面向对象的多尺度水体信息提取

岁秀珍，阮仁宗，马荣华，夏 双

（1.河海大学地球科学与工程学院，江苏南京210098；2.中国科学院南京地理与湖泊研究所，江苏南京210008)

面向对象的多尺度水体信息提取

岁秀珍1，阮仁宗1，马荣华2，夏 双1

（1.河海大学地球科学与工程学院，江苏南京210098；2.中国科学院南京地理与湖泊研究所，江苏南京210008)

以安徽省阜阳市阜南县东南部为研究区，利用L and satTM数据，基于面向对象的多尺度分类方法，选取合适的分割尺度创建分类对象；通过分析研究区各种地物复杂的光谱响应特征，建立水体信息提取的知识规则集，对研究区水体进行提取研究。研究表明，与传统的利用单波段和NDW I等方法所提取的水体相比，规则推理法在提取水体时可以消除一些影像上其他干扰信息的影响，取得较好的提取效果和精度。除此之外，该方法简单易行，水体提取的规则集对于用户来说是透明的，易于理解。

规则推理；K-T变换；多尺度分割；面向对象

水文水资源已经成为遥感研究的重要分支之一。通过对遥感影像的分析，获得水体的分布，从而对一个地区的水资源和水环境等进行评价，为水利、交通、航运及资源环境等部门提供决策服务。常用的遥感影像水体提取方法主要是分析水体及背景地物的光谱值，利用单个波段或者是不同波段的组合来提取影像中的水体信息，从而达到所需效果。对于水体信息的提取国内外学者进行了大量深入的研究，目前常用的方法有：单波段阈值法、比值法、差值法、归一化水体指数法等。Juppd等通过分析TM影像光谱直方图，选取TM 7波段阈值进行水体信息的提取，单波段法简单易行但混分现象严重，精度不高[1]。杨存建等基于TM影像，利用TM 2+TM 3>TM 4+TM 5的波段组合特征有效提取了水体信息[2]；M cFeeter根据TM 2、TM 4波段间的关系，提出归一化水体指数 NDW I提取水体信息，该方法可以抑制土壤和植被信息，但难以抑制建筑物的信息[3]；徐涵秋在NDW I的基础上提出改进的归一化水体指数MNDW I，在城区结合MNDW I的阈值提取水体信息取得了很好的效果[4]，提取精度明显提高；都金康基于 SPOT影像的决策树对水体进行识别，该方法可以有效地去除山体阴影[5]；徐涛等采用面向对象的城市水体信息提取方法，该分类方法消除单纯利用光谱信息的缺陷，提高了分类精度[6]。本文在其他学者的基础上首先分析原始TM影像上各种复杂地物之间的波谱特征，利用原始影像延伸出来的湿度分量，通过分析各种不同对象的形状特征、拓扑特征等构建规则集，采用面向对象的方法对研究区的水体进行提取研究，最后通过精度评价来验证此方法的可行性。

1 研究区域概况及数据预处理

阜南县位于安徽省西北部阜阳市境西南部，淮河北岸，东临颍上县，北与阜阳市接壤，西接临泉县，南与河南省固始、淮滨两县相邻，位于淮河中游左岸，黄淮平原南端，地处淮北平原西南部，地势低平、由西北向东南缓倾。河流有淮河及其支流洪河、谷河、润河、草河等。研究区居住地和水体分布形态比较复杂，水体围绕着居住地分布，不利用水体信息的提取，研究区的具体位置如图1所示。

图1 研究区的地理位置图

本文利用L and sat TM数据进行水体提取实验。该数据是2009年4月4日获取，景号为121/037，无云，数据质量良好。利用1∶5万地形图选取地面控制点进行数据的几何校正。接着，对TM影像进行K-T变换，变换后的3个分量,即亮度（brightness）、绿度（greenness）和湿度（wetness）将用于后面的水体信息提取。针对研究区特点，根据影像解译能力并结合实地考察结果，将研究区的土地利用/覆盖类型主要分为人工表面、植被、水渠、河流和坑塘（见表1）。

表1 研究区土地覆盖分类体系

2 水体信息提取原理与方法

2.1 K-T变换

K-T变化是多光谱波段的一种线性变化且该变换能消除多光谱图像的相对光谱响应相关性，对全色图像可视化、自动提取和特征提取都非常有用。K-T变化也称为缨帽变化，KauthR.J[7]和ThomasG.S在总结MSS图像数据特征基础上,提出了一种适用于MSS图像数据的线性变换,使其波谱空间变换到几个有物理意义的方向上,即：

式中,X为MSS图像4个波段数据组成的矩阵,每一行为一个波段像元组成的向量；Y为缨帽变换后的数据矩阵；R为缨帽变换的正交变换矩阵；r为补偿向量，意在避免Y有负值出现。这种方法对L and sat TM影像也是适用的[8]。对 TM图像进行缨帽变化,产生亮度(B)、绿度 (G)和湿度 (W)，利用各种地物的湿度差异可以很好地将水体提取出来（如图2所示）。

