基于GF2遥感影像的一种快速水体信息提取方法
遥感图像中基于机器学习的水体提取方法研究
遥感图像中基于机器学习的水体提取方法研究一、引言在遥感技术不断发展的今天，如何高效地利用遥感图像数据成为了研究的热点问题之一。
水体提取是遥感图像处理中的一个非常重要的问题，水体提取不仅对于水资源的管理有着重要的意义，而且在环境监测，自然灾害预警等领域也有着广泛的应用。
因此，在遥感图像中基于机器学习的水体提取方法的研究引起了众多学者的关注。
本文将介绍基于机器学习的水体提取方法的研究现状，并针对其中存在的问题，提出了一些改进思路。
二、研究现状传统的遥感图像水体提取方法主要采用阈值法、比值法等像元级的方法进行水体提取。
这些方法简单易行，但是存在提取精度低、受数据质量等因素影响大等缺点。
而基于机器学习的水体提取方法则采用计算机科学中的机器学习理论，利用自动学习的能力，从图像数据的高维空间中提取特征、判别水体和非水体，大幅提高了水体提取的效率和准确性。
目前，基于机器学习的水体提取方法主要分为两个类别：监督式学习和非监督式学习。
2.1 监督式学习方法监督式学习方法需先准备训练集，并人工标注其中的“水”和“非水”样本。
在训练模型时，传递图像的信息以及相应的标注到算法中，通过学习样本特征的相似关系和差异，最终建立起一个分类模型。
监督式学习方法的优点在于提取的水体信息较为准确，但缺点也很明显，即与训练集样本相关性强，泛化能力较差，当遇到未曾见过的新数据时准确率会有所下降。
常见的监督式学习方法有支持向量机（Support Vector Machine, SVM）、决策树（Decision Tree）、神经网络（Neural Network）等算法。
这些算法不同的分类依据和处理方式会影响提取的水体的质量。
2.2 非监督式学习方法与监督式学习方法不同，非监督式学习方法不依赖于预先标注的数据。
这类方法通过计算数据中的各种统计量、空间接近度等指标，自动分类图像数据，并对提取的水体和非水体像元进行分析、筛选。
这类方法的优点在于不需要自行标注繁琐，可以减少人工干预，缺点在于提取的水体信息相对较少，不如监督式学习方法准确。
基于GF-2遥感影像的一种快速水体信息提取方法
基于GF-2遥感影像的一种快速水体信息提取方法邹橙;杨学志;董张玉;王冬【摘要】在高分辨率遥感影像中,水体与阴影(尤其是高大建筑物阴影)、暗色地物不易区分.针对GF-2遥感影像的光谱特性的大量实验研究,提出了一种新综合水体指数法(NCWI)来增强水体区域信息;同时利用改进的OSTU结合鸡群算法(CSO)快速自适应地确定最佳分割阈值,进而得到最终的水体区域.将其同归一化NDWI、改进谱间关系法、主成分分析综合法等常见水体信息提取方法应用于GF-2遥感影像水体信息提取,利用采用实地采样和人工解译的混淆矩阵对提取的水体区域结果进行精度验证和对比分析,从而验证了其有效性和高效性.4个实验区域的结果证明,该算法可以快速有效地提取水体信息,精确度分别达到97.82％,97.44％,92.13％,96.94％.【期刊名称】《图学学报》【年(卷),期】2019(040)001【总页数】6页(P99-104)【关键词】GF-2影像;水体提取;新综合水体指数;OSTU;高大建筑物阴影;鸡群算法【作者】邹橙;杨学志;董张玉;王冬【作者单位】合肥工业大学计算机与信息学院,安徽合肥230009;工业安全与应急技术安徽省重点实验室,安徽合肥230009;合肥工业大学计算机与信息学院,安徽合肥230009;工业安全与应急技术安徽省重点实验室,安徽合肥230009;合肥工业大学计算机与信息学院,安徽合肥230009;工业安全与应急技术安徽省重点实验室,安徽合肥230009;合肥工业大学计算机与信息学院,安徽合肥230009;工业安全与应急技术安徽省重点实验室,安徽合肥230009【正文语种】中文【中图分类】TP391利用遥感技术对水资源进行实时高效地监测、分析以及管理，对于人类的生存和发展具有十分重要的意义。
随着遥感技术的快速发展，卫星影像的分辨率也越来越高，对尺寸很小的对象都能够分辨出特征细节，使得不同的地物在影像中更加容易区分。
基于高分二号影像的高潜水位矿区水体提取方法
基于高分二号影像的高潜水位矿区水体提取方法梁苏妍;王启元;张纯梦;张淼淼;孙浩轩;任河【摘要】淮南矿区位处高潜水位平原区,区域内水系发达,且长期地下煤炭开采使地表形成大面积水区.文中基于国产高分二号(GF-2)影像数据,以淮南潘谢矿区三座矿山为例,利用2016年GF-2多光谱与全色融合数据,选择单波段阈值法、多波段谱间关系法、归一化水体指数法(NDWI)三种水体信息自动提取方法和监督分类法,对研究区内水体进行提取.结合实地采样得到的混淆矩阵对水体区域的整体提取结果进行精度验证对比分析.实验结果表明:利用监督分类法提取水体信息效果最好,总体精度达到98.18％,Kappa系数为0.94;自动提取方法中单波段阈值法效果最好,总体精为93.26％,Kappa系数为0.81.本研究对比分析得基于GF-2遥感数据的最优矿区水体信息提取方法为监督分类法,为后期矿区水体的动态变化预测和治理提供了科学依据.【期刊名称】《矿山测量》【年(卷),期】2018(046)003【总页数】5页(P5-9)【关键词】GF-2;遥感;水体;矿区【作者】梁苏妍;王启元;张纯梦;张淼淼;孙浩轩;任河【作者单位】威海市公共资源交易中心,山东威海264200;中国矿业大学(北京)土地复垦与生态重建研究所,北京 100083;中国矿业大学(北京)土地复垦与生态重建研究所,北京 100083;中国矿业大学(北京)土地复垦与生态重建研究所,北京 100083;中国矿业大学(北京)土地复垦与生态重建研究所,北京 100083;中国矿业大学(北京)土地复垦与生态重建研究所,北京 100083【正文语种】中文【中图分类】TD672煤炭资源是我国的主体能源，在一次能源结构中占70%左右，在未来相当长时期内，煤炭作为主体能源的地位不会改变[2]。
作为中国重要的基础能源和原料，煤炭在国民经济发展中长期具有重要战略地位[5]。
淮南矿区的煤炭开采弥补了我国东部能源缺口，对保障国民经济持续健康发展具有不可替代的重要意义，同时江淮地区是全国九大商品粮基地之一，粮食生产更是国家的重要战略。
基于LBV变换的GF-2影像水体提取方法
基于LBV变换的GF-2影像水体提取方法
彭凯锋;贾永红;李辉
【期刊名称】《北京测绘》
【年(卷),期】2018(032)004
【摘要】针对GF-2影像波段较少、不利于构建水体指数的问题,提出了基于LBV 变换的水体提取方法.通过GF-2影像的LBV变换及其归一化,得到了物理意义明确的L、B、V变换分量;利用这三个分量计算特征分量BL、BV,构建完整水体提取方案,对阿克塞县的小苏干湖和石嘴山市某一段黄河进行水体提取.实验结果表明,相比于NIR、NDWI算法,本文算法能够更好地将水体与土壤、植被、建筑物等地物区分开来,在正确率、误提率、漏提率方面总体优于NIR、NDWI算法,提取过程简单,具有较好的应用价值.
【总页数】5页(P394-398)
【作者】彭凯锋;贾永红;李辉
【作者单位】黄河勘测规划设计有限公司,河南郑州 450003;武汉大学遥感信息工程学院,湖北武汉 430079;黄河勘测规划设计有限公司,河南郑州 450003
【正文语种】中文
【中图分类】P237
【相关文献】
1.基于GF-2卫星遥感影像的界河水体信息提取方法 [J], 龚文峰;王鹏;王双宇;周莹;曹凯华;
2.基于GF-2遥感影像的一种快速水体信息提取方法 [J], 邹橙;杨学志;董张玉;王冬
3.基于GF-2高分辨率遥感影像的水体提取方法研究 [J],
4.基于GF-2遥感影像的一种快速水体信息提取方法 [J], 邹橙;杨学志;董张玉;王冬;;;;;
5.基于GF-2影像的雨后洪涝区超绿水体指数提取方法 [J], 段纪维;钟九生;江丽;钟淼淼
因版权原因，仅展示原文概要，查看原文内容请购买。
一种遥感影像水体信息自动提取方法
一种遥感影像水体信息自动提取方法
李小曼;王刚;李晓安
【期刊名称】《微计算机信息》
【年(卷),期】2008(24)36
【摘要】本文提出了一种基于卫星图像数据的LBV变换与归一化植被指数NDVI 的遥感影像水体信息自动提取的方法.水体经过LBV变换后形成的B分量图的灰度值很大,水体信息的归一化植被指数值小于0;构建水体信息自动提取模型条件是水体信息满足B分量数值大于某一阈值并且归一化植被指数值小于0;与其它方法进行实验比较该方法可以较准确的进行水体信息的自动提取,同时准确地将水域与低密度覆盖的水植混合体分开.
