影像圖中水體識別與提取技術研究綜述

趙晨曦 胡敬芳 宋鈺 高國偉 胡平

1. 北京信息科技大學 傳感器北京市重點實驗室，北京 100101；

2. 北京信息科技大學 現代測控技術教育部重點實驗室，北京 100192；

3. 北京國科艦航傳感技術有限公司，北京 100101

0 前言

在人類生活、生產等方面，水資源是一種非常重要的資源，發揮著重要的作用。快速并且準確地提取水體信息，在水資源規劃和調查、預防洪水災害和船舶航行中具有重要意義。遙感圖像不直接與物體相互接觸、不對其他物體造成破壞，能夠動態地對其進行廣泛而深入的檢測，它的分辨率很高，而且具有成像周期相對較短、實時性強、不受地域限制的特點。傳統水體信息的獲取方式主要包括2類，分別為人工野外測量和水文監測站的監測。人工勘測可以得到較為精確的水體信息，但往往需要耗費大量的人力物力以及時間，在測量過程中也會存在一定的危險性，此類方法對于高時空頻率水資源的收集并不具有適用性，遙感圖像有利于高分辨率的遙感圖像水體信息的獲取，彌補了人工野外觀察耗時耗力等問題。

現如今，已經有多種提取算法用于水體識別，例如最早的閾值法、分類器法，再到目前熱門的神經網絡算法以及深度學習法。閾值法操作簡單但精度較低，只適用于地勢平坦、水域較為寬闊的水體識別；分類器法精度相對于閾值法較高，但實現難度較高，無法實現全自動化水體提取；深度學習算法目前已經可以基本實現全自動化水體提取，精度隨學者們的不斷研究也在逐漸升高[1]。本文通過對比分析各類研究方法在速度、精度以及自動化程度存在的問題，直觀地了解這一研究領域的進展。

1 水體提取研究現狀

遙感水體提取技術現階段已經能夠將光譜與空間信息進行結合，極大提升了技術的實用價值。最初，水體提取只能通過人工野外測量來獲取水體信息，此后不斷發展到將半自動化作為核心的提取方法。在這之后，全自動化水體的提取得到進一步完善，多元遙感數據下的深度學習算法解決了全自動化水體提取中的精度問題，分別針對不同應用領域實現了高精度提取。然而，遙感圖像中的陰影、云層遮擋、亮度不同仍會對水體提取的精度產生影響，對于這些課題的研究在水體識別、分割、目標檢測中具有重要的意義。遙感水體發展歷程如圖1所示。

2010 年之前，遙感技術尚未像現在一樣先進，圖像質量不清晰等問題嚴重影響著水體提取的精度，通常只能夠實現以像素波段間為核心的運算與分析。周成虎等人[2]發現，在TM影像（Thematic mapper所獲取的掃描影像）中，水體具有一種特別的譜間特征，其灰度值為：

TM2+TM3>TM4+TM5 （1）其中，TM2表示0.52～0.60 μm，綠光波段；TM3表示0.63～0.69 μm，紅光波段；TM4表示0.76～0.90 μm，近紅外波段；TM5表示1.55～ 1.75 μm，中紅外波段。

MCFEETERS S K等人[3]結合植被指數進行分析，通過2個主要波段建立了歸一化差異水體指數，針對這一方法研究出了在不同條件下的水體指數，成為了當時的熱門研究對象并逐漸發展成為水體提取的主要方法。

2010 年之后，針對水體提取的精度問題，面向對象法得到進一步完善，在精度方面得到極大提升。崔齊等人[4]探討了一類實現空間高分辨率遙感影像的方式，采取了面向對象，結合矢量約束提升實際的提取效果，解決了傳統閾值法不能夠對細小水體進行精確提取的問題。由于影像質量的影響以及外界環境變化，傳統的閾值法提取的精度就會大幅降低；面向對象的抗噪力很強，隨著高分辨率影像的興起，影像中的一些細小水體變得更加明顯清晰，通過將紋理和空間信息及其他區域信息的結合和匹配，水體的提取精度也就會提高。

2015 年之后，研究學者為圖像匹配校準做出了巨大的貢獻，提出了多元化的新型技術。光學影像在水體識別應用時存在一定限制，云層和陰影對最終提取效果產生的影響較為突出；SAR圖像對于淺水和陰影區域具有比較良好的適用性，可以充分利用雷達數據所具有的優勢，進而為水體提取提供一定便利。當前來講，半自動化的水體提取技術已逐步完善，實現全自動化的水體提取是主要的研究方向，有著人腦運轉機制的深度學習方法成為了此研究領域的熱門[5]。

