影像圖中水體識(shí)別與提取技術(shù)研究綜述

趙晨曦 胡敬芳 宋鈺 高國(guó)偉 胡平

1. 北京信息科技大學(xué) 傳感器北京市重點(diǎn)實(shí)驗(yàn)室，北京 100101；

2. 北京信息科技大學(xué) 現(xiàn)代測(cè)控技術(shù)教育部重點(diǎn)實(shí)驗(yàn)室，北京 100192；

3. 北京國(guó)科艦航傳感技術(shù)有限公司，北京 100101

0 前言

在人類生活、生產(chǎn)等方面，水資源是一種非常重要的資源，發(fā)揮著重要的作用?？焖俨⑶覝?zhǔn)確地提取水體信息，在水資源規(guī)劃和調(diào)查、預(yù)防洪水災(zāi)害和船舶航行中具有重要意義。遙感圖像不直接與物體相互接觸、不對(duì)其他物體造成破壞，能夠動(dòng)態(tài)地對(duì)其進(jìn)行廣泛而深入的檢測(cè)，它的分辨率很高，而且具有成像周期相對(duì)較短、實(shí)時(shí)性強(qiáng)、不受地域限制的特點(diǎn)。傳統(tǒng)水體信息的獲取方式主要包括2類，分別為人工野外測(cè)量和水文監(jiān)測(cè)站的監(jiān)測(cè)。人工勘測(cè)可以得到較為精確的水體信息，但往往需要耗費(fèi)大量的人力物力以及時(shí)間，在測(cè)量過程中也會(huì)存在一定的危險(xiǎn)性，此類方法對(duì)于高時(shí)空頻率水資源的收集并不具有適用性，遙感圖像有利于高分辨率的遙感圖像水體信息的獲取，彌補(bǔ)了人工野外觀察耗時(shí)耗力等問題。

現(xiàn)如今，已經(jīng)有多種提取算法用于水體識(shí)別，例如最早的閾值法、分類器法，再到目前熱門的神經(jīng)網(wǎng)絡(luò)算法以及深度學(xué)習(xí)法。閾值法操作簡(jiǎn)單但精度較低，只適用于地勢(shì)平坦、水域較為寬闊的水體識(shí)別；分類器法精度相對(duì)于閾值法較高，但實(shí)現(xiàn)難度較高，無法實(shí)現(xiàn)全自動(dòng)化水體提取；深度學(xué)習(xí)算法目前已經(jīng)可以基本實(shí)現(xiàn)全自動(dòng)化水體提取，精度隨學(xué)者們的不斷研究也在逐漸升高[1]。本文通過對(duì)比分析各類研究方法在速度、精度以及自動(dòng)化程度存在的問題，直觀地了解這一研究領(lǐng)域的進(jìn)展。

1 水體提取研究現(xiàn)狀

遙感水體提取技術(shù)現(xiàn)階段已經(jīng)能夠?qū)⒐庾V與空間信息進(jìn)行結(jié)合，極大提升了技術(shù)的實(shí)用價(jià)值。最初，水體提取只能通過人工野外測(cè)量來獲取水體信息，此后不斷發(fā)展到將半自動(dòng)化作為核心的提取方法。在這之后，全自動(dòng)化水體的提取得到進(jìn)一步完善，多元遙感數(shù)據(jù)下的深度學(xué)習(xí)算法解決了全自動(dòng)化水體提取中的精度問題，分別針對(duì)不同應(yīng)用領(lǐng)域?qū)崿F(xiàn)了高精度提取。然而，遙感圖像中的陰影、云層遮擋、亮度不同仍會(huì)對(duì)水體提取的精度產(chǎn)生影響，對(duì)于這些課題的研究在水體識(shí)別、分割、目標(biāo)檢測(cè)中具有重要的意義。遙感水體發(fā)展歷程如圖1所示。

2010 年之前，遙感技術(shù)尚未像現(xiàn)在一樣先進(jìn)，圖像質(zhì)量不清晰等問題嚴(yán)重影響著水體提取的精度，通常只能夠?qū)崿F(xiàn)以像素波段間為核心的運(yùn)算與分析。周成虎等人[2]發(fā)現(xiàn)，在TM影像（Thematic mapper所獲取的掃描影像）中，水體具有一種特別的譜間特征，其灰度值為：

