本文选取的实验数据为江苏沿岸区域ALOS PALSAR雷达图像。本次实验数据的详细信息见表1。

表1

Tab.1

表1(Tab.1)

表1 ALOS卫星数据参数 Tab.1 Parameters of ALOS satellite data 模式 分辨率/m 极化方式 获取时间 Fine 精细模式 10 HH 20101220

表1 ALOS卫星数据参数 Tab.1 Parameters of ALOS satellite data

原始SAR图像为单视复数据(single look complex, SLC), 需要对其进行预处理, 包括影像辐射定标、滤波、地理编码等操作^{[11, 12, 13]}, 并对图像进行线性拉伸, 以增强图像对比度, 为后续特征提取、分类识别打好基础^{[14, 15]}。

2.2.1 Canny边缘检测

边缘检测是通过检测每个像素及其邻域像素的状态来确定该像素是否位于影像的边缘位置^[16], Canny算子提取的边界较为连续、平滑^{[17, 18]}。对于SAR影像而言, 影像的边缘部分主要为影像中水体与陆地之间的交界处, 即瞬时水边线, 通过边缘检测与膨胀, 提取水体和陆地并用OTSU方法进行自动阈值分割^{[19, 20]}, 该方法能构建较好的直方图双峰特征, 区分出水体与陆地。

Canny算子的实现步骤包括图像降噪、计算图像梯度、非极大值抑制以及阈值筛选^[21]。算法实施过程中, 分别设置一个双阈值, 即低阈值和高阈值。灰度变化大于高阈值的像素设置为强边缘像素, 剔除低于低阈值的像素, 将高阈值与低阈值之间的像素设置为弱边缘像素。进一步判断, 如果其领域内有强边缘像素则保留, 没有则剔除。

2.2.2 OTSU方法

OTSU方法也称为最大类间方差法, 主要思想是遍历寻找一个将数据集分割为2类的阈值, 若某一阈值使得这2个类之间的方差达到最大值, 则该阈值为最佳分割阈值。

基于SAR影像的特点, 本文结合自动阈值法与区域增长法提取遥感影像的海岸线, 具体步骤如图2所示。

图2

Fig.2

	Figure Option ViewDownloadNew Window
	图2 海岸线提取流程Fig.2 Coastline extraction process

步骤1: 对原始SAR影像进行预处理^[10], 进行地理编码、辐射定标、滤波等操作, 并根据影像特征进行线性拉伸, 增强图像对比度。

步骤2: 对SAR影像采用OTSU方法获得影像中的海陆初步分割结果, 并采用腐蚀运算区分两者的水体, 按照像素数进行滤除, 保留海上区域的种子点。在此基础上采用区域增长算法, 获取海上部分的水体。

步骤3: 对海上部分的水体进行开运算、闭运算等形态学处理, 填补海上船只、风电设施以及岛屿等引起的空洞, 优化海陆分割成果。

步骤4: 对形态学优化后的海上水体部分, 采用Canny边缘检测算法提取最终的海岸线成果。

在采用自适应阈值方法提取水体的过程中, Canny算子的设置参数为高阈值0.99, 低阈值0.8, sigma值0.8, 并基于边缘检测结果, 对检测得到的边缘进行膨胀处理, 统计边缘两侧10个像素范围内的影像数值用于计算自适应阈值T_OTSU。自适应阈值水体边缘的提取过程及结果如图3所示。

图3

Fig.3

	Figure Option ViewDownloadNew Window
	图3 自适应阈值水体边缘提取Fig.3 Adaptive threshold water edge extraction

在采用区域增长方法进行海陆分割过程中, 需要生成海上种子点, 并设置区域增长的阈值条件。对采用自适应阈值方法获取的水体进行形态学中的开运算处理, 实验采用较大的核结构, 设置核半径为20, 仅保留较大的水体图斑, 并消除图斑的细小连接, 同时对开运算处理后的图像进行分割, 统计每个图斑对应的尺寸大小。实验设置最小的图斑滤除尺寸需大于陆地中最大的水体图斑尺寸, 且小于影像中海域水体的图斑尺寸。经图像分割后仅保留海上的水体作为区域增长所需的种子点。在获得合适的种子点后, 利用区域增长法获取海上水体, 区域增长算法采用阈值约束范围, 此处约束阈值结合之前获取的自适应阈值, 设置区域增长阈值T_hr=[0, T_OTSU]。

SAR影像上的陆地零散水体、水产养殖区、阴影等也表现为较暗色调, 如图4所示, 采用自适应阈值提取时这部分也被分为海上水体, 需要剔除这部分误分结果。

图4

Fig.4

	Figure Option ViewDownloadNew Window
	图4 陆地区域SAR影像典型特征Fig.4 Typical features of SAR images from land area

对自动阈值提取的水体进行开运算和图像分割^{[22, 23, 24]}, 获取在影像中占有较大比例的海上水体作为种子点, 进一步进行区域增长获取海上水体区域, 从而剔除陆地零散水体, 实现海陆的有效分割^{[25, 26]}。