深度學習方法利用信息融合技術以及多種網絡來構建水體提取模型[6]。在實際河流遙感圖像中，背景大多是復雜異構的，傳統的檢測方法不能識別出小的支流，邊緣信息粗糙[7]。為了解決上述問題，XIA M等人[8]提出一種基于不同大小融合的可分離殘差網絡。該方法利用殘差神經網絡作為主干網絡獲取河流的信息特征，通過不同尺度的模塊將深度特征信息與淺層特征信息融合。利用淺特征和大尺度注意模塊對河流的主要位置進行定位，利用深特征和小尺度注意模塊對河流邊緣進行精細分割，從而從背景中準確提取河流。LIU P等人[9]提出一種新的全卷積網絡，其中空間殘差SRI模塊通過連續融合多層次特征來實現語義理解，為了提高計算效率，引入了深度可分離卷積和卷積分解，顯著減少了模型參數的數量。XIA M等人[10]提出一種加權密連卷積網絡（W-DenseNet）用于強化學習。通過跨層連接使網絡中各層之間的信息流最大化，減少了梯度消失和退化的現象，大大提高了訓練收斂速度。WENG L G等人[11]針對訓練過程中參數過多、精度低、網絡退化等問題，提出了一種可分離殘差SR-SegNet算法。SR-SegNet算法一方面通過引入深度可分離卷積來限制參數數量，提高了特征提取能力；另一方面，SR-SegNet在編碼階段去除卷積核相對較多的卷積層，并采用級聯方法融合圖像的低層和高層特征。實驗結果表明，與FCN、DeconvNet和SegNet等傳統方法相比，該方法具有顯著的改進，以上方法的對比分析如表1所示[11]。

表1 FCN、DeconvNet、SegNet與SR-SegNet算法對比

2 水體特征及提取過程

水體具有多種特征，在分析處理遙感影像的過程中，需要明確每一特征，重點涉及到光譜特征、空間特征等多個方面。水體污染、云層陰影的遮擋或水體中泥沙含量的不同都會對光譜特征產生影響。腐殖質、有機、無機等污染物少的優良水質對陽光能夠表現出較為顯著的吸收性和較小的散射性。與另外的地物相比，優良水體未超過遙感傳感器的波長區間，實際的反射率相對較低。現實生活中的水體還會含有其他不同的物質，水體反射光譜特征也會根據其物質的不同發生不同的變化。

空間特征是地理現象最為核心的特征，其重點涉及到形狀特征、紋理特征等多個方面。在自然生態環境中，水體的形狀不確定，主要涉及到2類形狀特征：一種是線狀特征，以江河支流為代表；另一種是多邊形特征，具有不規則性，以湖泊和海洋為代表[12]。水體具有顯著的連續性，每條河流都是不會突然中斷的地物，與其他河流有著一定的交叉匯合，這個特性可為水體提取提供參考。

2.1 水體特征關鍵參數識別

遙感圖像中蘊含著許多水體特征中的參數信息，例如水體顏色、邊界輪廓以及不同光譜段屬性等。水體中不同的泥沙含量會嚴重影響水體的顏色，河流的交叉匯聚和河寬的變化也給水體的邊界提取增大了難度。目前需要攻克的問題就是找到一種能夠從充滿噪聲、不確定性和不完全性的海量信息當中提取出精確水體信息的方法。

2.2 提取過程

對于特征提取而言，主要是以遙感影像為基礎提取有價值的信息。在對水體特征進行處理時，通常將預處理作為首要步驟，遙感圖像預處理過程流程圖如圖2所示。水體提取的方法眾多，例如閾值法適用于平坦地區，面向對象法適用于細小水體，在獲得預處理的遙感圖像后，針對于不同的水體特征選擇適合的具體水體提取方法再進行提取。

3 水體信息提取算法

本文將分別從光學（Optical）影像與合成孔徑雷達（Synthetic Aperture Radar，SAR）影像2個方面對水體信息提取算法進行簡要概述。光學圖像內存在實現分類提取和目標識別功能的灰度信息，這些信息由數個波段組成；SAR圖像采用二進制復數的形式記錄一個波段的回波信息，由于能夠變換各個像素的數據，可以利用這一點來實現相位信息和相應振幅的提取。

3.1 基于Optical影像水體提取算法

3.1.1 閾值法

（1）單波段法

單波段閾值法的原理是選取單一的近紅外波段，通過多次試驗確定某一灰度閾值將目標地物與背景區分。FRAZIER P S等人[13]以澳大利亞Wagga 湖的水體為例，通過閾值法進行提取得到的結果顯示 TM5 提取效果更為理想。針對單波段法來講，對于地勢較為平坦、背景不復雜的地區具有良好的適用性。此方法是最簡易的水體提取方法，但有很多的局限性，所以多波段法已逐步成為主流，絕大多數研究都會將2類方法搭配應用，進而提升水體信息的提取效果。

