基于遥感影像水体信息提取的改进方法
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。
如何进行遥感影像的水体提取与监测
如何进行遥感影像的水体提取与监测遥感影像的水体提取与监测是一种利用遥感技术进行水体特征提取和监测的方法，它在水文、环境、气候等领域有重要的应用价值。
本文将以介绍遥感影像的水体提取和监测方法为主线，结合实例和理论知识，深入探讨这一领域的相关问题。
一、遥感影像的水体提取方法1. 阈值法阈值法是一种基于像素值对遥感影像进行水体提取的常用方法。
其基本原理是通过设定合适的阈值来判断像素是否为水体。
阈值的选择需要根据影像的特点和需要提取的水体特征来确定，通常可以结合样本点和经验来确定最佳阈值。
但是，阈值法在提取过程中容易受到光照和地物干扰的影响。
2. 归一化差异水体指数法归一化差异水体指数（Normalized Difference Water Index，NDWI）是一种常用的遥感影像水体提取方法，其基本原理是利用水体和其他地物在红外区域的反射特性差异进行提取。
NDWI可以消除光照和地物干扰，提高水体提取的准确性。
通过计算NDWI值，可以得到一个反映水体分布的二值图像。
3. 水体边界检测法水体边界检测法是一种通过检测水体与周围地物的边界来进行水体提取的方法。
该方法可以利用影像的边缘检测算法，如Canny边缘检测算法，提取出水体的边界。
然后，可以根据边界信息绘制水体的掩膜图像，进一步进行水体提取。
二、遥感影像的水体监测方法1. 水体变化监测水体的变化监测是一种通过比较不同时间点的遥感影像来检测水体变化的方法。
通过对比两个或多个时间点的影像，可以发现水体的变化情况，如水域面积的增加或减小、水体形态的改变等。
该方法可以通过计算水体的变化指数来量化水体的变化程度，并绘制变化图像。
2. 水体分类监测水体分类监测是一种将遥感影像中的水体区域与其他地物进行分类的方法。
该方法可以通过像元分类算法，如最大似然分类、支持向量机分类等，将影像中的每个像元分为水体或非水体。
通过分类结果，可以得到水体的空间分布图，并进行进一步的水体监测。
基于GF-2遥感影像的一种快速水体信息提取方法
基于GF-2遥感影像的一种快速水体信息提取方法邹橙;杨学志;董张玉;王冬【摘要】在高分辨率遥感影像中,水体与阴影(尤其是高大建筑物阴影)、暗色地物不易区分.针对GF-2遥感影像的光谱特性的大量实验研究,提出了一种新综合水体指数法(NCWI)来增强水体区域信息;同时利用改进的OSTU结合鸡群算法(CSO)快速自适应地确定最佳分割阈值,进而得到最终的水体区域.将其同归一化NDWI、改进谱间关系法、主成分分析综合法等常见水体信息提取方法应用于GF-2遥感影像水体信息提取,利用采用实地采样和人工解译的混淆矩阵对提取的水体区域结果进行精度验证和对比分析,从而验证了其有效性和高效性.4个实验区域的结果证明,该算法可以快速有效地提取水体信息,精确度分别达到97.82％,97.44％,92.13％,96.94％.【期刊名称】《图学学报》【年(卷),期】2019(040)001【总页数】6页(P99-104)【关键词】GF-2影像;水体提取;新综合水体指数;OSTU;高大建筑物阴影;鸡群算法【作者】邹橙;杨学志;董张玉;王冬【作者单位】合肥工业大学计算机与信息学院,安徽合肥230009;工业安全与应急技术安徽省重点实验室,安徽合肥230009;合肥工业大学计算机与信息学院,安徽合肥230009;工业安全与应急技术安徽省重点实验室,安徽合肥230009;合肥工业大学计算机与信息学院,安徽合肥230009;工业安全与应急技术安徽省重点实验室,安徽合肥230009;合肥工业大学计算机与信息学院,安徽合肥230009;工业安全与应急技术安徽省重点实验室,安徽合肥230009【正文语种】中文【中图分类】TP391利用遥感技术对水资源进行实时高效地监测、分析以及管理，对于人类的生存和发展具有十分重要的意义。
随着遥感技术的快速发展，卫星影像的分辨率也越来越高，对尺寸很小的对象都能够分辨出特征细节，使得不同的地物在影像中更加容易区分。
基于TM影像的水体信息提取算法研究
３期
毕硕本 ， 等： 基于 Ｔ Ｍ影像 的水体信息提取算 法研 究
２ ０ １ ３年 ８月 ２ ６ 日收 到 国 家 自然科 学 基 金 项 目 （ ４ １ ０ ７ １ ２ ５ ３ ） 、
图像 预处理
图像波段组合
图像拼接剪裁
』
信息提取 （ 图像分割 ） 水体信息分割 山体 噪声去除
上
提取结果 再处理 形 态学运算 中值滤波
、 ｒ
中 图法 分类 号 Ｔ Ｐ ３ ９ １ ． ４ １ ；
文献标志码
Ａ
各种地 物对 电磁 波 的反 射 不 同 ， 以及其 热 辐 射 也不 完全相 同。对 于水 体 来 说 ， 细 小 水 体 由于其 水
陆分 界相对 不 明显 ， 提取 比较 困难 。 同时 ， 正确 处理
山体 阴影 的影 响 也 变 成 了水 体 信 息 提 取 中重 要 的
环节 。
间关系的水体信息提取算法 。在提取水体信息的过 程 中， 重新 比较水 体与 地物 在各 波段 的分 布情况 ， 结 合数学形态学方法、 图像去噪等手段对提取结果进 行进 一步处 理 ， 以提高 精度 。
针对 不 同 的地貌 特点 及水 文条 件 ， 人 们 提 出了
１ Ｔ Ｍ 影像 水 体 信 息提 取 流 程
提取结果检 验 目视校验 性 能比较
图１ 基于 Ｔ Ｍ影像进行水体信息提取流程 图
Ｔ Ｍ图像预处 理 中， 主要 是图像 图景数据 的拼
接 以及 根 据 目标 区域 边 界 进 行 裁 剪 。信 息 提 取 阶
国家 自然科学基金项 目（ ４ １ ２ ７ １ ４ １ ０ ） 资助 第一作者简 介 ： 毕 硕本 （ １ ９ ６ ５ 一） ， 男， 山东潍 坊人 ， 教授 ， 博 士生 导
基于遥感技术的水体信息提取模型研究
基于遥感技术的水体信息提取模型研究发表时间：2017-12-04T15:56:46.473Z 来源：《基层建设》2017年第25期作者：罗学彬赵登文杜家刚冉立谋[导读] 摘要：在越来越重视可持续发展与环境保护治理的今天，水资源作为一项与人类生产、生活活动密不可分的重大资源，同时也是生态环境状况的有效评价因子，如何有效的对其进行监测与保护，需要人类更多的关注。
