光譜模型結合面向對象法的山區水體提取

董哲，王凌，朱西存，馮文斌，張美霞

(山東農業大學 資源與環境學院，山東 泰安 271000)

0 引言

山區地表水體影響著山區的生態系統和人類的生產勞動，快速、大范圍地獲取山區水體的分布情況對于山區的災害評估、用水安全保障、資源分配有著重要的意義[1-2]。山區水體分布零散，面積相對較小，且易與山地陰影相混淆，在水體的提取上存在一定的難度。遙感作為采集地球數據以及變化信息的手段，已經廣泛應用于國民經濟和社會發展的各個領域[3]，也成為獲取水體真實范圍的一個可行手段[4]。中低分辨率遙感數據很難用于高精度山區地表水體的提取，而高分二號(GF-2)作為我國第一顆分辨率為亞米級的光學遙感衛星[5]，為獲取更真實、更豐富的地表水體信息提供了可能。

針對遙感影像的水體提取，國內外學者進行了大量的研究。目前遙感影像水體提取最常用的方法是水體指數法[6]，通過分析水體的光譜特征選取相關波段構建水體指數，并給定相關閾值來進行水體提取[7]。Mcfeeters[8]根據植被和水體的反射不同構建歸一化差異水體指數(normalized difference water index，NDWI)，該指數突出了水體信息，可以很好地提取水體，但會造成陰影與水體的混淆，形成的噪聲降低了水體提取的精度。馬吉晶等[9]通過濁水指數對蘭州市安寧區濕地公園進行了渾濁水體提取，證明濁水指數對區分渾濁水體的效果較好。鄭逢斌等[10]利用決策樹法，結合最大似然法、單波段閾值法和城區水體陰影指數(urban shadow water index，USWI)提取了安陽縣彰武水庫的水體，結果表明該方法的水體提取精度比NDWI高。

面向對象法也是一種常見的遙感信息提取方法，它能夠利用更加豐富的地物信息，同時還具有良好的抗噪能力。相較于水體指數法，面向對象法可以減少“椒鹽現象”的出現[11]，能更好地利用高分辨率影像豐富的信息，使得面向對象方法提取水體信息更加符合實際，很好地彌補水體指數法的缺陷。付勇勇等[12]基于面向對象法，采用分離閾值法建立提取規則，實現杭嘉湖水網平原水體的提取，總體精度達到97.3%。王俊海等[13]通過統計簡單的光譜信息、紋理特征，利用面向對象法提取揚州市某區域的水體，精度為89.55%，很好地區分了水體和建筑物陰影，表明該方法在城區水體提取方面的有效性。

上述水體提取實例均基于GF-2影像。目前的GF-2水體提取研究多數針對平坦區域，而針對地勢起伏較大的山區進行的水體提取卻較少。面向對象法提取水體需要進行復雜的計算才能得到最優的分割參數，用以保證水體邊界提取的正確性[14]。受限于GF-2僅有藍、綠、紅、近紅外4個波段，無法構建出需要中波紅外波段的改進歸一化差異水體指數(modified normalized difference water index，MNDWI)、水體指數2015(water index 2015，WI2015),以及自動水體提取指數(automated water extraction index，AWEI)等提取效果較好的水體指數。

基于上述考慮，本文在NDWI指數的基礎上，提出差異水體光譜模型(difference water spectral model，DWSM)，通過與面向對象法結合，旨在為大范圍山區水體的提取提供一種更加準確的方法，簡化復雜計算。

1 研究區概況與數據來源

1.1 研究區概況

研究區為山東省泰安市泰山的主體區(117°0′E～117°10′E，36°12′N～36°20′N)，最高海拔1 532.7 m，高差達1 200 m以上，地勢起伏較大，屬于暖溫帶季風氣候，具有明顯的氣候垂直差異，山腳年均氣溫13.2 ℃，年均降水量678.5 mm；山頂年均氣溫5.9 ℃，年均降水量1 031.3 mm。水體分布較離散，包括橫嶺后、曹家莊、藥鄉附近面積較大的水庫及一些零散分布的坑塘。地表景觀主要包括大范圍的林地、分布在山腳四周的耕地及裸地、零散分布的水體及建筑用地。

1.2 數據來源

選用2017年11月8日分辨率為4 m的GF-2多光譜影像作為實驗影像。同時，為驗證本文方法的普適性，以2018年6月23日的GF-2多光譜影像作為驗證影像，兩期影像的云覆蓋率均為0%。利用Erdas Image對實驗影像和驗證影像進行預處理，包括正射校正、影像匹配、圖像裁剪，其中正射校正總體誤差小于0.3個像元。

