基于高分辨率无人机影像的地震地表破裂半自动提取方法——以2021年MS7.4青海玛多地震为例
李东臣 任俊杰 张志文 刘 亮
1)应急管理部国家自然灾害防治研究院，北京 100085 2)复合链生自然灾害动力学应急管理部重点实验室，北京 100085 3)中国地震局地壳动力学重点实验室，北京 100085 4)应急管理部国家减灾中心，北京 100124 5)应急管理部卫星减灾应用中心，北京 100124
大地震现场调查表明，震级>6.5级的地震通常会在地表形成几千米至数十千米的地表破裂带(邓起东等，2008；
铁瑞等，2016；
徐锡伟等，2018)。地表破裂的几何结构包含发震构造的运动学特征，不仅能为分析活动断裂的同震位移空间分布规律和活动断裂变形带的宽度提供重要的定量资料(Klingeretal.，2005；
Xuetal.，2009；
陈立春等，2010)，而且对于深入理解发震断裂浅层地壳的破裂传播规律与变形运动学、 动力学机制等方面具有重要的科学意义(Brooksetal.，2017；
Renetal.，2019；
Rodriguez Padillaetal.，2021)。
目前获取地震地表破裂主要采用2种方法：
1)野外地质调查法。通过震后现场地表破裂实地调查获得同震地表位移和破裂带宽度等信息(徐锡伟等，2008；
李海兵等，2014；
张波等，2015)。2)影像目视解译法。基于遥感影像，根据自身对地震地表破裂特征的理解，手动绘制地表破裂带特征(徐岳仁等，2015；
刘超等，2021；
袁兆德等，2021)。这2种方法虽然可以获得同震地表破裂的大致几何结构，但均具有一定的局限性。野外地质调查法的可靠性高，但内陆型地震多发生在地形地貌复杂的区域，很多地点难以到达，从而导致数据不完整，无法详细绘制破裂带的细节特征，同时野外调查往往费时费力(杨莹辉等，2017)。影像目视解译法虽然能解译野外地质调查无法到达区域的地表破裂，但结果精度容易受解译者经验的影响，整个解译过程仍是时间和劳动密集型工作，且提取结果多为线型地表破裂，难以准确获取地表破裂宽度等精细特征(Renetal.，2019；
Rodriguez Padillaetal.，2021；
张志文等，2021)。因此，地震地表破裂尤其是微破裂面精细结构的自动提取是活动构造研究中一项亟待解决的问题。
通过卫星平台获取的遥感影像分辨率较低，且易受天气因素影响，提取的地表破裂精细度不够。而无人机平台使用成本低，可低空飞行，不受云雾的影响，且可获取厘米级分辨率的影像(郭庆华等，2021)，为大地震同震地表破裂精细结构的提取提供了条件。本研究基于无人机航拍获得的2021年青海玛多7.4级地震地表破裂的高分辨率影像，依据颜色空间色彩分割理论和面向对象的思想，提出了一种面向对象的“粗分割-精提取”方法，可实现地震地表破裂带特征的半自动提取。该研究为快速精确刻画地震地表破裂提供了一种解决方案，有助于深入理解大地震发震断裂地表变形的几何学特征和运动学机制。
航拍地表破裂得到的高分辨率无人机影像地面场景复杂，如影像上存在丰富的地物信息及大量噪声，利用基于像元的机器学习方法提取地表破裂时，存在未充分利用影像信息、 分类效果差、 速度慢等局限(黄雪青，2008；
赵慧等，2012)。且目前尚未有公开的地表破裂数据集，无法在影像上应用深度学习方法提取地表破裂。因此，本研究基于地表破裂在影像上的颜色和形状等先验特征，提出了一种面向对象的“粗分割-精提取”方法。
图 1 面向对象的“粗分割-精提取”方法Fig. 1 Object-oriented “rough segmentation-fine extraction” method.