成都颉达科技有限公司成都 610036摘要：在越来越重视可持续发展与环境保护治理的今天，水资源作为一项与人类生产、生活活动密不可分的重大资源，同时也是生态环境状况的有效评价因子，如何有效的对其进行监测与保护，需要人类更多的关注。
卫星遥感技术所具有的宏观性、现势性等优点，使遥感监测水资源成为一项重要的、有效的技术方法。
然而在目前方法中，常用的单一指数模型优缺点各异，不能真正有效的提取水体。
其原因是水体所在的地物背景复杂，单一的指数模型不能适用所有的地形以及地物所构建的复杂空间信息中的水体提取。
如何建立更加有效的、适用性更广的水体信息提取模型，正是本文所研究的内容。
本文以湖泊较多、地形复杂、水体类型丰富的云南省昆明市官渡区为研究区，以陆地资源卫星ETM+传感器获取的影像为数据源，在对水体的波谱特性、水体在影像上的信息反映、水体指数方法原理深入分析的基础之上，总结每个指数模型的优缺点。
最后，用目视解译与数理统计的方法对新模型的精度进行了验证，并用其他效果较好的提取方法对其评价，得出如下主要成果：关键词：遥感；水体信息提取；指数模型研究Research on water information extraction model based on remote sensing technologyAbstract：Today，we are attaching more and more importance to sustainable development and environmental protection.Water resources as a major resources are inseparable from human production and living activities，but also effective evaluation of factors of the ecological environment，how to effectively monitor and protect them，the need for more human attention.Satellite remote sensing technology which are macro and potential become an important and effective technical methods to monitor water resources.However，in the current method，the commonly used single index model has different advantages and disadvantages and can not really extract water.The reason is that the background of the water body is complex，and the single exponential model can not apply all the water extraction in the complex spatial information constructed by the all terrain and features.How to establish a more effective and more applicable water body information extraction model，it is the content of this paper.In this paper，the images obtained from the landsat7 ETM + sensor are used as the data source in the study area of Guandu District，Kunming，Yunnan Province，which is rich in lake，complicated terrain and abundant water type.Based on the analysis of the spectral characteristics of water bodies，the information of water bodies on the image，and the principle of water body index method，the advantages and disadvantages of each index model are summarized and a new model is put forward.Finally，the accuracy of the new model is verified by visual interpretation and mathematical statistics，and the results are compared with other methods with better results.The main results are as follows：Keywords：remote sensing，water body information extraction，exponential model study1 研究目的及意义地表覆盖着74%的水体，无论是以资源的形式存在，还是作为一个环境因子，都受到人类的格外重视。
基于Landsat-7 ETM+遥感影像的水体提取研究
绿 光
红 光
３ ０
３ ０
４ ５
０ ６ Ｏ９ ． ～ ．Ｏ ７ １ ５１ ５ ． ～． ５ ７
近 红 外 光 短 波红 外 光
３ ０ ３ ０
