圖譜迭代反饋的自適應水體信息提取方法

胡曉東,駱劍承,夏列鋼,沈占鋒,朱長明,喬 程

1.中國科學院遙感應用研究所,北京100101;2.浙江工業大學軟件學院,浙江杭州310023;3.中國科學院研究生院,北京100049

圖譜迭代反饋的自適應水體信息提取方法

胡曉東1,3,駱劍承1,夏列鋼2,沈占鋒1,朱長明1,喬 程1

1.中國科學院遙感應用研究所,北京100101;2.浙江工業大學軟件學院,浙江杭州310023;3.中國科學院研究生院,北京100049

提出圖譜迭代反饋模型,結合空間聚合圖特征和非線性譜映射結果的優點,設計圖譜迭代反饋機制,并通過自適應信息計算方法自動地調整提取參數,逐步地計算逼近正確的專題區域邊界。結合水體提取案例,在分析當前較為有效的水體提取方法基礎上,選取ETM影像作為數據源,提出圖譜迭代反饋的自適應水體信息提取(WERSTP)理論與方法。試驗比較表明,該方法能充分結合基于指數和基于光譜分類提取方法的優勢并成功融入水體空間分布特征,獲得較好的提取效果。

水體信息提取;空間聚合圖;譜特征映射;迭代計算;遙感圖譜信息

1 引 言

利用遙感技術手段進行水體自動提取,在水環境的定量探測、水資源調查、洪水監測、水利規劃評估等領域都具有重要的意義;特別是隨著對地觀測技術的發展,遙感數據的種類和數量空前豐富,人們對于實時、準確的遙感信息產品的需求日益迫切,這就為自動、精確的水體提取方法提出了更高的要求。

綜合當前較為有效的水體提取方法,最常用的有指數分割法[1]、監督分類法[2]以及決策樹法[3]等,針對不同的影像特征和應用,可以選擇不同的水體提取方法。例如文獻[4]針對 TM影像進行了分析,認為用影像分類的方法效果最好,但需要較多的人工參與;文獻[5]綜合了指數和波段疊加的聚類方法,避免了閾值選取的繁瑣,提高了自動化水平;文獻[6]認為針對MODIS影像,水體指數法能夠提取出最準確的水體信息;文獻[7]通過比較五種不同水體提取指數模型的原理分析,結合具體實例進行水體遙感提取,確定了在不同時期和不同用途時可采用最佳的水體提取模型;也有關于更高級別基于語義的水系提取方法的探討[8];為了實現水體提取的自動化和精確化,指數模型法和分類法是效果較好的方法,基于此發展的“全域-局部”分步迭代方法[9]被證明對于精確提取湖泊等面狀水體十分有效。

綜上,目前的方法存在著光譜與空間分析分離,自動化程度較低等不足。筆者以ETM數據為提取對象,提出了圖譜迭代反饋的自適應水體提取方法(WERSTP),并將其與自動化程度較高的閾值分割方法和準確度較高的監督分類方法做了試驗比較與分析,證明了該方法不僅充分結合了空間圖和波段譜的特征,提高了提取精度,而且能自適應地調整模糊閾值,最優地確定提取結果,達到了自動運算的要求。

2 方法原理

2.1 圖譜迭代反饋模型

WERSTP方法的核心部分是圖譜迭代反饋模型。所謂圖譜迭代反饋,是指針對專題信息提取任務,以一定的知識(地物指數或波譜相似指數)作為初始輸入,通過空間聚合與分割以及非線性特征映射方法分別形成最初的空間聚合圖和譜特征映射層;接著進行圖和譜的反饋運算,獲得新的圖,并進一步生成新的譜;然后根據新的圖和譜進行迭代計算,直至迭代終止而獲得最優的提取結果(圖1)。圖譜迭代反饋模型是個自動演算的智能機器,它充分利用了遙感圖譜信息,具有自適應信息計算機制,表現在它能根據輸入的數據以及每一步的計算結果來適時地調整計算參數,并能準確地預知、排除、修正計算過程中產生的錯誤。

圖1 圖譜迭代反饋的自適應水體提取方法流程圖Fig.1 The flow chart of WERSTP

由于作為初始輸入的指數及波譜種類豐富[10]且大多已十分成熟,因此圖譜迭代反饋模型是一個具有普適性的通用信息提取方法。為了深入、完整地介紹該模型,將結合基于NDWI的水體信息提取來具體闡述,同時進一步介紹WERSTP方法的技術實現思路。