该方法主要包括3个相互衔接的部分：
数据预处理、 地表破裂粗提取和地表破裂精提取，如图 1 所示。该方法的具体流程为：
第1步，为了提高方法的提取精度和速度，要对原始的高分辨率无人机影像进行预处理。本文首先设计了自定义不规则多边形栅格裁剪方法，以快速去除大部分背景噪声，获得地表破裂感兴趣区ROI(Region of Interest)。最后将ROI从RGB颜色空间转换为HSV颜色空间。第2步，进行地表破裂粗提取。首先，对ROI的HSV颜色空间进行色彩分割，即通过设置不同的H、S、V值分割ROI图像得到地表破裂候选区。由于人工选择阈值分割图像效率低，本研究设计了动态调整参数程序，实时显示提取结果，以最大程度提取地表破裂并去除背景噪声(即粗提取规则)，最终获得了地表破裂候选区。第3步，采用数学形态学中的膨胀方法处理地表破裂候选区图像。第4步，为了提高提取精度，基于面向对象的思想，对地表破裂候选区进行子区域对象提取。第5步，进行地表破裂精提取。首先，计算子区域对象的特征参数，然后通过动态调整特征参数筛选子区域对象，并实时观察精提取结果以获得最好的精提取结果。最后，将精提取结果输出为shp格式的矢量面数据。
基于以上方法，本研究采用Python语言设计了地震地表破裂半自动提取方法。下面将详细介绍地震地表破裂半自动提取方法的基本原理和提取流程。
2.1 数据与分析
2021年5月22日，青海玛多发生了MS7.4 地震。震后快速调查表明，地震造成了长约160km的同震地表破裂带，形成的左旋同震位错量平均为1～2m(李智敏等，2021；
潘家伟等，2021)。本次地震的同震地表破裂带由复杂的破裂类型组成，包括拉张裂缝、 剪切裂缝、 挤压鼓包等(张志文等，2021)，这些现象被认为与发震断裂上的左旋走滑运动相关的里德尔剪切作用有关(Renetal.，2021)。本次地震发生后，我们第一时间到地震现场进行调查，利用大疆Phantom 4 RTK无人机对本次地震地表破裂的典型段落进行了航拍，获得了分辨率约2cm的高精度影像。本研究选取2021年玛多地震地表破裂带东段昌马河附近的一段典型地表破裂开展实验研究(图 2)。
图 2 2021年青海玛多 MS7.4 地震的地表破裂与余震分布Fig. 2 Aftershock distribution and coseismic rupture zone of the 2021 MS7.4 Maduo earthquake，Qinghai.断层数据来源于文献(邓起东，2007)；
玛多地震地表破裂来源于文献(Ren et al.，2021)；
地震余震目录来源于文献(徐志国等，2021)；
底图遥感卫星影像来源于Google Earth；
研究区位于图中蓝色方框内
2.2 自定义不规则多边形栅格裁剪
栅格裁剪方式包括规则多边形裁剪和不规则多边形裁剪，为了尽可能多地去除背景噪声，提高地表破裂的有效提取效率，首先要裁剪出影像上有效的地表破裂范围。现有的遥感图像处理软件虽然已经实现了栅格裁剪功能，但需基于不规则多边形矢量文件，不具有灵活性，无法实时得到裁剪结果。考虑到时间成本，本研究设计了自定义不规则多边形栅格裁剪算法，基于输入的影像可实时实现裁剪功能，具体算法如下：
(1)掩膜图像生成：
在窗口显示的影像上手动绘制任意多边形，根据该多边形生成掩膜图像(黑白二值图)，其中掩膜图像中多边形区域内的像素值为255，区域外值为0。
(2)待掩膜图像生成：
计算出手画多边形的四至范围(四至范围即手画多边形上下左右的像素坐标)，根据四至范围裁剪原图像得到待掩膜图像。
(3)掩膜过程实现：
基于掩膜图像和待掩膜图像通过卷积运算生成最终的掩膜结果ROI，卷积运算公式为
(1)
其中，mask表示步骤(1)中的掩膜图像，image表示步骤(2)中的待掩膜图像。
通过对影像进行自定义不规则多边形栅格裁剪，得到感兴趣区ROI。整幅高分辨率无人机影像数据及裁剪结果如图 3 所示，获取的ROI用于后续的地表破裂粗提取。
图 3 自定义不规则多边形栅格裁剪结果Fig. 3 Raster clipping result of custom irregular polygon.a 高分辨率无人机影像数据；
