基于GF-2遙感影像的一種快速水體信息提取方法

鄒 橙，楊學志，董張玉，王 冬

?

基于GF-2遙感影像的一種快速水體信息提取方法

鄒 橙1,2，楊學志1,2，董張玉1,2，王 冬1,2

(1. 合肥工業大學計算機與信息學院，安徽 合肥 230009；2. 工業安全與應急技術安徽省重點實驗室，安徽 合肥 230009)

在高分辨率遙感影像中，水體與陰影(尤其是高大建筑物陰影)、暗色地物不易區分。針對GF-2遙感影像的光譜特性的大量實驗研究，提出了一種新綜合水體指數法(NCWI)來增強水體區域信息；同時利用改進的OSTU結合雞群算法(CSO)快速自適應地確定最佳分割閾值，進而得到最終的水體區域。將其同歸一化NDWI、改進譜間關系法、主成分分析綜合法等常見水體信息提取方法應用于GF-2遙感影像水體信息提取，利用采用實地采樣和人工解譯的混淆矩陣對提取的水體區域結果進行精度驗證和對比分析，從而驗證了其有效性和高效性。4個實驗區域的結果證明，該算法可以快速有效地提取水體信息，精確度分別達到97.82%，97.44%，92.13%，96.94%。

GF-2影像；水體提取；新綜合水體指數；OSTU；高大建筑物陰影；雞群算法

利用遙感技術對水資源進行實時高效地監測、分析以及管理，對于人類的生存和發展具有十分重要的意義。隨著遙感技術的快速發展，衛星影像的分辨率也越來越高，對尺寸很小的對象都能夠分辨出特征細節，使得不同的地物在影像中更加容易區分。然而，隨著影像分辨率的提高，影像中地物信息量也隨之增加，傳統面向對象方法[1-2]雖然能夠保證較高的精確度，但是耗時長，且具有較強的主觀特性，很難達到人們的實際需求。因此如何快速、準確地從高分辨率遙感影像上提取出水體信息一直以來都是人們研究的一個熱點。

目前，國內外在水體信息自動提取方面已經研究出了多種方法，如單波段閾值法、多波段譜間關系法[3]、水體指數法[3-6]、決策樹法、密度分割法、指數法、圖像變換[7-8]等，其中對水體指數法、多波段譜間關系法與決策樹法的研究較多，應用也較為成熟。但主要運用到TM/ETM+這類波段較多且分辨率較低的遙感影像上。適合于分辨率高、波段少、信息量復雜的GF-2遙感影像水體信息提取方法尚不多見，其算法也有待進一步擴展，是目前中國高分辨衛星應用研究的重要課題。根據實際需求，本文在分析GF-2影像常見地物光譜信息的基礎上，提出了一種適合于GF-2影像水體信息提取的新水體指數法(new comprehensive water index，NCWI)，考慮到利用傳統最大類間方差法(OSTU)在自動計算水體指數法信息增強后的遙感圖像二值化最佳閾值耗時較長等問題[9]，在采用改進OSTU算法的基礎上結合一種模擬雞群等級制度和雞群行為的新型全局優化算法——雞群算法(chicken swarm optimization，CSO)[10-11]提高了閾值選取的效率，并對GF-2影像數據進行實驗，驗證了本文算法的有效性和精確性。

1 數據源介紹與分析

1.1 數據介紹與處理

目前，GF-2號遙感衛星是我國分辨率最高的光學遙感衛星，其影像分辨率可達亞米級。原始的GF-2遙感衛星影像包括4 m分辨率的多光譜數據以及1 m分辨率的全色數據。其中多光譜數據包括4個波段:藍(B1，0.45~0.52 μm)、綠(B2，0.52~0.59 μm)、紅(B3，0.63~0.69 μm)、近紅外(B4，0.77~0.89 μm)；全色波段(Pan，0.45~0.89 μm)分辨率為1 m，只有一個波段。

本文選用了4景不同時間、不同區域云量少于2%的GF-2影像作為數據源，見表1。為了達到數據光譜與空間分辨信息最大化利用，采用PRC函數對原始影像進行了正射校正、幾何校正、輻射定標和Flash大氣校正等，較好地保持了圖像的紋理和光譜信息；且利用Gram-Schmidt Pan Sharpening (GS)對校正后的全色和多光譜數據進行圖像融合，獲取分辨率為1 m的彩色融合影像作為實驗備用數據。

