地球上水资源的分布造就了丰富的地形结构，也构建了交织的河流网络。为了从这些繁复的河网中提取重要信息，同时避免因处理大量数据而造成的信息过载，采用河网选择技术势在必行。这是因为河网图像中都嵌入了高密度的数据，所以在执行图像放大或交互时，必须先进行数据过滤来选取所有的必要信息。目前来说，从河流栅格图像中提取有价值数据的可靠方法屈指可数，但这一情况将有望得到改善。

来自中国的研究人员在一篇题为 A raster-based method for the hierarchical selection of river networks based on stream characteristics 的文章中提出了一种从栅格图像中选择河网的新方法，发表于Taylor & Francis旗下地理信息科学领域优质期刊 International Journal of Geographical Information Science。这种被称为“超像素河网选择（superpixel river network selection ，SRNS）”的新方法，首先将栅格河网划分为微小的图形单元，即超像素（superpixel）；接下来，通过基于多个像素特征的选择过程，对像素进行排序，并衡量各条河流的重要性；最后，去除不必要的像素，提供河网的分级互动图像。与现有的矢量选择方法相比，该方法可成功保留河流的主要结构和连通性特征，同时减少图像转换后河道几何形状和密度的畸变。

【文章标题】：A raster-based method for the hierarchical selection of river networks based on stream characteristics

【DOI】：https://doi.org/10.1080/13658816.2023.2253453

【作者】：Yilang Shen, Rong Zhao, Tinghua Ai, Fengfeng Han & Su Ding（均来自中国）

研究背景

当研究人员在查看大型河网图像时，电脑屏幕的限制往往会对图像详细程度产生影响。于是，采用预先制定的策略来处理由多河流组成的河网图像，并将其转换为可交互的格式，成为了必不可少的一个步骤，如若不然，研究人员在将河流图像放大时就会发生信息拥挤和认知过载的情况。为将河流图像转换成可用的格式，我们需要先根据河流的分布、长度或密度等特征对河流进行分级，这有助于判定河网中哪些主要部分需要保留，而相对不重要的部分，例如小河或小溪等，就可以被去除。

一直以来，矢量化方法可用于从较大的图像中选择河网信息，但这些方法在处理栅格图像时有很大的局限性。例如，要应用矢量化转换技术，必须先将栅格图像转换为矢量格式，这一过程很可能导致重要信息的丢失。其次，矢量化方法可能无法获取大量栅格图像中的网络结构信息。本文提出的基于栅格的超像素河网选择（superpixel river network selection ，SRNS）方法，就可以有效地解决这两大难题。

研究方法

这种新颖的SRNS方法采用“多级超像素分割”来选择主要的河网。首先，将栅格河流图像细分为超像素这种易于管理的操作单元，然后，根据超像素与相邻超像素的距离对超像素进行加权处理。在这一过程中，由高等级像素组成的河流得以保留，而由低等级像素组成的河流则被去除，这个过程就好比是修剪一颗大树上的“细枝末节”。

为了验证这种方法的实用性，研究人员使用SRNS方法转换了中国广州市河网的栅格图像，并将其准确性与另一种传统的“绘制法”（stroke-based method）进行了比较。

研究结果

由于矢量选择方法对河网结构的连通特性缺乏考虑，无法充分捕捉到网状结构的河网信息。这种传统的方法尚可用于文中图1(a)所示的自然河网，但在处理图1(b)中呈网状结构的城市河网时，结果就不甚理想了。

Figure 1. River networks with and without mesh structures (a) Natural river network without a mesh structure (b) Urban river network with a mesh structure.

图1：有网状结构和无网状结构的河网

(a) 无网状结构的自然河网 (b) 有网状结构的城市河网。

栅格河网的选择可通过逐步加权和精简的过程来实现。文中图2显示了新河网选择方法的处理过程，具体分为三个步骤。

Figure 2. The selection of raster river networks.

