ETM图像水体信息提取
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。
ETM波段的不同用处
ETM＋7个波段组合的不同用途741741波段组合图像具有兼容中红外、近红外及可见光波段信息的优势，图面色彩丰富，层次感好，具有极为丰富的地质信息和地表环境信息；而且清晰度高，干扰信息少，地质可解译程度高，各种构造形迹（褶皱及断裂）显示清楚，不同类型的岩石区边界清晰，岩石地层单元的边界、特殊岩性的展布以及火山机构也显示清楚。
7421992年，完成了桂东南金银矿成矿区遥感地质综合解译，利用1：10万TM7、4、2假彩色合成片进行解译，共解译出线性构造1615条，环形影像481处,并在总结了构造蚀变岩型、石英脉型、火山岩型典型矿床的遥感影像特征及成矿模式的基础上，对全区进厅成矿预测，圈定金银A类成矿远景区2处，B类4处，C类5处。
为该区优选找矿靶区提供遥感依据。
743我国利用美国的陆地卫星专题制图仪图象成功地监测了大兴安岭林火及灾后变化。
这是因为TM7波段（2.08-2.35微米）对温度变化敏感；TM4、TM3波段则分别属于红外光、红光区，能反映植被的最佳波段，并有减少烟雾影响的功能；同时TM7、TM4、TM3（分别赋予红、绿、蓝色）的彩色合成图的色调接近自然彩色，故可通过TM743彩色合成图的分析来指挥林火蔓延与控制和灾后林木的恢复状况。
754对不同时期湖泊水位的变化，也可采用不同波段，如用陆地卫星MSS7，MSS5，MSS4合成的标准假彩色图像中的蓝色、深蓝色等不同层次的颜色得以区别。
从而可用作分析湖泊水位变化的地理规律754陆地卫星图像的标准假彩色，指采用陆地卫星多光谱扫描仪所成的同一图幅的第四波段MSS4图像、第五波段MSS5图像和第七波段MSS7图像，分别配以兰、绿、红色的彩色合成图像上的彩色。
并称此种合成的图像为陆地卫星标准假彩色图像。
在此图像上植被分布显红色，城镇为兰灰色，水体为兰色、浅兰色（浅水），冰雪为白色等。
541XX开发区砂石矿遥感调查是通过对陆地卫星TM最佳波段组fefee7合的选择（T M5、TM4、TM1）以及航空、航天多种遥感资料的解译分析进行的，在初步解译查明调查区第四系地貌。
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。
遥感影像中水面及水体信息提取方法的研究
遥感影像中水面及水体信息提取方法的研究胡启中1，祁建勇2（1.上海佳文比特信息科技有限公司，上海，200135；2.河北建设勘察研究院有限公司，石家庄，050031）摘要：根据遥感影像中不同光谱波段对不同地物的反射率特征，以西洋河流域2000年春秋两期Landsat7 ETM＋遥感数据为研究对象，结合实地调查数据，利用地理信息系统及遥感数据处理系统软件平台，建立植被覆盖度对不同季节、不同程度的植被覆盖、岩土裸露及水面水体相关的特征关系、对该流域内分布的各类中小型水库塘坝的水面和水体信息的分析和提取方法进行系统的研究和验证。
通过结果分析表明：根据不同时相遥感影像的光谱波段组合建立不同的处理方法可以提高季节性变化的水面及水体信息识别和提取的精度和效率。
关键词 ：遥感影像；光谱分析；水体信息；提取方法水面及水体信息的分析和提取，一直是遥感影像分析处理及解译分类的基础性工作，在水资源调查、水环境监测、水灾害评估等许多方面得到了广泛应用。
国内外很多专家学者在大规模区域尺度、高精度空间分辨率及多时相时间分辨率的遥感数据基础上对水体的提取方法做了深入研究，并提出了许多行之有效的方法。
在中小流域尺度范围上，基于中低空间分辨率的卫星遥感影像，对各类中小型水库塘坝的水面及水体信息的分析和提取是困难的，即使单一的借助专业的遥感数据处理系统软件平台进行分类解译，不仅技术性强，步骤繁多，模型构造复杂，也是费工费时费力的。
