徐世潮，赵 栋

(西北大学地质学系，陕西 西安 710069)

断裂构造是指岩石受地应力作用，当作用力超过岩石本身的抗压强度时就会在岩石的薄弱地带发生破裂的一种现象。断裂构造的研究具有重要的理论和实际意义，不仅反映区域构造格架，而且与地震、滑坡、泥石流等自然灾害以及矿产、地热等资源有关。遥感图像提取断裂信息主要是通过断裂构造在遥感图像上呈现的光谱信息和空间信息来实现，利用遥感影像人们不仅可以快速、准确、系统地进行地质构造背景的综合分析，识别断裂构造，从宏观角度了解断裂构造的展布及其活动特征，还能够单独地分析某一具体断裂的各种特性、对断裂构造及其活动性进行定位、定性、定量分析[1]。因此，利用遥感技术对断裂构造的提取是地学研究必不可少的手段。

1 研究现状

关于遥感图像提取断裂信息的方法几十年来国内外做了大量的研究，主要体现在图像处理结合目视解译方法以及计算机自动提取方法的研究。邹谨敞(1995)等，以遥感信息作为研究活动断裂的依据，探讨了利用不同种类、不同比例尺遥感图像分析活动断裂的方法、程序和效果[2]。Duda(1972)等，提出标准霍夫变换，被广泛应用于断裂构造线性特征的自动提取[3]。Bihong Fu(2004)等，通过对 2003年Bam6.6级地震ASTER 3D影像的前后对比发现震后断裂在伊朗东南部的Bam和Baravat城镇附近左行走滑了65km，对震后断裂的研究为救灾以及潜在的危害等方面提供了依据[4]。Richard Thomas Walker(2006)利用遥感技术研究伊朗东南部克尔曼省南部的活动褶皱和断裂，通过卫星图像上走滑断层陡坎以及水系的同步弯曲等地貌特征解译了克尔曼省南部的多条大型走滑断层[5]。吴婧(2011)通过对比研究现有断裂构造自动提取的方法和技术，基于主成分变换、LEEFILT滤波处理和霍夫变换算法有效地提取了TM影像中的断裂构造信息[6]。Ayten Koc(2013)等，结合卫星图像、DEM以及航片通过对图像上压力脊、线性谷、形变的河道等解译出土耳其马拉蒂亚省的Sürgü断裂带具有右旋走滑的性质[7]。Adrien Moulin(2014)等，通过激光雷达、SPOT、DEM等数据，对斯洛文尼亚境内的Idrija断裂进行了运动学研究，发现该断裂具有右旋走滑的性质[8]。

2 断裂构造的增强处理

断裂构造的增强主要依据的是遥感图像上的光谱信息和空间结构信息，然后在增强处理的基础上进行目视解译。

2.1 预处理

在对图像进行增强处理前先要选择合适的数据源，遥感数据源的选取应考虑经济、时间、分辨率等因素，通常选择ETM、TM、SPOT、MSS、DEM、ASTER、QUICKBIRD、雷达等数据源[9－15]。同时，获取的遥感图像通常都经过了几何粗校正，为了后续图像的精确处理，需要对遥感图像做几何精校正，一般以地形图为基准，选择地面控制点按照一定的数学模型对图像进行校正。

2.2 增强处理

2.2.1 彩色合成

断裂构造在彩色图像上的识别能力远高于灰阶图像，彩色合成的关键在于波段的选取，一般来说，选择最佳波段的原则通常有二:(1)所选择波段包含的信息量最大;(2)所选择波段最容易识别不同类别地物的界限。目前常用的选取方法主要有各波段信息量的比较、各波段间信息的相关性比较、各波段数据的联合熵等[16]。同时参照OIF统计值的大小来选取波段，值越大包含的信息越丰富[17]。