TM2+TM3>TM4+TM5 （1）其中，TM2表示0.52～0.60 μm，綠光波段；TM3表示0.63～0.69 μm，紅光波段；TM4表示0.76～0.90 μm，近紅外波段；TM5表示1.55～ 1.75 μm，中紅外波段。

MCFEETERS S K等人[3]結(jié)合植被指數(shù)進(jìn)行分析，通過2個(gè)主要波段建立了歸一化差異水體指數(shù)，針對(duì)這一方法研究出了在不同條件下的水體指數(shù)，成為了當(dāng)時(shí)的熱門研究對(duì)象并逐漸發(fā)展成為水體提取的主要方法。

2010 年之后，針對(duì)水體提取的精度問題，面向?qū)ο蠓ǖ玫竭M(jìn)一步完善，在精度方面得到極大提升。崔齊等人[4]探討了一類實(shí)現(xiàn)空間高分辨率遙感影像的方式，采取了面向?qū)ο?，結(jié)合矢量約束提升實(shí)際的提取效果，解決了傳統(tǒng)閾值法不能夠?qū)?xì)小水體進(jìn)行精確提取的問題。由于影像質(zhì)量的影響以及外界環(huán)境變化，傳統(tǒng)的閾值法提取的精度就會(huì)大幅降低；面向?qū)ο蟮目乖肓軓?qiáng)，隨著高分辨率影像的興起，影像中的一些細(xì)小水體變得更加明顯清晰，通過將紋理和空間信息及其他區(qū)域信息的結(jié)合和匹配，水體的提取精度也就會(huì)提高。

2015 年之后，研究學(xué)者為圖像匹配校準(zhǔn)做出了巨大的貢獻(xiàn)，提出了多元化的新型技術(shù)。光學(xué)影像在水體識(shí)別應(yīng)用時(shí)存在一定限制，云層和陰影對(duì)最終提取效果產(chǎn)生的影響較為突出；SAR圖像對(duì)于淺水和陰影區(qū)域具有比較良好的適用性，可以充分利用雷達(dá)數(shù)據(jù)所具有的優(yōu)勢(shì)，進(jìn)而為水體提取提供一定便利。當(dāng)前來講，半自動(dòng)化的水體提取技術(shù)已逐步完善，實(shí)現(xiàn)全自動(dòng)化的水體提取是主要的研究方向，有著人腦運(yùn)轉(zhuǎn)機(jī)制的深度學(xué)習(xí)方法成為了此研究領(lǐng)域的熱門[5]。

深度學(xué)習(xí)方法利用信息融合技術(shù)以及多種網(wǎng)絡(luò)來構(gòu)建水體提取模型[6]。在實(shí)際河流遙感圖像中，背景大多是復(fù)雜異構(gòu)的，傳統(tǒng)的檢測(cè)方法不能識(shí)別出小的支流，邊緣信息粗糙[7]。為了解決上述問題，XIA M等人[8]提出一種基于不同大小融合的可分離殘差網(wǎng)絡(luò)。該方法利用殘差神經(jīng)網(wǎng)絡(luò)作為主干網(wǎng)絡(luò)獲取河流的信息特征，通過不同尺度的模塊將深度特征信息與淺層特征信息融合。利用淺特征和大尺度注意模塊對(duì)河流的主要位置進(jìn)行定位，利用深特征和小尺度注意模塊對(duì)河流邊緣進(jìn)行精細(xì)分割，從而從背景中準(zhǔn)確提取河流。LIU P等人[9]提出一種新的全卷積網(wǎng)絡(luò)，其中空間殘差SRI模塊通過連續(xù)融合多層次特征來實(shí)現(xiàn)語義理解，為了提高計(jì)算效率，引入了深度可分離卷積和卷積分解，顯著減少了模型參數(shù)的數(shù)量。XIA M等人[10]提出一種加權(quán)密連卷積網(wǎng)絡(luò)（W-DenseNet）用于強(qiáng)化學(xué)習(xí)。通過跨層連接使網(wǎng)絡(luò)中各層之間的信息流最大化，減少了梯度消失和退化的現(xiàn)象，大大提高了訓(xùn)練收斂速度。WENG L G等人[11]針對(duì)訓(xùn)練過程中參數(shù)過多、精度低、網(wǎng)絡(luò)退化等問題，提出了一種可分離殘差SR-SegNet算法。SR-SegNet算法一方面通過引入深度可分離卷積來限制參數(shù)數(shù)量，提高了特征提取能力；另一方面，SR-SegNet在編碼階段去除卷積核相對(duì)較多的卷積層，并采用級(jí)聯(lián)方法融合圖像的低層和高層特征。實(shí)驗(yàn)結(jié)果表明，與FCN、DeconvNet和SegNet等傳統(tǒng)方法相比，該方法具有顯著的改進(jìn)，以上方法的對(duì)比分析如表1所示[11]。