图2：栅格河网的选择。

将栅格河网转换成超像素的过程需要仔细考虑像素的大小、方向和聚类等因素。文中图3显示了原始离散像素的图像和生成的河流超像素图像（大小为2000像素）。

Figure 3. Multilevel superpixel segmentation of a raster river network (a) Original raster river network in PNG format (b) Results of preliminary linear spectral clustering (LSC) superpixel segmentation at a size of 2000 pixels (c) Corner detection of superpixels (d) Results of multilevel LSC superpixel segmentation at a size of 10000 pixels.

图3：栅格河网的多级超像素分割：(a) PNG 格式的原始栅格河网；(b) 像素为2000的初步线性光谱聚类（LSC）超像素分割结果；(c) 超像素的边角检测；(d)像素为10000 的多级 LSC 超像素分割结果。

河流的权重衡量过程包括四点：最小生成树修剪 (minimum spanning tree pruning，MSTP)、最短路径 (shortest path，SP)、节点度数 (node degree，ND) 和超像素面积 (superpixel area，SA)，以捕捉河网的全局结构、中心性、局部连通性和语义特征。转换过程中至关重要的最后一步是消除河网交汇处的冗余像素。文中图4展示了河网超像素的最小生成树、MST结构的节点和边，以及对河网进行MSTP加权的结果。

Figure 4. Weighting rules for minimum spanning tree pruning (MSTP) (a) Minimum spanning tree (MST) of the river network superpixels (b) Visualization of nodes and edges of the MST structure (c) Results of MSTP weighting for the river network.

图4：最小生成树修剪（MSTP）的加权规则：（a）河流网络超像素的最小生成树（MST）；（b）最小生成树结构的节点和边的可视化；（c）河流网络的最小生成树修剪加权结果。

除此之外，在图5中，a到d分别展示了河流网络超像素加权和选择的示例：a显示了使用最小生成树修剪（MSTP）权重计算出的河流网络权重；b、c和d则显示了使用最短路径（SP）、节点度数（ND）和超像素面积（SA）权重计算出的河流网络超像素。图5（e）显示的是结合所有MSTP、SP、ND和SA权重后产生的总权重，而应用于河流网络的最终选择就正如图5（f）中看到的结果，蓝色超像素表示的是选定的河流网络，而灰色超像素则表示被消除的河流网络分支。

Figure 5. Sample river network superpixel weighting and selection (a–e) The minimum spanning tree pruning (MSTP), shortest path (SP), node degree (ND), and superpixel area (SA), and total weight results, where the darker the color, the higher the weight (f) Results of river network selection based on weight ranking.

图5：河网超像素加权和选择示例 (a-e) ，包括最小生成树修剪（MSTP）、最短路径（SP）、节点度数（ND）和超像素面积（SA）以及总权重结果，颜色越深，权重越高。河网选择结果基于权重排序（f）。

最后，我们来看看研究人员是如何消除河网信息中不需要的部分（也就是去除河网交叉处那些不重要的分支时所产生的不规则冗余超像素），这一过程在图6中进行了展示。图6（a）中，红色方框内的绿色部分显示的是需要进行消除处理的河流网络。具体方法如图 6（b）所示，通过用红色的直线连接交叉点的顶部和底部端点来去除不重要的分支。最后在图 6（c）中，您可以看到最终的选择结果。

Figure 6. Elimination of redundant pixels at river network intersections.

图6：消除河网交汇处的多余像素。

本研究使用的河网栅格图像来自中国基础地理数据库。该图像的原始格式为矢量格式，即栅格河网，在转换过程中，SRNS方法对河流进行了五级分级，并利用多级超像素分割法将其分割成5,345个超像素。

Figure 7. The original raster river network in Guangzhou Province, China.

图7：中国广州市的原始栅格河网。

本研究使用的栅格河网的多级超像素分割结果如图8所示。

Figure 8. Results of multilevel superpixel segmentation for the raster river network.

