基于光譜-空間特征的遙感影像水體提取方法

張　毅，張彥峰

（武漢大學遙感信息工程學院，湖北　武漢 430079）

基于光譜-空間特征的遙感影像水體提取方法

張毅，張彥峰

（武漢大學遙感信息工程學院，湖北武漢 430079）

地表水體是人類生存和社會發(fā)展不可取代的基本要素，使用遙感影像提取地表水體相比傳統(tǒng)實地調研的方式，具有高效、省時、省力的特點。傳統(tǒng)的水體提取方法一般僅使用一種或少量類型特征的結合，在處理高分辨率遙感影像時容易出現誤提取。針對以上問題，提出一種結合多種光譜和空間特征的自動化水體提取方法。通過兩幅高分一號影像上的定性和定量實驗結果表明，該方法能夠比傳統(tǒng)方法更穩(wěn)定更精確的提取影像中的水體信息。

遙感；水體提取；影像分類；光譜特征；空間特征

地表水體是人類生存和社會發(fā)展不可取代的基本要素。地表水體的研究對氣候模型，農業(yè)穩(wěn)定性，河流變化，濕地監(jiān)管，地表水體調研和管理，環(huán)境監(jiān)測等領域起著重要的作用［1，2］。準確地繪制出地表水體的空間分布是水文相關領域研究的前提，也是制定相關政策非常關鍵的一步［3］。傳統(tǒng)的以實地調研為主的水體提取方式需要耗費大量的人力物力資源，且耗時較長難以獲得及時的信息。遙感是一種利用非接觸手段獲取信息的方式，通過從遙感影像中解讀水體信息，大大降低了獲得地表水體信息的成本。

目前的國內外研究中，遙感影像提取水體的主要研究主要集中在特征提取和水體提取算法兩個方面。合適的特征對正確的從遙感影像提取水體至關重要，目前在水體提取中研究的側重點為水體特征的研究主要包括：

1）光譜特征：遙感影像獲取的原始信息進行輻射定標、大氣校正后的結果，是水體提取過程中最基本的特征，大部分水體提取過程中均會使用光譜特征。總體上來說，水體在藍綠兩波段上呈現反射特性，在近紅外波段上呈現吸收的特性。根據水體和背景像素的光譜反射率差異，得到基于規(guī)則的方法得到影像中的水體，或使用光譜反射率作為特征訓練分類器如支持向量機（SVM）［4］，對影像進行二值分類得到水體和非水體信息。

2）水體指數：通過分析不同地物對遙感影像波段的響應情況對波段進行組合、代數運算，從而增強水體信息，并抑制其他地物信息。常見的水體指數有：NDWI［5］，MNDWI［6］，AEWI［7］，HRWI［4］等。

3）紋理特征：使用紋理特征或紋理特征與光譜的結合，提取水體信息。文獻［8］在水體提取問題上提出了方向方差算子和紋理表相結合的多紋理特征結合的水體提取算法，在高分辨率灰度影像的實驗上得到了很好的提取結果。文獻［9］比較了僅使用顏色特征和顏色特征加灰度共生矩陣角二階矩特征的提取效果，實驗表明，增加紋理特征后，提取結果有了很大的提高。

4）顏色特征：對影像的紅綠藍波段反射率進行顏色空間變化如HIS變換、CIELAB變換等，利用變化后的顏色空間特征作為水體提取的特征。文獻［10］研究了HIS變換后的色調（H）、飽和度（S）和亮度（I），對高分辨率遙感影像進行水體提取。文獻［9］通過CIELAB變換，使用亮度分量（L）進行分割，并使用顏色分量（a和b）和亮度分量的紋理特征構成特征向量提取航空影像上的水體。

5）形狀特征：通過分割的方式得到對象，提取對象的形狀特征，利用水體和非水體對象在形狀特征上的差異，提取影像中的水體對象。文獻［11］使用緊致度（Compactness）、主要點（Criticalpoints）和對稱性（Symmetry）三個形狀特征成功區(qū)分了影像中的陰影和水體。

