CN102542551A

CN102542551A - 极地冰盖边缘浮冰自动变化检测技术

Info

Publication number: CN102542551A
Application number: CN2010105862016A
Authority: CN
Inventors: 刘臻; 赵子莹
Original assignee: Beijing Normal University
Current assignee: Beijing Normal University
Priority date: 2010-12-13
Filing date: 2010-12-13
Publication date: 2012-07-04
Anticipated expiration: 2030-12-13
Also published as: CN102542551B

Abstract

本发明提出了一种基于对象浮冰自动变化检测技术，属于遥感图像自动分割、分类、模式识别、变化检测的领域。该方法在基于对象的浮冰提取技术的基础上，结合目标的光谱、结构、形状、邻域轮廓等特征，把这些特征作为特征向量，用最佳相似度匹配的思路得到要检测的独立浮冰，能够准确的跟踪浮冰，并能较准确的得到浮冰的变化信息。主要技术过程包括：基于对象的目标提取得到不同时相的冰盖及浮冰目标提取结果、通过差值法得到差值图像以及整个区域的面积变化情况、用三种相似度判定方法分别对进行基于对象相似度的变化检测、进行独立浮冰的跟踪从而得到单个浮冰的变化检测结果。

Description

极地冰盖边缘浮冰自动变化检测技术

一、技术领域：

遥感图像自动分割、分类、变化检测技术；计算机软件算法研究及应用；

二、背景技术

极地冰盖、冰块变化对于全球变化研究的意义十分重大。在全球变暖的背景下，南极大陆边缘地区快速变化区，冰架的崩解、冰山的运动等与气候变化和海洋环流等都密切相关。使用自动变化检测技术来快速定位极地冰盖融化区域和冰块漂移位置，不仅将有力支撑全球变化研究，并会为建立极地冰盖融化和冰块位移的预警机制奠定基础。

目前国内外关于变化检测的算法很多，国内外应用遥感及图像分析与处理技术在变化检测领域已进行了较深入的研究与应用工作，提出了大量算法，在很多方面已经取得了良好效果。总的来说，目前变化检测的方法趋于综合化，在过去的20多年中，产生了许多基于遥感影像的变化检测方法，这些众多变化检测方法可以从三个层面上进行分类1：基于像素级的变化检测、基于特征级的变化检测和基于目标级的变化检测。基于像素级的变化检测常用的方法有图像差值法，图像比值法，图像回归法，变化向量分析法；基于特征级的变化检测常用的方法有纹理分析法，主成份分析法，形状分析法，植被索引法，小波分析法；基于目标级的变化检测常用的方法有分类后比较法，直接多时相分类法，人工智能方法以及人工神经网络方法。目前出现的大多数变化检测算法都是综合使用这些算法，或是基于这些算法的改进创新，用来适用不同的情况。为了能更准确地获取变化信息，综合使用各种变化检测方法目前已经成为变化检测发展的一个主要趋势。

