端角会造成损失,因此要联合图11中保持的线性水体进行去噪(见步骤2).图8和图11经过多次联合特征去噪之后,得到的最终结果如图12所示,其人工解译结果如图13所示;局部去噪前后对比以及与人工解译的对比如图14～16所示.在

图10　消除主干水体信息之后的结果图Fig.10　Imagefilteredmainwaterinfor

mation

基于特征的去噪处理中,阀值C起着极其重要的作用.在C小于4的情况下,除宽度值为1的线性水体外,重复去噪后不会损失其它水体信息,点状、窄线,

706浙江大学学报(理学版)第31卷　

消除绝大部分噪声,包括短窄线条状水体和块状噪声,对水体信息也只有较小的影响,主要是水体端角会有所损失;当C大于4时,重复去噪会较大损失水体信息

图16　人工解译的影像(局部)

Fig.16　Waterinformationextractedartificially(part)

2.5　试验结果

图12　自动识别结果图

Fig.12　Waterinformationextracted

automatically

为了更加精确地检查自动识别的准确率,本文结合当地实地考察对IKONOS影像进行了人工解译(如图13所示),用以作为对比参照样本.实验区大小为4194304像素,其人工解译的参照样本水体像素为627152个.自动识别水体总像素为619952个,自动识别正确的水体像素为595296个,判对率为94.92%;识别错误的像素为56512个,错误率为9.01%,其中人工解译为水体自动解译不是水体的像素有31856个,占5.08%;人工解译不是水体而自动解译是水体的像素有24656个,占3.93%.水体信息的损失主要集中在细窄、弯曲、极不连续的线

图13　人工解译结果图

Fig.13　Waterinformationextractedar

tificially

性水体当中,由于多窗口线性保持算法中难以保持这些细小水体(否则噪声信息会急剧增加),联合特征去噪过程中也无法将其保留下来,因此不免导致目标信息的损失.如果需要进一步提高识别率,可以通过减少去噪过程中水体端角的损失来实现.

为便于对比分析,本文采用监督分类与密度分割对影像进行处理,与本文提出的方法进行比较,其结果如表2所示.表中判对率=识别正确的像素/人工解译水体总像素;错误率=识别错误的像素/人工解译水体总像素.由表2可知,监督分类和密度分割

图14　联合特征去噪前的影像(局部)

Fig.14　Waterinformationbeforenoisecleaning(par

判对率只能达到84%左右,同时由于噪声太多,识别错误率急剧增加.

表2　不同水体提取方法结果比较

Table2　Experimentresultsofdifferentwater

extractionmethods

影像水体识别正确总像素的像素/Pixel/Pixel

监督分类715200密度分割697392本文算法

619952

提取

[***********]

判对率/%84.1081.7894.92

识别错误的像素/Pixel[**************]12

错误率/%45.8448.099.01

图15　联合特征去噪后的影像(局部)

　第6期何智勇,等:一种高分辨率遥感影像水体提取技术707

3　结　论

针对高分辨率影像水体信息提取,本文提出的水体信息提取流程具有如下特点:

(1)利用高位替代的小波阈值法能够简单方便地对图像进行膨胀,并且有效地压制了噪声,另外可以通过调整小波滤波器长度来改变膨胀率大小,为避免去噪过程中的大量水体信息损失提供了保证.

(2)本文提出的多窗口线性保持技术能够很好地保存线状水体信息和主干水体边缘信息.由于去噪过程中大量的水体信息损失主要集中在细窄、不连续、弯曲的线性水体和主干水体边缘,因此这一技术大大减少了去噪过程中的目标信息损失.另外由于多窗口线性保持技术的参数控制能力较强,且灵活多变,因此不但可以应用于本文的水体信息提取,还可以应用于其它线性体的自动提取工作.(3)联合特征去噪技术在去噪过程中结合了水体信息的地学特征,并且每次去噪都需要联合多窗口线性保持技术处理后的线性水体结果图进行处理.联合特征去噪技术需要对图像重复进行去噪处理,少则十多次,多则几十次,其目的主要是为了在去噪的同时尽量避免目标信息的损失.在实际应用中(如图14、15所示),其去噪效果非常好.