目前研究中，一般水體提取方法僅使用以上一類或兩類特征，然而，由于地表水體的復雜性，以上一種或兩種特征的結合并不能很好的從影像中提取水體信息。首先，“同物異譜”導致同樣的水體可能具有不同的光譜、水體指數、顏色特征，而“同譜異物”現象使得水體和背景信息在這些特征上存在混淆。其次，一般的紋理特征在計算時需要進行取窗口的操作，在水體邊緣上的紋理信息會產出模糊的現象，無法完全反映水體的特點。最后，自然界中的水體往往具有不確定的形狀，因此，很多情況下形狀特征無法準確區(qū)分水體和背景地物。針對以上問題，本文提出一種基于光譜-空間特征的遙感影像水體提取算法，結合了光譜、水體指數、像元長度指數和面積特征，多種類型特征的結合更好的描述了遙感影像上水體的特征，魯棒地提取遙感影像中的水體信息。

1　基于光譜-空間特征的水體提取算法

本文方法使用了光譜、水體指數、像元長度特征和面積特征，通過結合光譜和空間特征，一方面減輕了“同物異譜”和“同譜異物”問題對水體和非水體像素的影響，另一方面引入的像元長度特征綜合影像中像素的局部結構特征，有效的反映了像元鄰域內的相似性，且避免了求取紋理特征時滑動窗口操作可能產生的問題。本文方法總體上可以分為兩個部分，第一部分使用雙閾值分割去除影像中的大部分非水體像素，第二部分將第一步得到的水體待選像素聚集成水體待選對象，并使用面積特征和水體指數去除非水體對象，最后對得到的水體對象進行區(qū)域生長，得到精確的水體邊界信息。方法的整體流程如圖1所示。

圖1　水體提取方法整體流程圖

1.1輻射定標

首先對遙感影像進行輻射定標預處理，根據公式（1）將衛(wèi)星各載荷的通道觀測技術值DN轉換為衛(wèi)星載荷入瞳處等效表觀輻射亮度：

式中：Gain為定標斜距；DN為衛(wèi)星載荷觀測值；Bias為定標截距，單位為；以上參數均由實際衛(wèi)星數據給出；

再根據如下公式，得到大氣頂端的表觀輻射量：

其中，L為上一步得到的入瞳處的表觀輻射量，d為年積日即影像獲取時間為一年中的第幾天，θ為太陽高度角，以上數據可從影像的元數據獲得，ESUN為太陽表觀輻射率均值，不同的衛(wèi)星傳感器會給定相應的取值。

1.2基于光譜-空間特征的雙閾值分割

本步驟的目標為結合光譜和像元的局部結構特征通過兩步閾值分割處理，去除不符合要求的非水體像素。水體指數從光譜的角度反映了水體和非水體像素的差異，其取值范圍為［-1，1］，水體的NDWI取值一般為正，且取值越大該像素為水體的可能性也越大，水體指數的計算公式如下所示：

其中，green為遙感影像上的綠波段，NIR為近紅外波段的輻射量；

其次，本文引入像元長度指數 （PixelLength Index，PLI），衡量水體內部的相似性。像元長度指數是像元結構特征集合［13］（StructuralFeatureSet，SFS）中的一種特征，該特征考慮了相鄰像元的相似性，綜合了像素間的上下文信息，具有減少同質性區(qū)域的噪聲和光譜變化的特性。像元長度特征反映了像元在其鄰域內相似性的最大值。由于同一水體對象內部的光譜差異較小，且不同水體對象之間的形態(tài)差異較大，使用像元長度指數既可以反映影像內部水體之間的相似性，也減小了水體對象形態(tài)差異造成的像元結構差異。

在獲得影像的像元長度指數時，為了加大水體之間的相似性，以及水體和非水體之間的差異性，本文使用拉伸后的水體指數 SNDWI（Stretched NDWI）特征計算像元長度指數。由公式得到水體指數特征（NDWI），并根據公式（4）進行拉伸。