国内外关于冰山、冰盖的研究目前还比较少，技术方面还不够成熟，尤其是对高分辨率影像中南极冰山、冰盖的相对小尺度范围内变化监测的研究很少。Williams and MacDonald在1995介绍了一种针对TM卫星图像中冰山的识别和轮廓提取算法——该算法主要是基于图像的光照和阴影特点进行冰山的识别与提取。随着SARA图像的广泛应用和技术的逐步成熟，对SARA数据中冰山的研究有了较多的进展，由于SARA影像中冰山不依赖于阳光或云层，而且具有来自零度以下冰山的较强的反向散射信号，采用基于像元检测算法的恒虚警率(constant false alarm rate，CFAR)检测器来检测SARA影像中船只(Vachon et al.，1997)和北极的冰山(Gill，2001；Power et al.，2001)，其中用到了图像分割、分类、边缘提取等一些传统的相关算法，取得了较好的效果。SAR图像对水体和表面特征敏感，有一定的表面渗透能力，成为对冰雪监测和研究的主要方式。例如：新疆典型流域多卫星积雪遥感监测信息系统的设计与实践。利用的数据：NOAA-AVHRR，这种数据空间分辨率较低，星下点是1.1km，但是时间分辨率较高，周期短，时相多，成像范围大，实时性强，成本低。这项技术比较适合于识别黯淡的海水背景下的光亮物体，而且目标物体要相对较小。而南极巨大的冰山、冰盖不仅面积大，冰海的对比度也比较差，尤其是在冬季。因此，将上述技术应用于检测南极冰山、冰盖，效果不够理想。2006年Blonski采用基于时序的方法对AMSR-E影像中的南极冰山进行跟踪检测。Silva et al.(2005)^[2]在此使用ERS-1 SAR图像数据对尺度大于200米长的南极大陆周围的冰山进行目标识别与变化跟踪，使用边缘检测算法结合分水岭图像分割算法进行图像分割，通过设定盆地的最小边缘阈值消除过度分割问题；提高了冰山提取精度并解决了相邻两块冰山由于接触被误分成同一目标的问题。但由于SAR图像空间分辨率相对比较低，对于尺度更小的冰山(小于200米)则很难识别。Liu et al.(2004)^[3]用经过正射矫正的SAR数据以及30米分辨率的ETM+可见光数据，结合南极大陆的海岸线的线性形状特征，提出一种自适应阈值的分割算法，提取了南极大陆海岸线轮廓，但却没有针对南极大陆边缘区域形状更不规则的浮冰提出有效的提取方法。Blonski et al(2006)^[4]采用基于时间序列的方法对AMSR-E影像中的南极冰山进行跟踪检测，但是只能检测到10km以上的冰山。国际上成立专门机构如国家冰雪中心(National Ice Center)、冰雪专业委员会等采用各种各样的卫星传感器对巨大的南极冰山进行跟踪研究。但是这些数据的分辨率都很低，只限于大型冰山的研究。

三、发明内容

传统的基于像素的变化检测，只能从整体上得到图像上各种地物发生变化的总体情况，而且因为利用的信息都是独立的像元的信息，变化检测的结果也很容易受到噪声的干扰，从而导致精度相对很低。

本发明的研究目标是极地冰盖、浮冰的自动变化检测，针对于中、高空间分辨率影像的变化检测应该具有的特点，针对极地大陆边缘区域的地物特征，确定总的技术路线：基于面向对象的思想，结合极地边缘区域冰盖、浮冰特有的的光谱、结构等特征，通过这些特征的分析最终实现对冰盖边缘区域冰盖及浮冰融化以及浮冰漂移的自动变化检测。主要技术过程包括：基于对象的目标提取得到不同时相的冰盖及浮冰目标提取结果、通过差值法得到差值图像以及整个区域的面积变化情况、用三种相似度判定方法分别对进行基于对象相似度的变化检测、进行独立浮冰的跟踪从而得到单个浮冰的变化检测结果。算法流程图如附图1所示。具体过程如下：

1.对要进行变化检测的两幅图像，进行基于对象的目标提取。过程包括基于对象的图像分割、通过邻域搜索算法合并过度分割、按照冰雪地物的特征设定阈值进行分类与目标提取、小面积浮冰提取与边缘优化。最终得到源图像相应的提取结果。

2.通过差值法，得到差值图像以及宏观的面积边变化。

3.对提取出的浮冰进行基于相似度的匹配跟踪，首先以选中浮冰的轮廓为基础，以轮廓阈值范围内的平行边缘所覆盖的区域为搜索区域，在另一幅时相的该区域内搜索浮冰，把选中浮冰和搜索到的浮冰进行相似度匹配，匹配方法包括以下3种：

a)面积、周长的相似度匹配，得到面积周长差异值A

b)基于Hausdorff距离的轮廓相似度匹配，得到轮廓相似度差异值B

c)基于轮廓拐点方差相似度匹配：以浮冰的中心点为标准，每旋转5°记录其轮廓上的点到中心点的距离，用这些点构成由72个长度组成的集合，对两个集合进行最佳匹配，得到最少差异值C。

把上术三种方法得到的差异值分别作为一个特征向量，然后求三个特征向量的平方差，得到差值最小的目标。即使得差异

最小的浮冰为选中浮冰变化后所对应的浮冰。

4.计算选中浮冰的面积变化，周长轮廓变化等信息。

本发明针对极地冰盖、浮冰的光谱、结构、轮廓等特征，采用面向对象的变化检测方法，首先提取出独立的目标对象，在对这些目标进行变化检测，不仅能够克服噪声的干扰，提高了浮冰的提取精度，另一方面还能够得到独立目标的变化情况，比如可以得到任意一个可识别的冰山的漂移旋转情况以及它的融化情况。

