空-譜角匹配與多指數法相結合的OLI遙感影像水體提取

張啟華，王勝利，孫 磊，蔣 毅

(江蘇省地質測繪院，江蘇 南京 211102)

受快速城鎮化、人口增長和全球氣候變化的影響，我國的水資源面臨一系列嚴峻的形勢，開展水體綜合調查工作勢在必行[1]。獲取水資源的空間分布及時序動態變化信息，有助于揭示地表格局內在的驅動機制，進而對水資源保護提供科學的指導[2]。先進的衛星遙感技術因其實時、宏觀、及時和準確等諸多優點，已經被廣泛地應用在地理國情普查、應急測繪保障和水利項目規劃等領域[3-4]。準確提取水體的范圍、面積和界線，對洪澇災害監測、水利工程建設和水資源研究至關重要。

目前常用的水體提取方法主要有單波段閾值法、水體指數法、譜間關系法、決策樹法和分類器法等。文獻[5]根據水體在近紅外和中紅外波段反射率低的特點，利用單波段閾值法提取了水體；文獻[6]構建了一種歸一化差分水體指數(normalized difference water index，NDWI)，用于平原地區水體提??；文獻[7]在此基礎上提出了改進的水體指數MNDWI，進一步提高了識別水體細節的能力；文獻[8]依據譜間關系(KT3+TM2>TM3+TM4)進行了水體自動提取，指出此時受植被和建筑物的干擾較??；部分學者為了在Landsat影像上精細提取水體，構建了自動水體提取指數(automated water extraction index，AWEI)[9-10]；文獻[11]利用決策樹法提取了山區的水體，指出其在排除積雪和裸地方面的效果優于單波段閾值和NDWI。在利用分類器提取水體方面，支持向量機(support vector machine,SVM)、光譜角匹配(spectral angle mapper，SAM)、ISODATA迭代算法和面向對象方法得到了廣泛的應用[12-17]。此外，學者們往往會根據遙感影像空間分辨率特點來選擇適宜的提取策略，如面向對象方法主要應用于ALOS、GF系列、WorldView和SPOT等高分辨率影像的水體提取[12,15]。

Landsat數據具備空間覆蓋范圍廣、時序連續性強且能夠免費獲取等諸多優點，被廣泛應用于土地覆被變化調查中[18-19]。現實應用中，河流、人工引水工程和湖泊的空間特點也決定了30 m及以上分辨率的遙感數據是進行水體提取的重要數據源。大量學者將Landsat影像作為數據源進行水體提取研究，取得了豐碩的研究成果。如文獻[20]利用Landsat 8 OLI影像無監督地提取內陸水體；文獻[21]綜合利用Landsat 8影像上的NDVI、NDWI和wetness特征，以Adaboost為分類器提取水體。然而，水體根據其深淺、渾濁度、浮游生物、受污染程度和所處的復雜地理條件的不同，在遙感影像上會體現出不同的紋理和光譜特征，制約了水體提取精度的提升[22-24]。

考慮到遙感影像上水體特征的復雜多變性，目前僅利用光譜特征或單一指數進行提取難以達到理想的結果，因此需要挖掘多元化的優選特征，通過影像變換獲取潛在的信息來補充光譜特征空間，以提高水體與背景間的模式可分性。然而，對于中等分辨率的OLI遙感影像，若利用面向對象技術進行水體提取，勢必會掩蓋掉細節信息，難以提取細小水體且不利于邊緣的保持。鑒于此，本文在將多種指數相結合的同時，將空間特征通過波形的方式引入進而組成空-譜角聯合特征，最后將聯合特征輸入一類支持向量機(one-class support vector machine,OC-SVM)進行水體提取。

1 數據源及研究區概況

1.1 數據源

選取Landsat 8衛星OLI傳感器獲取的影像作為試驗數據，數據從美國地質調查局(United States Geological Survey，USGS)官網上免費獲取。OLI多光譜影像共包含11個波段，除8波段的空間分辨率為15 m和10、11波段(熱紅外波段)的空間分辨率為100 m外，其他波段空間分辨率均為30 m，成像幅寬185 km×185 km，時間分辨率為16 d。較高的空間分辨率、較廣的覆蓋范圍、適中的時間分辨率及數據免費獲取的優點使得OLI遙感影像在湖泊、河流監測與信息提取方面獨具優勢，成為水體研究者廣泛采用的重要數據源[20,23,25]。

