基于SPOT5圖像的泥石流自動提取方法

謝 飛，楊樹文，李軼鯤，劉 濤

(蘭州交通大學數理與軟件工程學院，蘭州 730070)

基于SPOT5圖像的泥石流自動提取方法

謝 飛，楊樹文，李軼鯤，劉 濤

(蘭州交通大學數理與軟件工程學院，蘭州 730070)

在前人研究基礎上，提出了一種基于SPOT5圖像和DEM數據自動提取泥石流的方法。首先利用歸一化差值植被指數(NDVI)、歸一化差值土壤亮度指數(NDSI)和圖像經主成分變換得到的第一主成分(PC1)等3種遙感指數獲取新的主成分變換圖像，進而利用閾值自動選取算法提取包含泥石流的裸地信息;然后基于1∶10000的DEM數據，利用改進的溝谷中心線提取算法提取溝谷中心線，并利用數學形態學濾波算法生成溝谷范圍;最后將提取的疑似泥石流圖斑與溝谷范圍匹配，并對矢量化后的結果進行面積、坡度和順坡性等篩選，得到泥石流或潛在泥石流信息。實驗表明，本文構建的泥石流提取模型具有較高的提取精度和效率。

泥石流;SPOT5;DEM;自動提取

0 引言

泥石流是嚴重威脅山區及山前地區居民安全和工程建設的一種地質災害［1］。2008年汶川地震后引發的次生泥石流地質災害，對山區城鎮、村莊、道路交通、水利水電工程和通訊基礎設施等造成嚴重破壞，給災區抗震救災和災后重建帶來了巨大困難。2010年舟曲縣突發的大規模泥石流也造成了重大的生命財產損失［2］。如何準確、快速地獲取泥石流信息及進行泥石流預測和防治已成為近年來很多學者和相關人員研究的重點。

目前，對基于遙感技術的泥石流調查、預防和治理等方法的研究已經取得了較大進展。如王一川等［3］提出基于DEM自動提取泥石流溝谷邊緣線的算法，能夠較準確地提取出泥石流邊緣線;白志勇［4］利用SPOT和TM數據融合圖像研究泥石流;蘇鳳環等［5］研究了汶川地震山地災害的遙感快速提取方法，對大規模泥石流滑坡提取效果較好;唐川等［6］對汶川震區北川縣城泥石流源地特征進行了遙感動態分析;唐小明等［7］研究了基于虛擬GIS和空間分析的小流域泥石流地質災害遙感解譯;潘仲仁等［8］研究了遙感技術在成昆鐵路泥石流溝調查中的應用。

上述研究和應用雖然都取得了一定的成果，但是主要存在2個問題:①提取泥石流的方法過于單一，如僅提取泥石流溝谷邊緣線，其提取結果中并不一定都是泥石流通道;②自動化程度不夠，很多都是通過人工目視解譯提取。因此，本文基于SPOT5圖像，通過遙感方法對本底值指數的計算和泥石流溝谷中心線的提取，構建了泥石流遙感自動提取模型，有效地提取了已發生泥石流和潛在泥石流的信息，取得了較好的成果。

1 遙感圖像本底值特征

自然環境未受人類活動影響的最初本來面貌的物質組成量被稱為環境本底值［9］，但在人類活動的長期影響下，當前能夠反映自然環境的本底值變得難以獲取。因此，研究自然環境的本底值主要是研究其背景值和基線值(總的來說，都可以統稱為“本底值”)。遙感技術利用傳感器收集地物反射和發射的電磁波來獲取各種地物的信息。由于各種地物的物質成分和組織結構不同，所獲取的地物信息也有所差異，正是根據這些差異才能利用各種方法將不同地物區分開來，因此遙感已經成為獲取地物本底值的一種有效手段和方式。

目前，能夠反映地物要素本底值信息的因子有很多，包括植被指數、土壤亮度指數、濕度指數、熱度指數、水體指數、氣象指數、纓帽變換指數、經主成分變換得到的第一主成分以及地形因子等［10–12］。在眾多因子中，本文通過對泥石流的影像特征、地形特征和各種形成條件的對比，經過反復試驗，發現運用歸一化差值植被指數(normalize difference vegetation index，NDVI)、歸一化差值土壤亮度指數(normalize difference soil index，NDSI)和圖像經主成分變換得到的第一主成分(PC1)等3個因子能夠較好地反映泥石流的遙感圖像本底值信息。因此本文選用上述3個指數作為泥石流遙感本底值信息的增強型因子，并以DEM作為輔助型因子來提取泥石流信息。