表1 FCN、DeconvNet、SegNet與SR-SegNet算法對(duì)比

2 水體特征及提取過程

水體具有多種特征，在分析處理遙感影像的過程中，需要明確每一特征，重點(diǎn)涉及到光譜特征、空間特征等多個(gè)方面。水體污染、云層陰影的遮擋或水體中泥沙含量的不同都會(huì)對(duì)光譜特征產(chǎn)生影響。腐殖質(zhì)、有機(jī)、無機(jī)等污染物少的優(yōu)良水質(zhì)對(duì)陽(yáng)光能夠表現(xiàn)出較為顯著的吸收性和較小的散射性。與另外的地物相比，優(yōu)良水體未超過遙感傳感器的波長(zhǎng)區(qū)間，實(shí)際的反射率相對(duì)較低。現(xiàn)實(shí)生活中的水體還會(huì)含有其他不同的物質(zhì)，水體反射光譜特征也會(huì)根據(jù)其物質(zhì)的不同發(fā)生不同的變化。

空間特征是地理現(xiàn)象最為核心的特征，其重點(diǎn)涉及到形狀特征、紋理特征等多個(gè)方面。在自然生態(tài)環(huán)境中，水體的形狀不確定，主要涉及到2類形狀特征：一種是線狀特征，以江河支流為代表；另一種是多邊形特征，具有不規(guī)則性，以湖泊和海洋為代表[12]。水體具有顯著的連續(xù)性，每條河流都是不會(huì)突然中斷的地物，與其他河流有著一定的交叉匯合，這個(gè)特性可為水體提取提供參考。

2.1 水體特征關(guān)鍵參數(shù)識(shí)別

遙感圖像中蘊(yùn)含著許多水體特征中的參數(shù)信息，例如水體顏色、邊界輪廓以及不同光譜段屬性等。水體中不同的泥沙含量會(huì)嚴(yán)重影響水體的顏色，河流的交叉匯聚和河寬的變化也給水體的邊界提取增大了難度。目前需要攻克的問題就是找到一種能夠從充滿噪聲、不確定性和不完全性的海量信息當(dāng)中提取出精確水體信息的方法。

2.2 提取過程

對(duì)于特征提取而言，主要是以遙感影像為基礎(chǔ)提取有價(jià)值的信息。在對(duì)水體特征進(jìn)行處理時(shí)，通常將預(yù)處理作為首要步驟，遙感圖像預(yù)處理過程流程圖如圖2所示。水體提取的方法眾多，例如閾值法適用于平坦地區(qū)，面向?qū)ο蠓ㄟm用于細(xì)小水體，在獲得預(yù)處理的遙感圖像后，針對(duì)于不同的水體特征選擇適合的具體水體提取方法再進(jìn)行提取。

3 水體信息提取算法

本文將分別從光學(xué)（Optical）影像與合成孔徑雷達(dá)（Synthetic Aperture Radar，SAR）影像2個(gè)方面對(duì)水體信息提取算法進(jìn)行簡(jiǎn)要概述。光學(xué)圖像內(nèi)存在實(shí)現(xiàn)分類提取和目標(biāo)識(shí)別功能的灰度信息，這些信息由數(shù)個(gè)波段組成；SAR圖像采用二進(jìn)制復(fù)數(shù)的形式記錄一個(gè)波段的回波信息，由于能夠變換各個(gè)像素的數(shù)據(jù)，可以利用這一點(diǎn)來實(shí)現(xiàn)相位信息和相應(yīng)振幅的提取。

