基于高分遥感影像的黄土高原地区水体高精度提取

孙 娜， 高志强,2， 王晓晶， 罗志东

(1.北京地拓科技发展有限公司，北京 100084； 2.北京林业大学，北京 100083；3.水利部水土保持监测中心，北京 100053)

基于高分遥感影像的黄土高原地区水体高精度提取

孙 娜1， 高志强1,2， 王晓晶1， 罗志东3

(1.北京地拓科技发展有限公司，北京 100084； 2.北京林业大学，北京 100083；3.水利部水土保持监测中心，北京 100053)

黄土高原地区水体特征复杂多样，基于高空间分辨率遥感影像在大面积范围内，现有提取方法很难兼顾精度与效率，故提出一种新型的水体精细化自动提取方法。首先，在全局范围内根据不同的水体类型使用面向对象的影像分析技术按照不同的规则方法初步提取水体的主体部分，形成水体的种子区域； 然后，在局部范围内根据同一地物的光谱相似性，进行区域种子生长，实现水体的高精度提取。结果表明，使用该方法提取的水体边缘可以较好地与影像吻合，更能保证水体的完整性，有效减少干扰信息，提升运算效率。

水体提取； 黄土高原地区； 区域种子生长； 面向对象的影像分析； 高空间分辨率

0 引言

随着遥感技术的不断发展，利用遥感手段对水体进行实时动态监测对土壤侵蚀、水资源和水环境调查以及旱情和洪涝监测等具有重要的意义。国内外学者对此展开了大量研究，提出了许多有效的方法。杜云艳等[1]从遥感信息的机理出发，以NOAA/AVHRR数据为例，构建水体提取模型，并取得了较好的提取效果； McFeeters[2]提出归一化差异水体指数模型(normalized difference water index，NDWI)； 徐涵秋[3]在NDWI的基础上，对波长组合进行改进，提出了改进的归一化差异水体指数(modified normalized difference water index，MNDWI)，发现MNDWI较NDWI更能显示水体的微细特征； 都金康等[4]在分析水体光谱特征的基础上，引入水体的空间特征，使用决策树分类方法得到了满意的分类结果； 黄春龙等[5]针对水体的纹理特征展开研究，通过统计图像的灰度共生矩阵，对水体进行提取，发现纹理特征对水体的准确提取非常有效； 杨树文等[6]在使用光谱信息提取水体的基础上，加入了形态学膨胀滤波算法，提高了水体提取的精度； 骆剑承等[7]基于NDWI，采用分步迭代的算法实现了水体提取。

上述水体信息提取方法，大部分只对大面积水域或者小范围内处于丰水期的水库、湖泊和河流比较有效，而对于提取黄土高原地区的水体较为困难，特别是山区小面积水体或者泥沙含量高的细长河流。由于水体泥沙含量较高或者受周边地物的影响，导致光谱混杂，水体光谱特征减弱，加大了提取难度。这种情况下，在大范围内对影像使用同一模型和参数，很难提取所有水体，更难获得十分精确的水面边缘。针对上述情况，本文使用高分一号PMS影像，根据不同的水体类型，采用面向对象的影像分析技术与区域种子生长算法相结合的方法，建立由粗到精、由全局到局部的水体精细化提取模型。通过全局反映水体的整体属性，包含了研究区内不同类型的所有水体； 局部反映水体细节区域，侧重于水体的精细特征。

1 水体提取模型

1.1 水体特征分析

黄土高原地区水体多种多样，根据不同水体在遥感影像上的成像特点，可以将水体分为清澈的水体和无机质泥沙含量高的水体。根据水体所呈现的形态特征可分为以水库和湖泊为主的面状水体及以河流和沟渠为主的条带状水体。无论是面状还是条带状，只要是清澈的水体，在遥感影像上均呈现典型水体的光谱特征，内部纹理都比较光滑均一。在可见光范围[8]内，水体的反射率总体比较低，不超过10%，随着波长的增大逐渐降低，在近红外(near infrared,NIR)波段，水体几乎成为全吸收体，在NIR影像中呈现黑色； 而对于无机质泥沙含量高的水体，遥感成像时不仅呈现水体的光谱特征，还表现出泥沙的光谱特性，并且随着泥沙含量的增加，在NIR波段对水体的反射能力增强，透射能力减弱，在真彩色遥感影像中呈现黄褐色。

