基于自动阈值分类的高分辨率影像海陆分界线自动提取

doi:10.11873/j.issn.1004-0323.2021.6.1379

基于自动阈值分类的高分辨率影像海陆分界线自动提取

李业钦^,¹, 王常颖^,¹, 隋毅¹, 初佳兰², 李劲华¹

1.青岛大学计算机科学技术学院，山东青岛 266071

2.国家海洋环境监测中心，辽宁大连 116023

Automatic Extraction of The Sea-land Boundary from High Spatial Resolution Images based on Automatic Threshold Segmentation

Li Yeqin^,¹, Wang Changying^,¹, Sui Yi¹, Chu Jialan², Li Jinhua¹

1.College of Computer Science and Technology，Qingdao University，Qingdao 266071，China

2.National Marine Environmental Monitoring Center，Dalian 116023，China

通讯作者: 王常颖(1980－)，女，内蒙古通辽人，博士，副教授，主要从事海洋复杂性与数据挖掘研究。E⁃mail:wcing80@126.com

收稿日期: 2020-06-15 修回日期: 2021-10-06

基金资助:

国家自然科学面上基金项目“基于多时相高分遥感影像的筏式养殖藻类分类识别方法”.  41706105
“基于复杂网络的国产高分影像围填海类型早期识别方法研究”.  41706198
山东省重点研发计划“重大科技创新工程工业制造设备预测性维护的关键技术研究”.  2019JZZY020101
全国统计科学研究项目“基于系统级模型构建的关系复杂大数据分析方法及其应用”.  2017LY14

Received: 2020-06-15 Revised: 2021-10-06

作者简介 About authors

李业钦(1999－)，男，山东日照人，硕士研究生，主要从事海洋复杂性与数据挖掘研究E⁃mail:136722810@qq.com , E-mail：136722810@qq.com

摘要

海陆分界线的变化对滩涂面积和湿地系统变化具有指示作用并且影响航运活动，因而需提取海陆分界线。视海陆分界线为陆地（包括淤泥质潮滩）和海水（包括河道）的瞬时分界线。首先，构建近红外—绿—蓝波段的假彩色图像，进行色彩、对比度增强和双边滤波处理；其次，构建海陆分界线提取指数（Sea-land Boundary Extraction Index，SBEI），并利用自动阈值分析方法，将影像分为海洋和大陆，同时合并陆地碎斑。针对河道伸入陆地的问题，对于宽度为W的河口，采用步长为W+1的膨胀腐蚀的方法消除；最后用Canny算子提取海陆分界线。为验证算法的有效性，选取1m分辨率的高分二号卫星影像，对3种海岸类型进行实验，结果表明此方法的提取精度约为5个像元，相较NDWI和CV模型的提取精度至少提高10个像元。

关键词： 海陆分界线提取 ; 自动阈值分类 ; 高分辨率影像 ; 高分二号卫星 ; 海陆分界线提取指数

Abstract

The changes of sea-land boundary have indication effect on the changes of the intertidal areas and wetland system， and also influence sailing activities. The sea-land boundary is regarded as the transient boundary between land （including tidal flat） and sea （including rivers and ditches）. Firstly， pre-processing such as color and contract enhancement and bilateral filtering is applied on false color images combined with near-infrared， green and blue bands. Secondly， the Sea-land Boundary Extraction Index （SBEI） is constructed. Then， the automatic threshold analysis method is used to divide the images into ocean and continent， combining ocean areas on land by mistake with continent afterwards. In order to solve the problem of landward extending shoreline caused by the W width rivers， a specific erosion and dilation algorithm with the matrix of W+1 width is applied. Finally， the Canny edge detection operator is used to extract the boundary on images. To verify the effectiveness of this algorithm， GF-2 satellite images of three different areas with a resolution of one meter were used to conduct the experiments. The results show that the extraction accuracy by the proposed method is about 5 pixels， which is improved at least 10 pixels compared with NDWI and CV model.