3.1 基于Optical影像水體提取算法

3.1.1 閾值法

（1）單波段法

單波段閾值法的原理是選取單一的近紅外波段，通過多次試驗(yàn)確定某一灰度閾值將目標(biāo)地物與背景區(qū)分。FRAZIER P S等人[13]以澳大利亞Wagga 湖的水體為例，通過閾值法進(jìn)行提取得到的結(jié)果顯示 TM5 提取效果更為理想。針對(duì)單波段法來講，對(duì)于地勢(shì)較為平坦、背景不復(fù)雜的地區(qū)具有良好的適用性。此方法是最簡(jiǎn)易的水體提取方法，但有很多的局限性，所以多波段法已逐步成為主流，絕大多數(shù)研究都會(huì)將2類方法搭配應(yīng)用，進(jìn)而提升水體信息的提取效果。

（2）多波段法

多波段法一般包括2種類型，分別為譜間關(guān)系法和水體指數(shù)法。譜間關(guān)系法的原理是用邏輯判別表達(dá)式對(duì)指定的地物進(jìn)行提取，該方法對(duì)某些非常規(guī)的水文特征不具有適用性。賈永紅等人[14]提出一種將濕度分量作為核心的譜間關(guān)系模型，其對(duì)應(yīng)的表達(dá)式為：

其中，B2表示綠色波段；B4表示近紅外波段；B7表示短紅外波段；KT3表示濕度分量。

譜間關(guān)系法對(duì)于山區(qū)水體的提取具有較強(qiáng)的適用性，穩(wěn)定性好，能夠?qū)⑺w和山體陰影進(jìn)行有效區(qū)分。但這種方法操作起來十分繁瑣，需要用到較多的邏輯判斷，若判斷出錯(cuò)，往往會(huì)將建筑物錯(cuò)誤地判定為水體，特別是在水植混合區(qū)域，實(shí)際的提取效果往往不太理想，不具備通用性。

水體指數(shù)法是結(jié)合不同光波段的比值進(jìn)行運(yùn)算，明確相應(yīng)的水體指數(shù)，綜合閾值完成提取操作。歸一化差異水體指數(shù)是由McFeeters提出的，其參考了歸一化差異植被指數(shù)的理念，相應(yīng)的表達(dá)式為：

這種方法對(duì)復(fù)雜背景的圖像提取效果差，仍需要圖像校準(zhǔn)過程。孟偉燦等人[15]探討了一類全新的水體指數(shù)，用于解決波段信息較為單一的問題，這種指數(shù)主要通過2個(gè)波段明確綜合水體指數(shù)（CWI），分別為V波段和Sat波段，經(jīng)研究發(fā)現(xiàn)，利用該水體指數(shù)水體的光譜值比以往要高，而背景值則相對(duì)以往下降。該表達(dá)式為：

其中，Sat波段為4、3、2波段進(jìn)行HSV變換得到； V波段為2、3、4、5波段進(jìn)行LBV變換得到。

經(jīng)對(duì)比分析，各種水體指數(shù)都能夠有效提取水體，其中利用新型水體指數(shù)提取水體的效果最好。然而，水體指數(shù)法針對(duì)濕地等反射強(qiáng)度大、散射復(fù)雜的目標(biāo)存在不準(zhǔn)確甚至誤識(shí)別的情況。

3.1.2 分類器法

（1）Support Vector Machine法

此類方法主要參考了機(jī)器學(xué)習(xí)方法[16]，即便樣本量很少，通過該方法也可得到較為理想的分類結(jié)果[17]。核函數(shù)在SVM法中起著重要的作用。選取最為適用的核函數(shù)類型，并對(duì)核函數(shù)參數(shù)進(jìn)行合理的設(shè)置，可以明確該方法性能[18]。按照這種方法，段秋亞等人[19]將鄱陽(yáng)湖區(qū)作為研究的實(shí)例，通過2塊尺寸不盡相同的GF-1衛(wèi)星影像進(jìn)行測(cè)試分析，判斷各類方法的實(shí)用效果，結(jié)果表明，在各類主流方法中，SVM法的提取精度最為理想；張德軍等人[20]以三峽庫(kù)區(qū)水體為例，結(jié)合收集的GF-1數(shù)據(jù)對(duì)目標(biāo)水體完成提取操作，最后得到的數(shù)據(jù)顯示，SVM法在精度方面具有非常顯著的優(yōu)勢(shì)，然而在細(xì)節(jié)方面難以進(jìn)行良好的處理，尤其是河流的邊界或一些細(xì)小的水體。

