面向?qū)ο蟮某擎?zhèn)水體信息提取技術(shù)研究

于桓飛，田文婷，王 新，王學(xué)強(qiáng)

(浙江省水利河口研究院，浙江 杭州 310020)

面向?qū)ο蟮某擎?zhèn)水體信息提取技術(shù)研究

于桓飛，田文婷，王 新，王學(xué)強(qiáng)

(浙江省水利河口研究院，浙江 杭州 310020)

利用面向?qū)ο蠓椒▽?duì)城鎮(zhèn)水體信息進(jìn)行提取，選取平湖市主城區(qū)作為研究區(qū)域，Pléiades遙感影像為數(shù)據(jù)源，通過綜合考慮幾何差異和代數(shù)差異的方法確定了水體最優(yōu)分割參數(shù)，選用偽歸一化水體指數(shù)初步進(jìn)行水體信息提取.考慮建筑物和陰影的空間關(guān)系，剔除建筑物陰影對(duì)水體信息的干擾，對(duì)水體信息提取結(jié)果進(jìn)行優(yōu)化.通過該方法水體提取精度為92.27%，總體提取精度較高.實(shí)驗(yàn)結(jié)果表明，該方法可以完整、快速的提取出城鎮(zhèn)中的水體信息.

城鎮(zhèn)水體；Pléiades影像；面向?qū)ο?；空間關(guān)系

我國(guó)東部平原區(qū)河網(wǎng)密布，但近幾十年來，隨著經(jīng)濟(jì)的快速發(fā)展和城市化進(jìn)程的加快，城鎮(zhèn)周邊河流破壞較嚴(yán)重，河流蓄泄功能逐年降低[1]，水域侵占現(xiàn)象逐漸嚴(yán)重.利用遙感技術(shù)，可以及時(shí)、快速、準(zhǔn)確地監(jiān)測(cè)各類地表水體情況，為水資源調(diào)查、流域綜合治理、水利規(guī)劃等提供基礎(chǔ)數(shù)據(jù)和決策依據(jù)[2].

高分辨率遙感影像中水體光譜、紋理等細(xì)節(jié)表雖然比較詳細(xì)，但其高分辨率影像中水體提取也容易受建筑物、陰影等影響.針對(duì)這些問題，Mc Feeters[3]提出歸一化差異水體指數(shù)(NDWI)，利用水體的光譜特征突出水體信息，同時(shí)抑制其他地物信息.鄧勁松[4]等利用決策樹方法，通過比較水體與其他主要地物的光譜特性，探討了它們?cè)诠庾V上的可分性，實(shí)現(xiàn)了水體的自動(dòng)提取.此外，許多研究人員還利用波段閾值、波段組合[5-6]關(guān)系等進(jìn)行水體信息提取，并取得一定成果，但遙感圖像中難免存在“異物同譜”、“同物異譜”現(xiàn)象，因此只依靠光譜特征容易導(dǎo)致很多錯(cuò)分與漏分[7]，而且傳統(tǒng)的基于像元的方法很少考慮地物的形狀、幾何結(jié)構(gòu)等信息.利用面向?qū)ο蠓椒梢愿玫靥崛「叻直媛视跋竦呢S富信息，其主要思想是圖像分割，該方法的操作對(duì)象是經(jīng)過分割生成的影像單元[8]，從影像中提取出區(qū)域?qū)ο蟮木C合信息(形狀、紋理、光譜特性、與鄰近像元、子對(duì)象等相關(guān)特性)然后綜合運(yùn)用多種特征進(jìn)行分類，從而提高分類精度.

1 面向?qū)ο蟮男畔⑻崛?/h2>

面向?qū)ο蟮男畔⑻崛。洳僮鲗?duì)象不是單個(gè)像元，而是經(jīng)過圖像分割后形成的具有多種語(yǔ)義特征及關(guān)系特征的對(duì)象，該對(duì)象比單個(gè)像元更具實(shí)際意義.本研究中數(shù)據(jù)處理主要是基于eCognition軟件完成，利用該軟件進(jìn)行信息提取包括兩個(gè)關(guān)鍵步驟：圖像分割和面向?qū)ο蠓诸?