表1 實驗數據參照表

1.2 光譜特征分析

對彩色融合圖像中的水體、陰影、建筑物、裸地、道路、植被等典型地物的光譜值進行統計，并對4個實驗區域的光譜值求平均值以保證數據的準確性，結果見表2。其中水體可以分為2類：顏色較亮的清澈水體和易與陰影、暗色地物混合的顏色較暗的渾濁水體。以統計的4個波段的光譜均值為縱坐標，以每個波段中心(0.49，0.56，0.66，0.83)作為橫坐標繪制光譜曲線，如圖1所示。

表2 研究區域水體及其相關地物類型光譜均值

圖1 水體及相關地物典型光譜曲線

分析表2和圖1可知：①植被、淺灘與水體的反射率在藍、綠、紅波段區間比較接近，但是在近紅外波段區間卻呈現相反的增長趨勢。②水體反射率在可見光范圍內總體較低，且隨著波長的增大而逐步走低，在近紅外波段達到最低，幾乎完全吸收，因此水體在遙感影像上呈現暗色調，易與其他地物區分。但是影像中陰影和水體的灰度值較為接近，在近紅外波段上相交叉，使得陰影與水體不易區分。③除了植被之外，其余地物隨著光強依次減小，光散射的能力不同，下降的速率有較大的差異。無論是暗色水體還是亮色水體，從紅、綠波段到近紅外波段，光散射的速率越來越小，即水體和其他地物之間的亮度差異越來越明顯，包括與水體不易區分的陰影。

2 水體提取建模

本文研究的水體自動提取模型，具體步驟如圖2所示，第一步利用水體指數進行水體信息增強；第二步利用改進OSTU算法結合CSO算法進行快速自動閾值提取水體信息。

圖2 遙感影像水體信息提取流程圖

2.1 新型水體指數法

不同的地物在不同波段反射能力不同，對幾個波段進行組合、差值、比值等運算可以突出水體，且盡可能多地抑制非水體信息的表達。暗色地物以及陰影，尤其是高大建筑物陰影是影像水體信息提取的最大干擾因素，如何有針對性地剔除GF-2影像中的陰影非常重要。本文通過觀察表2和圖1可以發現，水體在藍、綠波段下降速率明顯小于紅外波段，因此引入藍波段、綠波段和近紅外波段構建NCWI，即

其中，1，2，4分別為GF-2影像的藍色波段、綠色波段以及近紅外波段。

2.2 OSTU算法

通過對NCWI水體指數增強后的遙感影像利用式(2)在The Environment for Visualizing Images(ENVI)中進行圖像拉伸

其中，min和max分別為拉伸前的最小值和最大值。將拉伸后的4幅遙感影像放入MATLAB中進行統計，得到4個區域的灰度直方圖，如圖3所示。

圖3 4個實驗區域NCWI處理后的灰度直方圖

可知通過NCWI水體指數增強后的圖像尤其是區域內水體比例較多時呈現出較強的雙峰特性。而OSTU利用圖像灰度特性將圖像分為背景和目標，通過統計學方法自動選取一個閾值將前景和背景區分開來。尤其是直方圖雙峰不明顯或圖像目標和背景比例差異懸殊的圖像，OSTU算法較其他算法效果好[9]。但傳統OSTU方法只考慮了統計意義內的目標像元和前景像元整體內部灰度均值的差異特性，忽略了類別內各像元的內聚性，使求得的閾值出現邊界模糊、分類不準確的現象；此外該算法采用的是遍歷搜索算法來求解各灰度對應的類間方差，其計算量大，耗時長。因此本文采用綜合類內方差和類間方差指標來構建閾值，并采用CSO對其進行優化。

將式(2)作為CSO的目標函數即適應度函數來搜索全局最優位置。

(1) 設置算法相關參數。種群規模、公雞、母雞、小雞比例因子以及更新代數。

(2) 計算雞群的適應度值，初始化個體當前最好位置和雞群全局最好位置。

(3) 位置更新及每個個體適應度值計算，更新最優個體值和全局最優值迭代直到滿足停止條件。

設搜索空間為維；種群規模為，第只公雞在維空間的覓食軌跡為

第只母雞在維空間的+1時刻位置為

其中，rand為[0,1]均勻分布，randn為高斯分布；1為第只母雞自身所在群中的公雞；2為整個雞群中公雞和母雞中隨機選取的任意個體，且2不等于1。

+1時刻在母雞周圍覓食，并受該母雞跟隨公雞影響的第只小雞在維空間的活動軌跡為

其中，為第只小雞對應的母雞；為跟隨系數，取值為[0，2]；為學習因子；為小雞的自我學習系數。

(4) 輸出全局最優值，即為最佳分割閾值。

3 實驗結果與分析

3.1 實驗結果

為了避免單一成像條件、地物結構對整體提取結果的影響，本文采用了4幅尺寸大小分別為3279×5412，800×1243，1733×2194和1013×1003的高分二號衛星影像進行水體信息自動提取。