（2）決策樹法

決策樹分類法的重點(diǎn)是結(jié)合一些重要條件對(duì)初始數(shù)據(jù)展開細(xì)化處理，通過決策樹能夠明確各像素的正確類型。程晨等人[21]將鄱陽(yáng)湖濕地作為探討的實(shí)例，開發(fā)了特殊的4層分類器，根據(jù)要求進(jìn)行纓帽變換，結(jié)合要求構(gòu)建決策樹模型，最后得到的數(shù)據(jù)顯示其提取效果非常出眾。決策樹分類法能夠表現(xiàn)出多樣性的特點(diǎn)，例如具有較強(qiáng)的靈活性，運(yùn)算效率十分突出，可以規(guī)避物譜存在偏差所導(dǎo)致的各類問題，在各類提取結(jié)果中，空間分布的地物有一定概率出現(xiàn)錯(cuò)提的情況。

（3）面向?qū)ο蠓?/p>

相關(guān)實(shí)驗(yàn)結(jié)果顯示[22]，在近紅外區(qū)間內(nèi)，水體所表現(xiàn)出的光譜特性與水面粗糙度存在緊密的聯(lián)系[23]，在產(chǎn)生高分影像之后，水體提取能夠良好地兼顧水面紋理數(shù)據(jù)，使目標(biāo)逐步提升至對(duì)象層次[24]。面向?qū)ο蠓梢岳枚鄻有缘乃惴ǎ雇|(zhì)像元構(gòu)成大小存在差異的對(duì)象對(duì)目標(biāo)影像信息有效提取[25]。水體受到陰影的影響，在完成多尺度分割之后，綜合光譜信息和空間拓?fù)潢P(guān)系能夠?qū)﹃幱安糠趾退w進(jìn)行準(zhǔn)確區(qū)分[26]。王俊海等人[27]將光譜數(shù)據(jù)和形狀信息作為核心，結(jié)合紋理數(shù)據(jù)有效降低了城市陰影產(chǎn)生的干擾。崔齊等人[4]提出了一類通過矢量約束提升水體提取精度的方法，通過該方法可以降低地物陰影等產(chǎn)生的影響，對(duì)細(xì)小水體信息實(shí)現(xiàn)了高精度的提取。

3.1.3 其他方法

（1）Back propagation神經(jīng)網(wǎng)絡(luò)法

對(duì)于該網(wǎng)絡(luò)而言，信號(hào)具有前向傳播的特性。為了能夠解決常規(guī)方法要求對(duì)閾值進(jìn)行設(shè)置的問題，楊文亮等人[28]參考BP 神經(jīng)網(wǎng)絡(luò)，并對(duì)方法的有效性進(jìn)行了檢驗(yàn)。針對(duì)人工神經(jīng)網(wǎng)絡(luò)法來講，它是比較典型的監(jiān)督分類方法，能夠明確樣本的閾值，大幅度縮減了主觀選擇閾值所形成的誤差，該方法在具體應(yīng)用的過程中存在一定限制，可能會(huì)陷入局部極小的情況，運(yùn)行時(shí)間難以控制。

（2）深度學(xué)習(xí)法

深度學(xué)習(xí)是近些年高新技術(shù)最為典型的一類，在2006年被提出后就受到了業(yè)界的高度關(guān)注[29]。這種方法能夠體現(xiàn)出較好的特征表達(dá)能力，利用深度神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)提取目標(biāo)比較重要的特征是全自動(dòng)提取的必要前提。王雪等人[30]運(yùn)用構(gòu)建的全卷積神經(jīng)網(wǎng)絡(luò)模型進(jìn)行試驗(yàn)分析，結(jié)果顯示，全卷積神經(jīng)網(wǎng)絡(luò)模型與常規(guī)的方法相比具有明顯優(yōu)勢(shì)，自動(dòng)化水平相對(duì)較高，可以表現(xiàn)出更強(qiáng)的適用性，提取精度也十分理想。梁澤毓等人[31]重點(diǎn)應(yīng)用多元遙感數(shù)據(jù)下的深度學(xué)習(xí)方法，對(duì)安徽段的水體進(jìn)行提取操作，實(shí)現(xiàn)了全自動(dòng)化處理。

