基于高分遙感影像的黃土高原地區(qū)水體高精度提取

孫 娜， 高志強(qiáng),2， 王曉晶， 羅志東

(1.北京地拓科技發(fā)展有限公司，北京 100084； 2.北京林業(yè)大學(xué)，北京 100083；3.水利部水土保持監(jiān)測中心，北京 100053)

基于高分遙感影像的黃土高原地區(qū)水體高精度提取

孫 娜1， 高志強(qiáng)1,2， 王曉晶1， 羅志東3

(1.北京地拓科技發(fā)展有限公司，北京 100084； 2.北京林業(yè)大學(xué)，北京 100083；3.水利部水土保持監(jiān)測中心，北京 100053)

黃土高原地區(qū)水體特征復(fù)雜多樣，基于高空間分辨率遙感影像在大面積范圍內(nèi)，現(xiàn)有提取方法很難兼顧精度與效率，故提出一種新型的水體精細(xì)化自動提取方法。首先，在全局范圍內(nèi)根據(jù)不同的水體類型使用面向?qū)ο蟮挠跋穹治黾夹g(shù)按照不同的規(guī)則方法初步提取水體的主體部分，形成水體的種子區(qū)域； 然后，在局部范圍內(nèi)根據(jù)同一地物的光譜相似性，進(jìn)行區(qū)域種子生長，實(shí)現(xiàn)水體的高精度提取。結(jié)果表明，使用該方法提取的水體邊緣可以較好地與影像吻合，更能保證水體的完整性，有效減少干擾信息，提升運(yùn)算效率。

水體提??； 黃土高原地區(qū)； 區(qū)域種子生長； 面向?qū)ο蟮挠跋穹治觯?高空間分辨率

0 引言

隨著遙感技術(shù)的不斷發(fā)展，利用遙感手段對水體進(jìn)行實(shí)時(shí)動態(tài)監(jiān)測對土壤侵蝕、水資源和水環(huán)境調(diào)查以及旱情和洪澇監(jiān)測等具有重要的意義。國內(nèi)外學(xué)者對此展開了大量研究，提出了許多有效的方法。杜云艷等[1]從遙感信息的機(jī)理出發(fā)，以NOAA/AVHRR數(shù)據(jù)為例，構(gòu)建水體提取模型，并取得了較好的提取效果； McFeeters[2]提出歸一化差異水體指數(shù)模型(normalized difference water index，NDWI)； 徐涵秋[3]在NDWI的基礎(chǔ)上，對波長組合進(jìn)行改進(jìn)，提出了改進(jìn)的歸一化差異水體指數(shù)(modified normalized difference water index，MNDWI)，發(fā)現(xiàn)MNDWI較NDWI更能顯示水體的微細(xì)特征； 都金康等[4]在分析水體光譜特征的基礎(chǔ)上，引入水體的空間特征，使用決策樹分類方法得到了滿意的分類結(jié)果； 黃春龍等[5]針對水體的紋理特征展開研究，通過統(tǒng)計(jì)圖像的灰度共生矩陣，對水體進(jìn)行提取，發(fā)現(xiàn)紋理特征對水體的準(zhǔn)確提取非常有效； 楊樹文等[6]在使用光譜信息提取水體的基礎(chǔ)上，加入了形態(tài)學(xué)膨脹濾波算法，提高了水體提取的精度； 駱劍承等[7]基于NDWI，采用分步迭代的算法實(shí)現(xiàn)了水體提取。

上述水體信息提取方法，大部分只對大面積水域或者小范圍內(nèi)處于豐水期的水庫、湖泊和河流比較有效，而對于提取黃土高原地區(qū)的水體較為困難，特別是山區(qū)小面積水體或者泥沙含量高的細(xì)長河流。由于水體泥沙含量較高或者受周邊地物的影響，導(dǎo)致光譜混雜，水體光譜特征減弱，加大了提取難度。這種情況下，在大范圍內(nèi)對影像使用同一模型和參數(shù)，很難提取所有水體，更難獲得十分精確的水面邊緣。針對上述情況，本文使用高分一號PMS影像，根據(jù)不同的水體類型，采用面向?qū)ο蟮挠跋穹治黾夹g(shù)與區(qū)域種子生長算法相結(jié)合的方法，建立由粗到精、由全局到局部的水體精細(xì)化提取模型。通過全局反映水體的整體屬性，包含了研究區(qū)內(nèi)不同類型的所有水體； 局部反映水體細(xì)節(jié)區(qū)域，側(cè)重于水體的精細(xì)特征。