1.1 植被指數

從發育過程來看，泥石流主要發育于山坡或者山溝中，發育中的泥石流表面植被覆蓋差，在圖像中主要呈淺色調，在SPOT5圖像中一般表現為較亮的圖斑，與周圍植被發育較好的區域有較明顯的反差。因此在泥石流自動提取中，去除植被是非常關鍵的一個步驟，根據SPOT5圖像和研究區的特征，選擇合適的植被指數進行去植被處理是非常重要的。

目前，使用最多的植被指數有歸一化差值植被指數(NDVI)和修正的土壤調節植被指數(modified soil adjustment vegetation index，MSAVI)。NDVI是Rouse等［13］在1973年提出的，是目前最常用的植被指數，能夠較有效地反映植被信息，其針對SPOT5圖像的計算公式為

式中:NIR為近紅外波段的亮度值;RED為紅波段的亮度值。

NDVI的計算結果如圖1(a)所示，圖中白色和灰白色圖斑代表植被發育的地區，黑色和灰黑色圖班代表沒有植被或植被不發育的地區。

圖1 SPOT5圖像本底值指數計算結果Fig.1 Index calculation results of the background value of SPOT5 image

1.2 土壤亮度指數

發育中的泥石流主要是裸露的土壤和植被稀少的地表，在SPOT5圖像中的光譜特征主要表現為較亮的圖斑。為了將其與周圍地物區分開來，選用土壤亮度指數作為一個可選指數，常用的土壤亮度指數有歸一化差值土壤亮度指數(NDSI)和基于纓帽變換(tasseled cap transformation)的土壤亮度指數(brightness index，BI)等。本文經過反復研究發現，NDSI能夠很好地反映泥石流在SPOT5圖像中的光譜特征，其計算公式為

式中GREEN為綠波段的亮度值。

NDSI的計算結果如圖1(b)所示，圖中白色和灰白色圖斑代表裸露土壤和植被稀少土壤的地區，其亮度值比較高。

1.3 主成分變換

由于多波段數據經常是高度相關的，主成分變換通過坐標軸旋轉使數據的方差達到最大，生成互不相關的波段，從而達到消除噪聲和減少數據集維數的目的。SPOT5圖像的4個波段從不同的光譜特征和空間特征反映了不同地物信息之間的區別與聯系，并且其主成分變換后的第一主成分包含了90%以上的地物信息，因此選用主成分變換提取的第一主成分(PC1)作為一個遙感指數，其能夠較好地反映泥石流的遙感圖像本底值。PC1的計算結果如圖1(c)所示，圖中各類地物的邊界更為清晰。

2 遙感自動提取關鍵技術

2.1 溝谷中心線提取

王一川等［3］提出過一種基于DEM的溝谷中心線提取算法，該算法從數學形態學的角度出發，利用移動窗口(3×3或者5×5)在DEM上移動進行溝谷點的判斷，最終提取出溝谷中心線。圖2為3×3移動窗口示意圖。

圖2 3×3移動窗口Fig.2 3 ×3 moving window

其判斷條件為:

1)若(g［i，j－ 1］－ g［i，j］)(g［i，j+1］－g［i，j］) ＞0，且(g［i+1，j］－ g［i，j］)(g［i－ 1，j］－g［i，j］) ＜0，

當 g［i，j－1］＞ g［i，j］時，g［i，j］為山谷點;

當 g［i，j－1］＜ g［i，j］時，g［i，j］為山脊點。

2)若(g［i － 1，j］－ g［i，j］)(g［i+1，j］－g［i，j］) ＞0，且(g［i，j－1］－ g［i，j］)(g［i，j+1］－g［i，j］) ＜0，

當 g［i－1，j］＞ g［i，j］時，g［i，j］為山谷點;

當 g［i－1，j］＜ g［i，j］時，g［i，j］為山脊點;

當且僅當 (g［i－1，j］－ g［i，j］)(g［i+1，j］－g［i，j］)=0 時，g［i，j］在此方向上是平地。

本文在此基礎上，針對DEM數據本身的誤差和溝谷中心線提取結果的準確性做了2點改進:

1)由于DEM數據在采集和加工時難免帶來的誤差，導致DEM數據中存在一些孤立點(和周圍點的值相差較大的點)，因此在DEM的預處理過程中通過低通濾波來去除噪聲點的干擾，使DEM數據在一定范圍內保持地形的連續性特征，從而使提取的溝谷中心線盡可能少地出現短枝和離散點。