2.2.2 主成份分析

断裂构造的提取过程中由于图像波段间往往是高度相关的且干扰信较多，不利于断裂构造信息的提取。主成份分析可以将把原来多个波段中的有用信息集中到数目尽可能少的新的组份图像中，并使这些组分图像之间互不相关，即各自包含不同的地物信息，并大大减少总的数据量[18]。主成份分析的PC1包含最多的信息量、最大的方差比，可以有效的突出断裂构造信息，断裂信息多集中于 PC1或 PC2。例如:对 PCA1(234)、PC1(32)PC2(3)、PC1(4)PC2(3)PC3(3)、PC4(142)彩色合成影像图进出多重主成份分析，可以突出研究区区域主干断裂，岩体的分界线，纹理信息等[19]。

2.2.3 滤波处理

用于断裂构造信息增强的滤波处理主要有定向滤波、高通滤波、低通滤波、中值滤波、均值滤波、平滑滤波、Leefilt滤波等。根据断裂构造具有较强的方向性特点，采用定向滤波技术对卷积滤波核模板矩阵设置一定的权值，有选择的对某一方向的边缘信息进行增强，卷积滤波核权值的设置直接影响提取的结果，同时应按照区域构造格架设置不同的方向。根据研究区域的不同可以选择不同的滤波处理方式，高通滤波可以用于提取小范围的纹理信息、弱异常信息，低通滤波可以用来提取大范围的区域主干构造信息[20]。中值滤波、均值滤波、平滑滤波、Leefilt滤波可以用来消除图像上的斑点噪声，提高图像的质量。

2.2.4 图像融合

断裂构造信息通过融合处理可以有效的提取其空间分辨率，便于断裂构造的提取。图像融合主要是将不同传感器图像或同一传感器多光谱与全色波段进行融合，使融合后的新图像同时具有多光谱和高分辨率的特点，使得不同图像信息得到优势互补。常用于断裂构造信息提取的融合方法是IHS融合和PCA融合。IHS融合主要是将ETM做IHS变换，然后将ETM的PAN波段或者雷达图像代替 I或H分量，然后进行IHS逆变换生成新图像来达到融合的目的;PCA融合是将图像波段进行K－L变换，变换后PC1所包含信息量最丰富，然后将高分辨率图像与PC1拉伸匹配后代替PC1再进行K－ L 逆变换[21－26]。

2.2.5 DEM 阴影法

DEM阴影可以增强断裂构造的线性特征，通常是基于物理模型对于在DEM上指定的太阳方位角和照明的倾角，随着照明方位和倾角的变化这个阴影的强度在被给的位置是变化的。因此，垂直于照明方位断裂构造的线性特征得到最好的强调，平行于光照则得到最大的抑制。Lambertian反射[27－29]，Phong照明[30]，Blinn 反射[31]和光线追踪等一个变化的阴影方法被提出是为了更好的提取断裂构造的线性特征，不少学者对 DEM阴影法进行了改进，例如:为了减少照明引起的地表线性特征的偏差，Zhou(1995)等，提出了一种先进行DEM的小波变换然后调整主要的照明方向来提取线性特征的方法[32]。Prechtel(2000)开发了一种替代技术，由方向偏差衍生的一个三角测量识别相似方位单元的集群来提取线性特征[33]。Masoud(2006)等，对于构造线性体内核中心的几种照明方向，应用多种方向技术分配阴影强度从而计算平均数来提取线性特征[34]。Alaa A(2011)等，通过自适应栅格数据的阴影法去增强线性特征，提出了一种技术应用自适应倾角多种方向的阴影(ATMDS)去获得最大的阴影强度[35]。

2.3 解译标志的建立

断裂构造的遥感解译标志，一般分为直接解译标志和间接解译标志两类。

直接解译标志是指在遥感影像上断裂信息所表现出来的形状、大小、色调、阴影、纹理等特征，例如:断裂本身所表现出的色带，不同色调的截然相接，不同地质单元构成的纹理差异等;间接解译标志是指在遥感影像上断裂信息所表现出来的地貌、水系、土壤、植被等特征，例如:断层崖、断层三角面的线性展布，洪积扇的线性展布，串珠状湖泊的分布，火山口的线状分布，线性谷、线性山脊，植被的线性延伸，河流的同步弯曲、线性展布，对头河的出现，河流两侧支流的不对称性，河流支流钝角汇入主流等。

