基于高分遥感影像的潮沟提取方法与流程
本发明涉及遥感技术领域，特别是一种基于高分遥感影像的潮沟提取方法。
背景技术：
潮沟作为潮滩上典型的地貌因子，是一种发育在潮间带(尤其是粉砂淤泥质潮间带)，由海洋动力(特别是潮汐作用)形成的潮汐水道，是潮滩及潮沟系统本身与外界不断进行物质、能量和信息交换的重要通道，对潮水的分配以及泥沙的供应都起着至关重要的作用，直接反映潮滩的特性，是人们研究沿海区域水文连通性的重要参数之一。随着构筑工程和滩涂养殖等开发活动的开展，潮沟的发育受到很大的影响。因此精准地提取潮沟空间分布特征具有十分重要的理论意义和实际应用价值。
受自然条件恶劣的影像，部分沿海区域可达性较差，加之海水侵蚀严重，潮沟形态变化较为频繁，传统的实地测量方法无法有效开展。潮沟的特点是1)潮沟宽度不一，潮沟宽度从数潮间带上部的数十厘米到潮间带下部入海口处的数千米不等，宽度差异显著。2)潮滩背景异质性强，潮沟自潮间带下部发育，流经泥质潮滩、灌木沼泽和草本沼泽三种不同的湿地类型，三个区域内，潮滩含水量、植被覆盖度以及潮沟含沙量均有较大差异。3)潮沟各向异性强，不同的分割顺序会呈现出偏离随机网络的优选方向。这些特征对潮沟的快速精准提取提出了很大的挑战。现有使用的遥感影像目视解译方法存在耗时耗力且主观性大的缺点，不适合应用于潮沟的大面积重复观测。考虑到潮沟发育过程的持续不稳定性，发展一套潮沟演化过程的长期动态监测的技术方法面临迫切的需求。
在几何形态上，潮沟呈蜿蜒曲折的线状分布，近似于陆地河网、血管和道路，许多学者针对道路、血和陆地河网等类潮沟要素的自动或半自动提取进行了深入的研究，相关提取方法通常分为以下几种：流路模型法、监督分类法、面向对象分类法以及高级图像处理类方法。其中，流路模型法依赖于高精度的dem数据，易受构造断层和裂缝的影响，而且仅能获得单像素宽度的潮沟，忽略了潮沟的宽度信息；监督分类法基于数据驱动，抗噪声干扰能力差，无法保持地理要素的空间连续性，不可避免的产生椒盐现象；面向对象分类方法针对高分辨率影像，将影像分割为同质性区域，但是受到潮间带潮滩含水量的影响，发育在此区域的大量细小潮沟无法有效区分；高级图像处理类方法着眼于潮沟的线状分布特征，通常分为线状增强、分割和后处理三个步骤，并且在许多区域产生了较好地效果。
就沿海潮沟动态监测而言，目前多采用机载lidardem和航空摄影测量数据相结合的的方法对潮沟进行提取，但随之而来的高额观测成本限制了该数据在海岸带遥感观测中的大范围应用与推广。卫星遥感影像凭借其高时效性、大规模重复观测且价格相对低廉的特性，能够为沿海潮沟监测提供长时间序列的数据支撑。特别地，随着空间技术的不断进步，传感器的工作波段已得到不断拓展，空间分辨率也在快速提高，给海岸带动态遥感监测注入了新的活力。
在背景技术部分中公开的上述信息仅仅用于增强对本发明背景的理解，因此可能包含不构成在本国中本领域普通技术人员公知的现有技术的信息。
技术实现要素：
发明要解决的问题
如上所述，本发明需要提供一种基于高分遥感影像的潮沟提取方法，本文提出了一种基于数字图像处理技术的潮沟提取方法，其采用如国产高分二号(gf-2)的多光谱影像作为基础数据源。首先利用归一化水体指数(ndwi)和最大类间方差法(otsu)提取宽阔潮沟。其次，使用改进的模糊c均值算法(mfcm)和多尺度高斯匹配滤波(mgmf)，在削弱潮滩背景异质性的基础上增强细小潮沟。接着利用自适应阈值分割提取细小潮沟。最后合并细小潮沟和宽阔潮沟，形成完整的潮沟网络。本发明的自动提取精度显著提高且实现了长时间动态连续自动提取。