1.1 圖像分割

圖像分割，基于一定的分割圖像算法，依據(jù)地物光譜、紋理等信息將圖像分割成一定的影像對(duì)象[9].本文基于eCognition軟件進(jìn)行圖像分割，其提供多種圖像分割方法，包括多尺度分割、棋盤分割等.本文選擇自下而上的多尺度分割法，該方法將每個(gè)像元作為一個(gè)種子點(diǎn)，然后根據(jù)異質(zhì)性最小(同質(zhì)性最大)標(biāo)準(zhǔn)，把相鄰的特征相似的像元或?qū)ο筮M(jìn)行合并，最終分割結(jié)果能符合地理實(shí)體在現(xiàn)實(shí)中的表現(xiàn).這里異質(zhì)性主要考慮形狀異質(zhì)性和光譜異質(zhì)性，圖像分割首先要確定光譜因子和形狀因子的權(quán)重[10]，然后確定圖像分割尺度，分割尺度的選擇很重要，分割尺度過大會(huì)導(dǎo)致地物分割不完全，分割尺度過小會(huì)導(dǎo)致地物破碎.因此圖像分割最主要是確定幾個(gè)分割參數(shù).

目前對(duì)于分割結(jié)果是否符合分類要求尚沒有一個(gè)廣泛認(rèn)可的標(biāo)準(zhǔn)，一般認(rèn)為最優(yōu)分割參數(shù)是分割后的多邊形與參照地物的邊界吻合較好，既不破碎也不過于綜合[11]，分割結(jié)果評(píng)價(jià)方法主要有：優(yōu)度法和差異性法.差異性法是通過反映影像分割對(duì)象與理想分割對(duì)象之間的差異，更符合人類認(rèn)知的過程，同時(shí)該方法可操作性更好，所以本文分割質(zhì)量評(píng)價(jià)采用差異性方法.該方法第一步是尋找與參考對(duì)象相匹配的分割對(duì)象，分割結(jié)果中所有分割對(duì)象是相鄰無(wú)空隙的分布于整個(gè)研究區(qū)，而參考數(shù)據(jù)中的對(duì)象樣本是離散的分布于研究區(qū)內(nèi)，因此需要從眾多分割對(duì)象中找出與參考對(duì)象所對(duì)應(yīng)的數(shù)據(jù)，稱為匹配對(duì)象；參考多邊形與匹配多邊形進(jìn)行對(duì)比分析，確定兩多邊形的差異程度.該差異包括幾何差異和代數(shù)差異[12]，代數(shù)差異是指兩種多邊形數(shù)據(jù)集在數(shù)量上的差異，幾何差異是指兩者在面積上的差異.不同的分割數(shù)據(jù)集產(chǎn)生不同的分割對(duì)象，逐一與參考對(duì)象比較確定最小差異值，其對(duì)應(yīng)的分割參數(shù)就是最優(yōu)分割參數(shù).

1.2 圖像分類

本文圖像分類方法選用建立規(guī)則集分類方法，建立規(guī)則集方法可以人為地針對(duì)每一類型分別選擇特征，也可以分層次逐步對(duì)影像進(jìn)行分類.當(dāng)兩種類型之間的特征差異較大時(shí)可以采用閾值法加以區(qū)分，當(dāng)兩者差異不明顯甚至相似有重疊時(shí)，可以對(duì)多個(gè)特征設(shè)置隸屬度函數(shù)進(jìn)行區(qū)分，面向?qū)ο蠓椒ㄌ峁┒喾N地物特征，光譜特征指地物不同波段反射值以及衍生值；形狀特征指與形狀相關(guān)的指數(shù)，包括長(zhǎng)度、面積、長(zhǎng)寬比等；其他還包括地物紋理特征、色彩空間特征等.因此建立規(guī)則集首先是從眾多特征中篩選出適合某一類地物的特征.

