CN112037244A

CN112037244A - 联合指数和轮廓指示器SLIC的Landsat-8图像养殖池提取方法

Info

Publication number: CN112037244A
Application number: CN202010872600.2A
Authority: CN
Inventors: 史晓非; 朱程; 倪魁元; 张新鹏
Original assignee: Dalian Maritime University
Current assignee: Dalian Maritime University
Priority date: 2020-08-26
Filing date: 2020-08-26
Publication date: 2020-12-04
Anticipated expiration: 2040-08-26
Also published as: CN112037244B

Abstract

本发明提供一种联合指数和轮廓指示器SLIC的Landsat‑8图像养殖池提取方法，包括：图像的预处理，主要包括辐射定标和大气校正；计算水体指数图，在Canny边缘的基础上断点连接形成完整边缘图，提取闭合轮廓目标和生成SLIC超像素；自动选取海陆种子点，生成水体目标二值图像；依次去除养殖池以外的其他干扰水体目标，包括去除海洋，浅水潮滩，河流，湖泊，山体或建筑阴影。本发明能够有效的提取中等分辨率下多光谱图像的海岸带养殖池。

Description

联合指数和轮廓指示器SLIC的Landsat-8图像养殖池提取方法

技术领域

本发明属于遥感图像处理技术领域，特别涉及一种基于中等分辨率多光谱图像的海岸带养殖池提取方法。

背景技术

目前针对多光谱图像的养殖区提取可以划分为四类方法：(1)基于目视解译和地理信息系统(Geographical Information System，GIS)的方法[1-4]。该类方法的操作者通常是具有经验的行业专家，通过目视解译和人工手绘得到养殖池的提取结果。虽然可以保证提取精度，但比较费时且效率低下，依赖于目视解译人员的主观性判断，可重复性较差。(2)基于机器学习和深度学习的方法[5-7]。该类方法的主要思想是利用分类的方法来使养殖池和其它类别分开。然而由于数据集的匮乏的原因，该类方法仍然面临训练成本高且移植性差的问题。(3)基于光谱指数的方法[8,9]。指数法主要思想是构建两个或多个波段的反射系数的线性算术组合或归一化差分，通过这种线性或非线性的波段组合变换形成具有更大差异化的光谱特征，从而达到突出目标地物而抑制其它背景的目的。该类方法可以有效提高效率，然而对于背景环境光谱与养殖区差异大的情况较为适用，且无法避免椒盐噪声和异物同谱问题带来的影响。(4)基于对象的图像分析(Object-based Image Analysis，OBIA) 方法[10,11]。OBIA方法旨在将像素分组到光谱相似的区域形成具有一定意义的图像对象。OBIA将处理的对象从像元过渡到了对象层次，更接近人们观测数据的思维逻辑，然而对于中低分辨率图像，部分养殖结构往往非常模糊，多尺度分割常常会错分，使最终的提取精度降低。

海岸带养殖池提取仍然面临以下几个问题：(1)中等分辨率图像下海岸带养殖池部分区域结构断裂，导致特征不清晰从而提取较为困难；(2)海岸带养殖池附近存在多种其它水体类型干扰，使得养殖池提取较为困难；(3) 在光学图像的Landsat-8中，养殖池提取采用的分类方法，通常需要依赖大量训练样本和费时的训练过程，且移植性较差。

[1]Hazarika M K,Samarakoon L,Honda K,et al.Monitoring and ImpactAssessment of Shrimp Farming in the East Coast of Thailand Using RemoteSensingand GIS[J].International Archives of Photogrammetry and RemoteSensing,2000,XXXIII:504-510.

[2]Gupta M C,Krishnarajan V P,Nayak S.Brackish water aquaculture siteselection in coastal track of cannanore(Kerala)using remote sensing and GIStechniques[J].Journal of the Indian Society of Remote Sensing,2001,29(1):79-83.

[3]Karthik M,Suri J,Saharan N,et al.Brackish water aquaculture siteselection in Palghar Taluk,Thane district of Maharashtra,India,usingthetechniques of remote sensing and geographical information system[J].Aquacultural Engineering,2005,32(2):285-302.