Keywords： The sea-land boundary extraction ; Automatic threshold classification ; High-resolution images ; GF-2 satellite ; Sea-land boundary extraction index

PDF (5503KB) 元数据多维度评价相关文章导出 EndNote| Ris| Bibtex 收藏本文

本文引用格式

李业钦, 王常颖, 隋毅, 初佳兰, 李劲华. 基于自动阈值分类的高分辨率影像海陆分界线自动提取. 遥感技术与应用[J], 2021, 36(6): 1379-1387 doi:10.11873/j.issn.1004-0323.2021.6.1379

Li Yeqin, Wang Changying, Sui Yi, Chu Jialan, Li Jinhua. Automatic Extraction of The Sea-land Boundary from High Spatial Resolution Images based on Automatic Threshold Segmentation. Remote Sensing Technology and Application[J], 2021, 36(6): 1379-1387 doi:10.11873/j.issn.1004-0323.2021.6.1379

1 引言

海陆分界线有多种定义，如最低潮线、最高潮线、平均大潮高潮线和瞬时水边线等^［1］。实验将海陆分界线定义为遥感卫星过境时的瞬时水边线。精确地检测瞬时海陆分界线对岛礁、陆地和海洋的划分以及海陆分界地域附近的工程建设具有重要的意义。

虽然人工提取海陆分界线的方法简单易行，但人工目视判读效率较低且不易于大规模的推广与应用^［2］，而利用遥感技术对海陆分界线的测量宏观、高效且不受天气、海况和地理环境的限制，因此成为主要技术手段^［3］。如中低分辨率的Landsat卫星影像^［4］、HJ-1A/B影像^［5］等，高分辨率的SPOT^［6］、资源三号卫星^［7］、QuickBird^［8］、国产高分系列卫星影像^［9-10］等均被用来提取海陆分界线。

如今提取海陆分界线的方法主要包括边缘检测法^［11］、阈值分割法^［12］、面向对象提取方法^［13］、区域生长法^［14］等。其中，边缘检测法适用于海陆分界线较为明显的区域，如人工海岸，而对于淤泥质海岸，其潮滩和陆地分界不明显，因而提取效果不佳；阈值分割法适用于海陆差异明显的区域，当目标和背景的像素值对比强烈时提取效果较好^［15］；面向对象提取方法适用于海岸地物类型复杂的情况，可以保障提取精度，但是较为繁琐耗时；区域生长法提取的海陆分界线较为连续光滑，但在岸线地物复杂的情况下易造成海陆分界线的变形^［16］。不难发现，这些方法可以有效地提取中低分辨率影像中的海陆分界线。但对于高分辨率影像，特别是亚米级分辨率的影像而言，由于图像中反映了更加丰富的地物信息，其光谱反射也更加复杂，这些方法很难胜任高精度的海陆分界线提取。因此，实验借助图像增强与双边滤波增大海水与陆地的差异，并通过构建海陆分界线提取指数，最终提出一种适用于高分辨率卫星影像的海陆分界线全自动提取方法。该方法能够实现不同类型的海岸区域海陆分界线的高精度提取，相较于传统的提取方法，其提取精度更高并且更具有普适性。

2 海陆分界线提取方法

实验提出的海陆分界线全自动提取方法以高分二号卫星遥感影像为数据源，主要分为边界增强、海陆分离和分界线提取3步。首先，构造近红外—绿—蓝波段假色彩影像，进行色彩、对比度增强和双边滤波处理；其次，构造SBEI比值式并自动确定海陆分类阈值，实现海陆分离；进而合并碎斑并用数学形态学中的膨胀和腐蚀运算消除河道伸向大陆深处的问题；最后应用Canny算子^［17］提取海陆分界线。海陆分界线提取流程如图1所示。本文研究区域皆位于山东省北部，黄河入海口北侧，37.7°~38.3° N，118.0°~119.3° E。地势西南较高，东北较低，由内地向沿海平缓降低，拥有河滩高地、浅平洼地、微斜平地、海滩地等多种地貌类型。