2)文獻［3］中建議使用3×3或者5×5的小窗口進行移動匹配，利用小窗口雖然計算速度較快，但是本文通過試驗發現，窗口太小提取出來的溝谷中心線會出現較多的斷裂現象。鑒于此，本文將移動窗口大小設置為17×17。另外，由于本文是基于IDL語言實現泥石流自動提取，而IDL語言對矩陣的執行效率相當高，所以利用較大窗口來匹配DEM數據，其計算速度并沒有明顯變化，且溝谷中心線的提取效果也比較理想。

提取溝谷中心線的步驟包括:首先對DEM數據做低通濾波去噪處理，處理時直接利用ENVI軟件系統二次開發所帶的系統函數(CONV_DOIT)，函數參數METHOD設為3，可以根據需要設置平滑核的大小;然后利用一個17×17的窗口在DEM數據中按照2個方向(即水平和垂直方向)進行移動匹配、判斷符合條件的DEM數據值，其判斷條件是:

①水平方向，若(g［i－ 1，j］－ g［i，j］＞ 0 且g［i+1，j］－g［i，j］＞0)且(g［i－2，j］－ g［i，j］＞0 且g［i+2，j］－ g［i，j］＞ 0)且(g［i－ 3，j］－ g［i，j］＞ 0 且g［i+3，j］－ g［i，j］＞ 0)且(g［i－ 4，j］－ g［i，j］＞ 0 且g［i+4，j］－ g［i，j］＞ 0)且(g［i－ 5，j］－ g［i，j］＞ 0 且g［i+5，j］－ g［i，j］＞ 0)且(g［i－ 6，j］－ g［i，j］＞ 0 且g［i+6，j］－ g［i，j］＞ 0)且(g［i－ 7，j］－ g［i，j］＞ 0 且g［i+7，j］－ g［i，j］＞ 0)且(g［i－ 8，j］－ g［i，j］＞ 0 且g［i+8，j］－g［i，j］＞0)，則 g［i，j］為溝谷點。

②垂直方向，若(g［i，j－ 1］－ g［i，j］＞ 0 且g［i，j+1］－g［i，j］＞0)且(g［i，j－ 2］－ g［i，j］＞ 0 且g［i，j+2］－g［i，j］＞ 0)且(g［i，j－ 3］－ g［i，j］＞ 0 且g［i，j+3］－ g［i，j］＞ 0)且(g［i，j－ 4］－ g［i，j］＞ 0 且g［i，j+4］－ g［i，j］＞ 0)且(g［i，j－ 5］－ g［i，j］＞ 0 且g［i，j+5］－ g［i，j］＞ 0)且(g［i，j－ 6］－ g［i，j］＞ 0 且g［i，j+6］－ g［i，j］＞ 0)且(g［i，j－ 7］－ g［i，j］＞ 0 且g［i，j+7］－ g［i，j］＞ 0)且(g［i，j－ 8］－ g［i，j］＞ 0 且g［i，j+8］－g［i，j］＞0)，則 g［i，j］為溝谷點。

需要說明的是，IDL中數組索引下標采用列行順序。

盡管已經對DEM數據進行了上述預處理，但是難免提取出的溝谷中心線仍然存在一些短枝和離散點(圖3(a))。因此，需要對提取結果中殘存的短枝和離散點進一步剔除，并對提取結果進行數學形態學閉運算，以提高溝谷中心線的連續性。先膨脹后腐蝕的過程稱為“閉運算”(先通過膨脹運算將不連續的溝谷中心線連接起來，再通過腐蝕運算將因膨脹而變“肥大”的溝谷中心線“瘦身”而恢復原貌)，得到較為準確、連續的溝谷中心線(圖3(b));最后對連續的溝谷中心線作形態學膨脹運算(膨脹核大小為5×5)后，得到溝谷范圍(圖3(c))。

圖3 溝谷中心線與溝谷范圍提取結果Fig.3 Extraction result for central lines of valley and valley ranges

2.2 閾值自動選取

將上述計算的NDVI，NDSI和PC1這3個遙感指數灰度圖像合成，并再次進行主成分變換提取新的第一主成分;對所得到的灰度圖像需要選擇合適的閾值提取非植被信息和裸土信息。研究發現，經上述計算后得到的第一主成分圖像的直方圖存在多個波峰和波谷，為此，本文對Tsai［14］提出的基于雙峰直方圖的閾值選取算法進行了改進。改進后的算法針對新的第一主成分圖像具有植被的灰度值較低、裸地的灰度值較高的特性，尋找多峰直方圖中的多個波谷，并計算出對應于多個波谷的多個閾值。