【总页数】3页(P303-304,309)
【作者】李小曼;王刚;李晓安
【作者单位】710086,西安,武警工程学院;710086,西安,武警工程学院;710086,西安,武警工程学院
【正文语种】中文
【中图分类】TP753
【相关文献】
1.基于GF-2遥感影像的一种快速水体信息提取方法 [J], 邹橙;杨学志;董张玉;王冬
2.基于GF-2遥感影像的一种快速水体信息提取方法 [J], 邹橙;杨学志;董张玉;王冬;;;;;
3.基于密集连接全卷积神经网络的遥感影像水体全自动提取方法 [J], 梁泽毓;吴艳兰;杨辉;姚雪东
4.一种顾及背景信息的遥感影像自动化水体提取方法 [J], 李林蓉;吴曌月;郑盼;姚文静;苏红军
5.一种改进的遥感影像水体信息快速提取方法 [J], 王帆;李崇贵;马婷;刘梦霞;张志超
因版权原因，仅展示原文概要，查看原文内容请购买。
国产高分系列遥感影像水体提取方法研究
国产高分系列遥感影像水体提取方法研究国产高分系列遥感影像水体提取方法研究一、引言遥感技术在水体监测和管理中起着重要作用。
随着高分辨率遥感卫星的发展，国产高分系列数据提供了丰富的遥感影像数据，为水体提取提供了更多可行性。
本文旨在通过对国产高分系列遥感影像水体提取方法的研究，探讨其在水资源管理中的潜力和应用。
二、国产高分系列遥感影像国产高分系列卫星由中国自主研发，包括高分一号、高分二号等，在遥感数据获取方面具有一定的优势。
这些卫星拥有高空间分辨率、宽幅度和高频率的观测能力，可以提供高质量的遥感影像数据，为水体提取提供了良好的基础。
三、水体提取方法1. 基于阈值分割的方法基于阈值分割的方法是常用的水体提取方法之一。
该方法通过设置阈值，将像素值与之进行比较，从而将水体和非水体区分开来。
在国产高分系列遥感影像中，可以使用基于直方图分析或人工设定阈值的方法进行水体提取。
2. 基于指数变换的方法基于指数变换的方法侧重于使用遥感影像的多光谱波段特征来提取水体。
通过计算不同光谱波段之间的指数，如归一化植被指数（NDVI）和归一化差水指数（NDWI），可以识别水体和非水体区域，并进行提取。
3. 基于机器学习的方法基于机器学习的方法结合了遥感影像的多个特征，如光谱、纹理和形状等，通过训练分类器来进行水体提取。
常用的机器学习算法包括支持向量机（SVM）、随机森林（RF）和人工神经网络（ANN）等。
这些方法可以通过样本集训练模型，提高水体提取的准确性和稳定性。
四、国产高分系列遥感影像水体提取方法的应用1. 水资源管理国产高分系列遥感影像水体提取方法可以为水资源管理提供准确、实时的数据支持。
通过监测水体面积和水质变化，可以及时发现水资源的状况变化、实施合理的资源分配，促进水资源的合理利用和保护。
2. 水环境监测水体提取方法可以用于水环境监测。
通过提取水体边界和水体覆盖范围，可以对水生态系统进行空间分析，识别污染源的位置和分布情况，提供科学依据和技术支持，为水污染控制和治理提供重要参考。
采用国产GF-2遥感影像的复杂水网平原水体信息提取
第５１卷第１２期２０１７年１２月浙 江 大 学 学 报（工学版）Ｊｏｕｒｎａｌ ｏｆ Ｚｈｅｊｉａｎｇ Ｕｎｉｖｅｒｓｉｔｙ（Ｅｎｇｉｎｅｅｒｉｎｇ Ｓｃｉｅｎｃｅ）Ｖｏｌ．５１Ｎｏ．１２Ｄｅｃ．２０１７收稿日期：２０１７－０３－１２．网址：ｗｗｗ．ｚｊｕｊｏｕｒｎａｌｓ．ｃｏｍ／ｅｎｇ／ｆｉｌｅｕｐ／ＨＴＭＬ／２０１７１２０２２．ｈｔｍ基金项目：“十二五”国家科技支撑计划资助项目（２０１５ＢＡＣ０２Ｂ００）；浙江省科技厅资助项目（２０１５Ｆ５００５６）；环保部重点资助项目（ＳＴＳＮ－０５－１１）；公益性行业专项（２０１４１１１１９－３）．作者简介：付勇勇（１９９３—），男，硕士生，从事资源环境遥感与全球变化应用研究．ｏｒｃｉｄ．ｏｒｇ／００００－０００２－５４７１－７２３Ｘ．Ｅ－ｍａｉｌ：２１５１４１１３＠ｚｊｕ．ｅｄｕ．ｃｎ通信联系人：邓劲松，男，副教授．ｏｒｃｉｄ．ｏｒｇ／００００－０００１－５６４６－８５８３．Ｅ－ｍａｉｌ：ｊｓｏｎｇ＿ｄｅｎｇ＠ｚｊｕ．ｅｄｕ．ｃｎＤＯＩ：１０．３７８５／ｊ．ｉｓｓｎ．１００８－９７３Ｘ．２０１７．１２．０２２采用国产ＧＦ－２遥感影像的复杂水网平原水体信息提取付勇勇１，王旭航２，邓劲松１，叶自然１，周梦梦１，尤淑撑３，关 涛４（１．浙江大学遥感与信息技术研究所，浙江杭州３１００５８；２．中国电建集团华东勘测设计研究院有限公司，浙江杭州３１１１２２；３．中国土地勘测规划院，北京１０００３５；４．浙江省土地勘测规划院，浙江杭州３１０００７）摘 要：以国产高分二号（ＧＦ－２）影像为数据源，选取杭嘉湖水网平原作为典型研究区域，基于面向对象分析技术，提出一种选取最佳分割尺度和特征规则的方法．该方法通过局部方差变化率（ＲＯＣ－ＬＶ）曲线峰值确定最佳分割尺度，采用分离阈值法（ＳＥａＴＨ）建立提取规则，实现水体信息的快速提取．结果表明：总体精度达到９８．７％，Ｋａｐｐａ系数达到０．９６，水体信息提取准确度和查全率均值都在９７．３％以上．所提方法能够有效地提取水体信息，满足实际应用需求．关键词：水体信息提取；面向对象的图像分析；高分二号卫星；复杂水网平原；分割尺度；特征规则中图分类号：ＴＰ ７５１．１ 文献标志码：Ａ 文章编号：１００８－９７３Ｘ（２０１７）０９－２４７４－０７Ｅｘｔｒａｃｔｉｏｎ ｏｆ ｗａｔｅｒ ｉｎｆｏｒｍａｔｉｏｎ ｉｎ ｃｏｍｐｌｅｘ ｗａｔｅｒ－ｎｅｔ ｐｌａｉｎ ｗｉｔｈＣｈｉｎｅｓｅ ＧＦ－２ｒｅｍｏｔｅｌｙ ｓｅｎｓｅｄ ｉｍａｇｅｓＦＵ Ｙｏｎｇ－ｙｏｎｇ１，ＷＡＮＧ Ｘｕ－ｈａｎｇ２，ＤＥＮＧ Ｊｉｎ－ｓｏｎｇ１，ＹＥ Ｚｉ－ｒａｎ１，ＺＨＯＵ Ｍｅｎｇ－ｍｅｎｇ１，ＹＯＵ Ｓｈｕ－ｃｈｅｎｇ３，ＧＵＡＮ Ｔａｏ４（１．Ｉｎｓｔｉｔｕｔｅ ｏｆ Ｒｅｍｏｔｅ Ｓｅｎｓｉｎｇ ａｎｄ Ｉｎｆｏｒｍａｔｉｏｎ Ｔｅｃｈｎｉｑｕｅ，Ｚｈｅｊｉａｎｇ Ｕｎｉｖｅｒｓｉｔｙ，Ｈａｎｇｚｈｏｕ３１００２９，Ｃｈｉｎａ；２．Ｐｏｗｅｒ Ｃｈｉｎａ Ｈｕａｄｏｎｇ Ｅｎｇｉｎｅｅｒｉｎｇ Ｃｏ．Ｌｔｄ，Ｈａｎｇｚｈｏｕ３１１１２２，Ｃｈｉｎａ；３．Ｃｈｉｎａ Ｌａｎｄ Ｓｕｒｖｅｙｉｎｇ ａｎｄ Ｐｌａｎｎｉｎｇ Ｉｎｓｔｉｔｕｔｅ，Ｂｅｉｊｉｎｇ１０００３５，Ｃｈｉｎａ；４．