解决问题的方案
本发明人等为了达成上述目的而进行了深入研究，具体而言，本发明提供一种基于高分遥感影像的潮沟提取方法，其包括下述步骤：
第一步骤，采集包括多光谱数据的高分辨率遥感影像，遥感影像经由辐射定标及大气校正消除大气干扰，
第二步骤，将宽阔潮沟和细小潮沟分开提取，其中，宽度大于等于预定个像素的潮沟为宽阔潮沟，宽度小于预定个像素的潮沟为细小潮沟。采用seath算法，利用j-m(jeffries-matusita)距离计算类间可分离性，选择潮沟和潮滩差异较大的波段进行细小潮沟提取。seath算法公式如下：
j-m距离公式如下：
j＝2(1-e-b)，其中，
j代表两个类别间的距离，mi(i＝1,2)和σi(i＝1,2)分别表示两个类的均值和方差，
第三步骤，基于最大类间方差法提取宽阔潮沟，当满足类间方差达到最大时，获得最优分割阈值k*，其中，最大类间方差法公式如下：
其中，
第四步骤，均一化异质背景，其中，初始化聚类中心vi和偏移场βj，更新隶属度函数μij、聚类中心vi和偏移场βj，当‖vb+1-vb‖＜ε时，前后两次计算出的聚类中心小于预定的收敛阈值停止计算，获得背景均一化数据，其中i为聚类，j为像素，ε是预定的收敛阈值；b和b+1指代迭代次数，vb+1是迭代b+1次的聚类中心，vb是迭代b次的聚类中心，
第五步骤，多尺度高斯匹配滤波增强具有高斯形的细小潮沟，滤波器旋转获得不同方向潮沟的响应，对于每个像素，只保留其多个方向的最大响应值。将多个尺度的匹配滤波器的响应结果在归一化之后相乘，
第六步骤，自适应阈值分割细小潮沟，基于全局均值和标准差对细小潮沟进行分割，阈值公式：t＝mean+k*std，其中mean是全局均值；std是全局标准差；t是最佳阈值，参数k的范围在0.01-1之间，将值大于t的像素划分为细小潮沟，获得细小潮沟粗分割结果。最后将面积小于设定阈值的孤立斑块去得到细小潮沟最终分割结果。
第七步骤，将第六步骤的细小潮沟同第三步骤的宽阔潮沟逻辑或运算合并形成完整的潮沟。
所述的基于高分遥感影像的潮沟提取方法中，第一步骤中，所述多光谱数据经由多光谱相机采集，所述多光谱数据包括波长为0.45-0.52微米的蓝光波段、波长为0.52-0.59微米的绿光波段、波长为0.63-0.69微米的红光波段和波长为0.77-0.89微米的近红外波段，影像的空间分辨率为4m。
所述的基于高分遥感影像的潮沟提取方法中，第一步骤中，选择基于modtran辐射传输模型的flaash大气校正算法对影像进行大气校正。
所述的基于高分遥感影像的潮沟提取方法中，第二步骤中，预定个像素为5个。采用seath算法，利用j-m(jeffries-matusita)距离计算类间可分离性，选择潮沟和潮滩差异较大的波段进行细小潮沟提取，泥滩区域选择绿光波段，盐沼区域选择ndwi波段，其中，ndwi＝(green-nir)/(green+nir))，green指的是绿光波段，nir指的是近红外波段。
所述的基于高分遥感影像的潮沟提取方法中，第四步骤中，像素j处的观测值rj是由真实值xj和偏移场βj相加得到的，通过减去偏移场βj，我们可以获得像素j处的真实反射率，公式如下：
rj＝xj+βj,j∈[1,n]
全局目标函数j为，
其中c表示聚类中心的数量；n表示图像中像素数之和；α控制邻域效应的强弱；
所述的基于高分遥感影像的潮沟提取方法中，第五步骤中，使用二维高斯匹配滤波器有效增强线状潮沟，所述二维高斯匹配滤波器定义如下：
