基于Kirsch算子和多級(jí)閾值分割的河道輪廓識(shí)別和提取算法

周少君,佘海龍

(肅南裕固族自治縣水務(wù)局,甘肅 張掖 734400)

隨著遙感成像技術(shù)的不斷發(fā)展,其在水文、水利等研究領(lǐng)域中的運(yùn)用越來(lái)越廣泛。依據(jù)遙感圖像可以對(duì)水旱災(zāi)害進(jìn)行檢測(cè)和評(píng)估,為水利工程的規(guī)劃建設(shè)與運(yùn)行、水文資源調(diào)查及水質(zhì)監(jiān)測(cè)提供服務(wù)[1-2]。對(duì)水利設(shè)施、水體、河道等遙感圖像進(jìn)行深入分析,有助于排除水利工程中存在的風(fēng)險(xiǎn),保證設(shè)施的完好運(yùn)行[3-4],河道輪廓的提取是其中的重要一環(huán)。然而面對(duì)大數(shù)據(jù)量的遙感圖像,單純依賴(lài)人工分析處理難以滿(mǎn)足要求?，F(xiàn)階段需要借助一些智能化分析及處理手段實(shí)現(xiàn)對(duì)河道的提取。

對(duì)于遙感圖像的目標(biāo)檢測(cè)智能化分析手段主要分為基于手工設(shè)計(jì)特征和基于深度學(xué)習(xí)兩類(lèi)。前者通過(guò)提取候選區(qū)域,針對(duì)目標(biāo)人工設(shè)計(jì)特征,在結(jié)合分類(lèi)器進(jìn)行分類(lèi)確定目標(biāo)類(lèi)別[5]。這種針對(duì)特定目標(biāo)的特征進(jìn)行目標(biāo)檢測(cè)能夠快速準(zhǔn)確地識(shí)別特定目標(biāo),因此得到了廣泛的應(yīng)用。后者隨著人工神經(jīng)網(wǎng)絡(luò)技術(shù)的快速發(fā)展,能夠提取圖像的深層特征,具有更強(qiáng)的語(yǔ)義表達(dá)和判別性[6]。但是河道的遙感圖像具有尺寸大、形狀變化大、背景復(fù)雜等特點(diǎn),這極大地增加了后者的開(kāi)發(fā)和使用難度,因此本文主要采用前者實(shí)現(xiàn)對(duì)河道輪廓的提取。

目前針對(duì)遙感圖像中河道輪廓的檢測(cè)和提取算法主要分為兩類(lèi)。一類(lèi)是采用灰度或色彩特征的水體區(qū)域識(shí)別。該方法主要是基于先驗(yàn)知識(shí)的指導(dǎo),認(rèn)為水體的光譜或電磁波反射相對(duì)于背景或其他的目標(biāo)具有明顯差異。因此通過(guò)對(duì)灰度信息或光譜特征建模并尋找出和背景間的差異便能夠識(shí)別出相應(yīng)的河道。但是在復(fù)雜背景的條件下,與水體反射率相近的物體將會(huì)被錯(cuò)誤識(shí)別,缺乏普遍性。另一類(lèi)是依賴(lài)河道本身的形態(tài)學(xué)特征,該方法根據(jù)同背景目標(biāo)間輪廓及邊緣形狀的差異,識(shí)別出相應(yīng)的河道。該方法可以擺脫水體反射率多變對(duì)目標(biāo)提取的影響,適用范圍更加廣泛。但是河道輪廓形態(tài)的復(fù)雜性嚴(yán)重影響到該類(lèi)特征提取的準(zhǔn)確度,在復(fù)雜背景下河道提取效果較差[7]。將兩者相結(jié)合,利用各自?xún)?yōu)點(diǎn)成為解決河道輪廓準(zhǔn)確提取的有效方式。

