灘涂水邊線Landsat-5 影像提取方法?以長江口崇明東灘為例

楊立君，張榮春，姜杰，苗立志，施佳鳳

(1.南京郵電大學 地理與生物信息學院，江蘇 南京 210023；2.南京師范大學 地理科學學院，江蘇 南京 210023)

1 引言

水邊線（也稱水涯線）是指潮汐波動下海平面與陸地在時空尺度上形成的瞬時交界線，是遙感影像上重要的特征線[1]。自動獲取遙感影像上的水邊線時空變化信息，對于掌握海岸帶動態(tài)變化、研究陸海相互作用機制、海岸帶資源保護與開發(fā)及近海工程管理等研究具有重要意義[2-4]。從遙感影像上獲取水邊線的自動化方法一般可分為邊緣檢測方法、閾值分割方法及影像分類方法。邊緣檢測強調的是不連續(xù)性，認為邊界附近或是邊界上存在劇烈改變，使用差分法或者其他數(shù)學變化方法（例如小波變換）查找灰度值發(fā)生劇烈變化的位置。閾值分割方法和影像分類方法強調的是相似性，認為邊界線位于兩個相對穩(wěn)定的區(qū)域之間，區(qū)域內屬性特征相似，但區(qū)域之間具有不同的屬性值，也就是說兩區(qū)域存在空間距離[3-5]。邊緣檢測方法實施起來比影像分割方法相對簡單。然而，邊緣檢測方法檢測出來的邊緣像素不連續(xù)，不能完整地描述水邊線。相比較，分割算法及分類算法對于創(chuàng)建連續(xù)邊界具有一定的優(yōu)勢，但對于邊界像素的識別需要較多的處理步驟。

近年來，國內外學者對影像分割、邊緣檢測及影像分類等方法開展了大量的研究工作，對于水邊線的自動提取大家一致認為應該綜合使用多種處理方法[2]。Mason 等[6]、鄭宗生等[7]提出了波段組合方法增強海陸對比度，并應用閾值分割方法提取了潮間帶水邊線。Niedermeier 等[8]和Li 等[9]應用小波變化方法檢測了SAR 圖像上的河口水邊線。Liu 和Jezek[5]和盛佳等[10]使用Canny 邊緣檢測方法提取了格陵蘭島海岸水邊線。劉煒等[11]和Zhang 等[12]研究了面向對象分類提取遙感影像水邊線的方法。歐陽越和種勁松[13]、郭海濤等[14]和Zhu 等[15]基于水平集邊緣檢測方法提取了SAR 圖像海岸帶水邊線。Kang 等[16]和鄭宗生等[17]又提出了基于水動力模型提取遙感影像水邊線的方法。上述遙感影像水邊線提取研究主要集中在沙灘或者清澈水體，干沙和海水反射率差別很大的地區(qū)，提取的水邊線屬于強水邊線，水邊線提取效果較好。但是，在灘涂潮間帶光譜特征受到粒徑大小、土壤含水量、局部坡度、海水的渾濁度及存在的潮汐、溪流等多種因素的影響，在遙感影像上陸地與水體區(qū)域之間缺乏一致的、充分的對比強度，屬于弱水邊線，上述水邊線提取方法效果并不理想。特別是大潮低潮期落潮條件下的水邊線遙感提取最為困難。

充分利用各種水邊線提取方法的優(yōu)點，是解決弱水邊線有效提取的重要途徑[18-19]。本文綜合運用影像增強技術、影像分割技術及邊緣檢測技術在Lansat-5遙感影像上提取不同平面精度及連續(xù)性的水邊線對象，將邊緣信息作為線元對象，提出了空間關系結合光譜特征的灘涂水邊線遙感測量方法。此方法應用IDL 程序設計語言編程實現(xiàn)，水邊線提取自動化程度較高，能夠有效提取Landsat-5 影像水邊線，是具有一定推廣能力的水邊線提取方法。

