一种自适应阈值的水体信息提取方法研究

徐红伟 董张玉 杨学志

摘要：遥感信息中水体信息提取会受到暗色地物和阴影的影响从而导致精度不佳，同时传统的全局阈值提取方法也会造成水体细节信息提取不够精确。基于此，论文以Landsat 8多光谱影像为数据源，提出一种改进的水体指数（NIWI）算法，该方法不仅能增强水体信息，同时借助四叉树图像分块算法与改进的OSTU结合粒子群算法（PSO）高效确定最佳阈值从而得到水体信息。并将文中方法与多波段谱间关系法、归一化水体指数法（NDWI）等传统方法进行综合比对。结果表明：改进的水体指数应用于综合改进的OSTU算法能够高效准确地进行水体信息提取，针对本文实验区域水体提取精度分别可达96.8%和97.7%，为水体信息提取、土地利用调查等提供数据参考。

关键词：水体提取；四叉树分块；OSTU；PSO

Water Body Information Extraction Method with Adaptive Threshold

Xu Hong-wei1，2， Dong Zhang-yu1，2， Yang Xue-zhi1，2

1. School of Computer and Information， Hefei University of Technology， Hefei， 230601 2. Key Laboratory of Industrial Safety and Emergency Technology， Hefei 230601， China

Abstract： The information of water extraction in remote sensing information will be affected by dark features and shadows， resulting in poor accuracy. At the same time， traditional global threshold extraction methods will also cause the details of water extraction to be inaccurate. Based on this， this paper uses Landsat 8 multi-spectral imagery as the data source and proposes an improved water body index （NIWI） algorithm. This method can not only enhance water body information， but also use the quad-tree image block algorithm and improved OSTU to combine particle swarm optimization algorithm （PSO） efficiently determines the optimal threshold to obtain water body information. The method is compared with the traditional methods such as multi-band spectral relationship method and normalized water body index method （NDWI）. The results show that the improved water body index applied to the comprehensive and improved OSTU algorithm can efficiently and accurately extract water body information. The water body extraction accuracy for the experimental area in this paper can reach 96.8% and 97.7%， respectively， and provide reference data for water body information extraction and land use survey.

Key words： Water extraction； Quad-tree chunking； OSTU； PSO

地球上絕大部分地区由水体组成，同时水也是人类社会赖以生存的重要资源。如何高效准确地获取对应水体信息对于资源普查、防灾减灾以及环境保护等方面都有着巨大的意义。伴随着遥感技术突飞猛进，卫星影像的分辨率也有了质的飞跃，借助相关图像处理技术可以较为方便地提取所需要信息。同时，也是因为遥感技术的快速进步，图像中所包含的信息量大大增加，传统的提取方法耗时长、提取准确度不高，故很难满足现在人们的研究需求。因此，如何高效且准确地提取水体信息是当下关注的热点。

目前，国内外在水体信息自动提取方面应用的技术较多，众多学者针对如何提高水体提取精度和优化水体提取方法也进行了大量研究。张德军采用支持向量机法结合目视解译进行水体提取[1]；徐旭利用图像特征同时整合深度学习技术自动提取水体信息[2]；提取方式很大程度上取决于不同遥感影像所包含的信息，故针对缺乏近红外波段信息的影像，戴激光使用基于RGB三通道的区域增长水体识别算法进行水体信息识别提取[3]；徐涵秋通过替换波段信息改进了NDWI法，提高了水体提取精度[4]；袁欣志基于OSTU进行自适应水体阈值确定提取提高了水体提取的准确性[5]。其中大多数方法应用于遥感影像普遍具有多波段、低分辨率的典型特征。而Landsat 8遥感影像具有丰富的波段信息和较高分辨率，传统方法在影像所含信息较多的情况下提取效果并不理想。一方面，随着遥感图像包含的信息量越来越大，水体细节信息提取会受到多种非水体信息干扰导致误提取，提取过程中的运算量也同时加大，往往会增加实验时间，降低提取精度与效率；另一方面，传统的水体提取算法针对遥感图像进行处理时更多着眼于图像的全局特征，一定程度上会造成水体细节信息的丢失。

基于以上研究，本文提出使用改进水体指数结合优化改进的OSTU算法进行水体信息提取，同时希望得到最佳阈值，所以在基于四叉树算法分块图像中引入全局优化算法——粒子群算法（PSO）提高阈值选取的效率和准确性，并对Landsat 8影像处理分析，验证本文方法。

