常宇佳，邱志偉,2*，牛 原，吳振宇， 潘春天

（1.江蘇海洋大學(xué) 海洋技術(shù)與測(cè)繪學(xué)院，江蘇 連云港 222000；2. 江蘇省海洋資源開發(fā)研究院， 江蘇 連云港 222000）

1 SAR影像海岸線檢測(cè)研究現(xiàn)狀

海岸線的檢測(cè)對(duì)于沿海地區(qū)是非常重要的，對(duì)于地理地圖、海岸侵蝕監(jiān)測(cè)都有重大意義[1-5]。近年來，國內(nèi)外專家學(xué)者對(duì)于SAR 影像海岸線檢測(cè)提出了諸多方法，經(jīng)過大量文獻(xiàn)查閱，大致分為5 種。

1）區(qū)域型方法檢測(cè)海岸線。該方法利用區(qū)域合并算法，通過連續(xù)自適應(yīng)區(qū)域合并實(shí)現(xiàn)海岸線的分割。近些年，通過謝明鴻等對(duì)區(qū)域合并算法的不斷優(yōu)化，該算法已有效減少了計(jì)算量，并有較高的提取精度，但仍有缺陷，如海面上的高亮區(qū)域、地面與海面的相似區(qū)域，算法導(dǎo)致出現(xiàn)孤立的小區(qū)域，極大的影響了海岸線的分割效果。

2）閾值檢測(cè)提取海岸線。采取合適的閾值實(shí)現(xiàn)海岸線的檢測(cè)，只有當(dāng)海岸線區(qū)域像素差異明顯，并且相干斑噪聲較小時(shí)，才能比較理想的提取出海岸線部分。該方法需要人為設(shè)置參數(shù)，并且對(duì)于閾值極為敏感，容錯(cuò)性不高。

3）馬爾可夫隨機(jī)場(chǎng)方法。馬爾可夫隨機(jī)場(chǎng)是建立在馬爾可夫模型和貝葉斯理論基礎(chǔ)之上的。自2012 年，F(xiàn)abio 等提出基于馬爾可夫隨機(jī)場(chǎng)的海岸線檢測(cè)算法，雖然該算法只能檢測(cè)高分辨率單視點(diǎn)復(fù)合SAR 影像，但也可以提取出諸多海岸線的細(xì)節(jié)信息。之后Fabio 等又在該算法進(jìn)行了改進(jìn)，提出一種無監(jiān)督，低報(bào)錯(cuò)率的海岸線檢測(cè)算法。但是該方法需要大量的計(jì)算量，且提取精度不理想。

4）人工神經(jīng)網(wǎng)絡(luò)方法。該方法模擬人類視覺信息處理提高海岸線檢測(cè)精度，有較好的學(xué)習(xí)能力和自動(dòng)更新能力，但是在海面紋理數(shù)據(jù)差異較大時(shí)，該算法的處理能力相對(duì)較弱，且該算法耗時(shí)長，提取精度受樣本數(shù)量和特征類型的影響。

5）主動(dòng)輪廓模型法。該方法將海岸線區(qū)域與主動(dòng)輪廓線相結(jié)合，給出基于海岸線檢測(cè)區(qū)域的水平集法。該方法可得到連續(xù)的海岸分割線，但該算法的參數(shù)需要人工調(diào)試，且對(duì)于海面粗糙度不均勻的區(qū)域效果不是很理想。本文在眾多理論基礎(chǔ)上改進(jìn)并提出一種適用于Sentinel-1 影像的海岸線自動(dòng)提取方法，該方法快速、簡便、提取精度較高，實(shí)用性較強(qiáng)。

2 研究方法和關(guān)鍵技術(shù)

2.1 研究區(qū)域概況

連云港是全國為數(shù)不多擁有港口的城市，海岸線全長176.5 km，因此對(duì)連云港的海岸線進(jìn)行監(jiān)測(cè)分析有著非常重大的意義。本次實(shí)驗(yàn)區(qū)域?yàn)榻咏B島附近的海岸線，全長約為32 km。Sentinel-1 影像分辨率為30 m，重訪周期為12 d。

2.2 技術(shù)流程

本文使用的海岸線提取流程如圖1 所示，首先獲取連云港SAR 多年的影像，然后進(jìn)行圖像的預(yù)處理，將其相對(duì)應(yīng)的軌道數(shù)據(jù)與之結(jié)合，處理成清晰的影像[6]，接著運(yùn)用MATLAB 軟件使用K-means 算法分割處理，然后進(jìn)行形態(tài)學(xué)處理，最后運(yùn)用canny 算子提取海岸線[7]，最終根據(jù)多年海岸線，進(jìn)行時(shí)空變化分析及精度驗(yàn)證。

