殷亞秋，李家國，余　濤，楊紅艷，張永紅

(中國科學院遙感與數(shù)據(jù)地球研究所，北京 100101)

The Study of Object-oriented Water Body Extraction Method

Based on High Resolution RS Image

YIN Yaqiu，LI Jiaguo，YU Tao，YANG Hongyan，ZHANG Yonghong

?

基于高分辨率遙感影像的面向?qū)ο笏w提取方法研究

殷亞秋，李家國，余濤，楊紅艷，張永紅

(中國科學院遙感與數(shù)據(jù)地球研究所，北京 100101)

The Study of Object-oriented Water Body Extraction Method

Based on High Resolution RS Image

YIN Yaqiu，LI Jiaguo，YU Tao，YANG Hongyan，ZHANG Yonghong

摘要：根據(jù)高分辨率遙感影像的特點，利用面向?qū)ο蟮姆椒▽Ω叻直媛蔬b感影像進行了水體提取。選取最優(yōu)分割尺度和分割參數(shù)對試驗區(qū)進行了分割；建立了對象知識庫；選擇合適的閾值參數(shù)進行了水體的提取和河流、湖泊的分類；把面向?qū)ο蠓椒ǚ诸惤Y(jié)果與傳統(tǒng)方法分類結(jié)果進行了對比分析。試驗表明，面向?qū)ο笏w提取方法具有更高的精度，不僅有效地區(qū)分了水體和陰影，而且很大程度上抑制了“椒鹽現(xiàn)象”。

關鍵詞：遙感；水體提??；面向?qū)ο蠓椒?；SPOT 5影像

一、引言

近年來，隨著遙感技術(shù)的飛速發(fā)展，高分辨率遙感影像的應用越來越普及。如何利用高分辨率遙感影像進行水體的提取，近年來得到了廣泛的研究。

劉建波等利用密度分割法從TM影像中提取水體的分布范圍[1]。陸家駒等分別用閾值法、色度判別法、比率測算法從TM資料中識別水體[2]。通過識別結(jié)果的比較認為，閾值法的單紅外波段識別水體簡便迅速，但只能滿足4000 m2以上水體的要求，色度判別法優(yōu)于紅外單波段，比率測算法不但能識別其他方法無法識別的小水體，還能對大水體的形狀有所改進。Barton I J等利用AVHRR通道4提取的亮度溫度來識別水體并對洪水進行了晝夜監(jiān)測[3]。周成虎、杜云艷等提出了基于水體光譜知識的AVHRR影像水體自動提取識別的水體描述模型，并將該模型應用于太湖、淮河、渤海等地區(qū)[4-5]。以上方法均對于平原地區(qū)有效，但對于山區(qū)卻存在弊端。

在山區(qū)和建筑物高大的城市，由于水體和陰影的光譜特征相似，因此在提取水體的同時容易將陰影也提取出來。楊存建等發(fā)現(xiàn)在Landsat TM影像中，只有水體具有波段2加波段3大于波段4加波段5的特征，利用此原理可以將水體單一提取出來[6]。徐涵秋在對傳統(tǒng)歸一化差異水體指數(shù)(NDWI)分析的基礎上，提出了改進的歸一化差異水體指數(shù)(MNDWI)，使用該方法可以區(qū)分水體與居民地陰影，很好地提取了城市中的水體信息[7]。而這些都只是運用了影像的光譜信息，而未利用高分辨率遙感影像豐富的空間信息，從而造成了影像資源的浪費。

本文采用面向?qū)ο蠓椒ǎ胑Cognition軟件對影像進行水體提取，把影像分割成不同的對象，充分利用影像的光譜信息和空間結(jié)構(gòu)信息，在對象層次上進行水體的提取與分類。通過與傳統(tǒng)的方法進行對比，表明了面向?qū)ο笏w提取方法的優(yōu)越性。

二、試驗區(qū)數(shù)據(jù)

