基于高分辨率遙感影像的面向對象水體提取方法研究

殷亞秋，李家國，余　濤，楊紅艷，張永紅

(中國科學院遙感與數據地球研究所，北京 100101)

The Study of Object-oriented Water Body Extraction Method

Based on High Resolution RS Image

YIN Yaqiu，LI Jiaguo，YU Tao，YANG Hongyan，ZHANG Yonghong

?

基于高分辨率遙感影像的面向對象水體提取方法研究

殷亞秋，李家國，余濤，楊紅艷，張永紅

(中國科學院遙感與數據地球研究所，北京 100101)

The Study of Object-oriented Water Body Extraction Method

Based on High Resolution RS Image

YIN Yaqiu，LI Jiaguo，YU Tao，YANG Hongyan，ZHANG Yonghong

摘要：根據高分辨率遙感影像的特點，利用面向對象的方法對高分辨率遙感影像進行了水體提取。選取最優分割尺度和分割參數對試驗區進行了分割；建立了對象知識庫；選擇合適的閾值參數進行了水體的提取和河流、湖泊的分類；把面向對象方法分類結果與傳統方法分類結果進行了對比分析。試驗表明，面向對象水體提取方法具有更高的精度，不僅有效地區分了水體和陰影，而且很大程度上抑制了“椒鹽現象”。

關鍵詞：遙感；水體提取；面向對象方法；SPOT 5影像

一、引言

近年來，隨著遙感技術的飛速發展，高分辨率遙感影像的應用越來越普及。如何利用高分辨率遙感影像進行水體的提取，近年來得到了廣泛的研究。

劉建波等利用密度分割法從TM影像中提取水體的分布范圍[1]。陸家駒等分別用閾值法、色度判別法、比率測算法從TM資料中識別水體[2]。通過識別結果的比較認為，閾值法的單紅外波段識別水體簡便迅速，但只能滿足4000 m2以上水體的要求，色度判別法優于紅外單波段，比率測算法不但能識別其他方法無法識別的小水體，還能對大水體的形狀有所改進。Barton I J等利用AVHRR通道4提取的亮度溫度來識別水體并對洪水進行了晝夜監測[3]。周成虎、杜云艷等提出了基于水體光譜知識的AVHRR影像水體自動提取識別的水體描述模型，并將該模型應用于太湖、淮河、渤海等地區[4-5]。以上方法均對于平原地區有效，但對于山區卻存在弊端。

在山區和建筑物高大的城市，由于水體和陰影的光譜特征相似，因此在提取水體的同時容易將陰影也提取出來。楊存建等發現在Landsat TM影像中，只有水體具有波段2加波段3大于波段4加波段5的特征，利用此原理可以將水體單一提取出來[6]。徐涵秋在對傳統歸一化差異水體指數(NDWI)分析的基礎上，提出了改進的歸一化差異水體指數(MNDWI)，使用該方法可以區分水體與居民地陰影，很好地提取了城市中的水體信息[7]。而這些都只是運用了影像的光譜信息，而未利用高分辨率遙感影像豐富的空間信息，從而造成了影像資源的浪費。

本文采用面向對象方法，利用eCognition軟件對影像進行水體提取，把影像分割成不同的對象，充分利用影像的光譜信息和空間結構信息，在對象層次上進行水體的提取與分類。通過與傳統的方法進行對比，表明了面向對象水體提取方法的優越性。

二、試驗區數據

本文采用的試驗數據是武漢市2001年的SPOT 5影像數據。SPOT 5衛星于2002 年5月4日發射，是SPOT衛星的第五顆衛星，空間分辨率為2.5 m。由于它具有較高的分辨率和立體觀測的性能，且在環境監測、資源調查和國土整治等方面有廣泛應用，因此，對SPOT 5影像進行信息提取研究具有重要的現實意義。

SPOT 5衛星包括4個波段，分別為近紅外0.78～0.89 μm、紅色0.61～0.68 μm、綠色0.50～0.59 μm、中紅外1.58～1.75 μm以及全色0.41～0.78 μm，其中多光譜影像(包括綠色、紅色、近紅外波段)的空間分辨率為10 m，全色影像的空間分辨率為2.5 m。