圖像分類的另一關(guān)鍵是確定隸屬度函數(shù)，其原理是計(jì)算不同地物在某一特征中的特征值，然后選擇隸屬度函數(shù)，將其歸屬到[0～1]的隸屬度，當(dāng)?shù)匚锓诸愋枰煌卣鲿r(shí)，可以通過并、或、非等關(guān)系進(jìn)行組合[13].最后根據(jù)各個(gè)類別的隸屬度值來判別最終屬于哪一類.該方法同時(shí)考慮多個(gè)特征并設(shè)置隸屬度，綜合多種特征的隸屬度值對(duì)對(duì)象進(jìn)行判別，能有效提高分類精度.

(1)光譜特征分析

比較水體與其他地物光譜曲線，發(fā)現(xiàn)水體在所有波段反射率都較低，反射率都小于10%，遠(yuǎn)低于大多數(shù)的其他地物.干凈水體在藍(lán)綠波段反射率較高，反射率在4%～5%之間.在其他可見光波段吸收都很強(qiáng)，到近紅外波段反射率迅速下降為零.城鎮(zhèn)水體由于受泥沙、污染物等的影響，水體光譜曲線有一定變化，總體表現(xiàn)為反射率增加，并且光譜曲線的反射峰也會(huì)向長(zhǎng)波段移動(dòng).分析水體在不同波段的反射特性，同時(shí)分析比較其他地物光譜反射特性，Mefeeters提出了歸一化差異水體指數(shù)(NDWI)，該指數(shù)使用了近紅外波段和綠波段，由于植被在兩個(gè)波段的反射特性與水體相反，所以使用該指數(shù)可以有效剔除植被信息，突出水體信息.但利用該指數(shù)提取城鎮(zhèn)水體時(shí)，會(huì)有大量建筑物信息干擾，導(dǎo)致提取結(jié)果不理想.之后周藝[14]等根據(jù)建筑物反射特性，對(duì)NDWI進(jìn)行改進(jìn)提出了偽歸一化差異水體指數(shù)(FNDWI).利用該指數(shù)可以有效避免建筑物對(duì)水體信息提取干擾.該指數(shù)計(jì)算公式為：

FGreen=Green+S(CNIR-NIR)

(1)

(2)

式中，NIR—近紅外波段；Green—綠波段；

浙江省新一代海洋預(yù)報(bào)業(yè)務(wù)平臺(tái)采用面向服務(wù)(Service Oriented Architecture,SOA)和多層體系的結(jié)構(gòu),這種框架結(jié)構(gòu)屬于開放式、松耦合的服務(wù)結(jié)構(gòu),使得平臺(tái)中各部件的連接更加靈活,有利于平臺(tái)隨著海洋氣象業(yè)務(wù)發(fā)展變動(dòng)而迅速更新。整個(gè)平臺(tái)框架如圖1所示。

S—參數(shù)，代表修正的幅度；

CNIR—參數(shù)，代表近紅外波段上對(duì)水體和城鎮(zhèn)建筑用地的傾向性界定閾值.

(2)形狀特征

在高分辨率影像中，不同地物都有其獨(dú)特的形狀特征.在面向?qū)ο蟮姆诸惙椒ㄖ校梢源_定不同對(duì)象的形狀特征，這是影像分類中一個(gè)重要的信息.根據(jù)這些形狀特征可以有效區(qū)分目標(biāo)地物與其他地物.本文中涉及的形狀特性如下：

①長(zhǎng)寬比.對(duì)于線狀地物，其主要形狀特性為影像對(duì)象的長(zhǎng)寬比.通過比較不同地物的長(zhǎng)寬比確定閾值，可有效提取線狀地物.計(jì)算長(zhǎng)寬比主要利用影像對(duì)象的外接矩形.其主要表示方法如下：

(3)

式中：A—影像對(duì)象的面積；

a—影像對(duì)象外接矩形的長(zhǎng)度；

b—影像對(duì)象外接矩形的寬度；

f—影像對(duì)象外接矩形的填充度(影像對(duì)象的面積A除外接矩形的總面積b×a).

②形狀指數(shù).在數(shù)學(xué)上，形狀指數(shù)是影像對(duì)象邊界長(zhǎng)度除以它面積平方根的四倍，使用該指數(shù)可以確定對(duì)象的光滑度，計(jì)算指數(shù)越大，對(duì)象越破碎.