谱 间关 系分 析属 于 多波 段法 的一 种 ．是 基 于一 种逆 向思维 方式 来进 行地 物 信息 提取 ，抛 开传 统 分 类方 法 ，即从特 定 的图像 空 间进行 特 定地 物 识别 的 思维 方式 。根 据 分析 已有 地 物 的遥 感 特征 建立 地 物
（ ） 用 双 增 益 技术 使 远 红 外 波 段 ６分 辨 率 提 ２采
高 到 ６ ｍ， 增加 了数 据率 ； ０ 也 （ ） 进 后 的太 阳定 标 器 使 卫 星 的 辐射 定 标 误 ３改
但 是 随着 水体 增加 ， 体 的反射 率会 有所 变 化 。如水 体 泥沙 水
水 体 因对 人 射 能 量 （ 阳光 ） 有 强 吸 收性 ， 太 具 所
特 点 ， 用 于 水 资源 的调查 和监 测 ， 是在 洪 水 期 ， 适 但
难 以获 得无 云雾 的 图像 并 且 图 像 获取 周 期 较 慢 ， 因 此 Ｌ ｎ ｓｔ７ Ｅ Ｍ＋ 图像 能 够 适 用 于 洪 水 灾 害 监 ａ ｄａ一 Ｔ 测 评估 中本底 水体 的 提取 。
个 分叉 点代 表 一个决 策 树判 断条件 。每个 分叉 点 下 有 ２个 叶节 点 ， 分别代 表 满足 和不 满 足条件 的类别 。 这 种 方 法 不 仅 不 需 要 依 赖 任 何 先 验 的统 计 假 设 条
２ 水 体 遥 感 信 息 模 型
各 种地 物 的结 构 和组成 成分 不一 样 ，其 反射 光 谱 特性 也不 一样 ；同一 种地 物 的光谱 特 性 又随 时 间 季 节 和地 理 区域 的变 化 发 生 时 间效 应 和 空 间效 应 ． 根 据这 种特 性 ，可 以用遥 感 数据 进行 地物 的分 类 和 判读。
遥感影像水体提取研究综述
遥感影像水体提取研究综述以远程感知技术为基础，借助遥感影像可以迅速获取大量和全面的环境信息，从而帮助相关人员快速掌握水体的状况。
因此，随着遥感影像的技术的发展，提取水体的研究已经被越来越多的人所重视。
本文主要分析了提取水体信息的相关技术，对提取水体信息的现有方法进行了介绍和综述，以期获得更多可行的解决方案，促进该领域的进一步发展。
世界上存在大量的水体，它们可以满足人类日常的生活需求，也可以用于农业活动、工业生产和科学研究。
为了完成各种任务，必须对水体的情况进行详细的了解。
遥感技术是目前最有效的方法之一，可以快速捕获大量的信息，并以三维的形式展示水体的特征。
在这种情况下，提取水体信息就变得尤为重要。
提取水体信息主要依靠遥感影像，其中包括可见光和红外线两种波段。
研究者可以从中提取水体的形态特征，如形状、尺寸和位置等。
此外，还可以获得水体的光谱特征，如反射率、散射率和吸收率等。
不同波段能够提供不同视角下的信息，因此，提取水体信息还需要考虑复杂的数据组合和分析技术。
为了提取水体信息，已经有多种方法可以使用。
其中，基于特征的分类方法可以有效的识别水体信息，其中包括基于模板的和基于概率理论的方法。
此外，还可以使用像有监督学习这样的机器学习方法，它们可以通过实时的训练和学习，以更精确的方式来分类水体信息。
另外，基于矢量的方法也被越来越多的人所重视，它可以以更精确的方式提取水体信息。
此外，还有一些复杂的技术，如基于深度神经网络的方法，也可以用于提取水体信息。
这类技术比传统方法具有更高的精确性和灵活性，因此可以更好地完成水体提取任务。
然而，深度学习技术也需要大量的计算资源，并且训练过程会比较漫长，所以未来对相关研究的关注应该增加。
综上，提取水体信息是目前在水体监测中被广泛应用的技术，它可以使研究者能够快速地获取相关信息，以便于更好地控制水体的发展。
在这里，我们做了一个综述，总结了现有的技术，并提出一些有价值的研究建议，以期推动该领域的进一步发展。
遥感影像提取水体的方法
遥感影像提取水体的方法遥感技术是一种高效准确的数据获取工具，它在水文学、环境科学和灾害管理等领域具有广泛的应用。
使用遥感技术提取水体是一种在遥感图像处理中常用的方法，因为它可以快速而准确地分析和检测区域中的水体。
以下是关于遥感影像提取水体的10种常见方法：1. 基于阈值法的水体检测方法阈值法是一种简单的遥感图像处理方法，它可以根据像元值的大小为图像中的不同对象分配不同的像元值。
在水体提取中，阈值将像素分为水和非水两个类别。
这种方法在成像分辨率相对较高的遥感图像中表现良好。
2. 基于形态学的水体检测方法形态学方法是一种以数学中的形态学为基础的图像处理方法，它可以消除噪声、填补空洞并修复边缘中的小孔。
在水体提取中，这种方法可以有效地分离与清晰未清晰水体，精准提取水体边界。
3. 基于纹理特征的水体检测方法纹理特征是描述像素之间空间约束关系的一种特征。
在水体提取中，通过核密度、图像风貌、局部变异和纹理梯度等方法可以提取水体。
4. 基于峰度的水体检测方法峰度是统计学中一个用于描述概率分布的形式的参数。
在水体提取中，根据图像中每个像素值周围像素的峰度值，可以将像素分类，从而识别水体。
5. 基于基准反射率的水体检测方法水体在不同波段下的反射率特征是有别于非水体的。
在水体提取中，可以利用这一特点进行分类并获得水体形态特征。
6. 基于物理模型的水体检测方法将自然界中的物理过程和遥感图像处理方法结合起来，就可以使用基于物理模型的水体检测方法。
这种方法包括利用水体吸收的方法、利用水体散射的方法、利用水体反射的方法、利用水体温度的方法等。
7. 基于垂直植被指数的水体检测方法垂直植被指数（NDVI）是反映植被状态的指数，它可以有效地分析水体和非水体之间的差异。
在水体提取中，可以使用NDVI的变化来分离水体和非水体区域。
8. 基于人工神经网络的水体检测方法人工神经网络（ANN）是一种模拟人脑信息处理机制的数学模型，它可以用于分类和识别任务。
基于改进的U-Net卷积神经网络的遥感影像水体信息提取方法
基于改进的U-Net卷积神经网络的遥感影像水体信息提取方法宋子俊;董张玉;张鹏飞;张远南【期刊名称】《合肥工业大学学报（自然科学版）》【年(卷),期】2024(47)4【摘要】针对当前遥感影像水体信息提取存在细节水体提取能力较弱、重要特征损失较大的问题,文章提出一种基于改进的U-Net网络实现遥感影像水体信息提取的方法。