試驗區內絕大部分地區為平原，只有在影像的中部偏東側區域有少許的山地。區域內有狹長的河流、較大的湖泊和較小的湖泊，分別為位于影像西部區域的長江及其支流和中部區域的東湖，東部區域的嚴西湖。除此之外還有一些較小的湖泊，如沙湖、南湖、墨水湖等。在影像的長江沿岸附近區域是居民地，有高大的建筑物。

三、研究方法

本文采用面向對象的方法對研究區域進行試驗，與傳統最近距離、最大似然、馬氏距離分類法對比。具體內容如下：

1) 對試驗區的水體對象進行分析研究，尋找最佳的影像分割參數，運用eCognition軟件對影像進行多尺度分割。

2) 根據各種地物的光譜特征、空間形狀、紋理、上下文關系等因素，對水體進行提取，重點研究水體和陰影的區分。

3) 尋找參數因子對提取的水體進行分類。

4) 將面向對象的水體提取方法與傳統的方法進行對比，從而得出結論。

技術路線如圖1所示。

圖1　水體提取流程

四、面向對象水體提取

首先利用ENVI軟件對影像進行融合，然后利用eCognition軟件對影像進行分割得到同質對象，對水體特征進行分析建立水體提取知識庫，采用模糊分類方法實現水體的提取。

1. 數據預處理

全色圖像一般具有較高的空間分辨率，多光譜圖像光譜信息比較豐富，為了得到既具有較高的空間分辨率又具有豐富的光譜信息的圖像，就需要把SPOT 5的多光譜影像和全色影像進行融合。

ENVI軟件中的融合算法有很多，典型的有HSV、Brovey、PC、CN、SFIM、Gram-Schmidt等。這幾種方法中SFIM和Gram-Schmidt方法保真效果最好。在ENVI里面，Gram-Schmidt方法可以自動融合，操作比較簡單。它首先從低分辨率的波譜段中模擬出一個全色波段；然后對該全色波段和各多光譜波段進行Gram-Schmidt變換，其中全色波段被作為第一個波段，用Gram-Schmidt變換后的第一個波段替換高分辨率全色波段；最后再用Gram-Schmidt反變換得到融合的影像[8]。

融合后的研究區域影像如圖2所示，融合后的影像色彩鮮明，影像清晰。

圖2　預處理影像

2. 影像分割

在利用面向對象的圖像分類方法進行分類前，必須利用圖像分割的方法提取目標對象。圖像分割是將圖像分割為分離區域的過程, 它將圖像劃分為一個個大小不等且互不相交的小區域, 小區域是具有某些共同屬性像素的連通集合[9]。

影像分割中確定最優尺度和分割參數是關鍵，這直接決定著分類的精度。最優尺度的選擇主要依賴于影像數據的分辨率和應用目的，通過對試驗區分割結果的對比確定水體提取的最優尺度。

對試驗區進行分割試驗，把分割尺度設置為50、100、150、200、250、300，顏色因子、形狀因子、光滑度、緊密度的權重分別設為0.9、0.1、0.5、0.5。由于研究區域內水體有不同尺度的類型，因此在尋找分割尺度時就要采取折中方法，既要保障小的水體能獨立地分割出來，又要盡可能地使大的水體對象不會太破碎，經過反復試驗得出試驗區域水體提取的最適宜分割尺度為100。圖3為分割尺度100的效果，圖4為分割尺度150的效果，圖5為分割尺度200的效果。從圖中可以看出，圖3雖然能把小的水體分割出來，但是與圖4相比大的水體太破碎。而尺度為200的情況，大的水體比較完整，但是有時小的水體卻沒有獨立分割出來，如圖5中橢圓里的小塊水體，而圖4不僅能把小的水體完整獨立地提取出來，大的水體也不是很破碎，是最適宜的提取尺度。

圖3　尺度為100的影像分割效果圖

圖4　尺度為150的影像分割效果圖

圖5　尺度為200的影像分割效果圖

3. 水體知識庫構建

通常情況下，如果在分類時，僅用一個特征或很少的特征就可以將一個類同其他類區別開，決策支持的模糊分類方法是很好的選擇；否則，應選擇最鄰近分類法，最鄰近分類器能更好地處理多維特征空間的聯系[10]。在進行水體提取時，通過特征分析，發現僅用一個或很少的特征就可以把水體與其他地物區分開來，因此分類時選擇決策支持的模糊分類方法。