图1

新窗口打开| 下载原图ZIP| 生成PPT

图1 海陆分界线提取流程

Fig.1 The flow chart of the sea-land boundary extraction

2.1　边界增强

2.1.1　色彩增强

对于包含近红外波段、红波段、绿波段和蓝波段的遥感影像。由于近红外波段在水体当中的吸收率要远远高于其他地物，清澈的水体反射率较低，因此本实验选择近红外波段（B₁）、绿波段（B₂）和蓝波段（B₃）3个波段，采用公式（2）对3个波段的亮度值B_i（i=1，2，3）进行线性色彩增强^［18］，增大高像素值波段的像素信息并抑制其他波段的亮度信息，增强后的3个波段亮度值为B_i′。

L_{0} = \frac{B_{1} \times 299}{1000} + \frac{B_{2} \times 587}{1000} + \frac{B_{3} \times 114}{1000}

(1)

B_{i}^{'} = \{\begin{matrix} 0, α_{0} < - \frac{L_{0}}{B_{i} - L_{0}} & B_{i} > L_{0} o r α_{0} > - \frac{L_{0}}{B_{i} - L_{0}} & B_{i} < L_{0} \\ (1 - α_{0}) \cdot L_{0} + α_{0} \cdot B_{i}, - \frac{L_{0}}{B_{i} - L_{0}} \leq α_{0} \leq \frac{255 - L_{0}}{B_{i} - L_{0}} & B_{i} > L_{0} \\ \begin{array}{l} (1 - α_{0}) \cdot L_{0} + α_{0} \cdot B_{i}, \frac{255 - L_{0}}{B_{i} - L_{0}} \leq α_{0} \leq - \frac{L_{0}}{B_{i} - L_{0}} & B_{i} < L_{0} \\ 255, α_{0} > \frac{255 - L_{0}}{B_{i} - L_{0}} & B_{i} > L_{0} o r α_{0} < \frac{255 - L_{0}}{B_{i} - L_{0}} & B_{i} < L_{0} \\ L_{0}, L_{0} = B_{i} \end{array} \end{matrix}

(2)

2.1.2　对比度增强

基于色彩增强后的3个波段值B_i^’，采用公式（3）进行对比度线性变换，线性增大高密度像素值附近的差异，使以M为分割点的两类像素信息分别趋向像素值的临界位置^［19］，得到3个波段亮度值的B_i″。

B_{i}^{''} = \{\begin{matrix} 0, α_{1} < - \frac{M}{B_{i}^{'} - M} & B_{i}^{'} > M o r α_{1} > - \frac{M}{B_{i}^{'} - M} & B_{i}^{'} < M \\ (1 - α_{1}) \cdot M + α_{1} \cdot B_{i}^{'}, - \frac{M}{B_{i}^{'} - M} \leq α_{1} \leq \frac{255 - M}{B_{i}^{'} - M} & B_{i}^{'} > M \\ \begin{array}{l} (1 - α_{1}) \cdot M + α_{1} \cdot B_{i}^{'}, \frac{255 - M}{B_{i}^{'} - M} \leq α_{1} \leq - \frac{M}{B_{i}^{'} - M} & B_{i}^{'} < M \\ 255, α_{1} > \frac{255 - M}{B_{i}^{'} - M} & B_{i}^{'} > M o r α_{1} < \frac{255 - M}{B_{i}^{'} - M} & B_{i}^{'} < M \\ M, M = B_{i}^{'} \end{array} \end{matrix}

(3)

其中：分割阈值M计算如公式（4）~（7）所示。C为图像列数，R为图像行数，f（k）用来判断像素值是否相同，n_i为灰度级i的像素点个数。

L (x, y) = \frac{B_{1}^{'} (x, y) \times 299}{1000} + \frac{B_{2}^{'} (x, y) \times 587}{1000} + \frac{B_{3}^{'} (x, y) \times 114}{1000}

(4)

f (k) = \{\begin{matrix} 1 k = 0 \\ 0 k \neq 0 \end{matrix}

(5)

n_{i} = \sum_{x = 0}^{C} \sum_{y = 0}^{R} f (L (x, y) - i) i = 0,1, 2 \dots \dots 255

(6)

M = \frac{\sum_{i = 0}^{255} (n_{i} \cdot i)}{\sum_{i = 0}^{255} n_{i}} + 0.5

(7)