Ｚｈｅｊｉａｎｇ Ｉｎｓｔｉｔｕｔｅ ｏｆ Ｌａｎｄ Ｓｕｒｖｅｙｉｎｇ ａｎｄ Ｐｌａｎｎｉｎｇ，Ｈａｎｇｚｈｏｕ３１０００７，Ｃｈｉｎａ）Ａｂｓｔｒａｃｔ：Ｂａｓｅｄ ｏｎ ｏｂｊｅｃｔ－ｏｒｉｅｎｔｅｄ ｉｍａｇｅ ａｎａｌｙｓｉｓ，ａ ｍｅｔｈｏｄｏｌｏｇｙ ｃｏｍｂｉｎｇ ｓｅｌｅｃｔｉｎｇ ｏｐｔｉｍａｌ ｓｅｇｍｅｎｔａｔｉｏｎｓｃａｌｅ ａｎｄ ｆｅａｔｕｒｅ ｒｕｌｅ ｗａｓ ｐｒｏｐｏｓｅｄ ｔｏ ｅｘｔｒａｃｔ ｗａｔｅｒ ｉｎｆｏｒｍａｔｉｏｎ ｉｎ Ｈａｎｇ－Ｊｉａ－Ｈｕ ｗａｔｅｒ－ｎｅｔ ｐｌａｉｎ ｆｒｏｍ ｔｈｅＧＦ－２ｒｅｍｏｔｅｌｙ ｓｅｎｓｅｄ ｉｍａｇｅｓ．Ｔｏ ｒｅａｌｉｚｅ ｔｈｅ ｒａｐｉｄ ｅｘｔｒａｃｔｉｏｎ ｏｆ ｗａｔｅｒ ｉｎｆｏｒｍａｔｉｏｎ，ｔｈｅ ｒａｔｅｓ ｏｆ ｃｈａｎｇｅ ｏｆｌｏｃａｌ ｖａｒｉａｎｃｅ（ＲＯＣ－ＬＶ）ｗａｓ ｃａｌｃｕｌａｔｅｄ ｔｏ ｄｅｔｅｒｍｉｎｅ ｔｈｅ ｏｐｔｉｍａｌ ｓｃａｌｅ ｐａｒａｍｅｔｅｒ，ａｎｄ ｔｈｅ ｓｅｐａｒａｂｉｌｉｔｙ ａｎｄｔｈｒｅｓｈｏｌｄｓ（ＳＥａＴＨ）ｍｅｔｈｏｄ ｗａｓ ｕｓｅｄ ｔｏ ｅｓｔａｂｌｉｓｈ ｔｈｅ ｆｅａｔｕｒｅ ｒｕｌｅ．Ｒｅｓｕｌｔｓ ｓｈｏｗ ｔｈａｔ ｔｈｅ ｏｖｅｒａｌｌ ａｃｃｕｒａｃｙｉｓ ９８．７％，ｔｈｅ Ｋａｐｐａ ｃｏｅｆｆｉｃｉｅｎｔ ｉｓ ０．９６，ａｎｄ ｔｈｅ ｐｒｅｃｉｓｉｏｎ ａｎｄ ｒｅｃａｌｌ ｏｆ ｅｘｔｒａｃｔｅｄ ｗａｔｅｒ ｉｎｆｏｒｍａｔｉｏｎ ａｒｅｂｏｔｈ ｍｏｒｅ ｔｈａｎ ９７．３％．Ｔｈｅ ｐｒｏｐｏｓｅｄ ｍｅｔｈｏｄｏｌｏｇｙ ｃａｎ ｃｏｒｒｅｃｔｌｙ ｅｘｔｒａｃｔ ｃｏｍｐｌｉｃａｔｅｄ ｗａｔｅｒ ｉｎｆｏｒｍａｔｉｏｎａｎｄ ｍｅｅｔ ｔｈｅ ｄｅｍａｎｄ ｏｆ ｐｒａｃｔｉｃａｌ ａｐｐｌｉｃａｔｉｏｎ．Ｋｅｙ ｗｏｒｄｓ：ｅｘｔｒａｃｔｉｏｎ ｏｆ ｗａｔｅｒ ｉｎｆｏｒｍａｔｉｏｎ；ｏｂｊｅｃｔ－ｏｒｉｅｎｔｅｄ ｉｍａｇｅ ａｎａｌｙｓｉｓ；ＧＦ－２ｓａｔｅｌｌｉｔｅ；ｃｏｍｐｌｅｘ ｗａｔｅｒ－ｎｅｔ ｐｌａｉｎ；ｓｅｇｍｅｎｔａｔｉｏｎ ｓｃａｌｅ；ｆｅａｔｕｒｅ ｒｕｌｅ 高分二号（ＧＦ－２）卫星是国家科技专项“高分辨率对地观测系统重大专项（民用部分）”首批启动研制的重要项目，于２０１４年８月１９日发射，影像的地面分辨率全色优于１ｍ，多光谱优于４ｍ，幅宽４５ｋｍ．作为首颗国产亚米级分辨率的民用卫星，ＧＦ－２具有高辐射精度、高定位精度以及快速姿态机动能力等特点．ＧＦ－２卫星进一步丰富了我国地理国情普查项目的自主数据源，国产高分卫星数据的应用将成为国土资源调查监测与生态环境监管最重要的数据来源保障．水体是地表覆盖的重要组成部分，是重要的地理国情信息，掌握我国水体现状及空间分布情况，能够为经济社会发展和生态文明建设等科学决策提供有力数据依据［１］．相较于传统的人工实地调查，借助遥感影像进行水体监测不仅省时省力且可准确获取大范围内的水体信息，实现水资源信息的快速提取与监测．传统基于像元的方法仅依靠水体的光谱信息，如单波段阈值法［２－３］、谱间关系法［４－５］以及水体指数法［６－７］等，这些算法在基于中、低分辨率遥感影像水体信息提取中具有非常好的适用性，但在高分辨率遥感影像中，重要的地物信息主要通过一组像元来反映，单个像元很难充分表达图像中重要的语义信息，因此这些算法在高分辨率遥感影像的水体信息提取中效果较差．众多学者对基于面向对象的水体提取方法进行了研究，殷亚秋等［８］利用武汉市的ＳＰＯＴ５影像数据进行面向对象水体提取研究，与传统基于像元的方法相比，面向对象方法具有更高的精度，不仅有效地区分了水体和阴影，而且在很大程度上抑制了“椒盐现象”．程滔等［１］以ＷｏｒｌｄＶｉｅｗ－２的４个波段（Ｂ、Ｇ、Ｒ、ＮＩＲ）影像为数据源，构建了基于高分辨率遥感影像水体提取的基本规则集，完成了水体信息的自动提取．李艳华等［９］以高分一号（ＧＦ－１）影像为数据源，通过改进的与邻域绝对均值差分方差比确定最优分割尺度（ｓｃａｌｅ ｐａｒａｍｅｔｅｒ，ＳＰ），并使用基于规则集的面向对象方法实现了对山区细小水体的精确化提取．吴小娟等［１０］通过对ＧＦ－２卫星数据预处理并采用面向对象方法，选取合适的分割尺度、影像光谱特征选择，对部分海岸线进行了提取．目前的多数算法仅针对单一的湖泊或河流信息进行提取，且提取过程中的最佳分割尺度、特征种类、特征阈值等关键参数都采用“试错法（ｔｒｉａｌ ａｎｄｅｒｒｏｒ）”，带有一定的主观性，因而很难得到一个客观、全面的最优参数．鉴于已有研究在高分辨率影像水体提取中的不足，本文选择典型水网密布平原的杭嘉湖平原作为研究区，运用面向对象的方法，在复杂水网平原下，即复杂非水体背景和多样的水体分布形式下，对以往面向对象分类中最佳分割尺度、特征种类、特征阈值等需要大量专家经验的难点，通过计算加以量化，实现水体信息的快速提取．１ 研究区概况嘉善县地处太湖流域杭嘉湖平原，位于浙江省东北部、江浙沪两省一市交汇处，东邻上海市青浦、金山两区，南连嘉兴市平湖市和南湖区，西接嘉兴市秀洲区，北靠江苏省苏州市吴江区和上海市青浦区，属于亚热带季风气候，境内水网交织，物产丰饶．全县总面积为５０７．６８ｋｍ２，其中水域面积占１４．２９％，常住人口约８０万．研究区位于嘉善县西北部（见图１），北纬３０°５４′～３０°６０′，东经１２０°４６′～１２１°５５′，面积为１４７．６８ｋｍ２，区内水域面积０．５ｋｍ２以上的湖荡有北许漾、夏墓荡、蒋家漾等，区域内水稻灌溉与水产养殖业较为发达，自然湿地较多，水网密布，河网复杂，具有很强的代表性．图１ 研究区地理位置与行政区划图Ｆｉｇ．１ Ｌｏｃａｔｉｏｎ ｏｆ ｓｔｕｄｙ ａｒｅａ ａｎｄ ａｄｍｉｎｉｓｔｒａｔｉｖｅｚｏｎｉｎｇ ｍａｐ２ 数据源及预处理本文以ＧＦ－２卫星影像为数据源，成像时间为２０１５年５月５日，无云覆盖，成像质量良好．行政边界数据由嘉善县国土资源管理局提供．影像数据的预处理主要包括正射校正、图像融合和裁剪等．ＧＦ－２影像数据为Ｌ１Ａ级标准产品，只经过了辐射校正．根据本次研究的主要目标和内容以及研究区地形地貌特点，以土地利用变更调查正５７４２第１２期付勇勇，等．采用国产ＧＦ－２遥感影像的复杂水网平原水体信息提取［Ｊ］．浙江大学学报：工学版，２０１７，５１（１２）：２４７４－２４８０．射影像（ｄｉｇｉｔａｌ ｏｒｔｈｏｐｈｏｔｏ ｍａｐ，ＤＯＭ）为参考数据，对影像数据进行几何精纠正，纠正时的均方根误差（ｒｏｏｔ ｍｅａｎ ｓｑｕａｒｅ ｅｒｒｏｒ，ＲＭＳＥ）控制在小于０．