3 断裂构造的自动提取

断裂构造在遥感图像上大多是以线性体的形态出现，但不是所有线性体都是断裂构造，道路、河流、山脊等也以线性体的形态出现。通过对构造线性体的结构图式研究，可以建立具有构造几何学意义的构造线性体模式，为构造序列及其运动学机制分析提供形象逼真的、连续的空间信息[36]。

3.1 边缘检测

边缘检测可检测出灰度、色彩、纹理的突变界面，突出断裂构造在遥感图像上所呈现的线性特征。边缘检测过程主要是基于边缘检测器来完成的，边缘检测器根据它们的使用原则分为3类:基于区域生长算法的边缘检测LSD，空间滤波技术EDISON，和线段的定向检测技术 STA，其中对于断裂构造线性特征的检测最常用的是 EDISON和 STA[37]。用于断裂构造线性特征提取的边缘检测方法很多，一般分为传统的和现今的边缘检测方法。传统的边缘检测方法主要包括:Roberts算子、Sobel算子、Prewitt算子、Laplace算子、Kirsch算子、Canny算子、Log算子等;现今的边缘检测方法主要包括:基于数学形态学的边缘检测、基于小波多尺度的边缘检测、基于灰色理论的边缘检测、基于分形理论的边缘检测、基于模糊学的边缘检测、基于支持向量机的边缘检测、基于人工神经网络的边缘检测、基于遗传算法的边缘检测等[38－43]。其中最常用的边缘检测算法是传统的 Canny边缘检测，由John F.Canny于1986年提出，利用的是高斯滤波器和三个适用性标准:好的检测，好的定位以及一个边缘单响应[44－46]。

3.2 霍夫变换

霍夫变换是一种关于线性描述的匹配技术，它的基本原理是对图像进行某种形式的坐标变换，使得经过变换的原图上的给定形状的曲线上所有点都集中到变换空间的某些位置上，形成峰点，这样就把对图中给定形状的曲线检测转化为变换空间峰点检测问题[47]。它的主要优点是对噪声的不敏感甚至在区域像素缺乏的情况下也有能力去提取线性特征。

P.V.C Hough 1962年首次提出应用计算程序来自动提取图像中的线性特征，即霍夫变换。标准霍夫变换由Duda和 Hart[3]提出被广泛应用于线性提取[48，49]，而它的一些修改也已经被广泛应用于线性特征的提取[50－53]。标准霍夫变换的实现步骤如下:(i)霍夫变换，将笛卡尔坐标系中的直线转变为极坐标系中对应的点，利用霍夫变换进行直线检测;(ii)选取局部最大值，求局部最大高于某一阈值的累加器阵列，这样可以去除图像噪声从而只提取长的直线;(iii)逆霍夫变换，利用逆霍夫变换依据参数画出直线;(iv)直线剖面分析，因为地质线性体在图像上一般以断续的线段分布，如果在同一条直线上的线段间隙小于 Lg(间隙之间的像素数)，那么就将该间隙填充作为一条长的直线。

3.3 图像分类

图像分类技术能够有效的提取遥感图像中的线性体信息，识别断裂构造。图像分类分为传统分类方法和新分类方法，传统分类方法又包括监督分类和非监督分类，其中监督分类主要有最大似然法、最小距离法、K邻近法等，非监督分类主要有K平均分类、ISODATA分类、最大似然度分类、聚类等，新分类方法包括决策树分类、人工神经网络分类、模糊数学分类、专家系统分类等[54－56]，其中用于提取线性特征的主要是传统的分类方法。

为了准确提取遥感图像上的线性信息，Marpu(2006)等，设计了一个面向对象的分类程序:图像分割－样品采集－特征识别－聚类分析 －阈值计算 －图像分类[57]。R.Gloaguen(2007)等，利用该分类程序将图像分割成更小的均匀区域，基于Jeffries－Matusita距离及最小距离聚类，对肯尼亚马加迪湖周围区域的线性体进行了有效的提取[58]。同时，遥感图像自动提取方法最终提取的线性体不仅包含天然的线性特征而且包含非天然的线性特征，为了从线性体中区分出那些非天然的线性特征如道路、铁路、河流、图像和背景边界等，可以利用辅助的地形图和图像分类技术创建一个缓冲区，然后通过去除覆盖缓冲区的线性体，最终达到只提取自然线性体的目的[59]。

