浙江大学学报(工学版)

浙江大学学报(工学版), 2022, 56(4): 764-774 doi: 10.3785/j.issn.1008-973X.2022.04.016

计算机技术、信息工程

基于无人机遥感影像的水体提取方法

卞艳,, 宫雨生,, 马国鹏, 王昶

辽宁科技大学 土木工程学院，辽宁 鞍山 114051

Water extraction from unmanned aerial vehicle remote sensing images

BIAN Yan,, GONG Yu-sheng,, MA Guo-peng, WANG Chang

School of Civil Engineering, University of Science and Technology Liaoning, Anshan 114051, China

通讯作者: 宫雨生，男，副教授. orcid.org/0000-0002-7530-7985. E-mail： 38642709@qq.com

收稿日期: 2021-05-9  

基金资助: 国家自然科学基金青年科学基金资助项目(41801294)；武汉大学测绘遥感信息工程国家重点实验室珞珈一号特别开放研究基金资助项目(18T07)

Received: 2021-05-9  

Fund supported: 国家自然科学基金青年科学基金资助项目(41801294)；武汉大学测绘遥感信息工程国家重点实验室珞珈一号特别开放研究基金资助项目(18T07)

作者简介 About authors

卞艳（1994—），女，硕士生，从事遥感图像处理的研究.orcid.org/0000-0002-9466-9156.E-mail：997166041@qq.com , E-mail：997166041@qq.com

摘要

针对无人机（UAV）影像水体提取出现的噪声干扰、光谱混淆、分割尺度难把握、无法使用水体指数等问题，提出边缘检测算法结合面向对象方法的新水体提取方法（AUCSN）. 采用各向扩散滤波算法对影像去噪；采用Canny边缘检测算子对去噪后影像进行边缘提取，提取结果与去噪后影像进行波段重组，利用改进的邻域绝对均值差分方差比法对重组影像选取最优分割尺度，开展多尺度分割. 结合水体对象的光谱、形态、纹理特征建立模型，对分割后影像实现水体粗提取. 将粗提取结果利用形态学闭运算填充孔洞，实现水体提取. 实验结果表明，采用AUCSN方法进行水体提取，不仅提高了提取效率，而且提取精度能够达到96%.

关键词： 无人机影像 ; 去噪 ; Canny ; 多尺度分割 ; 特征提取 ; 形态学

Abstract

A new method named automatic segmentation (AUCSN), which combines edge detection algorithm with the object-oriented method, was proposed in order to solve the problems such as noise interference, spectral confusion, segmentation scale error, and water index unavailable which happen in water extraction from unmanned aerial vehicle (UAV) images. An anisotropic diffusion filtering algorithm was used to denoise the image. The Canny edge detection operator was used to extract the edge of the denoised image, and the extraction results were reconstructed with the denoised image. Then an improved absolute mean difference variance ratio method was used to select the optimal segmentation scale for the reconstructed image to conduct multi-scale segmentation. A model combined with the spectral, morphological, and texture feature of the water object was established in order to coarsely extract water objects from the segmented image. The morphological closed operation was used to fill the holes of the coarse extraction results, realizing water extraction. Results show that the AUCSN method can improve the extraction efficiency and the extraction accuracy can reach 96%.

Keywords： unmanned aerial vehicle image ; denoising ; Canny ; multi-scale segmentation ; feature extraction ; morphology

PDF (1839KB) 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

卞艳, 宫雨生, 马国鹏, 王昶. 基于无人机遥感影像的水体提取方法. 浙江大学学报(工学版)[J], 2022, 56(4): 764-774 doi:10.3785/j.issn.1008-973X.2022.04.016

BIAN Yan, GONG Yu-sheng, MA Guo-peng, WANG Chang. Water extraction from unmanned aerial vehicle remote sensing images. Journal of Zhejiang University(Engineering Science)[J], 2022, 56(4): 764-774 doi:10.3785/j.issn.1008-973X.2022.04.016

地表水[1]（河流、湖泊、水库等）对维持城市生态系统[2]的稳定起着至关重要的作用. 随着无人机遥感技术的快速发展，如何快速、准确地从无人机遥感影像中获取地表水体信息逐渐成为水利部门及大多数学者关注的热点.

目前，国内外常采用水体指数模型算法对含近红外波段及短波红外波段的卫星遥感影像进行水体提取，如归一化水体差异指数法NDWI[3]、改进归一化水体差异指数法[4]及自动水提取指数法[5]等方法. 采用基于影像像素灰度值的水体提取方法，如监督与非监督分类法[6-7]、阈值分割法[8]等方法. 上述方法都是针对中低分辨率或多波段卫星遥感影像提出来的，将其应用于高分辨率、仅含有R、G、B 3个波段的无人机遥感影像水体提取工作中会出现较严重的光谱混淆现象，导致水体提取精度不高.