b 裁剪结果。绿框为自定义不规则多边形
2.3 颜色空间转换
颜色空间不同，反映的图像特性和人眼感知特性也不同。为更好地基于ROI进行彩色图像分割，需要对ROI进行颜色空间转换。ROI的颜色空间是RGB，颜色空间分布不均匀，人眼视觉感知和像素距离存在较大差异，直接基于RGB颜色空间进行彩色图像分割的效果不佳。而HSV颜色空间分布均匀，符合人眼视觉感知，常被用于颜色识别、 颜色跟踪、 彩色对象提取。因此，本研究将ROI的RGB颜色空间转化为HSV颜色空间。
HSV又名六角锥体模型(Hexcone Model)，由3种感知变量组成：
色调(Hue)、 饱和度(Saturation)、 明度(Value)。其中，色调(H)表示颜色的差别，饱和度(S)表示颜色的饱和程度，明度(V)表示颜色的明亮程度。Smith(1978)根据颜色的直观特性提出了HSV颜色空间，并给出了RGB与HSV之间的转换关系，如式(2)、 (3)和(4)所示。其中，R、G、B分别是三通道上归一化后的像素值，即R，G，B∈[0，1]；
max＿Value和min＿Value分别是三通道上(即R、 G、 B)像素值的最大值和最小值；
m是最大值和最小值的差值，即m=max＿Value-min＿Value；
G＿minus＿B是G和B通道对应位置上像素值的差值，即G＿minus＿B=G-B。
由于地表破裂由偏黑色的暗像元组成，背景噪声由偏亮的像元组成。基于以上分析可知，HSV颜色空间适用于影像粗分割以提取地表破裂候选区(王博等，2017)。
(2)
(3)
V=max＿Value
(4)
2.4 地表破裂粗提取
基于HSV颜色空间分割影像，首先要根据H、S、V三者在圆锥模型中的相互变化关系量化地震地表破裂的色彩模板。为有效提取地表破裂候选区，需要将颜色空间量化为地表破裂区与背景噪声区(胡焯源等，2017)。由于三分量H、S、V之间彼此独立，根据六角椎体模型的颜色分布特性(王琪，2011)，可以确定H、S、V三分量之间关系，即当V非常高或非常低时，H值的变化对于图像视觉特性几乎无意义；
当S非常低时，H不稳定，同一物体对象可能对应不同的H值；
当V非常高或非常低时，S值的变化对于图像视觉特性几乎无意义。因此，为了最大程度提取地表破裂并减少背景噪声，一般不改变S(饱和度)，先调整V(亮度)，均衡地表破裂和背景噪声，再适当调整H值，减少背景噪声，最终得到地表破裂候选区。
在确定基于HSV颜色空间设置色彩模板提取地表破裂候选区的算法后，通过分析地表破裂的颜色特性，初步确定H、S、V三变量的默认阈值，S的最小值Sat＿min=0，S的最大值Sat＿max=255，H的最小值Hue＿min=0，V的最小值Val＿min=0，则H的最大值Hue＿max与V的最大值Val＿max将直接决定地表破裂候选区中地表破裂的精细程度。
若阈值设置过高(Hmax=58，Vmax=105)，分割结果会出现大量噪声(图4a)；
若阈值设置过低(Hmax=58，Vmax=39)，噪声能够基本消除，但部分有效破裂也受到了抑制(图4b)。
因此需要确定合适的Hue＿max与Val＿max，以最大限度保留地表破裂，同时有效抑制噪声。
图 4 HSV颜色空间色彩分割结果Fig. 4 The results of HSV color space color segmentation.a 阈值过高时的分割结果；
b 阈值过低时的分割结果。
白色区域即分割得到的地表破裂候选区
传统的阈值选择方法是通过人工不断输入有限且离散的阈值，得到多个提取结果，并从中选择最优结果所对应的阈值作为最佳阈值。但这种方法步骤繁琐，难以快速修改阈值，阈值覆盖不够全面，且无法实时可视化提取结果，操作效率较低。因此，本文将提取结果的轮廓叠加在输入图像上，并在显示窗口上设置阈值动态调整滑动条，通过动态调整阈值(图 5)，实时观察提取结果，经前后对比选出最优提取结果，最终从彩色影像中快速分割出地表破裂候选区(图 6)。
图 5 粗分割动态调整界面Fig. 5 The dynamic adjustment interface of coarse extraction.
