CN102567726A - 极地冰盖边缘区域浮冰自动提取技术 - Google Patents

Abstract

本发明提出了一种基于对象的图像分割的浮冰自动提取方法，属于遥感图像自动分割、分类技术领域。该方在传统的区域增长法的图像分割的基础上，结合目标的光谱、结构、形状、邻域等特征，能够得到较理想的分割结果。并建立一种适用于南极冰盖边缘的浮冰提取的算法，通过目标组合以及小面积浮冰提取等后处理过程，解决了图像分割过程中的过度分割和分割不足的问题。提取的整个过程主要包括：基于区域增长法的图像分割，面向对象的区域合并，小面积浮冰目标识别及边缘检测，目标分类与对象提取四个部分。实验结果表明本方法能够得到良好的效果。一方面提高了浮冰的提取精度，另一方面又利用面向对象的思想，可以较准确的得到单个浮冰的具体信息。

Description

极地冰盖边缘区域浮冰自动提取技术

一、技术领域：

遥感图像自动分割、分类、提取技术；计算机软件算法研究及应用；

二、背景技术

南极大陆边缘区域浮冰提取对于南极浮冰变化以及全球变化的研究有重要意义，本研究提出一种基于区域增长图像分割技术的南极大陆边缘浮冰信息自动提取方法。并结合浮冰的灰度，轮廓，位置关系等信息进行合并和验证，有效解决图像分割过程中的过度分割以及分割不足的问题，本研究还提出一种基于像素检测的小面积浮冰提取算法，有效提取像素个数小于5的浮冰目标。

目前对极地浮冰提取研究使用的数据多是合成孔径雷达(SAR)数据，因为SAR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。Gill(2001)^[1]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RADARSAT影像北极的冰山，并结合图像分割、分类、边缘提取等一些传统的相关算法，取得了较好的效果。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

技术问题以及技术方案

单纯的基于光谱特征的遥感图像目标提取方法，难以准确的提取完整的目标，本发明在自动增长的图像分割的基础上，提出了一种基于对象的图像分割方法，该方法结合目标的光谱、结构、形状、邻域等特征，能够得到较理想的分割结果。基于该分割结果，本发明建立一种适用于南极冰盖边缘的浮冰提取的算法，把分割过程中的阈值确定在一个范围内，通过目标组合以及小面积浮冰提取等后处理过程，解决了图像分割过程中的过度分割和分割不足的问题。具体过程如下：

(一)、基于对象的图像分割

本文对传统的区域增长法的图像分割进行改进，采用面向对象的思想。利用的图像信息不再是单个的像素，而是将同类地物作为一个整体进行考虑。

假设图像分割的过程中分割阈值为T_cur，初始阈值是T_min，T_max是最终分割阈值。每次分割结束后，整幅图像由图斑集合S组成。S＝{B₁，B₂...，B_n}其中B_i代表标号为i的图斑，其中与图斑B_i相邻的所有图斑集合用表示，两个相邻图斑之间的异质性特征用F表示。那么分割算法可以分为以下几个步骤：

(1).根据分割的初始阈值T_min，对所有像素的8邻域像素进行分割判断，计算它们之间的异质特性F，合并满足F≤T_min的像素。这一步的分割等同于传统的区域增长法。分割结束后，得到初始的图斑集合S。

(2).通过邻域搜索算法，得到每一个图斑B_i的邻域集合

(3).把集合S中任意一个图斑B_i当成一个整体，并随机逐次计算B_i与其邻域集合中的图斑B_j的异质特性F(F的计算方法将会在3.1.3中单独介绍)，如果，F≤T_cur，合并B_j与B_i。否则继续取

中的下一个图斑。

(4).根据合并结果更新集合S，同时更新对应于集合S中每个图斑B_i的邻域集合

计算当前阈值T_cur，如果T_cur＜T_max，则返回步骤(3)，继续分割过程，否则，该过程结束。任意两个图斑B_i和B_j的异质性值F都由四个变量计算而得，计算公式如下：

