Computer Engineering and Applications 计算机工程与应用 2014，50（18） 193 高分辨率遥感卫星影像的河流提取方法研究 王 民，卞 琼，高 路 WANG Min, BIAN Qiong, GAO Lu 西安建筑科技大学 信息与控制工程学院，西安 710055 Information and Control Engineering College, Xi’an University of Architecture and Technology, Xi’an 710055, China WANG Min, BIAN Qiong, GAO Lu. High resolution satellite remote sensing images’rivers extraction method. Computer Engineering and Applications, 2014, 50（18）：193-196. Abstract：In order to overcome the defects that extracts rivers sample with spectrum information, using high-resolution remote sensing satellite imagery of the outstanding features of high resolution, a method of comprehensive satellite image feature is put forward, including spectrum, texture, geometric features and so on. It is a method that extracts river with joint features. The rivers spectral features, texture features and geometric shape features are described respectively. By selecting characteristic parameters, structure integrated characteristic matrix, this paper reuses the average clustering seg- mentation, and eventually gets river target. The real high-resolution remote sensing images Worldview1 experiments vali- date the preciseness and rapidity of the methods. Key words：rivers extraction; feature extraction; K-mean; Worldview1 image; multi-feature fusion 摘 要：为了克服单纯采用光谱信息提取河流的缺陷，利用高分辨率遥感影像突出的高分辨率的特性提出一种综合 影像中光谱、纹理、几何特性等多特征联合提取河流的方法。该方法分别对河流水体的光谱特征、纹理特征及河流 几何形状进行描述，选取特征参数，构造综合特征矩阵，利用均值聚类分割最终得到河流目标。通过对真实高分辨 率遥感影像 Worldview1 影像进行的实验验证了该方法的高精准性及快速性。 关键词：河流提取；特征提取；K-mean；Worldview1 影像；多特征融合 文献标志码：A 中图分类号：TP751.1 doi：10.3778/j.issn.1002-8331.1210-0314 1 引言 河流网作为流域地形特征的基本骨架在 GIS 中占 据重要地位，河流本身在不同时期，不同环境中的状态 同时也在地理信息系统中发挥着非常重要的作用[1]。故 在近几年，有许多国内外科学家正在对怎样认知河流的 空间地理信息不断地进行研究。本文基于前者在各类 地物提取方面所做出的巨大成果，提出了一种能够准 确、快速提取河流的方法。 由于传统的遥感影像分类一般基于影像的光谱信 息进行提取相关的特征，再通过监督分类或者非监督分 类进行遥感模式识别[2]。但实际上从卫星传感器到分布 在地面上的各类地物之间存在较大的差异，再加上物体 本身对光有反射作用以及同物异谱，同谱异物 [3]现象的 存在，使得遥感影像提取的精确度受到很大程度上的限 制。换句话说，单一利用遥感影像的光谱进行对象分类 有很大缺陷。所以多特征描述成为河网提取的必然发 展趋势。 