2 研究方法

圖1 水體提取技術路線

本文技術路線如圖1所示，采用差異水體光譜模型結合面向對象法作為水體提取方法，將陰影水體指數(shade water index，SWI)決策樹法[15]、改進的陰影水體指數(modified shade water index，MSWI)決策樹法[16]和支持向量機法(support vector machine，SVM)作為此方法的對照方法。

2.1 DWSM結合面向對象法

NDWI利用水體在近紅外波段反射弱、在綠光波段反射強的特點，基于上述兩波段構建歸一化差異指數來突出水體信息，表達如式(1)所示。

(1)

式中：Green為綠光波段DN值；NIR為近紅外波段DN值。NDWI可以抑制植被和土壤信息，但會混淆水體和陰影[17]，這種情況在山區尤為嚴重，地形起伏較大的山區不僅存在大面積的山體陰影，也存在零散分布的建筑物陰影，使得山區水體提取難度變得更大。為更加準確地提取水體，本文基于NDWI指數提取水體結果掩膜后的實驗影像，選取24 978個水體像元和27 956個陰影像元進行對比分析，其中水體主要包括研究區的水庫和坑塘，陰影包括建筑物陰影和山體陰影，分別統計水體和陰影DN值在4個波段像元的頻率，如圖2所示。從圖2可以看出，相較于綠光、紅光和近紅外波段，水體-陰影在藍光波段的DN值重疊范圍最小，這表明在選取合適閾值的前提下，水體-陰影在藍光波段有較好的區分度。為了進一步擴大水體-陰影的區分度，構建差異水體光譜模型DWSM，表達如式(2)所示。

(2)

式中：Blue、Green、NIR分別為藍光波段、綠光波段、近紅外波段的DN值。

利用與圖2相同的方式在DWSM影像中選取水體像元和陰影像元，構建出的水體-陰影對比頻率如圖3所示。從圖3可以看出，當分割閾值為119時，水體和陰影具有良好的區分度，但仍有1.14%(319個像元)的陰影被錯分為水體，將繼續利用面向對象法剔除這部分陰影噪聲。

圖3 水體-陰影DWSM值頻率圖

面向對象水體提取方法包括影像分割和水體提取規則建立兩個步驟。影像分割最終目的是滿足異質性標準，規則集的建立主要依靠光譜特征、形狀特征以及紋理特征3個方面[18]。

圖2 4個波段水體-陰影DN值頻率圖

1)面向對象的多尺度分割。根據研究區水體形狀不規則、大小不一的特點，選取多尺度分割法[19]作為影像分割方法，用以提取水體分布信息。分割參數會影響圖像分割的質量，進而直接影響到面向對象的分類精度。本文將DWSM水體提取結果作為第5波段與原始GF-2 4個波段疊加，選取DWSM水體提取結果范圍內的影像用于分割，每個波段的權重均為1。通常情況下，影像的最優分割尺度難以把握[20]，需要進行繁雜的計算。而本文以DWSM所提取的水體區域作為影像分割范圍，在忽略背景0值的情況下，水體是獨立存在的，不與其他地物相鄰，要區分的類別只有水體和零散陰影兩類，且要剔除的陰影較NDWI法少，利用簡單的“試錯法”可以很快地找到合適的分割尺度。經過實驗，當尺度參數為50，形狀因子為0.1，緊實度因子為0.3時，分割效果較好，不論是水庫還是坑塘，分割情況都符合實際，沒有出現水體與其相近的陰影區域分割到同一對象的情況，分割后的對象具有高度均質性。分割后的影像及細節如圖4所示。

圖4 尺度為50的分割圖及細節(R：NIR；G：Red；B：Green)

2)規則建立。綜合考慮研究區內水體分布較為零散、面積相對較小且輪廓不規則的特點，同時兼顧水體在不同波段的特性，經多次實驗，本文選用水體強反射的藍波段、水體強吸收的近紅外波段和DWSM水體提取波段分別構建比值率(ratio)、均值(mean)、亮度值(brightness)3種光譜特征值作為水體提取的規則。

在分割后的影像中盡可能均勻地選取水體和陰影訓練樣本，創立訓練樣本集，從而得到水體提取規則值域。實驗影像水體提取規則范圍如表1所示。

表1 實驗影像規則值域

2.2 對照方法

1)決策樹法。SWI決策樹法、MSWI決策樹法是基于GF-1影像提出的水體提取算法，這兩種決策樹法都是先利用水體在近紅外波段的強吸收性的特點，通過設定閾值在近紅外波段實現水體粗提取，再利用SWI、MSWI分別實現水體的精確提取。SWI、MSWI的計算如式(3)和式(4)所示。

SWI=Blue+Green-NIR

(3)

MSWI=(Blue-NIR)/NIR

(4)