(4)

式中:A—影像對(duì)象的面積；P—對(duì)象的邊界長(zhǎng)度.

(3)空間關(guān)系

空間關(guān)系用于描述不同對(duì)象之間的空間位置關(guān)系，實(shí)際生活中我們描述道路在河流左邊、右邊，以及前、后、東、南、西、北等空間關(guān)系都屬于順序關(guān)系，它是對(duì)空間對(duì)象的某種排序.另一種空間關(guān)系是用一定的空間度量去描述不同對(duì)象間的關(guān)系，如兩對(duì)象之間的距離或親疏程度，這種空間關(guān)系稱為度量關(guān)系.最后一種空間關(guān)系稱為拓?fù)潢P(guān)系，用于描述不同空間對(duì)象之間連接、相鄰關(guān)系等.空間對(duì)象的幾何特征會(huì)決定其空間關(guān)系，它表達(dá)了空間對(duì)象之間的一種約束[15].

描述空間關(guān)系首先在影像中找出地物間的空間關(guān)系，并利用對(duì)象提供的信息建立規(guī)則[16].在面向?qū)ο笮畔⑻崛≈?，地物間的空間關(guān)系可以利用影像的語(yǔ)義信息進(jìn)行描述.eCognition中提供了類相關(guān)特性，描述了一個(gè)對(duì)象與其他指定對(duì)象的空間關(guān)系，其他影像對(duì)象可以在與該影像對(duì)象相同的影像對(duì)象層，也可以是在影像對(duì)象層次結(jié)構(gòu)中較低(下層影像層)或較高(上層影像層)的影像對(duì)象層.在eCognition中其對(duì)應(yīng)的類相關(guān)特性分別為：Relations to Neighbor Objects用來描述一個(gè)影像對(duì)象與它旁邊的其他影像對(duì)象的關(guān)系，Relations to Sub-Objects用來描述一個(gè)影像對(duì)象與子對(duì)象的關(guān)系，Relations to Superobjects用來描述一個(gè)影像對(duì)象與父對(duì)象的關(guān)系.

2 實(shí)驗(yàn)區(qū)概況和數(shù)據(jù)預(yù)處理

2.1 實(shí)驗(yàn)區(qū)概況

平湖市位于浙江省嘉興市，屬于嘉興市轄區(qū)之一，南臨杭州灣，東臨山海市.地理坐標(biāo)介于北緯30°35′～30°52′和東經(jīng)120°57′～121°16′之間.區(qū)域陸域面積537 km2，海域面積1 086 km2.境內(nèi)水域眾多，分布大量河流、湖泊.本文以平湖市主城區(qū)為研究區(qū)域(見圖1)，區(qū)域內(nèi)水體包括東市河、南市河、海鹽塘、東湖等.整個(gè)研究區(qū)包括了典型水體和細(xì)小河流，區(qū)域內(nèi)還包括道路、植被、建筑物等其他地物，具有研究的典型性.

圖1 實(shí)驗(yàn)區(qū)遙感影像

2.2 數(shù)據(jù)預(yù)處理

Pléiades衛(wèi)星星座由兩顆完全相同的衛(wèi)星組成，Pléiades 1在2011年12月17日成功發(fā)射，Pléiades 2在2012年12月1日開始獲取影像.兩顆衛(wèi)星配合可以滿足全球所有地區(qū)衛(wèi)星重返周期為一天，可大大提高影像時(shí)間分辨率.本文數(shù)據(jù)源為Pléiades 1影像數(shù)據(jù)，影像獲取時(shí)間為2013年3月21日，使用的波段主要是2 m分辨率的多光譜，波段范圍：藍(lán)(0.45～0.52 μm)、綠(0.52～0.59 μm)、紅(0.63～0.69 μm)、近紅外NIR(0.77～0.89 μm).影像獲取后首先進(jìn)行預(yù)處理，包括幾何位置校正、坐標(biāo)系統(tǒng)轉(zhuǎn)化、圖像拼接裁剪、數(shù)據(jù)格式轉(zhuǎn)化等.