该方法首先通过引入Resnet残差卷积模块深化传统U-Net网络架构提升特征挖掘能力,并引入Respath残差连接模块减少跳跃连接过程中的语义差距,同时引入PSConv多尺度卷积模块、Eca有效通道注意力机制模块,提高网络特征学习能力,构建PS-Eca-Multiresunet网络模型,弥补传统U-Net网络存在的细节特征提取能力较弱问题。
选择“2020年第四届中科星图杯高分遥感图像解译软件大赛”数据集进行实验,结果表明,与传统U-Net网络模型相比,该方法水体提取的平均交并比提高了9.08,像素精度提升了7.4%。
改进的网络提取结果能够有效避免阴影影响,提高对细节水体的提取精度,实现遥感影像水体信息的高精度提取。
【总页数】9页(P488-495)【作者】宋子俊;董张玉;张鹏飞;张远南【作者单位】合肥工业大学计算机与信息学院;工业安全与应急技术安徽省重点实验室;合肥工业大学智能互联系统安徽省实验室【正文语种】中文【中图分类】TP751.1;TP753【相关文献】1.基于LinkNet卷积神经网络的高分辨率遥感影像水体信息提取2.基于U-Net卷积神经网络的遥感影像变化检测方法研究3.基于U-Net网络的高分辨率遥感影像地理信息提取方法4.基于改进U-Net网络的多源遥感影像洪涝灾害信息提取与变化分析5.基于改进U-Net网络的高分遥感影像水体提取因版权原因，仅展示原文概要，查看原文内容请购买。
水体提取方法
水体提取方法简单归纳总结一、基于MODIS影像的几种提取方法。
最常用的水体提取方法：波段阈值法、谱间关系法（波段组合法）和多光谱混合分析法单波段阈值法是提取水体的最简单易行的方法。
基本原理：是利用水体在近红外波段上反射率较低,易与其它地物区分的特点,选取单一的红外波段, 通过反复试验, 确定一个灰度值,作为区分水体与其它地物的阈值即可。
缺点：是无法将水体与山区阴影区分开来,提取的水体往往比实际要多。
有些文献中叙述由于阀值随时间、地点变化的不确定性使得该方法具有局限性,但对于非山区的特定时相和区域里,尤其像MODIS 这样高光谱的遥感数据, 首先应选用阈值法进行试验,因为光谱的细分已经将上述问题大大减弱。
若能获得较满意的提取效果,则很容易实现水体的自动提取。
对于用阈值法确实得不到理想效果的,则可以考虑谱间关系法和多光谱混合分析法。
利用谱间关系可建立的模型很多,如对波段进行如下组合运算CH7/CH6 ,CH7/CH5, CH6/CH5, 从而找出组合图像上水陆分界非常明显的影像。
以CH7/CH6为例,可以采用如下方法剔除非水体: 在ENVI 软件下输入CH7 及CH6 波段, 运用波段计算功能,将公式CH7/CH6输入,载入影像, 在放大窗口中,手工裁取明水水域范围, 生成多边形,对各多边形赋予一个感兴趣区( AOI) 文件, 并将其输出为EN-VI 等矢量文件即可。
对波段进行组合运算的目的,是为了增强水陆反差。
MODIS 数据的波段 1 是红光区( 0. 62 ～0.67um) ,水体的反射率高于植被, 波段2 是近红外区( 0. 841 ～0. 876um) ,植被的反射率明显高于水体,因此, 采用归一化植被指数NDVI( Normalized Difference Vegetation Index) 来进行处理可以增强水陆反差,其计算公式为:DNVI= (CH2- CH1)/(CH2+ CH1) ( 1)( 1) 式中CH1 ,CH2 分别为MODIS 数据波段1,2 的地表反射率。
基于改进的SLIC和OTSU的遥感影像水体提取
收稿日期:2018-03-05 修回日期:2018-07-03 网络出版时间:2018-11-15基金项目:江苏省重点研发计划(社会发展)项目(BE 2015707)作者简介:龚林松(1992-),男,硕士生,研究方向为遥感图像处理;李士进,博士,教授,研究方向为模式识别和数据挖掘㊂网络出版地址:http :// /kcms /detail /61.1450.TP.20181114.1557.050.html基于改进的SLIC 和OTSU 的遥感影像水体提取龚林松,李士进(河海大学计算机与信息学院,江苏南京210098)摘 要:水体信息提取是水资源管理的重要组成部分,近二十年来关于从遥感图像中提取水体信息的研究有许多㊂基于卫星遥感的陆地水体提取方法多种多样,利用水体指数的OTSU 算法就是一种较为常见的水体提取方法,但是其存在阈值选取困难和提取精度不足的问题㊂为了进一步解决该问题,将改进的SLIC 和OTSU 算法引入到水体信息的提取中㊂考虑到水体指数对于水体信息提取的重要性,首先利用超像素生成算法SLIC 结合归一化水体指数(NDWI)生成一个个超像素,以超像素内水体指数值的均值代表这个超像素的水体指数㊂然后以超像素为基础,使用OTSU 算法对超像素水体指数做阈值分割㊂实验结果表明,提出的算法不仅有很高的提取精度,提取的速度也很快,能够有效地提取出水体信息㊂关键词:遥感图像;水体提取;SLIC;归一化差异水体指数;OTSU中图分类号:TP753 文献标识码:A 文章编号:1673-629X (2019)01-0145-05doi:10.3969/j.issn.1673-629X.2019.01.030Water Information Extraction from Remote Sensing Imagery Based onImproved SLIC and OTSUGONG Lin -song ,LI Shi -jin(School of Computer and Information ,Hohai University ,Nanjing 210098,China )Abstract :Water information extraction is an important part of water resources management.There have been many researches on water information extraction from remote sensing images in the past two decades.There are a variety of land -based water