面向?qū)ο蟮腉F-2影像水體信息提取研究

王冬梅 陳琳 馮峰

摘?要：高分辨率遙感影像面向?qū)ο笮畔⑻崛〉那疤岷完P(guān)鍵步驟是影像分割。在分析水體信息提取方法的基礎(chǔ)上，提出多尺度-光譜差異分割的方法。首先，以河南省開封市某區(qū)域?yàn)槔?，采用多尺度分割的方法?duì)GF-2影像進(jìn)行分割，確定最優(yōu)分割尺度;然后，在保證地類分割純度的基礎(chǔ)上，對(duì)分割的影像進(jìn)行光譜差異分割，得到研究區(qū)域水體分割最佳效果;最后，利用水體在近紅外波段均值的特征，設(shè)置閾值提取到滿意的水體信息結(jié)果。根據(jù)目視評(píng)價(jià)和定量評(píng)價(jià)結(jié)果，證明該方法在研究區(qū)域是可行的。

關(guān)鍵詞：面向?qū)ο?GF-2影像;多尺度-光譜差異分割;水體信息提取

中圖分類號(hào)：TV213.4;TP75?文獻(xiàn)標(biāo)志碼：A

doi：10.3969/j.issn.1000-1379.2021.05.015

Abstract： The prerequisites and key step of object-oriented information extraction high-resolution remote sensing image is image segmentation. Based on the analysis of previous water information extraction methods， a new multiscale-spectral differential segmentation method was proposed. Firstly， taking an area in Kaifeng City of Henan Province as an example， the multi-scale segmentation method was used to segment the GF-2 image and determine the optimal segmentation scale; then， on the basis of ensuring the purity of land-cover category segmentation， the spectral differential segmentation was performed on the segmented images to obtain the best effect of water segmentation in the study area; finally， according to the characteristics of the mean value of water in the near-infrared band， a threshold value was set to extract the satisfactory water information results. Based on the visual and quantitative evaluation， the proposed method is proved to be feasible in the study area.

Key words： object-oriented method; GF-2 image; multiscale-spectral differential segmentation; water information extraction

水是人類和一切生物賴以生存和發(fā)展的物質(zhì)基礎(chǔ)。人口數(shù)量大幅度增長、社會(huì)經(jīng)濟(jì)快速發(fā)展、水資源分布不平衡，導(dǎo)致全球性的水資源短缺和水環(huán)境污染，極大地影響著社會(huì)的發(fā)展。采取科學(xué)、準(zhǔn)確、快速的方法對(duì)水資源水環(huán)境進(jìn)行監(jiān)測，適時(shí)掌握水資源水環(huán)境的變化信息，進(jìn)而采取相應(yīng)的措施，是水資源水環(huán)境有效利用、合理規(guī)劃和保護(hù)的關(guān)鍵。傳統(tǒng)的水體信息提取是通過野外測量的方式獲取，費(fèi)時(shí)費(fèi)力，不適合對(duì)水體信息及時(shí)獲取和實(shí)時(shí)監(jiān)測。隨著遙感影像空間分辨率的提高，遙感影像的應(yīng)用越來越廣泛。利用高分辨率遙感影像快速提取水體信息已成為水資源水環(huán)境動(dòng)態(tài)監(jiān)測的重要手段。