3.2 基于SAR影像的水體提取

3.2.1 SAR圖像預(yù)處理

針對(duì)SAR圖像而言，其空間分辨率相對(duì)較低，噪聲比較繁雜，獲取的數(shù)據(jù)不精確，一般需要先對(duì)其圖像進(jìn)行幾何校正、裁剪、鑲嵌、融合等操作。幾何校正的步驟為：按照“不受時(shí)間影響”的原則明確地面控制點(diǎn)，比如河流交叉點(diǎn)等；在圖像及其參考圖像上對(duì)所有控制點(diǎn)的坐標(biāo)進(jìn)行讀取，再依托公式對(duì)所有控制點(diǎn)的均方根誤差進(jìn)行計(jì)算，以所得值為依據(jù)明確所有控制點(diǎn)幾何校正的精度。裁剪圖像的用意是去除研究區(qū)之外的區(qū)域。在鑲嵌圖像的過程中，應(yīng)當(dāng)選取某影像作為參考圖，用作輸出鑲嵌圖像的基準(zhǔn)，對(duì)輸出圖像的像元尺寸、數(shù)據(jù)類型，以及鑲嵌圖像的對(duì)比度匹配予以明確。圖像融合可以將低分辨率的多光譜影像與高分辨率的單波段影像重采樣生成一幅高分辨率多光譜影像。這些研究為更好地在SAR圖像中準(zhǔn)確識(shí)別水體提供了理論和方法支撐。

為避免圖像輻射值因非地物變化引起的差異，可以采用相對(duì)輻射校正方法和絕對(duì)輻射校正方法。前者的原理是選取2幅圖像，其中一副為參考，對(duì)另外一副的DN值進(jìn)行調(diào)整，保證同名地物在兩時(shí)相圖上的DN值相同，通過多時(shí)相遙感圖像的光譜歸一化處理，能夠進(jìn)一步明確各時(shí)相遙感圖像對(duì)應(yīng)的不同輻射值，達(dá)到動(dòng)態(tài)監(jiān)測(cè)的目的；后者的原理則是用真實(shí)的地表反射率來表示遙感圖像的DN值，主要以圖像過境時(shí)的地表測(cè)量數(shù)據(jù)作為依據(jù)，對(duì)大氣和傳感器進(jìn)行校正時(shí)，考慮到地形起伏等因素，實(shí)施起來存在一定難度，能夠達(dá)到此條件的遙感圖像比較少。因此，為解決圖像輻射值差異，實(shí)際應(yīng)用中多采用輻射校正方法對(duì)水體進(jìn)行識(shí)別。

3.2.2 基于SAR影像的水體提取算法

在淺水區(qū)域，SAR圖像能夠提供有效的數(shù)據(jù)，充分利用雷達(dá)數(shù)據(jù)所具有的優(yōu)勢(shì)可以為水體提取提供一定幫助。該類方法中比較具有代表性的包括灰度閾值分割法、基于灰度共生矩陣紋理信息的方法等。

（1）閾值法

這種方法根據(jù)表面平滑性相對(duì)較強(qiáng)的水體在SAR圖像中的特殊性質(zhì)，利用閾值對(duì)影像進(jìn)行劃分，主要包括水體與非水體的二值圖。曹云剛等人[32]對(duì)ASAR數(shù)據(jù)進(jìn)行充分利用，通過該方法成果完成了水體提取工作。申邵洪等人[33]以 KI算法為核心，對(duì)水體數(shù)據(jù)進(jìn)行準(zhǔn)確提取。李景剛等人[34]在進(jìn)行實(shí)驗(yàn)的過程中，重點(diǎn)應(yīng)用了最大類間方差閾值法，并對(duì)其進(jìn)行了一定改進(jìn)，最后得到的數(shù)據(jù)顯示，通過Otsu法獲取的水體信息具有相對(duì)較高的精度。