4 结语

遥感图像具有多时相、多光谱、多分辨率等特点，可以宏观把握断裂构造的展布特征，有效弥补了常规野外地质调查方法的不足，大大节省了人力、物力、财力，提高了工作效率，在许多研究区已取得丰硕的成果。

但是，断裂信息的提取方法仍有不足之处:

首先，断裂构造不随时相增加或减少，反而会带来构造信息的混淆和歧义;断裂构造相关的多光谱信息只是构造两边的岩性多光谱差异;遥感图像多分辨率的特点分别对应断裂构造的不同级别和构造细节的不同显示，增大了解译难度。

其次，目前断裂构造的提取仍以目视解译为主，要求研究人员具有丰富的经验和熟练的图像处理技术，解译结果受解译者的知识水平和经验的影响较大;自动提取结果受提取算法的影响较大且结果不准确，线性体容易误提漏提，且线性特征容易和其他线性构造相混淆，如地层界限、褶皱轴线等。

因此，为了提高解译结果的准确性，遥感图像提取断裂构造信息应在断裂构造增强处理的基础之上结合自动提取算法，将人工目视解译、自动提取、野外验证相结合。今后遥感解译断裂构造的发展应结合3S技术、专家系统等实现断裂构造的准确、快速提取。

[1]陈松岭.深层断裂构造的遥感研究及其找矿意义[J].大地构造与成矿学.1995，19(3):298－265.

[2]邹谨敞，邵顺妹.活动断裂的遥感影像研究[J].环境遥感.1995，10(3):182－187.

[3]Duda R O ，Hart P E.Use of the Hough Transform to detect curves and lines in pictures[J]. Communications of the Association for Computing Machinery，1972，15(1):11－15.

[4]Bihong Fu，Yoshiki Ninomiya，Xinglin Lei，et a1. Mapping active fault associated with the 2003 Mw 6.6 Bam(SE Iran)earthquake with ASTER 3D images[J]. Remote Sensing Environment，2004，92:253－157.

[5]Richard Thomas Walker. A remote sensing study of active folding and faulting in southern Kerman province，S.E. Iran[J]. Journal of Structural Geology，2006，28:654－668.

[6]吴婧.基于ENVI+IDL断裂构造遥感影像自动解译探讨[J].甘肃科技.2011，27(17):52－56.

[7]Ayten Koc，Nuretdin Kaymakci. Kinematics of Sürgü Fault Zone(Malatya，Turkey):A remote sensing study[J]. Journal of Geodynamics，2013，65:292 －307.

[8]Adrien Moulin，Lucilla Benedetti，Andrej Gosar，et a1. Determining the present－day kinematics of the Idrija fault(Slovenia)from airborne LiDAR topography[J]. Tectonophysics，2014:1 － 56.

[9]Prasun K Gangopadhyay，Kuntala Lahiri－ Dutt，Kanika Saha. Application of remote sensing to identify coalfires in the Raniganj Coalbelt，India [J]. International Journal of Applied Earth Observation，2006，8:188－195.

[10]Reda Amer，Timothy Kusky，Ahmed El Mezayen. Remote sensing detection of gold related alteration zones in Um Rus area，Central Eastern Desert of Egypt[J]. Advances in Space Research，2012，49:121－134.

[11]卢善龙，沈晓华，邹乐君，等.基于尺度分析的断层热信息遥感图像增强方法—以江山一绍兴断裂金衢段为例[J].地球物理学报.2008，51(5):1484－1493.

[12]王华.InSAR数据在提取断层位置中的应用[J].广东工业大学学报.2009，26(2):7－9.

[13]吴虹，冯佐海，黄晓娟，等.姑婆山花岗岩体断裂构造样式方向特征多尺度定量遥感研究[J].桂林理工大学学报.2011，31(1):319－327.