图 6 地表破裂候选区Fig. 6 The ROI area of coseismic surface ruptures.a 原始影像；
b 地表破裂的提取结果(红色即为提取结果的轮廓)。
底图为原始影像灰度图
具体分割算法实现如下：
(1)颜色空间转换：
根据式(2)—(4)可知，H∈[0，360]，S∈[0，1.0]，V∈[0，1.0]，但影像数据类型一般为8bit的无符号整型，为了匹配影像数据类型8bit的特性，调整H、S、V的范围，使得H∈[0，180]，S∈[0，255]，V∈[0，255]。
(2)参数动态调整：
基于研究区影像，通过动态调整H和V，最终确定V∈[0，85]和H∈[0，32]，最大程度保留了地表破裂，减少了背景噪声，至此实现了地表破裂粗提取(图 5)。
2.5 子区域对象提取
数学形态学(mathematical morphology)是一种非线性滤波方法，分为二值数学形态学和灰度数学形态学2种运算。
本研究使用的是二值数学形态学运算，将待处理的二值图像当作一个集合，并用结构元素在该集合上进行“探测”。结构元素是一个可以在图像上平移且小于图像尺寸的集合。所用的基本运算是使结构元素在图像范围内进行平移，并施加交、 并等集合运算，本质是通过图像集合与结构元素间的相互作用来提取有意义的图像信息(罗朝阳等，2020)，不同的结构元素可以提取不同层面的图像信息，以满足图像分析、 识别、 提取的目的。膨胀是二值数学形态学的基本运算之一，对于二值图像中的亮区域具有膨胀(即扩大)和平滑作用，基本思想是：
当目标区域包含结构元素的任一点时，结构元素原点对应的像素点属于该区域；
反之，则不属于该区域(陆可等，2021)。由于粗提取的地表破裂轮廓叠加在原始影像上显得更小(即结果轮廓显示在破裂边界内侧)，平滑性和连续性也较差，因此采用膨胀运算膨胀和平滑粗提取结果。
传统的图像分类、 分割或专题信息的提取主要基于像元的光谱特性，这种方式仅孤立考虑单个像元的灰度特征，并未充分利用地物形状、 纹理、 空间上下文关系等对象特征。因此，仅在噪声少的高质量影像或中低分辨率影像上进行分类、 分割或专题信息提取的效果显著。而高分辨率影像场景复杂，含有丰富的地物信息，且像元一般是非混合像元，只是某一地物的局部，使用传统方法所得结果极易包含大量噪声，如果用滤波抑制噪声又会降低影像的分辨率，影像就会失去高分辨率的意义。而面向对象的思想更符合人类目视解译的思维逻辑，能够较好地克服“同物异谱”或“异物同谱”，可以极大提高高分辨率影像分类分割或专题信息提取的精度(曾举等，2011)。
地表破裂粗提取是基于像素光谱特征进行分割的过程。通过观察发现，粗提取结果是由众多分散的子区域组成，为了将子区域作为对象进行处理，必须提取子区域的外轮廓(李政国，2008)，外轮廓可根据轮廓跟踪算法计算得到(Suzukietal.，1985)，该算法的核心思想是：
基于链码原理，在二值图像上搜索连通域的轮廓点及其方向，并用链码表示，从中标记出内外轮廓。粗提取结果同样也是二值图像，因此，可通过轮廓跟踪算法处理地表破裂候选区图像，得到子区域的外轮廓，即子区域对象。
2.6 面向对象的地表破裂精提取
以计算得到的子区域对象为基本单元，基于面向对象的思想对地表破裂进行精提取。地表破裂的形态有扁长型、 近圆型等，而背景噪声的形态也复杂多样，通过周长、 面积、 矩形度、 圆形度、 最小外接矩形的长宽比、 形状指数等形状特征无法很好地将两者区分。但微调形状特征参数可去除部分背景噪声，且大部分背景噪声呈近圆形，因此在算法中选择最小外接矩形的长宽比辅助地表破裂的精提取。