对浙江省嵊州市甘霖镇IKONOS全色影像水体信息提取的结果表明,本文提出的水体信息提取算法能够较好地对高分辨率影像进行水体信息提取,相对于其它常用方法(如密度分割、监督分类、模式分类等)而言,具有精度高、噪声低、信噪比高的优点,为高分辨率影像信息提取提供了一种新的途径.但此方法仍需进行改进:首先是对多窗口线性保持算法进行优化,以提高运算速度;其次是进一步提高水体识别率,主要是在联合特征去噪过程中减少水体端角的损失.参考文献(References):

[1]　都金康,黄永胜,冯学智,等.SPOT卫星影像的水体提

取方法及分类研究[J].遥感学报,2001,5(3):214-219.

DUJin-kang,HUANGYong-sheng,FENGXue-zhi,etal.StudyonwaterbodiesextractionandclassificationfromSPOTimage[J].JofRemoteSensing,2001,5(3):214-219.

[2]　万显荣,舒宁.一种基于种子点与连通性分析的快速水体

边界提取方法[J].国土资源遥感,2000,4:44-49.

WANXian-rong.SHUNing.Fastextractionofwaterbodyboun-darybasedonseedpointsandconnectivityanalysi-s[J].RemoteSensingforLand&Resources,2000,4:44-49.

[3]　孙丹峰,杨冀红,刘顺喜.高分辨率遥感卫星影像在土

地利用分类极其变化监测地应用研究[J].农业工程学报,2002,18(2):160-164.

SUNDan-feng,YANGJi-hong,LIUSun-xi.Applicationofhigh-spatialIKONOSremotesensingimagesinlanduseclassificationandchangemonitoring[J].TransactionsoftheCSAE,2002,18(2):160-164.

[4]　周维忠,冯心海,孙国基.基于小波聚类的特征提取分

类方法[J].计算机研究与发展,2001,38(8):982-987.

ZHOUWei-zhong,FENGXin-hai,SUNGuo-ji.Classificationbasedonfeatureextractionfromclusterofwaveletcoefficients[J].JofComputerResearch&Development,2001,38(8):982-987.

[5]　王耀南.小波神经网络的遥感图像分类[J].中国图形

图像学报,1999,4(5):368-371.

WANGYao-nan.Aclassificationofremotesensingimageusingwaveletneuralnetwork[J].JofImageandGraphics,1999,4(5):368-371.

[6]　杜云艳,周成虎.水体的遥感信息自动提取方法[J].遥

感学报,1998,2(4):264-269.

Yun-yan,

ZHOU

Cheng-hu.

Automatically

extractionremotesensinginformationforwaterbodies[J].JofRemoteSensing,1998,2(4):264-269.[7]　杨福生.小波变换的工程分析与应用[M].北京:科学

出版社,2001.YANGFu-sheng.AnalysisandApplicationsoftheWaveletTransform[M].Beijing:SciencePress,2001.[8]　KENNETHRC.DigitalImageProcessing[M].Princeton:PrenticeHall,1996.

[9]　CHARLESKChui.AnIntroductiontoWavelets

[M].NewYork:AcademicPress,1992.

(责任编辑　寿彩丽)

第31卷第6期2004年11月

JournalofZhejiangUniversity(ScienceEdition)

http://www.journals.zju.edu.cn/sci

Vol.31No.6Nov.2004

一种高分辨率遥感影像水体提取技术

何智勇,章孝灿,黄智才,蒋亨显

(浙江大学地球科学系,浙江杭州310028)

中图分类号:TP751.1　　　　文献标识码:A　　　文章编号:1008-9497(2004)06-701-07

HEZhi-yong,ZHANGXiao-can,HUANGZhi-cai,JIANGHeng-xian(DepartmentofEarthSciences,ZhejiangUniversity,Hangzhou310028,China)

Awaterextractiontechniquebasedonhigh-spatialremotesensingimages.JournalofZhejiangUniversity(ScienceEdition),2004,31(6):701～707

Keywords:wavelet;multi-windowlinearityreserve;characternoisecleaning;high-spatialremotesensing

　　水体信息提取对于水资源调查、洪水灾害预测评估、水利规划、环境监测等起着十分重要的作用

[1,2]

[5]

.随着社会对环境和水利的日益重视,人们对

收稿日期:2003-10-18.