2 研究區(qū)與數(shù)據

2.1 研究區(qū)

研究區(qū)位于長江口崇明島最東端，稱為崇明東灘，如圖1 中白色框所指的地區(qū)。崇明島由長江南支和長江北支兩條水道的徑流以及漲落潮流所挾帶的泥沙逐漸沉積而成[20]，位于31°27′00″～31°5l′15″N，121°09′30″～121°54′00″E，其南北狹、東西寬，灘涂內潮溝密布，高、中、低潮灘分帶十分明顯。崇明東灘南北最寬處約為18 km，東西最寬處約為25 km，在海堤外呈半橢圓形分布，灘面寬闊、坡度平緩，坡面常駐留大量水體，常作為弱水邊線遙感提取的研究對象。

圖1 研究區(qū)Fig.1 Study Area

2.2 數(shù)據集

Landsat-5 影 像提供了1984?2013 年的對 地觀測數(shù)據、圖幅較寬、具有適中的空間與光譜分辨率，同時還能夠免費下載?；谏鲜鎏攸c，國內外長時間、大范圍的海岸線變化的研究，都采用Landsat-5 影像作為數(shù)據源。因此，本文選擇Landsat-5 影像，開展中等尺度下遙感影像水邊線提取方法研究具有重要的意義。Landsat-5 影像由7 個波段組成。band 1～3 為可見光波段，band 4 為近紅外波段，band 5、band 7 為兩個中紅外波段，空間分辨率均為30 m。band 6 為熱紅外波段，空間分辨率為120 m。

本文使用的Landsat-5 影像數(shù)據集，來自于GEE數(shù)據庫，是美國地質勘探局（USGS）Landsat 數(shù)據一級大氣校正反射率（TOA）遙感數(shù)據產品。衛(wèi)星影像成像時間為2007 年4 月20 日。成像時刻微風無云、空氣質量好、可見度高，處于大潮低潮期（落潮）。在灘涂水邊線遙感提取最難的條件下，開展Landsat-5 影像水邊線提取方法研究。

對遙感影像預處理依次進行了影像裁剪、大氣校正、幾何糾正及影像增強。使用FLAASH 模塊進行大氣校正，選用NLAPS（National Land Archive Production System）處理產品的對應定標參數(shù)完成輻射定標[21]，大氣模型選擇中緯度夏季，氣溶膠模型選擇海洋模型（海洋模型保證了所有像素DN 值為正）。在堤壩拐角及農田邊界上選取11 個特征點作為幾何糾正點，對應的地面控制點坐標在1∶1 萬的數(shù)字地形圖上提取，采用一次多項式糾正模型，雙線性內插方法進行影像幾何糾正，幾何糾正精度為0.43 個像元。

3 研究方法

本文方法的基本策略是借助band 6 提取的概略水邊線計算其他波段提取邊線的空間特征，并在空間關系與光譜特征的共同約束下，完成水邊的識別與連接。主要由以下步驟組成：

步驟1：影像預處理。影像預處理工作除了大氣校正、幾何糾正以外，還需要進行降噪處理和海陸對比度增強。

步驟2：“低精度”水邊線提取。應用閾值分割法提取band 6 水邊線。由于band 6 的空間分辨率為120 m，這里提取的水邊線稱之為“低精度”水邊線。

步驟3：“高精度”邊緣檢測。Canny 算子檢測增強后遙感影像邊緣。海陸對比度增強是對除band 6以外其他波段的操作，增強后的遙感影像空間分辨率為30 m。因此，從增強后遙感影像上提取的邊緣稱之為“高精度”邊緣，對應的水邊線稱之為“高精度”水邊線。