利用遙感影像提取水體信息的方法可分為基于像元和面向?qū)ο髢纱箢??；谙裨崛∷w信息方面，韓晶等[1]采用單波段閾值、譜間關(guān)系、光譜指數(shù)、光譜面積和決策樹等方法對(duì)SPOT多光譜影像水體信息提取進(jìn)行對(duì)比分析，結(jié)果表明光譜指數(shù)法最佳。劉桂林等[2]利用NDWI、MNDWI、單波段閾值、波譜間關(guān)系模型和新波譜間關(guān)系模型等對(duì)Landsat TM影像提取水體，結(jié)果表明波譜間關(guān)系模型是最優(yōu)的。王志輝等[3]采用5種植被指數(shù)，對(duì)洞庭湖水域的MODIS影像進(jìn)行水體信息提取對(duì)比分析，得出改進(jìn)的MNDWI效果最優(yōu)。胡衛(wèi)國等[4]基于資源一號(hào)02C衛(wèi)星影像水體信息提取，提出決策樹的方法。劉建波等[5]基于TM 影像，利用密度分割方法對(duì)水體的分布范圍進(jìn)行有效提取。李小濤等[6]基于SPOT5 影像紋理特征實(shí)現(xiàn)了水體信息的自動(dòng)提取，證明其提取結(jié)果比植被指數(shù)法分類效果好。周成虎等[7]在太湖等地區(qū)基于AVHRR影像，結(jié)合水體光譜知識(shí)的分類方法建立了水體描述模型，取得較好的效果。但是，基于傳統(tǒng)像元水體信息提取經(jīng)常會(huì)產(chǎn)生嚴(yán)重的“椒鹽效應(yīng)”和破碎圖斑[8]，難以達(dá)到精度要求。面向?qū)ο筇崛∷w信息方面，張成才等[9]基于ETM+影像，采用面向?qū)ο蟮姆指畛叨确椒ㄌ崛∷w信息，其分割精度明顯高于傳統(tǒng)像元方法;歲秀珍等[10]利用TM影像，面向?qū)ο蟛捎枚喑叨忍崛∷w信息，并建立了水體提取規(guī)則集;黃帥等[11]基于GF-1遙感影像多尺度分割提取水體信息，并與最大似然法提取水體信息比較，其結(jié)果比最大似然法精度高。吳文淵等[12]針對(duì)河網(wǎng)支流和細(xì)小水體信息無法準(zhǔn)確提取的問題，基于Landsat ETM+影像提出一種水體信息綜合提取方法。丁鳳[13]基于Landsat ETM+影像，利用新型水體指數(shù)（NWI）提取水體信息，獲得較好的提取效果，但對(duì)于沒有藍(lán)光波段或近、中紅外波段的遙感影像則不適用。陳晨等[14]基于WorldView-2影像，通過選擇適宜的分割尺度，并結(jié)合紋理、形狀、光譜等特征構(gòu)建合理有效的規(guī)則集，對(duì)研究區(qū)域水體信息進(jìn)行有效提取。于桓飛等[15]利用Pléiades遙感影像，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)初步提取水體信息，然后對(duì)提取的水體進(jìn)行優(yōu)化。沈金祥等[16]基于TM影像，采用面向?qū)ο蟮挠跋穹治龇椒ㄌ崛∩絽^(qū)湖泊的水體信息。宋英強(qiáng)等[17]通過AdaBoost算法，基于Landsat-8衛(wèi)星OLI遙感影像譜間關(guān)系、植被指數(shù)（NDVI）、水體指數(shù)（NDWI）和K-T變換濕度等特征相結(jié)合，實(shí)現(xiàn)水體的快速提取。朱小強(qiáng)等[18]基于Landsat 8衛(wèi)星影像，通過分析水體與不同地物的反射率及主分量特征，構(gòu)建溫度植被水體指數(shù)（TVWI），對(duì)不同類型的湖泊水體提取均獲得較好的效果。

地理環(huán)境的不同會(huì)導(dǎo)致遙感信息的復(fù)雜性，已有研究成果有效的方法對(duì)于多源遙感影像在不同的地理環(huán)境不具有普適性，只對(duì)某些特定的區(qū)域適用。GF-2（高分二號(hào)）是我國自主研制的首顆空間分辨率優(yōu)于1 m的民用光學(xué)遙感衛(wèi)星，為高精度提取水體信息提供了保障[19]。面向?qū)ο笮畔⑻崛∧軌虺浞掷眠b感影像的光譜、形狀和紋理等信息，本文基于GF-2影像，以開封市某區(qū)域?yàn)槔\(yùn)用面向?qū)ο蟮姆诸惣夹g(shù)，將多尺度分割與光譜差異分割相結(jié)合，在原有分割的基礎(chǔ)上，對(duì)分割對(duì)象進(jìn)一步優(yōu)化，得到水體最佳分割效果，然后根據(jù)水體的綜合信息特征，對(duì)研究區(qū)域水體進(jìn)行提取，并對(duì)其精度進(jìn)行評(píng)價(jià)，得到很好的提取效果。