随着研究者们的不断努力，一些适用于无人机遥感影像的水体提取新方法，如面向对象方法[9]、深度学习方法等相继被提出. 其中，深度学习方法，如Chen等[10]提出的CNN网络模型法、何红术等[11]提出的改进的U-Net网络法等方法能够将水体比较完整地进行提取，对小目标水体的提取效果较好，但深度学习方法需要大量的样本数据进行训练，对服务器的配置要求较高且耗时较长. 面向对象方法，如秦慧杰等[12]基于该方法实现了无人机影像中的水体提取与变化监测，但该方法对影像的质量要求特别高，对噪声特别敏感. 周晓明[13]基于该方法实现了无人机影像的水体提取，但须对影像进行多尺度分割，分别取150、200、250等不同的分割尺度进行尝试，耗时耗力，降低了精度.

针对上述问题，本文提出结合边缘检测算法和面向对象方法的新水体提取方法—AUCSN方法. 该方法为了消除噪声干扰，采用各向异性扩散算法[14]（P-M算法）进行滤波去噪. 为了提高多尺度分割的效率与准确性，将Canny检测结果与去噪后的影像进行波段重组，将重组后的影像在最优分割尺度下进行多尺度分割（引入改进的邻域绝对均值差分方差比值 （modified ratio of mean difference to neighbors to standard deviation, MRMAS）来自动获取重组影像的最优分割尺度[15]），提高了分割速度,与地物边缘的吻合度更高[16]. 为了获取最终的水体信息，采用水体综合特征提取模型去除阴影，实现水体粗提取，将粗提取结果进行形态学闭运算修饰，实现水体精提取. AUCSN方法与深度学习方法相比，对电脑配置的要求不高，更适用于只有R、G、B 3波段的无人机遥感影像水体信息的快速获取，为水利部门快速提取水体信息提供了方法参考.

1. 实验数据及研究区域

为了验证提出的AUCSN水体提取方法对不同形态下的地表水的提取效果，采用大疆PHANTOM 4 RTK进行数据采集，获取了无人机R、G、B三波段、大小为5 472×3 648像素、分辨率为6 cm/像素的无人机遥感影像. 实验数据如图1所示. 为了验证算法的提取效果，采用人工绘制水体边界的方式制作了参考影像，如图2所示.

图 1

新窗口打开| 下载原图ZIP| 生成PPT

图 1   无人机遥感影像实验数据

Fig.1   Experimental data of UAV remote sensing images


图 2

新窗口打开| 下载原图ZIP| 生成PPT

图 2   研究区水体矢量信息参考影像

Fig.2   Reference images of water vector information in study area


2. AUCSN水体提取方法

2.1. 本文AUCSN水体提取方法流程

为了更加直观地展现出提出的AUCSN水体提取方法的思路，绘制了AUCSN水体提取方法的流程图，如图3所示.

图 3

新窗口打开| 下载原图ZIP| 生成PPT

图 3   AUCSN水体提取方法的流程图

Fig.3   Flow chart of AUCSN water extraction method


2.2. P-M算法去噪

阳光、阴影、云层等外界因素会导致无人机影像产生噪声，为了更好地进行边缘检测及图像分割，采用P-M算法对影像进行去噪处理. 该方法的优势是既能够去除噪声，又能够较好地保留图像边缘，有利于后续的边缘提取工作.

P-M算法[17]把影像视为热量场，每个像素视为热流，依据当前像素与邻域像素间的关系，判断是否需要向周围扩散. 若某个邻域的像素与当前像素间的差别较大，则可以断定该邻域像素为边界的可能性较大，当前像素不须再向该方向扩散，使边界得以保存. 迭代原理的公式如下：

$ \begin{split} &{I_{t + 1}} = {I_t} + \\ &\lambda \left( {{\lambda_{\rm{N}}}{\nabla _{\rm{N}}}({I_t}) + {\lambda_{\rm{S}}}{\nabla _{\rm{S}}}({I_t}) + {\lambda_{\rm{E}}}{\nabla _{\rm{E}}}({I_t}) + {\lambda_{\rm{W}}}{\nabla _{\rm{W}}}({I_t})} \right). \end{split} $

式中：I（x，y）为图像像素，t为迭代次数，λ为边界的导热系数，▽N（It）、▽S（It）、▽E（It）、▽W（It）分别为在北、南、东、西方向对当前像素所计算的偏导数， $\lambda_{\rm{N}} $、 $\lambda_{\rm{S}} $、 $\lambda_{\rm{E}} $、 $\lambda_{\rm{W}} $为各方向的导热系数.

