基于高分辨率遥感影像的面向对象水体提取方法研究

2016-01-26殷亚秋李家国杨红艳张永红

测绘通报 2015年1期

关键词：面向对象高分辨率阴影

殷亚秋，李家国，余　涛，杨红艳，张永红

(中国科学院遥感与数据地球研究所，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

基于高分辨率遥感影像的面向对象水体提取方法研究

殷亚秋，李家国，余涛，杨红艳，张永红

(中国科学院遥感与数据地球研究所，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：根据高分辨率遥感影像的特点，利用面向对象的方法对高分辨率遥感影像进行了水体提取。选取最优分割尺度和分割参数对试验区进行了分割；建立了对象知识库；选择合适的阈值参数进行了水体的提取和河流、湖泊的分类；把面向对象方法分类结果与传统方法分类结果进行了对比分析。试验表明，面向对象水体提取方法具有更高的精度，不仅有效地区分了水体和阴影，而且很大程度上抑制了“椒盐现象”。

关键词：遥感；水体提取；面向对象方法；SPOT 5影像

一、引言

近年来，随着遥感技术的飞速发展，高分辨率遥感影像的应用越来越普及。如何利用高分辨率遥感影像进行水体的提取，近年来得到了广泛的研究。

刘建波等利用密度分割法从TM影像中提取水体的分布范围[1]。陆家驹等分别用阈值法、色度判别法、比率测算法从TM资料中识别水体[2]。通过识别结果的比较认为，阈值法的单红外波段识别水体简便迅速，但只能满足4000 m2以上水体的要求，色度判别法优于红外单波段，比率测算法不但能识别其他方法无法识别的小水体，还能对大水体的形状有所改进。Barton I J等利用AVHRR通道4提取的亮度温度来识别水体并对洪水进行了昼夜监测[3]。周成虎、杜云艳等提出了基于水体光谱知识的AVHRR影像水体自动提取识别的水体描述模型，并将该模型应用于太湖、淮河、渤海等地区[4-5]。以上方法均对于平原地区有效，但对于山区却存在弊端。

在山区和建筑物高大的城市，由于水体和阴影的光谱特征相似，因此在提取水体的同时容易将阴影也提取出来。杨存建等发现在Landsat TM影像中，只有水体具有波段2加波段3大于波段4加波段5的特征，利用此原理可以将水体单一提取出来[6]。徐涵秋在对传统归一化差异水体指数(NDWI)分析的基础上，提出了改进的归一化差异水体指数(MNDWI)，使用该方法可以区分水体与居民地阴影，很好地提取了城市中的水体信息[7]。而这些都只是运用了影像的光谱信息，而未利用高分辨率遥感影像丰富的空间信息，从而造成了影像资源的浪费。

本文采用面向对象方法，利用eCognition软件对影像进行水体提取，把影像分割成不同的对象，充分利用影像的光谱信息和空间结构信息，在对象层次上进行水体的提取与分类。通过与传统的方法进行对比，表明了面向对象水体提取方法的优越性。

二、试验区数据

本文采用的试验数据是武汉市2001年的SPOT 5影像数据。SPOT 5卫星于2002 年5月4日发射，是SPOT卫星的第五颗卫星，空间分辨率为2.5 m。由于它具有较高的分辨率和立体观测的性能，且在环境监测、资源调查和国土整治等方面有广泛应用，因此，对SPOT 5影像进行信息提取研究具有重要的现实意义。

SPOT 5卫星包括4个波段，分别为近红外0.78～0.89 μm、红色0.61～0.68 μm、绿色0.50～0.59 μm、中红外1.58～1.75 μm以及全色0.41～0.78 μm，其中多光谱影像(包括绿色、红色、近红外波段)的空间分辨率为10 m，全色影像的空间分辨率为2.5 m。

试验区内绝大部分地区为平原，只有在影像的中部偏东侧区域有少许的山地。区域内有狭长的河流、较大的湖泊和较小的湖泊，分别为位于影像西部区域的长江及其支流和中部区域的东湖，东部区域的严西湖。除此之外还有一些较小的湖泊，如沙湖、南湖、墨水湖等。在影像的长江沿岸附近区域是居民地，有高大的建筑物。