1?數(shù)據(jù)源與影像預(yù)處理

以GF-2遙感影像作為數(shù)據(jù)源，其傳感器為全色和多光譜的高分辨率長焦距輕型相機(jī)[20]。全色影像數(shù)據(jù)只包含一個(gè)波段（0.45～0.90 μm），分辨率為1 m;多光譜影像數(shù)據(jù)包括藍(lán)波段（0.45～0.52 μm）、綠波段（0.52～0.59 μm）、紅波段（0.63～0.69 μm）和近紅外波段（0.77～0.89 μm）4個(gè)波段，每一種波段的分辨率為4 m[21]。當(dāng)選擇不同單波段遙感影像合成多波段遙感影像時(shí)，地物會(huì)顯示不同的顏色。

選擇河南省開封市某區(qū)域?yàn)檠芯繀^(qū)域，典型地物類型有水體、植被、建筑物、裸地等，區(qū)域大小為2 011×1 752個(gè)像元，成像時(shí)間為2017年5月25日15時(shí)57分2秒，影像為無云情景，成像質(zhì)量良好。

影像預(yù)處理主要包括影像校正、影像裁切和影像融合。首先校正原始GF-2全色影像，再以全色影像作為參考影像，校正多光譜影像;最后對(duì)全色影像和多光譜影像進(jìn)行融合，融合后的多光譜影像分辨率為1 m。融合后的影像亮度偏低、灰階較窄，在盡量保留融合后影像的光譜信息和空間信息的前提下，再進(jìn)行影像增強(qiáng)處理。研究區(qū)域的GF-2遙感影像經(jīng)增強(qiáng)處理后見圖1。

2?面向?qū)ο蠓指畹脑?/p>

2.1?多尺度分割

多尺度分割是一種從單像素對(duì)象開始的自下而上的區(qū)域增長技術(shù)[22]。其具體分割過程：相鄰影像對(duì)象如果符合規(guī)定的異質(zhì)性的最小生成，小的影像對(duì)象在兩兩聚類過程中，被相鄰對(duì)象合并為大的對(duì)象。如果最小生成超過由尺度參數(shù)定義的閾值，則分割停止，得到此尺度下的分割結(jié)果;調(diào)整尺度參數(shù)，若尺度參數(shù)比上一個(gè)尺度大，則在上一級(jí)影像對(duì)象之上，反之則在上一級(jí)影像對(duì)象之下。通過影像對(duì)象繼續(xù)合并或像素合并，直至生成新對(duì)象的異質(zhì)性再次大于尺度參數(shù)設(shè)定的閾值時(shí)結(jié)束，得到一個(gè)新的影像對(duì)象層。如此反復(fù)，可以得到多個(gè)尺度下的分割結(jié)果，進(jìn)而形成網(wǎng)絡(luò)層次結(jié)構(gòu)。

高分辨率遙感影像中相鄰的2 個(gè)影像區(qū)域合并后新生成的影像區(qū)域的異質(zhì)性f包括光譜異質(zhì)性hcolor和形狀異質(zhì)性hshape兩部分：

式中：c為波段數(shù)量;wc為各個(gè)波段所占權(quán)重;nmerge和σmergec分別為合并后新生成對(duì)象的像素總數(shù)及對(duì)應(yīng)影像光譜值的標(biāo)準(zhǔn)差;nobj1和σobj1c分別為合并前相鄰對(duì)象1的像素?cái)?shù)和對(duì)應(yīng)影像光譜值的標(biāo)準(zhǔn)差;nobj2和σobj2c分別為合并前相鄰對(duì)象2的像素?cái)?shù)和對(duì)應(yīng)影像光譜值的標(biāo)準(zhǔn)差。