2.1.3　双边滤波

在色彩和对比度增强处理过的3个波段B_i^’’的影像上，采用公式（8）进行双边滤波^［20］处理，有效地保存影像的边缘信息，并滤除噪声信号。

B i l a t e r a l F i l t e r s (B_{i}^{''} (x, y)) = \frac{1}{W_{p}} \sum_{q \in K} [G_{s} (p, q) \cdot G_{r} (p, q) \cdot B_{i}^{''} (m, n)]

\begin{array}{l} = \frac{1}{W_{p}} \sum_{q \in K} e^{- \frac{{(m - x)}^{2} + {(n - y)}^{2}}{2 {σ_{s}}^{2}}} \cdot e^{- \frac{{|I (m, n) - I (x, y)|}^{2}}{2 σ_{r}^{2}}} \cdot B_{i}^{''} (m, n) \\ i = 1,2, 3 \end{array}

(8)

其中：B_i^’’（x，y）表示x列y行第i波段像素值；BilateralFilter（B_i^’’（x，y））表示在双边滤波处理下x列y行第i波段像素值。K为卷积核矩阵，其矩阵宽度可人为设定，默认为 $6 σ_{s} + 1$ 。 $σ_{s}$ 表示坐标空间标准方差， $σ_{s}$ 越大表示卷积核内的邻居像素点对中心像素影响越大。 $σ_{r}$ 表示色彩空间标准方差， $σ_{r}$ 越大代表卷积核内像素值更加相似。 $σ_{s}$ 和 $σ_{r}$ 由人为设定。

G_s（p，q）表示卷积核窗口中心点p（坐标位置为x列y行）与窗口中的任意邻居点q（坐标位置为m列n行）的空间距离远近的度量，称之为空间权重，计算公式如（9）所示。

G_{s} (p, q) = e^{- \frac{{(m - x)}^{2} + {(n - y)}^{2}}{2 σ_{s}^{2}}}

(9)

G_r（p，q）表示卷积核窗口中心点p（坐标位置为x列y行）与窗口中的任意邻居点q（坐标位置为m列n行）的像素值相似性度量，称之为像素值权重，计算公式如（10）所示。其中，设I（x，y）为任意像素点p（坐标位置为x列y行）处的3个波段数值之和。

G_{r} (p, q) = e^{- \frac{{|I (m, n) - I (x, y)|}^{2}}{2 σ_{r}^{2}}}

(10)

W_p代表卷积核矩阵中空间和像素值权重乘积之和，用于权重的归一化，计算公式如（11）所示。

W_{p} = \sum_{q \in K} e^{- \frac{{(m - x)}^{2} + {(n - y)}^{2}}{2 σ_{s}^{2}}} \cdot e^{- \frac{{|I (m, n) - I (x, y)|}^{2}}{2 σ_{r}^{2}}}

(11)

由上述双边滤波可知，在亮度均质的区域内像素值相近，双边滤波的效果由空间权重G_s（p，q）主导。而在边缘区域内，边缘同侧的像素值相近，而对侧的像素值差别巨大，因此双边滤波的结果主要由像素权重G_r（p，q）主导。如图2（a）所示的图像，经过色彩、对比度增强以及双边滤波处理后，其图像如图2（b）所示。增强前后影像的像素值分布如图3所示，可以看出，经边界增强后的图像便于下一步的海陆分离。

图 2

新窗口打开| 下载原图ZIP| 生成PPT

图 2 边界增强和海陆分界线提取指数的构建审图号：GS（2021）6026

Fig.2 The boundary enhancement and the construction of the sea-land boundary extraction index

图3

新窗口打开| 下载原图ZIP| 生成PPT

图3 图像边界增强前后像素值分布对比

Fig.3 The comparison of the pixel distribution before and after the boundary enhancement

2.2　海陆分离

2.2.1　SBEI指数计算

通常使用归一化水体指数NDWI（Normalized Difference Water Index）^［21］提取水体，该方法使其值归一化在［-1，1］之间，但由于水体当中存在土壤及沉降物等非水体信息，使得NDWI在淤泥潮滩与海洋分界处分离效果不佳^［22］，不能有效地突出水体和抑制背景信息。实验通过构造海陆分界线提取指数（Sea-land Boundary Extraction Index），增强海洋和陆地两类的光谱差异，进而实现高效的海陆分离，其计算如公式（12）所示。

