基于国产高分辨率光学遥感影像的水体提取

邓富亮，章欣欣，花利忠，李宗梅

(厦门理工学院空间信息技术研究所，福建 厦门 361024)

基于国产高分辨率光学遥感影像的水体提取

邓富亮，章欣欣，花利忠，李宗梅

(厦门理工学院空间信息技术研究所，福建 厦门 361024)

遥感图像中地表水体同山体、建筑物等地物产生的阴影在光谱特征上存在较高的类间相似性，导致提取过程中容易出现混淆和错分的情况。针对此问题，提出一种基于面向对象和人工蜂群的地表水体提取方法。该方法首先对遥感图像进行分割以获取分割对象的光谱、比率、几何形状等统计特征，以弥补高分遥感图像波段数目少，信息量不足的缺陷；并借助人工蜂群算法在解决复杂问题最优化方面的优势，选取水体同阴影二值分类的几何平均正确率作为算法的适应度函数，最终获取地表水体的最优化提取规则。选取厦门市大嶝岛和湖南省资兴市部分区域，基于国产高分一号、二号遥感数据进行水体提取，并与传统SVM分类结果进行比较。实验结果表明本算法提取水体的总体精度和Kappa系数均优于传统SVM分类器，表明该方法可应用于高分遥感图像的地表水体提取。

人工蜂群；地表水体提取；高分；面向对象；遥感图像分类

水体的空间分布信息是水文模型分析的数据基础，如何快速、准确地获取水体信息对地表水资源调查[1]、水利设施规划、洪涝[2]等自然灾害监测等领域具有重要意义。随着我国高分辨率对地观测系统的可持续发展，以及国产高空间分辨率卫星，如高分、资源遥感卫星遥感数据的普及，针对国产高分遥感影像的水体信息的智能提取和识别成为当前国内研究的热点。

1 水体提取模型研究进展

目前国内外学者针对不同分辨率影像的水体提取提出诸多方法和模型，这些方法从构建原理大致可分为四种类型[3]：单波段阈值分割、多波段比值模型、基于分类算法的提取模型以及基于混合像元线性分解(Linear unmixing)模型。

1.1 基于单/多波段阈值分割

单一波段的阈值分割模型最为简单，易于实现，但受限于单个波段信息丰度的制约，其提取精度较低；多波段比值关系方法综合利用了地物在不同波段光谱的特征，通过设计比值计算方法进一步削弱了传感器成像条件、大气辐射等影响导致的误差，提高了分类的准确性[4]。例如，在中低分辨率影像的水体提取方面，目前已被广泛使用的有NDWI[5]、MNDWI[6]、SWI[7]、AWEI[3]等各种指数模型，均取得很好的效果[8]。但此类方法的分割阈值的判定需要结合专家知识和具体实际情况，经过多次尝试从而获得最佳的结果，在不同研究区中存在较大差异，无法保证其方法的普适性[9]。此外，上述大部分方法需要借助中红外等光谱波段特征，无法应用于仅有四个波段的高分遥感影像。

1.2 基于分类器模型

基于分类算法的城市地物提取，包括水体，目前也取得一系列成果。但由于高分图像中“同谱异物”现象明显，如水体和建筑物阴影两种地物类别四个波段的灰度值近似，很容易造成混淆，因此借助各种分类器的水体特征算法更为有效，常见的分类器模型如决策树[10]、最大似然(Maximum Likelihood，ML)[11]、支持向量机(Support Vector Machine, SVM)[12]等，但此类算法在水体提取应用方面也同样存在一定限制，如最大似然方法需要预先设定实际地物类别，对分类样本的选取要符合统计上的独立分布规律，其分类结果和提取的特征参数基于全局拟合精度，因而无法直接使用于单个指定的地物类别；SVM算法将特征映射到高纬空间，利用核函数寻找最优支持向量进行分类，其本质上属于“黑箱”算法，难以对分类规则进行直观解释。

1.3 基于混合像元分解

混合像元分解模型基于光谱成像机理，模拟光谱的混合过程，并通过改进分解模型以提高分类精度。但在实际应用中，由于高分辨率光谱单个像元包含的信息量较少、光谱信息不稳定，与端元样本的信息对比困难，往往无法同分解模型较好地吻合。此外，高分辨率的多光谱数据对于纯净端元的提取需要基于研究区实际地物情况和具体的成像参数，针对水体边界的水分含量的估算需要做进一步的优化，实现精细提取和识别仍需深入研究。

