学术成果 | 面向黄土坡面切沟提取的影像分割与优化方法研究

发布于 2021-11-24 12:10 ，所属分类：2021面试经验技巧分享

Ding H, Liu K, Chen X, Xiong L, Tang G, Qiu F, Strobl J.Optimized Segmentation Based on the Weighted Aggregation Method for Loess Bank Gully Mapping.Remote Sensing. 2020; 12(5):793. https://doi.org/10.3390/rs12050793

点击推送最下方“”下载论文,或点击论文下载链接:https://doi.org/10.3390/rs12050793

01 内容导读

黄土高原剧烈的沟蚀作用造成了区域内严重的水土流失，对当地生产生活造成直接影响。侵蚀沟信息的高精度提取与制图是水土保持等应用部门开展侵蚀沟动态监测的重要工作内容之一。黄土坡面切沟作为一种典型的侵蚀沟类型，发育速度快、形态不稳定，对其进行精确提取与制图存在一定的难度。数字地形分析为地貌实体的提取与分类等研究提供了重要的方法支撑，但目前面向复杂地貌实体尤其是微地貌的提取方法的研究还相对薄弱。针对这一现状，已有诸多研究以对象视角切入，结合面向对象影像分析（Object-based Image Analysis, OBIA）的研究范式进行地理实体提取与制图，但面向坡面切沟提取的相关研究仍存在着诸多方法问题有待深入探讨。

02 研究思路

影像分割是 OBIA 的核心与基础，分割得到的影像对象将作为后续特征提取以及地物分类和识别的载体，故分割质量的高低将直接影响对象边界与实际地物的匹配程度，从而影响后续分类结果的精度。本文面向黄土坡面切沟的精细化提取，提出了“分割-优化-质量评价”的完整流程（图1）。

图1 实验总体流程

在分割阶段，本文采用基于加权聚合分割（Segmentation by weighted aggregation, SWA）的方法，可一次性生成多层次分割结果，克服了常用的多尺度分割算法（Multiresolution segmentation, MRS）需要大量调参的不足。在分割结果优化阶段，采用基于流域划分的思路，通过综合考虑对象内同质性和对象间差异性，设计指标，并实现对分割结果的优化。然后，本文基于不一致性准则，设计了面积数量比指数（Area-number index, ANI），ANI指数综合了几何不一致和数量不一致，能够较好的对分割结果进行定量评价。最后，基于最优分割结果，本文采用XGBoost分类器，选取地形特征、几何特征、光谱特征和纹理特征构建用于分类的特征空间，最终实现了坡面切沟的精细化提取。

03 实验过程与结果

本文研究区位于陕西安塞纸坊沟流域，面积约为2.33平方公里。数据源主要有基于无人机摄影测量获取的1米分辨率DEM和WorldView-3影像数据。

图2 研究区与DEM数据

首先，基于SWA对研究区进行分割，获得了5个尺度的分割结果，然后通过流域划分将研究区分为18个子流域，在每个子流域内通过莫兰指数（MI）和面积加权方差（WV）来量化影像对象间的异质性和影像对象间的同质性，再利用F-measure将MI和WV进行融合；在每个子流域内，计算每个尺度的分割结果的F-measure值，数值最大的结果对应的分割尺度便作为该子流域的最优分割尺度，进而可获得全区域的最优分割结果。图3展示了三个子流域的MI, WV和F-measure的折线图，从F-measure折线图可直观判断最优分割尺度。图4展示了SWA和MRS在不同分割尺度下的定性对比，可以看出SWA的分割结果在控制过分割和欠分割上均具有更优的效果。

图3 三个子流域的MI, WV, F-measure折线图

图4 SWA和MRS分割结果的定性对比

为了定量化进行分割结果的评价，本研究提出了ANI指数，可以综合考虑几何不一致和数量不一致，通过表1可以看出，优化后的SWA可以取得最小的ANI数值0.138，表明优化后的分割结果最佳。

表1 分割结果的定量评价统计表

基于优化后的分割对象，本研究选取地形特征、光谱特征、几何特征和纹理特征构建特征空间，并基于XGBoost分类器构建面向坡面切沟提取的分类模型。图5和表2分别展示了坡面切沟的提取结果和提取精度。提取结果的precision，recall和F1分别为80.21%，77%和78.57%，提取结果基本能够表达坡面切沟的个体特征，提取精度较好。

图5 坡面切沟提取结果

表2 坡面切沟提取精度统计表

04 总结与延伸阅读

本研究针对OBIA研究范式在黄土微地貌提取研究中的不足，提出了“分割-优化-质量评价”的完整流程，并基于XGBoost分类器实现了对黄土坡面切沟的提取，研究结果能够为黄土高原水土保持工作提供支撑。

本研究的主要落脚点在OBIA研究范式中的分割优化与评价的问题。实际上，除了分割优化以外，特征空间的构建和不同分类器的选取也会对分类结果产生影响。针对前者，课题组基于卷积神经网络构建了深度地形特征，以坡面切沟提取为应用落脚点，并与传统基于特征工程构建的浅层特征进行对比，结果表明深度地形特征对于坡面切沟的提取精度有进一步的提升，相关论文目前正处于投稿阶段（Ding et al., 2021, JAG）；针对后者，课题组选取4种主流的机器学习分类器，面向黄土梯田提取工作，对分类器的效能进行了评估，并发现当面向黄土梯田这种成片分布的地貌实体的提取与分类工作时，Random forest分类器的分类效果要优于XGBoost（Ding et al., 2021, Remote Sensing）。此外，课题组利用分割优化的思路，在区域尺度的地形分类研究中也进行了初步探索（Na et al., 2021, TGIS）。