[发明专利]基于多光谱遥感图像的黄河主溜信息协同提取方法

摘要

本发明公开了一种基于多光谱遥感图像的黄河主溜信息协同提取方法，用于解决现有黄河主溜信息提取方法准确率差的技术问题。技术方案是首先由偏度分析方法和基于光谱相似性与空间连续性的方法分别获得一组主溜点位置；然后将偏度分析方法得到的主溜点作为先验信息输入到基于光谱相似性与空间连续性的提取方法中，用于获取矫正后的主溜点；此后，将所获得的主溜点再作为偏度分析方法的输入，进一步矫正主溜点；如此迭代，直至获得的主溜点位置稳定；最后，将得到的主溜点进行连接，形成主溜线。本发明方法在黄河中下游的Landsat TM遥感图像上的实验结果表明，其检测率达到95％时，虚警率仅为1％，且获得的主溜线具有很好的连续性。

主权项

一种基于多光谱遥感图像的黄河主溜信息协同提取方法，其特征在于包括以下步骤：(1)河流分割。输入一幅Landsat TM多光谱图像，首先进行河流粗分割。采用光谱分类和匹配方法进行光谱图像分类，并根据黄河河段的形状特点进行分类后处理，采用两种样本分别对图像进行分类，然后合成图像。由于图像中有桥梁和滩涂的影响。(2)河岸线提取。采用Canny算子对边缘进行检测，并对检测出的边缘进行跟踪连接，分类出河流南北岸的水边线。对所得到的边缘线进行连接跟踪；根据邻域法，利用一个边缘跟踪算法得到一组连续的线段，根据长度去除一些较短的干扰线段，同时根据滩涂的形状特性，去除滩涂，得到一组有用线段。根据黄河水体的分布特征，对每段线段进行南北岸的判断。基于算法效率考虑只需对每段中某些有代表性的点进行南北岸的判断即得到这整段水边线所属哪一岸的信息。根据统计特性，每段中所判断的点属于某一岸的数目大于某一阈值即判断这段是属于南岸或北岸，反之，则属于另外一岸，从而得到南北岸图像。根据需要把南北两岸的线段分别进行有序存储到矩阵中，从而得到两岸完整的水边线，进行主溜线提取。(3)河流分段。将黄河分成典型河段和非典型河段。典型河段分为顺直微弯、弯曲和分汊三类。利用弯曲系数和曲率描述河段的弯曲程度及方向，通过南北水边线之间的河流分布确定是否存在分汊。对空间分布关系定义为连续弯相接河段和弯道归顺河段，利用河段之间的连续变化排列从空间予以分别。具体分段方法如下：a)通过开窗的曲率计算将空间的坝岸变换到曲率域，所得曲率序列的极大值点位置，代表了弯道弯顶的位置所在。b)两个连续极值点之间的极小值点位置，代表两连续河湾间的过渡衔接点位置。(4)利用偏度分析提取主溜初始位置。利用偏度分析提取主溜信息，获取一组初始主溜点Y⁽⁰⁾。偏度分析算法具体步骤如下：Step1获取p×n观测矩阵数据X＝[X₁,X₂,…,X_n]，其中每一列X_i代表一个观测样本向量，每一行代表一个观测属性；两类样本数据S₁,S₂；Step2求取X的平均偏差形式B：令则即将坐标轴平移到原数据的中心位置，求S₁,S₂的样本均值M₁，M₂；Step3求类间散布矩阵G_b，类间散布矩阵G_b是p×p的半正定矩阵，定义为G_b＝(M₁‑M₂)(M₁‑M₂)^T；Step4求取类间散布矩阵G_b的各个特征值eval_i与特征向量eig_i，i∈[1,n]；Step5按特征值从大到小选择及与其对应得特征向量，构成变换矩阵T＝(eig₁,eig₂,…eig_m)，m≤n；Step6生成新坐标系中的数据集H：H＝T^T·X；对变换后的第一分量进行偏度分析：$Skewness=\frac{1}{n-1}\underset{i=1}{\overset{n}{\&Sigma;}}{(h_i-\stackrel{\&OverBar;}{h})}^3/{\mathrm{SD}}^3---\left(a\right)$其中，SD为标准差；Skewness＝0说明分布形态与正态偏度相同；Skewness>0，正偏，峰值在左；Skewness<0为负偏，峰值在右；|Skewness|越大，分布形态偏移程度越大；在某一断面的直方图集合中，取偏度系数最大点的位置作为当前断面上主溜线的位置；即用3×3窗口计算偏度系数，并记录影像每列偏度系数最大的点的纵坐标，然后将记录中相邻3列的纵坐标平均，作为主溜点位置；(5)利用光谱相似性与空间连续性方法提取主溜初始位置；利用偏度分析提取主溜信息，获取一组初始主溜点Z⁽⁰⁾；光谱相似性与空间连续性方法具体步骤如下：首先通过对人工实地勘测到的主溜进行大量学习，建立主溜光谱库；选取河流入口处与主溜光谱库中最相似的点，作为初始主溜样本；由初始主溜点开始，计算其方向线，并得到其长度和位置，具体步骤如下：Stepl定义方向线为穿过中心像元的一系列线段，它们的长度各不相同，其长度由相邻像元间的光谱相似性测度和阈值来确定；相似性测度为：$sim(x_i,x^{\&prime;})=-\frac{1}{2}\left|\right|x_i-x^{\&prime;}|{|}_{{\mathrm{\&Sigma;}}_s}^2---\left(b\right)$其中，x′是x_i的相邻像元，表示马氏距离；Step2方向线按照特定的规则从中心像元出发朝两边扩展，同时将被选入的新像元加入结果结合；方向线扩展的条件是当前像元的相似性测度小于阈值th₁；这里，th₁为光谱相似性度阈值，它与同一形状区域内像元灰度的变化程度相关；由于水流流动具有一定的方向性，实际的方向线扩展不可能向着所有方向进行，而是根据河流方向，将与河流方向背离的方向去除，再进行扩展；Step3遍历整条河流，按照Stepl和Step2两步跟踪得到初始像元的方向线，同时获得形成该方向线时逐步形成的像素点集合Z⁽⁰⁾；(6)迭代实现主溜信息协同提取；将步骤(5)中得到的主溜点集合Z⁽⁰⁾作为指导信息输入偏度分析方法中，对其内部参数进行调整，若Z⁽⁰⁾与Y⁽⁰⁾的一致性L(Y⁽⁰⁾,Z⁽⁰⁾)小于给定阈值th₂，则结束协同过程；否则，若Z⁽⁰⁾中的像元数小于Y⁽⁰⁾中的像元数，偏度分析窗口大小减小1；反之，偏度分析窗口大小增大1；由调整参数后的偏度分析方法，得到其输出的主溜点集合Y⁽¹⁾；同理，将Y⁽⁰⁾用于指导光谱相似性与空间连续性方法的参数调整，若Z⁽⁰⁾与Y⁽⁰⁾的一致性L(Y⁽⁰⁾,Z⁽⁰⁾)小于给定阈值，则结束协同过程；否则，若Z⁽⁰⁾中的像元数小于Y⁽⁰⁾中的像元数，th₁增加2％；反之，th₁减小2％；由调整参数后的偏度分析方法，得到其输出的主溜点集合Z⁽¹⁾；重复上述协同过程，直至算法因L(Y^(t),Z^(t))小于给定阈值th₂而结束，t为迭代代数。