（2）多波段法

多波段法一般包括2種類型，分別為譜間關系法和水體指數法。譜間關系法的原理是用邏輯判別表達式對指定的地物進行提取，該方法對某些非常規的水文特征不具有適用性。賈永紅等人[14]提出一種將濕度分量作為核心的譜間關系模型，其對應的表達式為：

其中，B2表示綠色波段；B4表示近紅外波段；B7表示短紅外波段；KT3表示濕度分量。

譜間關系法對于山區水體的提取具有較強的適用性，穩定性好，能夠將水體和山體陰影進行有效區分。但這種方法操作起來十分繁瑣，需要用到較多的邏輯判斷，若判斷出錯，往往會將建筑物錯誤地判定為水體，特別是在水植混合區域，實際的提取效果往往不太理想，不具備通用性。

水體指數法是結合不同光波段的比值進行運算，明確相應的水體指數，綜合閾值完成提取操作。歸一化差異水體指數是由McFeeters提出的，其參考了歸一化差異植被指數的理念，相應的表達式為：

這種方法對復雜背景的圖像提取效果差，仍需要圖像校準過程。孟偉燦等人[15]探討了一類全新的水體指數，用于解決波段信息較為單一的問題，這種指數主要通過2個波段明確綜合水體指數（CWI），分別為V波段和Sat波段，經研究發現，利用該水體指數水體的光譜值比以往要高，而背景值則相對以往下降。該表達式為：

其中，Sat波段為4、3、2波段進行HSV變換得到； V波段為2、3、4、5波段進行LBV變換得到。

經對比分析，各種水體指數都能夠有效提取水體，其中利用新型水體指數提取水體的效果最好。然而，水體指數法針對濕地等反射強度大、散射復雜的目標存在不準確甚至誤識別的情況。

3.1.2 分類器法

（1）Support Vector Machine法

此類方法主要參考了機器學習方法[16]，即便樣本量很少，通過該方法也可得到較為理想的分類結果[17]。核函數在SVM法中起著重要的作用。選取最為適用的核函數類型，并對核函數參數進行合理的設置，可以明確該方法性能[18]。按照這種方法，段秋亞等人[19]將鄱陽湖區作為研究的實例，通過2塊尺寸不盡相同的GF-1衛星影像進行測試分析，判斷各類方法的實用效果，結果表明，在各類主流方法中，SVM法的提取精度最為理想；張德軍等人[20]以三峽庫區水體為例，結合收集的GF-1數據對目標水體完成提取操作，最后得到的數據顯示，SVM法在精度方面具有非常顯著的優勢，然而在細節方面難以進行良好的處理，尤其是河流的邊界或一些細小的水體。

（2）決策樹法

決策樹分類法的重點是結合一些重要條件對初始數據展開細化處理，通過決策樹能夠明確各像素的正確類型。程晨等人[21]將鄱陽湖濕地作為探討的實例，開發了特殊的4層分類器，根據要求進行纓帽變換，結合要求構建決策樹模型，最后得到的數據顯示其提取效果非常出眾。決策樹分類法能夠表現出多樣性的特點，例如具有較強的靈活性，運算效率十分突出，可以規避物譜存在偏差所導致的各類問題，在各類提取結果中，空間分布的地物有一定概率出現錯提的情況。

（3）面向對象法

相關實驗結果顯示[22]，在近紅外區間內，水體所表現出的光譜特性與水面粗糙度存在緊密的聯系[23]，在產生高分影像之后，水體提取能夠良好地兼顧水面紋理數據，使目標逐步提升至對象層次[24]。面向對象法可以利用多樣性的算法，使同質像元構成大小存在差異的對象對目標影像信息有效提取[25]。水體受到陰影的影響，在完成多尺度分割之后，綜合光譜信息和空間拓撲關系能夠對陰影部分和水體進行準確區分[26]。王俊海等人[27]將光譜數據和形狀信息作為核心，結合紋理數據有效降低了城市陰影產生的干擾。崔齊等人[4]提出了一類通過矢量約束提升水體提取精度的方法，通過該方法可以降低地物陰影等產生的影響，對細小水體信息實現了高精度的提取。