步驟4：線元對象屬性計算。將“高精度”邊緣作為線元對象，依據“低精度”水邊線計算線元對象屬性。線元對象屬性主要包括空間特征與光譜特征。

步驟5：“高精度”水邊線識別。依據水邊線固有的空間特征和光譜特征規(guī)律，建立水邊線知識規(guī)則，決策樹分類方法識別“高精度”水邊線。

步驟6：水邊線的連接與質量評價。借助“低精度”水邊線完成“高精度”水邊線的連接。對于最后的水邊線從平面位置精度與水平性兩方面進行評價。

灘涂水邊線Landsat-5 影像提取方法共有6 個主要步驟組成，主要包括以下5 個方法。

3.1 基于最大類間方差法的band 6 影像分割方法

閾值分割法是高效的水邊線提取方法，提取的水邊線連續(xù)、平滑，但是定位精度差，并且對水陸對比度要求較高[19]。band 6 波段對溫度敏感，提取的水邊線空間分辯率不高，但卻蘊含著大量的空間信息[22]。對于整幅影像使用全局閾值區(qū)分水體和陸地，由于海岸帶地區(qū)海陸對比度的不均勻性，一些局部的水邊線將不能被識別，會引起弱水邊線處的不連續(xù)性。為有效提取弱水邊線，我們依據局部海陸分割效果最優(yōu)，動態(tài)設定分割閾值。

將整幅影像分成若干組小范圍的，相互重疊的區(qū)域。使用最大類間方差法（大津算法）確定局部最佳閾值。最大類間方差法利用類別方差作為判據，選取使類間方差最大和類內方差最小的圖像灰度值作為最佳閾值。設T為前景與背景的分割閾值，前景點數(shù)占圖像比例為w0，平均灰度值為u0；背景點數(shù)占圖像比例為w1，平均灰度為u1，圖像的總平均灰度為u，前景和背景圖像的方差，則有

使用循環(huán)遍歷方法計算方差 σ2，當方差最大時，可以認為前景和背景差異最大，此時的灰度T是最佳閾值。

3.2 基于最大類間方差法的Canny 邊緣檢測方法

Canny 算子定義的定位準則、信噪比準則及單邊響應準則是迄今為止定義最為嚴格的邊緣檢測標準。該方法原理簡單、邊緣檢測質量高，現(xiàn)已成為評價其他邊緣提取算法的標準[23]。閾值設定是Canny算子邊緣提取的關鍵，傳統(tǒng)Canny 算子全局設置高低閾值。灘涂地帶的遙感圖像易受光照、場景等不確定因素的影響，整幅圖像高低閾值比例不可能是一個固定的值[24]。將整個圖像分成若干相互重疊的小區(qū)域，在每個小區(qū)域中基于大津算法的思想自動選取高低閾值，實現(xiàn)Canny 算子檢測邊緣信息。

設非抑制邊緣圖像中的像素劃分為D1、D2、D33 個類別。其中，D1包含梯度幅值為{g1,g2,···,gk}的像素，代表著原圖中的非邊緣點。D2包含梯度幅值為{gk+1,gk+2,···,gm}的像素，代表著原圖中有可能是邊緣的點。D3包含梯 度幅值為{gm+1,gm+2,···,gl}的像 素，代 表著原圖中的邊緣點。設一個小區(qū)域圖像的梯度平均值為E;該小區(qū)域非抑制邊緣圖像D1、D2、D33 個類別對應的平均梯度值分別為e1、e2、e3；D1、D2、D33 個類別占小區(qū)域圖像的比例分別為p1、p2、p3；參考大津法則可以定義評價函數(shù)：

式中，e1、e2、e3、p1、p2、p3都可以用抑制圖像中的高低閾值來表示，梯度等級可以人為確定（一般定位64級）。因此，公式（3）是關于梯度高低閾值的二元函數(shù)，σ2描述了類間方差。類間方差最大在數(shù)理統(tǒng)計意義上是類間分離性最好的依據之一。因此，應用循環(huán)遍歷的方法計算 σ2。當 σ2最大值時對應的兩個梯度值即為D1、D2、D33 個類別的分界值，也就是Canny算子的高低閾值。