本文采用的試驗數(shù)據(jù)是武漢市2001年的SPOT 5影像數(shù)據(jù)。SPOT 5衛(wèi)星于2002 年5月4日發(fā)射，是SPOT衛(wèi)星的第五顆衛(wèi)星，空間分辨率為2.5 m。由于它具有較高的分辨率和立體觀測的性能，且在環(huán)境監(jiān)測、資源調(diào)查和國土整治等方面有廣泛應用，因此，對SPOT 5影像進行信息提取研究具有重要的現(xiàn)實意義。

SPOT 5衛(wèi)星包括4個波段，分別為近紅外0.78～0.89 μm、紅色0.61～0.68 μm、綠色0.50～0.59 μm、中紅外1.58～1.75 μm以及全色0.41～0.78 μm，其中多光譜影像(包括綠色、紅色、近紅外波段)的空間分辨率為10 m，全色影像的空間分辨率為2.5 m。

試驗區(qū)內(nèi)絕大部分地區(qū)為平原，只有在影像的中部偏東側(cè)區(qū)域有少許的山地。區(qū)域內(nèi)有狹長的河流、較大的湖泊和較小的湖泊，分別為位于影像西部區(qū)域的長江及其支流和中部區(qū)域的東湖，東部區(qū)域的嚴西湖。除此之外還有一些較小的湖泊，如沙湖、南湖、墨水湖等。在影像的長江沿岸附近區(qū)域是居民地，有高大的建筑物。

三、研究方法

本文采用面向?qū)ο蟮姆椒▽ρ芯繀^(qū)域進行試驗，與傳統(tǒng)最近距離、最大似然、馬氏距離分類法對比。具體內(nèi)容如下：

1) 對試驗區(qū)的水體對象進行分析研究，尋找最佳的影像分割參數(shù)，運用eCognition軟件對影像進行多尺度分割。

2) 根據(jù)各種地物的光譜特征、空間形狀、紋理、上下文關系等因素，對水體進行提取，重點研究水體和陰影的區(qū)分。

3) 尋找參數(shù)因子對提取的水體進行分類。

4) 將面向?qū)ο蟮乃w提取方法與傳統(tǒng)的方法進行對比，從而得出結(jié)論。

技術(shù)路線如圖1所示。

圖1　水體提取流程

四、面向?qū)ο笏w提取

首先利用ENVI軟件對影像進行融合，然后利用eCognition軟件對影像進行分割得到同質(zhì)對象，對水體特征進行分析建立水體提取知識庫，采用模糊分類方法實現(xiàn)水體的提取。

1. 數(shù)據(jù)預處理

全色圖像一般具有較高的空間分辨率，多光譜圖像光譜信息比較豐富，為了得到既具有較高的空間分辨率又具有豐富的光譜信息的圖像，就需要把SPOT 5的多光譜影像和全色影像進行融合。

ENVI軟件中的融合算法有很多，典型的有HSV、Brovey、PC、CN、SFIM、Gram-Schmidt等。這幾種方法中SFIM和Gram-Schmidt方法保真效果最好。在ENVI里面，Gram-Schmidt方法可以自動融合，操作比較簡單。它首先從低分辨率的波譜段中模擬出一個全色波段；然后對該全色波段和各多光譜波段進行Gram-Schmidt變換，其中全色波段被作為第一個波段，用Gram-Schmidt變換后的第一個波段替換高分辨率全色波段；最后再用Gram-Schmidt反變換得到融合的影像[8]。

融合后的研究區(qū)域影像如圖2所示，融合后的影像色彩鮮明，影像清晰。

圖2　預處理影像

2. 影像分割

在利用面向?qū)ο蟮膱D像分類方法進行分類前，必須利用圖像分割的方法提取目標對象。圖像分割是將圖像分割為分離區(qū)域的過程, 它將圖像劃分為一個個大小不等且互不相交的小區(qū)域, 小區(qū)域是具有某些共同屬性像素的連通集合[9]。

影像分割中確定最優(yōu)尺度和分割參數(shù)是關鍵，這直接決定著分類的精度。最優(yōu)尺度的選擇主要依賴于影像數(shù)據(jù)的分辨率和應用目的，通過對試驗區(qū)分割結(jié)果的對比確定水體提取的最優(yōu)尺度。