图2 不同地物的湿度绿度亮度变化图像

2.2 面向对象的分类方法

传统的基于像元的分类方法已经比较成熟，而且在许多领域取得了很好的效果。基于对象的分类方法就是利用多尺度分割形成影像对象，建立对象的主要层次结构，计算对象的光谱特征、几何特征、拓扑特征等，利用对象的特征建立分类规则，并通过不同对象层次间信息的传递和合并实现对影像的分类，可以有效地克服基于像元层次分类的不足[9]。图像分割是将影像分割为分离区域的过程，目前常用的分割方法是多尺度分割。多尺度分割是从任一像元开始，根据影像的异质性采用自下而上的区域合并方法形成对象，是一个内部优化的过程[10]。而影像的异质性则由对象的光谱和形状差异确定，形状的异质性由光滑度和紧凑度来衡量。设置较大的分割尺度，则对应较多的像元被合并，产生较大面积的对象；分割尺度越小，对象面积越小，越有利于小面积地物的提取。分割后对象内部的光谱差异小，对任一对象可以忽略其纹理等空间信息。根据提取对象的不同和研究区域的大小确定分割尺度，最终提取出地物，取得较好的效果[11，12]。

2.3 规则集构建中的对象特征选择

2.3.1 光谱特征分析

在规则推理构建过程中，将研究区分为人工表面、植被、库塘、水渠和河流等5种基本土地覆盖类型，对上述每种典型地物进行灰度值采样，按最大值、最小值和平均值加以统计（见图3）。水体在可见光、近红外和中红外波段的吸收都很强，即使水体很浅，在这些波段的反射率也几乎为零[13]。水体的这一特性给水体的识别带来了很大的方便。周成虎等对其进行深入研究得出：在L and sat TM影像上，水体一般遵循着波段值增大，光谱值减小的特征[14]。光谱响应特征在多光谱遥感影像地物识别中是最直接、最重要的解译元素。地表的各种地物由于物质组成和结构不同而具有独特的波谱反射和辐射特性，在影像上则相应地表现为亮度值的差异，这种亮度值的差异是地物识别的基础。

图3 不同地物的波谱响应特征曲线

2.3.2 拓扑特征分析

拓扑特征（邻接关系）是指对象间的相邻、相接、包含等拓扑关系,描述对象间或一景图像内部几何关系的特征。

式中,i表示类别；Si为分割对象的邻接对象归属类别i的面积。每个影像对象有其自身的相邻影像对象,提供重要的拓扑关系，具有相似光谱特征的可以采用拓扑特征进行区分。

2.3.3 形状特征分析

形状信息是遥感影像目视判别中的一个非常重要的线索，形状特性包括对象的面积、长宽比、边界长、形状指数、紧致度、圆形度、凸度等信息[15]。

面向对象中的形状指数为：L=A1/2/P

式中，L为形状指数；A为面积；P为周长。它能够较好识别外形不同的地物类型。线状地物具有很小的形状指数，而圆的形状指数最大，正方形次之，接近于长方形或方形的库塘，形状指数相对线状地物较大,因此,河流的形状指数较水库、池塘要小[5]。

2.4 复杂背景下知识解译库的建立

首先，根据水体的光谱特征，先利用第 4波段提取出一部分水体，接着再利用K-T变化后的湿度特征跟TM原始影像的不同波段组合在一起，即（wetness+ B2) (B3+B4)≥-3110，B2,B3,B4分别为TM原始影像的第 2、3、4波段，将剩余的跟其他地物混合在一起的水体提取出来。其次，利用merge region将水体合并起来，河流的长度明显大于水渠和库塘，所以用length=240提取河流。最后，利用 shape index≤2.2提取库塘。这时就把水体信息提取出来（如图4所示）。

图4 面向对象水体提取结构图

3 结果与分析

3.1 水体信息提取的尺度依赖性

采用不同的分割尺度提取出来的水体信息会出现不同的结果，在自定义形状指数为0.1，紧凑度和光滑度分别为0.5、0.5的情况下，采用同一指标进行提取，不同的分割尺度提取出来的水体信息是不同的，如图5所示。

尺度不同生成的影像对象多边形的大小和数量也不同。一般地，分割尺度值越大，所生成的对象层内多边形面积就越大且数目越小，反之亦然。当分割尺度为15时，分割比较破碎，河流、水渠的破碎化程度比较大，此时整景影像的所有对象之间光谱异质性都较小，因此不利于水体的提取。当分割尺度为 30时,河流分割的比较完整，能与河流旁边的植被分开，并且水渠和库塘也容易被区分开。随着尺度参数的增大，由于混合像元的存在使得不同类相邻的地物合并，导致对象内部标准差增大，同质性指数变大，也不利于水体信息的提取。因此通过对比分析确定最后的分割尺度为30，尽可能地把细小线状河流和小型水库坑塘都提取出来，在分割尺度为30的前提下，结合eCognition软件中的feature view工具，根据自己建立的知识解译库将水体信息提取出来。