水域范围精度控制和水面水体提取效率的提高一直是遥感解译水面及水体信息方法改进的驱动力。
1 Landsat7 ETM＋遥感波段光谱特征及归一化植被指数应用遥感数据是在预定的光谱波段（波长）上获得的。
美国陆地卫星7号（Landsat-7）携带的增强型专题制图仪（ETM+），包含三个可见光波段兰绿红、一个近红外波段、二个中红外波段，空间分辨率为30米；一个热红外波段，空间分辨率为60米；另加一个空间分辨率为15米的全色波段。
第三部分 水体信息提取
阴影和水体， ( TM2 + TM3) - ( TM4 + TM5)在山体和农林区域较好,却 难以区分部分建筑居民用地和水体。
ห้องสมุดไป่ตู้
存在着问题
阈值难确定：
由于部分细小水体在影像中以混合像元的形态存在,存在
水体和非水体地物过渡区，阈值难取。阈值高了将丢失 细小水体信息，阈值低了将不少其他的地物信息误提出 来。
各种方法增强效果均有区域局限性。
在地类复杂的区域中，NDWI只在非山地的植被区域较好。
MNDWI在建筑居民用地区域较好，却难以区分部分山体
水体的研究离不开对水体范围、界线的准确提取， 常用的 遥感影像水体信息提取方法主要有两类: 单波段法：
依据水体在 几个波段上光谱的不同特征以及其它地物
与水体的区别， 通过分析水体及背景地物的光谱值， 利用单个波段来提取 TM 影像中的水体信息 。单波段 阈值法简单可行， 却不易区分水体与阴影
水体提取
遥感影像记录了地表物体对电磁波的反射信
息及其自身向外的辐射信息， 相对于其他地 物而言， 水体在整个光谱范围内都呈现出较 弱的反射率， 在近红外、 中红外及短波红外 部分， 水体几乎吸收了全部的入射能量， 因 此水体在这些的反射率特别低， 而土壤、植 被、建筑物等在这些波段吸收能量较小，具 有较高的反射率， 使得水体与它们具有明显 的区别。
多波段法：
利用水体在不同波段上的光谱特性， 通过多波段之间
的组合运算来增强影像中的水体信息， 从而易于从其 他地物中分离提取出水体。
单波段法
单波段法主要选取对水陆界反映较好的 Landsat-7 的ETM+的第四或五波段， 即近红外和中红外波段， 利用阈值法对水体进行提取。 TM5〈T（阈值） 在第五波段水体和非水体有明显的区别，该法利用 了水体在这两个波段上的强吸收特性， 以及植被、 土壤在这两个波段较高的反射特性。 由于山体阴影的影响， 使得中红外在阴坡面的反射 能量特别低， 从而造成山体阴影在影像上呈现出明 显的暗色调，水体与阴影的混淆使得难以在单波段 上通过阈值法来提取水体。
遥感图像ENVI水体提取步骤
遥感图像ENVI水体提取步骤数据要求:1. 下载的影像数据，尽量为同日期或者尽量靠近，不能相差时间太长，提供的影像为2004年第259天，1994年第295天，2004年第268天。
其中1994年的影像肯定不行2.下载的影像数据，尽量没有云层覆盖类似这种研究区域中水体部分存在云层时，该影像不能用，需用接近该日期的影像替代。
水体提取步骤如下(一)7个单波段合并成一个文件1.ENVI软件中File-Open Image File,弹出以下对话框，选择文件夹下b1-b7影像并打开，如下:2.将7个波段合成一个影像文件，操作如下图:3.点击Import File,选择所有波段5.点击Reorder Files鼠标拖动，确保波段1-7序号，从b1-b7，排序如下:6(右边窗口设置坐标系如下:UTM,WGS-84,49N 7.定义文件名后，生成一个整的影像文件同理，依次将其他文件夹下的7个波段合并成各自文件。