式中：Blue、Green、NIR分別為藍光、綠光、近紅外波段的DN值。

2)支持向量機法。支持向量機法是建立在統計學習理論基礎上的機器學習方法[21]。SVM分類法的精度主要取決于核函數類型的選擇和核函數參數的設置[22]。研究表明，在選取合適的核函數類型和參數的前提下，即使選取樣本數量較少，SVM分類也能取得較高的精度[23]。本文借鑒段秋亞等[24]的研究，選用徑向基核函數(radial basis function，RBF)和對應默認的參數(gamma為0.25；penalty為100；pyramid為0)進行GF-2影像水體信息提取。

2.3 精度評價

選取400個水體點位和400個非水體點位，利用混淆矩陣計算總體分類精度(overall accuracy，OA)、Kappa系數作為各種水體提取方式的精度評價指標。

3 結果分析

3.1 NDWI與DWSM提取結果對比

NDWI與DWSM水體提取結果對比如圖5所示。NDWI法混淆了水體和陰影，形成大量的噪聲；DWSM法可以很大程度上避免這種情況，在高低起伏的山區提取水體的效果更好，在基本剔除陰影的同時，保留完整的水體信息，但也存在一些陰影像元錯分，使得影像存在椒鹽現象，原因在于這些陰影和水體在4個波段的光譜特征極為相似，單純地利用波段之間的數學運算難以找出陰影和水體之間的區別，因而結合面向對象法是必要的。

圖5 NDWI法與DWSM法水體提取結果

3.2 本文方法與對照方法的結果對比

實驗影像和驗證影像水體提取結果分別如圖6和圖7所示，紅圈是錯分的山體陰影，藍圈是錯分的建筑物陰影。其中，圖7結果只展示精度較高的SVM法和DWSM結合面向對象法。不同方法的水體信息提取精度評價見表2。

表2 水體提取精度評價結果

由表2可知，無論是在實驗影像還是驗證影像中，4種水體提取方法的總體精度和Kappa系數由高到低均為DWSM結合面向對象法、SVM分類法、SWI決策樹法和MSWI決策樹法。DWSM結合面向對象法的Kappa系數和總體分類精度均高于其他算法，且水體提取精度較為穩定。實驗影像和驗證影像的總體分類精度均大于95%，Kappa系數分別為0.953 3和0.933 4。DWSM結合面向對象法在兩幅影像中的漏分誤差分別為1.59%和1.41%，錯分誤差均為0%，總體誤差最低。該方法不僅可以很好地區分水體和其他易混地物，而且也能較為精準地提取細微水體，并未出現嚴重的水體漏分情況，在保證水體信息完整性的同時，減少椒鹽現象的發生(圖6、圖7)。

圖6 實驗GF-2影像水體提取結果及細節對比

圖7 驗證GF-2影像水體提取結果及細節對比

SVM法提取的水體輪廓較為符合實際情況，很好地保持了水體信息，在4種水體提取方法中的漏分誤差最低，但是伴有建筑物陰影以及部分山體陰影的誤提，兩幅影像中的總體精度較DWSM結合面向對象法下降了9.27%和7.01%。

MSWI決策樹法的精度在4種方法中最低，Kappa系數分別為0.615 6和0.616 1。與NDWI相似。MSWI決策樹法精度低主要在于光譜特征相似的山體陰影、植被陰影被誤分為水體。SWI決策樹法較MSWI決策樹法精度略有提高，總體分類精度分別提高了9.30%和6.61%，但依然存在著大量陰影錯分，同時漏分誤差也較高。無論是SWI決策樹法還是MSWI決策樹法，應用于本研究區的水體提取效果均不理想，不能作為水體提取的最終結果。

4 結束語

基于GF-2影像，本文利用DWSM與面向對象法相結合的方法，在山區實現了水體信息的高精度提取，并與SWI決策樹法、MSWI決策樹法和SVM分類法進行對比，結論如下。

1)在GF-2影像中，DWSM能夠很好地減少由地形起伏造成的陰影噪聲，相較于NDWI，應用于山區水體提取效果較好。

2)DWSM結合面向對象法的提取精度高于對照方法，在兩個時相GF-2影像上都可以取得較高的精度；其次是SVM分類法，SVM法可以較為精確地提取水體輪廓，但會受到建筑物陰影的影響，降低了水體提取精度；而SWI決策樹法精度比前兩種方法低，存在大量陰影噪聲。

3)在波段較少的影像中，單純利用水體指數法提取山區水體的精度不高，如果要獲得更好的水體提取效果，水體指數與面向對象法相結合是一種有效的方法。

本文所提出的水體提取方法在山區取得了較高的精度，后續將進一步驗證其在平原地區的應用。獲取合適閾值是光譜模型準確提取水體的前提，如何快速準確地在影像中確定水體閾值將是下一步的方向。