3 實(shí)驗(yàn)與結(jié)果分析

(1)建立規(guī)則集

為了便于提取水體信息，首先要了解水體的遙感信息特性，從波譜曲線來看，水體與影像上其他類型地物的光譜差異性較大，利用多個(gè)波段組合運(yùn)算確定閾值可以有效區(qū)分水體與其他地物.針對(duì)城鎮(zhèn)水體特征，本文選用偽歸一化水體指數(shù)(FNDWI)進(jìn)行水體提取，提取結(jié)果發(fā)現(xiàn)水體中會(huì)混合陰影.分析陰影與水體的光譜反射特性，發(fā)現(xiàn)兩者光譜反射特性極為相似，因此只考慮光譜特性無(wú)法將陰影與水體區(qū)分，需要加入其它地物特性，本文選用空間關(guān)系.研究區(qū)主要位于平湖主城區(qū)，區(qū)域內(nèi)陰影主要由建筑物造成，在高分辨率影像中陰影與建筑物是相互鄰接的，兩個(gè)對(duì)象具有公共邊，這是陰影提取中很重要的空間關(guān)系.因此本文首先提取區(qū)域內(nèi)建筑物，根據(jù)建筑物與陰影的空間關(guān)系，剔除水體中的陰影.根據(jù)以上分析建立水體提取規(guī)則集：①利用FNDWI區(qū)分水體和其他地物，此時(shí)提取的水體中會(huì)混雜有陰影；同時(shí)利用植被指數(shù)將植被信息提取出來.②利用光譜信息和形狀特性，在未分類區(qū)域提取出建筑物信息.③根據(jù)建筑物與陰影的空間關(guān)系，將水體中陰影剔除.

(2)圖像分割

利用多尺度分割算法對(duì)實(shí)驗(yàn)區(qū)影像進(jìn)行分割，確定區(qū)域最優(yōu)分割參數(shù).首先利用數(shù)字化的方法獲取水體參考數(shù)據(jù)集，其中參考多邊形在影像中要分布均勻同時(shí)兼顧多邊形大小，保證參考多邊形的選擇滿足典型性.考慮各個(gè)波段的重要性，設(shè)置各個(gè)波段的權(quán)重為1；然后設(shè)置分割尺度、形狀因子和緊密度因子的閾值分別為[20～80]、[0.1～0.9]、[0.1～0.9]，步長(zhǎng)分別為1、0.1、0.1，利用程序?qū)⑵渑帕薪M合，對(duì)影像進(jìn)行分割，每次分割結(jié)果與參考數(shù)據(jù)集疊加分析，最終確定最優(yōu)分割參數(shù)集：分割尺度46、形狀因子0.3、緊密度因子0.5.影像分割局部放大圖(見圖2).由圖2(a)可以看出分割對(duì)象邊緣與水體邊緣的吻合度較高，雖然水體被分割為幾個(gè)對(duì)象，但是同一對(duì)象中沒有不同的地物，保證了水體與其他地物被完全分離.從圖中發(fā)現(xiàn)房屋分割不理想，出現(xiàn)房屋與道路分割為一個(gè)對(duì)象的情況，為了準(zhǔn)確提取建筑物信息，確定建筑物的最優(yōu)分割參數(shù)集：分割尺度31、形狀因子0.3、緊密度因子0.5，這時(shí)建筑物信息被完整分割出來(見圖2(b)).

圖2 影像分割局部放大圖

(3)圖像分類

利用軟件自定義參數(shù)功能計(jì)算FNDWI、NDVI等參數(shù)，分別選取水體和其他地物樣本，統(tǒng)計(jì)其在各個(gè)特征值上的最大最少值，經(jīng)過反復(fù)研究和比較，確定各個(gè)經(jīng)驗(yàn)閾值.