形狀異質(zhì)性hshape計(jì)算公式為

在分割過程中，影像對(duì)象的生成受光譜異質(zhì)性和形狀異質(zhì)性標(biāo)準(zhǔn)制約。尺度參數(shù)的大小影響對(duì)象平均大小，若設(shè)置分割尺度參數(shù)大，則產(chǎn)生大的分割對(duì)象;若設(shè)置分割尺度參數(shù)小，則產(chǎn)生小的分割對(duì)象。在滿足必要的形狀標(biāo)準(zhǔn)的前提下，由于不同地物有不同的光譜特征，因此分割還要依據(jù)地物的光譜異質(zhì)性。

2.2?光譜差異分割

光譜差異分割算法是一個(gè)自下而上的分割，需要在已有影像對(duì)象基礎(chǔ)上，通過分析相鄰對(duì)象的均值層亮度差異是否滿足給定的閾值決定是否將鄰近的對(duì)象進(jìn)行合并，主要用于優(yōu)化已有的分割[23]。如果鄰近的影像對(duì)象的均值層的亮度差異小于給定的平均光譜差異，則該對(duì)象將被合并。多尺度分割根據(jù)設(shè)定的尺度將影像分割時(shí)會(huì)出現(xiàn)影像分割過度的情況，與光譜差異分割結(jié)合可將亮度較為接近的分割小對(duì)象合并成一個(gè)大對(duì)象，從而減少分割對(duì)象的數(shù)量，這樣與實(shí)際對(duì)象的邊緣更為接近。

3?面向?qū)ο蠓指钐崛≡囼?yàn)與分析

3.1?分割結(jié)果與分析

當(dāng)分割尺度不同時(shí)，會(huì)得到不同的水體分割效果。首先設(shè)置不同的分割尺度，對(duì)研究區(qū)域的GF-2影像進(jìn)行多尺度分割。形狀權(quán)重和緊致度權(quán)重分別為0.1、0.5，尺度參數(shù)分別為300、260、200時(shí)，分割結(jié)果如圖2所示。當(dāng)調(diào)整形狀權(quán)重和緊致度權(quán)重分別為0.4、0.9，尺度參數(shù)分別為300、260、200時(shí)，分割結(jié)果如圖3所示。

由圖2和圖3可知，尺度是兩個(gè)影像對(duì)象異質(zhì)性最大差異的衡量標(biāo)準(zhǔn)之一，參數(shù)設(shè)置越大，分割地塊面積也就越大。形態(tài)緊致的地物，若緊致度權(quán)重設(shè)置過小，會(huì)使地類分割破碎。研究區(qū)域形狀權(quán)重和緊致度權(quán)重分別為0.4、0.9時(shí)分割效果最佳，分割尺度為260時(shí)效果相對(duì)較好，但存在分割的水體稍微超出邊界的情況。保持形狀權(quán)重和緊致度權(quán)重分別為0.4、0.9不變，調(diào)整分割尺度為255，得到的多尺度分割效果最佳（見圖4）。

由圖4可見，同一地類在光譜信息有差別的地方會(huì)分割出若干個(gè)對(duì)象，此時(shí)需結(jié)合光譜差異分割算法，對(duì)當(dāng)前圖層設(shè)置不同的光譜差異閾值并將光譜信息類似的相鄰像元進(jìn)行合并。調(diào)整光譜差異的閾值至50時(shí)（見圖5），可以看出，分割后既保證了各個(gè)對(duì)象之間的異質(zhì)性，又保證了整幅影像中每一類地物分割塊的純度[24]，此時(shí)為研究區(qū)域水體分割的最佳效果。