（2）基于Digital Elevation Model數(shù)據(jù)

受到地形因素的影響，SAR圖像會(huì)形成一定的地形陰影，通過閾值法進(jìn)行水體提取時(shí)，陰影也會(huì)被提取出來，可以通過 DEM 模擬SAR，利用陰影的特征對(duì)其進(jìn)行準(zhǔn)確提取。楊存建等人[35]通過SAR清除水體內(nèi)的陰影，最終實(shí)現(xiàn)半自動(dòng)提取。HONG S等人[36]重點(diǎn)對(duì)SAR、 DEM 數(shù)據(jù)等進(jìn)行應(yīng)用，最后的結(jié)果表明，提取精度得到顯著優(yōu)化。

（3）基于濾波法

濾波法是現(xiàn)階段應(yīng)用最為廣泛的方法，將形態(tài)學(xué)濾波作為核心，通過多樣性的濾波算法對(duì)SAR圖像所涵蓋的斑點(diǎn)噪聲進(jìn)行抑制，以此增加水體提取的精度。王棟等人[37]建立了完善的序列非線性濾波模型，對(duì)亮度相對(duì)較低的區(qū)域進(jìn)行提取，得到的效果非常理想。Klemenja KS等人[38]將形態(tài)學(xué)濾波和監(jiān)督分類方法進(jìn)行搭配應(yīng)用，通過訓(xùn)練樣本對(duì)河網(wǎng)進(jìn)行提取，最后得到的數(shù)據(jù)顯示，在無需其他用戶輸入的條件下，這種方法能夠在多種數(shù)據(jù)集中進(jìn)行應(yīng)用?；谛〔ㄗ儞Q的方法在應(yīng)用時(shí)，若水體邊緣線光滑性較差，受到形態(tài)結(jié)構(gòu)元素的影響，往往會(huì)導(dǎo)致邊緣特征出現(xiàn)一定誤差，實(shí)際的精度不夠理想。

（4）基于灰度共生矩陣

灰度共生矩陣能夠構(gòu)建多維特征空間，在對(duì)樣本進(jìn)行充分積累之后，SAR圖像所涵蓋的噪聲能夠得到有效清除，進(jìn)而使“椒鹽現(xiàn)象”的問題獲得解決，優(yōu)化了整體的提取精度。LYU W T等人[39]通過SVM對(duì)目標(biāo)區(qū)域進(jìn)行提取，與常規(guī)的閾值法進(jìn)行對(duì)比，這種方法可以將水域和其他的地形有效區(qū)分，提升水體提取精度。胡德勇等人[40]在進(jìn)行實(shí)驗(yàn)分析的過程中，將紋理信息和SVM分類作為核心，通過居民地信息提取方法對(duì)目標(biāo)地區(qū)信息進(jìn)行提取。

3.3 光學(xué)與雷達(dá)遙感數(shù)據(jù)結(jié)合的提取方法

光學(xué)影像與雷達(dá)影像有一定的互補(bǔ)性。云層和陰影通常情況下會(huì)在光學(xué)影像應(yīng)用時(shí)產(chǎn)生較為明顯的影響，雷達(dá)影像在陰影區(qū)域就可以很好地獲取到所需的信息。近些年，研究學(xué)者們便將2種影像結(jié)合起來進(jìn)行水體提取，先通過光學(xué)遙感影像展開處理，此后再通過SAR影像對(duì)水體完成進(jìn)一步處理。ZENG C Q等人[41]將光學(xué)影像和SAR影像搭配應(yīng)用，結(jié)果表明，2種遙感圖像相結(jié)合的方法能夠更好地實(shí)現(xiàn)水體提取。IRWIN K等人[42]構(gòu)建了能夠保證提取精度，盡可能縮小單個(gè)數(shù)據(jù)集模型差異的多個(gè)數(shù)據(jù)集融合分類模型。

現(xiàn)階段，優(yōu)化水體提取精度是水體提取需要攻克的一個(gè)難關(guān)。目前只能通過綜合運(yùn)用雷達(dá)影像和光學(xué)影像的方法來進(jìn)行優(yōu)化，盡管這種方法并未得到推廣，然而伴隨SAR影像的廣泛應(yīng)用，SAR影像在提取水體信息方面的優(yōu)勢(shì)也會(huì)逐漸顯現(xiàn)出來。