此外，传统基于像素的分类方法应用于高分图像上容易引起“椒盐效应”，一些学者通过引入基于面向对象的图像分割技术，将图像划分成统计特性相近的对象块，一方面可对特征象元特征进行聚类分割，使得更高层影像的分析和理解成为可能；另一方面，可针对对象几何、光谱、纹理的特征进行二次提取，增加分割对象属性的特征维度，可有效提高提取结果的精度[13]，成为提高高分遥感影像分类精度的关键。

基于高空间分辨率遥感数据的水体信息提取模型，其优势通常体现在以下两个方面：一是借助空间分辨率的提高，模型除辨识出一般的大面积水体之外，还能有效地识别图像中存在的细小水体。细小水体的空间特征一般表现为细小狭长状，且易受周边地物的光谱影响，在水体边缘表现为混合像元；二是改进后的提取或分类模型能更为有效地去除暗区的干扰信息，如建筑物阴影、山区阴影等。针对以上问题，本文提出一种基于面向对象分割和人工蜂群算法的城市水体提取方法。该方法首先基于面向对象思想对高分遥感图像进行多尺度的图像分割，并统计不同地物的特征信息，包括单波段灰度值、多波段比值、几何特征等。随后利用人工蜂群算法在解决复杂系统问题最优化的优势，选取合理的适应度函数，进行最优规则的提取。最后以厦门大嶝岛和湖南省资兴市部分区域的高分卫星为研究区验证模型的分类精度。

2 面向对象的人工蜂群水体提取方法

本文提出的水体信息提取方法包括两部分内容：(1)采用基于面向对象的图像分割方法对高分数据进行多尺度的对象分割，根据像元特征的相似性分割成不同的对象。同时对各个对象的光谱、比率、几何形状等特征进行二次统计，提高特征信息的维度；(2)提出一种基于人工蜂群算法的水体特征提取算法，针对水体提取研究中，水体同山区、建筑物阴影容易混淆的现象，以水体、阴影二者分类的几何平均正确率作为算法的适应度函数，并采用监督分类方式构建提取模型，提取规则基于模糊规则系统(Fuzzy rule-based system)，可有效辨识不同特征对地物的影响程度。模型流程图如图 1所示。

图1 模型流程图Fig.1 Flowchart of the proposed model

2.1 面向对象的高分遥感图像分割

目前，基于面向对象的图像分割算法很多，但大多算法未能整合光谱信息和空间信息，且不同算法在效率和结果上存在较大差异，缺乏统一的评价体系；另一方面，不同区域空间特征复杂多样，理论上图像分割算法的最优尺度无法得到，常见做法是通过专家知识进行人工判定。本文采用的图像分割算法步骤如下：首先采用快速扫描法对原始遥感图像进行初始分割，形成分割初始对象，并构建区域邻接图；随后采用基于异质性最小区域合并算法进行区域合并；最后根据某种层次输出规则，在区域合并过程中输出满足层次输出条件的中间分割结果，直至满足分割终止条件。

结合高分辨率遥感影像和水体特征，除原始四个波段外，借助ArcGIS波段计算工具，生成第五(Blue/Green)、第六(Green/Red)、第七(Red/NIR)、第八(NDVI)四个比率波段，以提高图像分割算法和后续分类器的分类精度。

针对分割对象进行二次统计，可获取每个对象的光谱、比率、几何形状等特征信息。并通过相关性检验法对因子进行筛选。

2.2 基于人工蜂群的水体提取模型

人工蜂群算法(Artificial Bee Colony， ABC)是群智能算法中的一种新兴技术[14]，其原理同蚂蚁、遗传算法类似，通过模拟个体间的相互协作和竞争关系，进而反映出种群的群体性智能行为，因此适合于解决一些非线性的复杂问题[15]。ABC蜂群算法的优势在于其在迭代过程可同时进行全局和局部搜索，具有收敛快、适用性强的优点。且算法本身灵活易于实现，可同其它技术结合以改进原算法。已被广泛应用到如复杂问题优化[16]、图像变化检测[17]、图像分割和分类[18]等多方面，取得较好的成果。