2.3. Canny边缘检测算子

在图像处理中，边缘主要分布在目标与背景的灰度差异较明显的地方[18]，即某点一阶导数局部极大值处，可以依据导数实现边界点集的提取.

边缘提取采用Canny算子，属于1阶梯度算子，对噪声的敏感程度相对较低，且信噪比较高，检测出的边缘位置与实际地物的吻合度最高. 对于数字图像f（x, y），在（x, y）处的梯度矢量定义如下所示：

$ \nabla f = {\left[\frac{{\partial f}}{{\partial x}}\;\;,\;\; \frac{{\partial f}}{{\partial y}}\right]^{\rm{T}}} = {[{G_x}\;\;,\;\; {G_y}]^{\rm{T}}} . $

2.4. M-SS多尺度分割方法

2.4.1. 最优分割尺度的确定

通过总结谭衢霖等[19]对最优分割方法的研究及针对周晓明[13]提出的无人机影像水体提取方法无法快速且准确地获取最优分割尺度的问题，在多尺度分割（multiscale segmentation，M-SS）方法中引入MRMAS来自动获取最优分割尺度. MRMAS方法依据“各对象内同质性最大，对象之间差异性最大”的原则，计算公式为

${\rm{ MRMAS}} = \frac{{\displaystyle\sum\limits_{L = 1}^m {{W_L} \frac{{\Delta {C_L}}}{{{S_L}}}} }}{{\displaystyle\sum\limits_{L = 1}^m {{W_L}} }}. $

式中：L表示波段层，ΔCL为对象间的灰度均值差，SL为对象内标准差，m为波段层数，WL为L层权重. MRMAS的最大值即是影像的最优分割尺度，在非最优尺度下进行多尺度分割，会造成影像的“过分割”与“欠分割”现象.

2.4.2. 最优分割尺度下的M-SS多尺度分割技术

多尺度分割算法的优势是可以根据影像各波段对所要提取要素的影响程度，合理分配影像各波段的权重. M-SS多尺度分割方法与传统的多尺度分割算法相比，将Canny边缘检测的结果作为一个波段，与去噪后的R、G、B波段组合成4波段影像. 调整各波段的权重使MRMAS最大，即在该最大值尺度下进行多尺度分割，可以提高各地物边缘分割的准确性及提取效率. M-SS方法的流程如图4所示.

图 4

新窗口打开| 下载原图ZIP| 生成PPT

图 4   M-SS多尺度分割方法的流程图

Fig.4   Flow chart of M-SS multi-scale segmentation method


2.5. 水体粗提取和形态学闭运算

为了能够在M-SS多尺度分割处理后的影像对象中，完整地提取出水体信息. 根据研究区域水体的特征与面向对象思想，建立水体信息粗提取模型. 该模型包含光谱特征、形态特征和纹理特征3大类，各大类被细分出适用于水体信息提取的子类，具体如下.

光谱特征主要表达影像原始的灰度特征，包括光谱均值、光谱最小值、光谱最大值及光谱标准差值等. 为了更好地利用各波段光谱特征，选择影像各波段光谱均值作为影像的光谱特征[20]，计算公式为

$ \left. {\begin{array}{*{20}{c}} {M = \dfrac{1}{n} \displaystyle \sum\limits_{i = 1}^n {{x_i}} },\\ {\bar M = \dfrac{1}{m} \displaystyle \sum\limits_{i = 1}^m {{M_i}} .} \end{array}} \right\}$

式中： $ \overline M $为所有波段光谱均值的平均值，M为各波段对象中所有像元光谱均值，xi为影像对象的像元值，n为对象包含的像元总数，m为波段数.

形态特征是指对象在分割后的形态上展现出来的特征[21]，包括长度、宽度、面积、长宽比等. 可以发现水体在遥感影像中的表现特征一般为面积较大且长宽比较大，所以选择影像对象的面积与长宽比进行水体信息提取.

纹理特征用于描述影像中被提取对象或子对象的纹理信息[22]. 纹理特征是较高分辨率的遥感影像中很重要的特征，用于描述图像区域所对应景物的表面性质，包括图像的同质性、角二阶矩、熵、非相似性、纹理均值及标准差等特征. 选择纹理均值进行水体提取，纹理均值表示为

$ \mu {\rm{ }} = \frac{1}{{{n^2}}} \times \sum\limits_{i = 0}^{n - 1} {\sum\limits_{j = 0}^{n - 1} {{p_{i,j}}} } . $

式中：µ为纹理均值，pi,j为每个像素点对应的纹理值.