S B E I = \frac{(B_{2} + B_{3}) - 2 \times B_{1}}{(B_{2} + B_{3} + B_{1})}

(12)

根据公式（12），将假色彩影像映射到［-2，1］范围内。如图2（b）所示的图像，计算得到的SBEI图像如图2（c）所示，可以明显地看出海陆两类地物。

2.2.2　海水陆地分类阈值计算

运用日本学者Otsu^［23］提出的自动阈值提取算法，对SBEI影像进行海陆分离阈值的自动确定，算法原理如下^［24］。

设影像大小为C×R，影像灰度值范围为［L_Min，L_Max］，灰度级范围为［0，K］，n_i为影像灰度级i的像素点个数，p_i=n_i÷（C×R）代表影像当中灰度级为i的像素点出现的概率。对灰度级范围［0，K-1］内任意一个灰度级T，均可以将SBEI影像分割为两类。不妨设灰度级为［0，T］的像素点为C₀类，灰度级为［T+1，K］的像素点为C₁类。其中C₀类像素点占比 $ω_{0} (T)$ ，C₁类像素点占比 $ω_{1} (T)$ 。

ω_{0} (T) = P r (C_{0}) = \sum_{i = 0}^{T} p_{i}

(13)

ω_{1} (T) = P r (C_{1}) = \sum_{i = T + 1}^{K} p_{i}

(14)

ω_{0} (T) + ω_{1} (T) = 1

(15)

设 $μ_{0} (T)$ 为C₀类平均灰度值， $μ_{1} (T)$ 为C₁类平均灰度值， $μ$ 代表整景SBEI影像平均灰度值，则有：

μ_{0} (T) = \sum_{i = 0}^{T} (L_{M i n} + i ∙ \frac{L_{M a x} - L_{M i n}}{K + 1}) \cdot P r (i |C_{0}|

(16)

μ_{1} (T) = \sum_{i = T + 1}^{K} (L_{M i n} + i ∙ \frac{L_{M a x} - L_{M i n}}{K + 1}) \cdot P r (i |C_{1}|

(17)

μ = ω_{0} (T) \times μ_{0} (T) + ω_{1} (T) \times μ_{1} (T)

(18)

实验以海水与陆地两类地物的类间方差 $δ^{2} (T)$ 为测算分类能力指标。对于［0，K-1］范围内的任何灰度级T，均可通过公式（19）计算该灰度级T对应的类间方差 $δ^{2} (T)$ ，将最大类间方差 $δ^{2} (T)$ 对应的阈值视为最优分割阈值，可记为 $T_{h}$ 。

δ^{2} (T) = ω_{0} (T) \cdot {(μ_{0} (T) - μ)}^{2} + ω_{1} (T) \cdot {(μ_{1} (T) - μ)}^{2}

(19)

= ω_{0} (T) \cdot ω_{1} (T) \cdot {(μ_{0} (T) - μ_{1} (T))}^{2}

T^{*} = \underset{1 \leq T \leq K - 1}{a r g} m a x {δ^{2} (T)}

(20)

T_{h} = L_{M i n} + T^{*} \cdot \frac{L_{M a x} - L_{M i n}}{K + 1}

(21)

根据上述公式求出的最优阈值可实现海陆分离。对于影像中任意一点，若其SBEI大于阈值 $T_{h}$ 则为海洋，小于阈值 $T_{h}$ 则为陆地，进而生成海陆分类二值图，图2（c）得到的海陆分类二值图如图4（a）所示。

图4

新窗口打开| 下载原图ZIP| 生成PPT

图4 海陆分离审图号：GS（2021）6026

Fig.4 Segmentation of sea and land

2.3　海陆分界线提取

一般情况下，海陆分类结果中往往出现很多“疑似”海水区域，比如陆地区域的水体也常常错分为海水，如图4（a）所示。为使得提取出的海陆分界线是真正的海水区域与陆地的分界线，实验将海水区域视为二值分类图中最大的水体区域，其他较小的水体斑块则合并到陆地区域中，如图4（b）所示。