(二)多个文件镶嵌拼接成一个整的文件注意:该步操作比较复杂，拼接文件可能存在色差不均衡问题，具体请多网上查些资料;1.基于地理坐标进行拼接，操作如下:2.Import Files将上步生成的三个文件导入进来3.分别右键文件名，选择Edit Entry(三个文件操作一致)4.设置Data Value to Ignore背景值为0，羽化距离根据需要设置(不固定);Color Balancing(颜色平衡参数，其中Fixed为以该文件为标准，其他影像进行调整，可对其中一个文件设置为Fixed，其他两个文件设置为Adjust)5.File-Apply，影像拼接拼接结果如下:(三)水体区域提取1.Envi中波段运算，如下:2.输入以下表达式 (b2*1.0-b4)/(b2+b4) gt 0 (可用其他方法，依实际情况而定)3.分别设置算法中各个变量对应的波段，b2表示第3个波段，b4为第5个波段4.根据研究区域进行裁剪，并统计其中为1的像元个数，影像加载显示后，加载矢量文件:5.加载区域shp文件，第一次加载时后缀选择.shp会自动生成一个evf文件，下次打开直接加载evf即可。
ETM影像水体信息提取研究
１ 研 究 区 与 研 究 方 法
１ １ 研 究 区 概 况 ．
湘 阴 县位 于湖南 省东 北部 ， 南洞 庭 湖滨 ， 湘资
收性 及植 被 和干 土壤 在此 波长 范 围 内的强反 射性
特点 设 置 阈值 提 取 水 体信 息 。Ｓ ｉ［ 利用 Ｌ ｎ — ｈｈ４ ］ ａ ｄ ｓｔ Ｓ的 近 红 外 波段 ， 用 密 度分 割 的方 法 提 ａ ＭＳ 采
取水体； 陆家驹 ［ 等 利 用 Ｔ ５ Ｍ５设 定 阈值 ， 别 水 识
（ 中南林 业科技 大学 林 业遥感 信 息工程 研 究 中心 ， 湖南 长 沙 ４ ０ ０ ） １０ ４
摘 要 ： 取 湘 阴县 为研 究 区 ， 用 归 一化 植 被 指数 法 （ 选 应 ＮＤＶ１ 、 一 化 水 体 指 数 法 （ ）归 ＮＤＷＩ 、 进 的 归 一 化 水 体 ）改
指数 法（ ＭＮＤ ） ＷＩ ３种 方 法进 行 水 体 提 取 试 验 。 结 果表 明 ： 改进 的 归 一化 水体 指 数 法 （ ＭＮＤ ） 取 水 体 信 息 ＷＩ 提 精 度 最 高 ， 体 精 度 达 到 ９ ． ； 究 区 内 水体 总 面 积 为 ３ ６ ９ ４ ｋ 。 总 ８０ 研 ４ ． ０ ｍ。 关键词 ： 息提取 ； 体 ； 信 水 ＭＮＤ Ｉ精 度 评 价 Ｗ ； 中囤 分 类 号 ： １ ７ １ Ｓ ５ ． 文献标识 码 ： Ａ 文 章 编 号 ： ０ ２ ２ ６ （ ０ １ ０ — １ ５０ １ ０ — ７ ７ ２ １ ） ８０ １ —４
现 以湖 南 省 岳 阳 市 湘 阴 县 为 研 究 区 ， 用 选 Ｅ Ｍ 图像 ， Ｔ 利用 归 一化 植 被 指 数 法 、 体指 数 法 水 与改进 的水体 指数 法对 水 体 信 息 进行 了提 取 ， 并
集成多时相ETM+影像的证据推理湿地遥感分类
写一篇集成多时相ETM+影像的证据推理湿地遥感分类的报告，
600字
报告标题：使用ETM+影像的证据推理技术进行湿地遥感分类
本报告旨在介绍使用ETM+影像的证据推理技术进行湿地遥感分类。
ETM+是由美国国家航空航天局(NASA)开发的高分辨
率遥感影像数据，其有助于识别地理要素，如水体、湿地和植被类型。
为了改善湿地分类准确性，通常采用证据推理技术。
证据推理技术可以根据与目标有关的影像特征数据来识别遥感图像中的湿地，并根据不同特征中断准确地将其分类为湿地类型。
ETM+影像是一种由多个时间相片拼接而成的长时间序列图像，可以用来检测植被指数和水体指数，这两个指数可以通过特异性信息以及影像质量指标来检测湿地类型。
此外，还可以通过相似性和差异性分析来检测湿地的边界和类型，从而改善湿地分类的准确性。