1.2 全局水体种子提取方法

基于1.1节所述的水体特征，将水体分为一般性水体和泥沙含量高的条带状水体，其中一般性水体包括清澈的水体和泥沙含量高的面状水体。无论面状还是条带状的清澈水体，都可以直接根据水体的光谱特征进行提取； 泥沙含量高的面状水体，虽然很难全部提取出来，但可以根据水体的光谱特征提取到水体的一部分，作为水体种子点； 而条带状泥沙含量高的水体，由于宽度较窄，易受周围地物光谱的影响，提取较为困难。

根据水体的这些特征，首先采用面向对象的方法针对不同的水体类型进行全局提取。面向对象的分类方法相对于传统的基于像素的分类方法具有明显的优势。不仅会考虑地物的光谱和纹理特征，还可以综合分析地物的几何特征、空间特征及上下文关联特征。该方法首先需要通过分割方法将影像划分成一个个彼此相邻的对象，然后再利用分类算法进行分类。

1.2.1 分割方法

本文采用自动多阈值分割和多尺度分割相结合的方法创建水体种子区域，提取流程如图 1所示。

图1 全局水体种子提取流程Fig.1 Flowchart of water extraction

多阈值分割方法[9]采用FCM聚类法找到水体的聚类中心，再根据直方图统计信息确定的阈值进行分割。该方法运算速度快，但由于主要分析光谱信息，适用于水体特征非常明显的一般性水体的提取。而泥沙含量高的条带状水体种子，采用多尺度分割的方法，从若干像元开始，根据光谱信息、纹理信息和形状信息进行同质性判断，最终确定对象的过程，该方法运算速度相对较慢。

1.2.2 分类算法模型

根据不同水体在影像上的特征，采用基于解译知识的分类方法，分别选用不同算法进行逐步提取，提取流程见图 2。

图2 全局水体种子提取方法Fig.2 Water seeds extraction method

1.2.2.1 NIR波段反射率和NDWI

根据水体的光谱特征，最常用的提取方法是NIR波段阈值法和水体指数法。NDWI水体指数表达式为

(1)

式中Green和NIR分别代表绿光波段和NIR波段的反射率值。

为了构建最优的水体模型，采用随机选点的方式对研究区水体、交通用地、建筑用地、植被、耕地和其他土地6大类各取50个样本点，其中水体样本点包含一般水体和泥沙含量较大的条带状水体各25个。并分别对样本点的NIR和NDWI值进行统计分析，按照升序排列，如图 3。其中，水体样本1—25号样本为一般水体，26—50号样本为泥沙含量高的水体。统计结果发现： ①水体与植被、土壤等其他地物具有明显的差异，尤其在NIR波段的反射率最低，这与水体在NIR波段的强吸收特征有关； ②在NDWI图像上，水体数值最高，尤其是一般水体与其他地物的区分明显，泥沙含量高的水体则具有与其他土地、城镇及工矿用地相似的值域范围。考虑到NIR波段不能排除地形起伏对水体的干扰，水体和阴影混淆严重，但是NDWI有所改善[10]，针对一般水体采用NDWI进行提取； 对泥沙含量高的条带状水体，采用NIR波段反射率进行初步提取，然后再结合其他算法消除干扰地物的影响。

(a) NIR (b) NDWI

图3水体样本点统计

Fig.3Statisticalgraphofsamplepoints

1.2.2.2 密度(Density)

密度反映对象各个像素的紧致程度，通常条带状水体密度值低于一般的多边形面状地物。密度表达式为

(2)

式中：d代表密度；n代表分割对象包含的像素个数；Var(X)和Var(Y)分别代表对象像素在X轴和Y轴的方差。

1.2.2.3 黄度指数(Yellow)