图5 不同分割尺度的水体提取结果

3.2 水体提取结果精度评价

根据野外的采样点和在研究区随机采取291个点，结合原始影像，将提取出的水体信息与原影像进行叠加。从表2中看出，库塘的分类精度最高，达到96%，这是因为水库水质较好，分割的对象参数特征明显，较容易分类；其次是河流，分类精度为95.92%，这主要是由于河流两岸植被的影响造成的；分类精度最低的是水渠，因为水渠面积较小，分布零散，光谱特征容易受周围环境的影响，因此造成精度的降低。总体分类精度为95.93%，可以满足实际应用需求。

表2 水体信息提取结果精度评价表

4 结 语

本文首先在ENVI中对TM影像进行K-T变换，然后导入eCongnition中进行波段运算提取水体，根据规则推理，建立知识体系，提取精度得到了很大的提高,达到95.93%。

基于规则推理法,采用面向对象的多尺度分割在提取水体时可以消除一些影像上其他干扰信息的影响，仅靠光谱之间的关系无法对水体进行正确提取，在提取水体时很容易混分，K-T变化可以增强不同波段之间的信息，可以消除这些混淆。

基于面向对象的分类方法，充分利用影像的光谱信息、拓扑关系、纹理信息等建立成员函数,从而可以大大提高分类的精度,减少错误分类的现象。通过建立一定的知识规则，采用多尺度分割的方法，可以把一些细小水体、坑塘等很好地提取出来。此方法简单易行可以推广到其他地物信息的提取。

[1] Juppd LB,Mayo KK,Kuchler DA,et al.L and sat Based Interpretation of the Cairns Section of the Great Barrier Reef Marine Park [C].Australia:The CSIROC Natural Resources Series.NO4. CSIR.Division of Water and L and Resources,1985

[2] 杨存建，徐美.遥感信息原理的水体提取方法的探讨[J].地理研究，1998，17：86-89

[3] M cfeeters SK.TheUseof theNormalized DifferenceWater Index (NDW I)in the Delineation of Open water Features[J].International Journal of Remote Sensing,1996,17(7):1 425-1 432

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

[5] 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,2001，3（5）：214-219

[6] 徐涛，谭宗坤.面向对象的城市水体信息提取方法[J].地理空间信息,2010（03）：70-72

[7] Kauth R J,Thomas G S.The Tasseled Cap--A Graphic Description of the Spectral-Temporal Development of Agricultural Crops as Seen by LANDSAT[A]//Proceedings of the Symposium on Machine Processing of Remotely Sensed Data Purdue University of West Lafayette,Indiana[C].1976,4B:411 51

[8] Crist E P,Kauth R J.The Tasseled Cap Del Mystified[J].Photogrammetric Engineering and Remote Sensing,1986,52(1):81-85

[9] 陈云浩，冯通，史培军,等.基于面向对象和规则的遥感影像分类研究[J].武汉大学学报，2006，31（4）：317-320

[10]林川，宫兆宁，赵文吉.基于中分辨率TM数据的湿地水生植被提取[J].生态学报，2010，30(23):6 460-6 469

[11]魏飞鸣.基于形状参数的遥感图像“同谱异物”目标区分[C].福州：第十四届全国图像图形学学术会议论文集，2008

[12]曹凯，江南，吕恒，等.面向对象的SPOT5影像城区水体信息提取研究［J］.国土资源遥感，2007(2):27-29

[13]孙晓霞，张继贤，刘正军.利用面向对象的分类方法从IKONOS全色影像中提取河流和道路［J］.测绘科学，2006，31(1):62-63

[14]赵英时.遥感应用分析原理与方法[M].北京：科学出版社,2003

[15]周成虎，骆剑承.遥感影像地学理解与分析[M].北京：科学出版社，1999

InformationExtractionof Object-orientedMulti-scaleWaterBodies

by SUI Xiuzhen

In the paper,the south-eastern part of Funan country was takenas study area.Land satTMis usedfortheextraction ofwaterbodies.After the analysis of objects,the optimal scale was found for the segmentation of remotely sensed data and hierarchical objects were created by using Multi-scale segmentation algorithm.Based on the analysis of complicated spectral features of objects in the study area, knowledge rule set was generated found for the classification of objects in eCognition.Compared with the results of water bodies extracted by using the traditional single band techniques and NDWI technique,the method of rule inferring can achieve high accuracy in the extraction of water bodies.Moreover,the method is simple and easier to apply,and apparent to the user.

rule inferring，K-T transformation，multi-scale segmentation，object-oriented classifications

2012-03-23

项目来源：江苏省自然科学基金资助项目（BK2008360）；江苏省博士后基金、河海大学人才引进基金、中央高校基本科研业务费专项资金资助项目（2009B12714、2009B11714）；中国科学院战略性先导科技专项子课题资助项目（XDA05050106）。

P237

B

1672-4623(2012)06-0072-04

岁秀珍，硕士，主要从事水文遥感与GIS研究。