为了有效地识别湿地，必须了解其地理位置、自然条件以及其他特征，这些都可以通过具有多时相特性的ETM+影像识别出来。
利用ETM+影像，可以对整个湿地区域进行遥感分类。
为此，首先需要收集具备多时相特征的ETM+影像，然后，通过影像处理软件来实现光谱特征和影像质量特征的计算。
接着，可以利用影像中植被指数和水体指数，以及相似性和差异性分析，对湿地进行识别和分类。
最后，可以在GIS系统中显示湿地
的位置、边界和类型，用于进行更准确的研究和管理。
综上所述，ETM+影像具有多时相特性，可以用来进行湿地遥
感分类。
它能够检测植被指数和水体指数，以及通过相似性和差异性分析检测湿地边界和类型，从而改善湿地遥感分类的准确性。
因此，借助ETM+影像，可以有效地实现湿地遥感分类。
- 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)。
ETM图像水体信息提取仇大海1，田淑芳1，吴亚玲21中国地质大学（北京）遥感教研室北京市（100083）2北京鼎峰同惠工业技术有限公司北京市（100098）E-mail：qdh12011@摘要：本文应用云南省南部地区的ETM遥感影像图，对该区域内的水体信息进行提取。
以G48C004002为典型示范区，结合交互式矢量化和野外验证成果对各种方法进行分析选优，最后提出了一种水体提取的新方法：缨帽变换湿度分量法，经验证该方法满足提取要求。
本文还对去除影响因素进行了深入的探讨，例如对于阴影的去除和混合像元影响的去除。
关键词：信息提取，缨帽变换，遥感，阈值中图分类号：K9091. 引言本论文基于中国地质调查局2005年项目《中国陆域边界云南瑞丽江—大盈江中下游地区基础地质遥感调查》。
工作区北部与青藏高原相连，南到中缅、中老、中越边界，东西横跨1200km，南北纵跨800km，地理坐标位于东径97°30′—106°10′，北纬21°00′—28°00′，总面积约400000km2，涉及1∶25万比例尺地形图34幅。
该工作区属于我国西南多云多雨地区，气候湿润，雨量充沛，植被茂盛，水量丰富。
工作所采用的ETM数据共25幅。
本文以1：25万标准分幅G48C004002为例（如图1），讨论遥感方法在提取水体中的实用性。
图1 G48C004002 ETM（742）彩色合成示意图随着人类活动规模的增强，人类影响环境能力越来越显著，生态地质环境也快速地发生着变化，主要表现在干旱、洪涝、泥沙淤积河道、水土流失和滑坡、泥石流地质灾害时有发生等。
这些变化直接威胁着该地区的经济发展，同时也影响着邻国的环境变化，容易引起国际纠纷，不利于和平稳定的周边环境。
因此该区域内的水体信息调查尤为重要，水体信息调查为环境评估和地质灾害的预防和治理提供依据。
该区域面积较大、环境复杂，用传统的工作方法很难满足要求，而遥感技术以其大面积、同步观测的优势发挥了在该区域内水体调查的优势，因此如何采用最优的遥感方法结合GIS 等多种技术提取水体信息就成了本文论述的重点。
研究过程中使用了1999年和2001年的ETM遥感数据、当地的地形图、地质资料、气象资料等等。
主要的工作思路如下图：图2 ETM水体信息提取工作流程图2. 提取水体的遥感原理卫星遥感影像记载了地物对电磁波的反射信息及地物本身的热辐射信息。
各种地物由于其结构、组成及理化性质的差异,导致其对电磁波的反射及本身的热辐射存在着差异。
正是由于不同谱段上不同地物的反射率不同，才使得水体等其他地物的提取可以实现。
2.1 水体的电磁波特性水体对于电磁波具有吸收、反射、透射等特点。
传感器所记录的电磁波既有来自水面的反射，也有来自于水体底部的反射，还有水中悬浮物的信息。
2.1.1 水体对电磁波的吸收水分子的特征吸收谱带，均出现在红外波段。