1.数据源介绍与分析

1.1数据介绍与处理

Landsat 8遥感卫星搭载了针对大陆地物信息获取的成像仪（OLI）以及针对非可见光信息（即热红外信息）进行观测的传感器（TIRS）。如表1所示。

本文选取了2处不同时间、不同地点且云量少于3%的Landsat 8影像作为数据来源，参数如表2所示。并对所选区域进行预处理操作，基本过程为：在ENVI中使用Landsat 8辐射定标函数进行图像定标，同时生成符合大气校正的数据；为了较好的保留图像信息的同时排除原始图像中的相关干扰，输入校正参数后应用FLAASH模型对定标后的图像数据进行大气校正；因所取研究区域较广，对相应区域进行图像裁剪用于实验。

1.2光谱特征分析

各地物在各波段的光谱信息存在差异，其中水体在可见光波段的反射率处于低水平表达，但在近红外波段几近被完全吸纳，同时影像中的阴影等部分会与水体混淆不易区分，通过本文所使用的四叉树分割结合综合OSTU技术可以将全局阈值分解为各分块局部最优阈值，进而相对较好地区分水体与非水体目标。

2.水体提取建模

为了更好地进行目标信息提取，本文有针对性地构建了水体提取流程。首先，采用四叉树算法分割实验区域同时使用NIWI增强水体目标；其次使用PSO配合改进的OSTU对水体目标高效自匹配式的进行提取。具体流程如图1所示。

2.1分割提取局部区域

我们一般采用对一整幅遥感图像进行分析和处理的方式进行信息增强和提取，因此难免在增强图像信息和提取所需信息的时候由于图像包含信息量较大、地物信息較为复杂等原因导致提取精度和效率不高等问题的出现。故本文采用四叉树图像分块算法对所研究遥感图像进行分块，从而在各分块局部内实现对水体信息的增强与地物信息的自适应提取，提高水体信息提取的精度和效率。

为了完成对于水体信息密度大的区域进行较密的图像分割，密度小的区域进行较稀疏的图像分割，采用四叉树法能够实现，即：

（1）设定四叉树最大深度Dmax限制四叉树最大划分深度；（2）对各个遥感图像分块内部设置匹配点阈值T0；（3）匹配点大于阈值T0值则对当前块进行划分，否则不划分，认为划分完成。

将遥感图像进行四叉树分块操作为后续水体指数增强信息和自适应水体信息提取过程提供有效样本，同时一定程度上提高了水体信息提取的准确度和效率，也避免了选取全局阈值所引起的水体信息提取误差的出现。

2.2新型水体指数构建

鉴于地物信息与波段信息在光谱和反射能力方面的联系与区别，通过对不同波段进行改进型运算可以突出水体并抑制非水体部分。本文通过参考归一化水体指数（NDWI）以及与之相关的归一化植被指数（NDVI）[6- 8]，在Landsat 8提供的多种波段信息中选取红波段、近红外波段及短红外波段构建NIWI，即：

算法步骤：

①初始化位置；②计算每只鸟的适应度；③找到每只鸟自己的极值，以及整个鸟群的极值；④计算位置变化量，改变位置；⑤尽可能多地重复步骤②～④使其值趋于稳定，即可获得最优解。

3.实验结果与分析

3.1实验结果

文中使用了若干Landsat 8卫星影像进行水体自动提取，以规避地物及成像条件的单调性对全局目标提取效果产生影响[11-12]。针对不同的地物环境，采用本文方法对实验区域1佛子岭区域和实验区域2巢湖区域进行实验，进一步验证本文方法对于不同水体提取的优越性和适应性，同时分别与谱间关系法和NDWI法形成对比，为后续水体信息提取工作作出参考。

（1）实验区域1（佛子岭区域）为非城镇区域，阴影部分较少。谱间关系法的提取效果不佳，NDWI法对于细小支流提取不够明确。本文方法能够较好提取水体细节信息，同时将水体和非水体信息较准确地辨识出来，如图2所示。

（2）实验区域2（巢湖区域）为城镇区域，有较多阴影。谱间关系法所提取的水体目标内容较不完整，NDWI法误提情况表现较多，造成一定程度上非水体目标的错误识别。本文方法一方面较完整地识别出相应水体信息，另一方面并未对其他信息造成误读，如图3所示。

通过实验不难发现，不同方法的提取效果不同。传统方法主要表现为两个方面的问题：①提取的地物信息掺杂了较多非水体信息导致提取精度不高，误提取情况出现；②导致水体信息提取过程中的有用信息的缺失，即无法较好地提取区域面积较小的水体部分。但通过本文中的改进OSTU算法结合PSO算法自适应地确定最佳分割阈值提取实验区域内的水体并对实验区域内水体密集的区域进行模块化分割，大大降低了误提率同时也很好的保留小面积水域以及支流信息，一定程度上降低了非水体目标的表达，提高水体信息提取的精度和效率。