空-谱角匹配与多指数法相结合的OLI遥感影像水体提取

张启华，王胜利，孙 磊，蒋 毅

(江苏省地质测绘院，江苏 南京 211102)

受快速城镇化、人口增长和全球气候变化的影响，我国的水资源面临一系列严峻的形势，开展水体综合调查工作势在必行[1]。获取水资源的空间分布及时序动态变化信息，有助于揭示地表格局内在的驱动机制，进而对水资源保护提供科学的指导[2]。先进的卫星遥感技术因其实时、宏观、及时和准确等诸多优点，已经被广泛地应用在地理国情普查、应急测绘保障和水利项目规划等领域[3-4]。准确提取水体的范围、面积和界线，对洪涝灾害监测、水利工程建设和水资源研究至关重要。

目前常用的水体提取方法主要有单波段阈值法、水体指数法、谱间关系法、决策树法和分类器法等。文献[5]根据水体在近红外和中红外波段反射率低的特点，利用单波段阈值法提取了水体；文献[6]构建了一种归一化差分水体指数(normalized difference water index，NDWI)，用于平原地区水体提取；文献[7]在此基础上提出了改进的水体指数MNDWI，进一步提高了识别水体细节的能力；文献[8]依据谱间关系(KT3+TM2>TM3+TM4)进行了水体自动提取，指出此时受植被和建筑物的干扰较小；部分学者为了在Landsat影像上精细提取水体，构建了自动水体提取指数(automated water extraction index，AWEI)[9-10]；文献[11]利用决策树法提取了山区的水体，指出其在排除积雪和裸地方面的效果优于单波段阈值和NDWI。在利用分类器提取水体方面，支持向量机(support vector machine,SVM)、光谱角匹配(spectral angle mapper，SAM)、ISODATA迭代算法和面向对象方法得到了广泛的应用[12-17]。此外，学者们往往会根据遥感影像空间分辨率特点来选择适宜的提取策略，如面向对象方法主要应用于ALOS、GF系列、WorldView和SPOT等高分辨率影像的水体提取[12,15]。

Landsat数据具备空间覆盖范围广、时序连续性强且能够免费获取等诸多优点，被广泛应用于土地覆被变化调查中[18-19]。现实应用中，河流、人工引水工程和湖泊的空间特点也决定了30 m及以上分辨率的遥感数据是进行水体提取的重要数据源。大量学者将Landsat影像作为数据源进行水体提取研究，取得了丰硕的研究成果。如文献[20]利用Landsat 8 OLI影像无监督地提取内陆水体；文献[21]综合利用Landsat 8影像上的NDVI、NDWI和wetness特征，以Adaboost为分类器提取水体。然而，水体根据其深浅、浑浊度、浮游生物、受污染程度和所处的复杂地理条件的不同，在遥感影像上会体现出不同的纹理和光谱特征，制约了水体提取精度的提升[22-24]。

考虑到遥感影像上水体特征的复杂多变性，目前仅利用光谱特征或单一指数进行提取难以达到理想的结果，因此需要挖掘多元化的优选特征，通过影像变换获取潜在的信息来补充光谱特征空间，以提高水体与背景间的模式可分性。然而，对于中等分辨率的OLI遥感影像，若利用面向对象技术进行水体提取，势必会掩盖掉细节信息，难以提取细小水体且不利于边缘的保持。鉴于此，本文在将多种指数相结合的同时，将空间特征通过波形的方式引入进而组成空-谱角联合特征，最后将联合特征输入一类支持向量机(one-class support vector machine,OC-SVM)进行水体提取。

1 数据源及研究区概况

1.1 数据源

选取Landsat 8卫星OLI传感器获取的影像作为试验数据，数据从美国地质调查局(United States Geological Survey，USGS)官网上免费获取。OLI多光谱影像共包含11个波段，除8波段的空间分辨率为15 m和10、11波段(热红外波段)的空间分辨率为100 m外，其他波段空间分辨率均为30 m，成像幅宽185 km×185 km，时间分辨率为16 d。较高的空间分辨率、较广的覆盖范围、适中的时间分辨率及数据免费获取的优点使得OLI遥感影像在湖泊、河流监测与信息提取方面独具优势，成为水体研究者广泛采用的重要数据源[20,23,25]。

