面向对象的GF-2影像水体信息提取研究

王冬梅 陈琳 冯峰

摘 要：高分辨率遥感影像面向对象信息提取的前提和关键步骤是影像分割。在分析水体信息提取方法的基础上，提出多尺度-光谱差异分割的方法。首先，以河南省开封市某区域为例，采用多尺度分割的方法对GF-2影像进行分割，确定最优分割尺度;然后，在保证地类分割纯度的基础上，对分割的影像进行光谱差异分割，得到研究区域水体分割最佳效果;最后，利用水体在近红外波段均值的特征，设置阈值提取到满意的水体信息结果。根据目视评价和定量评价结果，证明该方法在研究区域是可行的。

关键词：面向对象;GF-2影像;多尺度-光谱差异分割;水体信息提取

中图分类号：TV213.4;TP75 文献标志码：A

doi：10.3969/j.issn.1000-1379.2021.05.015

Abstract： The prerequisites and key step of object-oriented information extraction high-resolution remote sensing image is image segmentation. Based on the analysis of previous water information extraction methods， a new multiscale-spectral differential segmentation method was proposed. Firstly， taking an area in Kaifeng City of Henan Province as an example， the multi-scale segmentation method was used to segment the GF-2 image and determine the optimal segmentation scale; then， on the basis of ensuring the purity of land-cover category segmentation， the spectral differential segmentation was performed on the segmented images to obtain the best effect of water segmentation in the study area; finally， according to the characteristics of the mean value of water in the near-infrared band， a threshold value was set to extract the satisfactory water information results. Based on the visual and quantitative evaluation， the proposed method is proved to be feasible in the study area.

Key words： object-oriented method; GF-2 image; multiscale-spectral differential segmentation; water information extraction

水是人類和一切生物赖以生存和发展的物质基础。人口数量大幅度增长、社会经济快速发展、水资源分布不平衡，导致全球性的水资源短缺和水环境污染，极大地影响着社会的发展。采取科学、准确、快速的方法对水资源水环境进行监测，适时掌握水资源水环境的变化信息，进而采取相应的措施，是水资源水环境有效利用、合理规划和保护的关键。传统的水体信息提取是通过野外测量的方式获取，费时费力，不适合对水体信息及时获取和实时监测。随着遥感影像空间分辨率的提高，遥感影像的应用越来越广泛。利用高分辨率遥感影像快速提取水体信息已成为水资源水环境动态监测的重要手段。

利用遥感影像提取水体信息的方法可分为基于像元和面向对象两大类。基于像元提取水体信息方面，韩晶等[1]采用单波段阈值、谱间关系、光谱指数、光谱面积和决策树等方法对SPOT多光谱影像水体信息提取进行对比分析，结果表明光谱指数法最佳。刘桂林等[2]利用NDWI、MNDWI、单波段阈值、波谱间关系模型和新波谱间关系模型等对Landsat TM影像提取水体，结果表明波谱间关系模型是最优的。王志辉等[3]采用5种植被指数，对洞庭湖水域的MODIS影像进行水体信息提取对比分析，得出改进的MNDWI效果最优。胡卫国等[4]基于资源一号02C卫星影像水体信息提取，提出决策树的方法。刘建波等[5]基于TM 影像，利用密度分割方法对水体的分布范围进行有效提取。李小涛等[6]基于SPOT5 影像纹理特征实现了水体信息的自动提取，证明其提取结果比植被指数法分类效果好。周成虎等[7]在太湖等地区基于AVHRR影像，结合水体光谱知识的分类方法建立了水体描述模型，取得较好的效果。但是，基于传统像元水体信息提取经常会产生严重的“椒盐效应”和破碎图斑[8]，难以达到精度要求。面向对象提取水体信息方面，张成才等[9]基于ETM+影像，采用面向对象的分割尺度方法提取水体信息，其分割精度明显高于传统像元方法;岁秀珍等[10]利用TM影像，面向对象采用多尺度提取水体信息，并建立了水体提取规则集;黄帅等[11]基于GF-1遥感影像多尺度分割提取水体信息，并与最大似然法提取水体信息比较，其结果比最大似然法精度高。吴文渊等[12]针对河网支流和细小水体信息无法准确提取的问题，基于Landsat ETM+影像提出一种水体信息综合提取方法。丁凤[13]基于Landsat ETM+影像，利用新型水体指数（NWI）提取水体信息，获得较好的提取效果，但对于没有蓝光波段或近、中红外波段的遥感影像则不适用。陈晨等[14]基于WorldView-2影像，通过选择适宜的分割尺度，并结合纹理、形状、光谱等特征构建合理有效的规则集，对研究区域水体信息进行有效提取。于桓飞等[15]利用Pléiades遥感影像，通过综合考虑几何差异和代数差异的方法确定了水体最优分割参数，选用伪归一化水体指数初步提取水体信息，然后对提取的水体进行优化。沈金祥等[16]基于TM影像，采用面向对象的影像分析方法提取山区湖泊的水体信息。宋英强等[17]通过AdaBoost算法，基于Landsat-8卫星OLI遥感影像谱间关系、植被指数（NDVI）、水体指数（NDWI）和K-T变换湿度等特征相结合，实现水体的快速提取。朱小强等[18]基于Landsat 8卫星影像，通过分析水体与不同地物的反射率及主分量特征，构建温度植被水体指数（TVWI），对不同类型的湖泊水体提取均获得较好的效果。