由于泥沙含量高的水体在真彩色影像上呈现偏黄的颜色特征，通过构建黄度指数，作为水体提取的辅助参数，去除柏油路等线状低反射的干扰地物对水体提取的影响。黄度指数表达式为

Yellow=Green+Red-2Blue,

(3)

式中Red和Blue分别代表红光和蓝光波段的反射率值；Yellow代表黄度指数。

1.3 局部种子生长水体优化提取方法

局部水体优化提取采用区域种子生长算法[11]，从面向对象方法提取的水体种子对象出发，对相邻的对象进行同质性判断，如果判断为同质的，则归为水体种子，如果判断为异质的，则停止生长。

首先，采用缓冲区的方法，以水体种子对象为基础，根据距离信息向外扩张，形成局部水体优化工作区。工作区内部的水体光谱特征相似，与其他地物有较大差异。局部优化工作区可以有效降低整体背景光谱信息对水体提取的干扰，提高水体提取精度，减少工作范围，提高工作效率。其次，采用NIR波段的均值作为同质性判断准则，只有满足同质性准则的相邻对象才可以归为水体种子区域，实现增长。再次，以水体种子对象为中心，采用自上而下的搜索方式，迭代计算，对工作区内相邻的像素逐一进行同质性判断，实现循环增长，直到不满足同质性准则为止。最后，由于自动提取水体往往会存在空洞和孤立点，根据空间和形态关系利用数学生态学进行后处理，去除噪声点，并进行区域合并，输出最终的水体提取结果。技术流程如图4所示。

图4 水体种子局部增长技术流程Fig.4 Flowchart of seeded region growing

2 结果与分析

为了验证本文算法的有效性，选择陕西省榆林市横山县为研究区进行水体提取实验。该区位于无定河中游，毛乌素沙漠南缘，属鄂尔多斯草原向黄土高原的过渡地带，海拔在900～1 500 m之间。区内水体多为山间河流、水库和湖泊等。处于丰水期的水库和湖泊，泥沙含量较少，水陆边界清晰。而河流多发源于山间，具有泥沙多、流程短、流域面积小、径流量受降雨量或季节影响强烈等特点，其影像水陆边界不清晰。采用2014年8月25日高分一号PMS相机获取的空间分辨率为2 m的全色影像和空间分辨率为8 m的多光谱影像为数据源。处理流程包括： ①大气校正、正射校正和融合等预处理； ②全局水体种子提取； ③局部种子生长水体优化提取。

2.1 全局水体种子提取结果

一般水体的在影像上色调较深，与其他地类异质性明显，使用多阈值分割效果理想。而泥沙含量高的条带状水体，由于含水量少、泥沙含量高或其他原因，水陆边界不清晰，使用多阈值分割效果较差，而采用多尺度分割效果相对较好。不同的水体分割效果如图 5和图 6所示。

(a) 一般水体(b) 泥沙含量高的条带状水体

图5多阈值分割水体效果

Fig.5Multi-thresholdsegmentationofwaterbody

(a) 河流1 (b) 河流2

图6多尺度分割条带状水体效果

Fig.6Multiresolutionsegmentationeffectofriver

根据一般水体在NDWI上与其他地物的明显差异，取值0.16即可将全局一般水体种子区域较好地提取出来，但泥沙含量高或者过细的河流仍有漏提现象存在，需采用其他模型提取。NDWI水体提取效果见图 7。

(a) 一般水体种子(b) 泥沙含量高的条带状水体种子

图7NDWI提取水体种子区域

Fig.7WaterseedsextractionbyNDWI

根据泥沙含量高的条带状水体在NIR波段的低反射特征、线状特征及黄度特征，NIR取值4 500，Density取值0.7，Yellow取值2 000，即可将全局内泥沙含量高的条带状水体种子提取出来，有效去除阴影、低反射的建筑和道路等的干扰。泥沙含量高的条带状水体种子提取效果见图 8。

