海岸线是海陆分界线, 由于受潮汐作用影响, 海陆分界线时刻处于变化中, 因此海岸线被定义为多年平均大潮高潮面所形成的实际痕迹线。海岸线提取是海岸带资源管理的基础, 只有准确地提取出海岸线, 海岸带的调查和管理才有意义^[1]。

目前, 利用遥感技术进行海岸线提取的方法较多, 主要分为传统的目视解译方法和自动提取方法。由于传统目视解译提取海岸线需要人为干预, 操作起来比较繁琐, 且对影像的分辨率要求较高, 因此目前海岸线自动提取方法研究较多, 各类算法已经较为成熟。Chen等^[2]利用区域生长法在光学遥感影像中提取出了水边线; 李秀梅等^[3]应用Canny算子对渤海湾海岸线进行了提取; 贾明明等^[4]基于多源遥感数据使用面向对象方法提取杭州湾海岸线并取得了较好的提取效果; 陈祥等^[5]针对SAR图像的特点, 采用一种粗阈值与精确阈值相结合的海陆分割方法实现了海岸线的提取; Aedla等^[6]利用直方图均衡化与自适应阈值算法实现了海岸线的自动提取。

上述自动提取方法大都是基于单景影像进行海岸线提取, 实际提取到的岸线是卫星过境时当地的瞬时水边线, 没有考虑潮汐对瞬时水边线位置的影响, 并不是真正的海岸线。虽然部分学者考虑了潮汐的影响并进行了潮汐校正, 如马小峰^[7]、张旭凯等^[8], 但是由于大部分是使用单景影像进行提取, 提取精度不是很理想。因此, 胡亚斌等^[9]提出将基于多期遥感影像提取得到的多时相瞬时水边线上边界近似平均大潮高潮线, 即海岸线, 但是多时相瞬时水边线的上边界判别只能依靠人工选取来实现, 反而加大了岸线提取的繁琐程度。本文在此基础上, 提出了一种基于多时相瞬时水边线的海岸线自动判别算法, 能够自动判别多时相瞬时水边线的上边界作为海岸线, 大大提高了海岸线提取效率。

1 数据 1.1 研究区

本文以马六甲海峡为研究区, 具体选择苏门答腊岛海岸带进行试验, 位于101°56′E~102°39′E, 1°15′N~ 1°36′N, 如图 1。

马六甲海峡地处东南亚, 位于马来半岛与苏门答腊岛之间, 是连接印度洋和太平洋的咽喉要道。近年来, 马六甲海峡内船只搁浅事故不断, 大型船只通行和运输面临严峻考验, 因此, 研究马六甲海峡海岸线的变化规律对船只通行安全和港口贸易具有重要意义。

1.2 遥感影像

本文使用的遥感影像为2019—2020年5景已经经过几何校正的Landsat 8 OLI影像, 主要用于多时相瞬时水边线的提取, 具体参数信息见表 1。

同时, 为验证提取海岸线的精度, 获取一景哨兵二号影像进行人工解译提取该地区海岸线用于精度验证, 影像获取时间为2020年3月16日, 分辨率为10 m。其他辅助数据主要是国家海洋科学数据中心2019年和2020年爪拉巴株巴辖潮汐观测站潮高统计数据。

2 方法

由于在后续提取水体过程中, 需要用到绿光和近红外波段的反射率, 为了消除受大气影响而造成的辐射误差, 得到真实的地表反射率, 提高水体提取精度, 需要对数据进行辐射定标和大气校正处理, 并根据研究区矢量范围对原始数据进行裁剪。海岸线提取总体流程如图 2所示。

2.1 基于NDWI和区域生长的海陆分割

归一化水体指数(normalized difference water index, NDWI)早在1996年由Mcfeeters^[10]提出, 主要用于提取影像中的水体信息。其主要是基于水体在绿光波段和近红外波段相反的光谱特性, 由绿波段和近红外波段的反射率计算得到。NDWI计算得到的图像相比原始图像, 能够更明显地区分陆地和水体, 降低云雾对结果的干扰, 增强水陆分界边缘信息, 提高水边线提取精度。因此, 本研究采用NDWI图像来提取水边线。NDWI是一种比值指数, 其具体计算方法如下:

${\rm{NDWI}} = \frac{{{\rho _{\rm{G}}} -{\rho _{{\rm{NIR}}}}}}{{{\rho _{\rm{G}}} + {\rho _{{\rm{NIR}}}}}}, $

(1)