extraction methods based on satellite remote sensing.OTSU algorithm using water index is a relatively common one ,but it is difficult to select the threshold and the extraction accuracy is insufficient.For this ,we introduce the improved SLIC and OTSU algorithm into water information extrac⁃tion.Considering the importance of water index for water information extraction ,we combine SLIC ,a super -pixel generation algorithm ,and NDWI ,the normalized water index ,to generate each super -pixel ,and the mean value of water index within the super -pixel represents the water index of this super -pixel.Then based on super -pixel ,OTSU algorithm is used to conduct the threshold segmentation of the wa⁃ter index in the super -pixel.Experiment shows that the proposed algorithm not only has a high extraction accuracy ,but also a fast extrac⁃tion speed ,which can effectively extract water information.Key words :remote sensing image ;water body extraction ;SLIC ;normalized difference water index ;OTSU0 引 言水体信息提取是生态保护工作的重要组成部分,如湖泊海岸带管理㊁海岸线变化检测㊁洪水预报和水资源评价等㊂遥感技术具有覆盖范围广㊁信息获取速度快㊁包含信息量大㊁节省人力物力等优势,利用遥感影像的水体信息自动提取技术已经成为水生态监测㊁水资源调查与利用㊁水利工程规划与评估等方面的重要研究手段[1]㊂目前从遥感图像中提取水体信息的方法主要有四种:单波段阈值法㊁多波段谱间关系法㊁水体指数法和决策树㊂单波段阈值法是利用了水体能够吸收掉绝大多数近红外波段的辐射能量而土壤和植物对该波段具有较强的反射性特点,根据光谱特征的不同提取水体㊂其中,单波段密度分割法具有较高的水体提取精度,但同时也会包含许多非水体像元[2]㊂刘建波等利用密度分割法从TM 图像中提取水体的分布范围[3]㊂多波段谱间关系法通过分析比较水体与背景地物(植被㊁土壤等)的光谱特征曲线,利用数学表达式将遥感图像中的水体信息与其他地物区分开来㊂邓劲松等在SPOT 影像中利用波段间的运算方法成功地将居民地第29卷 第1期2019年1月 计算机技术与发展COMPUTER TECHNOLOGY AND DEVELOPMENT Vol.29 No.1Jan. 2019与水体分开[4]㊂水体指数法寻找多光谱图像中最强和最弱的水体特征反射波段,并借助比例运算扩大最强反射波段和最弱反射波段之间的差距来检测水体㊂McFeeters等(1996)提出归一化差异水体指数NDWI 检测水体[5];徐涵秋等(2005)提出能更好地提取城市水体信息的改进归一化差异水体指数(MNDWI)[6]㊂决策树方法背后的理论基础是通过使用一定的决定性条件,逐步对原始数据实现二分和细化,以最终提取出水体信息㊂丁建丽等(2015)提出单波段阈值法与阴影水体指数SWI(shadow water index)相结合的决策树水体信息提取方法用于提取山区水体[7]㊂以上这些水体提取方法都有各自的特点,均取得了一定程度上的成功,但它们也都各有缺点㊂单波段阈值法采用的模型简单,计算效率高,但容易受到阴影,水质变化等因素的影响㊂多波段光谱关系法有效解决了阴影影响的问题,特别适用于山区水体信息的提取,但使用的光谱特征模型不固定㊂水体指数法在抑制植被㊁阴影㊁土壤等干扰因素方面具有明显的优势,然而却过于依赖地物特征关系表现的强弱,当地物特征关系减弱时,水体指数法并不能得到令人满意的效果㊂决策树方法除了使用图像本身信息之外还能融入其他先验知识,得到更准确的判断,但是创建一个好的决策规则是很难的㊂为了能够实现从高分辨率遥感图像中准确快速地提取水体信息,文中提出了一种基于超像素与OTSU 算法相结合的水体提取方法㊂首先对遥感图像进行预处理,将图像从RGB色彩空间转换到CIELAB空间并融合水体指数特征创建混合特征LABXYW,然后使用该特征对遥感图像做超像素分割㊂在超像素分割的基础上使用OTSU算法对超像素进行阈值分割,最终提取出遥感图像中的水体信息㊂1 遥感图像预处理及水体特征的构建高分一号16m分辨率的多光谱宽覆盖WFV (wide field of view)卫星相机共提供四个波段信息,波段总范围为0.45μm~0.89μm㊂其中,0.45μm~ 0.52μm为蓝光波段,0.52μm~0.59μm为绿光波段,0.63μm~0.69μm为红光波段,而0.77μm~ 0.89μm为近红外波段[8]㊂高分一号的多分辨率遥感卫星采用DN(digital number)值来表示地物在遥感影像像元中的亮度,代表地物的灰度值㊂归一化差异水体指数NDWI是以地物在绿光波段和近红外波段的DN值为基础构建,其计算公式为:NDWI=DN green-DN NIRDN green+DN NIR(1)其中,DN green表示绿光波段的DN值,DN