传统遥感图像水体提取方法！

点击关注 关注我们吧~

遥感图像水体信息提取的数据源主要包含合成孔径雷达(synthetic aperture Radar,SAR)遥感数据、光学/多光谱遥感数据以及两者融合后的数据。图1分别展示了高分三号、Sentinel-2和Landsat8获取的SAR和光学遥感图像,前2种图像的空间分辨率为10 m,Landsat8为30 m。

对比4个场景中水体区域可以看出,水体在不同传感器成像情况下具有较大的颜色、纹理、几何等表征差异。受水体区域雷达波的平面散射影响,阈值法能够快速地从SAR图像中提取水体区域。对于光学/多光谱遥感图像,水体提取则较多使用阈值和光谱指数法、面向对象法和机器学习分类法等。

1)阈值和光谱指数法。

该类方法具有计算简单、快速的优点,是中低空间分辨率遥感图像水体提取的常用方法,曾玲方等和Cao等利用SAR图像强度图的局部直方图单、双峰值分布进行水体分割阈值确定,实验证明双峰法能够抑制SAR图像相干斑噪声对阈值估计及水体提取结果的影响。此外,阈值法多在后处理阶段使用形态学处理、Markov分割等方法对初步提取结果进行优化。

在多光谱遥感图像水体提取研究中,研究人员通过分析水体与其他各类地物的光谱曲线特征规律,建立归一化水体指数(normalized difference water index,NDWI)模型,采用阈值分割的方法从水体指数产品中提取地表水体。为解决NDWI易受云层、山体和建筑物阴影影响的问题,往往还需要结合专家经验来选择合适的波段以及后处理手段对分割结果进行优化。由此可见,分割阈值的估计易受地理环境、季节以及水体自身特性等因素变化影响,难以稳定地在不同区域实现自动、有效地水体信息提取。

2)面向对象法。

通常水体在光谱图像局部区域具有相似的纹理和光谱特征,以水体对象内部的同质性为量化标准,结合多尺度分割方法使同质像元组成大小不同的对象,进而实现更高层次的水体区域提取。但受风浪影响水体表面的体反射能量也出现差异,导致同质区域内出现差异较大的变化。

因此,研究人员也将SAR图像的极化分解特征、多源图像的融合特征等进行组合并利用阈值函数或分类器进行分类。虽然面向对象方法能够取得比阈值法更加准确的提取结果,但分割尺度会显著影响提取的性能,因此如何自动、准确地选择最优分割尺度仍是该类方法研究的关键。

3)机器学习分类法。

随着机器学习分类算法在图像分类、分割任务中的成熟应用,基于非监督的模糊C均值聚类(fuzzy C means,FCM)和监督学习的支持向量机(support vector machine,SVM)、AdaBoost分类器方法逐渐成为大区域水体提取的首选方案之一。林顺海和洪亮等结合水体指数NDWI和改进的FCM聚类算法实现了城市地表水、河流的自动提取,不仅较好地保持了水体区域完整性,对复杂背景也具有更好的抑制作用。

为克服SAR图像强度图中建筑物、山体阴影导致水体误分的问题,胡德勇等利用单极化SAR图像的纹理特征,通过SVM分类器实现了水体和建筑用地信息的提取; Pradhan等借助ArcMap软件获取TerraSAR-X图像中灰度共生矩阵(gray-level co-occurrence matrix,GLCM)纹理信息提取洪水区域,总体提取精度最高达到了83.63%。这些将SAR结合水体的纹理特征与极化特征的模式分类方法逐渐引起了关注。然而,机器学习方法提取水体需要复杂的光谱分析和特征选择,需要依赖于丰富的先验知识,不仅耗时且难以满足对精度、自动化水平和应用范围的要求。