结合目标局部和全局特征的CV模型遥感影像水体提取方法

摘要

如何准确有效的实现水体信息提取，是目前水资源管理、监测和应用非常重要的一环，由于水体形状、大小和分布的多样性以及场景的复杂性，如何高效准确地从遥感影像中提取出水体仍具有挑战性。

现有的主动轮廓模型水体提取算法主要针对某一数据或特定水体类型，且受到噪声影响较大等问题，导致水体提取精度不高。因此，提出一种结合目标局部和全局特征的CV（Chan-Vese）模型快速分割方法。

该改进方法的能量泛函由整体项、局部项和正则项组成，通过将局部图像信息融入CV模型的能量泛函中，在局部项中引入卷积算子并计算演化曲线内外部差值图像灰度均值，用差分图像代替原始图像，有效限制演化曲线处理灰度不均匀图像时发生的错误移动。

此外，正则化项由长度约束项和新的惩罚能量组成，约束了演化曲线的长度，使目标边界更加平滑、精确，同时避免了传统水平集方法中的重新初始化步骤，以提高效率。

引言

水体提取技术是完成洪涝灾害监测的关键技术之一。遥感数据因其周期短、时效性强、覆盖范围广和低成本等特点成为水体提取技术的重要数据来源。

目前遥感水体提取的数据源主要有光学影像、SAR（Synthetic Aperture Radar）影像以及将二者融合的数据。经典的光学卫星影像水体提取方法有单波段阈值法、多光谱波段法、水体指数法和监督/非监督分类法。基于SAR影像的水体检测方法主要包括阈值法、监督分类法和图像分割法等。

遥感影像的场景、目标分布等具有复杂多变的特性，遥感影像复杂背景下的目标分割提取非常困难。在采用分割提取目标的方法中，水平集方法（Level Set Method）可以实现对遥感图像的目标识别、数据压缩和传递信息等操作，能够自动化处理复杂拓扑结构变化的交叉、合并等问题，具有较强的稳定性。

图1 水平集的轮廓演化示意图

研究方法

2.1 CV模型及存在的问题

水平集方法是一种用偏微分方程隐式表达曲线演化过程的数值方法，该方法的基本原理是，将曲线演化界面作为零水平集嵌入到更高一维的水平集函数之中，通过闭超曲面的演化方程计算得到水平集函数的演化方程。

2.2 改进的CV模型

基于以上CV模型的缺陷，本文提出一种结合目标局部和全局特征的CV模型。算法对预处理后的遥感影像转化为灰度图像，选取合适的初始目标区域并设定参数后，改进算法提出了局部项和正则化项约束全局项演化迭代。

图2 水体提取技术路线

实验结果与分析

3.1 实验区概况和数据来源

本文选取贵州省贵阳市内及周边地区，选取研究区内大小湖泊、河流、小水体为研究目标。考虑到遥感影像中地物的复杂多样，选取的研究区域覆盖城市区域和农村山地区域，水体类型丰富。

3.2 水体提取结果

本次实验在试验区域随机选取各类水体数据，保证算法的实用性，水体类型主要为大型湖泊、河流和小水体。地物背景复杂，既包含城区、郊外、山地和森林等。

图3 哨兵1号数据水体提取效果

图4 哨兵2号数据水体提取效果

结论与讨论

由于SAR数据受气候条件影响较小，相对于光学影像有着高时效等优势，目前水体提取采用SAR数据居多，但SAR数据同样存在一些缺陷。针对现有主动轮廓模型的不足，本文提出一种通过局部信息限制分割演化的CV模型以实现SAR影像和光学影像中水体的准确提取。

本文算法具有较高的实用性，下一步工作可以考虑将该算法运用在洪涝灾害、水体监测等领域，对环境保护和资源管理提供更有力的支持。