遥感图像中基于机器学习的水体提取方法研究

遥感图像中基于机器学习的水体提取方法研
究
一、引言
在遥感技术不断发展的今天，如何高效地利用遥感图像数据成
为了研究的热点问题之一。

水体提取是遥感图像处理中的一个非
常重要的问题，水体提取不仅对于水资源的管理有着重要的意义，而且在环境监测，自然灾害预警等领域也有着广泛的应用。

因此，在遥感图像中基于机器学习的水体提取方法的研究引起了众多学
者的关注。

本文将介绍基于机器学习的水体提取方法的研究现状，并针对其中存在的问题，提出了一些改进思路。

二、研究现状
传统的遥感图像水体提取方法主要采用阈值法、比值法等像元
级的方法进行水体提取。

这些方法简单易行，但是存在提取精度低、受数据质量等因素影响大等缺点。

而基于机器学习的水体提
取方法则采用计算机科学中的机器学习理论，利用自动学习的能力，从图像数据的高维空间中提取特征、判别水体和非水体，大
幅提高了水体提取的效率和准确性。

目前，基于机器学习的水体
提取方法主要分为两个类别：监督式学习和非监督式学习。

2.1 监督式学习方法
监督式学习方法需先准备训练集，并人工标注其中的“水”和“非水”样本。

在训练模型时，传递图像的信息以及相应的标注到算法中，通过学习样本特征的相似关系和差异，最终建立起一个分类模型。

监督式学习方法的优点在于提取的水体信息较为准确，但缺点也很明显，即与训练集样本相关性强，泛化能力较差，当遇到未曾见过的新数据时准确率会有所下降。

常见的监督式学习方法有支持向量机（Support Vector Machine, SVM）、决策树（Decision Tree）、神经网络（Neural Network）等算法。

这些算法不同的分类依据和处理方式会影响提取的水体的质量。

2.2 非监督式学习方法
与监督式学习方法不同，非监督式学习方法不依赖于预先标注的数据。

这类方法通过计算数据中的各种统计量、空间接近度等指标，自动分类图像数据，并对提取的水体和非水体像元进行分析、筛选。

这类方法的优点在于不需要自行标注繁琐，可以减少人工干预，缺点在于提取的水体信息相对较少，不如监督式学习方法准确。

常见的非监督式学习方法有K-means算法、聚类算法等，这些算法主要是通过对像元进行聚类分类，进而求取出水体在图像中的空间位置和大小。

三、存在的问题以及改进思路
尽管基于机器学习的水体提取方法已经取得了一定的进展，但
是在实际应用中，还是存在着很多问题。

比如，在水体面积较大、分布较复杂的地区，目前的方法往往难以达到理想的效果。

下面，我们将列出一些可能存在的问题，并且提出一些改进的思路。

3.1 数据质量不佳
由于传感器分辨率的限制，以及天气、时间等因素的影响，遥
感图像往往存在一定的噪声，增加了水体提取的难度。

此外，遥
感图像可能存在影像失真，例如镜头畸变、云层遮挡等问题，直
接影响提取精度。

改进思路：可以采用计算机视觉技术，对遥感图像进行预处理，减少噪声干扰，提高图像的质量。

例如利用边缘检测的方法去除
图像中的噪声，并实现对影像失真的纠正。

3.2 湖泊、岛屿等无法正确提取
在实际生产中，可能遇到很多湖泊淤泥底质等特殊情形，而算
法可能会将湖泊淤泥分成非水体。

在一些拐角处容易产生误差，
以及导致病态模型出现，使得算法的效果不理想。

此外，海岸线、河流、岛屿等地形之间的复杂性也使得图像分类变得复杂。

改进思路：可以优化机器学习算法，提高算法的准确性，避免
出现误判。

此外可以采用特征提取方法来优化模型性能，比如用
滑动窗口法提取特征，利用卷积神经网络（Convolutional Neural Networks, CNN）进行波段融合提高认知，构建多通道输入的卷积神经网络等。

3.3 时空关系的处理
遥感图像数据往往是时空信息耦合的，一个像素点的分类决策与周围像元的分类结果密切相关。

时间序列图像与空间分辨率的关系也常常使得图像分类具有时空耦合性和尺度警觉性。

改进思路：可以建立时空模型，将时间序列的遥感图像集成到模型中，通过对多时期影像对比，提取分类水体象元的变化对应的时空特征，重点分析模型的稳定性。

四、结论
本文综述了基于机器学习的水体提取方法的研究现状，分析了监督式学习和非监督式学习方法的优缺点，并从数据质量、无法正确提取、时空关系的处理等方面制定了相应的改进思路。

尽管当前的水体提取方法还存在很多问题待解决，但基于机器学习的水体提取方法无疑是一种非常有效的方法，对于水体提取和其他生态环境问题的研究有着重要的现实意义。