對試驗區(qū)進行分割試驗，把分割尺度設置為50、100、150、200、250、300，顏色因子、形狀因子、光滑度、緊密度的權(quán)重分別設為0.9、0.1、0.5、0.5。由于研究區(qū)域內(nèi)水體有不同尺度的類型，因此在尋找分割尺度時就要采取折中方法，既要保障小的水體能獨立地分割出來，又要盡可能地使大的水體對象不會太破碎，經(jīng)過反復試驗得出試驗區(qū)域水體提取的最適宜分割尺度為100。圖3為分割尺度100的效果，圖4為分割尺度150的效果，圖5為分割尺度200的效果。從圖中可以看出，圖3雖然能把小的水體分割出來，但是與圖4相比大的水體太破碎。而尺度為200的情況，大的水體比較完整，但是有時小的水體卻沒有獨立分割出來，如圖5中橢圓里的小塊水體，而圖4不僅能把小的水體完整獨立地提取出來，大的水體也不是很破碎，是最適宜的提取尺度。

圖3　尺度為100的影像分割效果圖

圖4　尺度為150的影像分割效果圖

圖5　尺度為200的影像分割效果圖

3. 水體知識庫構(gòu)建

通常情況下，如果在分類時，僅用一個特征或很少的特征就可以將一個類同其他類區(qū)別開，決策支持的模糊分類方法是很好的選擇；否則，應選擇最鄰近分類法，最鄰近分類器能更好地處理多維特征空間的聯(lián)系[10]。在進行水體提取時，通過特征分析，發(fā)現(xiàn)僅用一個或很少的特征就可以把水體與其他地物區(qū)分開來，因此分類時選擇決策支持的模糊分類方法。

使用模糊分類方法，需要首先對對象特征分析的結(jié)果建立進行分類的知識庫。對象知識庫是多種特征的集合，選取地物的多種特征，建立分類規(guī)則，能夠得到良好的結(jié)果。通過對影像水體特征進行分析，進行分類時選擇的特征如下：

1) ratio NIR(近紅外比率)：用于提取水體，并起到區(qū)分陰影的效果。

2) max.diff：對對象所有通道的最大最小值作比較，用最大值與最小值的差除以亮度，亮度即為對象在所有通道上強度的平均值。max.diff可以用來區(qū)分水體和陰影，它的計算公式為

(1)

式中，對象所有通道中，max為最大值；min為最小值；brightness為亮度。

3) length/width：利用對象長度與寬度比值屬性可以進行河流的提取。

4) length、width：利用長度和寬度屬性可以進行河流的提取，同時可以用來區(qū)分主流和支流。

4. 水體提取及分類

(1) 水體提取與陰影分離

SPOT 5遙感數(shù)據(jù)具有豐富的光譜和空間信息，利用這些信息，方便判讀者進行更準確的地物定位和判讀，更容易分辨和認識地物的內(nèi)部差異和細節(jié)信息。本試驗充分利用了高分辨率影像這一特有的性質(zhì)，對分割后的水體對象進行分析研究，利用水體和其他地物的不同特征把水體提取出來。

通過對試驗區(qū)的水體信息進行分析和研究，發(fā)現(xiàn)水體對近紅外和中紅外波段的吸收比較強，反映在影像上就是在波段1和波段4上水體對象的平均強度值與其他地物比明顯偏低。但是，陰影區(qū)對近紅外和中紅外的吸收也比較強，如果只利用近紅外或中紅外波段則無法區(qū)分陰影和水體。通過對陰影對象和水體對象的光譜值進行對比，發(fā)現(xiàn)陰影對紅色波段和綠色波段的吸收比水體較強，利用這一特征，可以利用近紅外比率來進行水體提取。由于水體在近紅外波段反射強度低，近紅外比率與其他地物比會偏低；同時，水體在紅色和綠色波段反射比陰影的強，同樣會導致水體近紅外的比率比陰影的低。通過反復試驗，閾值設置為0.18可得到比較好的效果，小于0.18的為水體，水體提取的效果如圖6所示。