[4]Dwivedi R S,Kandrika S.Delineation and monitoring of aquacultureareas using multi-temporal space-borne multispectral data[J].Current Science,2005,89(8):1414-1421.

[5]Gusmawati N F,Zhi C,Soulard B,et al.Aquaculture Pond PreciseMapping in Perancak Estuary,Bali,Indonesia[J].Journal of Coastal Research,2016,75(sp1):637-641.

[6]Gusmawati N,Soulard B,Selmaoui-Folcher N,et al.Surveying shrimpaquaculture pond activity using multitemporal VHSR satellite images-casestudy from the Perancak estuary,Bali,Indonesia[J].Marine Pollution Bulletin,2018,131:49-60.

[7]Shi Z,Shi T,Zou Z,et al.Mudflat aquaculture labeling for infraredremote sensing images via a scanning convolutional network[J].InfraredPhysics and Technology,2018,94:16-22.

[8]Rajitha K,Mukherjee C K,Vinu Chandran R,et al.Land-cover changedynamics and coastal aquaculture development:a case study in the EastGodavari delta,Andhra Pradesh,India using multi-temporal satellite data[J].International Journal of Remote Sensing,2010,31(16):4423-4442.

[9]

Mialhe Y G C M,Dabbadie J G C L.The development ofaquaculture on the northern coast of Manila Bay(Philippines):an analysis oflong-term land-use changes and their causes[J].Journal of Land Use Science,2015:1-21.

[10]Zhang T,Li Q,Yang X,et al.Automatic mapping aquaculture incoastal zone from TM imagery with OBIA approach[C].IEEE 2010 18thInternational Conference on Geoinformatics,Beijing,2010.

[11]Fu Y,Ye Z,Deng J,et al.Finer Resolution Mapping of MarineAquaculture Areas Using WorldView-2 Imagery and a Hierarchical CascadeConvolutional Neural Network[J].Remote Sensing,2019,11(14):1678.

[12]Zhang T,Yang X,Hu S,et al.Extraction of Coastline in AquacultureCoast from Multispectral Remote Sensing Images:Object-Based RegionGrowingIntegrating Edge Detection[J].Remote Sensing,2013,5(9):4470-4487.

发明内容

针对以上的问题，本发明提出一种联合指数和轮廓指示器SLIC的 Landsat-8图像养殖池提取方法，能够有效的提取中等分辨率下多光谱图像的海岸带养殖池。

本发明采用的技术手段如下：

一种联合指数和轮廓指示器SLIC的Landsat-8图像养殖池提取方法，包括：

获取Landsat-8图像，并对所述图像进行预处理，生成预处理图像，所述预处理步骤包括辐射定标和大气校正；

针对所述预处理图像根据归一化差异水体指数获取水体指数图，获取所述水体指数图的边缘图，提取所述边缘图内的闭合轮廓目标，基于所述水体指数图以所述闭合轮廓目标引导生成SLIC超像素，结合所述边缘图像获取不包含边缘的超像素；

根据像素阈值将所述不包含边缘像素的超像素划分为纯水体的超像素区域和纯陆地的超像素区域，由所述纯水体的超像素区域提取海洋种子点，由所述纯陆地的超像素区域提取陆地种子点，基于所述海洋种子点和陆地种子点计算超像素的含水分数，进而基于所述含水分数生成水体目标二值图像，所述像素阈值根据所述水体指数图自动生成；

对所述水体目标二值图像中的水体目标进行区域合并后，去除干扰水体目标，从而获得养殖池提取结果，其中所述干扰水体目标包括海洋、潮滩、河流、湖泊、以及结构物的阴影。

较现有技术相比，本发明具有以下优点：

1、本发明能够有效的提取中等分辨率下多光谱图像的海岸带养殖池。

2、本发明充分考虑了与养殖池相近的其它干扰水体，能够有效的将这些干扰移除。

3、本发明避免使用分类的方法，无需多次训练，有较好的可迁移性，对不同地区的图像的提取结果有较好的鲁棒性。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图做以简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。