2.2 WERSTP方法

在陸地表層系統中的水體主要表現為湖泊、河流和冰雪等形態。一方面由于水體和陸地對太陽輻射的反射特性不同,其光譜差異比較明顯,并且水體內部在空間上表現為很強的連續性和均勻性,使圖譜結合的提取思路成為可能;另一方面由于水中雜質及漂浮物和水陸交錯地區等影響而產生了混合像元,使水體與某些地物以及陰影等特殊地物產生了混提或誤提等現象。筆者綜合考慮了以上的水體空間分布及光譜表現特征,基于圖譜迭代反饋理論模型,提出了WERSTP方法,其總體步驟如下(見圖1):

(1)聚合圖特征模型的生成。首先對 ETM多波段影像進行水體指數計算,生成水體指數圖層(index layer,IL);接著對IL進行空間聚合,生成空間聚合圖(spatial clustered layer,SCL),其中通過復雜度計算來確定聚合的尺度;在此基礎上通過聚合塊特征統計形成聚合圖特征模型(spatial clustered feature model,SCFM)。如圖2所示,(a)為 ETM的4、3、2波段假彩色原圖, (b)為對(a)進行 NDWI指數計算的結果 IL, (c)為對(b)進行空間聚合得到的SCL。

(2)初始類別劃分及非線性譜特征映射。對SCL進行初始的閾值分割,形成包含專題、非專題、中間類型三種類型以及背景的空間聚合分割圖 (spatialclustered and segmented layer, SCSL);然后對原ETM影像進行分類,本文稱之為非線性譜特征映射,得到譜特征映射層(spectral mapping layer,SML)。

(3)圖譜迭代反饋運算。耦合 SCFM和SML進行圖譜反饋運算,將SML中新增的類型反映射到SCFM的相應單元中,并通過自適應模糊閾值的判斷,確定專題和非專題類型新增的分割塊,將其應用到下一次迭代映射中。

(4)最優迭代結果確定。根據上一步驟中新增分割塊的數量,并結合當前已經提取的專題與非專題的指數值分布情況,判斷迭代計算是否終止,同時確定最優的迭代結果。

(5)后處理及水體專題生成。根據當前的SCSL和SML形成柵格專題層;然后進行去除小斑塊、對象化等后處理,獲得最終的水體專題圖。

以上步驟中,(1)和(2)分別獲得了“圖”和“譜”的信息,(3)和(4)是WERSTP方法的核心, (5)是優化和后處理過程。

3 具體算法實現

根據圖譜耦合的思想,在自主研發的遙感信息計算平臺(SINCE)支持下,針對陸地衛星遙感數據的特點,用Visual C++開發完成了WERSTP方法原型系統模塊,方法中各步驟具體算法實現如下。

3.1 聚合圖特征模型的生成

SCFM的生成需要經過指數計算、影像聚合(分割)和特征統計三個步驟。筆者采用歸一化水體指數 (normalizeddifferencewaterindex, NDWI)[11]計算模型對 TM/ETM多波段影像進行計算生成IL,其計算公式如下。其中,GREEN表示綠波段;NIR表示近紅外波段。計算結果為[0, 255]像素區間的柵格圖層。

對IL的空間聚合(分割)采用MeanShift多尺度分割算法[12],生成SCL,其中由于影像的復雜度不同,需要在分割時進行復雜度計算以確定分割的尺度。尺度選擇的問題較為復雜,不作深入討論,采用文獻[13]的尺度選擇方法,轉換公式如下。其中S為局部均方根,Scale表示尺度,起始尺度為50。

空間聚合完成后,統計SCL上每個聚合塊的面積、均值等特征以及聚合塊之間的鄰接關系,形成SCFM。統計過程中通過快速連通域算法[14]生成標號圖層,其標號值將在SCFM中唯一地標識一個聚合塊,以“標號-特征”的形式組織,用“hash_map”的結構實現映射,完成空間聚合塊與特征的對應。

3.2 初始類別劃分及非線性譜特征映射

3.2.1 初始類別劃分

初始類別劃分是通過粗略的閾值分割將上一步生成的空間聚合圖劃分為三種類型的聚合塊:專題、非專題和中間類型。其余的聚合塊則作為背景,形成SCSL。其中,用于劃分類別的閾值基于IL層計算獲得,以下分別為三個類別的劃定方法:

(1)分別取[0,31]和[203,255]的區間作為水體和非水體的類別劃分區間,因為對于NDWI指數來說,可認為這兩個區間分別是水體和非水體的可靠界定區域。

(2)取經驗值105作為區分水體和非水體的初始分割值,再用直方圖分割的方法確定當前圖像的分割值,并取該值的±15的區域作為中間類型的界定區域,因為此區域是水體和非水體的過度區域,不能馬上判斷其類別,因此作為中間類型。

(3)其余的區間作為背景。

通過以上劃分,就將SCL轉換成了SCSL,該圖層中包含了三個類別以及背景,可作為類別判定的標準。

值得注意的是,此處設置中間類型是為了后續的非線性譜特征映射而考慮,由于SCSL中的非水體類只是包含了最不像水體的那些地物,而并不包含所有類型的地物,因此類型不全,譜特征映射時有可能將許多水體映射為非水體而造成誤分;設置后則將此類像素暫時劃分為中間類型,在后續逐漸精細化的迭代過程中逐步確定最終類型,提高了提取精度。

3.2.2 非線性譜特征映射

非線性譜特征映射的原理是采用SVM分類器[15]對原ETM影像進行分類,包括樣本的選取和SVM分類兩個步驟,參與分類的波段為ETM的1、2、3、4、5、7波段。其中為了保證分類的準確性,樣本的選取需要遵循一定的概率分布,由SML確定樣本的類別,由IL確定樣本分布,具體的概率樣本選擇算法如下:

(1)計算IL的直方圖,根據影像的大小和各個類別的總像素個數(根據SML統計)確定各類所需的樣本點個數。

式中,S Nimage表示由影像大小確定的樣本個數; MA X和M IN分別表示取最大值和最小值;M和N分別表示影像的寬和高;S Nclass和 Nclass分別表示由類別像素總個數確定的樣本個數和類別像素總個數;S N表示最終確定的該類別樣本個數。

(2)隨機選擇一個像素點,對照SML確定樣本類別。

(3)若該像素點為背景,則返回(2),取該像素的指數值,若該指數值對應的樣本已經滿足所需樣本個數,則返回(2),指數值對應的所需樣本個數公式如下

式中,S Nvalue表示指數值value對應的所需樣本個數;Histovalue表示直方圖中value值對應的像素個數;S Nclass表示該類別的像素總個數;S N表示該類別的所需樣本總數。

(4)三個類別都達到所需樣本總數 S N要求,則算法結束;

(5)(2)～(4)的循環次數超過循環上限(算法中設為100 000次),則結束算法。

用按照以上算法選擇的樣本,從原ETM影像中選取各個波段的像素值,組成多維向量樣本輸入;通過SVM的多類別分類模式進行樣本訓練、分類,生成由三個類別組成的SML。

3.3 圖譜迭代反饋運算

由以上兩步,分別得到了SCSL和SML,前者與SCFM結合具有空間上的特征,可以反映出水體在空間上的連續、鄰接等關系;后者結合了高維波段屬性而具有光譜上的特征,能反映水體區別于其他地物類型的屬性。由于不包含空間關系的光譜映射,SML中出現了SCSL中沒有的新專題和非專題類別像素,據此,以下通過圖譜迭代反饋算法,在SCSL中找出新的水體聚合塊。

(1)找出SCSL中分別與專題和非專題相鄰的中間類型和背景聚合塊;根據SML計算它們的專題和非專題的像素含量(像素個數百分比)。

(2)若聚合塊中專題像素含量大于 T%,并且指數均值大于2.2小節中的初始分割閾值,則將該聚合塊劃分為專題類型。

(3)若聚合塊中非專題像素含量大于 N T%,則將該聚合塊劃分為非專題類型。

(4)對于每個找到的聚合塊進行(2)、(3)的處理,其中,T%和N T%由以下公式確定

式中,TIL%和 N TIL%分別表示IL圖層中經過初始分割后的專題和非專題百分比,閾值為2.2小節中獲得的分割閾值;FT和 FNT分別表示模糊因子,可根據提取的精度要求選擇,取值范圍分別為[0,1/TIL%]和[0,1/N TIL%]。

以上算法確定了新增專題和非專題聚合塊后的新SCSL,即可被用于下一次迭代過程非線性譜特征映射中的樣本類別確定。

3.4 最優迭代結果確定及后處理

本文通過統計在圖譜迭代反饋運算中增加的專題聚合塊個數來確定當前是否已經達到最優的迭代結果。一般來說迭代到最后,新增聚合塊數將會趨于或達到0,規定新增聚合塊數小于3時迭代終止。