光谱特征为地物经过吸收与发射后在特定传感器上成像时的数值特征，一般同类地物光谱特征相同或相近，故可用光谱特征提取某种地物(鞠明明，2013)。无人机影像分辨率高，背景噪声复杂多样且相对于地表破裂更匀质，通过多次实验发现光谱标准差可以很好地区分背景噪声和地表破裂。又由于背景的光谱均值较大，在算法中可利用均值有效滤除背景噪声。综上所述，为高效精提取地表破裂，选用子区域对象的光谱标准差作为主要特征，光谱均值、 最小外接矩形的长宽比作为辅助特征提取地表破裂。
面向对象的地表破裂精提取算法的具体实现过程包括：
(1)对象特征计算：
基于提取的子区域对象和研究区高分影像，分别计算子区域对象的光谱标准差、 光谱均值、 最小外接矩形的长宽比。
(2)动态参数调整：
将提取的地表破裂轮廓作为前景与研究区影像叠加显示，通过动态调整子区域对象的光谱标准差，实时观察提取效果，直到最大程度提取地表破裂和剔除背景噪声，再适当调整辅助特征，尽可能多地去除背景噪声。精提取动态参数调整界面如图 7 所示。
(3)矢量结果输出：
将提取的地震地表破裂输出为shp格式的矢量面数据。
图 7 精提取动态调整界面Fig. 7 The dynamic adjustment interface of fine extraction.
本研究以高分辨率无人机影像为数据源，实现了地震地表破裂带的半自动提取，在实验区提取的地震地表破裂结果如图 8 所示，其中共包含1125个矢量面。通过对比全局提取效果发现(图8a，b)，提取结果虽仍含有少量背景噪声，但研究区内地表破裂面的提取效果非常好。为了更直观地展示提取结果的精细结构，将提取结果轮廓与原始影像叠加显示(图8c—k)，结果表明：
1)受到破坏的地表破裂提取效果不佳(图8c)，这是因为该处地表破裂受到震后河流冲刷的影响，与未受破坏的地表破裂相比，其颜色偏亮且边界不明显，地表破裂特征并不显著。另外，该结果是使用全局阈值从原始影像中提取的，因此提取效果存在一定的局限性。2)本文提出的方法能够满足半自动提取地表破裂面精细结构的要求(图8d—k)。提取结果中虽仍含有少量背景噪声，但其轮廓与原始影像上的地表破裂边界基本吻合，提取结果中甚至包含某些次级地表破裂(图8j 中的黄框)。同时需要指出的是，提取结果的某些细节存在问题(图8f 中的黄框)，这是由于在本研究所使用的分辨率约2cm的影像中，这些次级破裂很小，很多为主地表破裂内部的细节。3)仅以原始影像为数据源，本文方法甚至可提取单像素宽且连续性差的地表破裂面(图8g，h)。
综上所述，利用本文方法从高分辨率无人机影像中提取的地表破裂面与影像中的地表破裂边界基本一致，表明该方法具有有效性和可靠性。
图 8 地表破裂的提取结果Fig. 8 Extraction results of surface rupture.a 地表破裂所在范围的研究区原始影像；
b 地表破裂提取结果，底图为原始影像的灰度图；
c—k 地表破裂轮廓线的细部结构
图 9 影像分块后的提取结果Fig. 9 Extraction results of image segmentation.a 河流处地表破裂的原提取效果；
b 分块后河流处地表破裂的提取效果；
c 图8f处的提取效果；
d 分块后图8f处的提取效果，其中绿色矢量面为原提取结果，红色轮廓为分块后的提取结果
4.1 分块提取地表破裂