3.1.3 其他方法

（1）Back propagation神經網絡法

對于該網絡而言，信號具有前向傳播的特性。為了能夠解決常規方法要求對閾值進行設置的問題，楊文亮等人[28]參考BP 神經網絡，并對方法的有效性進行了檢驗。針對人工神經網絡法來講，它是比較典型的監督分類方法，能夠明確樣本的閾值，大幅度縮減了主觀選擇閾值所形成的誤差，該方法在具體應用的過程中存在一定限制，可能會陷入局部極小的情況，運行時間難以控制。

（2）深度學習法

深度學習是近些年高新技術最為典型的一類，在2006年被提出后就受到了業界的高度關注[29]。這種方法能夠體現出較好的特征表達能力，利用深度神經網絡結構提取目標比較重要的特征是全自動提取的必要前提。王雪等人[30]運用構建的全卷積神經網絡模型進行試驗分析，結果顯示，全卷積神經網絡模型與常規的方法相比具有明顯優勢，自動化水平相對較高，可以表現出更強的適用性，提取精度也十分理想。梁澤毓等人[31]重點應用多元遙感數據下的深度學習方法，對安徽段的水體進行提取操作，實現了全自動化處理。

3.2 基于SAR影像的水體提取

3.2.1 SAR圖像預處理

針對SAR圖像而言，其空間分辨率相對較低，噪聲比較繁雜，獲取的數據不精確，一般需要先對其圖像進行幾何校正、裁剪、鑲嵌、融合等操作。幾何校正的步驟為：按照“不受時間影響”的原則明確地面控制點，比如河流交叉點等；在圖像及其參考圖像上對所有控制點的坐標進行讀取，再依托公式對所有控制點的均方根誤差進行計算，以所得值為依據明確所有控制點幾何校正的精度。裁剪圖像的用意是去除研究區之外的區域。在鑲嵌圖像的過程中，應當選取某影像作為參考圖，用作輸出鑲嵌圖像的基準，對輸出圖像的像元尺寸、數據類型，以及鑲嵌圖像的對比度匹配予以明確。圖像融合可以將低分辨率的多光譜影像與高分辨率的單波段影像重采樣生成一幅高分辨率多光譜影像。這些研究為更好地在SAR圖像中準確識別水體提供了理論和方法支撐。

為避免圖像輻射值因非地物變化引起的差異，可以采用相對輻射校正方法和絕對輻射校正方法。前者的原理是選取2幅圖像，其中一副為參考，對另外一副的DN值進行調整，保證同名地物在兩時相圖上的DN值相同，通過多時相遙感圖像的光譜歸一化處理，能夠進一步明確各時相遙感圖像對應的不同輻射值，達到動態監測的目的；后者的原理則是用真實的地表反射率來表示遙感圖像的DN值，主要以圖像過境時的地表測量數據作為依據，對大氣和傳感器進行校正時，考慮到地形起伏等因素，實施起來存在一定難度，能夠達到此條件的遙感圖像比較少。因此，為解決圖像輻射值差異，實際應用中多采用輻射校正方法對水體進行識別。

3.2.2 基于SAR影像的水體提取算法

在淺水區域，SAR圖像能夠提供有效的數據，充分利用雷達數據所具有的優勢可以為水體提取提供一定幫助。該類方法中比較具有代表性的包括灰度閾值分割法、基于灰度共生矩陣紋理信息的方法等。

（1）閾值法

這種方法根據表面平滑性相對較強的水體在SAR圖像中的特殊性質，利用閾值對影像進行劃分，主要包括水體與非水體的二值圖。曹云剛等人[32]對ASAR數據進行充分利用，通過該方法成果完成了水體提取工作。申邵洪等人[33]以 KI算法為核心，對水體數據進行準確提取。李景剛等人[34]在進行實驗的過程中，重點應用了最大類間方差閾值法，并對其進行了一定改進，最后得到的數據顯示，通過Otsu法獲取的水體信息具有相對較高的精度。

（2）基于Digital Elevation Model數據

受到地形因素的影響，SAR圖像會形成一定的地形陰影，通過閾值法進行水體提取時，陰影也會被提取出來，可以通過 DEM 模擬SAR，利用陰影的特征對其進行準確提取。楊存建等人[35]通過SAR清除水體內的陰影，最終實現半自動提取。HONG S等人[36]重點對SAR、 DEM 數據等進行應用，最后的結果表明，提取精度得到顯著優化。

（3）基于濾波法

濾波法是現階段應用最為廣泛的方法，將形態學濾波作為核心，通過多樣性的濾波算法對SAR圖像所涵蓋的斑點噪聲進行抑制，以此增加水體提取的精度。王棟等人[37]建立了完善的序列非線性濾波模型，對亮度相對較低的區域進行提取，得到的效果非常理想。Klemenja KS等人[38]將形態學濾波和監督分類方法進行搭配應用，通過訓練樣本對河網進行提取，最后得到的數據顯示，在無需其他用戶輸入的條件下，這種方法能夠在多種數據集中進行應用。基于小波變換的方法在應用時，若水體邊緣線光滑性較差，受到形態結構元素的影響，往往會導致邊緣特征出現一定誤差，實際的精度不夠理想。