使用模糊分類方法，需要首先對對象特征分析的結果建立進行分類的知識庫。對象知識庫是多種特征的集合，選取地物的多種特征，建立分類規則，能夠得到良好的結果。通過對影像水體特征進行分析，進行分類時選擇的特征如下：

1) ratio NIR(近紅外比率)：用于提取水體，并起到區分陰影的效果。

2) max.diff：對對象所有通道的最大最小值作比較，用最大值與最小值的差除以亮度，亮度即為對象在所有通道上強度的平均值。max.diff可以用來區分水體和陰影，它的計算公式為

(1)

式中，對象所有通道中，max為最大值；min為最小值；brightness為亮度。

3) length/width：利用對象長度與寬度比值屬性可以進行河流的提取。

4) length、width：利用長度和寬度屬性可以進行河流的提取，同時可以用來區分主流和支流。

4. 水體提取及分類

(1) 水體提取與陰影分離

SPOT 5遙感數據具有豐富的光譜和空間信息，利用這些信息，方便判讀者進行更準確的地物定位和判讀，更容易分辨和認識地物的內部差異和細節信息。本試驗充分利用了高分辨率影像這一特有的性質，對分割后的水體對象進行分析研究，利用水體和其他地物的不同特征把水體提取出來。

通過對試驗區的水體信息進行分析和研究，發現水體對近紅外和中紅外波段的吸收比較強，反映在影像上就是在波段1和波段4上水體對象的平均強度值與其他地物比明顯偏低。但是，陰影區對近紅外和中紅外的吸收也比較強，如果只利用近紅外或中紅外波段則無法區分陰影和水體。通過對陰影對象和水體對象的光譜值進行對比，發現陰影對紅色波段和綠色波段的吸收比水體較強，利用這一特征，可以利用近紅外比率來進行水體提取。由于水體在近紅外波段反射強度低，近紅外比率與其他地物比會偏低；同時，水體在紅色和綠色波段反射比陰影的強，同樣會導致水體近紅外的比率比陰影的低。通過反復試驗，閾值設置為0.18可得到比較好的效果，小于0.18的為水體，水體提取的效果如圖6所示。

圖6　基于面向對象方法用ratio NIR提取水體效果

通過觀察發現，這樣提取的水體還是混淆了少量的陰影，如在東湖附近的珞珈山、猴山等山地的陰影都隨著水體被提取出來了，如圖6中橢圓所示。這是因為這些陰影與水體的光譜特性很接近，以至于用近紅外比率也難以區分了。通過對這些陰影對象進行分析，發現這些陰影在近紅外和中紅外波段的亮度值都比水體的高，而在紅色和綠色波段的亮度值都比水體的低，這是因為水體的內部結構一致，對不同波段能量進行選擇性吸收；而陰影內部結構不一致，對4個波段的能量吸收時沒有明顯的選擇性，因此導致了陰影在近紅外和中紅外波段的亮度值比水體高，而在綠色和紅色波段的亮度值比水體低的特征，可以利用這一特點把陰影和水體區分開來，通過試驗選擇利用max.diff這一屬性。通過反復試驗，在利用ratio NIR進行提取結果的基礎上，再利用max.diff，閾值設置為0.81可得到很好的水體提取效果，max.diff大于0.81的為水體。提取效果如圖7所示，從圖中可以看出圖6中的山體陰影被很好地消除。

圖7　基于面向對象的試驗區影像水體提取結果圖

(2) 河流和湖泊的分類

通過反復試驗尋找最佳分類閾值，對水體進行河流和湖泊的分類。首先設置length/width≥2.2和length>1600像素把主流河流提取出來，在剩下的水體中設置length/width≥3.2和width<160像素把支流河流提取出來，然后把主流和支流合并為河流類，進行河流提取后的水體便是湖泊了。分類的效果如圖8所示。

圖8　基于面向對象的試驗區影像河流湖泊分類效果

五、結果對比分析

為了客觀地評價面向對象水體提取的優勢與不足，對試驗區數據進行了基于傳統監督分類方法的水體提取。用ERDAS IMAGINE軟件的監督分類功能模塊對試驗區影像選取了樣本，進行傳統的最大似然分類、最小距離分類和馬氏距離分類。