５个像元．采用Ｇｒａｍ－Ｓｃｈｍｉｄｔ Ｐａｎ ｓｈａｒｐｅｎｉｎｇ融合方法进行影像融合，预处理后的研究区影像如图２所示．图２ 研究区的ＧＦ－２影像（预处理后）Ｆｉｇ．２ ＧＦ－２ｉｍａｇｅ ｏｆ ｓｔｕｄｙ ａｒｅａ（ａｆｔｅｒ ｐｒｅｐｒｏｃｅｓｓｉｎｇ）３研究方法面向对象的遥感水体信息提取方法主要有基于规则集、模糊分类和基于样本的分类方法．其中，基于规则集的分类方法由于其直观、快速并具备一定可移植性的特点而被广泛应用．但是，该过程要求研究者对研究区有较好的了解，分割尺度的确定、特征空间的构建以及要素规则的选取等都需要人工参与，分类结果易受主观因素的影响［１１］，且严重影响了遥感影像地类信息提取的效率．本文首先利用局部方差法确定最佳的分割尺度，然后通过ＳＥａＴＨ（ｓｅｐａｒａｂｉｌｉｔｙ ａｎｄ ｔｈｒｅｓｈｏｌｄｓ）法确定最佳的特征变量及阈值，以实现高分辨率影像水体信息快速提取．３．１ 多尺度分割利用影像分割技术创建具有实际意义的影像对象是面向对象信息提取的关键所在，选择合适的分割尺度是提高水体信息提取精度的有效手段，以往的多数研究都采用反复试验和目视观测的方法来确定最佳参数，对研究人员的经验要求较高，难以推广应用．本文通过局部方差（ｌｏｃａｌ ｖａｒｉａｎｃｅ，ＬＶ）曲线来确定最优参数，以达到快速、有效和易于应用的目的．ＬＶ曲线最早由Ｗｏｏｄｃｏｃｋ等［１２］提出，后由Ｋｉｍ等［１３］将局部方差曲线的概念引入到面向对象的分类过程中，并借此来确定最佳分割参数，在ＩＫＮＯＳ多光谱影像的林地信息提取方面获得了较好的结果．Ｄｒｇｕ爫等［１４］基于该方法编制了自动化分割尺度确定的工具，在高分辨影像上获得了良好的可推广性．定义局部方差值ＭＬＶ为影像对象内像元灰度值方差的平均值，如果分割尺度过小，那么影像对象内同质性较高，影像对象间的异质性较低，导致ＭＬＶ偏低，随着分割尺度逐渐接近最佳分割尺度，影像对象间异质性增高，ＭＬＶ也会随之升高，当分割尺度过大时，ＭＬＶ逐渐降低．所以ＭＬＶ在一定程度上可以作为反映影像分割质量的重要参数．对于多波段影像而言，ＭＬＶ采用各波段ＭＬＶ的均值：ＭＬＶ＝１ｎ（ＭＬＶ１＋ＭＬＶ２＋…＋ＭＬＶｎ）．（１）式中：ｎ为影像波段数，ＭＬＶｎ为第ｎ波段的方差均值．为了能够评价ＭＬＶ随分割尺度增长的动态变化，得到较好的分割效果实际表现的细节信息，这里需要借助ＲＯＣ－ＬＶ（ｒａｔｅｓ ｏｆ ｃｈａｎｇｅ ｏｆ ＬＶ）［１５］：ＲＯＣ－ＬＶ＝Ｌ－（Ｌ－１）Ｌ［］－１×１００．（２）式中：Ｌ为当前层的ＭＬＶ，Ｌ－１为相邻低层的ＭＬＶ．ＲＯＣ－ＬＶ曲线可以反映出不同景观尺度下的分割效果，利用ＲＯＣ－ＬＶ曲线可以探索在较大范围内，包含多种尺度地物的复杂环境下水体的最佳分割尺度．３．２ 影像分类在分割完成后，每个均质对象都对应着影像中的真实地物，每个影像对象都具有光谱、形状、纹理等多种特征，以往特征的选取多依靠经验，并且需要根据具体情况考虑多种特征的组合筛选，而阈值的确定则需要大量的反复测试，这在很大程度上增加了规则的应用难度．本文通过输入每类地物的少量样本，借助ＳＥａＴＨ算法，通过计算Ｊ－Ｍ（Ｊｅｆｆｒｉｅｓ－Ｍａｔｕｓｉｔａ）距离计算出不同地物之间的可分离度和阈值［１６－１７］．３．２．１ 特征优选 分离度Ｊ计算采用的是Ｊ－Ｍ距离，取值范围为［０，２］．当Ｊ值趋近于０时，类别１（Ｃ１）和类别２（Ｃ２）的可分离性较差，当Ｊ趋近于２时，Ｃ１和Ｃ２具有较强的可分离性［１６］．其计算公式如下：Ｊ＝２ １－ｅ－（）Ｂ，（３）Ｂ＝１８ｍ１－ｍ（）２２２σ１＋σ２＋１２ｌｎσ２１＋σ２２２σ１σ［］２．（４）式中：ｍ１和ｍ２表示２个类别样本的某特征均值，σ１和σ２表示２个类别的某特征值的标准差．３．２．２ 阈值确定 计算２个类别在某特征值Ｆ与对应分布概率Ｚ下的最佳阈值．根据高斯概率分６７４２浙 江 大 学 学 报（工学版） 第５１卷 布公式： Ｚ（ｘ）＝Ｚ（ｘ｜Ｃ１）Ｚ（Ｃ１）＋Ｚ（ｘ｜Ｃ２）Ｚ（Ｃ２）．（５）当Ｚ（ｘ｜Ｃ１）＝Ｚ（ｘ｜Ｃ２）时，Ｃ１和Ｃ２之间的混分情况最少．如图３所示，当对应的特征值为Ｘ１时，Ｃ１和Ｃ２的分离性最好．图３ ＳＥａＴＨ法阈值确定示意图Ｆｉｇ．３ Ｔｈｒｅｓｈｏｌｄ ｉｄｅｎｔｉｆｉｃａｔｉｏｎ ｂｙ ＳＥａＴＨ（ｓｅｐａｒａｂｉｌｉｔｙａｎｄ ｔｈｒｅｓｈｏｌｄｓ）此时的Ｘ１便可作为特征阈值Ｔ，Ｔ介于ｍ１和ｍ２之间，阈值Ｔ的计算公式如下：Ｔ＝ｍ２σ２１－ｍ１σ２２±σ１σ２ｍ１－ｍ（）２２＋２Ａσ２１－σ（）槡２２σ２１－σ（）２２，（６）Ａ＝ｌｏｇσ１σ２×ｎ２ｎ（）１．（７）式中：ｎ１和ｎ２表示Ｃ１和Ｃ２的样本数目．综上，利用ＳＥａＴＨ算法可得到区分２个类别的最优特征以及对应的特征阈值．３．３ 精度评价为了获取更具代表性的样本，更加有效地评价水体信息提取精度，在传统的基于像元的精度评价方法之上，随机选取多个水体提取样本，通过目视解译得到对应的水体参考图斑，将水体信息提取结果与参考图斑进行对比，评价水体信息提取结果的面积精度．面积精度评价指标参考朱成杰等［１８］提出的分割质量评价指标，计算评价指标中的（区域）准确度与（区域）查全率．准确度主要用于评价提取结果的“欠分割”情况，反映了水体提取结果的范围相比于参考图斑过大的情况；查全率主要用于评价提取结果的“过分割”情况，水体提取结果的范围相比于参考图斑过小的情况．所有指标范围均为［０，１．０］，指标值距１．０越近，表明提取结果与参考图斑吻合度越高．其计算公式如下：Ｐ＝｜Ｓｅ∩Ｓｒ｜／｜Ｓｅ｜，（８）Ｒ＝｜Ｓｅ∩Ｓｒ｜／｜Ｓｒ｜．（９）式中：Ｐ为准确度，Ｒ为查全率，Ｓｅ为提取图斑的面积，Ｓｒ为参考图斑的面积．４ 结果分析４．１ 影像分割基于ｅＣｏｇｎｉｔｉｏｎ ９．０平台，采用多尺度分割算法对经过预处理的高分影像进行分割处理，考虑到影像中水体与非水体的地物光谱特征区别明显且形状不规则，因此适当增大光谱特征占比，保持光滑度与紧致度相当．通过多次试验，设置各波段权重为１，光谱因子与形状因子权重分别为０．９、０．１，而紧致度与光滑度因子分别为０．５、０．５．以步长为２递增的方式设置分割尺度，并在每次分割完成后统计ＭＬＶ和ＲＯＣ－ＬＶ．然后以影像分割尺度为ｘ轴，以ＭＬＶ和ＲＯＣ－ＬＶ为ｙ轴，绘制得到ＭＬＶ和ＲＯＣ－ＬＶ随分割尺度变化曲线，根据曲线选择得到最佳分割尺度（见图４）．