式中: ${\rho _{\rm{G}}}$、${\rho _{{\rm{NIR}}}}$分别表示绿光波段和近红外波段的反射率。

区域生长是根据事先定义的准则将像素或子区域聚合成更大区域的过程。其基本思想是从一组生长点(单个像素或某个区域)开始, 将与该生长点性质相似的相邻像素或者区域与生长点合并, 形成新的生长点, 重复此过程直到不能生长为止^[11]。生长点和相似区域的相似性判断依据可以是灰度值、纹理、颜色等图像信息。

2.2 基于Canny算子的边缘检测

图像边缘信息主要集中在高频段, 通常说的边缘检测实质就是高频滤波, 图像处理中有多种边缘检测算子, 常用的包括普通一阶差分、Robert算子、Sobel算子等, Canny边缘检测算子是一种多级检测算法, 相比其他算子, Canny算子提出了基于边缘梯度方向的非极大值抑制和双阈值的滞后阈值处理, 使得到的结果更加细化, 定位更加准确, 是目前图像边缘检测算法中最经典、最先进的算法之一^[12]。Canny算子边缘检测步骤如下:

1) 使用高斯滤波器对原图像进行滤波, 其中高斯函数的方差人为设定;

2) 对滤波后的图像求梯度幅值以及梯度向量;

3) 对梯度图像进行非最大值抑制操作, 剔除非最大值的像素点;

4) 确定高、低阈值并结合连接分析方法确定图像最终的边缘, 高、低阈值大小的选择, 对检测得到的边缘质量有着关键性影响。

2.3 水边线上边界自动判别

岸线位置确定原理是根据海岸线的定义综合考虑潮汐对岸线位置的影响而提出的, 其中心思想就是确定多时相瞬时水边线的上边界, 将该上边界近似为平均大潮高潮线, 即海岸线。本文基于岸线位置确定原理, 提出了一种基于多时相瞬时水边线的海岸线自动判别算法。

设平面中3点P₁(x₁, y₁), P₂(x₂, y₂), P₃(x₃, y₃), 根据矢量积和右手定则, 可以通过计算3点的向量交叉积判断P₃与P₁、P₂组成的向量P₁P₂的位置关系, 公式如下:

$\begin{gathered} S({P_1}, {\rm{ }}{P_2}, {\rm{ }}{P_3}) = \left( {{x_1} -{x_3}} \right) \times \left( {{y_2} -{y_3}} \right) - \\ \;\;\left( {{y_1} -{y_3}} \right) \times \left( {{x_2} -{x_3}} \right)/2. \\ \end{gathered} $

(2)

若S > 0, 则P₃在向量P₁P₂的左侧; 若S < 0, 则P₃在向量P₁P₂的右侧; 若S=0, 则P₃在向量P₁P₂上。根据以上原理, 可以判断点与直线的位置关系, 从而判别多时相瞬时水边线(L₁、L₂、…、L_n)的上边界。算法总体流程如图 4所示。

具体步骤如下:

1) 确定陆地点L, 将瞬时水边线L₁的首尾点P, Q连接组成向量PQ, 并规定PQ的方向为前进方向。

2) 计算S(P, Q, L)。若S > 0, 则L在PQ左侧。

3) 计算L₁、L₂的交点并根据交点分为m段, 逐段判别。设某一段端点为A、B, L₁上一点为C, L₂上一点为D, 分别计算S₁(A, B, C)、S₂ (A, B, D)。

4) 若S_1×S > 0且S_2×S < 0, 则L₁为该段水边线上边界; 若S_1×S < 0且S_2×S > 0, 则L₂为该段水边线上边界; 若S_1×S > 0且S_2×S > 0, 则比较S₁与S₂绝对值大小, 若|S₁| > |S₂|, 则L₁为上边界; 若S_1×S < 0且S_2×S < 0, |S₁| < |S₂|, 则L₂为上边界。

5) 根据步骤3)和4)判断L₁、L₂全部m段的上边界, 合并得到L₁、L₂完整的瞬时水边线上边界。

6) 将步骤5)得到的上边界作为新的瞬时水边线, 按照以上步骤与剩余n–2条瞬时水边线进行判别, 得到n条多时相瞬时水边线的上边界。

3 实验 3.1 实验

本文利用区域生长法进行海陆分割, 并利用Canny算子边缘检测提取的瞬时水边线如图 3所示。应用本文提出算法得到的多时相瞬时水边线和海岸线结果如图 5所示, 为更好展示不同时相瞬时水边线的差异, 选取部分区域进行显示。可以看出, 提取的2019年3月15日的瞬时水边线部分地区变化较大, 是由于在水体提取过程中受到了云的影响, 获取了假边缘信息。2019年12月28日与2020年1月13日影像获取时潮高相差不大, 提取到的瞬时水边线基本重合在一起, 无法区分, 其余瞬时水边线部分地区相互交叉重叠, 大部分区域能够明显分离, 可见潮高对瞬时水边线的影响比较大。