基金项目:国家863项目基金资助(2001AA13003332).

702浙江大学学报(理学版)第31卷　

[1,6]

1.2　小波技术

1.2.1　二维离散小波变换

设

[7]

V2j(x1,x2)=Vj(x1)áVj(x2),

(1)

由于式(1)表明{Vj}j∈z空间的可分离性,并且低通

尺度函数

波函数W(x1)和W(x2)的乘积

W(x1,x2)=W(x1)W(x2),

(2)

同理,小波函数W(x1,x2)也可以分解成两个一维小

(3)

1　水体提取技术

1.1　水体提取算法流程

针对高分辨率影像,提出了一套水体信息提取算法流程.由于信息提取的关键在于消除噪声的同时保持目标信息不受损失,而噪声去除率与信息损

由于二维小波变换由1个低通空间和3个补空间组成,根据式(1)～(3)的分解,

Ajf(x1,x2)=〈f(x1,x2),2-j

(1)

图2　二维离散小波正变换步骤Fig.2　Twodimensionswavelettransition

1.2.2　小波阈值处理

小波阈值处理包括硬阈值法和软阈值法,传统

图1

　水体信息提取算法流程图阈值处理方法的目的大多是用来压制和消除噪声,

　第6期何智勇,等:一种高分辨率遥感影像水体提取技术703

理,结果如图6所示.图像目标信息得到有效膨胀.

图3　二维离散小波逆变换步骤

Fig.3　Twodimensionswaveletreversetransition

图4　小波两层分解Fig.4　Wavelettransition

步骤3　用滤波后的压缩影像来替代A2部分系

,,图5　全色影像压缩滤波后的结果图Fig.5　Imageaftercompressandfilter

图6　小波逆变换后的膨胀图像

Fig.6　Theexpandedimageafterwaveletinversetransition

1.3　多窗口线性保持技术

704浙江大学学报(理学版)第31卷　

另外,如果要更加精确地控制水体宽度,则应将Q值与B值联系起来,因为同样宽度的线性水体在不同角度B上与窗口的交点宽度表现为不同值).

步骤4　如果在宽度阀值L以及不连续断点阀值K范围内,搜索到的线性水体长度大于V,则认为是线性水体,将其保存,否则剔除.

步骤5　对所有图像像素进行扫描处理,最终得到保存的线性水体结果.

2　应用与结论

图7　多窗口线性保持算法示意图

Fig.7　Arithmeticofmulti-windowlinearityreserve

2.1　样本选取

按照1.2节所描述的方法,对样本图像作膨胀去噪处理.

在小波膨胀去噪过程中,由于图像并未完全二值化,部分像素过渡灰度值为0～255,因此需要将逆变换后的图像做二值化处理:首先设置阀值a(0

步骤1　建立一个可在图像区域内拖动的主窗口,大小为n×n,n大小可调;确定次窗口级数m之

后,在主窗口内建立各级次窗口,第x级次窗口边长为(m-x+1)*n/(m+1).假设次窗口级数为2,则次窗口1边长为2n/3,次窗口2边长为n/3,如图7所示.

　第6期何智勇,等:一种高分辨率遥感影像水体提取技术705

图11是对图10作多窗口线性保持处理之后的结果,其算法参数设置见表

图11　多窗口线性保持处理后的结果图

Fig.11　Waterinformationaftermulti-windowlinearityreserve

表1　多窗口线性保持的参数设置

Table1　Parametersofmulti-windowlinearityprotection

参数名参数值/像素

n31

V27

2.4　联合特征去噪

在小波融合过程中,由于房屋屋顶以及其它地物的光谱值接近水体,使得图像会产生许多噪声(如图8所示).但水体信息和噪声是具有一定地学特征

图8　小波膨胀去噪后的影像Fig.8　Thepolarized

image

步骤1　假设水体像素灰度值为255,其它像素灰度值为0,除边缘行列外,对于每个灰度值为255的像元(x,y),计算与之相邻并且灰度值为255的像元个数c(x,y):