为了使提取的水体信息更完整，利用形态学闭运算对内部孔洞进行填充. 形态学闭运算作为AUCSN方法的最后一个步骤，原理是采用结构元素对影像进行膨胀操作再进行腐蚀操作. 该运算不仅能够使目标图像内部孔洞被填充，保持目标原有的形状及大小不变，而且能够把断裂的目标连接起来[23].

3. 实验与分析

3.1. 实验评价指标

为了客观地评价AUCSN水体提取方法，将提取的结果与图1的原始影像以及图2的参考影像进行定性分析，采用准确度P、遗漏误差Q和冗余误差R 3个评价指标进行定量分析. P、Q、R的表达式分别为

$ P = a/s, $

$ Q = b/s, $

$ R = c/s. $

式中：s为参考影像中人工绘制的水体矢量面积；a为提取出的水体与人工绘制的水体矢量重叠部分的总面积；b为提取出的水体与人工绘制的水体矢量相比未重叠部分的总面积，即把水体作为背景时没有被提取出来部分的面积；c为提取出的水体较人工绘制的水体矢量冗余的总面积，即把背景噪声当作水体被提取出来的部分的面积.

3.2. AUCSN方法的水体提取及结果分析

3.2.1. P-M扩散滤波去噪

对原始无人机遥感影像进行图像去噪，对比常用的中值滤波、均值滤波以及P-M滤波算法. 原始影像中带有少量噪声，为了对比３种去噪方法的去噪效果，人为加入了密度为 0.01的椒盐噪声，原图及去噪结果图的局部放大效果如图5所示.

图 5

新窗口打开| 下载原图ZIP| 生成PPT

图 5   实验数据的去噪效果局部放大影像图

Fig.5   Partially magnified images of denoising effect of experimental data


如图5所示为上述3种滤波方法能够达到的最佳去噪效果. 对比去噪结果可以发现，常用的中值滤波器虽然能够有效地去除噪声，但使得图像边缘产生了模糊，不利于后续的边缘检测及影像分割. 均值滤波器对噪声的去除效果不好，使得影像中各地物信息更模糊，不利于后续的边缘检测及影像分割. 采用的P-M滤波算法既能够很好地保留边缘，又能够去噪. 采用结构相似度（structural similarity， SSIM）[24]、峰值信噪比（peak signal to noise ratio，PSNR）[25] 2个定量评价指标，对3种方法的去噪效果进行对比. SSIM是衡量2幅图像相似度的指标，公式为

$ {\rm{SSIM}}\left( {x,\;y} \right) = \frac{{\left( {2{\mu _x} {\mu _y} + {c_1}} \right) \left( {2{\sigma _{xy}} + {c_2}} \right)}}{{\left( {\mu _x^2 + \mu _y^2 + {c_1}} \right) \left( {\mu _x^2 + \mu _y^2 + {c_2}} \right)}} . $

式中：x、y分别指原始影像像素与去噪后的影像像素；µx为x的平均值，µy为y的平均值， $ \sigma _x^2$为x的方差， $\sigma _y^2 $为y的方差，σxy为x、y的协方差；c1、c2是用来维持稳定的常数，c1=（k1H）2，c2=（k2H）2，其中H为像素的动态范围，k1 = 0.01，k2 = 0.03. 计算结果如表1所示.

表 1   3种去噪方法去噪前、后影像的SSIM

Tab.1  SSIM before and after PSNR of images before and after denoising by three denoising methods

去噪方法 SSIM
人工湖 万水河 南沙河
中值滤波 0.863 0.795 0.758
均值滤波 0.754 0.731 0.715
P-M滤波 0.976 0.953 0.981

新窗口打开| 下载CSV


PSNR为信号最大可能功率和影响它的表示精度的破坏性噪声功率的比值，定义为

$ \quad \left. {\begin{array}{*{20}{l}} {{\rm{MSE}} = \dfrac{1}{{pq}} \displaystyle \sum\limits_{i = 0}^{p - 1} { \displaystyle \sum\limits_{j = 0}^{q - 1} {{{\left\| {{\boldsymbol{J}}\left( {i,j} \right) - {\boldsymbol{K}}\left( {i,j} \right)} \right\|}^2}} } ,}\\ {{\rm{PSNR}} = 10 \times \lg \;\left( {\dfrac{{{\rm{MAX}}_{\boldsymbol{J}}^2}}{{{\rm{MSE}}}}} \right).} \end{array}} \right\} $

式中：J、K分别为原始影像与去噪后的影像；MSE为2幅影像的均方差；p与q分别为影像的宽与高；（i, j）表示每个像素点的位置；MAXJ为图像像素点灰度的最大值，一般取255. 计算结果如表2所示.