3.3 線元對象屬性計算方法

線元對象屬性主要包括空間特征和光譜特征。

3.3.1 空間特征計算方法

線元對象的空間特征主要考慮了空間位置、長度、形狀、方向以及拓撲關系。邊線空間位置用邊線到“低精度”水邊線的平均距離表示。邊線的長度用像素的個數(shù)L來表示。形狀是用線元對象與“低精度”水邊線相鄰部分的相似程度表示，用下式來計算：式中，n表示“高精度”線元對象的長度；d表示“高精度”線元對象到“低精度”水邊線最短距離的平均值；di示第i個像元到“低精度”水邊線的最短距離；σ2表示“高精度”線元對象每個像元到“低精度”水邊線的距離方差。σ2越大表示兩條線越不相似，越小表示越相似。方向描述的是“高精度”線元對象與“低精度”水邊線的夾角，角度應用下式來計算：

式中，dmax、dmin及L分別指“高精度”線元對象到“低精度”水邊線的最大、最小距離及其自身長度。拓撲關系這里僅指“高精度”線元對象位于“低精度”水邊線的左側還是右側，用正負值表示。

3.3.2 光譜特征計算方法

理論上水邊線兩側的光譜應符合水體與非水體光譜特征，兩側光譜具有不相關性。利用下式計算水邊線兩側像元光譜的相關性[25]：

式中，ρij表示光譜曲線i與光譜曲線j的相關系數(shù)，如果兩條光譜曲線完全相同，它們的相關系數(shù)為1，否則相關系數(shù)小于1；xik表示光譜曲線i中第k個波段的光譜值；xjk表示j光譜曲線中第k個波段的光譜值；m表示波段的個數(shù)；表示光譜曲線i的平均值；表示光譜曲線j的平均值。

3.4 水邊線識別與連接方法

3.4.1 面向對象的水邊線識別方法

遙感圖像上檢測出的水邊線在空間特征與光譜特征上有自身規(guī)律，依據這些先驗知識構建分類準則，基于決策樹分類方法識別“真”水邊線對象。決策樹分類依據邊線長度、形狀相似度、方向、位置及光譜屬性不斷地劃分邊線數(shù)據，使邊線的差別最大，在依賴變量的值上建立最強的歸類。

3.4.2 基于“低精度”水邊線的水邊線連接方法

“低精度”水邊線位置精度不高，但較好地表達了水邊線的形狀。當“高精度”水邊線出現(xiàn)斷裂時，可以依據“低精度”水邊線，完成“高精度”水邊線連接。實現(xiàn)過程為：將斷裂處兩端的水邊線作為一個對象，經旋轉、平移后，使其與“低精度”水邊線完成最佳重合。進而截得局部“低精度”水邊線作為“高精度”斷裂處水邊線。

3.5 遙感影像增強方法

在水邊線提取的不同階段采用不同的影像增強方法。在“低精度”水邊線提取中使用高斯濾波方法對band 6 進行噪聲去除。在“高精度”邊緣檢測中，海陸對比度增強方法較復雜，主要分成兩步完成：（1）綜合應用最佳指數(shù)法（OIF）、離散度計算方法確定水邊線提取的最佳波段組合[26]；（2）對最佳波段組合應用顏色模型變換方法[27]，進一步增強海陸對比度，選取H 分量用于Canny 算子邊緣檢測。

為了清晰起見，在圖2 中給出了灘涂水邊線遙感提取方法流程圖，概要地說明了本文的算法和影像處理步驟。

圖2 技術方法流程Fig.2 Technical method flow chart

4 實驗過程與分析

應用本文提出的空間關系與光譜特征相結合的水邊線遙感提取方法在大潮低潮期（落潮）條件下提取長江口崇明東灘的水邊線，證明方法的可行性和有效性。

4.1 “低精度”水邊線提取與分析

計算Landsat-5 影像各波段DN 值直方圖，結果如圖3 所示。灘涂地區(qū)水體與非水體比熱差別較大，band 6 具有明顯的雙峰特性。因此，在熱紅外波段應用動態(tài)閾值分割法提取海陸邊界線具有可行性。