[14]李淼淼.ASTER数据地质异常信息遥感研究[D].长春:吉林大学.2012.

[15]秦玉俊.Quickbird卫星影像的阴影检测及提取方法研究[D].长春:东北师范大学.2009.

[16]刘汉湖，杨武年，李佑国.遥感图像数字处理技术在断裂带信息提取中的应用—以扬子地台西南缘冕宁一西昌一带为例[J]. 地质找矿论丛.2006，21(2):133－136.

[17]R. S. Chatterjee. Structural pattern of Holenarsipur Supracrustal Belt，Karnataka，India as observed from digitally enhanced high －resolution multi－sensor optical remote sensing data aided by field survey [J]. International Journal of Applied Earth Observation and Geoinformation，2003，4:195－215.

[18]朱晓鸽.多重主成分分析及在地质构造信息提取中的应用[J].遥感学报.2000，4(4):299－304.

[19]苏晓玉.新疆哈密黄山地区构造遥感综合解析[D].北京:中国地质大学(北京).2012.

[20]吴昀昭，田庆久，陈骏，等.新疆哈密黄山地区多金属矿床遥感地质信息提取与找矿模式研究[J].高校地质学报.2004，10(1):114－120.

[21]杨智翔.多源遥感信息融合及其在青藏铁路沿线活动断裂中的

应用研究[D].成都:成都理工大学.2007.

[22]戚浩平，王炜，杨金中，等.宁波329国道北仑至三山线公路工程区内断裂遥感研究[J].铁路航测.2003(3):26－29.

[23]张明华.西藏墨脱公路断裂构造遥感分析及信息提取[J].国土资源遥感.2006，(1):56－60.

[24]杨金中，聂洪峰，李景华.遥感技术在浙江东部穿山半岛地区活动断裂调查中的应用[J].国土资源遥感.2003，(4):50－53.

[25]黄勤.城市区域断裂构造遥感信息提取[D].杭州:浙江大学.2007.

[26]王峰，荆燕，陈志军.运用Radarsat与ETM数据融合探测隐伏断裂[J].地震研究.2004，27(4):369－373.

[27]Yo li，P. The mechanisation of analytical hill shading [J]. The Cartographic Journal，1967，4(2):82 －88.

[28]Foley，J D，van Dam A，Feiner K，et a1. Computer Graphics:Principles and Practice(2nd ed)[M].Addison－Wesley，Reading，MA，1990.

[29]Horn，B.K.P. Hill shading and the reflectance map[J]. Geo－Processing，1982，2:65－146.

[30]Bui－ Tuong，P. Illumination for computer generated pictures[J].Communications of the Association of Computing Machinery，1975，18(6):311－317.

[31]Blinn，J.F. Models of Light Reflection for Computer Synthesized Pictures[C]. InSIGGRAPH’77:Proceedingsofthe4th annual conference on Computer graphics and interactive techniques，New York，1977.

[32]Zhou，X.，Dorrer，E. An Adaptive Algorithm of Shaded－ Relief Images from DEMs Based on Wavelet Transforms[C]. Digital Photogrammetry and Remote Sensing’95，SPIE Proceedings Series 2646，1995.

[33]Prechtel，N. Operational Analytical Hill Shading within an Advanced Image Processing System[C]. In:Proceedings of the 2nd Workshop on High Mountain Cartography，Kartographische Bausteine 18. Technische Universitt Dresden，Dresden，2000.

[34]Masoud，A.A.，Koike，K. Tectonic architecture through LANDSAT－7 ETM+/SRTM DEM－derived lineaments and relationship to the hydrogeologic setting in Siwa Region，NW Egypt[J]. Journal of African Earth Sciences，2006，45(4－5):467－477.

[35]Alaa A. Masoud，Katsuaki Koike. Auto－detection and integration of tectonically significant lineaments from SRTM DEM and remotely－sensed geophysical data[J]. ISPRS Journal of Photogrammetry and Remote Sensing，2011，66:818－832.