判斷迭代結束后,得到了當前的 SCSL和SML。首先將SCSL的中間類型和背景賦為非專題類;再將其與最優迭代結果SML進行疊加運算,將SML為水體的所有像素賦予SCSL,獲得水體專題;然后采用區域生長法進行小板塊去除,并進行對象化后,生成水體專題圖。

以上為圖譜迭代反饋的自適應水體提取方法的全部過程。該方法的特點在于:

(1)有機結合了圖的聚合、相鄰等空間特征和高維波段映射的譜分析,優勢互補,使提取結果更加符合實際,也更精確,并為實現自適應的計算機制提供了可能。

(2)體現了自適應思想,例如通過復雜度計算自動選擇分割尺度、根據直方圖確定最初的分割閾值、通過IL指導樣本的概率、根據IL確定圖譜迭代反饋運算中的像素含量模糊閾值等,為實現達到自動化水平提供了可能。

(3)通過迭代機制,從初始分割圖開始,逐步地確定專題信息和剔除非專題信息,每一次迭代都累積上一次的迭代結果信息,形成了一個自適應的逐步求精過程。

4 試驗與分析

本文的試驗選擇了利用ETM影像進行渤海灣區域沿海水體提取[16-17]。海岸帶是我國利用程度最高的國土資源部分,但也是海洋災害頻發和生態極其脆弱的區域,當前海岸帶在自然和人工作用下,變化劇烈,海岸信息急需更新,需要快速、及時、同步地獲取海岸帶資源環境信息,為開發利用和環境保護提供依據。本文旨在通過遙感技術手段實現水體自動化、精確化提取,為進一步岸線監測、水陸變化檢測等的時效性應用提供方法支持。

首先選取了圖2所示的影像區域(2007-09-21的ETM影像,大連郊區的濱海養殖場),在SINCE平臺中完成了WERSTP方法的集成,并同時集成了閾值分割和監督分類的水體提取方法,用于方法間的比較。試驗效果如圖3所示,(a)為初始閾值分割后的SCSL,表征了最純的水體和非水體。(b)和(c)分別是迭代一次和兩次后的SCSL,同樣地, (d)、(e)、(f)分別是迭代一次、兩次和三次后的SML,圖中的水體和非水體區域隨著迭代的進行而漸漸地變得清晰,直至迭代結束,獲得(g)圖。(h)和(i)則分別是經過小斑塊去除和矢量化后的水體專題圖。通過(g)與(j)和(k)的比較,可以看出, (g)圖中岸線更為精確,將簡單的指數閾值分割無法區分的淺灘部分也已提取出來,并且也準確地剔除了養殖區間的泥地,這為進一步的養殖區提取和岸線提取提供了很好的基礎信息。

進一步的試驗采用了渤海灣天津、河北一帶的海岸影像(2009-08-30的 ETM影像),用人工選樣本的方式對提取精度進行測試和比較。測試樣本是通過目視過程從影像上選取的,包含了海水、養殖區、池塘等水體,平坦陸地、丘陵、植被等非水體,沙灘、灘涂等水陸交錯區,充分考慮了影像中的各種地貌類型,包含了1 078個水體樣本, 933個非水體樣本。從表1中可以看出,WERSTP方法在水體的提取精度上有了很大的提高,不過還是存在非水體誤提為水體的現象,從樣本數據里分析,這些誤分的樣本絕大多數出現在水陸交錯區,由于光譜的復雜性和相似性,并且空間上也滿足了與水體臨近的條件,因此產生了誤提的現象。從總體精度和 Kappa系數的比較上來看,WERSTP方法的提取精度提升明顯,較之其他方法具有明顯的優勢。

表1 三種水體提取方法的精度對比Tab.1 The accuracy comparison of three water extraction methods

此外,除了TM/ETM等中分辨率影像外,本文還針對QiuckBird、SPOT、IKONOS等高分辨率影像進行了試驗,其前提條件是影像擁有4個以上的波段,并且包含計算歸一化水體指數所需的近紅外和綠波段,同樣取得了較好的自動提取效果。如圖 4所示為采用 WERSTP方法對IKONOS影像的提取效果,影像區域為海南省海口市瓊山沿海一隅。