图1为本发明养殖池提取方法流程图。

图2a为实施例中Landsat-8近红外波段图像。

图2b为实施例中水分数图像。

图2c为实施例中区域合并后得到的海洋掩膜结果。

图2d为实施例中通过人工解译手绘得到的养殖池的真实结果。

图2e为实施例中应用本发明方法的养殖池提取结果。

图2f为实施例中应用SCN方法的养殖池提取结果。

图2g为是图2a中白色矩形框标注的局部放大区域图像的真实结果。

图2h为应用本发明方法在对应的局部放大区域的提取结果。

图2i为应用SCN方法在对应的局部放大区域的提取结果。

具体实施方式

为了使本技术领域的人员更好地理解本发明方案，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分的实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本发明保护的范围。

如图1所示，本发明提供了一种基于Landsat-8图像的海岸带养殖池提取方法，主要包括：

1、一种联合指数和轮廓指示器SLIC的Landsat-8图像养殖池提取方法，其特征在于，包括：

S1、获取Landsat-8图像，并对所述图像进行预处理，生成预处理图像，所述预处理步骤包括辐射定标和大气校正。其中图像预处理部分通过ENVI 遥感图像软件可以自动的进行辐射定标和大气校正过程。

S2、针对所述预处理图像根据归一化差异水体指数获取水体指数图，获取所述水体指数图的边缘图，提取所述边缘图内的闭合轮廓目标，基于所述水体指数图以所述闭合轮廓目标引导生成SLIC超像素，结合所述边缘图像获取不包含边缘的超像素。

为了解决传统SLIC方法在中等分辨率的Landsat-8真彩色图像下边缘贴合度不准的问题，本发明以水体指数作为SLIC的输入图像，并利用MNDWI 的边缘图形成轮廓指示器来引导超像素的生成。具体地：

(1)获取水体指数图(Modified Normalized Difference Water Index， MNDWI)。具体来说，Landsat-8图像是多光谱卫星图像，具有11个波段的图像，每一个波段中像素点的像素值被称为反射率。MNDWI利用了其中的短波红外波段(SWIR-1波段)和绿色波段(Green波段)，其具体公式为：

其中，其中ρ_Green和ρ_SWIR-1分别是Landsat-8的Green波段和SWIR-1波段的反射率。

因此MNDWI图像是一个与原图像尺寸大小相同的水体指数图像。具体的水体指数图像可以参考文献[13]Xu H.Modification of normalised difference water index(NDWI)to enhance open water features in remotely sensed imagery[J].International Journal of Remote Sensing,2006,27(14):3025-3033.

(2)利用Canny边缘检测方法得到水体指数图像MNDWI的边缘图，并用边缘断点的连接策略得到闭合的边缘图。假设闭合的轮廓集合为

其中n表示闭合轮廓的个数。通过对E^c进行填充操作，可得闭合的目标集合R＝{R₁,R₂,...,R_n}，由此可以得到闭合轮廓目标的标记场：

(3)通过L(x,y)来导引生成SLIC(simple linear iterativeclustering，即简单的线性迭代聚类)超像素的生成。超像素的相似性度量可表示为：

其中，d_m表示水体指数图像MNDWI的光谱距离，d_s表示空间距离，S 表示初始聚类中心网格区间的大小，β固定设置为10。

优选地，本发明应用简单线性迭代聚类(SLIC)超像素的方法，它是一种经典的基于梯度下降的超像素生成方法，其核心在于像素间的相似性度量 D。其具体原理和执行步骤参见参考文件[14]Achanta R,Shaji A,Smith K,et al. SLIC Superpixels Comparedto State-of-the-Art Superpixel Methods[J].IEEE Transactions on PatternAnalysis and Machine Intelligence,2012, 34(11):2274-2282.其中，D包含两项内容：d_m是颜色距离，d_s是空间距离，m 是权重因子。