其中σ表示强度的分布，；l是卷积模板沿y轴的长度以平滑噪声，x指的是卷积模板x轴的长度；m(x,y)是二维高斯匹配滤波器；-g″(x)指的是一维高斯匹配滤波器
所述的基于高分遥感影像的潮沟提取方法中，第五步骤中，滤波器旋转间隔设定为10°，滤波器旋转18次，以涵盖所有可能方向的潮沟。匹配滤波器x轴的长度设置为|x|＝3σ，滤波器y轴的宽度设置为5以检测5个像素长的潮沟。待增强潮沟宽度在1-5个像素之间，
所述的基于高分遥感影像的潮沟提取方法中，第四步骤中，聚类中心根据原始影像直方图进行选取筛选后，结合选择的样本点在直方图的波峰和波谷处选择。mfcm算法对α不敏感，α设置为0.1。泥滩区域的聚类中心为[0.1601；0.1846]，盐沼区域的聚类中心设置为[0.3198；-0.2344]。
所述的基于高分遥感影像的潮沟提取方法中，第六步骤，自适应阈值分割中，参数k为0.2，碎屑斑块剔除的尺度设置为50。
本发明的有益技术效果：
潮沟自身复杂的二维几何形态以及潮滩背景异质性是导致难以从光学影像中提取潮沟的关键原因。基于潮沟的宽度变化特点和剖面高斯形特征，本发明针对高分二号4m多光谱影像，提出一套沿海潮沟自动提取算法：①通过otsu结合水体指数分割宽阔潮沟；②利用mfcm、mgmf和自适应阈值分割提取分割细小潮沟；③融合宽阔潮沟和细小潮沟提取结果形成完整的潮沟网络。克服了沿海潮沟在异质背景下尺度变异明显的难点，完整提取了黄河三角洲区域内不同宽度的潮沟。定量的精度评价表明，本文方法总体精度大于97％，kappa系数大于0.8，错分误差低于20％，漏分误差低于11％，相较于传统的监督分类方法有明显改善，在减少错分的同时，更为完整地保留了细小潮沟。该算法中大部分参数都可以通过图像自身特性获得，在保证算法自动化水平的前提下减少了对于主观经验的依赖。
上述说明仅是本发明技术方案的概述，为了能够使得本发明的技术手段更加清楚明白，达到本领域技术人员可依照说明书的内容予以实施的程度，并且为了能够让本发明的上述和其它目的、特征和优点能够更明显易懂，下面以本发明的具体实施方式进行举例说明。
附图说明
[图1]示出了本发明一个实施例的基于高分遥感影像的潮沟提取方法的步骤示意图。
[图2]示出了本发明一个实施例的基于高分遥感影像的潮沟提取方法的流程图。
[图3]示出了本发明一个实施例的基于高分遥感影像的潮沟提取方法的均一化背景流程图。
[图4]示出了本发明一个实施例的基于高分遥感影像的潮沟提取方法的背景均一化展示图。
[图5]示出了本发明一个实施例的基于高分遥感影像的潮沟提取方法的多尺度增强的潮沟横截面图。
[图6]示出了本发明一个实施例的基于高分遥感影像的潮沟提取方法的多尺度增强展示图。
[图7]示出了本发明一个实施例的基于高分遥感影像的潮沟提取方法的自适应阈值关系图。
[图8]示出了本发明一个实施例的基于高分遥感影像的潮沟提取方法的的提取结果示意图。
[图9]示出了本发明另一个实施例的基于高分遥感影像的潮沟提取方法的提取结果示意图。
[图10]示出了本发明一个实施例的基于高分遥感影像的潮沟提取方法与不同方法提取结果对比示意图。
具体实施方式
下面将参照附图更详细地描述本发明的具体实施例。虽然附图中显示了本发明的具体实施例，然而应当理解，可以以各种形式实现本发明而不应被这里阐述的实施例所限制。相反，提供这些实施例是为了能够更透彻地理解本发明，并且能够将本发明的范围完整的传达给本领域的技术人员。