使用SNDWI得到的光譜相似性測度為下式：

其中，phi表示第i個方向線上中心像素和鄰域像素之間的異質性，Psncen為中心像素的SNDWI特征，Psncen為鄰域像素的SNDWI特征。

對預處理后的影像數據提取水體指數和像元長度指數，通過雙閾值分割，得到水體待選像素，具體步驟如下所示：首先，對影像的SNDWI特征計算得到的像元長度特征使用給定閾值進行二值化，從像元的局部相似性，排除了影像中大量的非水體像素。獲得上步中通過閾值分割的像素的NDWI特征值，使用大津法對其進行閾值分割，利用水體和非水體像素在水體指數上的差異進一步排除影像中的非水體像素。

1.3基于雙閾值分割結果的水體對象提取

經過上一步的處理，得到了通過光譜和空間特征約束的像素的二值結果。首先，根據二值圖上像素的連通性，將8鄰域內相鄰的連接像素聚集為對象，生成水體待選對象。

根據聚集的水體對象的面積進行閾值分割，給定面積閾值，若對象的面積大于給定的閾值則認為該對象為大面積水體待選對象，否則將其作為小面積水體待選對象。給定一個較大的面積閾值，如10000，則得到的大面積水體待選對象為面積很大的平滑區(qū)域，且具有較高的NDWI值。由于遙感影像上存在面積大且水體指數高的弱紋理非水體地物概率非常小，故接受大面積水體待選對象為大面積水體對象。而由于小面積的對象中含有背景地物的概率較高，故對小面積水體待選對象將進行進一步的處理以排除背景地物。

獲得小面積水體待選對象覆蓋范圍內所有像素的NDWI特征，根據其直方圖形狀使用峰谷的方法（peak-and-valleymethod）獲得閾值再一次進行閾值分割。為了減小分割時的漏檢率，因此選擇最左邊的谷點對應的NDWI值作為分割的閾值。判斷直方圖上峰谷的方式為：

1）如果pn≥pn+1＆pn≥pn-1，則為直方圖上的峰值；

2）如果pn≥pn+1＆pn≥pn-1，則為直方圖上的谷值；

其中，pn表示直方圖上n位置對應的頻率。

然而，由上述條件得到的結果往往會包含較多的偽峰和偽谷，因此，通過對直方圖進行核函數估計（Kerneldensityestimation，KDE）得到平滑后的概率密度曲線（直方圖），從平滑后的結果中提取出峰值和谷值。核函數密度估計是非參數的估計隨機變量概率密度函數的一種方法，常被從來實現數據平滑的目的。其計算公式如下所示：

其中，Kh（·）為核函數，本文使用高斯核函數。圖2給出了經過第一步處理后剩余像素的NDWI直方圖，以及對該直方圖進行核函數估計的結果。從圖中可以看出，藍色部分的直方圖中存在偽峰值，而平滑后的概率密度曲線上不存在偽峰值，因此，使用平滑后的結果可以得到正確的閾值。

圖2　影像NDWI直方圖核函數估計結果

如果概率密度估計得到的結果中不包含谷值點，則說明經過第一步的處理后，剩下的小面積水體待選對象中不包含非水體像素，則不對其進行進一步的閾值分割。

由以上兩步可以看出，本文方法旨在對大面積的水體使用較小的NDWI閾值進行分割，而對面積較小的水體使用較高的NDWI閾值分割，并且在使用PLI進行閾值分割時去除了大量的與水體具有類似NDWI取值的背景像素。

由于水體邊緣像素的PLI和NDWI特征比水體中心像素小，故在上述處理中可能被錯誤的去除，因此，在得到水體對象后，通過區(qū)域生長的方式得到更精確的水體邊界。將所有水體邊緣像素加入種子點堆棧，若種子點邊緣像素與其鄰域像素之間異質性測度小于給定閾值，則認為該鄰域像素為水體，并將其加入種子點堆棧，重復進行上述操作直到所有種子點均被處理完成。這里使用的異質性測度為光譜角，因為該特征綜合考慮了影像的所有光譜特征，計算公式如（7）所示，給定的閾值為thsa。