對于光學圖像而言，水體信息的有效提取常常決定于閾值的選擇。選擇3279×5412大小的高分二號衛星影像(圖4(a))為實驗區域，圖4(b)和圖4(c)為手動選取的閾值，其閾值分別為0.19和0.21，圖4(d)為本文OSTU算法自動選取的閾值為0.20的效果圖。

通過對比分析可知，當閾值選擇較小的0.19時，會造成暗色地物尤其是高大建筑物陰影錯提為水體的情況出現；當選擇0.21較大閾值時，則可造成水體信息丟失，漏提一些細小的水體情況出現。此外閾值的選擇具有很強的隨機性，通常需要經過大量的試驗才能得到分割效果較好的閾值，是否為最佳閾值無法確定。而OSTU算法可以自適應地進行最佳閾值的確定。如圖4(d)紅框部分所示，OSTU算法能夠較為完整地提取水體信息，并有效抑制其他地物對水體信息提取的影響。

OSTU算法本身存在計算量大、耗時長的問題，通過引入全局尋優較強的CSO則能夠很好地解決此問題，見表3。通過對4個試驗區域進行實驗，可知本文算法對閾值選擇效率有了很大地提高，而且所選區域越大，信息量越多，算法的優化性能越突顯。

圖4 不同閾值對水體信息提取的影響

表3 OSTU性能優化前后對比圖(s)

為了體現本文水體指數的優越性，本文做了3組實驗，所選數據中水體形狀各異，實驗區域中地物復雜程度逐漸增加，體現出本文方法的普適性和有效性，如圖5所示。

圖5 實驗區域2水體提取結果

(1) 第1組實驗為非城市區域，陰影區域較少。改進的譜間關系法的提取效果最差，主成分分析綜合則漏提了許多小面積水體，NDWI方法和本文方法提取精度較高，本文方法且能提取更多的水體信息，精度提高了3.18%。

(2) 第2組實驗為城市區域，水體面積較大，無細小支流，陰影區域明顯。通過對比分析改進譜間關系法提取精度最差，主成分分析綜合法和NDWI在無誤提的前提下，小面積水體信息丟失較多。本文方法能夠有效將陰影和水體區分開來，如圖6所示。

圖6 實驗區域3水體提取結果

(3) 第3組實驗，地物最復雜且存在細小支流。3種常見方法無法提取細小支流，而且存在少量陰影噪聲無法去除。本文方法能夠很好地將細小支流提取出來，且能提取小面積水體，陰影區分效果也很好，圖7中紅框部分是3種常見方法無法消除的陰影噪聲。

圖7 實驗區域4水體提取結果

3.2 精度評價與分析

為了定量評價本文算法檢測的有效性，選用漏檢率來對算法做評價，并用同一時間的Google Earth影像作為輔助數據，目視解譯結果作為參考圖。在每個研究區域隨機選取700個樣本點，為了消除陰影等暗色地物的影像，本文只采用總體精度S(Overall accuracy)[12]指標來評價每個區域水體信息提取的效果，總體精度反映的是實際檢測到的水體比率。

其中，real為真實檢測到的水體區域；total為標準參考圖上的真實水體區域總數。

從表4中可以看出，已有的適用于高分辨率遙感影像水體信息提取的方法無論是在非城市區域還是城市區域，水體信息提取精度都比不上新提出的NCWI水體信息提取方法的精度。改進譜間關系法和主成分分析方法在建筑物陰影較大的時候，水體精度很差，閾值無法自動獲取；NDWI和NCWI方法能夠較為準確地提取水體信息，但是NDWI容易出現誤提和漏提，精度比不上NCWI水體指數方法。

表4 不同水體方法提取精度對比(%)

4 結束語

本文在水體信息自動提取方面，對所選擇的每個區域影像只選用一個全局閾值進行圖像二值化處理。在實際應用中，所選區域較大，為了提高提取結果的精度，可將大幅影像分成許多小窗口[13]，然后在每個窗口運用優化之后的改進OSTU算法進行閾值的自動計算，自適應確定最佳分割閾值。本文算法無論是在陰影區域還是非陰影區域，水體信息提取的整體效果較好，但是當裁剪區域內高大陰影區域正好投射在暗色地物上時，水體信息提取精度會受到一定影響，接下來將進一步研究。此外，本文算法提出的水體指數同樣也適用于Landsat8高分辨率影像中的水體信息提取。

[1] 付勇勇, 王旭航, 鄧勁松, 等. 采用國產GF-2遙感影像的復雜水網平原水體信息提取[J]. 浙江大學學報: 工學版, 2017(12): 2474-2480.