最后從計算效能上分析,由于WERSTP方法需要完成資源消耗量較大的多尺度空間聚合算法,并進行多次迭代計算,相較于其他方法需要更多的計算資源,包括運算和臨時存儲等,如圖2所示的寬641像素、高617像素圖像,經過5次迭代計算,共耗時2分42秒。這也是后續研究中需要解決的問題。

5 結論與展望

本文提出了圖譜迭代反饋的自適應水體提取方法,充分結合了“圖”的空間特征和“譜”的高維分析優勢,并成功融入了自適應思想及其迭代運算機制,實現了水體提取的自動化和精確化。試驗表明,該方法具有較好的水體提取效果,并可為基于水體提取的資源評估、環境監測等應用提供很好的方法和技術支持。

計算效率是需要進一步考慮的問題。多尺度分割算法方面,擬采用分塊的策略,充分利用多核資源,先進行粗略劃分,再將各個圖像塊分布于各個計算內核進行運算;樣本選擇方面,將設計并實現優質樣本保存機制,避免重復選擇樣本,節省計算時間;圖譜迭代反饋運算算法方面,設計更優化的標號映射機制,以方便更快地發現空間臨近聚合塊;實現技術方面,將采用微軟的并行模式庫(parallel pattern library,PPL)[18]實現算法的并行化,以充分利用日益先進的多核計算資源。

圖2 NDWI指數圖層及其空間聚合圖示意Fig.2 The NDWI IL and its SCL

圖3 WERSTP方法試驗結果及比較Fig.3 The experimental result of WERSTP method and comparison to other methods

圖4 IKONOS影像提取結果Fig.4 The extraction result of IKONOS image

[1] XU Hanqiu.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.(徐涵秋.利用改進的歸一化差異水體指數(MNDWI)提取水體信息的研究[J].遙感學報,2005,9 (5):589-595.)

[2] J IA Keli,CHANG Qingrui.Extracting Water Body Information Using Principal Components Analysis[J].Journal of Huaiyin Teachers College:Natural Science Edition,2006 5(3):242-245.(賈科利,常慶瑞.利用主成分分析法提取水體信息[J].淮陰師范學院學報:自然科學版,2006, 5(3):242-245.)

[3] CAO Kai,J IAN G Nan.The Study of Automatically Extracting WaterInformation in City Zone Based on SPOT5 Image[C]∥Proceedings of IEEE International Geoscience and Remote Sensing Symposium,IGARSS’02.Denver:IEEE,2006:1481-1484.

[4] YU Huan,ZHANG Shuqing,LI Xiaofeng,et al.Inland Limnetic WetlandsWater Body ExtractionUsing TM Imagery[J].Remote Sensing Technology and Application, 2008,23(3):310-315.(于歡,張樹清,李曉峰,等.基于TM影像的典型內陸淡水濕地水體提取研究[J].遙感技術與應用,2008,23(3):310-315.)

[5] XI Xiaoyan,SHEN Nan,LI Xiaojuan.Research of Automatic Extraction of Water Bodies on ETM+ Images[J]. Computer Engineering and Design,2009,30(4):993-996. (席曉燕,沈楠,李小娟.ETM+影像水體提取方法研究[J].計算機工程與設計,2009,30(4):993-996.)

[6] YI Shanzhen,WANG Zhihui.Application of Different Methods in Water Extraction by Remote Sensing Data[J]. Infrared,2007,28(4):1-4.(易善楨,王志輝.不同方法在水體遙感提取中的應用實現[J].紅外,2007,28(4):1-4.)

[7] WANG Zhihui,YI Shanzhen.Comparison and Research on the Different Index Models Used in Water Extraction by Remote Sensing[J].Science Technology and Engineering, 2007,7(4):534-537.(王志輝,易善楨.不同指數模型法在水體遙感提取中的比較研究[J].科學技術與工程, 2007,7(4):534-537.)

[8] LI Lin,ZHU Haihong,WANG Hong,et al.Semantic Analyses ofthe FundamentalGeographic Information Based on Formal Ontology:Exemplifying Hydrological Category[J].Acta Geodaetica et Cartographica Sinica, 2008,37(2):230-242.(李霖,朱海紅,王紅,等.基于形式本體的基礎地理信息語義分析:以陸地水系要素類為例[J].測繪學報,2008,37(2):230-242.)

[9] LUO Jiancheng,SHENG Yongwei,SHEN Zhanfeng,et al.Automatic and High-precise Extraction forWater Information from Multispectral Images with the Step-bystep Iterative Transformation Mechanism[J].Journal of Remote Sensing,2009,13(4):604-615.