需要说明的是，在说明书及权利要求当中使用了某些词汇来指称特定组件。本领域技术人员应可以理解，技术人员可能会用不同名词来称呼同一个组件。本说明书及权利要求并不以名词的差异来作为区分组件的方式，而是以组件在功能上的差异来作为区分的准则。如在通篇说明书及权利要求当中所提及的“包含”或“包括”为一开放式用语，故应解释成“包含但不限定于”。说明书后续描述为实施本发明的较佳实施方式，然所述描述乃以说明书的一般原则为目的，并非用以限定本发明的范围。本发明的保护范围当视所附权利要求所界定者为准。
为便于对本发明实施例的理解，下面将结合附图以几个具体实施例为例做进一步的解释说明，且各个附图并不构成对本发明实施例的限定。
具体而言，如图1所示基于高分遥感影像的潮沟提取方法的步骤示意图。一种基于高分遥感影像的潮沟提取方法包括下述步骤：
第一步骤s1，采集包括多光谱数据的高分辨率遥感影像，遥感影像经由辐射定标及大气校正消除大气干扰，
第二步骤s2，感影像经由辐射定标及大气校正消除大气干扰，
第二步骤(s2)，将宽阔潮沟和细小潮沟分开提取，其中，宽度大于等于预定个像素的潮沟为宽阔潮沟，宽度小于预定个像素的潮沟为细小潮沟。采用seath算法，利用j-m(jeffries-matusita)距离计算类间可分离性，选择潮沟和潮滩差异较大的波段进行细小潮沟提取。seath算法公式如下：
j-m距离公式如下：
j＝2(1-e-b)，其中，
j代表两个类别间的距离，mi(i＝1,2)和σi(i＝1,2)分别表示两个类的均值和方差，
第三步骤s3，基于最大类间方差法提取宽阔潮沟，当满足类间方差达到最大时，获得最优分割阈值k*，其中，最大类间方差法公式如下：
其中，
第四步骤s4，均一化异质背景，其中，初始化聚类中心vi和偏移场βj，更新隶属度函数μij、聚类中心vi和偏移场βj，当‖vb+1-vb‖＜ε时，前后两次计算出的聚类中心小于预定的收敛阈值停止计算，获得背景均一化数据，其中i为聚类，j为像素，ε是预定的收敛阈值；b和b+1指代迭代次数，vb+1是迭代b+1次的聚类中心，vb是迭代b次的聚类中心，
第五步骤s5，多尺度高斯匹配滤波增强具有高斯形的细小潮沟，滤波器旋转获得不同方向潮沟的响应，对于每个像素，只保留其多个方向的最大响应值。将多个尺度的匹配滤波器的响应结果在归一化之后相乘，
第六步骤s6，自适应阈值分割细小潮沟，基于全局均值和标准差对细小潮沟进行分割，阈值公式：t＝mean+k*std，其中mean是全局均值；std是全局标准差；t是最佳阈值，参数k的范围在0.01-1之间，将值大于t的像素划分为细小潮沟，获得细小潮沟粗分割结果。最后将面积小于设定阈值的孤立斑块去得到细小潮沟最终分割结果。
第七步骤s7，将第六步骤s6的细小潮沟同第三步骤s3的宽阔潮沟逻辑或运算合并形成完整的潮沟。
本发明的基于高分遥感影像的潮沟提取方法结合背景均一化和线状增强的潮沟提取算法具有优异的可拓展性，聚类中心可以粗筛选后结合样本点在直方图波峰和波谷处选择；高斯匹配滤波器的尺寸和强度分布等参数根据可以根据待增强潮沟的宽度和长度进行选取；最优自适应阈值通过逐步增加步长的方法计算得出，提高了在不同传感器影像和不同区域的适用性。
所述的基于高分遥感影像的潮沟提取方法的优选实施方式中，第一步骤s1中，所述多光谱数据经由多光谱相机采集，所述多光谱数据包括波长为0.45-0.52微米的蓝光波段、波长为0.52-0.59微米的绿光波段、波长为0.63-0.69微米的红光波段和波长为0.77-0.89微米的近红外波段，影像的空间分辨率为4m。
所述的基于高分遥感影像的潮沟提取方法的优选实施方式中，第一步骤s1中，选择基于modtran辐射传输模型的flaash大气校正算法对影像进行大气校正。