1.2 研究區概況

本文選取石家莊市平山縣崗南水庫和宿遷市駱馬湖附近河流兩個試驗區為研究對象。石家莊市平山縣崗南水庫試驗區位于西柏坡鎮東南部，如圖1(a)所示，空間大小為900×700像素，采集水體樣本387個，成像時間為2017年4月12日，云量為0.35%，軌道號124、33，該試驗區影像上包含了部分易于水體混淆的山體陰影和植被等；宿遷市駱馬湖附近河流試驗區位于江蘇省北部，如圖1(b)所示，空間大小為780×660像素，采集水體樣本407個，成像時間為2015年10月11日，云量為1.46%，軌道號121、36。該試驗區包含兩條主要干流，其中干流A從上部的新沂市經過，跨越較多的居民區，受人類活動的影響，水體呈現出污染態勢、水況復雜，而干流B則從駱馬湖流出，水體清澈，水質良好。該試驗區影像上包含了部分易于水體混淆的植被、道路和建筑物等[26]。

2 空間信息與多指數法相結合

引入空間信息能夠很好地抑制噪聲，而多指數法相結合可以起到將多種優選特征組合使用的作用，能夠在最大程度上改善水體的提取精度。本文首先構建了空-譜角影像特征，然后將多指數特征與NIR、空-譜角影像特征復合，組成多維度光譜派生特征數據，輸入OC-SVM進行水體信息提取。

2.1 空間信息提取

復雜的地理環境導致水體光譜呈現出不確定性，因此傳統的僅依賴光譜信息的提取結果易受背景區“椒鹽噪聲”的干擾[12]。針對傳統的中等分辨率遙感影像水體提取多利用光譜信息而忽視空間信息的問題，首先提出了一種空間信息提取方法，然后將提取的空間信息與光譜信息融合，構成空-譜矢量特征，大量研究也表明加入空間信息能夠顯著提升提取精度[21,27]。借鑒光譜角匹配(spectral angle mapper，SAM)的原理，構建空-譜角匹配算法，從而引入空間信息。多光譜影像不同波段之間存在一定的相關性，因此進行特征提取前需要對原始影像作PCA降維操作。本文僅利用PCA降維后的第一主成分影像提取空間信息，窗口大小設置為3×3，如圖2所示。

影像上不同的地物都有其獨特的光譜曲線，這構成了地物識別的物理基礎。SAM因具備對像元亮度不敏感的特性而在目標提取領域得到了廣泛的應用[28]。然而，由于地物輻射特性和環境條件的差異，地物的光譜將隨著時間而變化，進而造成SAM易將波形類似的地物混淆，精度難以達到要求[18]。針對上述問題，本文引入空間鄰域信息，構建了空-譜角匹配(spatial-spectral angle mapper，S-SAM)模型，以期改善SAM的地物提取效果，具體思路如下：

對于影像I上每一個待判別的像元f0，其空間信息用PCA第一主成分影像上其周圍鄰域的像元所組成的3×3矩形區域來描述，然后將空間信息展開為一維矢量[f1f2…f8]，與像元f0的n維光譜矢量X=[x1x2…xn](對于OLI影像n等于7)堆棧后形成本文的空-譜信息X*=[x1x2…xnf1f2…f8]。引入鄰域空間信息構成的空-譜矢量能夠在一定程度上增強類間地物的特征可分性、弱化類內地物的光譜變異，達到降低斑點噪聲的效果。S-SAM就是通過X*計算兩個矢量的夾角來度量相似性的方法，其公式如下

(1)

式中，X*和Y*分別表示參考矢量和測試矢量；θ∈[0，π/2]。S-SAM的值越小表明兩個像元的空-譜矢量越相似。

2.2 多指數法相結合

單一的水體提取指數往往精度不高，且受復雜地理條件的影響，算法普適性較差，而多特征聯合或多指數組合能夠顯著提高地物的提取精度[29]。通常情況下，遙感影像經過一系列特征變換(如PCA、比值運算)生成的新圖像可以起到圖像增強的目的，利于目標地物的提取。

2.2.1LBV變換的B分量

文獻[30]通過對全球尺度遙感影像上大量地物光譜曲線進行綜合分析，得出影像上3個重要的地物輻射特征為地物的總輻射水平L、可見光-紅外光輻射平衡B和地物輻射隨波段變換的向量V。已有研究表明，B分量圖像相當于水體的特征圖像，能夠很好地將水體從背景(植被、裸土等)中凸顯出來[8]。