图４ 局部方差值与局部方差变化率（ＲＯＣ－ＬＶ）随分割尺度的变化Ｆｉｇ．４ Ｃｈａｎｇｅ ｏｆ ｌｏｃａｌ ｖａｒｉａｎｃｅ ｖａｌｕｅ ａｎｄ ｒａｔｅｓ ｏｆｃｈａｎｇｅ ｏｆ ｌｏｃａｌ ｖａｒｉａｎｃｅ（ＲＯＣ－ＬＶ）ｗｉｔｈ ｓｅｇ－ｍｅｎｔａｔｉｏｎ ｓｃａｌｅ通过图４可以发现，ＭＬＶ变化趋势与ＲＯＣ－ＬＶ趋势有明显差异，ＬＶ曲线较为平滑，无明显变化，未能揭示小尺度下的分割效果，ＲＯＣ－ＬＶ曲线起伏明显，具有多个峰值．忽略较小的峰值，本文选取较为明显的３处峰值，其分别对应于单个较小的地物尺度（分割尺度７８）、区块尺度（分割尺度２２２）以及中间尺度（分割尺度１４０）．对于面积相对较大的水体提取而言，较小的分割尺度会引入更多的类水体斑块（如：小块阴影斑块），同时提取得到的水体也会出现一定的椒盐效应，不利于后期的分类，所以在水体斑块同质性较高的情况下应尽可能选择使用大尺度．通过观察分割结果（见图５）发现，所选的３个分割尺度内水体斑块的同质性均较高，因此此处选择区块尺度（分割尺度２２２）．４．２ 水体斑块提取在影像分割完成后，为了能够直接提取水体信息，将研究区分为水体和非水体两类进行分别采样，７７４２第１２期付勇勇，等．采用国产ＧＦ－２遥感影像的复杂水网平原水体信息提取［Ｊ］．浙江大学学报：工学版，２０１７，５１（１２）：２４７４－２４８０．图５ 小尺度、中间尺度、区块尺度下的影像分割结果Ｆｉｇ．５ Ｉｍａｇｅ ｓｅｇｍｅｎｔａｔｉｏｎ ｒｅｓｕｌｔｓ ｗｉｔｈ ｓｍａｌｌ ｓｃａｌｅ，ｍｉｄｄｌｅ ｓｃａｌｅ ａｎｄ ｂｌｏｃｋ ｓｃａｌ研究区共有斑块２４ ９９７个，选择样本总数的１％，对４０个特征（见表１）进行分析．分析结果（见表２）表明，水体与非水体类别的光谱信息差异最大，其次为纹理信息，形状信息的差异最小．表１ ＳＥａＴＨ法样本分析特征集Ｔａｂ．１ Ｆｅａｔｕｒｅｓ ｓｅｔ ｏｆ ｓａｍｐｌｅｓ ａｎａｌｙｓｉｓｅｄ ｂｙ ＳＥａＴＨ指数类型指数特征指数ＮＤＶＩ、ＮＤＷＩ光谱指数Ｍｅａｎ Ｌａｙｅｒ ｉ（ｉ＝１，２，３，４）Ｓｔａｎｄａｒｄ ｄｅｖｉａｔｉｏｎ Ｌａｙｅｒ ｉ（ｉ＝１，２，３，４）ＢｒｉｇｈｔｎｅｓｓＭａｘ．ｄｉｆｆ．形状指数Ａｒｅａ（Ｐｘｌ）ＡｓｙｍｍｅｔｒｙＬｅｎｇｔｈ（Ｐｘｌ）Ｗｉｄｔｈ（Ｐｘｌ）Ｌｅｎｇｔｈ／ＷｉｄｔｈＢｏｒｄｅｒ ｉｎｄｅｘＢｏｒｄｅｒ ｌｅｎｇｔｈ（Ｐｘｌ）ＣｏｍｐａｃｔｎｅｓｓＤｅｎｓｉｔｙＥｌｌｉｐｔｉｃ ＦｉｔＲｅｃｔａｎｇｕｌａｒ ＦｉｔＲｏｕｎｄｎｅｓｓＲａｄｉｕｓ ｏｆ ｓｍａｌｌｅｓｔ ｅｎｃｌｏｓｉｎｇ ｅｌｌｉｐｓｅＲａｄｉｕｓ ｏｆ ｌａｒｇｅｓｔ ｅｎｃｌｏｓｅｄ ｅｌｌｉｐｓｅＳｈａｐｅ ｉｎｄｅｘＶｏｌｕｍｅ（Ｐｘｌ）纹理特征ＧＬＣＭ Ａｎｇ．２ｎｄ ｍｏｍｅｎｔ（ａｌｌ ｄｉｒ．）ＧＬＣＭ Ｃｏｒｒｅｌａｔｉｏｎ（ａｌｌ ｄｉｒ．）ＧＬＣＭ Ｃｏｎｔｒａｓｔ（ａｌｌ ｄｉｒ．）ＧＬＣＭ Ｅｎｔｒｏｐｙ（ａｌｌ ｄｉｒ．）ＧＬＣＭ Ｈｏｍｏｇｅｎｅｉｔｙ（ａｌｌ ｄｉｒ．）ＧＬＣＭ Ｍｅａｎ（ａｌｌ ｄｉｒ．）ＧＬＤＶ Ａｎｇ．２ｎｄ ｍｏｍｅｎｔ（ａｌｌ ｄｉｒ．）ＧＬＤＶ Ｃｏｎｔｒａｓｔ（ａｌｌ ｄｉｒ．）ＧＬＣＭ Ｄｉｓｓｉｍｉｌａｒｉｔｙ（ａｌｌ ｄｉｒ．）ＧＬＤＶ Ｅｎｔｒｏｐｙ（ａｌｌ ｄｉｒ．）ＧＬＤＶ Ｍｅａｎ（ａｌｌ ｄｉｒ．）ＧＬＣＭ ＳｔｄＤｅｖ（ａｌｌ ｄｉｒ．） 根据上述分析结果可知，亮度（Ｂｒｉｇｈｔｎｅｓｓ）特征具有最佳的特征分离度（≈１．６），能够达到较好的分离效果，因此设定的提取规则为“Ｂｒｉｇｈｔｎｅｓｓ＜３１０．６７９”，即可得到水体信息（见图６），并且总体提取效果良好，无须进一步处理．之后在影像范围内随机选择６００个样点（其中水体样点数量为１３７个），在目视解译后采用基于ＴＴＡ Ｍａｓｋ的精度评价方法，得到水体信息提取精度评价结果（见表３）．可以看出，使用本文的分类方法，生产者精度（δＰ）和用户精度（δＵ）均达到９５％以上，总体精度达９８．７％，Ｋａｐｐａ系数８７４２浙 江 大 学 学 报（工学版） 第５１卷 图６ 水体信息提取结果Ｆｉｇ．６ Ｅｘｔｒａｃｔｅｄ ｗａｔｅｒ ｉｎｆｏｒｍａｔｉｏｎ为０．９６，得到了较高的分类精度．为了进一步检验水体信息提取效果，根据水体斑块面积分层随机选取水体提取样本共６４个，其中面积范围为０～０．００５ｋｍ２、０．００５～０．０１０ｋｍ２、０．０１０～０．１００ｋｍ２的样本数量分别为１８、２２、１９个，表２ 特征选择和阈值分析结果（前１０个）Ｔａｂ．２ Ｓｕｍｍａｒｉｚｅｄ ｒｅｓｕｌｔｓ ｏｆ ｆｅａｔｕｒｅｓ ｓｅｌｅｃｔｉｏｎ ａｎｄｔｈｒｅｓｈｏｌｄ ｃａｌｃｕｌａｔｉｏｎ（ｔｏｐ Ｔｅｎ）特征Ｊ－Ｍ距离阈值Ｂｒｉｇｈｔｎｅｓｓ １．６１８ ５９ ３１０．６７９Ｍｅａｎ Ｌａｙｅｒ １ １．５３３ ０６ ４８３．３８９Ｍｅａｎ Ｌａｙｅｒ ４ １．４４３ ７５ １９７．３５９Ｍｅａｎ Ｌａｙｅｒ ３ １．３８３ ８４ ２３０．１０６Ｍｅａｎ Ｌａｙｅｒ ２ １．３５７ ９３ ３３１．１５１ＮＤＷＩ １．２２１ ５４ ０．２８１ ５Ｍａｘ．ｄｉｆｆ．１．１３１ ７４ １．０６２ ２ＧＬＣＭ Ｅｎｔｒｏｐｙ（ａｌｌ ｄｉｒ．）０．９９３ ８６ ８．０７３ ６ＧＬＣＭ Ａｎｇ．２ｎｄ ｍｏｍｅｎｔ（ａｌｌ ｄｉｒ．）０．８６６ ０９ ０．００１ １ＧＬＣＭ Ｈｏｍｏｇｅｎｅｉｔｙ（ａｌｌ ｄｉｒ．）０．８０７ １９ ０．１４４ ９表３ 水体信息提取误差矩阵表Ｔａｂ．３ Ｅｒｒｏｒ Ｍａｔｒｉｘ ｆｏｒ ｔｈｅ ｗａｔｅｒ ｉｎｆｏｒｍａｔｉｏｎ ｅｘｔｒａｃｔｉｏｎ参考图像被评价的图像水体非水体总样本数δＰ／％水体１３１ ６ １３７ ９５．６非水体２ ４６１ ４６３ ９９．６总样本数１３３ ４６７ ６００－δＵ／％９８．５ ９８．７－－ 注：总体精度为９８．７％；Ｋａｐｐａ系数为０．９６面积范围在０．１００ｋｍ２以上的样本数量为５个，样本总面积约占水体总体的１８．５％，通过与对应的参考图斑对比分析，得到准确度与查全率的计算结果（见表４）．从整体上来看，准确度与查全率均值均高于９７．０％，表明水体信息提取结果与参考水体整体拟合效果较好，但由于小面积水体信息提取时未能有效提取小面积水体图斑的边缘浅水部分，造成了部分图斑的面积精度较低．表４ 水体信息提取准确度与查全率统计表Ｔａｂ．