3.2.1 开运算与图像分割

开运算是一个基于几何运算的滤波器, 结构元素大小的不同会导致滤波效果的差别, 选择不同的结构元素会导致不同的分割, 即提取出不同的特征。开运算能够除去孤立的小点、毛刺和小桥, 而不改变总体的位置和形状。对开运算处理后的图像进行分割, 统计每个图斑对应的尺寸大小, 将在影像中占较大比例的斑块作为海上水体种子点。

3.2.2 区域增长

将具有相似性质的像素点合并到一起, 在每个区域内首先指定种子点作为增长的起点, 然后将种子点周围邻域的像素点与种子点进行比较, 合并具有相似性质的点, 之后继续向外增长, 直到没有满足条件的像素被包括进来为止。基于开运算与图像分割得到的海上水体种子点, 结合获取的自适应阈值进行区域增长, 可以得到海上水体范围, 结果如图5所示。

图5

Fig.5

	Figure Option ViewDownloadNew Window
	图5 区域增长海陆分割过程Fig.5 Sea-land segmentation process by regional growth

对区域增长获得的海陆分割结果, 分别设置核结构大小为5的开运算、闭运算进行形态学优化, 消除不必要的毛刺和细小噪声, 并结合影像分割处理, 消除海上由船体、岛屿等产生的空洞现象。受风场影响海域的影像存在明暗区域(图6(a)), 同时, 因海岛、海上浮筏、海上船只等的存在改变了原有水体镜面后向散射强度低的特点(图6(b))。构成海上水体提取结果呈现的空洞和噪声影像, 需结合形态学优化^[20]进行噪声滤除和空洞填补。

图6

Fig.6

	Figure Option ViewDownloadNew Window
	图6 SAR影像海上区域典型特征示意图Fig.6 SAR images for the typical characteristic of sea area

在边缘检测海岸线提取过程中, 基于形态学优化后的海陆分割结果, 将Canny算子的参数设置为高阈值0.8, 低阈值0.4, sigma值 0.6, 获得相应的海岸线结果。对区域增长的结果再次进行形态学优化运算, 得到最终的海陆分割结果, 如图7所示。对形态学优化的海陆分割结果进行Canny边缘检测, 形成最终海岸线结果, 如图8所示。

图7

Fig.7

	Figure Option ViewDownloadNew Window
	图7 形态学优化结果Fig.7 Morphological optimization result

图8

Fig.8

	Figure Option ViewDownloadNew Window
	图8 海岸线提取结果Fig.8 Coastline extraction result

将本文的方法与面向对象方法^[7]、自动聚类方法^[8]和改进阈值方法^[27]进行对比, 并结合人工解译海岸线, 分别设置1个像素距离(10 m)、2个像素距离(20 m)和3个像素距离(30 m)对比海岸线提取结果的准确率。其中, 面向对象方法采用多尺度分割结合影像亮度特征, 自动聚类采用K-均值方法, 改进阈值方法采用Canny边缘检测提取水陆缓冲区, 并结合了最大类间方差法。通过上述不同方法生成海陆二值图并提取海岸线。采用不同方法提取的结果数据见表2。

表2

Tab.2

表2(Tab.2)

表2 海岸线提取结果对比 Tab.2 Comparison of shoreline extraction results 方法 1像素 距离内 占比/% 2像素 距离内 占比/% 3像素 距离内 占比/% 岸线长 度/km 与人工解译 海岸线 长度比值 面向对象 43.72 64.18 74.26 24.27 1.63 自动聚类 52.95 77.46 87.19 29.45 1.97 改进阈值 63.83 88.46 94.80 24.38 1.63 本文方法 65.06 87.90 94.00 21.41 1.44 人工解译 100.00 100.00 100.00 14.92 1.00

表2 海岸线提取结果对比 Tab.2 Comparison of shoreline extraction results

不同方法的海岸线提取结果如图9所示。其中面向对象方法易受分割效果影响, 部分区域影像纹理和亮度差异不明显, 分割不完善, 造成海岸线存在偏移, 整体表现较差(图9(a)); 自动聚类方法通过多次迭代优化分类, 提升了水陆分界效果, 但聚类方法对影像亮度较敏感, 易混淆边界区域, 判定不准确, 造成提取海岸线较长, 为人工解译海岸线长度的1.97倍(图9(b)); 改进阈值方法通过结合Canny边缘检测与自动阈值方法, 限定影像统计区域, 优化影像统计直方图分布并获取合适阈值, 使得海岸线提取结果与人工解译更为接近, 1个像素距离内海岸线占比63.83%, 3个像素距离内海岸线占比94.8%(图9(c)); 本文算法在改进阈值方法的基础上, 结合改进阈值方法确定的阈值, 利用区域增长, 提取的海岸线在1个像素距离内占比65.06%, 3个像素距离内占比 94.00%, 同时使得有效海岸线长度进一步缩小, 提升了海岸线的连续性和平滑性(图9(d))。

图9

Fig.9

	Figure Option ViewDownloadNew Window
	图9 不同方法结果对比Fig.9 Comparison results of different methods