1.2 研究区概况

本文选取石家庄市平山县岗南水库和宿迁市骆马湖附近河流两个试验区为研究对象。石家庄市平山县岗南水库试验区位于西柏坡镇东南部，如图1(a)所示，空间大小为900×700像素，采集水体样本387个，成像时间为2017年4月12日，云量为0.35%，轨道号124、33，该试验区影像上包含了部分易于水体混淆的山体阴影和植被等；宿迁市骆马湖附近河流试验区位于江苏省北部，如图1(b)所示，空间大小为780×660像素，采集水体样本407个，成像时间为2015年10月11日，云量为1.46%，轨道号121、36。该试验区包含两条主要干流，其中干流A从上部的新沂市经过，跨越较多的居民区，受人类活动的影响，水体呈现出污染态势、水况复杂，而干流B则从骆马湖流出，水体清澈，水质良好。该试验区影像上包含了部分易于水体混淆的植被、道路和建筑物等[26]。

2 空间信息与多指数法相结合

引入空间信息能够很好地抑制噪声，而多指数法相结合可以起到将多种优选特征组合使用的作用，能够在最大程度上改善水体的提取精度。本文首先构建了空-谱角影像特征，然后将多指数特征与NIR、空-谱角影像特征复合，组成多维度光谱派生特征数据，输入OC-SVM进行水体信息提取。

2.1 空间信息提取

复杂的地理环境导致水体光谱呈现出不确定性，因此传统的仅依赖光谱信息的提取结果易受背景区“椒盐噪声”的干扰[12]。针对传统的中等分辨率遥感影像水体提取多利用光谱信息而忽视空间信息的问题，首先提出了一种空间信息提取方法，然后将提取的空间信息与光谱信息融合，构成空-谱矢量特征，大量研究也表明加入空间信息能够显著提升提取精度[21,27]。借鉴光谱角匹配(spectral angle mapper，SAM)的原理，构建空-谱角匹配算法，从而引入空间信息。多光谱影像不同波段之间存在一定的相关性，因此进行特征提取前需要对原始影像作PCA降维操作。本文仅利用PCA降维后的第一主成分影像提取空间信息，窗口大小设置为3×3，如图2所示。

影像上不同的地物都有其独特的光谱曲线，这构成了地物识别的物理基础。SAM因具备对像元亮度不敏感的特性而在目标提取领域得到了广泛的应用[28]。然而，由于地物辐射特性和环境条件的差异，地物的光谱将随着时间而变化，进而造成SAM易将波形类似的地物混淆，精度难以达到要求[18]。针对上述问题，本文引入空间邻域信息，构建了空-谱角匹配(spatial-spectral angle mapper，S-SAM)模型，以期改善SAM的地物提取效果，具体思路如下：

对于影像I上每一个待判别的像元f0，其空间信息用PCA第一主成分影像上其周围邻域的像元所组成的3×3矩形区域来描述，然后将空间信息展开为一维矢量[f1f2…f8]，与像元f0的n维光谱矢量X=[x1x2…xn](对于OLI影像n等于7)堆栈后形成本文的空-谱信息X*=[x1x2…xnf1f2…f8]。引入邻域空间信息构成的空-谱矢量能够在一定程度上增强类间地物的特征可分性、弱化类内地物的光谱变异，达到降低斑点噪声的效果。S-SAM就是通过X*计算两个矢量的夹角来度量相似性的方法，其公式如下

(1)

式中，X*和Y*分别表示参考矢量和测试矢量；θ∈[0，π/2]。S-SAM的值越小表明两个像元的空-谱矢量越相似。

2.2 多指数法相结合

单一的水体提取指数往往精度不高，且受复杂地理条件的影响，算法普适性较差，而多特征联合或多指数组合能够显著提高地物的提取精度[29]。通常情况下，遥感影像经过一系列特征变换(如PCA、比值运算)生成的新图像可以起到图像增强的目的，利于目标地物的提取。

2.2.1LBV变换的B分量

文献[30]通过对全球尺度遥感影像上大量地物光谱曲线进行综合分析，得出影像上3个重要的地物辐射特征为地物的总辐射水平L、可见光-红外光辐射平衡B和地物辐射随波段变换的向量V。已有研究表明，B分量图像相当于水体的特征图像，能够很好地将水体从背景(植被、裸土等)中凸显出来[8]。