NIR表示近红外波段的DN值,对应于高分一号的多光谱遥感卫星中的第二和第四波段㊂NDWI水体指数抑制陆地植被等信息而突出水体信息,且式1对NDWI数值进行了拉伸,可使不同卫星传感器和成像条件的影像获得的水体指数具有相近的㊁可比较的统计特性,便于后续建立统一的信息提取模型[9]㊂将高分一号的近红外波段㊁红光波段和绿光波段分别对应于RGB图像的红㊁绿㊁蓝三个通道合成标准假彩色数字图像㊂由于SLIC算法是在CIELAB颜色空间做的运算,所以要把标准假彩色遥感图像通过色彩空间转换公式从RGB颜色空间转换到CIELAB颜色空间㊂对应每个像素的(L,a,b)颜色值和(x,y)坐标组成一个5维向量V[L,a,b,x,y],两个像素间的相似性可由它们的向量距离来度量,距离越小,相似性越大,反之则越小㊂最后通过与NDWI(归一化水体指数)相结合,构建用于提取遥感图像中的水体的混合特征空间LABXYW,称为LABXYW特征(W即ND⁃WI水体指数)㊂LABXYW特征空间不仅考虑了遥感图像中的水体与其他地物在颜色和空间位置特征上的不同,同时也融入了水体指数信息,为后续使用SLIC 和OTSU相结合的水体分割方法提供了较强的水体信息的鉴别能力㊂2 基于SLIC和OTSU的水体分割随着遥感技术的不断发展,高分辨率遥感图像被广泛地应用于地物信息的提取上㊂从遥感图像中提取水体本质上就是对每一个像素做分类,将水体像素与非水体像素分开㊂由于逐像素地对高分辨率遥感图像中的每个像素进行分类时,不仅需要更长的处理时间,而且每个像素中包含的空间结构信息少,缺乏对水体区域信息进行合理的统计,导致最后的分类结果较差㊂超像素作为近年来在图像预分割领域的前沿算法,不仅能够较好地描述子区域信息,而且能够更加准确地描述区域的空间结构特征㊂通过使用前面构建的LABXYW特征对遥感图像进行超像素分割,可以尽可能把水体和其他地物区分开来,使用SLIC预分割是文中水体提取算法的第一步㊂2.1 经典的SLIC分割SLIC是Achanta等提出的一种思想简单,实现方便的超像素分割算法[10],该算法根据颜色和距离2种特征对图像中的像素进行聚类㊂首先将彩色图像从RGB色彩空间转换到CIELAB色彩空间,将像素在LAB色彩空间的颜色分量以及x,y坐标相组合形成五维特征向量,然后使用K-means算法根据一定的距离度量标准对5维特征向量进行像素聚类,生成一个个大小均匀紧凑的超像素块,且算法的时间复杂度很低㊂㊃641㊃ 计算机技术与发展 第29卷其算法步骤如下:(1)初始化种子点:设置要分割的超像素数量为K ,在图像内均匀分配种子点㊂对于一个有N 个像素点,K 个超像素的待分割图像来说,每个超像素的大小为N /K ,相邻种子点之间的距离近似为S =N /K ㊂(2)调整种子点位置:在初始种子点的n ×n (一般取n =3)邻域内计算邻领域内所有像素点的梯度值,调整初始种子点的位置为该邻域内梯度最小的地方,这样可以避免种子点落在梯度较大的轮廓边界上,影响后续像素聚类的效果㊂(3)分配类标签:在每个种子点的邻域内为该邻域内的所有像素点分配类标签,不同于标准的K -means 在整张图片上做搜索,SLIC 算法将像素的搜索空间限制在2S ×2S 范围内,这样可以使算法更快收敛㊂如图1所示,虽然期望的超像素大小为S ×S ,但实际的搜索范围是2S ×2S㊂图1 减少超像素搜索空间(4)距离度量:距离包括空间距离和颜色距离两个部分㊂对于每一个被搜索到的像素点,分别计算它和该种子点的欧氏距离,计算公式如下:d c =(l j -l i )2+(b j -b i )2+(a j -a i )2(2)d s =(x j -x i )2+(y j -y i )2(3)D '=(d c N c )2+(d s N s)2(4)其中,d c 为颜色距离;d s 为空间距离;N s 为类内最大空间距离,即N s =S =N /K ,对于每张图像来说都是一样的㊂最大的颜色距离N c 随图像的不同而不同,也随聚类中心的不同而不同,但可以取一个固定常数m 来代替,取值范围为[1,40]㊂最终的距离度量公式D ′如下:D '=(d c m )2+(d s s)2(5)因为每一个像素点都可能会被多个种子点搜索到,所以每个像素点都会有一个与周围种子点的距离,取距离最小的种子点作为该像素的聚类中心㊂(5)迭代优化:不断的重复步骤1~4,直到误差收敛到某一阈值或到了最大迭代次数㊂实验发现在多数情况下,10次迭代对于绝大多数图像都取得了比较好的效果,所以一般设置最大迭代次数为10㊂(6)连通性增强:通过步骤1~5迭代优化所形成的超像素有可能出现多连通㊁尺寸太小和单个超像素被切割成多个不连续的超像素等情况㊂通过连通性增强可以解决这些问题,具体做法如下:新建一张标记表,表内元素均为-1,按照从左到右,从上到下顺序将图像中尺寸过小和不连续的超像素与邻近的超像素合并,遍历过的像素点分配相应的标签,直到所有像素遍历完毕为止㊂2.2 用于水体提取的SLIC 算法直接把经典的SLIC 算法应用于遥感图像的水体提取并不能取得令人满意的分割效果,生成的超像素并不能很好地区分水体和非水体,许多超像素中既包含水体像素也有非水体像素㊂对于高光谱遥感图像,将光谱㊁纹理等特征结合起来可以提高算法的准确性[11]㊂基于此,文中对用于水体提取的经典SLIC 算法做了改进,不仅考虑遥感图像上像素的颜色和距离特征,同时把水体指数特征也考虑进来㊂在SLIC 算法做K -means 聚类时,把水体指数距离也作为距离度量的一部分,这样可以尽可能地把超像素聚类成水体和非水体两类㊂相对于上面经典的SLIC 算法的第四步,改进后的SLIC 算法的距离度量公式变为:d 'c =(l j -l i )2+(b j -b i )2+(a j -a i )2+(w j -w i )2(6)d 's =(x j -x i )2+(y j -y i )2(7)D =(d 'c N 'c )2+(d 's N 's)2(8)其中,d 'c 为颜色和水体距离;d 's 为空间距离;N 's为最大空间距离,取值为N 's =S =N /K ;N 'c 为颜色和水体距离的最大值,可以用取值范围为[1,40]的固定常数m 代替㊂则最终用于水体提取的SLIC 算法的距离计算公式为:D =(d 'c m )2+(d 's s)2(9)如图2所示,通过以上新的距离度量公式,水体和非水体得到了很好的区分,水体超像素中不再包含非水体像元,很好地把遥感图像中的像素聚为水体和非水体两类㊂2.3 基于最大超像素类间方差的水体提取最大类间方差法(OTSU 法),是由大津展之在1979年提出的,所以又叫大津算法[12]㊂该算法是在判决分析的基础推导出来的,是一种自动的无参数无监督的阈值分割算法㊂大津算法是一种基于一维灰度直㊃741㊃ 第1期 龚林松等:基于改进的SLIC 和OTSU 的遥感影像水体提取方图,计算简单的阈值分割方法,应用十分广泛[13]㊂图2 加入NDWI 所形成的超像素不同于经典的基于像素的OTSU 算法,文中提出一种基于改进的SLIC 和OTSU 相结合的水体提取算法㊂其基本思想是首先对每一个超像素都计算出其水体指数,对于确定不是水体的超像素可以令其为0,便于后续算法的精确阈值的计算㊂然后在超像素的基础上做最大类间方差计算㊂具体步骤如下:假设所有超像素中每个超像素的水体指数范围为[0,L ],则待分割图像可以分为前景超像素(水体)和背景超像素(其他地物)两类㊂设阈值为K ,则可以将遥感图像中的超像素分为[0,K ]和[K +1,L ]两类,设ηi 为水体指数为i 的超像素个数,图像中超像素的总个数为N ,则水体指数为i 的概率为:p i =n iN,i =1,2, ,K (10)前景超像素和背景超像素的概率分别为:ω0=∑Ki =0p i ωi =∑L K +1p i =1-ωìîíïïïï0(11)前景超像素和背景超像素的水体指数均值为:μ0=∑Ki =0i ×p i ω0μi =∑LK +1i ×p i ωìîíïïïï1(12)所有超像素的水体指数均值为:μ=ω0μ0+ω1μ1 (13)则最大超像素类间方差定义为:σ2b =ω0(μ0-μ)+ω1(μ1-μ)=ω0ω1(μ0-μ1)2(14)最大超像素类间方差算法计算水体指数的最大阈值T 的公式为:T =arg maxk ∈L σ2b(15)根据上面的公式可知,当超像素的水体指数值位于两个类别的临界处时最大㊂若有前景超像素或者背景超像素被错分,都会导致超像素的类间方差减少㊂如式14所示,当前背景超像素的水体指数均值差别最大时,类间方差达到最大值,前背景分割的效果最佳㊂3 实验结果及分析为验证文中方法的有效性,对江苏省溧阳市天目湖沙河水库进行遥感图像水体信息提取㊂实验数据来源于中国卫星资源应用中心高分一号卫星拍摄的分辨率为16m 的遥感影像,选取2013年第四季度的图像进行实验㊂沙河水库位于江苏省溧阳市南部丘陵地区,地处东经119°25',北纬31°18'㊂湖泊水面面积为11.6km 2,集水面积152km 2,平均水深7m ,最大水深14m [14]㊂沙河水库是国家4A 级旅游景区,也是溧阳市的主要饮用水水源地,承载着该市65万人的饮用水供给,它的研究㊁开发和保护对江苏的生态保护具有重要意义[15]㊂3.1 水体提取效果文中采用的SLIC 和OTSU 相结合的算法是一种快速的提取水体方法,通过调节SLIC 中超像素的数量可以在时间效率和提取准确度上进行平衡㊂当提取的准确性比较重要时,可以设置超像素的数量多一点㊂当时间比较重要时,可以设置超像素的数量少一点㊂文中算法通过设置超像素种子点间的距离S 来控制超像素的数量,如图3所示㊂图3 不同超像素数量提取结果图3(a )为实验所用的图像,图3(b )为S =5时水体提取的结果㊂结果表明当选用的S 较小时,所生成的超像素面积更小,数量更多,可以提取出图像这个更加微小的水体,但耗费的时间更长,共用时90.3s ㊂图3(c )为S =10时水体提取的结果㊂结果表明虽然没有提取出微小的水体,但提取出的水体结果还是令人满意的,基本不存在误提取现象,提取用时15.3s ㊂图3(d )为S =20时水体提取的结果㊂结果表明,由于选用的S 变得更大,每个超像素的面积也变得更大了,使得一些微小的水体得不到保留,同时由于生成的超像㊃841㊃ 计算机技术与发展 第29卷素中更大了,包含了一些其他非水体元素,所以导致最终提取的结果中也包含一些微小的非水体元素,但提取的时间进一步减少为10.5s ㊂实验结果表明,文中算法具有良好的分割精度和运行效率㊂3.2 水体提取效果对比为了比较文中算法与其他算法的效果,使用信息检索的评价指标-查全率㊁查准率㊁F 指数对提取结果进行评价㊂查全率R 和查准率P 如下:R =提取的真正水体像素数目目视解译的像素数目(16)P =提取的真正水体像素数目提取的像素数目(17)F 评价指数是查准率和查全率的加权调和平均值,文中采用F 评价指数作为评估的综合指标,其计算公式为:F =2*P *R P +R(18)图4 沙河水库提取结果对比如图4所示,仅使用图像RGB 像素值的GrabCut 算法提取的效果不好,提取的时间较长且需要人工不断交互,不适合做自动处理㊂传统的NDWI 算法提取的效果一般,比GrabCut 算法提取出了更多的水体,提取的速度很快,但精度还有所欠缺,存在漏提取现象㊂文中算法在设置超像素种子间距离S =10时,提取精度和速度都很好,与其他两种提取算法相比有很大优势,具体的提取结果如表1所示㊂表1 不同方法水体提取结果对比 %算法R P F GrabCut 86.7687.8387.29NDWI 90.1799.2394.48文中算法96.6898.1797.414 结束语提出一种基于改进SLIC 和OTSU 算法相结合的水体提取方法,将超像素分割算法SLIC 与水体指数模型相结合,把图像中的像素聚类成一个个超像素,然后在超像素分割的基础上,对超像素使用OTSU (最大类间方差)算法进行阈值分割,从而提取图像中的水体㊂通过对沙河水库的高分一号遥感图像进行水体提取的实验结果表明,该方法能够快速提取出水体信息并达到了较高的水体提取精度㊂参考文献:[1] 胡晓东,骆剑承,夏列钢,等.图谱迭代反馈的自适应水体信息提取方法[J ].测绘学报,2011,40(5):544-550.