４ Ｓｔａｔｉｓｔｉｃｓ ｏｆ ｐｒｅｃｉｓｉｏｎ ａｎｄ ｒｅｃａｌｌ ｏｆ ｅｘｔｒａｃｔｅｄ ｗａｔｅｒｉｎｆｏｒｍａｔｉｏｎ指标最小值最大值标准差均值Ｐ ０．８４６ ０．９９８ ０．０２２ ０．９７７Ｒ ０．８６９ ０．９９６ ０．０２５ ０．９７３ 注：样本总数＝６４；样本总面积＝５．５ｋｍ２５ 结 论（１）在选择最优分割尺度时，ＬＶ曲线难以在较小的分割尺度范围内反映分割效果的变化信息，而ＲＯＣ－ＬＶ曲线能够更加敏感地反映不同分割尺度下的分割效果，在较大的尺度上提取水体信息，能够得到更加完整的水体斑块，同时还可以增加水体与类水体斑块的分离度．（２）面向对象分类方法充分利用了高分辨率影像的光谱、形状和纹理信息，使得分析提取特征参数显著增加，采用ＳＥａＴＨ法对样本多种特征进行快速分析，得到地物间不同特征的分离度和分类阈值信息，可以快速构建规则集进行水体信息提取．（３）在传统基于像元的精度评价方法的基础上，本文通过计算准确度和查全率，对提取结果的面积、位置等误差进行了更加客观、准确的评价．利用ＲＯＣ－ＬＶ曲线峰值及ＳＥａＴＨ法确定最佳分割尺度和分类规则集，降低了面向对象分类过程对专家经验的依赖，使分类过程更加快速、客观、有效．９７４２第１２期付勇勇，等．采用国产ＧＦ－２遥感影像的复杂水网平原水体信息提取［Ｊ］．浙江大学学报：工学版，２０１７，５１（１２）：２４７４－２４８０．需要进一步讨论的问题：１）由于不同地物的最佳提取尺度不同，图像分割尺度的主观选择仍较强，可进一步定量研究最优尺度的选择；２）因为水体与其他地物差异明显，在分割尺度较大时，研究区内易混淆的阴影多与非水体地物混合，所以简单的特征即可将其与其他地物类型区分开，但在其他地物干扰较大的情况下应进一步进行分层提取，组合多个特征以提高分离度；３）除了水体，该方法在植被、建设用地等其他地表类型中的应用也值得进一步研究．参考文献（Ｒｅｆｅｒｅｎｃｅｓ）：［１］程滔，刘若梅，周旭．基于高分辨率遥感影像的地理国情普查水体信息提取方法［Ｊ］．测绘通报，２０１４（４）：８６－８９．ＣＨＥＮＧ Ｔａｏ，ＬＩＵ Ｒｕｏ－ｍｅｉ，ＺＨＯＵ Ｘｕ．Ｗａｔｅｒ ｉｎｆｏｒ－ｍａｔｉｏｎ ｅｘｔｒａｃｔｉｏｎ ｍｅｔｈｏｄ ｉｎ ｇｅｏｇｒａｐｈｉｃ ｎａｔｉｏｎａｌ ｃｏｎｄｉ－ｔｉｏｎｓ ｉｎｖｅｓｔｉｇａｔｉｏｎ ｂａｓｅｄ ｏｎ ｈｉｇｈ ｒｅｓｏｌｕｔｉｏｎ ｒｅｍｏｔｅ ｓｅｎｓ－ｉｎｇ ｉｍａｇｅｓ［Ｊ］．Ｂｕｌｌｅｔｉｎ ｏｆ Ｓｕｒｖｅｙｉｎｇ ａｎｄ Ｍａｐｐｉｎｇ，２０１４（４）：８６－８９．［２］ＪＵＰＰ Ｄ Ｌ Ｂ，ＭＡＹＯ Ｋ Ｋ，ＫＵＣＨＬＥＲ Ｄ Ａ，ｅｔ ａｌ．Ｌａｎｄｓａｔ ｂａｓｅｄ ｉｎｔｅｒｐｒｅｔａｔｉｏｎ ｏｆ ｔｈｅ ｃａｉｒｎｓ ｓｅｃｔｉｏｎ ｏｆ ｔｈｅＧｒｅａｔ Ｂａｒｒｉｅｒ Ｒｅｅｆ Ｍａｒｉｎｅ Ｐａｒｋ［Ｍ］．Ｃａｎｂｅｒｒａ：Ｉｎｓｔｉｔｕ－ｔｅ ｏｆ Ｂｉｏｌｏｇｉｃａｌ Ｒｅｓｏｕｒｃｅｓ，Ｃｏｍｍｏｎｗｅａｌｔｈ Ｓｃｉｅｎｔｉｆｉｃ ａｎｄＩｎｄｕｓｔｒｉａｌ Ｒｅｓｅａｒｃｈ Ｏｒｇａｎｉｚａｔｉｏｎ，１９８５：１－５１．［３］刘建波，戴昌达．ＴＭ图象在大型水库库情监测管理中的应用［Ｊ］．环境遥感，１９９６，１１（１）：５４－５８．ＬＩＵ Ｊｉａｎ－ｂｏ，ＤＡＩ Ｃｈａｎｇ－ｄａ．Ｔｈｅ ａｐｐｌｉｃａｔｉｏｎ ｏｆ ＴＭ ｉｍ－ａｇｅ ｉｎ ｒｅｓｅｒｖｏｉｒ ｓｉｔｕａｔｉｏｎ ｍｏｎｉｔｏｒｉｎｇ［Ｊ］．Ｒｅｍｏｔｅ Ｓｅｎｓ－ｉｎｇ ｏｆ Ｅｎｖｉｒｏｎｍｅｎｔ，１９９６，１１（１）：５４－５８．［４］都金康，黄永胜，冯学智，等．ＳＰＯＴ卫星影像的水体提取方法及分类研究［Ｊ］．遥感学报，２００１，５（３）：２１４－２１９．ＤＵ Ｊｉｎ－ｋａｎｇ，ＨＵＡＮＧ Ｙｏｎｇ－ｓｈｅｎｇ，ＦＥＮＧ Ｘｕｅ－ｚｈｉ，ｅｔａｌ．Ｓｔｕｄｙ ｏｎ ｗａｔｅｒ ｂｏｄｉｅｓ ｅｘｔｒａｃｔｉｏｎ ａｎｄ ｃｌａｓｓｉｆｉｃａｔｉｏｎｆｒｏｍ ＳＰＯＴ ｉｍａｇｅ［Ｊ］．Ｊｏｕｒｎａｌ ｏｆ Ｒｅｍｏｔｅ Ｓｅｎｓｉｎｇ，２００１，５（３）：２１４－２１９．［５］杨树文，薛重生，刘涛，等．一种利用ＴＭ影像自动提取细小水体的方法［Ｊ］．测绘学报，２０１０，３９（６）：６１１－６１７．ＹＡＮＧ Ｓｈｕ－ｗｅｎ，ＸＵＥ Ｃｈｏｎｇ－ｓｈｅｎｇ，ＬＩＵ Ｔａｏ，ｅｔ ａｌ．Ｗａｔｅｒ ｉｎｆｏｒｍａｔｉｏｎ ｅｘｔｒａｃｔｉｏｎ ｍｅｔｈｏｄ ｉｎ ｇｅｏｇｒａｐｈｉｃ ｎａ－ｔｉｏｎａｌ ｃｏｎｄｉｔｉｏｎｓ ｉｎｖｅｓｔｉｇａｔｉｏｎ ｂａｓｅｄ ｏｎ ｈｉｇｈ ｒｅｓｏｌｕｔｉｏｎｒｅｍｏｔｅ ｓｅｎｓｉｎｇ ｉｍａｇｅｓ［Ｊ］．Ｂｕｌｌｅｔｉｎ ｏｆ Ｓｕｒｖｅｙｉｎｇ ａｎｄＭａｐｐｉｎｇ，２０１０，３９（６）：６１１－６１７．［６］ＭＣＦＥＥＴＥＲＳ Ｓ Ｋ．Ｔｈｅ ｕｓｅ ｏｆ ｔｈｅ ｎｏｒｍａｌｉｚｅｄ ｄｉｆｆｅｒｅｎｃｅｗａｔｅｒ ｉｎｄｅｘ（ＮＤＷＩ）ｉｎ ｔｈｅ ｄｅｌｉｎｅａｔｉｏｎ ｏｆ ｏｐｅｎ ｗａｔｅｒｆｅａｔｕｒｅｓ［Ｊ］．Ｉｎｔｅｒｎａｔｉｏｎａｌ Ｊｏｕｒｎａｌ ｏｆ Ｒｅｍｏｔｅ Ｓｅｎｓｉｎｇ，１９９６，１７（７）：１４２５－１４３２．［７］徐涵秋．利用改进的归一化差异水体指数（ＭＮＤＷＩ）提取水体信息的研究［Ｊ］．遥感学报，２００５，９（５）：５８９－５９５．ＸＵ Ｈａｎ－ｑｉｕ．Ａ ｓｔｕｄｙ ｏｎ ｉｎｆｏｒｍａｔｉｏｎ ｅｘｔｒａｃｔｉｏｎ ｏｆ ｗａｔｅｒｂｏｄｙ ｗｉｔｈ ｔｈｅ ｍｏｄｉｆｉｅｄ ｎｏｒｍａｌｉｚｅｄ ｄｉｆｆｅｒｅｎｃｅ ｗａｔｅｒ ｉｎｄｅｘ（ＭＮＤＷＩ）［Ｊ］．Ｊｏｕｒｎａｌ ｏｆ Ｒｅｍｏｔｅ Ｓｅｎｓｉｎｇ，２００５，９（５）：５８９－５９５．［８］殷亚秋，李家国，余涛，等．基于高分辨率遥感影像的面向对象水体提取方法研究［Ｊ］．测绘通报，２０１５（１）：８１－８５．ＹＩＮ Ｙａ－ｑｉｕ，ＬＩ Ｊｉａ－ｇｕｏ，ＹＵ Ｔａｏ，ｅｔ ａｌ．Ｔｈｅ ｓｔｕｄｙ ｏｆｏｂｊｅｃｔ－ｏｒｉｅｎｔｅｄ ｗａｔｅｒ ｂｏｄｙ ｅｘｔｒａｃｔｉｏｎ ｍｅｔｈｏｄ ｂａｓｅｄ ｏｎｈｉｇｈ ｒｅｓｏｌｕｔｉｏｎ ＲＳ ｉｍａｇｅ［Ｊ］．Ｂｕｌｌｅｔｉｎ ｏｆ Ｓｕｒｖｅｙｉｎｇ ａｎｄＭａｐｐｉｎｇ，２０１５（１）：８１－８５．［９］李艳华，丁建丽，闫人华．基于国产ＧＦ－１遥感影像的山区细小水体提取方法研究［Ｊ］．