3.2?水體信息提取

通過多尺度分割-光譜差異分割，產(chǎn)生若干個(gè)待區(qū)分的影像對(duì)象。如果要提取待區(qū)分遙感影像對(duì)象中的水體信息，還需要利用遙感影像中水體對(duì)象的固有特征（如光譜特征等），這些特征可以從構(gòu)建的水體樣本的知識(shí)庫中獲取，當(dāng)與水體知識(shí)庫中的相應(yīng)特征一致時(shí)，就認(rèn)為該對(duì)象為水體。水體的反射主要在藍(lán)綠光波段，其他波段的吸收率很強(qiáng)，特別在近紅外波段的反射率幾乎為零，在此波段水體通常顯示為暗色調(diào)[25]。水中含有泥沙時(shí)，在可見光波段的反射率會(huì)增大，峰值會(huì)出現(xiàn)在黃紅區(qū);當(dāng)水中含有水生植物葉綠素時(shí)，近紅外波段反射率明顯增大，因此分類水體通常采用與近紅外波段有關(guān)的特征：近紅外波段均值、植被指數(shù)（NDVI）、水體指數(shù)（NDWI）和土壤指數(shù)（NDSI）等[26]。根據(jù)研究區(qū)域影像對(duì)象在近紅外波段均值特征來提取水體對(duì)象，通過查看水體對(duì)象近紅外波段的特征值范圍，調(diào)整影像對(duì)象近紅外波段的最大值小于水體近紅外波段的最大值。研究區(qū)水體的分割尺度閾值設(shè)置為300時(shí)提取的水體輪廓見圖6。根據(jù)提取的水體輪廓，最終提取的水體信息見圖7。

3.3?精度評(píng)價(jià)

遙感影像信息提取精度評(píng)價(jià)一般分目視判讀評(píng)價(jià)和定量精度評(píng)價(jià)兩個(gè)方面。通過目視判讀，可以看到提取的研究區(qū)水體信息與實(shí)際水體基本吻合（見圖6、圖7）。定量精度評(píng)價(jià)是基于混淆矩陣對(duì)研究區(qū)域提取水體信息，具體方法：建立研究區(qū)域GF-2影像和提取水體信息分類后的影像之間的關(guān)聯(lián)，在影像上隨機(jī)選取1 000個(gè)點(diǎn)作為檢核點(diǎn)，結(jié)合影像外業(yè)調(diào)繪數(shù)據(jù)和其他輔助數(shù)據(jù)，進(jìn)行精度評(píng)價(jià)。本文水體提取的總體精度為90.85%，Kappa系數(shù)為0.89。

4?結(jié)?論

基于GF-2影像，提出多尺度-光譜差異分割方法，在原有多尺度分割的基礎(chǔ)上進(jìn)一步優(yōu)化分割效果，再根據(jù)水體的綜合特征對(duì)水體信息進(jìn)行提取，得出結(jié)論如下。

（1）通過對(duì)研究區(qū)域GF-2影像多尺度分割，得出水體提取的最優(yōu)尺度參數(shù)為255、形狀權(quán)重和緊致度權(quán)重分別為0.4、0.9。

（2）對(duì)多尺度分割后的影像對(duì)象設(shè)置光譜差異閾值為50，可得到研究區(qū)域水體分割最佳效果。

（3）通過水體知識(shí)庫特征，利用水體近紅外波段均值，設(shè)置閾值為300，可提取到較為滿意的水體信息。

（4）對(duì)分割后的影像對(duì)象進(jìn)行水體信息提取，目視判讀表明其與實(shí)際水體基本吻合;定量評(píng)價(jià)得到水體提取的總體精度為90.85%、Kappa系數(shù)為0.89，說明本文所提出的水體信息提取方法是可行的。

參考文獻(xiàn)：

[1]?韓晶，鄧喀中，范洪冬.利用波段合成研究SPOT多光譜影像水體提取方法[J].全球定位系統(tǒng)，2012，37（5）：76-80.

[2]?劉桂林，張落成，劉劍，等.基于Landsat TM影像的水體信息提取[J].中國科學(xué)院大學(xué)學(xué)報(bào)，2013，30（5）：644-650.

[3]?王志輝，易善楨.不同指數(shù)模型法在水體遙感提取中的比較研究[J].科學(xué)技術(shù)與工程，2007，7（4）：534-537.

[4]?胡衛(wèi)國，孟令奎，張東映，等.資源一號(hào) 02C 星圖像水體信息提取方法[J].國土資源遙感，2014，26（2）：43-47.

[5]?劉建波，戴昌達(dá). TM 圖像在大型水庫庫情監(jiān)測管理中的應(yīng)用[J].環(huán)境遙感，1996，11（1）：53-58.