实验结果表明基于对象相似度的极地冰盖边缘区域冰盖及浮冰的变化检测方法取得了良好的效果，在很大程度上提高了目前对南极浮冰提取的精确度(Silva et al.2005年把冰山识别的精度提高到200米)。

附图说明

附图1：是本发明的算法技术流程图。

附图2：(a)，(b)分别是2003年1月7日和2003年1月16日同一区域不同时相的LandSat ETM+，1，2，3波段的数据，分辨率是30m，覆盖范围有11628平方公里。

附图3：(a)，(b)分别对应附图2中基于对象的浮冰提取结果。

附图4：对应附图2的两个时相的浮冰，经过差值法的变化检测结果。

附图5：对于图像的单个浮冰跟踪结果，从结果中可以看出，对于选中的浮冰，本发明的算法能够准确的跟踪到其变化后的图像，并可以得到相应的变化结果。

具体实施方式

本发明结合以下实施例进行进一步说明，但并不是限制本发明。

实施例1

选取LandSat ETM+数据作为测试数据，取2003年1月7日及2003年1月16日，南纬70.27454853度，西经12.38573410度到南纬71.44474167度，西经10.39252222度的11628平方公里的南极大陆边缘区域(如附图2-a、附图2-b所示)，分别按照上述发明方法的过程进行浮冰提取。

步骤1：对要进行变化检测的两幅图像，进行基于对象的目标提取，得到如附图3所示结果。

步骤2：通过差值法，得到差值图像以及宏观的面积边变化。得到如附图4所示的结果。

步骤3：对提取出的浮冰进行基于相似度的匹配跟踪，任意选择浮冰，得到如附图5所示结果。

参考文献：

[1].GEOFFREY G H.Object2level change detection in spectral imagery[J].I EEETransactions on Geoscience and Remote Sensing，2001，39(3)：553.

[2].Silva T.A.M.，Bigg G.R.，Computer-based identification and tracking of Antarcticicebergs in SAR images[J].Remote Sensing of Environment，2005，(94)287-297.

[3].Liu H.，Jezek K.C.，A Complete High-Resolution Coastline of Antarctica Extractedfrom Orthorectied Radarsat SAR Imagery[J].Photogrammetric Engineering&RemoteSensing，2004(70)605-616.

[4].Blonski S.，Peterson C.A.，Antarctic Iceberg Tracking Based on Time Series ofAqua AMSR-E Microwave Brightness Temperature Measurements[J].AmericanGeophysical Union，Fall Meeting 2006.

Claims

1.一种浮冰的自动变化检测技术，其特征在于，包括以下步骤：

对要进行变化检测的两幅图像，进行基于对象的目标提取；

通过差值法，得到差值图像以及宏观的面积边变化；

对提取出的浮冰进行基于相似度的匹配跟踪；

计算选中浮冰的面积变化，周长轮廓变化等信息。

2.根据权利要求1所述的算法，其中基于对象的目标提取包括以下几个步骤：

基于对象的图像分割；

通过邻域搜索算法合并过度分割；

按照冰雪地物的特征设定阈值进行分类与目标提取；

小面积浮冰提取与边缘优化。

3.在1的过程中，其中相似度匹配的方法如下：

首先以选中浮冰的轮廓为基础，以轮廓阈值范围内的平行边缘所覆盖的区域为搜索区域，在另一幅时相的该区域内搜索浮冰，把选中浮冰和搜索到的浮冰进行相似度匹配，匹配方法包括以下3种：

面积、周长的相似度匹配，得到面积周长差异值A；

基于Hausdorff距离的轮廓相似度匹配，得到轮廓相似度差异值B；

基于轮廓拐点方差相似度匹配：以浮冰的中心点为标准，每旋转5°记录其轮廓上的点到中心点的距离，用这些点构成由72个长度组成的集合，对两个集合进行最佳匹配，得到最少差异值C；

把上术三种方法得到的差异值分别作为一个特征向量，然后求三个特征向量的平方差，得到差值最小的目标。即使得差异最小的浮冰为选中浮冰变化后所对应的浮冰。