图9　强烈去噪后的主干水体信息

Fig.9　Themainwaterinformationafternoise

cleaning

completely

图10　消除主干水体信息之后的结果图Fig.10　Imagefilteredmainwaterinfor

mation

基于特征的去噪处理中,阀值C起着极其重要的作用.在C小于4的情况下,除宽度值为1的线性水体外,重复去噪后不会损失其它水体信息,点状、窄线,

706浙江大学学报(理学版)第31卷　

消除绝大部分噪声,包括短窄线条状水体和块状噪声,对水体信息也只有较小的影响,主要是水体端角会有所损失;当C大于4时,重复去噪会较大损失水体信息

图16　人工解译的影像(局部)

Fig.16　Waterinformationextractedartificially(part)

2.5　试验结果

图12　自动识别结果图

Fig.12　Waterinformationextracted

automatically

图13　人工解译结果图

Fig.13　Waterinformationextractedar

tificially

图14　联合特征去噪前的影像(局部)

Fig.14　Waterinformationbeforenoisecleaning(par

判对率只能达到84%左右,同时由于噪声太多,识别错误率急剧增加.

表2　不同水体提取方法结果比较

Table2　Experimentresultsofdifferentwater

extractionmethods

影像水体识别正确总像素的像素/Pixel/Pixel

监督分类715200密度分割697392本文算法

619952

提取

[***********]

判对率/%84.1081.7894.92

识别错误的像素/Pixel[**************]12

错误率/%45.8448.099.01

图15　联合特征去噪后的影像(局部)

　第6期何智勇,等:一种高分辨率遥感影像水体提取技术707

3　结　论

针对高分辨率影像水体信息提取,本文提出的水体信息提取流程具有如下特点:

[1]　都金康,黄永胜,冯学智,等.SPOT卫星影像的水体提

取方法及分类研究[J].遥感学报,2001,5(3):214-219.

DUJin-kang,HUANGYong-sheng,FENGXue-zhi,etal.StudyonwaterbodiesextractionandclassificationfromSPOTimage[J].JofRemoteSensing,2001,5(3):214-219.

[2]　万显荣,舒宁.一种基于种子点与连通性分析的快速水体

边界提取方法[J].国土资源遥感,2000,4:44-49.

WANXian-rong.SHUNing.Fastextractionofwaterbodyboun-darybasedonseedpointsandconnectivityanalysi-s[J].RemoteSensingforLand&Resources,2000,4:44-49.

[3]　孙丹峰,杨冀红,刘顺喜.高分辨率遥感卫星影像在土

地利用分类极其变化监测地应用研究[J].农业工程学报,2002,18(2):160-164.

SUNDan-feng,YANGJi-hong,LIUSun-xi.Applicationofhigh-spatialIKONOSremotesensingimagesinlanduseclassificationandchangemonitoring[J].TransactionsoftheCSAE,2002,18(2):160-164.

[4]　周维忠,冯心海,孙国基.基于小波聚类的特征提取分

类方法[J].计算机研究与发展,2001,38(8):982-987.

ZHOUWei-zhong,FENGXin-hai,SUNGuo-ji.Classificationbasedonfeatureextractionfromclusterofwaveletcoefficients[J].JofComputerResearch&Development,2001,38(8):982-987.

[5]　王耀南.小波神经网络的遥感图像分类[J].中国图形

图像学报,1999,4(5):368-371.

WANGYao-nan.Aclassificationofremotesensingimageusingwaveletneuralnetwork[J].JofImageandGraphics,1999,4(5):368-371.

[6]　杜云艳,周成虎.水体的遥感信息自动提取方法[J].遥

感学报,1998,2(4):264-269.

Yun-yan,

ZHOU

Cheng-hu.

Automatically

extractionremotesensinginformationforwaterbodies[J].JofRemoteSensing,1998,2(4):264-269.[7]　杨福生.小波变换的工程分析与应用[M].北京:科学

出版社,2001.YANGFu-sheng.AnalysisandApplicationsoftheWaveletTransform[M].Beijing:SciencePress,2001.[8]　KENNETHRC.DigitalImageProcessing[M].Princeton:PrenticeHall,1996.

[9]　CHARLESKChui.AnIntroductiontoWavelets

[M].NewYork:AcademicPress,1992.

(责任编辑　寿彩丽)

一种高分辨率遥感影像水体提取技术

相关文章