振动吸收带的基频位于2.66µm、2.73µm 和6.27µm(强吸收)；倍频位于1.4µm和1.9µm(锐带、强吸收)；合频位于0.96µm和1.1µm(弱吸收)。
如果物体中含水或结晶格架中存在分子水，它们的光谱中都会显示出水的特征吸收带。
水对红外波段辐射的吸收非常强。
即使一层极薄的水层，也会出现高强度的吸收。
在1.4µm和1.9µm波长附近及2.5µm波长以远的水的吸收率几乎等于100％。
显然，对于自然水体，即使水深很浅，也能够全部吸收入射电磁辐射中的红外段辐射，这也正是研究水体的极佳波段。
2.1.2 水体对电磁波的反射水体对可见光的反射来自三方面：(1)水体表面的反射；(2)水体底部物体的反射；(3)水中悬浮物的反射。
平静的水面以镜面反射为主，在雷达图像上镜面反射的特点尤为显著，雷达图像上的水体多为深色调，但如果水面与雷达信号垂直时，水面则呈现出明显的亮色调。
水面上如果有植被或石油等污染物时水体的反射出现异常，反射率明显增高。
如果水体无污染，透明度高，且水体较浅时，水体底部的反射信息不可忽略。
尤其在蓝光波段，水体底部的反射信息明显，可用来研究水体的深度和水底的地形特点。
水中的悬浮物包括植物、泥沙、污染物等，悬浮物的存在降低了水体的透射能力，并使得反射率增高。
2.1.3 水体的透射特点水的透射率也是随波长变化的。
如可见光中的蓝、绿光穿透水的能力相对较高。
并且水中杂质对水的光谱透射率有很大影响。
清洁的海洋水的最高透射率分别是30％左右，峰值波长的范围在0.42—0.58µm之间；沿海岸的海水中的杂质较多，透射率的峰值下降至10%左右，峰值波长的范围缩小为0.48—0.53µm之间；混浊的海湾水，透射率更低，峰值仅为4％左右，峰值波长的范围也缩小到0.54—0.58µm之间。
并且，无论哪一种水体，它们的透射率在波长为0.58µm之后，都雪崩似地降至0.25％左右。
随着水的混浊度增加，透射率峰值对应的波长范围相对缩小。
2.2 水体与其他地物的区别水体的波谱曲线与其他地物明显不同（见图3），这正是将水体提取出来的依据[1]。
图3几种典型地物的波谱曲线天然水体对0.4—2.5µｍ电磁波的吸收明显高于绝大多数其它地物,因而水体的总辐射水平低于其它地物,在彩色遥感影像上表现为暗色调。
在红外波段,水体吸收的能量高于可见光波段,即使水很浅,水体也几乎全部吸收了近红外及中红外波段内的全部入射能量,所以水体在近红外及中红外波段的反射能量很少,而植被、土壤在这两个波段内的吸收能量较小,且有较高的反射特性,这使得水体在这两个波段上与植被和土壤有明显的区别。
反映在影像上,水体呈现出暗色调,而土壤植被则相对较亮。
因此,选用一个合适的近红外波段,定出水体的阈值,将低于该值的像元定为水体,高于该值的像元则为非水体,这样就可很容易地把水体与其它地物区分开来。
但在山区,由于山体阴影的影响,阴坡在红外波段的反射能量特别低,在图像上同样呈现暗色调，使得阴影成为水体提取过程中遇到的难题之一[2]。
2.3 提取水体的常用光谱波段不同的光谱波段记录了不同的地物反射信息，单一的波段记录的信息量小，不利于精确的水体提取，而各种波段的组合应用是提取水体的关键。
常用的波段有蓝绿光波段、红光波段、近红外波段，另外热红外波段和微波也可以利用。
2.3.1 蓝、绿光波段对于清水，蓝绿光的反射率为4—5%。
蓝光波段水体的透射率高，水体的反射会叠加一些水底的反射信息。
总的来说蓝绿光波段的反射率明显高于其他波段。
水体会与旱地有一定程度的混淆。
2.3.2 红光波段红光波段水体的反射率在2%左右。
水体与旱地均有明显的区别，因而利用阈值法可以将水体与他们区别开来，但是，水体与阴影的混淆存在。
2.3.3 近红外和短波红外在近红外和短波红外上，水体的反射率几乎为零。