由于受河流冲刷破坏的地表破裂提取效果不佳，为验证本研究方法的可靠性，对影像进行分块以使用局部阈值提取地表破裂(图9a 中的影像底图即为分块后的影像)。先用局部阈值对影像进行粗分割，然后进行精提取，提取效果如图9b 所示。提取结果的轮廓与影像中的地表破裂边界基本吻合，且轮廓线较圆滑。虽然该地表破裂受到了河流的冲刷，使其与原生地表破裂呈现出不同的特征，无法通过全局阈值对其进行提取，但将影像分块后，采用局部阈值可提取该地表破裂，使得提取效果有了极大提升。
另外，部分特殊的噪声也可能影响提取的精度。图9c 紫框中提取结果的轮廓内含有次级地表破裂，将影像进行分块后，再利用本研究的方法提取地表破裂，并与原提取结果进行对比(图9d)。结果表明，在保证大部分地表破裂能被提取的情况下，排除了所有背景噪声，并提取出次级地表破裂。
综上所述，在本研究方法的基础上，设置分块提取地表破裂的功能，使用局部阈值改进全局阈值的不足之处，可以更为准确地提取地震地表破裂。
4.2 提取的目标需求
对地表破裂提取的目标需求不同，其最终提取效果也不同。1)当提取需求为最大程度提取地表破裂并尽可能减少背景噪声时，提取方法需要兼顾较大破裂和较小破裂(单像素宽且连续性差的地表破裂)，提取结果会含有一些背景噪声(图10a)，共包括1125个矢量面。2)当提取需求是可忽略部分较小破裂但需尽可能减少背景噪声时，提取结果中的背景噪声明显减少，其中共包括692个矢量面(图10b)。对比不同需求下提取结果的精细结构可以发现(图10c—f)，当需求改变后，提取结果中的较小破裂减少了一部分，同时背景噪声也明显减少。因此，提取目标需求不同，地表破裂提取结果也不同，这也表明本研究提出的方法具有灵活性。
图 10 需求改变后的提取结果Fig. 10 Extraction results after demand changes.a 本文的提取结果；
b 需求改变后的提取结果；
c、 e 本文提取结果轮廓的精细结构；
d、 f 需求改变后提取结果轮廓的精细结构
4.3 数学形态学——膨胀
为了提高地表破裂提取的准确性，本研究设计的算法使用了二值数学形态学中的膨胀运算。为了验证膨胀运算对于地表破裂提取的重要性，采用未使用膨胀运算和使用膨胀运算的算法分别对高分辨率无人机影像进行地震地表破裂半自动提取。图11a 为采用含有膨胀运算算法的提取结果，可见要素更具有连续性，数目较少。而未采用膨胀运算的算法提取结果中的要素则更离散，数目相对较多(图11b)。为进一步对比膨胀运算的效果，我们比较2种算法提取结果的细部结构(图11c—h)，发现未采用膨胀运算算法的提取结果轮廓在影像中地表破裂边界的内侧且提取结果更破碎，对较小破裂提取效果不佳(图11f)。采用膨胀运算后的提取结果轮廓和影像中的地表破裂边界基本吻合，轮廓锯齿少(即更平滑)，可很好地提取小破裂。因此，在算法中加入膨胀运算可有效提高地表破裂提取的准确性。
图 11 采用膨胀运算与否的提取结果Fig. 11 Extraction results with or without expansion operation.a 采用膨胀运算后的提取结果；
b 未采用膨胀运算的提取结果；
c、 e、 g 采用膨胀运算后提取结果轮廓的精细结构；
d、 f、 h 未采用膨胀运算提取结果轮廓的精细结构
4.4 特征参数的选择
为了深入探究用于地表破裂精提取的特征参数主次关系，下面将选择不同的特征参数组合精提取地震地表破裂，并将提取结果与本研究的提取结果进行对比。