2 高分辨率遥感影像中河流的特征描述 在算法研究过程中，根据高分辨率遥感卫星影像具 有高分辨率的属性，以传统波谱特征为基础综合运用纹 理特征和形状特征来识别不同类型的河流。 2.1 光谱特征描述 早期区分不同地物之间的差异普遍利用光谱特征 这个遥感影像的本质特征对地物特征进行提取。但由 于光谱特征 [4]是由目标物的颜色、灰度或颜色波段间的 基金项目：国家自然科学基金（No.61073196）；陕西省自然科学基础研究基金（No.2011JM8026）；陕西省科研基金（No.x05016）。 作者简介：王民（1959—），副教授，硕士研究生导师，研究方向为智能信息处理；卞琼（1988—），女，硕士研究生，研究方向为智能 控制。E-mail：635078177@qq.com 收稿日期：2012-10-29 修回日期：2012-12-24 文章编号：1002-8331（2014）18-0193-04 

194 2014，50（18） Computer Engineering and Applications 计算机工程与应用 亮度比构成的，研究者起初通过提取图像上点的灰度值 作为光谱特征值，一系列研究实验证明单一的特征值提 取地物效果较差，所以本文希望通过综合地物光谱曲线 特征以及地理学特征，选择另外多个光谱特征值作为光 谱特征统计量。 即像素对出现的概率。 n = 12 ；i = 01 ；j = 0 1（公式（4）（5）中所涉及的 n、i、j 均与此相同）。 统计值二：求对比度 它反映图像的灰度差，对比度越大反应的图像越清 晰。计算公式为式（4）： 特征值一：求区域平均值 针对整幅遥感影像或者影像中的某个区域，将所有 像素灰度值相加求平均得到图像的平均值。对于一个 多通道的图像对象每个光谱对应的图像对象均可以使 用式（1）计算均值： nå n Xˉ = E(X ) = 1 X i （1） i = 1 表示图像中第 i 个像素点的像素值；n = 12n 其中 X （公式（2）中所涉及的 n 均与此相同）。 i 特征值二：求二阶统计特征（标准差） 标准差用来说明每个通道的一阶统计与各通道之 间的相连关系。 其中标准差的公式如式（2）： σ = n 1 n - 1å i = 1 - Xˉ )2 (X i （2） 其中 Xˉ 为这些像素点的均值。 2.2 纹理特征描述 因为一种纹理一般唯一地对应着一种物体表面，而 纹理信息在高分辨率遥感影像中显得尤为突出，所以可 选作地物之间差异的本质特性。在 1992 年，P.P.Ohanian 等人就对多种纹理测量技术进行过分析比较 [5]，证明了 基于灰度共生矩阵的统计方法的优越性胜于其他方法， 而被广泛应用。之后，Haralick 等人又认为灰度共生矩 阵的计算一般要利用 10 到 14 种统计量才能完全表示[6]， 但后来 Baraldi 经过研究又发现在所有灰度共生矩阵中 唯有对比度、自相关性、角二阶矩阵、熵、均匀性这几个 统计量在遥感影像中反应信息的能力最强[7]。实验中通 过对纹理特征参数进行计算对比（在本次对比实验中除 了选择河流目标外，还选择了桥梁、道路、居民地、苗圃、 池塘[8-9]等典型目标种类）同时因要考虑算法的快速性问 题，最终把用来描述高分辨率遥感卫星影像纹理特征的 灰度共生矩阵[10]用熵、对比度以及角二阶矩三个统计量 来表示。 统计值一：求熵 它描述了图像信源的平均信息量。代表了影像纹 理的非均匀程度和复杂程度，是一种随机性的度量因 子。计算公式为式（3）： ENT = å n - 1å n - 1 p(ij)ln p(ij) （3） i = 0 j = 0 式中 p(ij) 表示影像中的像素点在同一个移动窗口之 下具有相同角度，相同距离的像素对的个数所占的比例 CON = å n - 1å n - 1 (i - j)2 p(ij) （4） i = 0 j = 0 式中 p(ij) 表示影像中像素对出现的概率。 统计值三：求角二阶矩阵 它表征了图像灰度分布的均匀程度。计算公式为 式（5）： ENE = å n - 1å n - 1 p2(ij) （5） i = 0 j = 0 2.3 几何特征描述 因为高分辨率遥感卫星影像的高分辨率特性，河流 在影像中表现出清晰的长条状[11]，形如丝带。所以将河 流的这种区别于其他各种地物的特殊特性加以利用，从 而提高提取效果，地物目标区域的几何形状[12]特征参数 主要有：周长、面积、体态比、方位角、边界矩阵及形状系 数等。 本文利用八连通区域标记法。在二维影像中，如果 有 8 个相邻的像素围绕在目标像素的周围，且该目标像 素的灰度值与周围上下左右相邻的 8 个像素中某一个 像素的灰度值满足某种特定的相似性准则[13]，那么就说 该目标像素 P 与像素 A 具有连通性（如图 1 所示）。 P1 P4 P6 P2 P P7 P3 P5 P8 图 1 八连通区域标记示意图 在各连通区域中，将图像像素的个数以及图像像素 基准点的坐标都存入到以下数据结构中： Struct Area {int num； //*图像像素个数为整形*// int*x； //*行坐标为整形*// int*y； //*列坐标为整形*// struct Edgelist*next； //*下一个连通区域指针*// }； 通过实验比较最终选取连通区域体态比 C 作为特 征参数，如式（6）所示： C = W L （6） 式中，L 表示连通区域最小外接矩形的长度，W 则表 示连通区域最小外接矩形宽度。则被检测的连通区域 Areas 满足式（7）： 