由于計算后得到的新的第一主成分圖像的灰度值為負數和小數，為了計算方便，首先要對圖像的直方圖做預處理。在實驗區圖像的直方圖中，灰度值在0和255處都有較多像元。根據波峰波谷的定義，灰度值在0和255兩個端點的直方圖的波峰不存在，而實際上這2個值恰恰對應于植被和裸地。為此，在原始灰度直方圖頭尾各增加一個值為0的像元，使直方圖兩端多了2個波峰或波谷。這樣既不違反波峰的定義，又可以把灰度值0和255處當作波峰處理。經預處理后，就可以利用閾值自動選取算法對直方圖進行迭代濾波和閾值計算，實現非植被信息和裸地信息的自動提取。

3 自動提取與分析

3.1 泥石流自動提取流程

本文基于ENVI+IDL軟件平臺開發的泥石流自動提取系統的技術流程如圖4所示。

圖4 泥石流自動提取流程Fig.4 Flow chart of automatic extraction of debris flow

包括如下4個重要部分:

1)泥石流信息遙感圖像本底值計算(圖4①)。通過對植被指數(NDVI)、土壤亮度指數(NDSI)和遙感圖像經主成分變換得到的第一主成分(PC1)圖像的集成計算和新一輪主成分變換，獲取新的第一主成分圖像。該灰度圖像中，泥石流與周圍地物的光譜值差異被增大，便于利用閾值自動選擇算法準確有效地提取泥石流候選區域。

2)閾值自動選取(圖4②)。對獲取的新的第一主成分圖像，利用改進后的基于多峰直方圖的閾值自動選取算法進行泥石流閾值自動獲取，并根據獲取的閾值提取出泥石流候選區域。由于新的灰度圖像中存在部分不純凈的像元，在提取的泥石流候選區域的二值圖像中存在離散點和空洞點，因此要利用形態學濾波的閉運算(先膨脹后腐蝕)對離散點和空洞點進行剔除。

3)溝谷范圍提取(圖4③)。首先，基于DEM數據和改進的溝谷中心線算法提取溝谷中心線。由于地形總會存在一些洼地、鞍點和局部的一些小平原［3］，且DEM數據在采集和處理過程中會帶來各種誤差，導致提取的溝谷中心線出現短枝和離散點，因此在提取溝谷中心線之前要對DEM數據進行平滑處理，在溝谷中心線提取之后還要對溝谷中心線提取結果進行形態學濾波處理，以消除短枝和離散點。然后，對消除短枝和離散點后的溝谷中心線再作形態學閉運算，以獲得連續性較好的溝谷中心線(圖3(b))。最后，利用形態學濾波對已獲取的連續溝谷中心線進行一定核大小(5×5)的膨脹運算，得到溝谷范圍(圖3(c))。經上述處理后的溝谷范圍比較符合溝谷的連續性特征，便于與泥石流候選區進行匹配。

4)泥石流信息篩選(圖4④)?；谀嗍骱蜻x區的二值圖像和溝谷范圍二值圖像做圖像匹配處理，得到疑似泥石流柵格圖斑，并將其矢量化;然后以泥石流形成的條件和泥石流的空間特征為篩選條件對疑似泥石流矢量圖斑進行面積、坡度和順坡性篩選，最終得到泥石流矢量圖斑。

3.2 實驗結果與分析

實驗區位于福建省永泰縣同安鎮地區。采用2004年12月12日獲取的SPOT5多波段圖像數據(空間分辨率為10 m)。實驗中假彩色合成圖像采用 B2(R)，B1(G)，B3(B)的波段組合(圖 5(a))。該區地勢山高坡陡，殘坡積土體厚寬大，土層結構松散，又由于常年降雨豐富，地表人為活動劇烈，該地區成為泥石流多發區之一。

根據上述泥石流自動提取流程，初步提取的疑似泥石流柵格結果如圖5(b)所示，其中有一部分誤提的圖斑和一些噪聲點，因此還要將其矢量化以后根據面積、坡度和順坡性進行篩選，最后提取的泥石流結果與原始的假彩色合成圖像(圖5(a))的疊加顯示見圖5(c)(圖中藍色圖斑為提取的泥石流信息)。