资源科学，２０１５，３７（２）：４０８－４１６．ＬＩ Ｙａｎ－ｈｕａ，ＤＩＮＧ Ｊｉａｎ－ｌｉ，ＹＡＮ Ｒｅｎ－ｈｕａ．Ｅｘｔｒａｃｔｉｏｎｏｆ ｓｍａｌｌ ｒｉｖｅｒ ｉｎｆｏｒｍａｔｉｏｎ ｂａｓｅｄ ｏｎ Ｃｈｉｎａ－ｍａｄｅ ＧＦ－１ｒｅｍｏｔｅ ｓｅｎｓｅ ｉｍａｇｅｓ［Ｊ］．Ｒｅｓｏｕｒｃｅｓ Ｓｃｉｅｎｃｅ，２０１５，３７（２）：４０８－４１６．［１０］吴小娟，肖晨超，崔振营，等．“高分二号”卫星数据面向对象的海岸线提取法［Ｊ］．航天返回与遥感，２０１５，３６（４）：８４－９２．ＷＵ Ｘｉａｏ－ｊｕａｎ，ＸＩＡＯ Ｃｈｅｎ－ｃｈａｏ，ＣＵＩ Ｚｈｅｎ－ｙｉｎｇ，ｅｔａｌ．Ｃｏａｓｔｌｉｎｅ ｅｘｔｒａｃｔｉｏｎ ｂａｓｅｄ ｏｎ ｏｂｊｅｃｔ－ｏｒｉｅｎｔｅｄ ｍｅｔｈ－ｏｄ ｕｓｉｎｇ ＧＦ－２ｓａｔｅｌｌｉｔｅ ｄａｔａ［Ｊ］．Ｓｐａｃｅｃｒａｆｔ Ｒｅｃｏｖｅｒｙａｎｄ Ｒｅｍｏｔｅ Ｓｅｎｓｉｎｇ，２０１５，３６（４）：８４－９２．［１１］程乾，陈金凤．基于高分１号杭州湾南岸滨海陆地土地覆盖信息提取方法研究［Ｊ］．自然资源学报，２０１５，３０（２）：３５０－３６０．ＣＨＥＮＧ Ｑｉａｎ，ＣＨＥＮ Ｊｉｎ－ｆｅｎｇ．Ｒｅｓｅａｒｃｈ ｏｎ ｔｈｅ ｅｘ－ｔｒａｃｔｉｏｎ ｍｅｔｈｏｄ ｏｆ ｌａｎｄｃｏｖｅｒ ｉｎｆｏｒｍａｔｉｏｎ ｉｎ ｓｏｕｔｈｅｒｎｃｏａｓｔａｌ ｌａｎｄ ｏｆ Ｈａｎｇｚｈｏｕ Ｂａｙ ｂａｓｅｄ ｏｎ ＧＦ－１ｉｍａｇｅ［Ｊ］．Ｊｏｕｒｎａｌ ｏｆ Ｎａｔｕｒｅ Ｒｅｓｏｕｒｃｅｓ，２０１５，３０（２）：３５０－３６０．［１２］ＷＯＯＤＣＯＣＫ Ｃ Ｅ，ＳＴＲＡＨＬＥＲ Ａ Ｈ．Ｔｈｅ ｆａｃｔｏｒ ｏｆｓｃａｌｅ ｉｎ ｒｅｍｏｔｅ ｓｅｎｓｉｎｇ［Ｊ］．Ｒｅｍｏｔｅ Ｓｅｎｓｉｎｇ ｏｆ Ｅｎｖｉｒｏｎ－ｍｅｎｔ，１９８７，２１（３）：３１１－３３２．［１３］ＫＩＭ Ｍ，ＭＡＤＤＥＮ Ｍ，ＷＡＲＮＥＲ Ｔ．Ｅｓｔｉｍａｔｉｏｎ ｏｆｏｐｔｉｍａｌ ｉｍａｇｅ ｏｂｊｅｃｔ ｓｉｚｅ ｆｏｒ ｔｈｅ ｓｅｇｍｅｎｔａｔｉｏｎ ｏｆ ｆｏｒｅｓｔｓｔａｎｄｓ ｗｉｔｈ ｍｕｌｔｉｓｐｅｃｔｒａｌ ＩＫＯＮＯＳ ｉｍａｇｅｒｙ［Ｍ］．ＢｅｒｌｉｎＨｅｉｄｅｌｂｅｒｇ：Ｓｐｒｉｎｇｅｒ，２００８：２９１－３０７．［１４］ＤＲＧＵ爩Ｌ，ＣＳＩＬＬＩＫ Ｏ，ＥＩＳＡＮＫ Ｃ，ｅｔ ａｌ．Ａｕｔｏｍａ－ｔｅｄ ｐａｒａｍｅｔｅｒｉｓａｔｉｏｎ ｆｏｒ ｍｕｌｔｉ－ｓｃａｌｅ ｉｍａｇｅ ｓｅｇｍｅｎｔａｔｉｏｎｏｎ ｍｕｌｔｉｐｌｅ ｌａｙｅｒｓ［Ｊ］．ＩＳＰＲＳ Ｊｏｕｒｎａｌ ｏｆ Ｐｈｏｔｏｇｒａｍｍｅ－ｔｒｙ ａｎｄ Ｒｅｍｏｔｅ Ｓｅｎｓｉｎｇ，２０１４，８８：１１９－１２７．［１５］ＤＲＧＵ爩Ｌ，ＥＩＳＡＮＫ Ｃ，ＳＴＲＡＳＳＥＲ Ｔ．Ｌｏｃａｌ ｖａｒｉ－ａｎｃｅ ｆｏｒ ｍｕｌｔｉ－ｓｃａｌｅ ａｎａｌｙｓｉｓ ｉｎ ｇｅｏｍｏｒｐｈｏｍｅｔｒｙ［Ｊ］．Ｇｅｏｍｏｒｐｈｏｌｏｇｙ，２０１１，１３０（３）：１６２－１７２．［１６］ＮＵＳＳＢＡＵＭ Ｓ，ＮＩＥＭＥＹＥＲ Ｉ，ＣＡＮＴＹ Ｍ Ｊ．ＳＥＡＴＨ：ａ ｎｅｗ ｔｏｏｌ ｆｏｒ ａｕｔｏｍａｔｅｄ ｆｅａｔｕｒｅ ｅｘｔｒａｃｔｉｏｎｉｎ ｔｈｅ ｃｏｎｔｅｘｔ ｏｆ ｏｂｊｅｃｔ－ｂａｓｅｄ ｉｍａｇｅ ａｎａｌｙｓｉｓ［Ｃ］∥１ｓｔ Ｉｎｔｅｒｎａｔｉｏｎａｌ Ｃｏｎｆｅｒｅｎｃｅ ｏｎ Ｏｂｊｅｃｔ－ｂａｓｅｄ ＩｍａｇｅＡｎａｌｙｓｉｓ（ＯＢＩＡ）．Ｓａｌｚｂｕｒｇ：ＩＣＯＢＩＡ，２００６．［１７］ＢＬＡＳＣＨＫＥ Ｔ．Ｏｂｊｅｃｔ ｂａｓｅｄ ｉｍａｇｅ ａｎａｌｙｓｉｓ ｆｏｒ ｒｅｍｏｔｅｓｅｎｓｉｎｇ［Ｊ］．ＩＳＰＲＳ Ｊｏｕｒｎａｌ ｏｆ Ｐｈｏｔｏｇｒａｍｍｅｔｒｙ ａｎｄ Ｒｅ－ｍｏｔｅ Ｓｅｎｓｉｎｇ，２０１０，６５（１）：２－１６．［１８］朱成杰，杨世植，崔生成，等．面向对象的高分辨率遥感影像分割精度评价方法［Ｊ］．强激光与粒子束，２０１５，２７（６）：３７－４３．ＺＨＵ Ｃｈｅｎｇ－ｊｉｅ，ＹＡＮＧ Ｓｈｉ－ｚｈｉ，ＣＵＩ Ｓｈｅｎｇ－ｃｈｅｎｇ，ｅｔａｌ．Ａｃｃｕｒａｃｙ ｅｖａｌｕａｔｉｎｇ ｍｅｔｈｏｄ ｆｏｒ ｏｂｊｅｃｔ－ｂａｓｅｄ ｓｅｇ－ｍｅｎｔａｔｉｏｎ ｏｆ ｈｉｇｈ ｒｅｓｏｌｕｔｉｏｎ ｒｅｍｏｔｅ ｓｅｎｓｉｎｇ ｉｍａｇｅ［Ｊ］．Ｈｉｇｈ Ｐｏｗｅｒ Ｌａｓｅｒ ａｎｄ Ｐａｒｔｉｃｌｅ Ｂｅａｍｓ，２０１５，２７（６）：３７－４３．０８４２浙 江 大 学 学 报（工学版） 第５１卷 。
无人机遥感数据处理中的水体提取技术
无人机遥感数据处理中的水体提取技术随着无人机遥感技术的不断发展，无人机遥感数据在水资源管理、环境保护、气象预警等领域得到了越来越广泛的应用。
水体是地球表面重要的自然资源之一，对于水体的提取与监测具有重要的研究意义和应用价值。
在无人机遥感数据处理中，水体提取技术是一个重要的研究领域。
本文将围绕无人机遥感数据处理中的水体提取技术展开讨论。
一、无人机遥感数据的获取无人机遥感数据是指采用无人机设备获取的地理信息数据。
相对于传统的航空遥感数据，无人机遥感数据获取具有成本低、分辨率高、灵活性强等优势。
无人机遥感图像包括光学影像和热红外影像，其中光学影像在水体提取中具有重要的作用。
二、水体提取技术的研究现状在无人机遥感数据处理中，水体提取技术研究主要涉及到影像预处理和水体提取两个方面。
影像预处理包括影像的几何校正、辐射定标和大气校正等，旨在消除噪声、增强水体边缘等信息。
水体提取包括阈值法、光谱指数法、机器学习等方法。
阈值法是最简单和常见的水体提取方法，它通过将像元亮度值与特定阈值比较，将水体与非水体区分开来。
但是，阈值的选择对结果影响较大，对于水体不规则边缘的提取效果不尽如人意。
光谱指数法通过选取合适的波段组合进行计算，使水体与非水体在光谱组合中呈现出不同的反射率特征，从而实现水体的提取。
但是，光谱指数法的效果受到多种因素的影响，如传感器波段数量、反射率特征等。
机器学习方法是一种较新颖的水体提取方法，它通过训练样本来构建分类器，从而实现水体的自动提取。
但是，训练样本的选择、数量和质量会直接影响分类器的性能。
三、面临的挑战及发展趋势无人机遥感数据处理中的水体提取技术仍面临一些挑战，如传感器质量、数据获取成本、水体形态复杂等。