1 水體提取模型

1.1 水體特征分析

黃土高原地區(qū)水體多種多樣，根據(jù)不同水體在遙感影像上的成像特點(diǎn)，可以將水體分為清澈的水體和無機(jī)質(zhì)泥沙含量高的水體。根據(jù)水體所呈現(xiàn)的形態(tài)特征可分為以水庫和湖泊為主的面狀水體及以河流和溝渠為主的條帶狀水體。無論是面狀還是條帶狀，只要是清澈的水體，在遙感影像上均呈現(xiàn)典型水體的光譜特征，內(nèi)部紋理都比較光滑均一。在可見光范圍[8]內(nèi)，水體的反射率總體比較低，不超過10%，隨著波長的增大逐漸降低，在近紅外(near infrared,NIR)波段，水體幾乎成為全吸收體，在NIR影像中呈現(xiàn)黑色； 而對于無機(jī)質(zhì)泥沙含量高的水體，遙感成像時(shí)不僅呈現(xiàn)水體的光譜特征，還表現(xiàn)出泥沙的光譜特性，并且隨著泥沙含量的增加，在NIR波段對水體的反射能力增強(qiáng)，透射能力減弱，在真彩色遙感影像中呈現(xiàn)黃褐色。

1.2 全局水體種子提取方法

基于1.1節(jié)所述的水體特征，將水體分為一般性水體和泥沙含量高的條帶狀水體，其中一般性水體包括清澈的水體和泥沙含量高的面狀水體。無論面狀還是條帶狀的清澈水體，都可以直接根據(jù)水體的光譜特征進(jìn)行提?。?泥沙含量高的面狀水體，雖然很難全部提取出來，但可以根據(jù)水體的光譜特征提取到水體的一部分，作為水體種子點(diǎn)； 而條帶狀泥沙含量高的水體，由于寬度較窄，易受周圍地物光譜的影響，提取較為困難。

根據(jù)水體的這些特征，首先采用面向?qū)ο蟮姆椒ㄡ槍Σ煌乃w類型進(jìn)行全局提取。面向?qū)ο蟮姆诸惙椒ㄏ鄬τ趥鹘y(tǒng)的基于像素的分類方法具有明顯的優(yōu)勢。不僅會考慮地物的光譜和紋理特征，還可以綜合分析地物的幾何特征、空間特征及上下文關(guān)聯(lián)特征。該方法首先需要通過分割方法將影像劃分成一個(gè)個(gè)彼此相鄰的對象，然后再利用分類算法進(jìn)行分類。

1.2.1 分割方法

本文采用自動多閾值分割和多尺度分割相結(jié)合的方法創(chuàng)建水體種子區(qū)域，提取流程如圖 1所示。

圖1 全局水體種子提取流程Fig.1 Flowchart of water extraction

多閾值分割方法[9]采用FCM聚類法找到水體的聚類中心，再根據(jù)直方圖統(tǒng)計(jì)信息確定的閾值進(jìn)行分割。該方法運(yùn)算速度快，但由于主要分析光譜信息，適用于水體特征非常明顯的一般性水體的提取。而泥沙含量高的條帶狀水體種子，采用多尺度分割的方法，從若干像元開始，根據(jù)光譜信息、紋理信息和形狀信息進(jìn)行同質(zhì)性判斷，最終確定對象的過程，該方法運(yùn)算速度相對較慢。

1.2.2 分類算法模型

根據(jù)不同水體在影像上的特征，采用基于解譯知識的分類方法，分別選用不同算法進(jìn)行逐步提取，提取流程見圖 2。

圖2 全局水體種子提取方法Fig.2 Water seeds extraction method

1.2.2.1 NIR波段反射率和NDWI

根據(jù)水體的光譜特征，最常用的提取方法是NIR波段閾值法和水體指數(shù)法。NDWI水體指數(shù)表達(dá)式為

(1)