王 民，卞 琼，高 路：高分辨率遥感卫星影像的河流提取方法研究 2014，50（18） 195 C > C TH C 为连通区域 Areas 的体态比，C 阈值。 TH （7） 为连通区域体态比 3 K-mean 聚类分割 本文将利用光谱信息、纹理信息、几何形状信息的 结合来形成综合特征向量对遥感影像进行分割提取。 R G g b 、σ 、σ 、σ 对于一幅高分辨率多光谱影像，针对同一光谱通道 、- --- 、 X 计算同一区域的 5×5 窗口灰度平均值和标准差 ---- X - --- X B 作为光谱特征信息。 r 通过实验验证，以目标像素为中心，选择移动窗口 的大小为 5，灰度级数为 16，像素对的距离为 2，像素对 的相对方向 θ 为 0°、45°、90°和 135°的 4 个方向，基于灰 度共生矩阵法的相关理论公式计算角二阶矩、熵、对比 度 3 个特征值，分别求取它们在 4 个不同角度方向的平 均值和标准差 - -- ----- 作为 纹理特征基础向量，这 6 个纹理特征参量均为 3 个通道 平均值。 、- -- --- X 、- -- --- X 、σ 、σ 、σ CON ENE ENT X con ene ent 体态比阈值选择 C 构建综合向量，有影像的 3 个光谱特征值、3 个纹理 = 3.7 进行实验。 th 特征值及几何特征值共 13×1 的特征向量来表示： 、 、- -- ----- X 、- -- --- X 、- -- --- X f =[ 、σ 、σ 、σ g b CON ENE ENT ---- 、- --- X X R 、σ G 、---- X 、σ B con ene ent σ r 、C] 得到图像中每个像元的综合特征向量后，将具有相 似特征的区域归为同类区域[14]，接着采用聚类算法进行 分析，对同类区域中的异类区域进行去除，提取出影像 河流分割结果。特征向量聚类算法的核心部分是选取 适当的聚类算法。 本文在借鉴以前的研究方法的基础之上，通过对各 种聚类算法的对比，K-mean 聚类算法因其良好的优越 性被用来进行综合特征向量分割。整体算法流程如图 2 所示，聚类分割流程如图 3 所示。 原始影像 对遥感影像进行预处理 得到细节丰富、目标清晰的遥感影像 计算灰度共生矩阵 计算均值和标准差 计算形状指数 纹理特征参数 光谱特征参数 几何特征参数 特征综合向量 利用综合特征向量进行聚类分割 分割图像 结果图 图 2 河流影像整体算法流程框图 开始 根据光谱、纹理形状信息构成的综合 向量 划分样本，计算两两样本间的距离，将 距离最远的两个样本归为聚类 分别找出距离两个样本最近的 2 个像 元作为初始聚类中心 计算各个聚类中每个像元到聚类中心 的相似性距离，将像元重新划分 不断迭代计算新的聚类中心 聚类中心不变 N Y 结束 图 3 聚类分割流程框图 4 实验结果 4.1 对比实验 文中采用 F.G.Wang 等人提出的提取图像主成分评 价方法来评价文中的河流提取算法。根据预提取的河 流等线性目标的长度，分别计算各种算法提取河流结果 的准确率，遗漏误差，冗余误差。这三个指标可以显示 出提取算法的好坏 [15]。其中遗漏误差指的是将提取的 线性目标错误地看做是背景或者噪声而未提取出来所 引起的误差率，冗余误差指的是误把背景看做是线性目 标所引起的错误判断率。现对 worldview1 原始影像分 别采用单纯的光谱，纹理信息及本文提出的综合特征提 取的结果求取平均值进行定性，定量分析与评价，得出 统计结果如表 1~表 3 所示。 表 1 基于光谱信息河流 提取精度统计表 准确率 遗漏误差 原始影像 运行时间/s 88.71 11.35 0.19 表 2 基于纹理信息河流 提取精度统计表 准确率 遗漏误差 原始影像 运行时间/s 79.93 5.61 0.23 （%） 冗余误差 0.69 （%） 冗余误差 0.74 表 3 基于综合特征的河流 提取精度统计表 准确率 遗漏误差 原始影像 平均值 运行时间/s 92.86 92.04 6.99 7.56 0.15 （%） 冗余误差 0.81 0.77 