三、研究方法

本文采用面向对象的方法对研究区域进行试验，与传统最近距离、最大似然、马氏距离分类法对比。具体内容如下：

1) 对试验区的水体对象进行分析研究，寻找最佳的影像分割参数，运用eCognition软件对影像进行多尺度分割。

2) 根据各种地物的光谱特征、空间形状、纹理、上下文关系等因素，对水体进行提取，重点研究水体和阴影的区分。

3) 寻找参数因子对提取的水体进行分类。

4) 将面向对象的水体提取方法与传统的方法进行对比，从而得出结论。

技术路线如图1所示。

图1　水体提取流程

四、面向对象水体提取

首先利用ENVI软件对影像进行融合，然后利用eCognition软件对影像进行分割得到同质对象，对水体特征进行分析建立水体提取知识库，采用模糊分类方法实现水体的提取。

1. 数据预处理

全色图像一般具有较高的空间分辨率，多光谱图像光谱信息比较丰富，为了得到既具有较高的空间分辨率又具有丰富的光谱信息的图像，就需要把SPOT 5的多光谱影像和全色影像进行融合。

ENVI软件中的融合算法有很多，典型的有HSV、Brovey、PC、CN、SFIM、Gram-Schmidt等。这几种方法中SFIM和Gram-Schmidt方法保真效果最好。在ENVI里面，Gram-Schmidt方法可以自动融合，操作比较简单。它首先从低分辨率的波谱段中模拟出一个全色波段；然后对该全色波段和各多光谱波段进行Gram-Schmidt变换，其中全色波段被作为第一个波段，用Gram-Schmidt变换后的第一个波段替换高分辨率全色波段；最后再用Gram-Schmidt反变换得到融合的影像[8]。

融合后的研究区域影像如图2所示，融合后的影像色彩鲜明，影像清晰。

图2　预处理影像

2. 影像分割

在利用面向对象的图像分类方法进行分类前，必须利用图像分割的方法提取目标对象。图像分割是将图像分割为分离区域的过程, 它将图像划分为一个个大小不等且互不相交的小区域, 小区域是具有某些共同属性像素的连通集合[9]。

影像分割中确定最优尺度和分割参数是关键，这直接决定着分类的精度。最优尺度的选择主要依赖于影像数据的分辨率和应用目的，通过对试验区分割结果的对比确定水体提取的最优尺度。

对试验区进行分割试验，把分割尺度设置为50、100、150、200、250、300，颜色因子、形状因子、光滑度、紧密度的权重分别设为0.9、0.1、0.5、0.5。由于研究区域内水体有不同尺度的类型，因此在寻找分割尺度时就要采取折中方法，既要保障小的水体能独立地分割出来，又要尽可能地使大的水体对象不会太破碎，经过反复试验得出试验区域水体提取的最适宜分割尺度为100。图3为分割尺度100的效果，图4为分割尺度150的效果，图5为分割尺度200的效果。从图中可以看出，图3虽然能把小的水体分割出来，但是与图4相比大的水体太破碎。而尺度为200的情况，大的水体比较完整，但是有时小的水体却没有独立分割出来，如图5中椭圆里的小块水体，而图4不仅能把小的水体完整独立地提取出来，大的水体也不是很破碎，是最适宜的提取尺度。

图3　尺度为100的影像分割效果图

图4　尺度为150的影像分割效果图

图5　尺度为200的影像分割效果图

3. 水体知识库构建

通常情况下，如果在分类时，仅用一个特征或很少的特征就可以将一个类同其他类区别开，决策支持的模糊分类方法是很好的选择；否则，应选择最邻近分类法，最邻近分类器能更好地处理多维特征空间的联系[10]。在进行水体提取时，通过特征分析，发现仅用一个或很少的特征就可以把水体与其他地物区分开来，因此分类时选择决策支持的模糊分类方法。

使用模糊分类方法，需要首先对对象特征分析的结果建立进行分类的知识库。对象知识库是多种特征的集合，选取地物的多种特征，建立分类规则，能够得到良好的结果。通过对影像水体特征进行分析，进行分类时选择的特征如下：

1) ratio NIR(近红外比率)：用于提取水体，并起到区分阴影的效果。

2) max.diff：对对象所有通道的最大最小值作比较，用最大值与最小值的差除以亮度，亮度即为对象在所有通道上强度的平均值。max.diff可以用来区分水体和阴影，它的计算公式为