圖5 泥石流提取結果Fig.5 Extraction result of debris flow

通過對泥石流的自動提取結果和人工目視解譯結果的對比分析與驗證，說明本文方法提取的結果具有較高的準確度。在實驗結果的分析驗證中，為了更加直觀準確地進行人工目視解譯并保證解譯結果的準確性，將提取的泥石流結果與該地區三維透視立體影像圖疊加(局部效果如圖6所示，紅色圓圈內為提取的泥石流)，根據經驗從泥石流的形成條件和植被發育程度、坡度坡向和順坡性等泥石流解譯標志進行人工目視解譯和對比分析。結果表明，本文方法提取的泥石流信息較為準確合理，與基于野外經驗的人工目視解譯的結果較為吻合。

圖6 泥石流提取結果與三維透視立體影像圖疊加(觀察方位角為60°，高度角為30°;紅色圓圈內為提取的泥石流)Fig.6 Superposition of debris flow extraction result and 3D perspective image

4 結論

泥石流信息的提取往往涉及到多個方面。本文基于泥石流的地學特征、遙感成像機理和遙感圖像本底值，提出將歸一化差值植被指數(NDVI)、歸一化差值土壤亮度指數(NDSI)和圖像經主成分變換得到的第一主成分(PC1)等3種遙感指數集成來增強遙感圖像中裸地、植被稀少區域和泥石流周圍區域的光譜值差異，通過閾值自動選取獲取泥石流閾值，結合DEM數據確定泥石流的溝谷范圍，準確圈定了泥石流的空間位置，為泥石流的自動提取提供了有效手段。

經實驗表明，本文提出的方法和技術有較好的適用性。但是，泥石流遙感信息的自動提取涉及的因素很多且很復雜，這無疑也增大了泥石流信息自動提取的難度和準確性，如在連續溝谷中心線經形態學膨脹運算得到溝谷范圍的過程中，對連續溝谷中心線膨脹的寬度(膨脹核大小)是一個不確定的值，需要根據實際溝谷范圍的平均值并經過反復試驗才能確定比較合理的值，這些問題還有待于在以后的研究中進行探討。

［1］吳 平，鄭文曉.泥石流的形成條件及其防治措施［J］.西部探礦工程，2008(3):4－5.Wu P，Zheng W X.Formation Conditions and Preventive Measures of Mudslides［J］.West－ China Exploration Engineering，2008(3):4－5(in Chinese).

［2］余 斌，楊永紅，蘇永超，等.甘肅省舟曲8.7特大泥石流調查研究［J］.工程地質學報，2010，18(4):437 －444.Yu B，Yang Y H，Su Y C，et al.Research on the Giant Debris Flow Hazards in Zhouqu County，Gansu Province on August 7，2010［J］.Journal of Engineering Geology，2010，18(4):437 － 444(in Chinese with English Abstract).

［3］王一川，秦 軍.基于DEM自動提取泥石流溝谷邊緣線算法的試驗［J］.四川測繪，2006，29(1):28 －31.Wang Y C，Qin J.The Test of Auto Extract Debris Flow Channels’Edge Arithmetic by DEM［J］.Surveying and Mapping of Sichuan，2006，29(1):28 －31(in Chinese with English Abstract).

［4］白志勇.陸地衛星SPOT、TM數據復合影象在泥石流調查中的應用［J］.水土保持學報，2001，15(1):116 －119.Bai Z Y.Application of Synthetic Satellite Image of SPOT and TM Data in Debris Flow Investigation［J］.Journal of Soil and Water Conservation，2001，15(1):116 － 119(in Chinese with English Abstract).

［5］蘇鳳環，劉洪江，韓用順.汶川地震山地災害遙感快速提取及其分布特點分析［J］.遙感學報，2008，12(6):956 －963.Su F H，Liu H J，Han Y S.The Extraction of Mountain Hazard Induced by Wenchuan Earthquake and Analysis of Its Distributing Characteristic［J］.Journal of Remote Sensing，2008，12(6):956 －963(in Chinese with English Abstract).

［6］唐 川，丁 軍，梁京濤.汶川震區北川縣城泥石流源地特征的遙感動態分析［J］.工程地質學報，2010，18(1):1 －7.Tang C，Ding J，Liang J T.Remote Sensing Images Based Observational Analysis on Characters of Debris Flow Source Areas in Beichuan County of Wenchuan Earthquake Epicenter Region［J］.Journal of Engineering Geology，2010，18(1):1 － 7(in Chinese with English Abstract).