圖1 海岸線提取流程圖

3 實(shí)驗(yàn)過程

3.1 圖像預(yù)處理

對(duì)于Sentinel-1 合成孔徑雷達(dá)影像，首先需要對(duì)圖像進(jìn)行圖像預(yù)處理，利用ENVI SARscape 進(jìn)行簡單的預(yù)處理，然后進(jìn)行降噪處理，否則圖像中的一些無關(guān)噪聲點(diǎn)可能會(huì)影響海岸線的提取[8]。因此，本文在盡可能保證海岸線信息完整的基礎(chǔ)上，消除如船舶、海浪等噪聲點(diǎn)的干擾。

降噪結(jié)束后，對(duì)圖像進(jìn)行NDWI 水體增強(qiáng)處理，根據(jù)水體指數(shù)直方圖，選取合適的閾值，最后得到水體指數(shù)影像，如圖2 所示。

圖2 水體指數(shù)影像

3.2 二值化

本文所采用的二值化是基于Kittler 改進(jìn)的二值化方法，本文所采用的最小錯(cuò)誤準(zhǔn)則公式為:

對(duì)于給定的p(g)和p(g|i)，存在一個(gè)灰度g，其灰度g滿足:

式中，t為最小錯(cuò)誤閾值。通過以下改進(jìn)公式得到最優(yōu)解，該公式可以更簡單的計(jì)算出準(zhǔn)則函數(shù)，大大節(jié)省了時(shí)間。

通過改進(jìn)的二值化方法得到二值化圖像3c，并與Otsu 二值化3a 和kittle 二值化3b 作比較，如圖3 所示，明顯可以看出本文的二值化方法效果更好一些。

圖3 3 種二值化方法比較

3.3 K-means 算法聚類分割

在降噪結(jié)束后，對(duì)圖像進(jìn)行K-means 聚類分割處理。在眾多的聚類算法中，K-means 聚類分割是最簡單的聚類算法之一，它屬于一種無監(jiān)督的學(xué)習(xí)算法。Kmeans 算法的難點(diǎn)在于需要設(shè)置不同的k值來獲得不同的聚類結(jié)果，k值的不確定性正是該算法的一個(gè)缺點(diǎn)。為了達(dá)到好的實(shí)驗(yàn)結(jié)果，需要進(jìn)行多次嘗試才能夠選取最優(yōu)的k值。在本次實(shí)驗(yàn)中，選定的K值為10。

3.4 形態(tài)學(xué)處理

形態(tài)學(xué)處理是基于圖像形狀對(duì)圖像進(jìn)行的一系列處理操作，基本操作步驟包括:腐蝕-膨脹-填充-開運(yùn)算-閉運(yùn)算。

本文采用的算法是先對(duì)圖像填充小的孔洞，補(bǔ)充小的像素點(diǎn)，使海岸線更加的光滑，然后進(jìn)行去噪操作。接下來進(jìn)行對(duì)圖像膨脹操作，填補(bǔ)圖像的高亮區(qū)域，然后進(jìn)行腐蝕操作，將海岸線分解成像素元素，把不屬于海岸線的元素變?yōu)閭€(gè)體，然后再進(jìn)行填充，使海岸線變得更加光滑、連續(xù)。

3.5 邊緣檢測(cè)

邊緣檢測(cè)是圖像處理和計(jì)算機(jī)視覺中的基本問題，邊緣檢測(cè)的目的是標(biāo)識(shí)數(shù)字圖像中亮度變化明顯的點(diǎn)[9]，就是確定像素點(diǎn)的狀態(tài)來判斷像素點(diǎn)是否在邊緣。

常見的邊緣檢測(cè)算子有Roberts 算子、Prewitt 算子、Sobel 算子、Canny 算子。本文經(jīng)實(shí)驗(yàn)研究實(shí)例對(duì)比，Canny 邊緣檢測(cè)算子為最優(yōu)檢測(cè)算子，選擇Canny邊緣檢測(cè)算子對(duì)Sentinel-1 圖像進(jìn)行邊緣檢測(cè)。

Canny 算子在處理邊緣檢測(cè)時(shí)，首先利用高斯濾波器平滑圖像，然后利用一階偏導(dǎo)有限差分計(jì)算梯度幅值和方向，對(duì)梯度幅值進(jìn)行非極大值抑制，用雙閾值檢測(cè)和連接邊緣[10-12]。對(duì)形態(tài)學(xué)處理之后的圖像進(jìn)行Canny 算子檢測(cè)邊緣，在此，本文對(duì)算法做了進(jìn)一步的優(yōu)化，將圖像在matlab 中提取出的笛卡爾坐標(biāo)直接在算法中進(jìn)行轉(zhuǎn)化，使其轉(zhuǎn)換為WGS84 坐標(biāo)。