圖3 Landsat-5 影像各波段DN 值直方圖Fig.3 Histogram of DN value of each band of Landsat-5 satellite image

應用局部自適應閾值算法分割band 6，經形態(tài)學方法處理后得到“低精度”水邊線。局部自適應窗口大小設置為25 像元×25 像元，上下、左右的重疊度均為12%。將“低精度”水邊線提取結果疊加到假彩色（band 7、band 5、band 2）遙感影像上，如圖4 所示。提取的“低精度”水邊線連續(xù)、平滑、完整，形狀與實際水邊線相似。

圖4 “低精度”水邊線及水邊線掩膜Fig.4 Low precision waterline and waterline mask

“低精度”水邊線檢測方法有效檢測出了海陸之間的分界線，并沒有檢測出潮間帶潮溝輪廓、植被間分界線、海水沖刷痕跡線及灘涂內堤壩等非水邊線信息，有利于水邊線的連續(xù)、平滑描述。但是這種方法將堤壩內部的海塘及海水里面的孤島等水邊線提取出來，圖4 中用綠顏色的線描述。這些邊線具有閉合特征、周長和所包圍面積較小，依據這些約束條件計算機可自動對其刪除。通過疊加分析，“低精度”水邊線對于大尺度的灘涂水邊線形狀描述還是比較準確的，定位誤差不超過4 個像元，即120 m。按3 倍中誤差思想，依據“低精度”水邊線在30 m 空間分辨的影像上創(chuàng)建25 個像元寬度的緩沖區(qū)（圖4 中，深紅色曲線為緩沖區(qū)邊線），構建水邊線掩模，并應用到遙感影像上?！案呔取边吘墮z測，在應用掩膜后的遙感影像中完成。這樣不僅提高了邊緣檢測的速度，而且在后期水邊線的識別中效率也大大提高。

4.2 “高精度”邊緣信息檢測

4.2.1 遙感影像增強結果與分析

通過比較發(fā)現(xiàn)，顏色模型變換法海陸對比度增強效果最佳，這與劉永學等[27]的研究結果一致。為了進一步提升海陸對比度效果，在顏色模型變換前應用OIF 方法和離散度方法確定最佳波段組合。經過計算band 7、band 5、band 2 是信息最為豐富的波段組合，最佳指數(shù)（OIF）為8.4，同時離散度最高（值為0.7）。最后選取HLS 顏色模型變換后的H 分量作為增強后的結果。圖5 為圖4 中黃色矩形內影像顏色模型變換后的H 分量密度分割結果。作為對比，圖6是使用歸一化差異水體指數(shù)（NDWI）增強海陸對比度的密度分割結果?？梢悦黠@的看出，本文的方法明顯優(yōu)于后者。

4.2.2 “高精度”邊緣檢測與分析

為了證明最大類間方差方法的有效性，選用經典的全閾值Canny 算子與其對比。在增強后的遙感影像上應用水邊線掩膜，然后，使用兩種方法檢測“高精度”邊緣。兩種方法檢測的結果如圖7 所示，其中，圖7a為全閾值Canny 算子檢測出的“高精度”邊緣，圖7b為本文提出的方法檢測出的“高精度”邊緣。

圖5 HLS 顏色模型H 值密度分割結果Fig.5 H-value density segmentation results of the HLS color model