泛用的ABC模型应至少包括四方面内容，即优化规则定义、适应度函数、全局/周边邻域搜索步骤以及模型预测。针对遥感影像水体提取的步骤，本文对ABC模型进行如下改进：

水体提取规则的定义：采用了基于模糊规则(Fuzzy rule-based)的IF…THEN形式。对于分割阈值选取可采用最大最小值的阈值区间表示。相比传统的“硬”分类器，如最大似然、SVM方法，基于模糊规则的分类体系无需依赖具体的数学公式，所提取的规则更为直观、易于解释。

适应度函数选取：适应度函数的选取是ABC算法的核心，决定了ABC算法优化的最终目标。对于水体提取而言，影响水体分类精度的主要原因是水体同阴影二者在图像上均呈现暗色调，即相同的灰度值从而引起的混淆。因此，针对水体提取精度的优化可以转换为如何最大化地区分水体同城市建筑物阴影两种地物类别。实际情况中，由于水体同建筑物阴影在数量级存在较大差异，建筑物阴影对象相对较为破碎，数量较多。因此，本文引入几何平均正确率PG-mean指数作为ABC算法的适应度函数，其公式如下：

(1)

表1 二值分类结果统计指标Table 1 Statistic values of the binary classification

全局/周边邻域查找：在蜂群算法的初始化构建过程采用随机初始化，全局搜索一般采用随机搜索策略，便于跳出局部最优解。而周边邻域查找则可使算法逐步收敛，是提高适应度评价的关键步骤。周边邻域查找可采用如下公式表达：

(2)

2.3 提取结果和精度验证

根据ABC算法得到的最终分类规则可用于水体的类别提取。由于基于模糊规则得到的提取规则普遍规则类别重叠的现象，即一个样本数据可能满足多个分类规则。因此，在本文算法中额外引入一个指标，即规则的样本覆盖度Pcover，该指标反映了当前规则分类正确的样本数占所属类别样本总数的比例。当出现样本重叠时，通过综合比较适应度和覆盖度确定最终预测结果，计算公式为：

P=α×PG-mean+(1-α)×Pcover

(3)

其中，α为权重阈值，N为样本总数。α的取值在[0,1]之间，其值反映了两个指标对预测结果的影响关系。为了得到最优结果，可以对α进行迭代计算统计，本文以0.1为步长，利用公式对样本数据进行循环计算，统计P值以及阈值α，最终得到提取结果。

为进一步对模型提取结果的精度进行验证和评价，实验采用监督分类方法的传统评价方法，即分类精度和Kappa系数，对分类结果进行验证。同时结合可视化分类结果进行目视判读分析，并对提取的规则进行分析，综合评价ABC算法应用于水体提取的有效性。

3 实验

3.1 数据预处理

本文选取厦门市大嶝岛的GF-1号和湖南省资兴市的GF-2号部分数据作为实验数据。GF-1作为中国首个高空间分辨率对地观测卫星，于2013年4月26号发射，可提供8 m分辨率多光谱和2 m分辨率全色波段影像。而GF-2的星下点像元分辨率则进一步提高到0.8 m全色和3.2 m多光谱波段。借助ENVI遥感处理软件，原始数据经过正射校正、几何校正、辐射定标、Flaash大气校正、全色波段融合等预处理，获得四个多光谱波段，包括蓝(0.45～0.52 μm)、绿(0.52～0.59 μm)、红(0.63～0.69 μm)以及近红外(0.77～0.89 μm)。

随后根据图像中水系的空间分布特征进行裁剪，最终获得研究区图像(图2)，其中大嶝岛数据行列大小为1 276×1 103像素，资兴市为1 866×1 592像素。两个实验区水体的空间典型特征主要体现在：厦门大嶝岛数据中水体主要包括沿海海域、养殖、农田水塘，不同水体面积差别较大；而资兴市水体则包括河流、池塘、农田灌溉引导等细小水体。

图2 实验区假彩色合成影像(RGB波段：432)Fig.2 False color composite images of the study areas

由于本文主要研究水体信息提取，因此图像裁剪完毕后，首先统计各个象元的亮度值，随后采用阈值分割法进行暗区掩膜处理，排除如建设用地、农田、未利用地等地类像元。随后借助ENVI的ROI样本提取工具，采用人工判读法对掩膜后的图像进行随机采样，所选择土地利用类型包括水体、建设用地、农田、未利用地、道路以及阴影，其中，非水体地物类型在分类完成后通过重采样合为一类。两幅遥感影像共随机提取约450个矩形框样本，其中大嶝岛提取1 213/58个样本点/矩形用于训练，11 614/98个样本点/矩形用于验证；资兴市则提取了2 743/83个样本点/矩形用于训练，22 176/223个样本点/矩形用于验证。