根據(jù)水體特性確定FNDWI>0.05，將滿足條件的對(duì)象全部提取出來，從圖3可以看出：①水體信息被全部提取出來，但同時(shí)也摻雜了大量建筑物陰影.②提取植被信息主要是利用NDVI，根據(jù)分析確定閾值為NDVI>0.13.③提取建筑物信息，對(duì)已經(jīng)識(shí)別區(qū)域進(jìn)行掩膜，剩余未分類區(qū)域再次進(jìn)行分割(分割數(shù)據(jù)集：分割尺度31、形狀因子0.3、緊密度因子0.5).從光譜特性來看道路和建筑物非常相似，因此區(qū)分二者需要加入其它分類特性.從形狀上比較，道路一般呈細(xì)長(zhǎng)條，建筑物一般為矩形.本文最終選取近紅波段、length/width、shape index特征構(gòu)建隸屬度函數(shù)，設(shè)置138

圖3 水體信息初步提取結(jié)果

分析建筑物陰影不同于水體的幾何特征和空間關(guān)系：①建筑物陰影與建筑物是鄰接關(guān)系，兩者具有較大的公共邊長(zhǎng).②建筑物陰影呈帶狀，幾何形態(tài)與建筑物類似，具有一定的長(zhǎng)寬和面積，但面積遠(yuǎn)小于城市水體面積.③建筑物背向光源的地方才會(huì)出現(xiàn)陰影，在中國(guó)陰影出現(xiàn)在建筑物之北.考慮建筑物與陰影的鄰接關(guān)系，同時(shí)對(duì)象位于同一個(gè)影像層中，因此空間關(guān)系描述選用Relations to Neighbor Objects-Rel.border to.在已分類的水體中使用Rel.border to>45%，可以成功將建筑物陰影剔除，最終水體信息提取結(jié)果(見圖4).

圖4 水系信息提取結(jié)果

(4)結(jié)果驗(yàn)證

為了定量評(píng)價(jià)結(jié)果，在實(shí)驗(yàn)區(qū)挑選樣本，對(duì)照高清遙感影像進(jìn)行人工目視解譯，以目視解譯結(jié)果作為參考評(píng)價(jià)水體提取結(jié)果，精度評(píng)價(jià)指數(shù)包括漏分誤差、錯(cuò)分誤差、錯(cuò)誤率、準(zhǔn)確率.

根據(jù)統(tǒng)計(jì)結(jié)果分析，水體提取精度：正確率最高為95.56%，最差為86.66%，正確率平均為92.27%，總體提取精度較高.通過比較發(fā)現(xiàn)，正確率較低主要是發(fā)生在細(xì)小河流上，當(dāng)細(xì)小河流周圍分布綠色植被時(shí)，由于周圍地物影響，水體光譜信息發(fā)生較大變化，導(dǎo)致分類精度較低.

表1 水體提取精度列表

4 結(jié) 論

本文信息提取不僅利用地物光譜特征，還考慮了形狀信息、空間關(guān)系等特征.影像中地物具有豐富的空間關(guān)系，本文在水體信息提取中利用了陰影與建筑物的空間關(guān)系，有效剔除水體中混雜陰影，提取出的圖斑沒有椒鹽現(xiàn)象，最后結(jié)合少量人工干預(yù)，可以快速準(zhǔn)確獲取區(qū)域水體信息.與傳統(tǒng)像元級(jí)水體提取方法比較，面向?qū)ο蠓椒ㄔ谛?、精度、自?dòng)化程度方面都體現(xiàn)了極大的優(yōu)越性.

[1] 王柳艷,許有鵬,余銘婧.城鎮(zhèn)化對(duì)太湖平原河網(wǎng)的影響—以太湖流域武澄錫虞區(qū)為例[J].長(zhǎng)江流域資源與環(huán)境,2013(2):151-156.

[2] 鐘 沛.衛(wèi)星遙感數(shù)據(jù)在流域數(shù)字化中的應(yīng)用[J].浙江水利水電?？茖W(xué)校學(xué)報(bào),2002,14(2):1-2.

[3] MCFEETERSS S K. The Use of Normalized Difference Water Index (NDWI) in the Delineation of Open Water Features [J].International Journal of Remote Sensing,1996,17(7):1425-1432.

[4] 鄧勁松,王 珂,李 君,等.決策樹方法從SPOT-5衛(wèi)星影像中自動(dòng)提取水體信息研究[J].浙江大學(xué)學(xué)報(bào)(農(nóng)業(yè)與生命科學(xué)版),2005,31(2):171-174.