F＝W_color*H_color+W_shape*H_shape    公式1

其中H_color表示这两个区域的光谱异质性值，H_shape表示这两个区域的形状异质特性值，因为在不同图像中目标的光谱性质和形状性质对目标的表现程度占有不同的比例，我们用W_color表示光谱异质性所占的权重，W_shape则表示形状异质性所占的权重，且W_color+W_shape＝1。W_color和W_shape均在(0-1)区间取值。光谱异质特性值H_color不仅与组成区域对象的像元数目有关，还取决于各个波段标准差(公式3-2)。σ_c为区域内部像元灰度值的标准差，N为像元数目。形状异质性值H_shape由目标的紧凑度H_compact和目标的光滑度H_smooth两个变量共同决定，因为我们同样引出两个变量W_compact和W_smooth来分别表示它们所表现的结构程度所占的比例。W_compact+W_smooth＝1且W_compact和W_smooth取值都在0-1之间。H_smooth和H_compact均由区域周长L和面积A(区域的像元个数)表示。

$H_{\mathrm{color}}=N_{\mathrm{merge}}\·{\mathrm{\σ}}_c^{\mathrm{merge}}-(N_i\·{\mathrm{\σ}}_c^j+N_j\·{\mathrm{\σ}}_c^j)$ 公式2

H_shape＝W_compact·H_compact+W_smooth·H_smooth    公式3

其中：

$H_{\mathrm{compact}}=\frac{N_{\mathrm{merge}}{L}_{\mathrm{merge}}}{\sqrt{N_{\mathrm{merge}}}}-\frac{N_i{L}_i}{\sqrt{N_i}}-\frac{N_j{L}_j}{\sqrt{N_j}}$ 公式4

$H_{\mathrm{compact}}=\frac{N_{\mathrm{merge}}{L}_{\mathrm{merge}}}{\sqrt{N_{\mathrm{merge}}}}-\frac{N_i{L}_i}{\sqrt{N_i}}-\frac{N_j{L}_j}{\sqrt{N_j}}$ 公式5

上述公式中，N_merge表示合并后的新区域对象的总面积：

N_merge＝N_i+N_j  公式6

L_merge表示合并后的新区域对象的周长：

L_merge＝L_a+L_b-2L_co 公式7

L_co为合并前两个区域的公共周长如图4所示：

L_co＝(max{h_s，i，h_s，j}/4+max{h_c，i，h_c，j}/16)*l_in 公式8

(二)、通过邻域搜索算法合并过度分割

在查找图斑邻域集合的过程中，为了不遗漏图斑的邻域，我们采用边缘检测的方法，初始情况下，图斑B_i的邻域集合为空，检查图斑B_i边缘像素上的四邻域像素点所属的图斑B_j，如果

则

整个过程中都需存储每一个像素当前所属的对象编号，当一个像素的邻域像素所属的对象和这个像素不同时，这个像素就是该对象的一个边缘点。

经过上述的分割过程，通过对阈值的控制我们能够得到较精确的分割结果只需要把本该属于同一个对象的不同图斑“组合”起来，就会得到完整的浮冰信息。

该合并过程分为以下2个步骤：

(1).更新上述分割后的图斑集合S以及S所对应的每个图斑的邻域集合。

(2).依次取S中的图斑B_i，以及该图斑的邻域图斑B_j。计算它们的灰度方差D_i，D_j：

当图斑B_i和图斑B_j满足上述三个条件中的任意一个，同时满足合并后的图斑在边缘检测基准轮廓以内，并且B_i和B_j的公共边缘F_tou＝L_co/min{L₁，L₂}≥0.15，才合并B_i和B_j。