圖6　基于面向?qū)ο蠓椒ㄓ胷atio NIR提取水體效果

通過觀察發(fā)現(xiàn)，這樣提取的水體還是混淆了少量的陰影，如在東湖附近的珞珈山、猴山等山地的陰影都隨著水體被提取出來了，如圖6中橢圓所示。這是因為這些陰影與水體的光譜特性很接近，以至于用近紅外比率也難以區(qū)分了。通過對這些陰影對象進行分析，發(fā)現(xiàn)這些陰影在近紅外和中紅外波段的亮度值都比水體的高，而在紅色和綠色波段的亮度值都比水體的低，這是因為水體的內(nèi)部結(jié)構(gòu)一致，對不同波段能量進行選擇性吸收；而陰影內(nèi)部結(jié)構(gòu)不一致，對4個波段的能量吸收時沒有明顯的選擇性，因此導致了陰影在近紅外和中紅外波段的亮度值比水體高，而在綠色和紅色波段的亮度值比水體低的特征，可以利用這一特點把陰影和水體區(qū)分開來，通過試驗選擇利用max.diff這一屬性。通過反復試驗，在利用ratio NIR進行提取結(jié)果的基礎上，再利用max.diff，閾值設置為0.81可得到很好的水體提取效果，max.diff大于0.81的為水體。提取效果如圖7所示，從圖中可以看出圖6中的山體陰影被很好地消除。

圖7　基于面向?qū)ο蟮脑囼瀰^(qū)影像水體提取結(jié)果圖

(2) 河流和湖泊的分類

通過反復試驗尋找最佳分類閾值，對水體進行河流和湖泊的分類。首先設置length/width≥2.2和length>1600像素把主流河流提取出來，在剩下的水體中設置length/width≥3.2和width<160像素把支流河流提取出來，然后把主流和支流合并為河流類，進行河流提取后的水體便是湖泊了。分類的效果如圖8所示。

圖8　基于面向?qū)ο蟮脑囼瀰^(qū)影像河流湖泊分類效果

五、結(jié)果對比分析

為了客觀地評價面向?qū)ο笏w提取的優(yōu)勢與不足，對試驗區(qū)數(shù)據(jù)進行了基于傳統(tǒng)監(jiān)督分類方法的水體提取。用ERDAS IMAGINE軟件的監(jiān)督分類功能模塊對試驗區(qū)影像選取了樣本，進行傳統(tǒng)的最大似然分類、最小距離分類和馬氏距離分類。

對面向?qū)ο蠓诸惤Y(jié)果和面向像元的分類結(jié)果進行對比分析。首先從目視效果上進行分析評價，分類結(jié)果如圖9所示。

圖9　面向?qū)ο蠓诸惤Y(jié)果

在圖10、圖11、圖12中試驗區(qū)采用面向像元的分類方法，主要運用影像的光譜特征，分類結(jié)果受到同物異譜、異物同譜的影響嚴重。在圖10中，城市區(qū)域有很多地方被分成了水體，并且存在很嚴重的“椒鹽噪聲”。對于圖11用馬氏距離法進行分類，它存在非水體被過度分類的問題。圖12用最大似然法進行分類，它的分類結(jié)果比馬氏距離分類法和最小距離分類法的結(jié)果精度要高，但它還存在“椒鹽噪聲”。這些都充分說明了傳統(tǒng)分類方法的局限性。

圖10　最小距離分類結(jié)果

圖11　最大似然分類結(jié)果

圖12　馬氏距離分類結(jié)果

而通過目視可以看出圖9面向?qū)ο蠓诸惙椒ㄔ谝种啤敖符}噪聲”上有很顯著的效果，這是因為面向?qū)ο蟮姆椒ǚ诸悤r充分利用了高分辨率遙感影像豐富的上下文信息。不僅如此，面向?qū)ο蠓诸惙椒ù蟠蠼档土恕巴锂愖V，異物同譜”的影響。