本发明专利采用的超像素分割方法的执行步骤与SLIC完全一样，唯一不同的就是修改了其相似性度量D，通过前面得到的闭合轮廓目标标记场L(x,y) 可以确定权重因子m的数值，并通过m来确定最终的相似性D。

S3、根据像素阈值将所述不包含边缘像素的超像素划分为纯水体的超像素区域和纯陆地的超像素区域，由所述纯水体的超像素区域提取海洋种子点，由所述纯陆地的超像素区域提取陆地种子点，基于所述海洋种子点和陆地种子点计算超像素的含水分数，进而基于所述含水分数生成水体目标二值图像，所述像素阈值根据所述水体指数图自动生成。

为了解决传统的水体指数方法严重依赖人工挑选的阈值的问题，本发明提出一种自适应水分数的水体目标生成方法，通过自动挑选海陆种子超像素来构建MNDWI的线性混合模型和α水指数模型。

1、自动挑选海陆超像素的过程。

假设超像素的集合为SP＝{sp₁,sp₂,...,sp_K}，sp_i表示第i个超像素中所包含的所有像素点，K表示通过超像素分割后实际的超像素数量。把每个超像素中所有像素点的水体指数值的均值作为每个超像素的光谱值，记为 SPV＝{spv₁,spv₂,...,spv_K}。通过边缘图，可以计算每个超像素中包含边缘点的数目为SPE＝{spe₁,spe₂,...,spe_K}。由此，提出判别准则为：

其中，mndwi_th是MNDWI通过OTSU方法得到的自适应阈值。具体计算方式可以参考文件[14]Otsu N.A Threshold Selection Method from Gray-Level Histograms[J].IEEE Transactions on Systems Man&Cybernetics, 2007,9(1):62-66.)。

如果直接使用该阈值对MNDWI进行阈值分割，结果并不准确。但它对于一些特征较为明显的水体和陆地(如纯水体像素和纯陆地像素)，还是能够给出较为准确的参照，因此这里利用它来确定纯水体超像素和纯陆地超像素。

2、构建α水分数模型

把步骤1中得到的属于纯水体(sp_i＝water)的超像素区域中所有像素的最小值记为mndwi_water，属于纯陆地(sp_i＝land)的超像素区域中所有像素的最大值记为mndwi_land。

对于MNDWI图像中的任一像素点，假设其值为mndwi。则该像素的含水分数可表示为：

最后，通过对每一个像素点的含水分数α，采用固定的0.5阈值，如α≥0.5，则该像素属于水体像素；如α＜0.5，则该像素属于陆地像素。最终可得到水陆分割后的二值图像。

本发明中，将MNDWI图像中的每一个像素的值都看作是mndwi_water和 mndwi_land的线性相加。由步骤2中的mndwi_water，mndwi_land和α，可以得到MNDWI 的线性混合模型：

mndwi_mix＝α*mndwi_water+(1-α)*mndwi_land (6)

其中，mndwi_mix表示MNDWI图像中像素点的值。

S4、对所述水体目标二值图像中的水体目标进行区域合并后，去除干扰水体目标，从而获得养殖池提取结果，其中所述干扰水体目标包括海洋、潮滩、河流、湖泊、以及结构物的阴影。

1、移除海洋区域

为了解决已有的OMI特征驱动的海洋区域生长方法在中等分辨率图像下效果不理想的问题，本发明提出了一种结合边缘信息和光谱信息的改进区域生长准则，来有效的移除海洋区域。假设海洋种子超像素为sp_seed，与sp_seed相邻接的超像素称为候选超像素sp_candi。文献[12]提出了一种基于边缘信息的特征 OMI，OMI特征可以表示为：

其中，N_cb是sp_seed和sp_candi的公共边界像素的数量，N_ecb是公共边界像素中的边缘像素的数量。OMI对于高分辨的图像结果较好，但是对于中等分辨率图像并不适用。因此，我们考虑光谱信息，假设sp_candi中所有像素的MNDWI 的均值为spv_candi，sp_seed中所有像素的MNDWI的均值为spv_seed，sp_seed和sp_candi的 MNDWI属性的相似性度量SI可以表示为：