边缘检测基准轮廓由下面的方法得到：

▽f(p)＝max(|f(x+1，y)-f(x-1，y)|，|f(x，y+1)-f(x，y-1)|)    公式9

判断有分割结果得到的轮廓上的上的每一个点p，设p的坐标是(x，y)，f(x，y)为点p的光谱灰度值，▽(p)为点p的轮廓检验因子。设定轮廓检验阈值▽F如果▽f(p)≥▽F则p为所需目标轮廓，否则p为噪音，删除所有噪音，就会得边缘基准轮廓。

(三)、分类与目标提取

通过上述的合并过程，我们可以得到一个图斑集合S_obj。

用B_ice表示浮冰，B_sea表示海水，B_gap表示缝隙，D_i，color表示第i块图斑在三个波段上的灰度均值之和，i∈[0，N_nei)，N_nei表示当前图斑的邻域图斑的数目，D_cur，color表示当前图斑在三个波段上的灰度均值之和。则当前图斑的分类判断准则表1所示。

表1：分类判断准则

(四)、小面积浮冰提取与边缘优化

该方法的过程就是对原始图像上的每一个像素进行类别判断，如果像素P_i在三个波段上的灰度值之和大于分类阈值L，并且它所在的图斑不属于B_ice。那么，就以该点位种子点起始位置，对其进行基于像素的自动增长，设定改增长的最大递归次数为10，得到图斑B_i，判断图斑B_i边缘点的邻域像素，是否满足以下两种情况：

(1).图斑的邻域像素都属于B_sea类型

(2).图斑的邻域像素都属于B_ice类型

如果满足情况(1)则计算该图斑的各种属性，并把该图斑加入到集合S_ice中。

如果满足情况(2)，则把该图斑合并到邻域图斑所属的B_ice中。

实验应用结果

实验结果表明基于对象分割的浮冰提取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)，此外本文的浮冰提取算法中有效的加入了提取目标的光谱、形状以及位置关系等信息，能够利用南极大陆边缘地区的浮冰特征得到更准确的提取结果。如附图2所示，本文分别选取了LandSat ETM+数据、HJ1B数据、MODIS数据，经过上述过程进行浮冰提取得到了相应的提取结果。如果利用分辨率为30m的可见光数据，相比SAR雷达影像数据以及MODIS数据来说分辨率较高，能够更准确的识别浮冰的边缘信息，并且可以识别小尺度浮冰对象，如附图3所示，LandSat ETM+数据、HJ1B数据的分辨率均为30m，利用本发明的算法经过提取，不仅能够准确的得到大尺度的浮冰，还能够较准确的提取面积比较小的浮冰。附图4所示为传统的分割算法得到的结果，从结果中可以看出传统的分割算法可以得到大部分浮冰的边缘，却存在严重的过度分割问题，而且有很多小面积的浮冰没有提取出来。而本发明的提取结果不仅可以解决过度分割问题，还能够把分割过程中被过度合并的小浮冰提取出来，如附图5所示。

本发明中的算法一方面提高了浮冰的提取精度，另一方面又利用面向对象的思想，可以得到单个浮冰的具体信息，如附图6所示，这为未来单个浮冰跟踪及变化监测的研究奠定了良好的基础。

四、附图说明

附图1：是本发明的算法技术流程图。

附图2中(a)，(b)，(c)分别是LandSat ETM+数据、HJ1B数据、MODIS数据经过上述过程后提取结果中截取的一部分。它们的比例尺分别为，1∶150 000，1∶150 000，1∶2500 000。实验结果表明本发明提出的基于对象的浮冰目标提取方法，能够较准确的提取南极大陆边缘区域浮冰。从图中可以看出，三种图像的大面积浮冰目标边缘比较准确，并且基本不存在过度分割问题。

附图3-(a)为2001年1月8日，以(76°40’36.421″E，69°18’58.544″S)为中心点的3683Km2范围内区域的ETM+数据的提取结果截图；图8-(b)为2010年1月21日该区域的HJ1B数据提取结果截图。图3-(c)和图3-(d)分别是图3-(a)和图3-(b)对应的的人工解译结果。表3为对应于这个区域两种数据的误差分析。