[5] 沈占鋒,夏列鋼,李均力,等.采用高斯歸一化水體指數(shù)實(shí)現(xiàn)遙感影像河流的精確提取[J].中國(guó)圖象圖形學(xué)報(bào),2013,18(4):421-428．

[6] OUMA Y O,TATEISHI R. A Water Index for Rapid Mapping of Shoreline Changes of Five East African Rift Valley Lakes: An Empirical Analysis Using LANDSAT TM and ETM+Data[J].International Journal of Remote Sensing,2006,27(15):3153-3181．

[7] 沈金祥,楊 遼,陳 曦,等.面向?qū)ο蟮纳絽^(qū)湖泊信息自動(dòng)提取方法[J].國(guó)土資源遙感,2012(3):84-91.

[8] 肖 奧,趙文吉.基于最小異質(zhì)性區(qū)域生長(zhǎng)法的多尺度城市地物影像分割[J].首都師范大學(xué)學(xué)報(bào)(自然科學(xué)版),2010,31(1):60-64.

[9] 任 毅.面向地理國(guó)情監(jiān)測(cè)的道路和水系信息提取與分析[D].重慶:重慶交通大學(xué),2014.

[10] URSULA C. BENZ,PETER HOFMANN,GREGOR WILLHAUCK,etc. Multi-resolution,Object-oriented Fuzzy Analysis of Remote Sensing Data for GIS-ready Information [J]. ISPRS Journal of Photogrammetry and Remote Sensing,2004(58):239-258.

[11] 黃慧萍.面向?qū)ο笥跋穹治鲋械某叨葐栴}研究[D].北京：北京中國(guó)科學(xué)院研究生院(遙感應(yīng)用研究所),2003.

[12] YONG LIU,LING BIAN,YUHONG MENG,etc. Discrepancy Measures for Selecting Optimal Combination of Parameter Values in Object-based Image Analysis [J]. ISPRS Journal of Photogrammetry and Remote Sensing,2012(68):144-156.

[13] 郭釔宏.中衛(wèi)南部環(huán)香山地區(qū)砂田分布及時(shí)空動(dòng)態(tài)變化分析[D].蘭州:蘭州大學(xué),2014.

[14] 周 藝,謝光磊,王世新,等.利用偽歸一化差異水體指數(shù)提取城鎮(zhèn)周邊細(xì)小河流信息[J].地球信息科學(xué)學(xué)報(bào),2014,16(1):102-107.

[15] 曹 菡,陳 軍.方向關(guān)系與距離關(guān)系的定性描述與推理[J].西安石油學(xué)院學(xué)報(bào)(自然科學(xué)版),2001,16(1):68-72.

[16] 周軍其,李志娟.空間關(guān)系輔助的面向?qū)ο蠼ㄖ锾崛J].應(yīng)用科學(xué)學(xué)報(bào),2012,30(5):511-516.

ExtractionofWaterInformationinUrbanAreasbyObject-orientedMethod

YU Huan-fei,TIAN Wen-ting,WANG Xin,WANG Xue-qiang

(Zhejiang Institute of Hydraulics and Estuary,Hangzhou 310020,China)

The urban water bodies were extracted based on object-oriented method and Pléiades remote sensing,and the main city zone of Pinghu was taken as the study area. The optimal segmentation parameter was calculated considering the geometric difference and algebraic difference; the water bodies were extracted initially by FNDWI. Considering the spatial relationship between building and its shadow,the shadow interference on water information was excluded to optimize the result. The overall accuracy of water extraction was 92.27%. The experimental result proved it as a complete and rapid extraction of the urban water bodies.

urban water bodies; Pléiades remote sensing; object-oriented; spatial relationship

2016-05-23

2013年度浙江省省屬科研院所專項(xiàng)計(jì)劃項(xiàng)目(2013F10049)；2014年度浙江省創(chuàng)新平臺(tái)建設(shè)項(xiàng)目(2014F10035)

于桓飛(1969-)，男，浙江浦江人，工程師，主要從事水利工程監(jiān)理工作.

P237

A

1008-536X(2016)10-0074-06