對面向對象分類結果和面向像元的分類結果進行對比分析。首先從目視效果上進行分析評價，分類結果如圖9所示。

圖9　面向對象分類結果

在圖10、圖11、圖12中試驗區采用面向像元的分類方法，主要運用影像的光譜特征，分類結果受到同物異譜、異物同譜的影響嚴重。在圖10中，城市區域有很多地方被分成了水體，并且存在很嚴重的“椒鹽噪聲”。對于圖11用馬氏距離法進行分類，它存在非水體被過度分類的問題。圖12用最大似然法進行分類，它的分類結果比馬氏距離分類法和最小距離分類法的結果精度要高，但它還存在“椒鹽噪聲”。這些都充分說明了傳統分類方法的局限性。

圖10　最小距離分類結果

圖11　最大似然分類結果

圖12　馬氏距離分類結果

而通過目視可以看出圖9面向對象分類方法在抑制“椒鹽噪聲”上有很顯著的效果，這是因為面向對象的方法分類時充分利用了高分辨率遙感影像豐富的上下文信息。不僅如此，面向對象分類方法大大降低了“同物異譜，異物同譜”的影響。

對試驗區面向像元的分類結果進行精度評價，利用ERDAS IMAGINE軟件，運用散點法隨機分配256個樣點作為檢驗樣本。對面向對象法用eCognition軟件進行基于TTA Mask的精度評價方法。精度評價的結果如表1所示。

表1　水提取精度評價結果

從表1中可以看出，面向對象分類方法在總精度和總Kappa上明顯高于傳統的面向像元分類方法。

六、結論

本文利用武漢市的SPOT 5影像數據，進行面向對象的水體提取方法研究，通過試驗對比分析得出以下結論：

1) 本文利用武漢市的SPOT 5影像進行面向對象的水體提取，對水體的提取精度達到了97.72%，

明顯高于傳統的面向像元水體提取方法。

2) 面向對象方法充分利用了高分辨率遙感影像豐富的光譜、形狀和影像中地物間上下文等信息，使得水體和陰影得到了有效區分，提高了分類的精度。

3) 與傳統面向像元的分類方法不同，面向對象方法對提取的同質對象進行分類，破碎對象減少，具有很強的抗噪聲能力，抑制了“椒鹽現象”。

4) 面向對象分類方法的精度受到分割結果的質量和分類規則有效區分性的影響。如何選擇最優分割參數和分割尺度，建立有效的分類規則是提高面向對象分類方法的關鍵。

參考文獻：

[1]劉建波, 戴昌達. TM圖像在大型水庫庫情監測管理中的應用[J]. 環境遙感, 1996, 11(1): 54-58.

[2]陸家駒, 李士鴻.TM資料水體識別技術的改進[J]. 環境遙感, 1992, 7(1): 17-23.

[3]BARTON I J, BATHOLS J M. Monitoring Floods with AVHRR[J]. Remote Sensing of Environment, 1989, 30(1): 89-94.

[4]杜云艷, 周成虎. 水體的遙感信息自動提取方法[J]. 遙感學報, 1998, 2(4): 264-269.

[5]周成虎, 杜云艷, 駱劍承. 基于知識的AVHRR影像的水體自動識別方法與模型研究[J]. 自然災害學報, 1996, 5(3): 100-108.

[6]楊存建, 徐美. 遙感信息機理的水體提取方法的探討[J]. 地理研究, 1998, 17(S0): 86-89.

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

[8]喬玉良, 尚彥玲, 魏信. 遙感圖像融合方法研究[J]. 氣象與環境科學, 2010, 33(1): 73-76.

[9]曹凱, 江南, 呂恒,等. 面向對象的SPOT 5影像城區水體信息提取研究[J]. 國土資源遙感, 2007(2): 27-30.

[10]孫家抦. 遙感原理與應用[M]. 武漢: 武漢大學出版社, 2009:73-76.

引文格式： 殷亞秋，李家國，余濤,等. 基于高分辨率遙感影像的面向對象水體提取方法研究[J].測繪通報，2015(1)：81-85.DOI:10.13474/j.cnki.11-2246.2015.0016

通信作者：李家國。jacoli@126.com

作者簡介：殷亞秋(1990—)，女，碩士，主要從事環境遙感方面的研究。E-mail：823239682@qq.com

基金項目：國家青年科學基金

收稿日期：2014-12-15

中圖分類號：P237

文獻標識碼：B

文章編號：0494-0911(2015)01-0081-05