對試驗區(qū)面向像元的分類結(jié)果進行精度評價，利用ERDAS IMAGINE軟件，運用散點法隨機分配256個樣點作為檢驗樣本。對面向?qū)ο蠓ㄓ胑Cognition軟件進行基于TTA Mask的精度評價方法。精度評價的結(jié)果如表1所示。

表1　水提取精度評價結(jié)果

從表1中可以看出，面向?qū)ο蠓诸惙椒ㄔ诳偩群涂侹appa上明顯高于傳統(tǒng)的面向像元分類方法。

六、結(jié)論

本文利用武漢市的SPOT 5影像數(shù)據(jù)，進行面向?qū)ο蟮乃w提取方法研究，通過試驗對比分析得出以下結(jié)論：

1) 本文利用武漢市的SPOT 5影像進行面向?qū)ο蟮乃w提取，對水體的提取精度達到了97.72%，

明顯高于傳統(tǒng)的面向像元水體提取方法。

2) 面向?qū)ο蠓椒ǔ浞掷昧烁叻直媛蔬b感影像豐富的光譜、形狀和影像中地物間上下文等信息，使得水體和陰影得到了有效區(qū)分，提高了分類的精度。

3) 與傳統(tǒng)面向像元的分類方法不同，面向?qū)ο蠓椒▽μ崛〉耐|(zhì)對象進行分類，破碎對象減少，具有很強的抗噪聲能力，抑制了“椒鹽現(xiàn)象”。

4) 面向?qū)ο蠓诸惙椒ǖ木仁艿椒指罱Y(jié)果的質(zhì)量和分類規(guī)則有效區(qū)分性的影響。如何選擇最優(yōu)分割參數(shù)和分割尺度，建立有效的分類規(guī)則是提高面向?qū)ο蠓诸惙椒ǖ年P鍵。

參考文獻：

[1]劉建波, 戴昌達. TM圖像在大型水庫庫情監(jiān)測管理中的應用[J]. 環(huán)境遙感, 1996, 11(1): 54-58.

[2]陸家駒, 李士鴻.TM資料水體識別技術(shù)的改進[J]. 環(huán)境遙感, 1992, 7(1): 17-23.

[3]BARTON I J, BATHOLS J M. Monitoring Floods with AVHRR[J]. Remote Sensing of Environment, 1989, 30(1): 89-94.

[4]杜云艷, 周成虎. 水體的遙感信息自動提取方法[J]. 遙感學報, 1998, 2(4): 264-269.

[5]周成虎, 杜云艷, 駱劍承. 基于知識的AVHRR影像的水體自動識別方法與模型研究[J]. 自然災害學報, 1996, 5(3): 100-108.

[6]楊存建, 徐美. 遙感信息機理的水體提取方法的探討[J]. 地理研究, 1998, 17(S0): 86-89.

[7]徐涵秋. 利用改進的歸一化差異水體指數(shù)(MNDWI)提取水體信息研究[J]. 遙感學報, 2005, 9(5): 589-595.

[8]喬玉良, 尚彥玲, 魏信. 遙感圖像融合方法研究[J]. 氣象與環(huán)境科學, 2010, 33(1): 73-76.

[9]曹凱, 江南, 呂恒,等. 面向?qū)ο蟮腟POT 5影像城區(qū)水體信息提取研究[J]. 國土資源遙感, 2007(2): 27-30.

[10]孫家抦. 遙感原理與應用[M]. 武漢: 武漢大學出版社, 2009:73-76.

引文格式： 殷亞秋，李家國，余濤,等. 基于高分辨率遙感影像的面向?qū)ο笏w提取方法研究[J].測繪通報，2015(1)：81-85.DOI:10.13474/j.cnki.11-2246.2015.0016

通信作者：李家國。jacoli@126.com

作者簡介：殷亞秋(1990—)，女，碩士，主要從事環(huán)境遙感方面的研究。E-mail：823239682@qq.com

基金項目：國家青年科學基金

收稿日期：2014-12-15

中圖分類號：P237

文獻標識碼：B

文章編號：0494-0911(2015)01-0081-05