4 研究方法對(duì)比分析

4.1 光學(xué)影像水體提取方法對(duì)比

常規(guī)方法一般包括2類，分別為閾值法和分類器法，雖然比較完善，但是在精度要求較為嚴(yán)苛的條件下其適用性較差。下面從數(shù)據(jù)源、精度、優(yōu)缺點(diǎn)以及應(yīng)用領(lǐng)域幾方面進(jìn)行對(duì)比分析，如表2所示。

4.2 雷達(dá)影像水體提取方法對(duì)比

伴隨SAR圖像的不斷進(jìn)步，其逐漸在水體提取方面得到應(yīng)用和推廣，上一節(jié)中介紹了基于雷達(dá)影像的4種水體提取方法，分別為閾值法、濾波法、基于DEM數(shù)據(jù)法及基于灰度共生矩陣法。各類方法都存在其優(yōu)缺點(diǎn)，如表3所示。

4.3 光學(xué)影像與雷達(dá)影像對(duì)比

從成像特點(diǎn)方面來看，這2類影像表現(xiàn)出互補(bǔ)的特點(diǎn)。對(duì)于雷達(dá)數(shù)據(jù)的水體信息提取方法來講，其絕大部分是為提取中空間低分辨率圖像而專門設(shè)計(jì)的，空間高分辨率雷達(dá)影像還不夠完善，涉及到的提取方式為數(shù)不多。隨著光學(xué)影像水體提取方法的不斷完善，可以發(fā)現(xiàn)其對(duì)各類影像和地形都具有適用性，精度也比較理想。

針對(duì)大面積精度要求相對(duì)較低的地區(qū)，2類數(shù)據(jù)的提取各具特性。由于影像質(zhì)量影響較為突出，第二類方法只對(duì)平坦地形具有適用性。在精細(xì)化水體提取領(lǐng)域，通常情況下要求應(yīng)用空間分辨率相對(duì)較高的影像，前者在實(shí)際應(yīng)用時(shí)提取精度比較理想，后者由于受到基礎(chǔ)建設(shè)的干擾，提取水體信息時(shí)采用灰度共生矩陣的方法，將面臨提取周期過長(zhǎng)的問題，信息精度也難以保證，所以目前要攻克的難關(guān)就是基于雷達(dá)準(zhǔn)確提取高空間高分辨率影像的水體信息。

表2 光學(xué)影像水體提取方法對(duì)比分析

表3 雷達(dá)影像水體提取方法對(duì)比分析

5 結(jié)束語

目前，世界各地水資源不斷緊缺，因此，精準(zhǔn)、高效、動(dòng)態(tài)監(jiān)控水資源對(duì)水質(zhì)、水量及流域分布的掌握具有重要意義。隨著遙感數(shù)據(jù)增多、圖像分辨率升高與圖像算法技術(shù)的提升，為完成水體提取奠定了理論基礎(chǔ)。各國(guó)研究學(xué)者們基于光學(xué)影像與SAR圖像提出了多種水體提取的方法，但仍存在一些問題。從算法通用性看，閾值法較為簡(jiǎn)單；從影像校準(zhǔn)方面看，深度學(xué)習(xí)法提取精度較高。但對(duì)于空間高分辨率且背景較為復(fù)雜或是一些細(xì)小的河流支流影像來說，水體提取的精度卻不是很高。

水體提取精度、復(fù)雜地區(qū)的水體智能化高效提取是未來的挑戰(zhàn)。傳統(tǒng)水體釋義方法需要人工干預(yù)，基于深度學(xué)習(xí)方法的算法能夠模仿人腦的運(yùn)行機(jī)制進(jìn)行全自動(dòng)化的水體提取。利用深度學(xué)習(xí)方法構(gòu)建水質(zhì)反演模型，對(duì)水體的水質(zhì)總磷、總氮、氨氮等污染物進(jìn)行檢測(cè)，使影像圖中水體監(jiān)測(cè)走向?qū)嵱没蔀榭赡堋?/p>