對比圖7a 和圖7b 可知，本文提出的邊緣檢測方法具有以下優(yōu)勢：（1）邊緣檢測能力全圖具有一致性。從圖7a 可以明顯的看出，圖的上半部分具有豐富的邊緣信息，而下半部分僅檢測出了2 條邊緣，而圖7b 上下邊緣信息具有較好的一致性；（2）邊緣檢測能力更強。在圖7a 上半部分檢測出了過多的剩余水體邊界，但是在位置②“高精度”水邊線并沒有被有效檢測出來，在位置①內側緩沖區(qū)邊線也大量丟失。在圖7b 中，剩余水體邊界很少被檢測出來，但是較大潮溝邊界、大多數(shù)“高精度“水邊線（例如位置②處）及緩沖區(qū)邊線（例如位置①處的內側緩沖區(qū)邊線不再丟失）均能夠效檢測出來。

圖6 歸一化差異水體指數(shù)密度分割結果Fig.6 Normalized difference water index density segmentation result

圖7 全閾值Canny 算子（a）和本文方法（b）檢測出的“高精度”邊緣結果Fig.7 High-precision edge results detected by the full-threshold Canny operator (a) and the method (b) of this paper

在邊緣檢測過程中設定局部窗口大小與水邊線掩膜寬度一致（25 像元×25 像元，重疊度為12%），窗口移動軌跡為“低精度”水邊線。因此，該方法的計算量非常小，極大提高了“高精度”邊緣的檢測速度。在某些情況下本文提出的方法也存在邊緣檢測不理想的情況。例如，在圖7b 中③所指的地方，由于坡度過于平緩“高精度”水邊線缺口較大；在②所指的地方，受坡面駐留水體影響“高精度”水邊線出現(xiàn)了分叉現(xiàn)象。在“高精度”水邊線提取中需要解決這兩個問題。這里還有一個問題需要說明，那就是在圖7a、圖7b的④處指的位置均存在毛邊的現(xiàn)象，圖7b 雖然有所改善，但沒有完全解決。

4.3 “高精度”線元對象屬性計算

在“高精度”線元對象屬性計算前，依次要進行邊線分離、邊線篩選及邊線編號等預處理工作。邊線分離是將子邊線與母邊線分離，本文將長邊線作為母邊線，如圖7b 中②所示。在實際中應用9 像元×9 像元模板計算大角度變化曲線，在交點處對其進行分離。邊線篩選是對分離后的各邊線進行長度計算，去掉離散點及較短邊線（設定閾值一般小于5 個像元）。邊線編號指的是對剩余的邊線進行統(tǒng)一編號，便于后續(xù)“高精度”線元對象的屬性計算。

依據3.3 節(jié)介紹的方法計算邊線對象的空間特征和光譜特征。表1 描述了“高精度”線元對象屬性的記錄結果與格式。其中，“高精度”線元對象位于“低精度”水邊線向陸一側時，用正值表示；向海一側時，用負值表示。光譜特征計算使用的是“高精度”線元對象兩側像元光譜相關系數(shù)的平均值。光譜相關系數(shù)計算選擇了對水、陸敏感的band 2、band 5、band 7波段。

表1 線元對象屬性計算結果（單位：像元）Table 1 Line object property calculation results (unit：pixel)

圖8 最后的水邊線提取結果Fig.8 Final results of waterline extraction

4.4 “高精度”水邊線對象識別

4.4.1 水邊線識別結果與分析

利用決策樹分類方法對于上述具有空間特征和光譜特征的“高精度”線元對象進行分類，完成水邊線識別。經過反復的實驗依次按照位置、長度、形狀相似度、方向和光譜相似度進行決策樹分類，閾值依次設為2 像元、8 像元、0.6、15°及0.50，水邊線檢測效果最好。在這一步中，水邊線的識別是從可靠性最高的線元對象開始，而并不是從第一條存儲記錄的線元對象識別水邊線，從而保證了水邊線識別的正確性。識別順序按照空間相鄰關系依次識別線元對象，在決策樹分類中充分利用上下文關系，進一步提高了水邊線檢測的質量。