灰度閾值分割是最為常用的、實(shí)現(xiàn)簡(jiǎn)單的閾值分割方法,能夠有效地將部分水體與其他地物分割。其中1979年由日本學(xué)者提出OSTU閾值分割法就是一種典型的閾值分割方式。由于其能夠自適應(yīng)的尋找出合適的分割閾值對(duì)圖像進(jìn)行分割,被廣泛使用[8]并不斷改進(jìn)[9]。形態(tài)學(xué)方法是利用圖像的形狀或特征,以便進(jìn)一步進(jìn)行圖像分析和目標(biāo)識(shí)別的方法。常規(guī)的形態(tài)學(xué)處理方法利用結(jié)構(gòu)元對(duì)圖像進(jìn)行膨脹、腐蝕、聯(lián)通等基本操作。形態(tài)學(xué)方法在遙感圖像識(shí)別[10]等方面具有廣泛應(yīng)用。王鵬程等[11]基于河流的形態(tài)學(xué)特征,依據(jù)遙感圖像,對(duì)河流輪廓進(jìn)行識(shí)別提取。朱賀等[7]結(jié)合閾值分割和河流條帶狀輪廓形態(tài),較好的提取出了簡(jiǎn)單河道的輪廓。但是在實(shí)際情況中,河流在彎折處、分叉處等并不是完美的條帶狀,形態(tài)更為復(fù)雜,條帶形假設(shè)并不一定成立。對(duì)于形狀更為復(fù)雜的河流輪廓提取,需要更改形態(tài)學(xué)處理的方式。另外,其處理的河道周?chē)牡匚镄畔⒉⒉皇謴?fù)雜,通過(guò)多級(jí)的閾值分割便可較好解決。但是在實(shí)際情況中,河流周邊可能為城市、農(nóng)田、山區(qū)等,地物信息更為復(fù)雜,背景噪聲需要通過(guò)合理的手段進(jìn)行抑制。

本文針對(duì)高分辨率圖像(圖像分辨率小于等于10 m)中的河道輪廓識(shí)別和提取過(guò)程中的建模和背景噪聲抑制難等問(wèn)題,提出了基于Kirsch算子和多級(jí)閾值分割的算法。其總體框架見(jiàn)圖1。首先輸入河道遙感圖像,將其轉(zhuǎn)化為灰度圖像。利用Kirsch算子獲取圖像主要地物的邊緣輪廓,再使用OSTU閾值分割算法對(duì)圖像進(jìn)行簡(jiǎn)單的一次分割,從而對(duì)于復(fù)雜背景進(jìn)行抑制。之后依據(jù)河道的主要形態(tài)學(xué)特征提出新的形態(tài)學(xué)判據(jù)對(duì)分割后的圖像進(jìn)行處理,獲取圖像中的河流區(qū)域。最后對(duì)河流區(qū)域再次采用OSTU的閾值分割算法,獲取準(zhǔn)確的河流輪廓,提取出河流區(qū)域。

圖1 河道輪廓識(shí)別和提取算法總框架

1 背景模糊處理

高分辨率遙感圖像中所包含的數(shù)據(jù)是相同面積的中、低分辨率圖像中所包含數(shù)據(jù)的百倍以上,原本較低分辨率圖像中的孤立點(diǎn)在高分辨率圖像中會(huì)變成目標(biāo)。因而高分辨率圖像中將會(huì)包含更多更加豐富的地物信息、紋理及細(xì)節(jié)信息。但是同時(shí)也放大了在中、低分辨率遙感影響中比較弱、甚至可以忽略的干擾噪聲。在河道識(shí)別時(shí),豐富的背景信息將會(huì)對(duì)河道的準(zhǔn)確識(shí)別產(chǎn)生較大干擾。本文將結(jié)合Kirsch算子和閾值分割算法,去除復(fù)雜背景的影響。

1.1 Kirsch算子

Kirsch算子是R.Kirsch提出的一種邊緣檢測(cè)算法。對(duì)于包含復(fù)雜背景噪聲的河道遙感圖像,相較于其他傳統(tǒng)算子,Kirsch算子具有更好的適用性。Kirsch算子的原理為:采用8個(gè)模板對(duì)圖像上的每個(gè)像素點(diǎn)進(jìn)行卷積求導(dǎo)。這8個(gè)模板代表8個(gè)方向,計(jì)算出8個(gè)方向的梯度幅值和方向,并以最大的卷積值作為該點(diǎn)的灰度值。圖2為8個(gè)梯度方向,式(1)為采用的Kirsch算子。