［7］唐小明，馮杭建，趙建康.基于虛擬GIS和空間分析的小流域泥石流地質災害遙感解譯——以嵊州市為例［J］.地質科技情報，2008，27(2):12 －16.Tang X M，Feng H J，Zhao J K.Remote Sensing Interpretation of Small－water－basin Debris Flow Based on Virtual GIS and Spatial Analysis:Example from Shengzhou County［J］.Geological Science and Technology Information，2008，27(2):12 － 16(in Chinese with English Abstract).

［8］潘仲仁，曹林英.遙感技術在成昆鐵路泥石流溝調查中的應用［J］.鐵道工程學報，2006(增刊):237 －242.Pan Z R，Cao L Y.Application of Remote Sensing Technology in Surveying Debris Flow of Chengdu － Kunming Railway［J］.Journal of Railway Engineering Society，2006(Supplement):237 －242(in Chinese with English Abstract).

［9］陳振民.環境本底值背景值基線值概念的商榷［J］.河南地質，2000，18(2):158 －160.Chen Z M.Discussion on the Conception of the Environmental Original Value and the Environmental Background Value and the Environmental Baseline Value［J］.Henan Geology，2000，18(2):158－160(in Chinese with English Abstract).

［10］江振藍，沙晉明，楊武年.基于GIS的福州市生態環境遙感綜合評價模型［J］.國土資源遙感，2004(3):46 －48，60.Jiang Z L，Sha J M，Yang W N.Multiple Factors－ based Remote Sensing Evaluation of Ecological Environment in Fuzhou［J］.Remote Sensing for Land and Resources，2004(3):46 －48，60(in Chinese with English Abstract).

［11］李洪義，史 舟，沙晉明，等.基于人工神經網絡的生態環境質量遙感評價［J］.應用生態學報，2006，17(8):1475 －1480.Li H Y，Shi Z，Sha J M，et al.Evaluation of Eco － environmental Quality Based on Artificial Neural Network and Remote Sensing Technique［J］.Chinese Journal of Applied Ecology，2006，17(8):1475－1480(in Chinese with English Abstract).

［12］江振藍，沙晉明.植被生態環境遙感本底值研究——以福州市為例［J］.福建師范大學學報:自然科學版，2008，24(4):80－85.Jiang Z L，Sha J M.Research into RS Background Value of Vegetation Eco － environment:with Fuzhou Taken as an Example［J］.Journal of Fujian Normal University:Natural Science Edition，2008，24(4):80 －85(in Chinese with English Abstract).

［13］Rouse J W，Hass R H，Schell J A，et al.Monitoring Vegetation Systems in the Great Plans with ERTS［C］//Proceedings of the Third ERTS Symposium NASA:SP351 I，1973:309 －317.

［14］Tsai D M.A Fast Thresholding Selection Procedure for Multimodal and Unimodal Histograms［J］.Pattern Recognition Letters，1995，16:653－666.

A Method for Automatic Extraction of Debris Flow Based on SPOT5 Image

XIE Fei，YANG Shu －wen，LI Yi－kun，LIU Tao
(School of Mathematics，Physics＆ Software Engineering，Lanzhou Jiaotong University，Lanzhou 730070，China)

Based on achievements obtained by previous researchers，the authors put forward a method for automatically extracting debris flow based on SPOT5 image and DEM data.Firstly，this method uses integrated computing of three indices of remote sensing，i.e.，the index of vegetation，the soil brightness index and the first principal component of the image after KL transformation，for the acquisition of a new principal component transformed image，and then extracts the bare land information containing debris flow by using automatic threshold selection algorithm.Secondly，on the basis of the DEM data at the scale of 1:10000，the valley central lines are extracted by using the improved valley line extraction algorithm，and the valley range is figured out by using the mathematical morphology filtering algorithm.Finally，the suspicious debris flow pattern is matched with the valley range pattern，and the vectorized result is screened in the aspects of area and slope.On such a basis，the information of existing or potential debris flows is obtained.The experimental results show that the extraction model of debris information from SPOT5 image can accurately and effectively extract the debris flow information.

debris flow;SPOT5;DEM;automatic extraction

TP 751.1

A

1001－070X(2012)03－0078－06

2011－09－23;

2011－10－21

中鐵第四勘察設計院集團有限公司基金項目(編號:2009D06－1)資助。

10.6046/gtzyyg.2012.03.15

謝 飛(1984－)，男，碩士研究生，主要研究方向為遙感數字圖像處理、信息識別與提取。E－mail:443866295@qq.com。

(責任編輯:劉心季)