附图4：只使用传统的分割算法进行浮冰提取结果：过度分割问题比较严重，测试图像分割后得到1361个图斑(PATCH)，其中属于冰山的图斑有614个。

附图5：利用本文的介绍经过改进的分割算法，并加入过度分割合并以及小浮冰提取的后处理过程，合并得到图斑浮冰有210个，小浮冰提取后得到浮冰3235个。从图中可以看出，本算法不仅提取了分割过程中遗漏的小冰山，并且提取了被遗漏的冰山边缘象素，冰山的边缘变得精确很多。

附图6：图五：单个冰山信息提取样例。结果表明基于对象的提取不仅能够得到浮冰的整体信息，还能得到每一个浮冰的详细情况。这将为冰山的跟踪、变化监测等研究奠定良好的技术基础。

五、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，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7-a所示)，分别按照上述发明方法的过程进行浮冰提取。

步骤1：基于对象的图像分割，得到如附图7-b所示的结果。

步骤2：通过邻域搜索算法合并过度分割，并进行分类与目标提取，得到如附图7-c所示的结果。

步骤3：小面积浮冰提取与边缘优化，最终得到如附图7-d所示的提取结果。

实施例2

选取环境减灾星HJ1B数据作为测试数据，取22001年1月8日，以(76°40’36.421″E，69°18’58.544″S)为中心点的3683Km2范围内区域(如附图8-a所示)，分别按照上述发明方法的过程进行浮冰提取。

步骤1：基于对象的图像分割，得到如附图8-b所示的结果。

步骤2：通过邻域搜索算法合并过度分割，并进行分类与目标提取，得到如附图8-c所示的结果。

步骤3：小面积浮冰提取与边缘优化，最终得到如附图8-d所示的提取结果。

参考文献：

[1].Gill R.S.，Operational detection of sea ice edges and icebergs usingSAR[J].Canadian Journal of Remote Sensing，2001，(27)411-432.

[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 (3)

1.一种浮冰提取的算法，其特征在于，包括以下步骤：

基于对象的图像分割；

通过邻域搜索算法合并过度分割；

分类与目标提取；

小面积浮冰提取与边缘优化。

2.根据权利要求1所述的算法，其中基于对象的图像分割包含以下步骤：

根据分割的初始阈值，对所有像素的8邻域像素进行分割判断，计算它们之间的异质特性，合并有相异质特性的像素。这一步的分割等同于传统的区域增长法。分割结束后，得到初始的图斑集合；

通过邻域搜索算法，得到每一个图斑的邻域集合；

把集合图斑集合中任意一个图斑当成一个整体，并随机逐次计算该图斑与其邻域集合中的图斑的异质特性，如果，他们有相同的异质特性，合并他们。否则继续取邻域图斑集合中的下一个图斑；

根据合并结果更新集合，同时更新对应于集合中每个图斑的邻域集合，计算当前阈值，如果当前的阈值在阈值范围内，则返回上一步骤，继续分割过程，否则，该过程结束。

3.在1的过程中，通过邻域搜索算法合并过度分割的过程包括以下几个步骤：

采用边缘检测的方法查找每个图斑的四邻域图斑，生成邻域图斑链表；

依次取图斑集合中的每一个图斑，以及该图斑的邻域图斑的每一个邻域图斑。计算它们的灰度方差；

如果当前图斑和其邻域的图斑，满足光谱合并条件，同时满足合并后的图斑在边缘检测基准轮廓以内，

并且它们的公共边缘大于它们最大轮廓长度的15％，那么合并这两个图斑，边缘检测基准轮廓由下面的方法得到：▽f(p)为点p的轮廓检验因子，设定轮廓检验阈值▽F如果▽f(p)≥▽F则p为所需目标轮廓，

▽f(p)＝max(|f(x+1，y)-f(x-1，y)|，|f(x，y+1)-f(x，y-1)|)。

Images