圖2 Kirsch算子的8個(gè)梯度方向

(1)

算例均以中國(guó)主要河流及其支流的遙感衛(wèi)星圖像為例,原始圖像均為RGB三通道圖像。利用相關(guān)地圖軟件,全波段的遙感衛(wèi)星地形圖可較為容易取得。長(zhǎng)江某平原地區(qū)河流的原始圖像見(jiàn)圖3a。圖形大小為1 024×1 024,圖像分辨率為5 m。將其灰度化后得到灰度(圖3b)。采用Kirsch算子對(duì)圖像中所有像素點(diǎn)進(jìn)行卷積求導(dǎo)后,得到的主要地物的邊緣圖像見(jiàn)圖3c。由圖可知采用Kirsch算子后,主要地物尤其式河流的邊緣形貌已經(jīng)被提取出來(lái),背景的復(fù)雜程度也得到了降低。

a)原始RGB三通道衛(wèi)星遙感

1.2 閾值分割

采用Kirsch算子對(duì)原始灰度圖進(jìn)行處理后,雖然背景一定程度得到了簡(jiǎn)化,但是仍比較復(fù)雜。此時(shí)圖像為連續(xù)的灰度圖,可以采用閾值分割算法,將背景進(jìn)一步簡(jiǎn)化,并將其轉(zhuǎn)化為二值圖像。本文采用OSTU閾值分割算法,其基本原理是將灰度分布的圖像分為前景和背景兩部分,前景為分割出的部分。分割前景和背景的分隔值就是所求解分割閾值。算法基本原理如下。

設(shè)圖像灰度為L(zhǎng),灰度級(jí)為i的像素點(diǎn)為ni,則直方圖分布為式(2):

(2)

式中,N為總的像素點(diǎn),pi為灰度級(jí)為i的像素點(diǎn)的直方分布。圖像總的灰度值的均值記為ut,見(jiàn)式(3):

(3)

按照灰度級(jí)用閾值t將總灰度L劃分為兩類(lèi)C0(0,1,…,t)和C1(t+1,t+2,…,L-1)。則C0和C1部分像素占總像素的比例分別為w0和w1,見(jiàn)式(4)、(5):

(4)

w1=1-w0

(5)

圖像中C0和C1部分灰度值的均值分別記為u0和u1,見(jiàn)式(6)、(7):

(6)

(7)

依據(jù)OSTU法給出類(lèi)間方差的定義,見(jiàn)式(8):

σB=w0(u0-ut)2+w1(u1-ut)2

(8)

通過(guò)運(yùn)算選取出合適的閾值t,使得類(lèi)間方差σB的數(shù)值最大。在OSTU閾值分割法中分割閾值t可以通過(guò)計(jì)算機(jī)本身的窮舉計(jì)算得到,對(duì)于不同的情況可以動(dòng)態(tài)的自適應(yīng)性選取閾值。此時(shí)按照閾值t,對(duì)圖3b進(jìn)行閾值分割。圖4為一次閾值分割后的圖像,從圖中可以看出,圖中河流和其他地物的分界線(xiàn)更加清晰明確,背景也得到了進(jìn)一步的簡(jiǎn)化。

圖4 采用OSTU分割后的二值圖像

2 河流輪廓識(shí)別和提取

經(jīng)過(guò)Kirsch算子提取地物邊緣和一次閾值分割后,原始的灰度圖背景噪聲得到了簡(jiǎn)化。但是從圖4可以看出,一些零星的背景噪聲仍無(wú)法完好地去除。此時(shí)需要結(jié)合河流的基本形態(tài)特征對(duì)圖像進(jìn)行一些基本的降噪處理。