所述的基于高分遥感影像的潮沟提取方法的优选实施方式中，第二步骤s2中，预定个像素为5个。采用seath算法，利用j-m(jeffries-matusita)距离计算类间可分离性，选择潮沟和潮滩差异较大的波段进行细小潮沟提取，泥滩区域选择绿光波段，盐沼区域选择ndwi波段，其中，ndwi＝(green-nir)/(green+nir))，green指的是绿光波段，nir指的是近红外波段。
所述的基于高分遥感影像的潮沟提取方法的优选实施方式中，第四步骤s4中，像素j处的观测值rj是由真实值xj和偏移场βj相加得到的，通过减去偏移场βj，我们可以获得像素j处的真实反射率，公式如下：
rj＝xj+βj,j∈[1,n]
全局目标函数j为，
其中c表示聚类中心的数量；n表示图像中像素数之和；α控制邻域效应的强弱；
所述的基于高分遥感影像的潮沟提取方法的优选实施方式中，第五步骤s5中，使用二维高斯匹配滤波器有效增强线状潮沟，所述二维高斯匹配滤波器定义如下：
其中σ表示强度的分布，；l是卷积模板沿y轴的长度以平滑噪声，x指的是卷积模板x轴的长度；m(x,y)是二维高斯匹配滤波器；-g″(x)指的是对一维高斯匹配滤波器
所述的基于高分遥感影像的潮沟提取方法的优选实施方式中，第五步骤s5中，滤波器旋转间隔设定为10°，滤波器旋转18次，以涵盖所有可能方向的潮沟。匹配滤波器x轴的长度设置为|x|＝3σ，滤波器y轴的宽度设置为5以检测5个像素长的潮沟。待增强潮沟宽度在1-5个像素之间，
所述的基于高分遥感影像的潮沟提取方法的优选实施方式中，第四步骤s4中，聚类中心根据原始影像直方图进行选取筛选后，结合选择的样本点在直方图的波峰和波谷处选择。mfcm算法对α不敏感，α设置为0.1。泥滩区域的聚类中心为[0.1601；0.1846]，盐沼区域的聚类中心设置为[0.3198；-0.2344]。
所述的基于高分遥感影像的潮沟提取方法的优选实施方式中，第六步骤s6，自适应阈值分割中，参数k为0.2，碎屑斑块剔除的尺度设置为50。
为了进一步理解本发明，在一个实施例中，选取高分二号(gf-2)多光谱数据作为研究数据，成像时间为2016年8月13日，该时期潮位较低且盐沼植被发育旺盛，可以为后续盐沼植被发育对潮沟的影响提供参考。本次使用影像的传感器为pms2，其波段信息和空间分辨率见表1高分二号影像参数信息。预处理步骤包括辐射定标大气校正，以消除大气干扰，恢复真实的地表反射率。预处理中使用的绝对定标系数从中国资源卫星应用中心官网获得，大气校正模型选择基于modtran模型的flassh大气校正，预处理步骤在envi5.3中完成。
表1高分二号影像参数信息
图2示出了本发明一个实施例的基于高分遥感影像的潮沟提取方法的流程图。从高分二号影像中提取潮沟，将宽阔潮沟同细小潮沟分开提取流程图如图2所示。根据实地调查发现，宽度小于20m的潮沟分布密集且难以提取，因此本文将宽度小于5个像素的潮沟定义为细小潮沟。细小潮沟提取步骤如下：(1)复杂背景均一化，盐沼潮沟区域仅利用归一化水体指数(ndwi，ndwi＝(green-nir)/(green+nir))就可以较好的区分潮沟和潮滩。泥滩潮沟区域采用seath算法，利用j-m(jeffries-matusita)距离计算类间可分离性，选择潮沟和潮滩差异较大的绿光波段。在此基础之上，针对选择的波段，利用改进的模糊c均值算法(mfcm)，抑制潮滩背景异质性造成的目标与背景间的差异性对比。(2)多尺度线状增强，采用多尺度高斯匹配滤波(mgmf)增强具有高斯形的细小潮沟，以解潮沟决宽度变化问题。(3)旋转滤波器以涵盖所有可能的方向，削弱潮沟强各向异性带来的影响。(4)使用自适应阈值分割细小潮沟。(5)碎屑斑块去除。宽阔潮沟内部充满海水，可以通过ndwi和最大类间方差法(otsu)进行划分。最后将细小潮沟同宽阔潮沟结果采用逻辑或运算合并，形成完整的潮沟。