3.2 多尺度图像分割结果

将遥感影像的四个原始波段、四个比率波段，共八个波段作为输入特征，利用多尺度图像分割算法获得分割结果，尺度选取方面则设置起始尺度70，终止尺度250，总计输出8个尺度的分割结果。以厦门市为例，不同尺度的对象分割数目如表2所示。

表2 多尺度分割图像的统计结果Table 2 Statistic results of the multi-scale segmentation of imagery

根据实验区的地物空间分布特征，结合专家知识判断可发现，在70尺度下，如图3(a)及其局部放大图3(c)所示，分割对象最多，对应的小型建筑物、小面积水体(如农田周边的池塘)、建筑物周边绿化设施的轮廓分割的较为清晰，但道路、林地、草地、大面积水体(海域)等则较为破碎；而在100尺度下，如图3(b)及其局部放大图3(d)所示，道路、大面积水体的轮廓较为符合实际，但细小水体容易同周边地物合并；后续的尺度则普遍存在不同地物类别被合并为同一对象的情况，如用于分类会降低最后的分类精度。因此确定尺度70的分割图像用于识别。

3.3 图像对象特征统计及分类

针对分割结果选取不同的统计指标，可有效地增加分割对象的信息维度，因此，实验对前四个单一光谱波段分别计算图像对象的光谱亮度、标准差、最大/小像素值、最大最小像素值比率四个光谱特征；后四个比值波段则计算器图像对象的光谱均值、光谱值标准差两个特征；以及对象的几何特征，包括光滑度、粗糙度、正圆比、长宽比四个形状特征因子。所得的对象样本特征值，利用SPSS统计软件进行相关性检验，排除相关性系数大于0.7的特征因子。通过特征筛选，最后共选取了包括像素值、波段均值、标准差、多光谱比值、形状等共13个特征，具体描述见表3。

表3 分割对象的特征提取信息Table 3 Information of the segmentation object

以上特征因子作为ABC算法的输入特征要素。ABC算法参数设置如下：蜂群规模200，采蜜蜂100，搜寻次数200，循环次数600。输入样本数据执行算法训练模型并提取分类规则，随后利用验证样本进行模型精度评价，验证结果以混淆矩阵形式描述，并同传统SVM分类器分类结果进行比较，具体结果见表 4。

图3 多尺度分割结果Fig.3 Results of the multi-scale segmentation

SVMABC地物类别水体阴影未分类产品精度/%水体阴影未分类产品精度/%水体4975139028778253327942678340阴影1304545546870518248521879293用户精度/%9745765896708594总体精度/%81978769Kappa系数0658807633

由表 4可知，利用ABC算法构建的水体提取模型，其验证样本的分类精度为87.69%，Kappa系数为0.7633，其中水体提取生产精度为83.40%，非水体(主要为建筑物阴影)精度为92.93%；而用户精度则分别为96.70%和85.94%。而采用传统基于像素的SVM分类器，其总体分类精度为81.97%，Kappa系数为0.6588，其中水体地类的产品精度为77.82%，阴影为87.05%，对应的用户精度则为97.45%和76.58%。两种分类器精度对比可知，基于SVM相比ABC可识别更多的水体样本，但其中有1 390个水体样本被错分为阴影，多于ABC的794样本。同时，ABC分类器可识别出4 852个阴影样本，同样高于SVM分类器的4 545个样本。总体而言，基于ABC的分类器在高分影像水体提取的精度方面，要优于传统SVM分类器，表明本文所提出的ABC分类器能更好地满足实际应用需求。

3.4 水体提取结果

基于ABC分类模型进一步提取大嶝岛的地表水体分布图，结果如图 4所示。采用目视判读法可知，基于此模型由于预先进行了图像分割，因此水体对象的几何形状更为完整，此外，二次统计引入的对象几何特征进一步弥补了原始的光谱波段信息，为分类器提供了更多的特征属性，提高了分类器对地表水体和建筑物阴影的辨识能力，进一步提高了分类精度。

图4 大嶝岛分类结果比较Fig.4 Comparison of the extraction results of the Dadeng Island

采用相同模型输入参数，对资兴市的地表水提进行提取，提取结果如图5所示。通过目视判读比较可知，基于面向图像分割和ABC优化的分类算法所提取的细小水体，形状更为完整，而采用SVM分类器所提取的水体则表现出破碎、不连续现象，表明采用图像分割后的地物对象有助于提取狭窄的细小水体。