表 2   3种去噪方法去噪前、后影像的PSNR

Tab.2  PSNR of images before and after denoising by three denoising methods

去噪方法 PSNR/dB
人工湖 万水河 南沙河
中值滤波 36.258 35.976 35.683
均值滤波 33.684 35.976 35.541
P-M滤波 38.419 39.186 39.232

新窗口打开| 下载CSV


从表1、2可以看出，采用P-M滤波算法去噪后的影像结构相似度与峰值信噪比均高于中值与均值去噪后的影像，更能够完整地保留原始影像的细节特征.

3.2.2. Canny边缘检测算子

对采用P-M滤波算法去噪后的影像分别采用边缘监测算子（Canny、Robert、Sobel）进行边缘提取，将几种提取结果与手绘边界进行矢量叠加比较，如图6所示.

图 6

新窗口打开| 下载原图ZIP| 生成PPT

图 6   边缘检测结果与手绘边界矢量叠加影像及局部放大影像

Fig.6   Edge detection results are superimposed with hand-drawn boundary vectors and their locally magnified images


从图6可知，Canny 算子对影像中地物的弱边缘信息响应程度较Sobel算子低、对噪声的敏感程度较Robert算子低. 通过将3种边缘检测结果与手绘边界矢量信息进行叠加观察发现，Canny 算子检测出的边缘信息与地物的真实边界更吻合，信噪比及准确度更高. 选择Canny 算子的检测结果，开展接下来的实验.

3.2.3. M-SS多尺度分割算法

M-SS多尺度分割算法是指将Canny边缘提取结果作为一个波段层，与去噪后的R、G、B影像进行波段重组，利用重组后的四波段影像进行多尺度分割. 为了验证该M-SS多尺度分割算法较无Canny辅助的多尺度分割算法的优越性，将M-SS多尺度分割算法及无Canny辅助的多尺度分割算法各层权重都赋予为1. 原因是无人机遥感影像中水体信息在可见光R、G、B这3层中与其他地物相比，没有表现出明显的特征，且边界不清晰，不利于水体提取. 在Canny层水体边界清晰，利于水体提取. 将Canny赋予为1，可以提高运行效率，验证有Canny层参与（Canny层权重为1）及无Canny层参与的效果对比. 采用MRMAS算法分别计算各自的最优分割尺度，使重组影像（各层权重为1）在最优分割尺度下分割，效果如图7所示.

图 7

新窗口打开| 下载原图ZIP| 生成PPT

图 7   有、无Canny参与的分割效果图

Fig.7   Segmentation renderings with or without Canny


如图7所示为实验区有、无Canny边缘检测参与的分割效果图，通过３个试验区的效果对比可得如下结论. 1）最左图中的椭圆处，有Canny边缘检测参与的陆地与湖水分割效果优于没有Canny边缘检测参与的. 2）中间与最右侧图中的椭圆位置，能够发现在浑浊水体和有树木存在的地方有Canny边缘检测参与的分割更准确.

为了验证Canny层权重对M-SS多尺度分割算法的影响，分别将权重设置为3、4、5、6，其余层的权重保持1不变，通过MRMAS计算不同权重下的最优分割尺度，使重组影像在最优分割尺度下进行分割，效果如图8所示.

图 8

新窗口打开| 下载原图ZIP| 生成PPT

图 8   辅以Canny层不同权重参与的分割效果图

Fig.8   Segmentation renderings with different weights of Canny layer


从图8可以发现，在Canny层权重从3增加到5的过程中，分割线会逐步向地物边缘处靠近. 当权重取5时，基本与边缘线重合；当权重取6时，分割结果基本不变. 当Canny层权重取5时，分割效果最佳. 有Canny 参与的分割方法比无Canny 参与的分割方法在效率上有显著提升，对比结果如表3所示. 表中，t为运行时间.