结合OMI和SI，我们提出新的合并准则如下：

(OMI≤T_OMIand(spe_candi+spe_seed)/N_cb≤T_OMIand SI≥T_SI)or (OMI≥T_OMIand Ncb≤T_Ncband SI≥T_SI) (9)

其中，spe_candi和spe_seed分别表示sp_candi和sp_seed中包含的边缘点的数目，T_SI和T_Ncb分别表示SI和N_cb的阈值。在文献[12]中，已经验证了OMI指数的稳定性，并提出了OMI特征的直方图，其直方图满足明显的双峰特征。因此固定选取 T_OMI为0.1，T_Ncb为10，T_SI为0.9。

2、移除潮滩区域

为了解决潮滩和养殖池相毗邻而难以分离的问题，本发明通过光谱分析法，提出一种新的归一化潮滩指数(NDTI)来移除潮滩。其公式为：

其中ρ_NIR和ρ_Blue分别表示Landsat-8图像中NIR和Blue波段的反射率

3、移除其他水体干扰区域

最后通过面积和形状特征移除其他水体干扰。水体目标中面积大于1100 且周围被陆地包围的水体将会被认为是湖泊移除，面积小于60且周围被陆地包围的水体将会被认为是山体或城市阴影移除。

下面通过具体的应用实例对本发明的方案和效果做进一步说明。

本实施例选取广东省潮汕地区的图像进行处理。其中，图2a是Landsat-8 近红外波段图像，图2b是水分数图像，图2c是区域合并后得到的海洋掩膜结果，图2d是通过人工解译手绘得到的养殖池的真实结果，图2e是本发明方法的养殖池提取结果，图2f是SCN方法的养殖池提取结果，图2g是图2a 中白色矩形框标注的局部放大区域图像的真实结果，图2h是本发明方法在对应的局部放大区域的提取结果，图2i是SCN方法在对应的局部放大区域的提取结果。由实验结果可以看出，本发明方法整体上要优于对边方法，并且在局部放大图中，文的方法可以较为准确和完整的提取出所有的养殖池目标，然而，SCN方法对于此种情况提取的结果并不理想，存在严重的漏检现象。

最后应说明的是：以上各实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述各实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的范围。

Claims

1.一种联合指数和轮廓指示器SLIC的Landsat-8图像养殖池提取方法，其特征在于，包括：

2.根据权利要求1所述的联合指数和轮廓指示器SLIC的Landsat-8图像养殖池提取方法，其特征在于，所述获取所述水体指数图的边缘图，包括：

利用Canny边缘检测方法得到水体指数图的边缘数据；

基于边缘断点的连接策略对所述边缘数据进行处理，得到闭合的水体指数图的边缘图。

3.根据权利要求1所述的联合指数和轮廓指示器SLIC的Landsat-8图像养殖池提取方法，其特征在于，基于所述水体指数图以所述闭合轮廓目标引导生成SLIC超像素，包括：

对所述闭合轮廓目标进行填充，得到闭合的目标集合，进而得到闭合轮廓目标的标记场：

其中R为闭合目标集合；

根据所述闭合轮廓目标的标记场计算超像素的相似性度量，基于所述超像素的相似性度量生成SLIC超像素。

4.根据权利要求1所述的联合指数和轮廓指示器SLIC的Landsat-8图像养殖池提取方法，其特征在于，所述海洋种子点是纯水体的超像素区域内所有像素中最小的水体指数对应的像素点，所述陆地种子点是纯陆地的超像素区域内所有像素中最大的水体指数对应的像素点。

5.根据权利要求4所述的联合指数和轮廓指示器SLIC的Landsat-8图像养殖池提取方法，其特征在于，所述含水分数可表示为：

其中，α为含水分数，mndwi_water为海洋种子点对应的水体指数，mndwi_land为陆地种子点对应的水体指数，mndwi_mix为当前像素点的水体指数。