其中，SA（x，y）表示光譜向量之間的光譜角，xi和yi分別表示種子點像素和鄰域像素在i波段上的光譜反射率，n表示影像的波段個數。對于具有可見光和近紅外四個波段的高分辨率遙感影像來說，x和y均為四波段波譜反射率組成的四維向量。

2　實驗與結果

本文使用兩幅高分一號衛(wèi)星的8米分辨率多光譜影像進行水體提取實驗。高分一號衛(wèi)星是我國高分辨率對地觀測系統(tǒng)重大專項的第一個衛(wèi)星，具有重要的戰(zhàn)略意義和地位。其8m分辨率的多光譜衛(wèi)星有近紅外和可見光四個波段，重訪周期為4d，具有較高空間分辨率和較短的回訪周期的特點，因此，具有較高的應用價值。本文使用兩幅高分一號數據進行實驗，通過對比人工勾選的水體提取結果定性和定量的比較了本文提取方法與使用光譜特征的支持向量機（典型的水體提取方法）的提取結果。

本文使用如下方法進行定量的精度評點：對比參考影像使用混淆矩陣統(tǒng)計，得到正確提取的水體像素（TP），錯誤提取的水體像素（FP），正確提取的非水體像素（TN），錯誤提取的非水體像素（FN），四類的像素個數。使用統(tǒng)計結果得到水體的生產者精度PA=TP/（TP+FN），生產者精度反映了水體的漏檢率，使用者精度UA=TP/（TP+FP），使用者精度反映了水體的誤檢率，總體精度OA=（TP+TN）/N，其中N為影像中的像素總體個數和kappa系數（如式（8）所示）。

其中，

圖3（a）顯示了本文實驗中所用的第一幅影像（影像一），圖3（b）顯示了相應的參考水體掩膜。影像一相幅大小為4548*4500，經度范圍為120.0874度到 120.5829度，緯度范圍為 40.0612度到40.4397度。從影像中可以看出大面積水體的光譜特征并不統(tǒng)一，其大部分面積呈藍色，水體左下角顏色變深，并且在水體內部可以看到條紋狀的差異。影像中的背景地物主要由黃色的裸地、深色山體和亮建筑物組成。

圖3　實驗影像一（a為偽彩色顯示結果，b為參考水體掩膜）

圖4　影像一的提取結果（a為SVM結果，b為本文方法結果）

表1　影像一精度評定結果

圖4給出了使用SVM和本文方法提取的結果，表1給出了影像一提取結果的定量評價。從提取結果中可以看出，兩種方法均較好的提取出了遙感影像中的水體，本文方法得到的大面積水體更為完整，小面積的誤提取更少。從定量的結果可以看出，本文方法在四個指標上均優(yōu)于SVM的提取結果。其中，使用者精度提高了約3%，說明本文方法極大的減小了誤檢情況的發(fā)生。

圖5　實驗影像二（a為偽彩色顯示結果，b為參考水體掩膜）

圖5（a）顯示了本文實驗中所用的第二幅影像（影像二），圖5（b）為其相應的參考水體掩膜。影像二相幅大小為4548*4500，經度范圍為120.1701度到120.6267度，緯度范圍為39.1023度到30.4952度。從影像中可以看出，大面積的水體本身的光譜發(fā)生了較大的變化，左下方主要呈現藍色，而右上方呈現綠色，說明右上方的水體在紅波段的反射率較高。不僅如此，影像中存在小面積的暗水體。影像二的背景信息復雜，既包括亮建筑物，也包括暗建筑物，還存在較多的植被、裸地以及陰影信息。