[36]吴曙亮.溧阳火山岩盆地 TM遥感图像线性构造密度分析[J].江苏地质.2000，24(3):161－164.

[37]Argialas，D.P.，Mavrantza，O.D. Comparison of edge detection and Hough transform techniques for the extraction of geologic features[J]. International Archives of Photogrammetry，Remote Sensing and Spatial Information Sciences，2004，34(Part B3):790－795.

[38]魏伟波，芮筱亭.图像边缘检测方法研究[J].计算机工程与应用.2006，(30):88－91.

[39]段瑞玲，李庆祥，李玉和.图像边缘检测方法研究综述[J].光学技术.2005，31(3):415－419.

[40]陈一虎.图像边缘检测方法综述[J].宝鸡文理学院学报(自然科学版).2013，33(1):16－21.

[41]季虎，孙即祥，邵晓芳，等.图像边缘提取方法及展望[J].计算机工程与应用.2004，(14):70－73.

[42]常娜.图像处理中的边缘检测算法研究综述[J].中国科技信息.2011，(4):130－131.

[43]Mehdi Rahnama，Richard Gloaguen，TU Bergakademie Freiberg.Automatic Extraction of tectonic lineaments from high and medium resolution remote sensing data in the Hindukush － Pamir[J]. Geophysical ResearchAbstracts，2013，15.

[44]Heath，M.，Sudeep，S.，Thomas，S.，Kevin，B. Comparison of edge detectors，methodology and initial study Comp [J]. Vision Image Under，1998，69(1):38 －54.

[45]Lijun，D.，Ardeshir，G. On the Canny edge detector[J]. Pattern Recogn，2001，34(3):721－725.

[46]Chouhan，B.，Shailja shukla，M.E.，Sem，V.I.，et al. Iris recognition system using canny edge detection for biometric identification [J]. Inter. J. Eng. Sci. Technol，2011，3(1):31 － 35.

[47]孙方立，阮秋琦.基于霍夫变换的断层地质构造识别研究[J].铁路航测.1997，(2):29－33.

[48]高景昌，王光杰.TM图像线性体信息微机自动提取[J].国土资源遥感.1993，(1):29－34.

[49]王今飞.遥感卫星图像中线性地质特征的自动提取[J].第四纪研究.2000，20(3):252－258.

[50]Karnieli，A. ，A. Meisels，L. Fisher Y. Arkin. Automatic extraction and evaluation of geological linear features from digital remote sensing data using a Hough Transform [J]. Photogrammetric Engineering and Remote Sensing，1996，62:525－531.

[51]Fitton，N. C，S. J. D. Cox. Optimizing the application of the Hough Transform for the automatic feature extraction from geoscientific images[J]. Computers and Geosciences，1998，24:933 －951.

[52]杨顺辽.基于Hough变换提取直线的改进方法研究[J].电脑与信息技术.2006，14(5):29－31.

[53]赵洪亮.基于Hough变换改进的直线检测与定位[J].激光与红外.2009，39(9):1009－1011.

[54]孟海东，姚继营.数字遥感图像解译分类方法研究[J].金属矿山.2010，(6):139－141.

[55]潘建刚，赵文吉，宫辉力.遥感图像分类方法的研究[J].首都师范大学学报(自然科学版).2004，25(3):86－91.

[56]陈姝，居为民.遥感图像分类方法及研究进展[J].河北农业科学.2009，13(1):143－146.

[57]Marpu，P. R.，Niemeyer，I.，Gloaguen，R. A procedure for automatic object－ based classification[C]. Proceedings of the 1st International Conference on Object－ based Image Analysis，2006.

[58]R. Gloaguen，P. R. Marpu，I. Niemeyer. Automatic extraction of faults and fractal analysis from remote sensing data[J]. Nonlin Processes Geophys，2007，14:131 －138.

[59]Mazlan Hashim，Samsudin Ahmad，Mohd Amin Md Johari，et a1.Automatic lineament extraction in a heavily vegetated region using Landsat Enhanced Thematic Mapper(ETM+)imagery[J]. Advances in Space Research，2013，51:874– 890.