表 3   有、无Canny参与多尺度分割的时耗

Tab.3  Time consumption with or without Canny involved in multi-scale segmentation

方法 t/s
人工湖 万水河 南沙河
有Canny参与 54.28 9.73 16.76
无Canny参与 95.36 16.06 27.17

新窗口打开| 下载CSV


3.2.4. 水体粗提取

将M-SS多尺度分割后形成的独立对象结合水体的光谱、形态、纹理特征，建立规则集模型，实现水体粗提取. 规则集模型的建立原则如下. 1）光谱特征：影像中的水体属于偏暗地物，通过对影像光谱均值设定阈值，提取出水体、部分阴影及偏暗地物. ２）形态特征：影像中的水体一般面积都较大且长宽比较大，通过形态特征设定阈值，除去面积较小的阴影与暗色地物. ３）水体的纹理在影像中都较光滑、细腻，通过纹理特征设定阈值，再去除较粗糙的地物. 经过多次实验尝试，对研究区的阈值设定如表4所示，采用水体综合特征实现水体粗提取的效果如图9所示. 表中，r为长宽比值.

表 4   AUCSN方法的阈值设定

Tab.4  Threshold setting for AUCSN method

实验区域 M n r μ
人工湖 ≤930 ≥580 ≥2 ≤50
万水河 ≤840 ≥760 ≥15 ≤45
南沙河 ≤820 ≥660 ≥9 ≤41

新窗口打开| 下载CSV


图 9

新窗口打开| 下载原图ZIP| 生成PPT

图 9   研究区水体粗提取的结果

Fig.9   Results of crude extraction of water in study area


3.2.5. 形态学修饰

研究区水面上的绿植与水体特征不同，光谱均值大于设定的阈值，导致水体粗提取结果出现孔洞，因此继续采用形态学闭运算进行进一步修饰. 经过实验测试，人工湖、万水河及南沙河分别采用大小为25、12和27的圆盘结构进行闭运算处理，闭运算结果如图10所示. 从实验结果可以看出，该操作不仅对粗提取结果进行了填充，而且能够保持原有的形状和大小.

图 10

新窗口打开| 下载原图ZIP| 生成PPT

图 10   研究区闭运算处理的结果

Fig.10   Results of closed operation processing in research area


为了验证AUCSN方法的可行性，将该方法与传统的非监督提取方法(K-Mean)、无Canny算子参与的AUCSN方法文献[12]方法进行对比实验. K-Mean方法采用的是经典的、未经过优化的方法（最大迭代次数为60、距离阈值设置为5）. 无Canny参与的AUCSN算法中，除了与Canny相关的参数不同外，其余各运行参数均与有Canny参与的AUCSN算法相同. 选择文献[12]方法的原因如下：1）该方法是针对无人机R、G、B影像提出的水体提取方法；2）该方法是将影像的熵、角二阶矩、均值等纹理特征进行波段重组，突出水体信息；3）该方法是基于面向对象的方法. 上述3种方法的提取效果如图11所示.

图 11

新窗口打开| 下载原图ZIP| 生成PPT

图 11   各方法的水体提取结果

Fig.11   Results of water extraction by different methods


除了上述定性分析之外，采用式（6）~（8）的准确度P、遗漏误差Q和冗余误差R，对提取结果进行定量评价，4种方法的提取精度及运行效率的统计结果如表5所示.

表 5   水体提取精度及运行效率统计表

Tab.5  Statistical table of water extraction accuracy and operating efficiency

实验区域 实验方法 P/% Q/% R/% t/s
人工湖 AUCSN方法 96.34 3.66 2.31 87.32
人工湖 无Canny-AUCSN方法 90.46 9.54 11.98 120.67
人工湖 K-Mean方法 85.46 14.54 18.32 53.13
人工湖 文献[12]方法 90.12 9.88 6.43 150.76
万水河 AUCSN方法 97.62 2.38 1.02 39.43
万水河 无Canny-AUCSN方法 89.03 10.97 9.65 59.31
万水河 K-Mean方法 86.62 13.38 26.85 30.11
万水河 文献[12]方法 88.86 11.14 7.85 80.19
南沙河 AUCSN方法 97.47 2.53 1.84 49.65
南沙河 无Canny-AUCSN方法 86.91 4.87 5.89 68.83
南沙河 K-Mean方法 85.73 14.27 9.01 38.74
南沙河 文献[12]方法 87.66 12.34 8.98 95.66

新窗口打开| 下载CSV


从表5可以看出，传统的K-Mean方法分割效率高，但错提率与漏提率非常高. 文献[12]方法对噪声较敏感，且缺少形态学修饰的过程，造成提取出的水体存在孔洞现象. 无Canny-AUCSN方法由于对水体边缘的分割不准确，导致水体提取精度不高. 本文提出的AUCSN方法对无人机遥感影像中水体提取的平均准确度可以达到96%，遗漏误差和冗余误差分别为2.5%和1.5%，精度明显高于另外３种对比方法，分割效率较高.