圖6給出了SVM和本文方法對影像二的提取結果，表2給出了定量的精度評價結果。與人工勾選的參考影像相比可以看出，SVM和本文方法均有效提取出了影像中的主要水體信息，且在小面積水體上均存在一定的誤檢問題，但整體上本文方法得到的結果更為完整，且誤檢的像素更少。從定量評價的角度可以看出，本文的生產者精度比SVM高約10%，使用者精度高約13.5%，整體精度高2.3%，因此，使用本文方法較好的提高了水體的提取精度。

圖6　影像二的提取結果（a為SVM結果，b為本文方法結果）

表2　影像二精度評定結果

從總體上了來說，本文方法的提取精度均高于SVM的提取精度，多種特征的結合以及像元長度指數的引入，有效的提高了本文方法在大面積水體提取結果上的完整度，且有效的去除了小面積的噪聲。不僅如此，SVM為監(jiān)督分類方法，使用該方法進行水體提取時，需要人工選擇訓練樣本，并通過多次實驗選取合適的參數。而本文方法為自動提取方法，計算速度快。

3　結束語

針對目前遙感影像水體提取中使用的特征存在的多種問題，本文提出了一種基于光譜-空間特征的遙感影像水體提取算法。本文方法結合像元長度指數、光譜指數以及對象的面積特征，從光譜和空間特征的角度區(qū)分影像中的水體和非水體像素。通過兩幅高分一號數據，定性和定量的比較了本文方法的有效性。從總體上來說，本文方法能夠高效自動化的提取遙感影像上的水體。

［1］ Du Z，Linghu B，Ling F，et al.Estimating surface water area changes using time-series Land sat data in the Qingjiang River Basin，China［J］.Journal of Applied Remote Sensing，2012，6 （1）：063609-063609.

［2］ Sun F，Sun W，Chen J，et al.Comparison and improvement of methods for identifying water bodies in remotely sensed imagery［J］.International journal of remote sensing，2012，33 （21）：6854-6875.

［3］ Gessner M O，Hinkelmann R，Nützmann G，et al.Urban water interfaces［J］.Journal of Hydrology，2014，514：226-232.

［4］ Yao F，Wang C，Dong D，et al.High-Resolution Mapping of Urban Surface Water Using ZY-3 Multi-Spectral Imagery［J］. Remote Sensing，2015，7（9）：12336-12355.

［5］ McFeeters S K.The use of the Normalized Difference Water Index（NDWI）in the delineation of open water features［J］.International journal of remote sensing，1996，17（7）：1425-1432.

［6］ Xu H.Modification of normalised difference water index （NDWI）to enhance open water features in remotely sensed imagery［J］.International Journal of Remote Sensing，2006，27 （14）：3025-3033.

［7］ Feyisa G L，Meilby H，Fensholt R，et al.Automated Water Extraction Index：A new technique for surface water mapping using Landsat imagery［J］.Remote Sensing of Environment，2014，140：23-35.

［8］ Wang H，Pan L，Zheng H.Multi-texture-model for water extraction based on remote sensing image［C］//Image and Signal Processing，2008.CISP'08.Congress on.IEEE，3：710-714.

［9］ ZhaoM，ZhangY，ShangH，et al.Water Area Extraction from RGB Aerophotograph Based on Chromatic and Textural Analysis［C］//GEO Processing 2011，The Third International Conference on Advanced Geographic Information Systems，Applications，and Services：46-52.

［10］ 柳稼航.基于視覺特征的高分辨率光學遙感影像目標識別與提取技術研究［D］.上海交通大學，2011.

［11］ Li B，Zhang H，Xu F.Water extraction in high resolution remote sensing image based on hierarchical spectrum and shape features［C］//IOP Conference Series：Earth and Environmental Science.IOP Publishing，2014，17（1）：012123.

［12］ 黃昕.高分辨率遙感影像多尺度紋理，形狀特征提取與面向對象分類研究［D］.武漢：武漢大學，2009.

P407.8