可以看出，海陆分类结果中，连接海洋的河道会伸入陆地深处（如图4（b）），这往往不是理想结果，真正的海陆分界线应该能够跨过河口，形成一个较为平缓的分界线，如图4（c）所示。

为消除河道影响，本实验应用数学形态学中的膨胀和腐蚀运算填充河道向大陆延伸的细长区域。考虑到河道宽窄不一，膨胀腐蚀的步长则也不同，因此，对于入海口的河道宽度为W时，其膨胀、腐蚀步长设为W+1。然后，基于消除河道影响的海陆分类二值图，提取出两类的分界线，即为海陆分界线。

3 实验与结果分析

为验证实验方法的有效性，选择人工海岸、淤泥质海岸和养殖区海岸3个研究区域进行实验。实验获取了2019年9月9日、2018年4月20日和7月2日3景GF-2号卫星影像，其地理空间范围如图5所示。

图5

新窗口打开| 下载原图ZIP| 生成PPT

图5 研究区域的地理空间范围审图号：GS（2021）6026

Fig.5 Geographical position of study areas

高分二号卫星是我国自主研制的首颗空间分辨率优于1 m的民用光学遥感卫星，搭载两台高分率1 m全色/4 m多光谱相机，全色相机光谱范围为0.45~0.90 µm，成像幅宽为45 km。在卫星侧摆23^。的情况下，全球任意地区重访周期不大于5 d。本文对获取的GF-2高分辨率影像利用ENVI 5.3进行融合处理、几何校正和辐射校正，获取3景低于1 m分辨率多光谱影像，大小为7 300×6 908。影像皆位于山东省东营市河口区，属黄河三角洲地貌，并且由于黄河在境内改道、河水的冲击以及淤泥套叠，在境域当中形成了多种地貌类型。

3.1　人工海岸区域的海陆分界线提取实验

由图6（a）所示人工海岸遥感影像目视可知，主要由建筑、养殖区、礁石、淤泥和海洋组成，并且人工海岸岸线较为平整。首先进行边界增强处理并计算得到SBEI图像（图6（b））；再应用自动阈值分割，当阈值为0.15时类间方差最大，据此阈值得到海陆分类二值图（图6（c））。

图6

新窗口打开| 下载原图ZIP| 生成PPT

图6 人工海岸区域提取实验

Fig.6 The extraction experiment of artificial coasts

由图6（c）所示，首先视最大的白色区域为海洋，消除陆地上的碎斑（图6（d））；选取65×65的矩阵进行膨胀和腐蚀运算消除河道（图6（e））；最后进行海陆分界线提取比较（图6（f）），其中红线为人工目视提取的海陆分界线，黑线为本文算法提取的海陆分界线。可以看到海陆分界线整体拟合较好，采用文献［25］中的海岸线匹配度计算方法计算海陆分界线的匹配精度，测得其匹配精度约为5.05个像元。

3.2　淤泥质海岸区域的海陆分界线提取实验

由图7（a）所示淤泥质海岸遥感影像目视可知，主要由淤泥潮滩、养殖区、建筑、河道和海洋组成。首先进行边界增强处理并计算得到SBEI图像（图7（b））；再应用自动阈值分割，当阈值为0.30时类间方差最大，据此阈值得到海陆分类二值图（图7（c））。

图7

新窗口打开| 下载原图ZIP| 生成PPT

图7 淤泥质海岸区域提取实验

Fig.7 The extraction experiment of silt tidal flat areas

由图7（c）所示，首先视最大的白色区域为海洋，消除陆地上的碎斑（图7（d））；选取37×37的矩阵进行膨胀和腐蚀运算消除河道（图7（e））；最后进行海陆分界线提取比较（图7（f））。在绿色区域内由于潮水没过淤泥，造成了海陆分界线模糊不清，从而导致提取精度较低，而其他区域拟合较好。计算得出绿色方框内平均精度为34.96个像元，其他区域平均精度为4.58个像元。