图5 ABC和SVM分类器的分类结果比较Fig.5 Comparison of the extraction results of Zixing

4 结论

针对高分遥感影像中水体提取面临的问题，如细小水体、易同阴影混淆情况，提出一种基于面向对象分割和人工蜂群算法的水体提取方法。该方法首先基于面向对象对高分遥感图像进行多尺度图像分割，引入额外四个光谱比值波段作为输入特征，提高图像的分割精度。并统计分割图像的特征信息，包括单波段灰度值、多波段比值、几何形状特征等。随后利用人工蜂群算法在解决复杂系统问题最优化的优势，选取水体和建筑物阴影二值分类的几何平均正确率作为适应度函数，进行最优规则的提取。实验基于国产GF-1、GF-2卫星数据。提取结果表明本算法可有效地区分水体与建筑物阴影。根据所提取的规则进一步分析可发现，虽然二者地物在大部分特征属性上相似，但在Red/NIR的波段均值、分割对象的亮度和标准差3个特征表现出一定程度的差异性，可作为辨识水体同阴影的参考依据。后续研究可进一步结合其它指数模型，如阴影水体指数SWI，进一步扩展特征向量的信息维度；同时可进一步优化目前的分割算法，如引入GLCM等几何纹理特征，进一步提高图像分割对象的精度。

[1] 陶明刚. Landsat-TM遥感影像岸线变迁解译研究——以九龙江河口地区为例[J]. 水文地质工程地质, 2006, 33(1):107-110.[TANG M G. Interpretation of coastline changes based on Landset-TM remote sensing images: an example of the mouth area of Jiulongjiang River[J]. Hydrogeology & Engineering Geology, 2006, 33(1): 107-110. (in Chinese)]

[2] 李政国, 张茂省, 李林. 面向对象的遥感影像承灾体边缘提取方法[J]. 水文地质工程地质, 2011, 38(1):128-132.[LI Z G, ZHANG M S, LI L. A study of object-oriented extracting edge of hazard-affected body in remote sensing image[J]. Hydrogeology & Engineering Geology, 2011, 38(1):128-132. (in Chinese)]

[3] FEYISA G L, MEILBY H, FENSHOLT R,etal. Automated water extraction index: a new technique for surface water mapping using landsat imagery[J]. Remote Sensing of Environment, 2014, 140(1):23-35.

[4] 陈文倩, 丁建丽, 李艳华, 等. 基于国产GF-1遥感影像的水体提取方法[J]. 资源科学, 2015, 37(6):1166-1172.[CHEN W Q, DING J L, LI Y H，etal. Extraction of water information based on China-made GF-1 remote sense image[J]. Resources Science, 2015, 37(6):1166-1172.(in Chinese)]

[5] 周艺, 谢光磊, 王世新, 等. 利用伪归一化差异水体指数提取城镇周边细小河流信息[J]. 地球信息科学学报, 2014, 16(1):102-107.[ZHOU Y, XIE G L, WANG S X,etal. Information extraction of thin rivers around built-up lands with false NDWI[J]. Journal of Geo-information Science, 2014, 16(1):102-107.(in Chinese)]

[6] 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.(in Chinese)]

[7] 曹凯, 江南, 李新国, 等. 基于SPOT-5图像的城市水体自动提取模型研究[J]. 国土资源遥感, 2005, 17(4):24-27.[CAO K, JIANG N, LI X G,etal. A model for automatic extraction of water information form the city zone based on SPOT-5 Image[J]. Remote Sensing for Land & Resources, 2005, 17(4): 24-27.(in Chinese)]

[8] 王志辉, 易善桢. 不同指数模型法在水体遥感提取中的比较研究[J]. 科学技术与工程, 2007, 7(4):534-537.[WANG Z H, YI S Z. Comparison and research on the different index models used in water extraction by remote sensing[J]. Science Technology and Engineering, 2007, 7(4):534-537.(in Chinese)]

[9] LI B, ZHANG H, XU F. Water extraction in high resolution remote sensing image based on hierarchical spectrum and shape features[C]//Proceedings of the IOP Conference Series: Earth and Environmental Science, F, 2014.