在进行水体提取时，传统的硬聚类方法常受到遥感影像不确定性的影响导致分类结果存在歧义。实际上在潮滩这种复杂背景下，水体和非水体之间的界限是模糊的，因此可以使用模糊聚类方法来解决这种模糊性。标准的模糊c均值(fcm)算法对于噪声很敏感，而且没有考虑像素的空间分布，这阻碍了其在遥感影像分割。
图3示出了本发明一个实施例的基于高分遥感影像的潮沟提取方法的均一化背景流程图，首先假设在像元j处的观测值rj是由真实值xj和偏移场βj相加得到的，通过减去偏移场βj，我们可以获得像元j处的真实反射率，公式如下：
rj＝xj+βj,j∈[1,n]
然后，将相邻空间信息整合到标准fcm算法中，以减少孤立噪声带来的影响。
其中c表示聚类中心的数量；n表示图像中像元数之和；α控制邻域效应的强弱；
图4示出了本发明一个实施例的基于高分遥感影像的潮沟提取方法的背景均一化展示图，具体参见图4其中，(a)绿光波段原始影像；(b)绿光波段直方图；(c)背景均一化结果；(d)背景均一化直方图。
受到潮沟的纵向变化和周围背景像素混合光谱效应的影响，细小潮沟与图像背景对比度较差，仅利用otsu无法有效识别，降低阈值虽然会获得更多的小潮沟，但也会导致更多的噪声。通过观察潮沟的横截面，可以发现潮沟的横截面多呈倒u或倒v状，可以用高斯曲线来近似，因此，使用二维高斯匹配滤波器可以有效增强线状潮沟。图5示出了本发明一个实施例的基于高分遥感影像的潮沟提取方法的多尺度增强的潮沟横截面图，参见图5。
二维高斯匹配滤波器定义如下：
其中σ表示强度的分布，它的值同目标潮沟的宽度紧密相关；l是卷积模板沿y轴的长度以平滑噪声。
鉴于潮沟系统的强各向异性，需要将滤波器旋转可能的角度，从而获得不同方向潮沟的响应，对于每个像素，只保留其多个方向的最大响应值。本文将旋转间隔设定为10°，滤波器旋转18次，以涵盖所有可能方向的潮沟。考虑到潮沟宽度跨度极大，使用单一尺度的匹配滤波器无法对所有细小潮沟进行增强，可能导致很多细小潮沟被高斯噪声所淹没。为此，采用多尺度增强方法来解决该问题，将多个尺度的匹配滤波器的响应结果在归一化之后相乘，可以在抑制噪声的同时进一步增强线状特征。图6示出了本发明一个实施例的基于高分遥感影像的潮沟提取方法的多尺度增强展示图。具体参见图6，其中，(a)尺度1增强结果；(b)尺度2增强结果；(c)多尺度增强结果。
细小潮沟分割过程中，通过otsu计算出的最佳阈值偏高，导致许多模糊的细小潮沟被忽略，为此，采用结合全局均值和标准差的自适应阈值对细小潮沟进行分割，阈值公式如下：
t＝mean+k*std
其中mean是全局均值；std是全局标准差；t是最佳阈值；将值大于t的像元划分为潮沟。
在一个实施例中，潮沟提取算法的参数分为三个部分(1)：改进的模糊c均值算法的聚类中心；(2)多尺度高斯匹配滤波器的长度、宽度以及σ；(3)自适应阈值分割中的阈值k。
聚类中心根据原始影像直方图进行选取筛选后，结合选择的样本点在直方图的波峰和波谷处选择。本文中泥滩潮沟的聚类中心为[0.1601；0.1846]，盐沼潮沟的聚类中心设置为[0.3198；-0.2344]；mfcm算法对α不敏感，α统一设置为0.1。