2.2.2 纓帽變換

纓帽變換(kauth-thomas transformation，K-T)是根據多光譜遙感中土壤、植被等信息在多維光譜空間中信息分布結構對圖像作的經驗性線性正交變換。K-T變換的第3分量wetness波段能夠較好地反映地物的濕度信息，對土壤濕度最為敏感[8]。因此，wetness分量特征影像能夠較好地用于水體信息的提取。

2.2.3 NIR波段影像

水體在近紅外(near infrared，NIR)波段具備強烈吸收的特性，從而使水體在該波段影像上反射率較低，呈現出黑色。因此，利用NIR波段影像提取水體能夠較好地抑制背景等的干擾。

2.2.4 NDWI特征影像

NDWI是基于綠波段與近紅外波段的一種廣泛使用的水體指數，通過譜間關系運算得到[22]。NDWI在提取影像中的水體時效果較好，但其結果往往混有建筑物而導致水體面積的增大，難以應用到城鎮區域的水體提取[7]。

3 研究方法與試驗分析

3.1 研究方法

本文的研究思路如圖3所示。首先，對影像進行幾何校正、FLAASH大氣校正和裁剪等預處理；然后，計算S-SAM、K-T3、B分量和NDWI特征影像，并與NIR特征影像進行波段融合；最后，將融合得到的數據輸入OC-SVM進行水體提取。為了最大限度提高訓練樣本的可信度，本文輔助Google Earth進行樣本采集，并結合多波段假彩色影像進一步驗證，提取精度采用目視解譯進行評定[13]。

3.2 試驗分析

為了驗證該方法水體提取效果的有效性，本文綜合運用了單波段閾值法、NDWI、SAM OC-SVM對3個試驗區分別進行了水體提取試驗，并與該方法的效果進行了對比分析。根據前面介紹的技術方案進行試驗，圖4和圖5分別為石家莊市平山縣崗南水庫和宿遷市駱馬湖附近河流試驗區的提取結果，圖中白色表示水體，黑色表示背景。

通過目視解譯從圖4中可以看出，單波段閾值法、NDWI和SAM可以完整地提取水體，其中SAM識別到了圖像左下角極不明顯的細小狹長水流，但同時存在嚴重的誤提，這主要是由背景區存在與水體波形類似的地物(山體陰影、植被等)造成的；OC-SVM提取細小水體的性能最為遜色，結果中存在較多的孤立斑點噪聲，單波段閾值法和OC-SVM都將反射率較低的地物(如影像右下角的暗色裸土)誤識別為水體，暴露出一定的不足，這主要是因為該模型是基于地物亮度值特征進行識別而引起的。

從圖5可以看出，單波段閾值法、NDWI和SAM均能夠較好地提取出宿遷市駱馬湖附近的河流及細小的支流，但提取效果中攜帶了部分斑點噪聲；OC-SVM的水體提取結果存在漏提現象，主要干流不僅出現間斷，且結果中有大量的噪聲干擾；本文方法能夠較好地提取到駱馬湖附近的主要河流及細小的水體，且提取結果的完整度較好，在保證水體平滑性的同時，將斑點噪聲的影響降到了最小，表明了本文方法的有效性。

4 結 論

針對中等分辨率影像水體遙感提取算法大多忽視空間信息且單一指數存在局限性等弊端，本文提出一種空-譜角匹配與多指數法相結合的OLI遙感影像水體提取方法。通過在兩處試驗區進行水體提取嘗試，結果表明：

(1) 本文方法能夠將像素點最近鄰域信息妥善地利用起來，以像素為基元的提取策略具有較好的邊緣保持能力，避免出現過平滑現象，且空-譜角組合矢量可以很好地彌補Landsat 8數據光譜分辨率不高的缺點。

(2) 空間信息與光譜信息構成空-譜角聯合特征的策略為研究者如何使用空間信息改善影像處理效果提供了一種新的思路，輔助空間特征和多指數特征相融合是提升地物提取精度的有效途徑，可以獲得較優的結果。

下一步工作的重點是加入鄰近像元相關性等影像信息量，關注水體自身理化性質對光譜的影響，面向城市需求更好地對復雜地帶受污染水體進行精準提取與制圖。