式中Green和NIR分別代表綠光波段和NIR波段的反射率值。

為了構(gòu)建最優(yōu)的水體模型，采用隨機(jī)選點(diǎn)的方式對研究區(qū)水體、交通用地、建筑用地、植被、耕地和其他土地6大類各取50個(gè)樣本點(diǎn)，其中水體樣本點(diǎn)包含一般水體和泥沙含量較大的條帶狀水體各25個(gè)。并分別對樣本點(diǎn)的NIR和NDWI值進(jìn)行統(tǒng)計(jì)分析，按照升序排列，如圖 3。其中，水體樣本1—25號樣本為一般水體，26—50號樣本為泥沙含量高的水體。統(tǒng)計(jì)結(jié)果發(fā)現(xiàn)： ①水體與植被、土壤等其他地物具有明顯的差異，尤其在NIR波段的反射率最低，這與水體在NIR波段的強(qiáng)吸收特征有關(guān)； ②在NDWI圖像上，水體數(shù)值最高，尤其是一般水體與其他地物的區(qū)分明顯，泥沙含量高的水體則具有與其他土地、城鎮(zhèn)及工礦用地相似的值域范圍?？紤]到NIR波段不能排除地形起伏對水體的干擾，水體和陰影混淆嚴(yán)重，但是NDWI有所改善[10]，針對一般水體采用NDWI進(jìn)行提??； 對泥沙含量高的條帶狀水體，采用NIR波段反射率進(jìn)行初步提取，然后再結(jié)合其他算法消除干擾地物的影響。

(a) NIR (b) NDWI

圖3水體樣本點(diǎn)統(tǒng)計(jì)

Fig.3Statisticalgraphofsamplepoints

1.2.2.2 密度(Density)

密度反映對象各個(gè)像素的緊致程度，通常條帶狀水體密度值低于一般的多邊形面狀地物。密度表達(dá)式為

(2)

式中：d代表密度；n代表分割對象包含的像素個(gè)數(shù)；Var(X)和Var(Y)分別代表對象像素在X軸和Y軸的方差。

1.2.2.3 黃度指數(shù)(Yellow)

由于泥沙含量高的水體在真彩色影像上呈現(xiàn)偏黃的顏色特征，通過構(gòu)建黃度指數(shù)，作為水體提取的輔助參數(shù)，去除柏油路等線狀低反射的干擾地物對水體提取的影響。黃度指數(shù)表達(dá)式為

Yellow=Green+Red-2Blue,

(3)

式中Red和Blue分別代表紅光和藍(lán)光波段的反射率值；Yellow代表黃度指數(shù)。

1.3 局部種子生長水體優(yōu)化提取方法

局部水體優(yōu)化提取采用區(qū)域種子生長算法[11]，從面向?qū)ο蠓椒ㄌ崛〉乃w種子對象出發(fā)，對相鄰的對象進(jìn)行同質(zhì)性判斷，如果判斷為同質(zhì)的，則歸為水體種子，如果判斷為異質(zhì)的，則停止生長。

首先，采用緩沖區(qū)的方法，以水體種子對象為基礎(chǔ)，根據(jù)距離信息向外擴(kuò)張，形成局部水體優(yōu)化工作區(qū)。工作區(qū)內(nèi)部的水體光譜特征相似，與其他地物有較大差異。局部優(yōu)化工作區(qū)可以有效降低整體背景光譜信息對水體提取的干擾，提高水體提取精度，減少工作范圍，提高工作效率。其次，采用NIR波段的均值作為同質(zhì)性判斷準(zhǔn)則，只有滿足同質(zhì)性準(zhǔn)則的相鄰對象才可以歸為水體種子區(qū)域，實(shí)現(xiàn)增長。再次，以水體種子對象為中心，采用自上而下的搜索方式，迭代計(jì)算，對工作區(qū)內(nèi)相鄰的像素逐一進(jìn)行同質(zhì)性判斷，實(shí)現(xiàn)循環(huán)增長，直到不滿足同質(zhì)性準(zhǔn)則為止。最后，由于自動提取水體往往會存在空洞和孤立點(diǎn)，根據(jù)空間和形態(tài)關(guān)系利用數(shù)學(xué)生態(tài)學(xué)進(jìn)行后處理，去除噪聲點(diǎn)，并進(jìn)行區(qū)域合并，輸出最終的水體提取結(jié)果。技術(shù)流程如圖4所示。