[10] WANG Jindi,ZHANG Lixin,LIU Qinhuo,et al.The Spectrum Knowledge Base for Typical Objects in China [M].Beijing:Science Press,2009.(王錦地,張立新,柳欽火,等.中國典型地物波譜知識庫[M].北京:科學出版社,2009.)

[11] GAO B C.NDWI:A Normalized Difference Water Index for Remote Sensing of Vegetation Liquid Water from Space[J]. Remote Sensing of Environment,1996,58:257-266.

[12] SHEN Zhanfeng,LUO Jiancheng,HU Xiaodong,et al. A Mean Shift Multi-scale Segmentation for High-resolution Remote Sensing Images[J].Geomatics and Information Science of Wuhan University,2010,35(3):313-316. (沈占鋒,駱劍承,胡曉東,等.高分辨率遙感多尺度均值漂移分割算法研究[J].武漢大學學報:信息科學版, 2010,35(3).313-316.)

[13] MING Dongping,WANG Qun,YANG Jianyu.Spatial Scale of Remote Sensing Image and Selection of Optimal Spatial Resolution[J].Journal of Remote Sensing,2008, 12(4):529-537.(明冬萍,王群,楊建宇.遙感影像空間尺度特性與最佳空間分辨率選擇[J].遙感學報,2008, 12(4):529-537.)

[14] KONGBin.A Fast Connected Component Analysis Algorithm and Its Implementation[J].PR&AI,2003,16 (1):110-115.(孔斌.快速連通域分析算法及其實現[J].模式識別與人工智能,2003,16(1):110-115.)

[15] LUO Jiancheng,MING Dongping,SHEN Zhanfeng,et al. Multi-scale Information Extraction from High Resolution Remote Sensing Imagery and Region Partition Methods Based on GMRF-SVM[J].International Journal of Remote Sensing,2007,28(15):3395-3412.

[16] LIU H,J EZEK K C.Automated Extraction of Coastline from Satellite Imagery by Integrating Canny Edge Detection and Locally Adaptive Thresholding Methods [J].International Journal of Remote Sensing,2004,25 (5):937-958.

[17] PAUL S F,KENNETH J P.Water Body Detection and Delineation with Landsat TM Data[J].Photogrammetric Engineering&Remote Sensing,2000,66(12):1461-1467.

[18] Microsoft Visual Studio 2010.Parallel Patterns Library (PPL)[EB/OL].[2010-07-20]http:∥msdn.microsoft. com/en-us/library/dd492418.aspx.

Adaptive Water Body Information Extraction Using RS TUPU Computing Model

HU Xiaodong1,3,LUO Jiancheng1,XIA Liegang2,SHEN Zhanfeng1,ZHU Changming1,QIAO Cheng1
1.Institute of Remote Sensing Applications,Chinese Academy of Sciences,Beijing 100101,China;2.Software College,Zhejiang University of Technology,Hangzhou 310023,China;3.Graduated University,Chinese Academy of Sciences,Beijing 100049,China

A RS TUPU computing mechanism is designed,considering the advantages of the features of spatial clustered layer and non-linear spectral mapping layer,which aims to approach the accurate regional boundary of thematic area step by step.Meanwhile,extraction parameters in the process are adjusted automatically by adaptive information computing method.Subsequently,the RS TUPU computing model is proposed,which will be applied in water body extraction.The existing valid methods for water body extraction are analyzed first.On this basis,an adaptive water body extraction method using RS TUPU computing model(WERSTP)is proposed,where ETM image is selected as experimental data source.WERSTP combines with the advantages of methods based on index computing and spectral classification,and the experimental results show that this method obtains an effective extraction result to make it achieve the level of accuracy and automation in water body information extraction.

water body information extraction;spatial clustered structure;spectral feature mapping;iterative computing;RS TUPU information

HU Xiaodong(1982—),male,PhD candidate,majors in remote sensing information extraction and its adaptive computing methods.

1001-1595(2011)05-0544-07

TP751

A

國家自然科學基金(40871203;40971228);國家863計劃(2009AA12Z148);水體污染控制與治理科技重大專項(2009ZX07318-001)

(責任編輯:雷秀麗)

2010-08-25

2010-11-19

胡曉東(1982—),男,博士生,主要研究方向為遙感信息提取及其自適應計算。

E-mail:mydonne@gmail.com