3.3　养殖区海岸区域的海陆分界线提取实验

由图8（a）所示养殖区海岸遥感影像目视可知，主要由养殖区、淤泥、河道、云层和海洋组成。首先进行边界增强处理并计算得到SBEI图像（图8（b））；再应用自动阈值分割，当阈值为0.22时类间方差最大，据此阈值得到海陆分类二值图（图8（c））。

图8

新窗口打开| 下载原图ZIP| 生成PPT

图8 养殖区海岸区域提取实验

Fig.8 The extraction experiment of breeding areas

由图8（c）所示，首先视最大的白色区域为海洋，消除陆地上的碎斑，同理消除海洋中因云层遮蔽产生的碎斑（图8（d））；应用膨胀和腐蚀运算消除河道（图8（e））；最后进行海陆分界线提取比较（图8（f））。在绿色区域内，由于云层遮挡部分陆地，所以误将云层的边界误认为海陆分界线，而在其他区域拟合较好。计算得出绿色方框内平均精度为195.57个像元，其他区域平均精度为7.93个像元。

3.4　与NDWI和CV模型提取海陆分界线的精度比较

为了说明本实验算法能较为精确地提取海陆分界线，将提取结果与NDWI和CV^［26］模型提取的海陆分界线进行比较^［27］。如图9所示，（a）~（c）分别表示在人工海岸、淤泥质海岸和养殖区海岸内，基于NDWI和CV模型提取的海陆分界线与人工目视提取的海陆分界线比较，其中红线为人工目视提取的海陆分界线，黑线为算法提取的海陆分界线。由图9（a）可知，部分海洋被误认为陆地并提取了边界线，绿色方框内误差较大但其他位置海陆分界线拟合较好，经计算其匹配精度约为21.57个像元（除海洋误判区域）。由图9（b）可知，绿色方框内的淤泥潮滩处，此算法提取精度较差并且河道边界线也被提取，经计算绿色方框内平均精度为43.82个像元，其他区域（不包括河道）平均精度为18.11个像元。由图9（c）可知，绿色区域内也存在将云层边界误认为海陆分界线的问题，经计算绿色方框内平均精度为204.83个像元，其他区域平均精度为32.57个像元。

图9

新窗口打开| 下载原图ZIP| 生成PPT

图9 基于NDWI和CV模型提取海陆分界线与实际海陆分界线比较

Fig.9 Contrast diagram between the extraction sea-land boundary based on NDWI and CV model and the actual counterpart

4 结论

在高分辨率遥感影像中，由于NDWI指数时而不能有效地提取水体，因此本文构造SBEI指数增大陆地和海洋的类间差异。对于河道伸入大陆的情况，用特定步长的膨胀和腐蚀运算来消除；最后，采用GF-2卫星的遥感影像数据，在3种不同海岸类型的区域上提取了海陆分界线，实验结果表明算法具有一定的普适性，并且在岸线模糊的淤泥质区域，也能较为精确地提取海陆分界线，比常用的NDWI和CV模型的提取精度至少高10个像元。

由于自动提取水体区域时，假设最大的水体区域为海水区域，因此对于海洋面积小于大陆水体面积的情况，本算法不能完全适用，需要人为介入。同时若影像中海陆分界线处云层覆盖较为严重，也会对海陆分界线的提取精度产生影响，因此，采用本文方法提取海陆分界线时，尽量选择海陆分界处没有云层覆盖的影像，或者借助多景影像协同提取来消除局部区域云层覆盖对提取结果的影响。

算法基于传统的海陆分界线提取方法，对于大规模数据耗时较长，因而需考虑如何优化算法以减少时间和空间复杂度。所构建海陆分界线提取指数应用于更多种的海域类型，验证其精确度并观察分类效果。同时，边界增强部分所需参数 $α_{0}$ 、 $α_{1}$ 、 $σ_{s}$ ， $σ_{r}$ 和K宽度需要通过实验人为进行调节，所以如何根据影像自适应参数需在未来进一步研究。

参考文献

原文顺序

文献年度倒序

文中引用次数倒序

被引期刊影响因子

[1]

Boak

E H

， Turner

I L

Shoreline definition and detection： a review

［J］. Journal of Coastal Research，2005，21（4）：688-703.