图8：栅格河网的多级超像素分割结果。

图8中的深灰色超像素对应的是较高的河流水位。如图9所示，颜色越深，对应的河网超像素的MSTP、SP、ND、SA权重就越大。

Figure 9. MSTP, SP, ND, and SA weights for the river network superpixels at two different levels.

图9：河网超级像素在两个不同级别上的 MSTP、SP、ND 和 SA 权重。

与绘制方法及其他常用方法相比，新的SRNS方法在转换过程中可减小几何和密度变化的误差。文中图10显示了使用不同权重系数得到的选择结果。

Figure 10. Examples of superpixel selection results using reasonable and inappropriate weight coefficients.

图10：使用合理和不合适的权重系数进行超像素选择的结果示例。

如图11所示，根据对比新旧方法所得出的结果可以看出，SRNS方法可有效地保持原始河流的主河道，尤其是宽度较大的部分。

Figure 11. Results of river network selection with the proposed superpixel river network selection (SRNS) method and the stroke-based method.

图11：超像素河网选择 (SRNS) 方法和绘制方法进行河网选择的结果对比。

如文中图12的具体实例所示，短支流在图像选择过程中会被去除。

Figure 12. Detailed comparison of the selection results in regions a–f, as obtained using the stroke-based and proposed SRNS methods.

图12：详细比较绘制方法和超像素河网选择方法（SRNS）得出的 a-f 区域选择结果。

如图13、14和15所示，新的SRNS方法在保留河网的主要结构和连通性方面优于传统的图像选择方法。

Figure 13. Density contrast in the river network selection results obtained using the proposed superpixel river network selection and the stroke-based methods.

图13：对比超像素河网选择方法和绘制方法分别得出的河网选择结果密度。

Figure 14. Comparison between the proposed superpixel river network selection (SRNS) method and the typical Delaunay-based and coding-based methods.

图14：超像素河流网络选择 (SRNS) 方法与典型的基于 Delaunay 和基于编码的方法之间的比较。

Figure 15. Application of the proposed superpixel river network selection method to river networks with different patterns.

图15：超像素河网选择方法在不同模式河网中的应用。

关于研究的主要贡献

新的SRNS方法可以有效地将不同宽度和网格结构的河网栅格图像转换为易于使用的形式。与传统的绘制选择方法相比，SRNS方法可保留河网的主要结构、连通性信息和相对分布密度，有效减少转换过程中的信息丢失。

期刊介绍

International Journal of Geographical Information Science 出版近年来快速发展的地理信息科学（GIScience）领域的国际研究成果。旨在为学者提供一个交流地理信息科学领域思想、途径、方法和经验的论坛。期刊关注以下主题：

• GIScience 在自然资源、社会系统和建筑环境中的创新和新型应用

• 计算机科学、制图学、测量学、地理学和工程学的相关发展

• 地理信息的基础和计算问题

• 地理信息在监测、预测和决策中的设计、实施和应用

International Journal of Geographical Information Science

2022年影响因子：5.7

JCR Q1

• 5/49 GEOGRAPHY, PHYSICAL – SCIE

• 8/86 GEOGRAPHY – SSCI

• 18/84 INFORMATION SCIENCE & LIBRARY SCIENCE – SSCI

• 40/158 COMPUTER SCIENCE, INFORMATION SYSTEMS - SCIE

2022 CiteScore：10.2

CiteScore最佳分区：Q1

年度用量：33.8万

期刊的主编由May Yuan 教授（美国德克萨斯大学达拉斯分校）担任，副主编团队由来自爱尔兰、法国、英国、美国、中国等地的八位学者组成，其中，香港中文大学的黄波教授来自中国。编委团队汇集了来自美国、英国、中国等地的行业翘楚。

如需引用本文或了解更多有关期刊的信息,请点击这里

注：本文根据文章原文翻译整理。中文内容仅供参考，一切内容以英文原版为准。