地理环境的不同会导致遥感信息的复杂性，已有研究成果有效的方法对于多源遥感影像在不同的地理环境不具有普适性，只对某些特定的区域适用。GF-2（高分二号）是我国自主研制的首颗空间分辨率优于1 m的民用光学遥感卫星，为高精度提取水体信息提供了保障[19]。面向对象信息提取能够充分利用遥感影像的光谱、形状和纹理等信息，本文基于GF-2影像，以开封市某区域为例，运用面向对象的分类技术，将多尺度分割与光谱差异分割相结合，在原有分割的基础上，对分割对象进一步优化，得到水体最佳分割效果，然后根据水体的综合信息特征，对研究区域水体进行提取，并对其精度进行评价，得到很好的提取效果。

1 数据源与影像预处理

以GF-2遥感影像作为数据源，其传感器为全色和多光谱的高分辨率长焦距轻型相机[20]。全色影像数据只包含一个波段（0.45～0.90 μm），分辨率为1 m;多光谱影像数据包括蓝波段（0.45～0.52 μm）、绿波段（0.52～0.59 μm）、红波段（0.63～0.69 μm）和近红外波段（0.77～0.89 μm）4个波段，每一种波段的分辨率为4 m[21]。当选择不同单波段遥感影像合成多波段遥感影像时，地物会显示不同的颜色。

选择河南省开封市某区域为研究区域，典型地物类型有水体、植被、建筑物、裸地等，区域大小为2 011×1 752个像元，成像时间为2017年5月25日15时57分2秒，影像为无云情景，成像质量良好。

影像预处理主要包括影像校正、影像裁切和影像融合。首先校正原始GF-2全色影像，再以全色影像作为参考影像，校正多光谱影像;最后对全色影像和多光谱影像进行融合，融合后的多光谱影像分辨率为1 m。融合后的影像亮度偏低、灰阶较窄，在尽量保留融合后影像的光谱信息和空间信息的前提下，再进行影像增强处理。研究区域的GF-2遥感影像经增强处理后见图1。

2 面向对象分割的原理

2.1 多尺度分割

多尺度分割是一种从单像素对象开始的自下而上的区域增长技术[22]。其具体分割过程：相邻影像对象如果符合规定的异质性的最小生成，小的影像对象在两两聚类过程中，被相邻对象合并为大的对象。如果最小生成超过由尺度参数定义的阈值，则分割停止，得到此尺度下的分割結果;调整尺度参数，若尺度参数比上一个尺度大，则在上一级影像对象之上，反之则在上一级影像对象之下。通过影像对象继续合并或像素合并，直至生成新对象的异质性再次大于尺度参数设定的阈值时结束，得到一个新的影像对象层。如此反复，可以得到多个尺度下的分割结果，进而形成网络层次结构。

高分辨率遥感影像中相邻的2 个影像区域合并后新生成的影像区域的异质性f包括光谱异质性hcolor和形状异质性hshape两部分：

式中：c为波段数量;wc为各个波段所占权重;nmerge和σmergec分别为合并后新生成对象的像素总数及对应影像光谱值的标准差;nobj1和σobj1c分别为合并前相邻对象1的像素数和对应影像光谱值的标准差;nobj2和σobj2c分别为合并前相邻对象2的像素数和对应影像光谱值的标准差。