2.1 形態(tài)學(xué)處理

觀(guān)察圖中的零星噪聲,可以發(fā)現(xiàn)不屬于河流的噪聲為一個(gè)個(gè)非連通的孤立區(qū)域?？梢酝ㄟ^(guò)一定原則從圖中將這些小對(duì)象去除。去除原則為:當(dāng)孤立區(qū)域的面積S小于設(shè)定的閾值Sc時(shí),將其去除。參考的Sc取值見(jiàn)式(9):

Sc=k·l1·l2

(9)

式中,l1、l2為圖像的長(zhǎng)度、寬度;k為面積系數(shù),取值盡量小,本文推薦k=0.000 5。當(dāng)k設(shè)置為0.000 5時(shí),由于此值足夠小,河流在圖像中的面積必然大于這一數(shù)值,因此不會(huì)將河流區(qū)域誤刪除。由于Sc隨著圖像面積進(jìn)行變化,可以保證在不同分辨率圖像中較小的噪聲被去除。故對(duì)于不同分辨率的圖像,這一閾值具有普適性。

圖5為刪除圖中小型非聯(lián)通區(qū)域后的圖像。從圖中可以看出此時(shí)河流的輪廓已經(jīng)基本上清晰。但是遺憾的是,仍存在著一些較大的非聯(lián)通區(qū)域無(wú)法去除,如圖5中的紅色虛線(xiàn)所示。此時(shí)若增大k值雖然可以去除這些區(qū)域,但是可能去除一些細(xì)小的河流分支,使得識(shí)別出的河流輪廓不完整。

圖5 刪除小型非聯(lián)通區(qū)域

此時(shí)可以利用河流的形態(tài)特征:河流長(zhǎng)度較長(zhǎng),且順?biāo)鞣较虻拈L(zhǎng)度遠(yuǎn)大于河流寬度。此時(shí)可以檢查余下的區(qū)域,對(duì)于每一個(gè)非聯(lián)通區(qū)域,當(dāng)面積較小,且2個(gè)方向的長(zhǎng)度d1和d2的比值較小,則可以將該區(qū)域去除。設(shè)定如下2個(gè)去除條件,2個(gè)條件同時(shí)滿(mǎn)足時(shí),則將該區(qū)域去除。

(10)

式中,k2為面積系數(shù),其值相對(duì)較大,本文推薦k2=0.01;n為河流長(zhǎng)寬比的限定值,本文推薦n=4。當(dāng)閾值k2設(shè)置為0.01時(shí),這一數(shù)值也相對(duì)較小,一般情況下河流在圖像中的面積會(huì)大于這一數(shù)值。當(dāng)然若是河流被截?cái)嗪竺娣e較小,長(zhǎng)寬比的限制條件將會(huì)發(fā)揮作用,保證部分河流不被誤刪除。因此該閾值對(duì)于不同情況也具有一定的普適性。在后文中2.3節(jié)的算例,也證明了這點(diǎn)。

圖6為刪除無(wú)河流特征的連通域后的圖像,從圖中可以看出一些較大的噪聲也已經(jīng)基本上被刪除,僅留下河流附近區(qū)域的圖像。在此過(guò)程中河流的一些細(xì)小的部分也可能被誤刪除。圖6所示,圖中圓形虛線(xiàn)區(qū)域所指的區(qū)域原本是聯(lián)通的,卻在形態(tài)學(xué)處理時(shí)被誤刪除。

圖6 刪除無(wú)河流特征的較大型連通域

這種誤刪除的錯(cuò)誤將會(huì)導(dǎo)致識(shí)別出的河流區(qū)域出現(xiàn)殘缺。此時(shí)可以利用基本的形態(tài)學(xué)處理方式將一些斷開(kāi)的河流區(qū)域進(jìn)行連接。具體方法為:首先對(duì)圖像進(jìn)行膨脹操作,之后對(duì)距離相近的非聯(lián)通域進(jìn)行連接,具體的實(shí)施過(guò)程可參考王康等[12]關(guān)于裂紋識(shí)別的處理。圖7為對(duì)圖像進(jìn)行膨脹和連接操作之后的圖像,從圖中可以看出紅色虛線(xiàn)指示區(qū)域河流已連接。