经对比发现，当参数阈值相同时，仅使用子区域对象的光谱标准差为约束参数提取地表破裂，其结果和本文提取结果中的地表破裂总体形态一致，但含有更多背景噪声(图12a，b)。其中共包括1536个矢量面，而本文的提取结果中包含1125个矢量要素。由此可知，在此基础上又选择子区域对象的光谱均值和最小外接矩形的长宽比作为辅助约束参数，可进一步减少背景噪声。分析不同特征组合对于地表破裂精细结构提取的影响(图12c—f)，发现2种情况下的提取结果包含的地表破裂形态、 数目均一致。不同的是仅使用子区域的光谱标准差作为约束参数时，提取结果包含更多的背景噪声；
而另一种情况可进一步减少结果中的背景噪声，从而降低了错分率。因此，本研究算法中以子区域对象的光谱标准差为精提取主特征、 以光谱均值和最小外接矩形的长宽比为辅助特征是合理的。
图 12 选取不同特征参数时的提取结果Fig. 12 Extraction results with different characteristic parameters.a 本文的提取结果；
b 仅使用子区域对象的光谱标准差为约束参数的提取结果；
c、 e 本文提取结果轮廓的精细结构；
d、 f 仅使用子区域对象的光谱标准差为约束参数的提取结果轮廓的精细结构
4.5 方法分析
本研究所述方法存在以下优点：
1)未使用滤波处理影像以去除噪声，不会破坏影像真值，从而可充分利用影像高分辨率的特性，有效地提取出地表破裂的精细结构。2)通过设计自定义不规则多边形栅格裁剪功能以去除部分背景噪声，提高了本文方法的效率和提取效果。3)基于面向对象的思想，利用地表破裂对象的光谱特征和形状特征，提高了地表破裂的提取精度。4)设置滑动条动态调整参数代替人工选择阈值分割影像以实现实时粗分割和精提取过程，可快速提取地表破裂。5)与以往影像目视解译的线性地表破裂不同，本文方法能够半自动提取地表破裂矢量面，从而可进一步准确计算宽度等定量参数，为理解发震断裂运动学机制奠定基础。6)目前深度学习方法需要大量的训练标注数据，虽然一些自动化标注工具能够实现自动化标注，但是仍然会受到使用场景的限制，标注之后的样本需要再次进行人工处理，成本很高。而本研究的方法可作为地表破裂样本数据集的生成工具，通过人工适当干预，自适应得到标注结果，从而能够实时、 准确地满足不同的标注需求。
但该方法也存在2个不足之处：
1)未能完全自动化，需要人为调整滑动条以确定相关参数，提取结果仍然会受到提取者主观经验的影响；
2)对于一些特征不明显或受后期破坏的地表破裂的整体提取效果不佳，需要利用分块提取以提高精度。
针对大地震地表破裂面自动化提取的难题，本研究提出了一种面向对象的“粗分割-精提取”方法，基于2021年青海玛多MS7.4 地震地表破裂的分辨率约2cm的无人机影像，执行以下步骤提取地表破裂：
首先，通过自定义不规则栅格裁剪方法裁剪原始图像得到感兴趣区ROI。其次，将ROI颜色空间转换为HSV，再利用亮度值和色调将ROI的HSV颜色空间分割为地表破裂候选区，然后采用膨胀运算处理地表破裂候选区；
再利用轮廓跟踪方法将地表破裂候选区对象转化为一系列子区域对象。最后，利用子区域对象的光谱标准差、 光谱均值、 最小外接矩形的长宽比为特征参数对地表破裂进行精提取，并输出地表破裂矢量面结果。实验结果表明，除受影像分辨率的限制、 地表破裂受河流冲刷破坏导致的几处提取效果不佳的区域外，提取结果具有较高的可靠性，可用于大地震地表破裂定量参数的提取和地表破裂数据集(用于深度学习)的制作。而为了进一步验证方法的有效性并提高提取的准确率，又结合不同的提取目标需求，采用分块提取，最终构建了一套完整的基于高分辨率无人机影像的地震地表破裂精细结构半自动提取技术框架。