[10] 陈静波, 刘顺喜, 汪承义, 等. 基于知识决策树的城市水体提取方法研究[J]. 遥感信息, 2013, 28(1):29-33.[CHEN J B, LIU S X, WANG C Y,etal. Research on urban water body extraction using knowledge-based decision tree[J]. Remote Sensing Information, 2013, 28(1):29-33.(in Chinese)]

[11] 贾科利, 常庆瑞. 利用主成分分析法提取水体信息[J]. 淮阴师范学院学报(自然科学版), 2006, 5(3):242-245.[JIA K L, CHANG Q R. Extracting water body information using principal components analysis[J]. Journal of HuaiYin Teachers College(Natural Science Edition), 2006, 5(3):242-245.(in Chinese)]

[12] 朱长明, 张新, 骆剑承, 等. 基于样本自动选择与SVM结合的海岸线遥感自动提取[J]. 国土资源遥感, 2013, 25(2):69-74.[ZHU C M, ZHANG X, LUO J C,etal. Automatic extraction of coastline by remote sensing technology based on SVM and auto-selection of training samples[J]. Remote Sensing for Land and Resources, 2013, 25(2):69-74.(in Chinese)]

[13] 徐涛, 谭宗坤, 闫小平. 面向对象的城市水体信息提取方法[J]. 地理空间信息, 2010, 8(3):64-66.[XU T, TAN Z K, YAN X P. Extraction techniques of urban water bodies based on object-oriented[J]. Geospatial Information, 2010, 8(3):64-66.(in Chinese)]

[14] KARABOGA D. An idea based on honey bee swarm for numerical optimization[J/OL]. ResearchGATE,2005.[http://www.researchgate.net/publication/][2005-01]

[15] KARABOGA D, AKAY B. A survey: algorithms simulating bee swarm intelligence[J]. Artificial Intelligence Review, 2009, 31(1-4):61-85.

[16] KARABOGA D, AKAY B. A modified artificial bee colony (ABC) algorithm for constrained optimization problems[J]. Applied Soft Computing, 2011, 11(3): 3021-3031.

[17] 肖永豪, 余卫宇. 基于蜂群算法的图像边缘检测[J]. 计算机应用研究, 2010, 27(7):2 748-2 750.[XIAO Y H, YU W Y. Bee colony algorithm for image edge detection[J]. Application Research of Computers, 2010, 27(7):2748-2750.(in Chinese)]

[18] MARINAKI M, MARINAKIS Y, ZOPOUNIDIS C. Honey bees mating optimization algorithm for financial classification problems[J]. Applied Soft Computing, 2010, 10(3):806-812.

责任编辑：汪美华

A surface water body extraction method based on domesticremote sensing imagery of high resolution

DENG Fuliang, ZHANG Xinxin, HUA Lizhong, LI Zongmei

(CollegeofComputerandInformationEngineering,XiamenUniversityofTechnology,Xiamen,Fujian361024，China)

Due to the high spectral similarity existing in water and shadow, extraction of remote sensing imagery is easily confused and misclassified. To address this problem, we propose a method combined with the object-oriented image segmentation and the artificial bee colony algorithm (ABC) to extract surface water body from remote sensing imagery. Firstly, a series of statistic factors, such as spectrum, ratio and sharp features, are calculated during image segmentation. We used these factors to make up the defect of insufficient information existing in high-resolution imagery. Then, with the strength of solving complicate problem by ABC algorithms, we chose the geometric mean of accuracies between surface water bodies and shadows as the fitness function of classifier to generate the optimal extraction rules. The experiments are carried out in the Dadeng island of Xiamen in Fujian and part of the city of Zixing in Hunan, which are based on the domestic GF-1 and GF-2 remote sensing imageries. The results are compared with the SVM classifier and show that the proposed method can achieve better overall accuracy and Kappa coefficient, indicating that the proposed method is suitable for extraction of surface water bodies from remote sensing imagery of high spatial resolution.

artificial bee colony; water extraction; GF; object-oriented; remote sensing classification

2016-07-19;

2017-01-16

国家自然科学基金资助项目(41401475、41471366、41501448)；福建省测绘地理信息局(2015JX04)资助

邓富亮(1982-)，男，博士后，讲师，主要从事遥感图像处理及应用研究。E-mail：fldeng8266@xmut.edu.cn

章欣欣(1983-)，男，博士后，副教授，主要从事遥感图像处理及应用研究。E-mail：zhangxinxin@xmut.edu.cn

10.16030/j.cnki.issn.1000-3665.2017.03.21

P231.1

A

1000-3665(2017)03-0143-08