(a) 仅利用NIR提取的河流种子 (b) 多参数结合提取的河流种子

图8泥沙含量高的条带状水体种子区域提取效果

Fig.8Turbidwaterseedsextractioneffect

全局水体种子提取实现了水陆的初步分离，但是由于水质的差异及周边地物的影响，未能完全提取水体区域。需通过后续局部种子生长优化实现水体的完整、高精度提取。全局水体种子提取结果局部效果见图 9。由图9可见，水体的位置信息定位准确，中心区域可以很好地提取出来，但是水体边缘仍然存在误差，而且不同的水面边缘误差不同。

(a) 水体1 (b) 水体2

图9全局水体种子区域提取效果

Fig.9Waterseedsextractioneffectinwholedomain

2.2 水体种子生长优化提取结果

以水体种子区域为中心，向外扩展20个像素宽度作为水体优化提取工作区，采用自上而下的搜索方式，NIR均值取5 000，对水体种子进行逐步生长，得到高精度的水体提取结果。水体种子生长过程和生长结果如图 10。

(a) 全局水体种子提取结果 (b) 水体优化提取工作区

图10-1水体种子生长过程

Fig.10-1Seededregiongrowingprocessofwater

(c) 水体种子生长结果 (d) 最终的水体提取结果

图10-2水体种子生长过程

Fig.10-2Seededregiongrowingprocessofwater

图11为经过种子生长优化后的水体提取效果，从图中可以发现，提取的水体边缘与实际水陆边界几乎完全重合。对比图 9可以发现，经过种子生长提取的水体更加完整，边缘精度更高。

(a) 水体1 (b) 水体2

图11经过种子生长后最终的水体提取效果

Fig.11Finalwaterextractionresults

图 12为2景高分一号PMS遥感影像水体自动提取的实例，影像分别获取于2015年6月8日和7月19日研究区附近区域，从图中局部放大的水体区域可以看出，通过该方法提取的水体位置信息准确，边缘精度很高。

(a) 2015年6月8日 (b) 2015年7月19日

(c) 区域A (b) 区域B (e) 区域C(f) 区域D (g) 区域E (h) 区域F

图12不同影像使用水体提取模型自动提取效果

Fig.12Waterextractionresultsindifferentimages

上述研究表明，使用面向对象分类方法与种子区域生长方法相结合提取水体，边界准确、水体图斑完整，与影像边界的吻合度非常高。以专家知识判读方法人机交互提取的水体为参考，通过统计面积的方法进行精度分析，正确率A和漏提率E计算公式为

(4)

(5)

式中：SA为提取正确的面积；SE为漏提面积；S为总参考面积。

通过统计分析，常用的NDWI方法提取的水体正确率为83.67%，漏提率为16.33%； 而本文方法提取的水体正确率为99.32%，漏提率为0.68%，提取精度提升了15.65%。

3 结论

1)面向国产高分影像，针对黄土高原晋陕蒙丘陵沟壑区提出一种新型水体高精度自动提取模型。

2)该模型将中等空间分辨率水体提取思想与精细化需求相结合，不仅可以有效去除道路、低反射的建筑和阴影等易混地物的影响，还可以保证水体的边缘精度和水体的完整性。

3)该模型简单易用，易于软件工程化的实现。

但是通过对不同地区测试，该方法模型对低反射的工矿用地不敏感，容易混入水体，有待后续进一步研究。

[1] 杜云艳,周成虎.水体的遥感信息自动提取方法[J].遥感学报,1998,2(4):264-269.

Du Y Y,Zhou C H.Automatically extracting remote sensing information for water bodies[J].Journal of Remote Sensing,1998,2(4):264-269.

[2] McFeeters S K.The use of normalized difference water index(NDWI) in the delineation of open water features[J].International Journal of Remote Sensing,1996,17(7):1425-1432.

[3] 徐涵秋.利用改进的归一化差异水体指数(MNDWI)提取水体信息的研究[J].遥感学报,2005,9(5):589-595.

Xu H Q.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.

[4] 都金康,黄永胜,冯学智,等.SPOT卫星影像的水体提取方法及分类研究[J].遥感学报,2001,5(3):214-219.