圖8 中藍色曲線為決策樹分類方法識別的“高精度”水邊線。從圖中可以看出，除了“高精度”水邊線外，沒有多余的邊線。因此，基于空間特征與光譜特征的決策樹分類，可以作為“高精度”水邊線識別方法。

4.5 “高精度”水邊線連接與質量分析

4.5.1 “高精度”水邊線連接

經過上述步驟得到了細節(jié)豐富的“高精度”水邊線。遺憾的是，在極弱水邊線處有較大缺口，按照3.4.2 節(jié)方法完成水邊線連接。在連接時，缺口與鄰近水邊線長度比例設定為1∶3（經驗值），當高、低精度水邊線具有最佳重合時（重疊度一般大于80%），用“低精度”水邊線描述“高精度”水邊線。

圖8 為最后的水邊線提取結果。在圖8 中箭頭所指的地方，a、b 分別是放大表示的“高精度”與“低精度”水邊線。兩者形狀基本相似，但“高精度”水邊線細節(jié)表現(xiàn)力更強。在箭頭②位置處是水邊線連接處，通過放大也很難看出連接痕跡。在③處有最長連接線，通過與原始影像疊加水邊線定位誤差不超過2 像元。在極弱水邊線處，坡面駐留大量的水體，水體邊線很多，很難確定哪一條才是真正的水邊線。但是，在“低精度”水邊線的空間約束下，計算機選擇了離它最近的，且平行的邊線作為水邊線，可靠性更高。當“高精度”水邊線沒有檢測到的時候，利用相鄰的“高精度”與“低精度”水邊線空間關系，借助“低精度”水邊線完成水邊線的連接，計算機描繪出了很高質量的水邊線。

圖9 是檢測到的“高精度”水邊線疊加在遙感影像上的部分結果。其中，圖9a 是高精度水邊線在原始遙感影像上的疊加結果，圖9b 是圖9a 紅色矩形框內放大4 倍后的顯示結果。從圖9 中，可以明顯看出“高精度”水邊線具有非常高的平面位置精度。

圖9 “高精度”水邊線平面精度分析Fig.9 High precision waterline error analysis

因此，本文提出的將空間特征與光譜特征作為約束條件的水邊線遙感提取方法是灘涂水邊線遙感提取的有效方法，最后得到的水邊線連續(xù)、完整、細節(jié)豐富、定位精度高。

4.5.2 水邊線質量評價

為了驗證空間關系結合光譜特征提取灘涂水邊線方法的性能，另外使用該方法提取了中高潮位（漲潮）、低潮位（漲潮）兩景Landsat-5 遙感影像水邊線。影像成像時間分別為2007 年7 月28 日和2006 年3 月3 日。將3 期遙感影像提取的水邊線疊加在2006 年4 月20 日的遙感影像上，結果如圖10 所示。從水邊線的平面位置精度與水平性兩個方面評價水邊線提取質量。

圖10 不同潮情提取的水邊線Fig.10 Waterline extracted from different tidal conditions

1）平面位置精度評價

將目視解譯獲取的水邊線作為參考值，利用下式計算參考水邊線與提取水邊線之間的距離，

圖11 水邊線平面誤差統(tǒng)計Fig.11 Waterline plane error statistics

針對3 景遙感影像提取的水邊線，計算平面位置精度，圖11 為水邊線平面誤差統(tǒng)計分布。樣本點是從水邊線最北端到最南端等間隔選取的50 個點，并依次編號。