圖4 水體種子局部增長技術(shù)流程Fig.4 Flowchart of seeded region growing

2 結(jié)果與分析

為了驗(yàn)證本文算法的有效性，選擇陜西省榆林市橫山縣為研究區(qū)進(jìn)行水體提取實(shí)驗(yàn)。該區(qū)位于無定河中游，毛烏素沙漠南緣，屬鄂爾多斯草原向黃土高原的過渡地帶，海拔在900～1 500 m之間。區(qū)內(nèi)水體多為山間河流、水庫和湖泊等。處于豐水期的水庫和湖泊，泥沙含量較少，水陸邊界清晰。而河流多發(fā)源于山間，具有泥沙多、流程短、流域面積小、徑流量受降雨量或季節(jié)影響強(qiáng)烈等特點(diǎn)，其影像水陸邊界不清晰。采用2014年8月25日高分一號PMS相機(jī)獲取的空間分辨率為2 m的全色影像和空間分辨率為8 m的多光譜影像為數(shù)據(jù)源。處理流程包括： ①大氣校正、正射校正和融合等預(yù)處理； ②全局水體種子提?。?③局部種子生長水體優(yōu)化提取。

2.1 全局水體種子提取結(jié)果

一般水體的在影像上色調(diào)較深，與其他地類異質(zhì)性明顯，使用多閾值分割效果理想。而泥沙含量高的條帶狀水體，由于含水量少、泥沙含量高或其他原因，水陸邊界不清晰，使用多閾值分割效果較差，而采用多尺度分割效果相對較好。不同的水體分割效果如圖 5和圖 6所示。

(a) 一般水體(b) 泥沙含量高的條帶狀水體

圖5多閾值分割水體效果

Fig.5Multi-thresholdsegmentationofwaterbody

(a) 河流1 (b) 河流2

圖6多尺度分割條帶狀水體效果

Fig.6Multiresolutionsegmentationeffectofriver

根據(jù)一般水體在NDWI上與其他地物的明顯差異，取值0.16即可將全局一般水體種子區(qū)域較好地提取出來，但泥沙含量高或者過細(xì)的河流仍有漏提現(xiàn)象存在，需采用其他模型提取。NDWI水體提取效果見圖 7。

(a) 一般水體種子(b) 泥沙含量高的條帶狀水體種子

圖7NDWI提取水體種子區(qū)域

Fig.7WaterseedsextractionbyNDWI

根據(jù)泥沙含量高的條帶狀水體在NIR波段的低反射特征、線狀特征及黃度特征，NIR取值4 500，Density取值0.7，Yellow取值2 000，即可將全局內(nèi)泥沙含量高的條帶狀水體種子提取出來，有效去除陰影、低反射的建筑和道路等的干擾。泥沙含量高的條帶狀水體種子提取效果見圖 8。

(a) 僅利用NIR提取的河流種子 (b) 多參數(shù)結(jié)合提取的河流種子

圖8泥沙含量高的條帶狀水體種子區(qū)域提取效果

Fig.8Turbidwaterseedsextractioneffect

全局水體種子提取實(shí)現(xiàn)了水陸的初步分離，但是由于水質(zhì)的差異及周邊地物的影響，未能完全提取水體區(qū)域。需通過后續(xù)局部種子生長優(yōu)化實(shí)現(xiàn)水體的完整、高精度提取。全局水體種子提取結(jié)果局部效果見圖 9。由圖9可見，水體的位置信息定位準(zhǔn)確，中心區(qū)域可以很好地提取出來，但是水體邊緣仍然存在誤差，而且不同的水面邊緣誤差不同。

(a) 水體1 (b) 水體2

圖9全局水體種子區(qū)域提取效果

Fig.9Waterseedsextractioneffectinwholedomain

2.2 水體種子生長優(yōu)化提取結(jié)果

以水體種子區(qū)域?yàn)橹行?，向外擴(kuò)展20個(gè)像素寬度作為水體優(yōu)化提取工作區(qū)，采用自上而下的搜索方式，NIR均值取5 000，對水體種子進(jìn)行逐步生長，得到高精度的水體提取結(jié)果。水體種子生長過程和生長結(jié)果如圖 10。