圖7 膨脹和連接的形態(tài)學(xué)運(yùn)算

2.2 二次閾值分割

對(duì)河流圖像進(jìn)行基本形態(tài)學(xué)處理后,雖然河流周?chē)脑肼曇鸦颈磺宄?但是河流輪廓和形貌的提取依然存在問(wèn)題。例如圖7中紅色矩形框是河流與田地的混雜的區(qū)域,但是卻完全被劃分為河流。因此仍需要進(jìn)行二次閾值分割,以獲取更為準(zhǔn)確的河流輪廓形貌。

圖7中的白色區(qū)域已基本上將河流包含在內(nèi),因此可以?xún)H對(duì)圖7中的白色區(qū)域進(jìn)行第二次閾值分割,不考慮圖7中的黑色區(qū)域。為此將原始的灰度圖中圖像映射至白色區(qū)域中,得到圖8,以作為二次閾值分割的原始圖形。

圖8 第二次閾值分割的區(qū)域

采用1.2節(jié)的OSTU中的閾值分割算法,對(duì)剩余圖像進(jìn)行二次閾值分割,得到圖9a閾值分割結(jié)果。此時(shí)圖形會(huì)存在一些毛刺和細(xì)小的噪聲,采用腐蝕膨脹等形態(tài)學(xué)處理手段,得到相對(duì)光滑的河流輪廓和形貌,見(jiàn)圖9b。

a)原始灰度圖

2.3 適用性驗(yàn)證

若提取河道輪廓時(shí),未去除背景噪聲的影響,直接采用閾值分割。受到復(fù)雜背景的影響,提取內(nèi)容不僅包含河道,還包含一些背景中的地物,效果極差,見(jiàn)圖10。

圖10 直接閾值剖分的提取效果

為驗(yàn)證本文方法對(duì)于不同情況下的適用性,更換不同地形區(qū)域的河道遙感圖像,查看提取效果。分別選取平原地區(qū)、山區(qū)和丘陵地區(qū)河流圖像各20張,總計(jì)60張,以驗(yàn)證本文算法的適用性。圖11為不同地區(qū)典型的河道遙感圖像及提取效果,可以看出對(duì)于不同地形下的河流遙感圖像,河道輪廓均被準(zhǔn)確的提取出來(lái)。

a) 平原復(fù)雜河道灰度

為更為客觀(guān)地評(píng)價(jià)河道提取的準(zhǔn)確性,采用像素精度指標(biāo)pixel accuracy (PA)和均像素精度指標(biāo)mean pixel accuracy (MPA)評(píng)價(jià)該方法識(shí)別的準(zhǔn)確性。其中像素精度含義為:對(duì)于每一類(lèi)像素,正確分類(lèi)的像素個(gè)數(shù)之和與該類(lèi)所有像素的個(gè)數(shù)之和的比值。均像素精度含義為:每一類(lèi)像素的精度平均值,即先求出每一類(lèi)像素的PA,再取平均值。表1分別為演示算例和平原地區(qū)、山區(qū)和丘陵地區(qū)每類(lèi)的PA值。從表1中可以看出在不同地形下,背景像素的識(shí)別精度達(dá)到了98%以上,河流像素的識(shí)別精度也均超過(guò)了90%。平均像素精度均超過(guò)了95%,誤差在5%以?xún)?nèi)。

表1 河道提取的像素精度值

當(dāng)然對(duì)于遙感信息中河流信息提取精度的評(píng)價(jià),還可以采用生產(chǎn)者精度(Producer’s accuracy)和使用者精度(User’s Accuracy)來(lái)表征。對(duì)于相同的算例,表2中列出了生產(chǎn)者精度和使用者精度。其中河流信息中的使用者精度與像素精度指標(biāo)的定義相同,因此數(shù)值相同。從表2中可以看出河流像素識(shí)別的生產(chǎn)者精度和使用者精度相近,均超過(guò)90%。

表2 河流信息提取的生產(chǎn)者精度和使用者精度

2種評(píng)價(jià)指標(biāo)的結(jié)果均表明:本文方法對(duì)于河道提取結(jié)果較好,識(shí)別精度較高,能夠滿(mǎn)足高精度河道提取的需要。