3.2 精度验证

精度验证是对成果进行定性评价的基础上的定量分析。本文为验证海岸线提取的精度, 选取一景分辨率为10 m的哨兵二号影像, 获取时间为2020年3月16日, 获取时潮高为240 cm。对该影像进行辐射定标、大气校正等预处理, 利用目视解译方法得到人工解译的海岸线, 作为参考海岸线进行精度验证。

在本文提取的海岸线上每隔50 m选取一个特征点, 从各特征点向人工解译海岸线作垂线, 测量各点到人工解译岸线的距离(图 6), 得到最大的偏移距离为35.84 m, 最小距离为13.42 m, 统计计算得到平均偏移量和均方根误差分别为21.01 m和21.96 m, 由于本文使用的遥感影像的空间分辨率为30 m, 因此误差在30 m之内均可接受, 所以使用本文算法提取的海岸线在精度要求的范围内, 并且显然比使用单景影像提取的海岸线精度更高, 证明该算法能够用于海岸线的提取。

3.3 讨论

本文基于多期Landsat 8 OLI影像, 使用区域生长与Canny算子边缘检测相结合的方法进行瞬时水边线的提取, 考虑到归一化水体指数NDWI在海陆分割中的优势, 采用NDWI图像作为输入图像, 充分利用绿波段和近红外波段的光谱特性, 提高瞬时水边线提取精度。利用本文提出的海岸线自动判别算法进行多时相瞬时水边线上界的判别, 得到的海岸线具有较高的准确度和完整度, 但是也还有许多问题需要进一步完善。

首先, 在影像预处理过程中只考虑了辐射误差的影响, 进行了辐射校正, 没有针对云、雾可能对结果产生的影响进行处理。并且由于本文采用的Landsat 8卫星在同一地点过境时间固定, 实验中没有获取到当天最高潮时刻的影像, 对海岸线提取精度有一定的影响。

其次, 用于精度验证的参考岸线是人工解译得到的, 虽然用于解译的影像分辨率较高, 但是仍然与真实岸线有一定的误差, 导致本文提取的海岸线精度评价不准确。

再次, 在瞬时水边线自动提取方法中, 各类算法已较为成熟, 其中, 边缘检测算法在复杂的图像背景下容易受噪声影响, 造成提取结果不连续, 区域生长算法得到的结果虽然稳定连续, 但是速度较慢。本文利用区域生长与边缘检测相结合的方法, 充分利用图像的灰度值、纹理、颜色等信息的同时, 利用Canny算子的高信噪比、高定位精度和单边缘响应能力, 降低噪声对结果的干扰, 提高结果的准确性。但算法中一些参数的确定还是根据经验进行的, 没有考虑多种因素的影响, 后续研究中还需建立相关模型, 结合影像各波段间的关系进行参数和阈值的确定。并且由于实验过程中用到了绿波段和近红外波段信息, 绿光波段可以穿透一定的海水, 对于清洁海域, 还应考虑海底反射信息对岸线提取的影响。

4 结论

针对人工判别瞬时水边线上界速度慢、效率低的问题, 本文研究了基于多时相瞬时水边线的海岸线自动提取方法, 并开展精度评价, 主要结论如下。

1) 利用区域生长与边缘检测相结合的方法提取了瞬时水边线, 充分利用图像的灰度值、纹理、颜色等信息, 在岸线周围地物复杂时依然能得到较好的结果。

2) 提出了基于多时相瞬时水边线的海岸线自动判别算法, 实现了多时相瞬时水边线上界的自动判别, 得到的瞬时水边线上界就是海岸线, 提高了海岸线提取效率。

3) 利用人工解译的海岸线进行精度验证, 计算得到岸线位移距离均值和均方根误差分别为21.01 m和21.96 m, 通过分析, 误差在精度要求的范围内, 证明本文所提算法切实可行, 能够有效准确地提取出海岸线。但是对于水边线交叉重叠较多以及形状较复杂的地区, 海岸线精度没有达到期望值, 后续还需对预处理和瞬时水边线提取方法进行改进。