4. 结　论

（1）该方法为只含有R、G、B ３个波段的无人机遥感影像进行水体信息提取提供了一种精度较高、效率较快的方法参考. 　　

（2）引入MRMAS方法，可以自动找到最优分割尺度，解决了人工反复实验确定分割尺度的缺陷，提高了分割效率与精度.

（3）在最优分割尺度下，辅以Canny边缘检测结果，使得各地物的边缘吻合度更高，提升了效率.

（4）AUCSN方法存在一些不足，如在规则提取模型的适用度方面表现一般，今后会在这方面继续研究以提高其普适性.

参考文献

JIA K, JIANG W, LI J

Spectral matching based on discrete particle swarm optimization: a new method for terrestrial water body extraction using multi-temporal Landsat 8 images

[J]. Remote Sensing of Environment, 2018, 209: 1- 18

DOI:10.1016/j.rse.2018.02.012      [本文引用: 1]

STABLER L B

Management regimes affect woody plant productivity and water use efficiency in an urban desert ecosystem

[J]. Urban Ecosystems, 2008, 11 (2): 197- 211

DOI:10.1007/s11252-008-0050-2      [本文引用: 1]

YANG F, GUO J H, TAN H

Automated extraction of urban water bodies from ZY-3 multi-spectral imagery

[J]. Water, 2017, 9 (2): 144

DOI:10.3390/w9020144      [本文引用: 1]

徐涵秋

利用改进的归一化差异水体指数( MNDWI) 提取水体信息的研究

[J]. 遥感学报, 2005, 9 (5): 589- 595

[本文引用: 1]

XU Han-qiu

By using the improved normalized difference water index (MNDWI) to extract water body information research

[J]. Remote Sensing, 2005, 9 (5): 589- 595

[本文引用: 1]

LIRA J. Segmentation and morphology of open water bodies from multispectral images [J]. International Journal of Remote Sensing. 2006, 27(18): 4015-4038.

[本文引用: 1]

GAUTAM V K, GAURAV P K, MURUGAN P, et al

Assessment of surface water dynamics in Bangalore using WRI, NDWI, MNDWI, supervised classification and K-T transformation

[J]. Aquatic Procedia, 2015, 4: 739- 746

DOI:10.1016/j.aqpro.2015.02.095      [本文引用: 1]

BRYANT R G, RAINEY M P. Investigation of flood inundation on playas within the zone of Chotts, using a time-series of AVHRR [J]. Remote Sensing of Environment. 2002, 82(2/3): 360–375.

[本文引用: 1]

范亚洲, 张珂, 刘林鑫, 等

水库水体的最大类间方差迭代遥感提取方法

[J]. 水资源保护, 2021, 37 (3): 50- 55

[本文引用: 1]

FAN Ya-zhou, ZHANG Ke, LIU Lin-xin, et al

Maximum inter-class variance iterative remote sensing extraction method for reservoir water bodies

[J]. Water Resources Protection, 2021, 37 (3): 50- 55

[本文引用: 1]

孙芳

遥感图像水体识别方法的比较与改进

[J]. 遥感技术, 2012, 33: 6854- 6875

[本文引用: 1]

SUN Fang

Comparison and improvement of water body recognition methods in remote sensing images

[J]. Remote Sensing Technology, 2012, 33: 6854- 6875

[本文引用: 1]

CHEN Y, FAN R, YANG X, et al

Extraction of urban water bodies from high-resolution remote-sensing imagery using deep learning

[J]. Water, 2018, 10 (5): 585

DOI:10.3390/w10050585      [本文引用: 1]

何红术, 黄晓霞, 李红旮

基于改进U-Net网络的高分遥感影像水体提取

[J]. 地球信息科学学报, 2020, 22 (10): 2010- 2022

[本文引用: 1]

HE Hong-shu, HUANG Xiao-xia, LI Hong-ga

High resolution remote sensing image water extraction based on improved U-Net network

[J]. Journal of Geo-information Science, 2020, 22 (10): 2010- 2022

[本文引用: 1]

秦慧杰, 高磊, 梁文广, 等

面向对象的无人机影像水体变化监测方法

[J]. 水土保持通报, 2018, 36 (4): 67- 71

[本文引用: 7]

QIN Hui-jie, GAO Lei, LIANG Wen-guang, et al

Object-oriented method for monitoring water body change in UAV image

[J]. Bulletin of Soil and Water Conservation, 2018, 36 (4): 67- 71

[本文引用: 7]

周晓明

基于特征于规则的河流水系信息提取研究

[J]. 长江科学院院报, 2018, 35 (8): 128- 131

DOI:10.11988/ckyyb.20180441      [本文引用: 2]

ZHOU Xiao-ming

Research on river system information extraction based on feature rules

[J]. Journal of Changjiang River Scientific Research Institute, 2018, 35 (8): 128- 131

DOI:10.11988/ckyyb.20180441      [本文引用: 2]

PERONA P, MALIK J

Scale-space and edge detection using anisotropic diffusion

[J]. IEEE Transactions on Pattern Analysis and Machine Intelligence, 1990, 12 (7): 629- 639

[本文引用: 1]

李艳华. 基于国产高分一号影像的新疆山区河流及桥梁信息提取技术研究 [D]. 乌鲁木齐: 新疆大学, 2015.