4 實(shí)驗(yàn)結(jié)果與分析

本文實(shí)驗(yàn)首先從歐空局獲取原始圖像，并用Envi進(jìn)行圖像預(yù)處理，裁剪后的結(jié)果如圖4 所示。

圖4 裁剪后的實(shí)驗(yàn)區(qū)域圖片

使用算法進(jìn)行圖像處理，結(jié)果如圖5 所示。圖5展示了實(shí)驗(yàn)區(qū)域海岸線提取的一個(gè)實(shí)例過程，從圖中可以看出圖像經(jīng)過K-means 算法分割（a）、二值化降噪處理（b）、形態(tài)學(xué)處理（c）、邊緣檢測(cè)算子檢測(cè)（d）等操作后，海岸線準(zhǔn)確的被提取出來，最后與原始岸線做對(duì)比（e）。從圖5 中可看出經(jīng)形態(tài)學(xué)處理后岸線分割完整，提取的海岸線與原本岸線基本完全契合。

圖5 實(shí)驗(yàn)區(qū)域海岸線提取過程

圖6 為多年海岸線提取對(duì)比圖，實(shí)驗(yàn)數(shù)據(jù)采用不同年份相同季度的SAR 影像。從實(shí)驗(yàn)結(jié)果來看，2016 年與2015 年岸線變化并不明顯，而自2017-2020 年，岸線變化逐年明顯，向內(nèi)陸延伸明顯。為了驗(yàn)證預(yù)測(cè)，隨后在獲取到提取的海岸線數(shù)據(jù)后，可以計(jì)算出所研究區(qū)域的海岸線包圍的陸地面積，從而計(jì)算出陸地變化的趨勢(shì)。提取出的海岸線離散點(diǎn)的坐標(biāo)，把圖像邊界像素點(diǎn)也加進(jìn)散點(diǎn)數(shù)據(jù)集，所有的點(diǎn)連接成一個(gè)任意多邊形，然后利用多邊形面積公式計(jì)算出陸地的像素面積。公式如下:

圖6 多年海岸線提取對(duì)比圖

式中，xi、yi為海岸線離散點(diǎn)的坐標(biāo)，計(jì)算出像素面積后，則可通過比例關(guān)系，計(jì)算出陸地真實(shí)的面積。

經(jīng)過圖像處理并提取數(shù)據(jù)，計(jì)算出實(shí)驗(yàn)區(qū)域連云港海岸陸地面積變化時(shí)間在2015-2020 年，如圖7 所示。表中表明，自2015 年，連云港內(nèi)陸面積在逐年減少，可能是由于近年來全球氣候變暖，海平面升高以及多年海水侵蝕所致。經(jīng)實(shí)驗(yàn)數(shù)據(jù)表明，實(shí)驗(yàn)區(qū)域連云港沿岸陸地面積年平均縮減率為4.209 km2/a。由此例可以看出，本文提出的海岸線提取算法是可以基于哨兵一號(hào)數(shù)據(jù)對(duì)海岸線數(shù)據(jù)進(jìn)行提取的。因此進(jìn)行了分析和計(jì)算，極大的避免了傳統(tǒng)野外測(cè)量效率低、周期長的弊端，證實(shí)了該方法的在海洋工程方面的可行性和有效性。

圖7 2015-2020 年實(shí)驗(yàn)區(qū)域海岸陸地面積變化

以本文的精度驗(yàn)證進(jìn)行實(shí)地測(cè)量，測(cè)量時(shí)間為2020-05-17，并下載2020-05-23 的Sentinel-1 數(shù)據(jù)。本文選取30 個(gè)特征點(diǎn)，其中最大像素偏差為5，最小像素偏差為1，像素平均偏差為2.9，如圖8 所示。從精度對(duì)比結(jié)果分析得出結(jié)論，海岸線提取精度較高。

圖8 像素偏差直方圖

5 結(jié) 語

本文首先獲取了連云港多年同一季度SAR 影像，并進(jìn)行一系列的數(shù)據(jù)處理操作，然后應(yīng)用Matlab 軟件對(duì)多年影像進(jìn)行海岸線自動(dòng)提取分析。實(shí)驗(yàn)結(jié)果顯示，利用該方法對(duì)Sentinel-1 影像提取邊界線效果良好，從中可以提取出準(zhǔn)確海陸邊界線，對(duì)生態(tài)環(huán)境保護(hù)、農(nóng)林牧漁業(yè)的發(fā)展、海洋資源的規(guī)劃管理及航海安全等方面有著重要的影響，并為基于SAR 影像提取邊界線進(jìn)行時(shí)空變換分析做出了補(bǔ)充。