196 2014，50（18） Computer Engineering and Applications 计算机工程与应用 从以上三个表格可以看出本文提出的方法与原始 方法相比精准度和效率都有所提高。 4.2 提取结果 实验中所采用的原始影像是在 2011 年 10 月采集的 一段河流区域，全区域中包括桥梁、道路、居民地、苗圃、 池塘等地物信息。图像是大小为 686 ´ 595 的 0.5 m 分 辨率的 worldview1 卫星遥感影像。利用 MATLAB 对本 文提出的方法进行验证，在计算机主频 1.73 GHz，内存 1 GB，Windows XP 系统环境下平均处理时间为 0.15 s。 其中图 4 为原始影像；图 5 为经过单纯纹理特征分割后 的图像；图 6 为经过单纯光谱特征分割后的图像；图 7 为 多特征综合聚类分割后的图像。 用的方法从高分辨率遥感影像中提取河流。由于高分 辨率遥感卫星影像光谱信息包含数据量巨大，所以单纯 地利用光谱信息并没有像所想的那样节省时间，反而是 多特征综合法通过分析提取具有代表性的影像特征，减 少了大量数据的处理，同时多种特征量的约束使得目标 更加精准，尤其是几何特征使得小尺寸地物得以排除。 所以认为，综合特征的利用即克服了同谱异物、纹理特 征相似、不同地物形状相似或相同等难以区分的问题， 又缩短了运行时间，提高了河流目标的精准度，能提取 出理想的河流。但实际应用中，情况复杂时，该方法还 需继续完善。 参考文献： [1] 于辉，徐军.彩色遥感图像目标提取方法研究[J].遥感技术 与应用，2003，18（6）：388-392. [2] 秦其明.TM 图像特征抽取研究[C]//中国博士后首届学术 大会论文集.北京：国防工业出版社，1993：441-445. [3] 杨阳.高分辨率遥感影像中道路提取方法研究[D].西安：西 安建筑科技大学，2011. 图 4 原始影像 [4] 陆 超.基 于 worldview2 影 像 的 面 向 对 象 信 息 提 取 技 术 研 图 5 纹理特征提取结果 图 6 光谱特征提取结果 究[D].杭州：浙江大学，2012. [5] Ohanian P P，Dubes R C.Performance evaluation for four classes of texture features[J].Pattern Recognition，1992，25 （8）：819-833. [6] Haralick R M，Shanmugam K.Textural features for image classification[J].IEEE Trans on Systems Man Cybernet， 1973（3）：610-621. [7] Baraldi A，Parminggian F.An investigation on the texture characteristics associated with gray level co-occurrence matrix statistical parameters[J].IEEE Trans on Geoscience and Remote Sensing，1995，32（2）：293-303. [8] 韩 晶. 邓 喀 中.SPOT 影 像 水 体 提 取 方 法 比 较 [EB/OL]. [2012-08-20].http：//www.paper.edu.cn. [9] 郁金康.SPOT 卫星影像的水体提取方法及分类研究[J].遥 感学报，2001，5（3）：214-219. [10] 侯海苗，冀小平.基于灰度共生矩阵的纹理特征[J].长治学 院学报，2008（5）. [11] 李云，胡学龙.二值图像中标定目标区域的几何特征提 取[J].微机发展，2000（5）. [12] 齐义娜.面向对象的高分辨率遥感影像信息提取与尺度 效应分析[D].长春：东北师范大学，2009. [13] 吴皓，刘政凯，张荣.图像中桥梁目标识别方法的研究[J]. 遥感学报，2003，7（6）：478-484. [14] 单丽杰.基于子图像特征的目标提取方法[J].红外与激光 图 7 多特征综合聚类分割后的图像 工程，2004，339（6）：597-599. 5 结论 利用河流在图像中的特性，提出一种多特征综合利 [15] Wang F G，Newkirk R.A knowledge-based system for highway network extraction[J].IEEE Trans on Geosci- ence and Remote Sensing，1998，26（5）：525-531.