7 月28 日水邊線平面位置誤差最大值為9.3 m，最小值為0 m，標準差為1.8 m，沒有明顯空間分布特征。4 月20 日水邊線平面位置誤差最大值為44.0 m，最小值為0 m，標準差為13.1 m。誤差分布南北對稱，較大誤差主要集中在崇明東灘最東端。3 月3 日水邊線平面位置最大誤差為18.5 m，最小誤差為0 m，標準差為4.5 m，較大誤差也主要分布在崇明東灘最東端。崇明東灘最東端坡度極為平緩、常駐有大量的剩余水體，落潮期尤為嚴重。灘涂表面的剩余水體是影響灘涂水邊線提取的主要因素。7 月28 日水邊線屬于中高潮位（漲潮），灘涂表面剩余水體最少，海陸對比度強，水邊線提取精度最高并具有一致性。4 月20 日水邊線處于大潮低潮位（落潮）比3 月3 日水邊線潮位（漲潮）略高，但因為是落潮，灘涂表面的剩余水體更多。因此，3 月3 日水邊線比4 月20 日水邊線的位置精度高。

2）水平性精度評價

以2006 年全站儀測量技術獲取的1∶1 萬灘涂地形圖為基礎數(shù)據，利用ArcGIS 軟件生成格網尺寸為30 m 的灘涂數(shù)字高程模型（DEM），格網尺寸與遙感影像空間分辨率相同。針對水邊線平面位置精度統(tǒng)計的樣本，提取樣本點對應的吳淞高程系統(tǒng)高程信息。去除明顯錯誤的數(shù)據，最后統(tǒng)計出3 條水邊線上最大高程分別為3.4 m、0.4 m 和0.3 m，最小高程分別為3.1 m、0.1 m 和0 m，平均高程分別為3.26 m、0.23 m和0.14 m，標準差分別為0.14 m、0.12 m 和0.10 m。

圖12 為水邊線水平性誤差統(tǒng)計分布結果。從圖中可以看出水邊線高程呈現(xiàn)出從南往北逐漸升高的趨勢，表現(xiàn)出了南高北低的特征，高程差約為0.3 m。研究區(qū)水邊線高程南部高于北部的主要原因是長江口南支水流量遠大于北支水流量，在潮汐作用下表現(xiàn)出了高程差異。

圖12 水邊線水平性誤差統(tǒng)計Fig.12 Waterline horizontal error statistics

5 結論

針對遙感影像海水、陸地自動化分割，特別是灘涂弱水邊線難以提取的問題，本文綜合利用了熱紅外波段容易探測海陸差異的特性和Canny 檢測算子邊界定位精度高的優(yōu)點，利用熱紅外波段給出了水邊線的空間特征與光譜特征計算方法，基于面向對象思想提出一種顧及空間關系和光譜特征的Landsat-5 遙感影像水邊線快速提取方法。實驗結果表明，該方法具有以下特點：（1）自動化程度高、人工干預少?；谧畲箢愰g方差法的局部自適應算法閾值分割、Canny 邊緣檢測原理簡單，計算機比較容易實現(xiàn)，提取過程中基本不需要人機交互。（2）多重約束，可靠性強。結合空間關系和光譜屬性特征的面向對象決策樹分類，漏分誤差和錯分誤差很小，不僅強水邊線提取效果良好，對于水邊線的弱邊緣也能夠取得良好的效果。（3）連續(xù)性好，定位精度高。借助“低精度”水邊線，基于空間關系實現(xiàn)水邊線連接，構成連續(xù)完整的水邊線，并且在定位精度上繼承了Canny 算子邊緣檢測精度高的優(yōu)點。（4）不需迭代計算，效率高。在水邊線提取的各計算環(huán)節(jié)不需要迭代計算，影像分割、邊緣信息檢測及水邊線連接效率較高。結合空間特征與光譜特征的遙感影像水邊線快速提取方法本質上是面向對象分類技術的拓展。將邊線看作對象，通過引入“低精度”水邊線計算邊線的空間特征、結合光譜特征解決了灘涂弱水邊線遙感提取的難題，但還有以下問題值得說明：潮溝是灘涂地形地貌的重要組成部分，本文在水邊線提取過程中，刪除了潮溝信息，在后續(xù)研究中應針對潮溝的空間特征與光譜特征開展潮溝信息提取實驗。