未来，该领域的发展趋势将朝着以下几个方向发展：1. 深度学习技术在水体提取中的应用，将提高水体提取的精度和效率；2. 结合多源数据，如航空遥感数据、人工智能数据，实现水体提取的全面性和高精度性；3. 引入数据可视化和三维建模技术，增强水体提取的视觉表现力和可操作性。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
收稿日期：2018-07-05；定稿日期：2018-07-19 基金项目：国家自然科学基金项目(41601452)；安徽省省重点研究与开发计划项目(1704a0802124) 第一作者：邹 橙(1992)，女，湖北荆州人，硕士研究生。主要研究方向为数字图像处理。E-mail：912826890@ 通信作者：董张玉(1986)，男，安徽合肥人，副教授，博士。主要研究方向为遥感信息。EБайду номын сангаасmail：dzyhfut@
2019 年 2 月 第 40 卷 第 1 期
图学学报
JOURNAL OF GRAPHICS
February 2019 Vol.40 No.1
基于 GF-2 遥感影像的一种快速水体信息提取方法
邹 橙 1,2， 杨学志 1,2， 董张玉 1,2， 王 冬 1,2
(1. 合肥工业大学计算机与信息学院，安徽 合肥 230009； 2. 工业安全与应急技术安徽省重点实验室，安徽 合肥 230009)
ZOU Cheng1,2, YANG Xue-zhi1,2, DONG Zhang-yu1,2, WANG Dong1,2
(1. School of Computer and Information, Hefei University of Technology, Hefei Anhui 230009, China;
2. Anhui Province Key Laboratory of Industry Safety and Emergency Technology, Hefei Anhui 230009, China)
Abstract: It is difficult to distinguish water from shadow (especially the shadows of tall buildings) and dark ground objects in high resolution remote sensing images, especially in GF-2 remote sensing images. This study analyzes the spectral features of typical terrains of the GF-2 remote sensing images through a lot of experiments. A new comprehensive water index method (NCWI) is proposed to enhance water body region information; and then, the improved method of maximum between-class variance (OSTU) combining with the chicken swarm optimization algorithm (CSO) are used to quickly and adaptively determine the optimal segmentation threshold to obtain the final water body region. To demonstrate the effectiveness of the proposed algorithm, the method of NDWI algorithm, the multi-band spectrum-photometric algorithm and the principal component analysis synthesis algorithms are used for comparison in water-body extraction. The confusion matrix and the field sampling are applied as the statistical metric to quantitatively evaluate the performance of the algorithms mentioned above. The verification results indicate that the new method can be used to extract quickly and effectively extract water body information, and the accuracy reached 97.82%, 97.44%, 92.13%, 96.94% respectively.
中图分类号：TP 391
DOI：10.11996/JG.j.2095-302X.2019010099
文献标识码：A
文 章 编 号：2095-302X(2019)01-0099-06
A Fast Water Information Extraction Method Based on GF-2 Remote Sensing Image
常见水体信息提取方法应用于 GF-2 遥感影像水体信息提取，利用采用实地采样和人工解译的
混淆矩阵对提取的水体区域结果进行精度验证和对比分析，从而验证了其有效性和高效性。4
个实验区域的结果证明，该算法可以快速有效地提取水体信息，精确度分别达到 97.82%，
97.44%，92.13%，96.94%。
关 键 词：GF-2 影像；水体提取；新综合水体指数；OSTU；高大建筑物阴影；鸡群算法
摘
要：在高分辨率遥感影像中，水体与阴影(尤其是高大建筑物阴影)、暗色地物不易区
分。针对 GF-2 遥感影像的光谱特性的大量实验研究，提出了一种新综合水体指数法(NCWI)来
增强水体区域信息；同时利用改进的 OSTU 结合鸡群算法(CSO)快速自适应地确定最佳分割阈
值，进而得到最终的水体区域。将其同归一化 NDWI、改进谱间关系法、主成分分析综合法等