(1)

式中，对象所有通道中，max为最大值；min为最小值；brightness为亮度。

3) length/width：利用对象长度与宽度比值属性可以进行河流的提取。

4) length、width：利用长度和宽度属性可以进行河流的提取，同时可以用来区分主流和支流。

4. 水体提取及分类

(1) 水体提取与阴影分离

SPOT 5遥感数据具有丰富的光谱和空间信息，利用这些信息，方便判读者进行更准确的地物定位和判读，更容易分辨和认识地物的内部差异和细节信息。本试验充分利用了高分辨率影像这一特有的性质，对分割后的水体对象进行分析研究，利用水体和其他地物的不同特征把水体提取出来。

通过对试验区的水体信息进行分析和研究，发现水体对近红外和中红外波段的吸收比较强，反映在影像上就是在波段1和波段4上水体对象的平均强度值与其他地物比明显偏低。但是，阴影区对近红外和中红外的吸收也比较强，如果只利用近红外或中红外波段则无法区分阴影和水体。通过对阴影对象和水体对象的光谱值进行对比，发现阴影对红色波段和绿色波段的吸收比水体较强，利用这一特征，可以利用近红外比率来进行水体提取。由于水体在近红外波段反射强度低，近红外比率与其他地物比会偏低；同时，水体在红色和绿色波段反射比阴影的强，同样会导致水体近红外的比率比阴影的低。通过反复试验，阈值设置为0.18可得到比较好的效果，小于0.18的为水体，水体提取的效果如图6所示。

图6　基于面向对象方法用ratio NIR提取水体效果

通过观察发现，这样提取的水体还是混淆了少量的阴影，如在东湖附近的珞珈山、猴山等山地的阴影都随着水体被提取出来了，如图6中椭圆所示。这是因为这些阴影与水体的光谱特性很接近，以至于用近红外比率也难以区分了。通过对这些阴影对象进行分析，发现这些阴影在近红外和中红外波段的亮度值都比水体的高，而在红色和绿色波段的亮度值都比水体的低，这是因为水体的内部结构一致，对不同波段能量进行选择性吸收；而阴影内部结构不一致，对4个波段的能量吸收时没有明显的选择性，因此导致了阴影在近红外和中红外波段的亮度值比水体高，而在绿色和红色波段的亮度值比水体低的特征，可以利用这一特点把阴影和水体区分开来，通过试验选择利用max.diff这一属性。通过反复试验，在利用ratio NIR进行提取结果的基础上，再利用max.diff，阈值设置为0.81可得到很好的水体提取效果，max.diff大于0.81的为水体。提取效果如图7所示，从图中可以看出图6中的山体阴影被很好地消除。

图7　基于面向对象的试验区影像水体提取结果图

(2) 河流和湖泊的分类

通过反复试验寻找最佳分类阈值，对水体进行河流和湖泊的分类。首先设置length/width≥2.2和length>1600像素把主流河流提取出来，在剩下的水体中设置length/width≥3.2和width<160像素把支流河流提取出来，然后把主流和支流合并为河流类，进行河流提取后的水体便是湖泊了。分类的效果如图8所示。

图8　基于面向对象的试验区影像河流湖泊分类效果

五、结果对比分析

为了客观地评价面向对象水体提取的优势与不足，对试验区数据进行了基于传统监督分类方法的水体提取。用ERDAS IMAGINE软件的监督分类功能模块对试验区影像选取了样本，进行传统的最大似然分类、最小距离分类和马氏距离分类。

对面向对象分类结果和面向像元的分类结果进行对比分析。首先从目视效果上进行分析评价，分类结果如图9所示。

图9　面向对象分类结果

在图10、图11、图12中试验区采用面向像元的分类方法，主要运用影像的光谱特征，分类结果受到同物异谱、异物同谱的影响严重。在图10中，城市区域有很多地方被分成了水体，并且存在很严重的“椒盐噪声”。对于图11用马氏距离法进行分类，它存在非水体被过度分类的问题。图12用最大似然法进行分类，它的分类结果比马氏距离分类法和最小距离分类法的结果精度要高，但它还存在“椒盐噪声”。这些都充分说明了传统分类方法的局限性。