Du J K,Huang Y S,Feng X Z,et al.Study on water bodies extraction and classification from SPOT image[J].Journal of Remote Sensing,2001,5(3):214-219.

[5] 黄春龙,邢立新,韩 冬.基于纹理特征的水系信息提取[J].吉林大学学报(地球科学版),2008,38(S):226-228,250.

Huang C L,Xing L X,Han D.Extracting the information of water system based on texture features[J].Journal of Jilin University(Earth Science Edition),2008,38(S):226-228,250.

[6] 杨树文,薛重生,刘 涛,等.一种利用TM影像自动提取细小水体的方法[J].测绘学报,2010,39(6):611-617.

Yang S W,Xue C S,Liu T,et al.A method of small water information automatic extraction from TM remote sensing images[J].Acta Geodaetica et Cartographica Sinica,2010,39(6):611-617.

[7] 骆剑承,盛永伟,沈占锋,等.分步迭代的多光谱遥感水体信息高精度自动提取[J].遥感学报,2009,13(4):604-615.

Luo J C,Sheng Y W,Shen Z F,et al.Automatic and high-precise extraction for water information from multispectral images with the step-by-step iterative transformation mechanism[J].Journal of Remote Sensing,2009,13(4):604-615.

[8] 梅安新,彭望琭,秦其明,等.遥感导论[M].北京:高等教育出版社,2001.

Mei A X,Peng W L,Qin Q M,et al.An Introduction to Remote Sensing[M].Beijing:Higher Education Press,2001.

[9] 段 锐,管一弘.医学图像自动多阈值分割[J].计算机应用,2008,28(S2):196-197.

Duan R,Guan Y H.Multi-threshold value segmentation approach for medical images[J].Computer Applications,2008,28(S2):196-197.

[10] 毕海芸,王思远,曾江源,等.基于TM影像的几种常用水体提取方法的比较和分析[J].遥感信息,2012,27(5):77-82.

Bi H Y,Wang S Y,Zeng J Y,et al.Comparison and analysis of several common water extraction methods based on TM image[J].Remote Sensing Information,2012,27(5):77-82.

[11] Adams R,Bischof L.Seeded region growing[J].IEEE Transactions on Pattern Analysis and Machine Intelligence,1994,16(6):641-647.

High-preciseextractionforwaterontheLoessPlateauregionfromhighresolutionsatelliteimage

SUN Na1, GAO Zhiqiang1,2, WANG Xiaojing1, LUO Zhidong3

(1.BeijingDatumTechnologyDevelopmentCo.Ltd.,Beijing100084,China; 2.BeijingForestryUniversity,Beijing100083,China;3.MonitoringCenterofSoilandWaterConservation,MinistryofWaterResources,Beijing100053,China)

In the Loess Plateau region, it is difficult to extract the complex water automatically and accurately in a large area, and hence a new water extraction method is proposed in this paper, which combines the object-based image analysis and seeded region growing algorithm. In the first step, it uses object-based image analysis to extract the main part of the water body according to the different water features and form the seeds region of water area. Then based on the result, the seeds grew to the precise shape of water. Extraction result shows that the method is effective, high precise and high efficient.

water extraction; Loess Plateau; seeded region growing algorithm; object-based image analysis; high spatial resolution

10.6046/gtzyyg.2017.04.26

孙娜,高志强,王晓晶,等.基于高分遥感影像的黄土高原地区水体高精度提取[J].国土资源遥感,2017,29(4)：173-178.(Sun N,Gao Z Q,Wang X J,et al.High-precise extraction for water on the Loess Plateau region from high resolution satellite image[J].Remote Sensing for Land and Resources,2017,29(4)：173-178.)

TP 79

A

1001-070X(2017)04-0173-06

2016-04-18；

2016-07-11

高分水利遥感应用示范系统(一期)“高分辨率对地观测系统重大专项”(编号： 08-Y30B07-9001-13/15)和水利部综合事业局拔尖人才培养专项共同资助。

孙 娜(1987-)，女,硕士,主要从事遥感技术与地学应用研究。Email： 377754198@qq.com。

(责任编辑：陈理)