(a) 全局水體種子提取結(jié)果 (b) 水體優(yōu)化提取工作區(qū)

圖10-1水體種子生長過程

Fig.10-1Seededregiongrowingprocessofwater

(c) 水體種子生長結(jié)果 (d) 最終的水體提取結(jié)果

圖10-2水體種子生長過程

Fig.10-2Seededregiongrowingprocessofwater

圖11為經(jīng)過種子生長優(yōu)化后的水體提取效果，從圖中可以發(fā)現(xiàn)，提取的水體邊緣與實(shí)際水陸邊界幾乎完全重合。對比圖 9可以發(fā)現(xiàn)，經(jīng)過種子生長提取的水體更加完整，邊緣精度更高。

(a) 水體1 (b) 水體2

圖11經(jīng)過種子生長后最終的水體提取效果

Fig.11Finalwaterextractionresults

圖 12為2景高分一號PMS遙感影像水體自動提取的實(shí)例，影像分別獲取于2015年6月8日和7月19日研究區(qū)附近區(qū)域，從圖中局部放大的水體區(qū)域可以看出，通過該方法提取的水體位置信息準(zhǔn)確，邊緣精度很高。

(a) 2015年6月8日 (b) 2015年7月19日

(c) 區(qū)域A (b) 區(qū)域B (e) 區(qū)域C(f) 區(qū)域D (g) 區(qū)域E (h) 區(qū)域F

圖12不同影像使用水體提取模型自動提取效果

Fig.12Waterextractionresultsindifferentimages

上述研究表明，使用面向?qū)ο蠓诸惙椒ㄅc種子區(qū)域生長方法相結(jié)合提取水體，邊界準(zhǔn)確、水體圖斑完整，與影像邊界的吻合度非常高。以專家知識判讀方法人機(jī)交互提取的水體為參考，通過統(tǒng)計(jì)面積的方法進(jìn)行精度分析，正確率A和漏提率E計(jì)算公式為

(4)

(5)

式中：SA為提取正確的面積；SE為漏提面積；S為總參考面積。

通過統(tǒng)計(jì)分析，常用的NDWI方法提取的水體正確率為83.67%，漏提率為16.33%； 而本文方法提取的水體正確率為99.32%，漏提率為0.68%，提取精度提升了15.65%。

3 結(jié)論

1)面向國產(chǎn)高分影像，針對黃土高原晉陜蒙丘陵溝壑區(qū)提出一種新型水體高精度自動提取模型。

2)該模型將中等空間分辨率水體提取思想與精細(xì)化需求相結(jié)合，不僅可以有效去除道路、低反射的建筑和陰影等易混地物的影響，還可以保證水體的邊緣精度和水體的完整性。

3)該模型簡單易用，易于軟件工程化的實(shí)現(xiàn)。

但是通過對不同地區(qū)測試，該方法模型對低反射的工礦用地不敏感，容易混入水體，有待后續(xù)進(jìn)一步研究。

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

Du Y Y,Zhou C H.Automatically extracting remote sensing information for water bodies[J].Journal of Remote Sensing,1998,2(4):264-269.

[2] McFeeters 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.

[3] 徐涵秋.利用改進(jìn)的歸一化差異水體指數(shù)(MNDWI)提取水體信息的研究[J].遙感學(xué)報(bào),2005,9(5):589-595.

Xu H Q.A study on information extraction of water body with the modified normalized difference water index(MNDWI)[J].Journal of Remote Sensing,2005,9(5):589-595.

[4] 都金康,黃永勝,馮學(xué)智,等.SPOT衛(wèi)星影像的水體提取方法及分類研究[J].遙感學(xué)報(bào),2001,5(3):214-219.

Du J K,Huang Y S,Feng X Z,et al.Study on water bodies extraction and classification from SPOT image[J].Journal of Remote Sensing,2001,5(3):214-219.

[5] 黃春龍,邢立新,韓 冬.基于紋理特征的水系信息提取[J].吉林大學(xué)學(xué)報(bào)(地球科學(xué)版),2008,38(S):226-228,250.