水体同样与林地、居民地、水田和旱地有明显的区别，而与阴影有混淆，在短波红外上的混淆尤为明显。
2.3.4 热红外波段在热红外波段上，水体由于其比热大，其光谱特征明显区别于其他地物。
白天水体将太阳辐射能大量地吸收存储，增温比陆地慢，在遥感图像上表现为热红外波段辐射低，呈暗色调。
在夜间，水温比周围地物温度高，发射辐射强，在红外影像上呈高辐射区，为浅色调。
因此，利用热红外图像是提取水体的途径之一[1]。
3. 水体提取的常用方法3.1 阈值法阈值法分为全局阈值法和局部阈值法两种。
全局阈值法指利用全局信息(例如整幅图像的灰度直方图)对整幅图像求出最优分割阈值,可以是单阈值,也可以是多阈值;局部阈值法是把原始的整幅图像分为几个小的子图像,再对每个子图像应用全局阈值法分别求出最优分割阈值[10]。
其中全局阈值法又可分为基于点的阈值法和基于区域的阈值法。
阈值分割法的结果很大程度上依赖于对阈值的选择,因此该方法的关键是如何选择合适的阈值。
局部阈值法中仍要用到全局阈值法。
阈值分割法实际就是按某个准则函数求最优阈值的过程[9]。
3.2 非监督分类根据图像数据的本身统计特征及自然点群的分布情况划分类别，各类别的统计特征是未知的，一般是提供少数阈值对分类过程给以部分控制。
非监督分类由图像数据的统计特征来决定。
遥感图像上的同类地物在相同的表面结构特征、植被覆盖、光照等条件下，应当具有相同或相近的光谱特征，从而表现出来某种内在的相似性，归属于同一个光谱空间区域；不同的地物，光谱信息特征不同，归属于不同的光谱空间区域。
这就是非监督分类的理论依据。
非监督分类用于在没有已知类别的训练数据的情况下，而且，在一幅复杂的图像中分类选择训练区，有时并不能完全包括所有的波谱样式，造成一部分像元找不到归属。
在实践中为进行监督分类而确定类别和选取训练区也是不易的。
因而，在开始分析图像时，用非监督分类方法来研究数据的本来结构及自然点群的分布情况是很有价值的。
3.3 监督分类先在图像中选择有代表性的训练区（应是波谱特征比较均一的地区），由训练组数据得出各个类别的统计数据，然后根据这些统计数据对整个图像进行分类，即把图像中各个像元点归化到给定类中[2]。
以最大似然法为例，监督分类法的大体过程是：(1)选择有代表性的试验区(训练区)。
(2)将已知地物类别的图像进行灰度统计和运算，求其均值、方差和协方差矩阵。
(3)选择判别函数确定其判别规则。
例如，用概率判别函数，计算一个给定像元属于每一类的概率。
(4)用已知的其余像元进行检核。
(5)输入末知地区的数字图像，算出该地区各像元落于已知类别的概率。
(6)从未知像元落于已知类别的概率中，找出最大值所属的类别，就是未知像元的类别归属。
3.4 人工神经网络法人工神经网络是由大量称为神经元的简单信息单元广泛连接组成的复杂网络。
它是在现代生物学研究人脑组织所取得的成果基础上提出来的,用于模拟人类大脑神经网络结构和行为。
在遥感数字图像分类处理中,人工神经网络的输入层神经元表征遥感数据的输入模式。
每一个输入层神经元对应于一个光谱波段。
每一个输出层神经元则对应于一种土地覆盖类型。
神经网络的拓扑结构决定着各神经元与网络层之间的信息传递途径。
训练规则利用转移函数实施处理数据的加权和求和,进而训练网络实施模式识别。
处理所得的加权和,通过转移函数转换为输出值[7]。
神经网络有不足之处,即训练网络所需的时间较长,因为一般说来,训练时间总消耗量与神经网络的规模和训练期间所用的数据总量直接相关。
可见,如何针对一给定数据集优选人工神经网络的结构,即确定所需的最佳的层数和各层神经元个数以及缩短神经网络的训练时间就成为神经网络应用实践中一大难题[8]。
3.5 决策树法决策树是遥感图像分类中的一种分层处理结构，其基本思想是通过一些判断条件对原始数据集逐步进行二分和细化。