[2] 童李霞, 燕琴, 駱成鳳, 等. 基于NDWI分割與面向對象的水體信息提取[J]. 地理空間信息, 2017, 15(5): 57-59.

[3] 柯麗娟, 趙紅莉, 蔣云鐘. 基于GF-1衛星遙感影像提取水體的方法比較[J].甘肅科技, 2015(10): 18-21.

[4] 趙慧童, 王萍, 張娜, 等. 基于GF-1遙感數據的城市水體信息提取方法研究[J]. 測繪與空間地理信息, 2017, 40(10): 70-73.

[5] GUO Q D, PU R L, LI J D, et al. A weighted normalized difference water index for water extraction using Landsat imagery [J]. International Journal of Remote Sensing, 2017, 38(19): 5430-5445.

[6] WANG X, XIE S, ZHANG X, et al. A robust multi-band water index (MBWI) for automated extraction of surface water from land sat 8 OLI imagery [J]. International Journal of Applied Earth Observation and Geoinformation, 2018, 68: 73-91.

[7] 周小莉, 郭加偉, 劉錕銘. 基于陸地成像儀影像和主成分分析的水體信息提取——以鄱陽湖區為例[J].激光與光電子學進展, 2016(8): 77-84.

[8] 齊慶超, 張小磊, 金江峰, 等. 基于光譜角匹配算法的水體信息提取研究[J].測繪與空間地理信息, 2016, 39(2): 93-96.

[9] 趙紫薇. 基于OSTU算法利用新型水體指數進行Landsat數據自適應閾值水體自動提取研究[J]. 測繪與空間地理信息, 2016(9): 57-60.

[10] MENG X B, LIU Y, GAO X Z, et al. A new bio-inspired algorithm: Chicken swarm optimization [C]// International Conference in Swarm Intelligence. Berlin: Springer, 2014: 86-94.

[11] 孔飛, 吳定會. 一種改進的雞群算法[J]. 江南大學學報: 自然科學版, 2015, 14(6): 681-688.

[12] 張偉, 趙理君, 鄭柯, 等. 一種改進光譜角匹配的水體信息提取方法[J]. 測繪通報, 2017(10): 34-38.

[13] 袁欣智, 江洪, 陳蕓芝, 等. 一種應用大津法的自適應閾值水體提取方法[J]. 遙感信息, 2016, 31(5): 36-42.

A Fast Water Information Extraction Method Based on GF-2 Remote Sensing Image

ZOU Cheng1,2,YANG Xue-zhi1,2,DONG Zhang-yu1,2,WANG Dong1,2

(1. School of Computer and Information, Hefei University of Technology, Hefei Anhui 230009, China; 2. Anhui Province Key Laboratory of Industry Safety and Emergency Technology, Hefei Anhui 230009, China)

It is difficult to distinguish water from shadow (especially the shadows of tall buildings) and dark ground objects in high resolution remote sensing images, especially in GF-2 remote sensing images. This study analyzes the spectral features of typical terrains of the GF-2 remote sensing images through a lot of experiments. A new comprehensive water index method (NCWI) is proposed to enhance water body region information; and then, the improved method of maximum between-class variance (OSTU) combining with the chicken swarm optimization algorithm (CSO) are used to quickly and adaptively determine the optimal segmentation threshold to obtain the final water body region. To demonstrate the effectiveness of the proposed algorithm, the method of NDWI algorithm, the multi-band spectrum-photometric algorithm and the principal component analysis synthesis algorithms are used for comparison in water-body extraction. The confusion matrix and the field sampling are applied as the statistical metric to quantitatively evaluate the performance of the algorithms mentioned above. The verification results indicate that the new method can be used to extract quickly and effectively extract water body information, and the accuracy reached 97.82%, 97.44%, 92.13%, 96.94% respectively.

GF-2 image; water extraction; new comprehensive water index; OSTU; shadows of tall buildings; chicken swarm optimization

TP 391

10.11996/JG.j.2095-302X.2019010099

A

2095-302X(2019)01-0099-06

2018-07-05；

2018-07-19

國家自然科學基金項目(41601452)；安徽省省重點研究與開發計劃項目(1704a0802124)

鄒 橙(1992-)，女，湖北荊州人，碩士研究生。主要研究方向為數字圖像處理。E-mail：912826890@qq.com

董張玉(1986-)，男，安徽合肥人，副教授，博士。主要研究方向為遙感信息。E-mail：dzyhfut@hfut.edu.cn