（4）基于灰度共生矩陣

灰度共生矩陣能夠構建多維特征空間，在對樣本進行充分積累之后，SAR圖像所涵蓋的噪聲能夠得到有效清除，進而使“椒鹽現象”的問題獲得解決，優化了整體的提取精度。LYU W T等人[39]通過SVM對目標區域進行提取，與常規的閾值法進行對比，這種方法可以將水域和其他的地形有效區分，提升水體提取精度。胡德勇等人[40]在進行實驗分析的過程中，將紋理信息和SVM分類作為核心，通過居民地信息提取方法對目標地區信息進行提取。

3.3 光學與雷達遙感數據結合的提取方法

光學影像與雷達影像有一定的互補性。云層和陰影通常情況下會在光學影像應用時產生較為明顯的影響，雷達影像在陰影區域就可以很好地獲取到所需的信息。近些年，研究學者們便將2種影像結合起來進行水體提取，先通過光學遙感影像展開處理，此后再通過SAR影像對水體完成進一步處理。ZENG C Q等人[41]將光學影像和SAR影像搭配應用，結果表明，2種遙感圖像相結合的方法能夠更好地實現水體提取。IRWIN K等人[42]構建了能夠保證提取精度，盡可能縮小單個數據集模型差異的多個數據集融合分類模型。

現階段，優化水體提取精度是水體提取需要攻克的一個難關。目前只能通過綜合運用雷達影像和光學影像的方法來進行優化，盡管這種方法并未得到推廣，然而伴隨SAR影像的廣泛應用，SAR影像在提取水體信息方面的優勢也會逐漸顯現出來。

4 研究方法對比分析

4.1 光學影像水體提取方法對比

常規方法一般包括2類，分別為閾值法和分類器法，雖然比較完善，但是在精度要求較為嚴苛的條件下其適用性較差。下面從數據源、精度、優缺點以及應用領域幾方面進行對比分析，如表2所示。

4.2 雷達影像水體提取方法對比

伴隨SAR圖像的不斷進步，其逐漸在水體提取方面得到應用和推廣，上一節中介紹了基于雷達影像的4種水體提取方法，分別為閾值法、濾波法、基于DEM數據法及基于灰度共生矩陣法。各類方法都存在其優缺點，如表3所示。

4.3 光學影像與雷達影像對比

從成像特點方面來看，這2類影像表現出互補的特點。對于雷達數據的水體信息提取方法來講，其絕大部分是為提取中空間低分辨率圖像而專門設計的，空間高分辨率雷達影像還不夠完善，涉及到的提取方式為數不多。隨著光學影像水體提取方法的不斷完善，可以發現其對各類影像和地形都具有適用性，精度也比較理想。

針對大面積精度要求相對較低的地區，2類數據的提取各具特性。由于影像質量影響較為突出，第二類方法只對平坦地形具有適用性。在精細化水體提取領域，通常情況下要求應用空間分辨率相對較高的影像，前者在實際應用時提取精度比較理想，后者由于受到基礎建設的干擾，提取水體信息時采用灰度共生矩陣的方法，將面臨提取周期過長的問題，信息精度也難以保證，所以目前要攻克的難關就是基于雷達準確提取高空間高分辨率影像的水體信息。

表2 光學影像水體提取方法對比分析

表3 雷達影像水體提取方法對比分析

5 結束語

目前，世界各地水資源不斷緊缺，因此，精準、高效、動態監控水資源對水質、水量及流域分布的掌握具有重要意義。隨著遙感數據增多、圖像分辨率升高與圖像算法技術的提升，為完成水體提取奠定了理論基礎。各國研究學者們基于光學影像與SAR圖像提出了多種水體提取的方法，但仍存在一些問題。從算法通用性看，閾值法較為簡單；從影像校準方面看，深度學習法提取精度較高。但對于空間高分辨率且背景較為復雜或是一些細小的河流支流影像來說，水體提取的精度卻不是很高。

水體提取精度、復雜地區的水體智能化高效提取是未來的挑戰。傳統水體釋義方法需要人工干預，基于深度學習方法的算法能夠模仿人腦的運行機制進行全自動化的水體提取。利用深度學習方法構建水質反演模型，對水體的水質總磷、總氮、氨氮等污染物進行檢測，使影像圖中水體監測走向實用化成為可能。