2.2.2 缨帽变换

缨帽变换(kauth-thomas transformation，K-T)是根据多光谱遥感中土壤、植被等信息在多维光谱空间中信息分布结构对图像作的经验性线性正交变换。K-T变换的第3分量wetness波段能够较好地反映地物的湿度信息，对土壤湿度最为敏感[8]。因此，wetness分量特征影像能够较好地用于水体信息的提取。

2.2.3 NIR波段影像

水体在近红外(near infrared，NIR)波段具备强烈吸收的特性，从而使水体在该波段影像上反射率较低，呈现出黑色。因此，利用NIR波段影像提取水体能够较好地抑制背景等的干扰。

2.2.4 NDWI特征影像

NDWI是基于绿波段与近红外波段的一种广泛使用的水体指数，通过谱间关系运算得到[22]。NDWI在提取影像中的水体时效果较好，但其结果往往混有建筑物而导致水体面积的增大，难以应用到城镇区域的水体提取[7]。

3 研究方法与试验分析

3.1 研究方法

本文的研究思路如图3所示。首先，对影像进行几何校正、FLAASH大气校正和裁剪等预处理；然后，计算S-SAM、K-T3、B分量和NDWI特征影像，并与NIR特征影像进行波段融合；最后，将融合得到的数据输入OC-SVM进行水体提取。为了最大限度提高训练样本的可信度，本文辅助Google Earth进行样本采集，并结合多波段假彩色影像进一步验证，提取精度采用目视解译进行评定[13]。

3.2 试验分析

为了验证该方法水体提取效果的有效性，本文综合运用了单波段阈值法、NDWI、SAM OC-SVM对3个试验区分别进行了水体提取试验，并与该方法的效果进行了对比分析。根据前面介绍的技术方案进行试验，图4和图5分别为石家庄市平山县岗南水库和宿迁市骆马湖附近河流试验区的提取结果，图中白色表示水体，黑色表示背景。

通过目视解译从图4中可以看出，单波段阈值法、NDWI和SAM可以完整地提取水体，其中SAM识别到了图像左下角极不明显的细小狭长水流，但同时存在严重的误提，这主要是由背景区存在与水体波形类似的地物(山体阴影、植被等)造成的；OC-SVM提取细小水体的性能最为逊色，结果中存在较多的孤立斑点噪声，单波段阈值法和OC-SVM都将反射率较低的地物(如影像右下角的暗色裸土)误识别为水体，暴露出一定的不足，这主要是因为该模型是基于地物亮度值特征进行识别而引起的。

从图5可以看出，单波段阈值法、NDWI和SAM均能够较好地提取出宿迁市骆马湖附近的河流及细小的支流，但提取效果中携带了部分斑点噪声；OC-SVM的水体提取结果存在漏提现象，主要干流不仅出现间断，且结果中有大量的噪声干扰；本文方法能够较好地提取到骆马湖附近的主要河流及细小的水体，且提取结果的完整度较好，在保证水体平滑性的同时，将斑点噪声的影响降到了最小，表明了本文方法的有效性。

4 结 论

针对中等分辨率影像水体遥感提取算法大多忽视空间信息且单一指数存在局限性等弊端，本文提出一种空-谱角匹配与多指数法相结合的OLI遥感影像水体提取方法。通过在两处试验区进行水体提取尝试，结果表明：

(1) 本文方法能够将像素点最近邻域信息妥善地利用起来，以像素为基元的提取策略具有较好的边缘保持能力，避免出现过平滑现象，且空-谱角组合矢量可以很好地弥补Landsat 8数据光谱分辨率不高的缺点。

(2) 空间信息与光谱信息构成空-谱角联合特征的策略为研究者如何使用空间信息改善影像处理效果提供了一种新的思路，辅助空间特征和多指数特征相融合是提升地物提取精度的有效途径，可以获得较优的结果。

下一步工作的重点是加入邻近像元相关性等影像信息量，关注水体自身理化性质对光谱的影响，面向城市需求更好地对复杂地带受污染水体进行精准提取与制图。