[6]?李小濤，黃詩峰，郭懷軒.基于紋理特征的SPOT5影像水體提取方法研究[J].人民黃河，2010，32（12）：5-6.

[7]?周成虎，杜云艷，駱劍承.基于知識(shí)的AVHRR影像的水體自動(dòng)識(shí)別方法與模型研究[J].自然災(zāi)害學(xué)報(bào)，1996，5（3）：100-108.

[8]?周文鑫，何隆華，馬榮華，等.基于面向?qū)ο蟮腡M_LBV變換水體信息提取[J].中國科學(xué)院研究生院學(xué)報(bào)，2012，29（6）：775-779.

[9]?張成才，李艷樺，姚亮亮.面向?qū)ο蟮?ETM +影像分割尺度與水體信息提取[J].人民黃河，2014，36（7）：54-56.

[10]?歲秀珍，阮仁宗，馬榮華，等.面向?qū)ο蟮亩喑叨人w信息提取[J].地理空間信息，2012，10（6）：72-75.

[11]?黃帥，丁建麗，李艷華.面向?qū)ο蟮膰a(chǎn)GF-1遙感影像水體信息提取研究[J].人民長江，2016，47（5）：23-28.

[12]?吳文淵，沈曉華，鄒樂君，等.基于Landsat ETM+影像的水體信息綜合提取方法[J]. 科技通報(bào)，2008，24（2）：252-259，271.

[13]?丁鳳.基于新型水體指數(shù)（NWI）進(jìn)行水體信息提取的實(shí)驗(yàn)研究[J]. 測繪科學(xué)，2009，34（4）：155-157.

[14]?陳晨，陳靜欣，李向前，等.面向?qū)ο蟮母叻直媛视跋袼w信息提取研究[J].人民黃河，2013，35（9）：68-70，73.

[15]?于桓飛，田文婷，王新，等.面向?qū)ο蟮某擎?zhèn)水體信息提取技術(shù)研究[J].浙江水利水電學(xué)院學(xué)報(bào)，2016，28（5）：74-79.

[16]?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].國土資源遙感，2012，24（3）：84-91.

[17]?宋英強(qiáng)，楊聯(lián)安，許婧婷，等.基于Landsat-8衛(wèi)星OLI遙感影像和AdaBoost算法的水體信息提取[J].測繪地理信息，2017，42（3）：44-47.

[18]?朱小強(qiáng)，丁建麗，夏楠，等.一種穩(wěn)定閾值的湖泊水體信息提取方法[J].資源科學(xué)，2019，41（4）：790-802.

[19]?王俊海，阮仁宗，柴穎，等.基于高分二號(hào)的面向?qū)ο蟪鞘兴w信息提取[J].地理空間信息2018（9）：34-37，40.

[20]?鄒橙. 基于GF-2遙感影像的水體信息提取方法研究[D].合肥：合肥工業(yè)大學(xué)，2019：12.

[21]?任金銅，楊武年，鄧曉宇，等.基于OIF和最優(yōu)尺度分割的GF-2影像分類適用性研究[J].現(xiàn)代電子技術(shù)，2018，41（8）：72-77，82.

[22]?黎小東.面向?qū)ο蟮母呖臻g分辨率遙感影像城市建筑物震害信息提取[D].成都：成都理工大學(xué)，2009：13.

[23]?吳俐民，左小清，倪曙，等.衛(wèi)星遙感影像專題信息提取[M].成都：西南交通大學(xué)出版社，2013：271.

[24]?段秋亞，孟令奎，樊志偉，等.GF-1衛(wèi)星影像水體信息提取方法的適用性研究[J].國土資源遙感，2015，27（4）：79-84.

[25]?孫家抦.遙感原理與應(yīng)用[M].3版.武漢：武漢大學(xué)出版社，2013：21.

[26]?關(guān)元秀，王學(xué)恭，郭濤，等.eCognition基于對(duì)象影像分析教程[M].北京：科學(xué)出版社，2018：49.

【責(zé)任編輯?張華興】