[本文引用: 1]

LI Yan-hua. Research on information extraction technology of rivers and bridges in xinjiang mountainous area based on GF-1 image [D]. Urumqi: Xinjiang University, 2015.

[本文引用: 1]

STEELE M K, HEFFERNAN J B

Morphological characteristics of urban water bodies: mechanisms of change and implications for ecosystem function

[J]. Ecological Applications, 2014, 24 (5): 1070- 1084

[本文引用: 1]

杨博雄, 陈颖, 于杰. 卫星遥感影像分水岭分割与边缘检测的海岸线提取 [J]. 电子技术与软件工程, 2020(11): 170-171.

[本文引用: 1]

YANG Bo-xiong, CHEN Ying, YU Jie. Coastline extraction based on watershed segmentation and edge detection of satellite remote sensing images [J], Electronics and Software Engineering, 2020(11): 170-171.

[本文引用: 1]

丁月平, 史玉峰

高空间分辨率遥感影像分类最优分割尺度

[J]. 辽宁工程技术大学学报:自然科学版, 2014, 33 (1): 56- 61

[本文引用: 1]

DING Yue-ping, SHI Yu-feng

Optimal segmentation scale for high spatial resolution remote sensing image classification

[J]. Journal of Liaoning Technical University: Natural Science, 2014, 33 (1): 56- 61

[本文引用: 1]

谭衢霖, 刘正军, 沈伟

一种面向对象的遥感影像多尺度分割方法

[J]. 北京交通大学学报, 2007, (4): 111- 114

[本文引用: 1]

TAN Qu-lin, LIU Zheng-jun, SHEN Wei

An object-oriented multi-scale segmentation method for remote sensing image

[J]. Journal of Beijing Jiaotong University, 2007, (4): 111- 114

[本文引用: 1]

王昶, 张永生, 韩世静. 基于频域显著性方法和ELM的遥感影像变化检测 [J]. 华中科技大学学报: 自然科学版, 2020, 48(5): 19-24.

[本文引用: 1]

WANG Chang, ZHANG Yong-sheng, HAN Shi-jing. Remote sensing image change detection based on frequency domain saliency method and ELM [J]. Journal of Huazhong University of Science and Technology: Natural Science Edition, 2020, 48(5): 19-24.

[本文引用: 1]

林荣清, 王延正, 刘晓恒. 基于 eCognition 的水体提取研究 [J]. 科技与创新, 2020(19): 17-20.

[本文引用: 1]

LIN Rong-qing, WANG Yan-zheng, LIU Xiao-heng. Research on water extraction based on eCognition [J]. Technology and Innovation, 2020(19): 17-20.

[本文引用: 1]

詹福雷. 基于面向对象的高分辨率遥感影像信息提取[D]. 长春: 吉林大学, 2014.

[本文引用: 1]

ZHAN Fu-lei. High resolution remote sensing image information extraction based on object-oriented [D]. Changchun: Jilin University, 2014.

[本文引用: 1]

邹橙. 基于GF-2遥感影像的水体信息提取方法研究 [D]. 合肥: 合肥工业大学, 2019.

[本文引用: 1]

ZOU Cheng. Research on water body information extraction method based on GF-2 remote sensing image [D]. Hefei: Hefei University of Technology, 2019.

[本文引用: 1]

WANG Z, BOVIK A C, SHEIKH H R

Image quality assessment: from error visibility to structural similarity

[J]. IEEE Transactions on Image Processing, 2004, 13 (4): 600- 612

DOI:10.1109/TIP.2003.819861      [本文引用: 1]

FILZASAVITRA P, WALUYO P T, ERFA S R.

Analysis of steganography on PNG image using least significant bit (LSB), peak signal to noise ratio (PSNR) and mean square error (MSE)

[J]. Journal of Engineering and Applied Sciences, 2019, 14 (21): 7821- 7827

DOI:10.36478/jeasci.2019.7821.7827      [本文引用: 1]

/

〈 〉