形状异质性hshape计算公式为

在分割过程中，影像对象的生成受光谱异质性和形状异质性标准制约。尺度参数的大小影响对象平均大小，若设置分割尺度参数大，则产生大的分割对象;若设置分割尺度参数小，则产生小的分割对象。在满足必要的形状标准的前提下，由于不同地物有不同的光谱特征，因此分割还要依据地物的光谱异质性。

2.2 光谱差异分割

光谱差异分割算法是一个自下而上的分割，需要在已有影像对象基础上，通过分析相邻对象的均值层亮度差异是否满足给定的阈值决定是否将邻近的对象进行合并，主要用于优化已有的分割[23]。如果邻近的影像对象的均值层的亮度差异小于给定的平均光谱差异，则该对象将被合并。多尺度分割根据设定的尺度将影像分割时会出现影像分割过度的情况，与光谱差异分割结合可将亮度较为接近的分割小对象合并成一个大对象，从而减少分割对象的数量，这样与实际对象的边缘更为接近。

3 面向对象分割提取试验与分析

3.1 分割结果与分析

当分割尺度不同时，会得到不同的水体分割效果。首先设置不同的分割尺度，对研究区域的GF-2影像进行多尺度分割。形状权重和紧致度权重分别为0.1、0.5，尺度参数分别为300、260、200时，分割结果如图2所示。当调整形状权重和紧致度权重分别为0.4、0.9，尺度参数分别为300、260、200时，分割结果如图3所示。

由图2和图3可知，尺度是两个影像对象异质性最大差异的衡量标准之一，参数设置越大，分割地块面积也就越大。形态紧致的地物，若紧致度权重设置过小，会使地类分割破碎。研究区域形状权重和紧致度权重分别为0.4、0.9时分割效果最佳，分割尺度为260时效果相对较好，但存在分割的水体稍微超出边界的情况。保持形状权重和紧致度权重分别为0.4、0.9不变，调整分割尺度为255，得到的多尺度分割效果最佳（见图4）。

由图4可见，同一地类在光谱信息有差别的地方会分割出若干个对象，此时需结合光谱差异分割算法，对当前图层设置不同的光谱差异阈值并将光谱信息类似的相邻像元进行合并。调整光谱差异的阈值至50时（见图5），可以看出，分割后既保证了各个对象之间的异质性，又保证了整幅影像中每一类地物分割块的纯度[24]，此时为研究区域水体分割的最佳效果。

3.2 水体信息提取

通过多尺度分割-光谱差异分割，产生若干个待区分的影像对象。如果要提取待区分遥感影像对象中的水体信息，还需要利用遥感影像中水体对象的固有特征（如光谱特征等），这些特征可以从构建的水体样本的知识库中获取，当与水体知识库中的相应特征一致时，就认为该对象为水体。水体的反射主要在蓝绿光波段，其他波段的吸收率很强，特别在近红外波段的反射率几乎为零，在此波段水体通常显示为暗色调[25]。水中含有泥沙时，在可见光波段的反射率会增大，峰值会出现在黄红区;当水中含有水生植物叶绿素时，近红外波段反射率明显增大，因此分类水体通常采用与近红外波段有关的特征：近红外波段均值、植被指数（NDVI）、水体指数（NDWI）和土壤指数（NDSI）等[26]。根据研究区域影像对象在近红外波段均值特征来提取水体对象，通过查看水体对象近红外波段的特征值范围，调整影像对象近红外波段的最大值小于水体近红外波段的最大值。研究区水体的分割尺度阈值设置为300时提取的水体轮廓见图6。根据提取的水体轮廓，最终提取的水体信息见图7。

3.3 精度评价

遥感影像信息提取精度评价一般分目视判读评价和定量精度评价两个方面。通过目视判读，可以看到提取的研究区水体信息与实际水体基本吻合（见图6、图7）。定量精度评价是基于混淆矩阵对研究区域提取水体信息，具体方法：建立研究区域GF-2影像和提取水体信息分类后的影像之间的关联，在影像上随机选取1 000个点作为检核点，结合影像外业调绘数据和其他辅助数据，进行精度评价。本文水体提取的总体精度为90.85%，Kappa系数为0.89。

4 结 论

基于GF-2影像，提出多尺度-光谱差异分割方法，在原有多尺度分割的基础上进一步优化分割效果，再根据水体的综合特征对水体信息进行提取，得出结论如下。

（1）通过对研究区域GF-2影像多尺度分割，得出水体提取的最优尺度参数为255、形状权重和紧致度权重分别为0.4、0.9。

（2）对多尺度分割后的影像对象设置光谱差异阈值为50，可得到研究区域水体分割最佳效果。

（3）通过水体知识库特征，利用水体近红外波段均值，设置阈值为300，可提取到较为满意的水体信息。

（4）对分割后的影像对象进行水体信息提取，目视判读表明其与实际水体基本吻合;定量评价得到水体提取的总体精度为90.85%、Kappa系数为0.89，说明本文所提出的水体信息提取方法是可行的。

参考文献：

[1] 韩晶，邓喀中，范洪冬.利用波段合成研究SPOT多光谱影像水体提取方法[J].全球定位系统，2012，37（5）：76-80.