由于高斯曲线下方99％以上的面积位于[-3σ，3σ]之间，因此将匹配滤波器x轴的长度设置为|x|＝3σ，滤波器y轴的宽度设置为5以检测5个像素长的潮沟，4个测试区待增强潮沟宽度在1-5个像素之间。多尺度增强中，
自适应阈值分割中，参数k的设置对提取精度影响较大，如何在错分和漏提之间保持平衡是选取最佳阈值的关键，为此设置k的范围在0.01-1之间，以0.01为步长，当kappa系数最高时，获得全局最优阈值。如图10所示，在四个测试区域kappa系数的极大值在0.2、0.25、0.23和0.22处，都在0.2附近，因此将k设置为0.2。碎屑斑块剔除的尺度设置为50。图7示出了本发明一个实施例的基于高分遥感影像的潮沟提取方法的自适应阈值关系图，其中，阈值k和kappa系数的关系如图7所示。
为了检验本发明的可靠性，将结合复杂背景均一化和多尺度线状特征增强的潮沟提取方法同最大似然法(maximumlikelihood，ml)和支持向量机(supportvectormachine，svm)进行对比在选择训练样本时，泥滩潮沟分为潮间带、潮上带、细小潮沟和宽阔潮沟四类；盐沼潮沟分为云、潮滩、植被、细小潮沟和宽阔潮沟五类。使用径向基核函数(radialbasisfunction，rbf)作为svm的核函数，各项参数设置中，选择kappa系数最高者作为两种对比方法的最终结果。
通过envi5.3的confusionmatrix-usinggroundtruthimage模块计算混淆矩阵(confusionmatrix)，对提取结果进行精度评价。本次选取总体精度(overallaccuracy，oa)、kappa系数(kappacoefficient，kc)、漏分误差(omission，eo)和错分误差(commission，ec)作为评价指标。
本文方法在matlab2017a平台中实现，泥滩潮沟和盐沼潮沟的完整提取结果如图8和图9所示，局部区域四种方法提取结果对比如图10所示，局部区域不同方法提取结果的定量评价见表2。
通过目视解译对比可以看出，本文方法较完整地提取了大多数潮沟，尤其是宽度在1-5像素间的细小潮沟，提取效果较好，潮沟的完整性与连续保持较好。
在四个测试区域，仅从目视解译角度而言，ml和svm在细小潮沟提取方面不是很理想，四个测试区域都产生了严重的漏分现象。尤其是在泥滩潮沟区域，大量潮滩被错分为潮沟。
定量精度评价表明，本发明提出的结合复杂背景均一化和多尺度线状特征增强的潮沟提取方法在kappa系数，总体精度和漏分误差方面优于其他三种方法，kappa系数均大于0.8，表明该方法提取的结果与地面实测数据吻合程度更好。
在两块泥滩潮沟区域，细小潮沟内含水量较低，就光谱角度而言细小潮沟和潮滩两者细差异较小，产生了同谱异物现象，严重影响了线状地物和细小地物的提取。导致在选取样本时，类间可分离度不甚理想，监督分类无法有效识别细小潮沟，潮滩和细小潮沟无法有效分离，各项评价指标普遍偏低。从几何形态角度来看，潮滩呈块状分布，潮沟表现出明显的线状特征，在利用mfcm减少了背景干扰后，使用线状特征增强可以极大地抑制非线状要素的响应，降低误差。
表2潮沟提取精度评价
工业实用性
本发明的基于高分遥感影像的潮沟提取方法可以在遥感检测领域使用。
尽管以上结合附图对本发明的实施方案进行了描述，但本发明并不局限于上述的具体实施方案和应用领域，上述的具体实施方案仅仅是示意性的、指导性的，而不是限制性的。本领域的普通技术人员在本说明书的启示下和在不脱离本发明权利要求所保护的范围的情况下，还可以做出很多种的形式，这些均属于本发明保护之列。
- 还没有人留言评论。精彩留言会获得点赞！