Huang C L,Xing L X,Han D.Extracting the information of water system based on texture features[J].Journal of Jilin University(Earth Science Edition),2008,38(S):226-228,250.

[6] 楊樹文,薛重生,劉 濤,等.一種利用TM影像自動提取細(xì)小水體的方法[J].測繪學(xué)報(bào),2010,39(6):611-617.

Yang S W,Xue C S,Liu T,et al.A method of small water information automatic extraction from TM remote sensing images[J].Acta Geodaetica et Cartographica Sinica,2010,39(6):611-617.

[7] 駱劍承,盛永偉,沈占鋒,等.分步迭代的多光譜遙感水體信息高精度自動提取[J].遙感學(xué)報(bào),2009,13(4):604-615.

Luo J C,Sheng Y W,Shen Z F,et al.Automatic and high-precise extraction for water information from multispectral images with the step-by-step iterative transformation mechanism[J].Journal of Remote Sensing,2009,13(4):604-615.

[8] 梅安新,彭望琭,秦其明,等.遙感導(dǎo)論[M].北京:高等教育出版社,2001.

Mei A X,Peng W L,Qin Q M,et al.An Introduction to Remote Sensing[M].Beijing:Higher Education Press,2001.

[9] 段 銳,管一弘.醫(yī)學(xué)圖像自動多閾值分割[J].計(jì)算機(jī)應(yīng)用,2008,28(S2):196-197.

Duan R,Guan Y H.Multi-threshold value segmentation approach for medical images[J].Computer Applications,2008,28(S2):196-197.

[10] 畢海蕓,王思遠(yuǎn),曾江源,等.基于TM影像的幾種常用水體提取方法的比較和分析[J].遙感信息,2012,27(5):77-82.

Bi H Y,Wang S Y,Zeng J Y,et al.Comparison and analysis of several common water extraction methods based on TM image[J].Remote Sensing Information,2012,27(5):77-82.

[11] Adams R,Bischof L.Seeded region growing[J].IEEE Transactions on Pattern Analysis and Machine Intelligence,1994,16(6):641-647.

High-preciseextractionforwaterontheLoessPlateauregionfromhighresolutionsatelliteimage

SUN Na1, GAO Zhiqiang1,2, WANG Xiaojing1, LUO Zhidong3

(1.BeijingDatumTechnologyDevelopmentCo.Ltd.,Beijing100084,China; 2.BeijingForestryUniversity,Beijing100083,China;3.MonitoringCenterofSoilandWaterConservation,MinistryofWaterResources,Beijing100053,China)

In the Loess Plateau region, it is difficult to extract the complex water automatically and accurately in a large area, and hence a new water extraction method is proposed in this paper, which combines the object-based image analysis and seeded region growing algorithm. In the first step, it uses object-based image analysis to extract the main part of the water body according to the different water features and form the seeds region of water area. Then based on the result, the seeds grew to the precise shape of water. Extraction result shows that the method is effective, high precise and high efficient.

water extraction; Loess Plateau; seeded region growing algorithm; object-based image analysis; high spatial resolution

10.6046/gtzyyg.2017.04.26

孫娜,高志強(qiáng),王曉晶,等.基于高分遙感影像的黃土高原地區(qū)水體高精度提取[J].國土資源遙感,2017,29(4)：173-178.(Sun N,Gao Z Q,Wang X J,et al.High-precise extraction for water on the Loess Plateau region from high resolution satellite image[J].Remote Sensing for Land and Resources,2017,29(4)：173-178.)

TP 79

A

1001-070X(2017)04-0173-06

2016-04-18；

2016-07-11

高分水利遙感應(yīng)用示范系統(tǒng)(一期)“高分辨率對地觀測系統(tǒng)重大專項(xiàng)”(編號： 08-Y30B07-9001-13/15)和水利部綜合事業(yè)局拔尖人才培養(yǎng)專項(xiàng)共同資助。

孫 娜(1987-)，女,碩士,主要從事遙感技術(shù)與地學(xué)應(yīng)用研究。Email： 377754198@qq.com。

(責(zé)任編輯：陳理)