[2] 刘桂林，张落成，刘剑，等.基于Landsat TM影像的水体信息提取[J].中国科学院大学学报，2013，30（5）：644-650.

[3] 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.

[4] 胡卫国，孟令奎，张东映，等.资源一号 02C 星图像水体信息提取方法[J].国土资源遥感，2014，26（2）：43-47.

[5] 刘建波，戴昌达. TM 图像在大型水库库情监测管理中的应用[J].环境遥感，1996，11（1）：53-58.

[6] 李小涛，黄诗峰，郭怀轩.基于纹理特征的SPOT5影像水体提取方法研究[J].人民黄河，2010，32（12）：5-6.

[7] 周成虎，杜云艳，骆剑承.基于知识的AVHRR影像的水体自动识别方法与模型研究[J].自然灾害学报，1996，5（3）：100-108.

[8] 周文鑫，何隆华，马荣华，等.基于面向对象的TM_LBV变换水体信息提取[J].中国科学院研究生院学报，2012，29（6）：775-779.

[9] 张成才，李艳桦，姚亮亮.面向对象的 ETM +影像分割尺度与水体信息提取[J].人民黄河，2014，36（7）：54-56.

[10] 岁秀珍，阮仁宗，马荣华，等.面向对象的多尺度水体信息提取[J].地理空间信息，2012，10（6）：72-75.

[11] 黄帅，丁建丽，李艳华.面向对象的国产GF-1遥感影像水体信息提取研究[J].人民长江，2016，47（5）：23-28.

[12] 吴文渊，沈晓华，邹乐君，等.基于Landsat ETM+影像的水体信息综合提取方法[J]. 科技通报，2008，24（2）：252-259，271.

[13] 丁凤.基于新型水体指数（NWI）进行水体信息提取的实验研究[J]. 测绘科学，2009，34（4）：155-157.

[14] 陈晨，陈静欣，李向前，等.面向对象的高分辨率影像水体信息提取研究[J].人民黄河，2013，35（9）：68-70，73.

[15] 于桓飞，田文婷，王新，等.面向对象的城镇水体信息提取技术研究[J].浙江水利水电学院学报，2016，28（5）：74-79.

[16] 沈金祥，杨辽，陈曦，等.面向对象的山区湖泊信息自动提取方法[J].国土资源遥感，2012，24（3）：84-91.

[17] 宋英強，杨联安，许婧婷，等.基于Landsat-8卫星OLI遥感影像和AdaBoost算法的水体信息提取[J].测绘地理信息，2017，42（3）：44-47.

[18] 朱小强，丁建丽，夏楠，等.一种稳定阈值的湖泊水体信息提取方法[J].资源科学，2019，41（4）：790-802.

[19] 王俊海，阮仁宗，柴颖，等.基于高分二号的面向对象城市水体信息提取[J].地理空间信息2018（9）：34-37，40.

[20] 邹橙. 基于GF-2遥感影像的水体信息提取方法研究[D].合肥：合肥工业大学，2019：12.

[21] 任金铜，杨武年，邓晓宇，等.基于OIF和最优尺度分割的GF-2影像分类适用性研究[J].现代电子技术，2018，41（8）：72-77，82.

[22] 黎小东.面向对象的高空间分辨率遥感影像城市建筑物震害信息提取[D].成都：成都理工大学，2009：13.

[23] 吴俐民，左小清，倪曙，等.卫星遥感影像专题信息提取[M].成都：西南交通大学出版社，2013：271.

[24] 段秋亚，孟令奎，樊志伟，等.GF-1卫星影像水体信息提取方法的适用性研究[J].国土资源遥感，2015，27（4）：79-84.

[25] 孙家抦.遥感原理与应用[M].3版.武汉：武汉大学出版社，2013：21.

[26] 关元秀，王学恭，郭涛，等.eCognition基于对象影像分析教程[M].北京：科学出版社，2018：49.

【责任编辑 张华兴】