對(duì)于較大范圍的河流,本文給出的提取方案仍具有適用性。圖12a為2018年拍攝的穿過(guò)重慶主城區(qū)的長(zhǎng)江和嘉陵江圖像,圖12b提取出的河道輪廓基本上與河流形貌吻合。當(dāng)然由于河流上橋梁較多,而Kirsch算子提取的邊緣輪廓較粗,這將會(huì)導(dǎo)致提取出的河道輪廓存在斷點(diǎn),見(jiàn)圖12b中的虛線(xiàn)。這需要在之后的研究中加以改善。

a)重慶主城區(qū)嘉陵江河道灰度

圖13a為1967年采用鎖眼衛(wèi)星拍攝的相同地點(diǎn)處的遙感圖像,此時(shí)衛(wèi)星圖像的分辨率低(分辨率大于10 m)。采用本文的算法得到的河道輪廓見(jiàn)圖13b,可以看出此時(shí)提取出的河道輪廓與實(shí)際情況相吻合。因此本文提出的算法對(duì)中等分辨率的圖像也具有適用性。

a)重慶主城區(qū)嘉陵江河道灰度

綜合2.3節(jié)中的算例,可以發(fā)現(xiàn)本文提出的輪廓提取算法對(duì)于不同地區(qū),不同范圍以及不同分辨率的衛(wèi)星遙感圖像,均具有較好的適用性,能夠較好地區(qū)分出河流與山丘、城市、農(nóng)田等其余地物,從而準(zhǔn)確地提取出河流的輪廓。由于多次閾值分割均采用OSTU法,而OSTU法閾值本身具有的動(dòng)態(tài)自適應(yīng)特性,一定程度上也增加了方法的普適性。

3 結(jié)論

主要解決現(xiàn)階段遙感圖像分辨率提高,導(dǎo)致在復(fù)雜背景噪聲下河道輪廓難以準(zhǔn)確識(shí)別和提取的問(wèn)題。為此提出了一種基于Kirsch算子、多級(jí)閾值分割和形態(tài)學(xué)處理的河道提取方法。采用Kirsch算子對(duì)高清灰度圖進(jìn)行預(yù)加工,提取出主要地物的輪廓,之后采用OSTU的閾值分割方法對(duì)預(yù)處理后的圖像進(jìn)行預(yù)分割,去除了部分背景噪聲。再利用河流面積和長(zhǎng)寬比等形態(tài)學(xué)特征,去除大部分的復(fù)雜背景噪聲。最后對(duì)圖像局部區(qū)域采用二次閾值分割,準(zhǔn)確地提取出河道的信息。

該方法能夠去除遙感圖像中的復(fù)雜背景噪聲,在不同地形條件下實(shí)現(xiàn)對(duì)河道輪廓的準(zhǔn)確識(shí)別和提取。通過(guò)生產(chǎn)者精度等客觀(guān)的評(píng)價(jià)指標(biāo),對(duì)方法的適用性和準(zhǔn)確性進(jìn)行了驗(yàn)證。結(jié)果表明在不同地形條件下,河流區(qū)域識(shí)別的準(zhǔn)確度均超過(guò)90%,圖像整體的識(shí)別精度超過(guò)95%。因此該方法能夠滿(mǎn)足高精度河道提取的需要,為智能化的提取河道信息提供了參考。

當(dāng)然由于Kirsch算子提取的邊緣輪廓較粗,當(dāng)河流上存在橋梁時(shí),會(huì)導(dǎo)致提取的河道存在斷點(diǎn),需要在之后的研究中對(duì)此加以改善。由于本文主要采用全波段的衛(wèi)星遙感圖像,對(duì)于單波段或者多波段的遙感圖像未作深入的分析和研究。在下一階段的研究中,可以考慮不同波段的選擇對(duì)于提取效果的影響,以尋找更為合適的遙感波段,進(jìn)一步提高河道提取的準(zhǔn)確性。