[2] FRAZIER P S ,PAGE K J.Water body detection and delinea⁃tion with Landsat TM data [J ].Photogrammetric Engineeringand Remote Sensing ,2000,66(12):1461-1468.[3] 刘建波,戴昌达.TM 图象在大型水库库情监测管理中的应用[J ].环境遥感,1996,11(1):54-58.[4] 邓劲松,王 珂,邓艳华,等.SPOT -5卫星影像中水体信息自动提取的一种有效方法[J ].上海交通大学学报:农业科学版,2005,23(2):198-201.[5] MCFEETERS S K.The use of normalized difference waterindex (NDWI )in the delineation of open water features [J ].International Journal of Remote Sensing ,1996,17(7):1425-1432.[6] 徐涵秋.利用改进的归一化差异水体指数(MNDWI )提取水体信息的研究[J ].遥感学报,2005,9(5):589-595.[7] 陈文倩,丁建丽,李艳华,等.基于国产GF -1遥感影像的水体提取方法[J ].资源科学,2015,37(6):1166-1172.[8] 朱 利,李云梅,赵少华,等.基于GF -1号卫星WFV 数据的太湖水质遥感监测[J ].国土资源遥感,2015,27(1):113-120.[9] 骆剑承,盛永伟,沈占锋,等.分步迭代的多光谱遥感水体信息高精度自动提取[J ].遥感学报,2009,13(4):610-615.[10]ACHANTA R ,SHAJI A ,SMITH K ,et al.SLIC superpixelscompared to state -of -the -art superpixel methods [J ].IEEE Transactions on Software Engineering ,2012,34(11):2274-2282.[11]胡 蕾,侯鹏洋.一种基于光谱与纹理特征的多光谱遥感图像地物分类方法[J ].中国科技论文,2015,10(2):197-200.[12]OTSU N.A threshold selection method from gray -level his⁃tograms [J ].Automatica ,1975,285-296:23-27.[13]韩建涛,姜卫东,陈曾平.基于OTSU 准则及图像熵的局部递归分割算法研究[J ].红外技术,2004,26(6):89-92.[14]高永霞,朱广伟,贺冉冉,等.天目湖水质演变及富营养化状况研究[J ].环境科学,2009,30(3):673-679.[15]朱广伟,赵林林,陈伟民,等.低水位运行对天目湖水库水质与生态的影响[J ].生态与农村环境学报,2011,27(4):87-94.㊃941㊃ 第1期 龚林松等:基于改进的SLIC 和OTSU 的遥感影像水体提取。
一种基于Landsat8遥感数据快速提取水体信息的新方法
一种基于Landsat8遥感数据快速提取水体信息的新方法倪衡;刘晓颖【摘要】日益增多的不合理的围填海活动对海岸带环境造成了不可逆转的破坏.随着Landsat8的成功发射,我们需要一种针对海岸带附近的用海活动进行及时有效的监测的方法.根据围填海活动由海向陆硬化过程不同阶段代表地物的光谱特性,在如今大规模使用Landsat8遥感数据的条件下,根据其波段特性,提出新的水体指数NWI8对光谱进行处理并比较其区分水体、滩涂和人工填海地物的能力.结果发现,基于Landsat8特性提出的新型水体指数可以充分满足区分由海向路硬化过程的不同阶段的需求,高效的完成快速监测用海活动的任务.【期刊名称】《科技资讯》【年(卷),期】2015(013)019【总页数】3页(P7-9)【关键词】水体指数;地物光谱;遥感;Landsat8【作者】倪衡;刘晓颖【作者单位】天津师范大学城市与环境科学学院天津300387;天津师范大学城市与环境科学学院天津300387【正文语种】中文【中图分类】TP79在土地资源越发紧张的情况下,易开发的滨海地区成为了时下热门的新型开活动场所。
滨海地区的海岸带资源是我国重要的自然资源,不合理的违法开发利用会对滨海地区的生态环境造成不可逆转的破坏。
因此,为了保护海岸带生态系统的平衡,促进海岸带自然资源的合理高效利用,实现海洋资源的可持续发展,海洋管理部门就有必要准确、及时、高效地监视监测海岸带开发利用活动。
而海岸带开发利用活动以围填海为主,围填海的过程也是由海向陆的硬化过程。
对此,为了提取水体信息而创建的水体指数可以有效的反映这一硬化过程。
目前常见的水体指数有: NDWI、MNDWI、EWI和NWI。
在Landsat8遥感数据开始广泛应用的今天,该文基于其数据新的特性创建了New Water Index 8(NWI8),并针对由海向陆硬化过程不同阶段提出不同参考指标。
1.1 Landsat 8波段特性2013年2月新一代的陆地资源卫星Landsat8成功发射并在随后开始向地面传输数据。
基于ETM+遥感影像水体信息提取方法探讨
地、 中高 度 轨 道 上 运 转 ， 取 了 大 量 有 价 值 的 遥 感 影 获
像 。这些 遥感 影 像 记 录 了 丰 富 的地 面信 息 ， 们 根 据 不 人 同的应用 目的对 遥 感 影 像 上 感 兴 趣 的 地 物 也 有 所 差 异 ， 这就 涉及 到一些 专题 信息 的提 取 问题 。
关于水 体遥感 信 息 的提 取 ， 内外 做 过 很 多研 究 ， 国 水 体 因对 入射 电磁 波具有 强 吸收性 ， 以在大 部 分波 长范 围 所 内， 总体 上反射 率较 弱 ， 在蓝 绿波段 反 射率 稍高 ， 着波 长 随 的增加 其反射率 逐渐减 弱 。水 体 在近 红外 、 中红外 波段
Ｒｅ ｏ ｅ Ｓ ｎ ｉ ｇ Ｉ ａ ｅ ｍ ｔ ｅ ｓｎ ｍ ｇ ｓ
Ｃ ＨＥＮ Ｊｎ ， ｉｇｉ ， ｈ ｕｈ ｎ３ ６０ ， ｉａ Ｚ ￣ｉｎ ｅ ｎＵ ｉｅｓ ｙ Ｚ ｏ ｓａ １０ ４ Ｃｈｎ ） ｔ
信 息进 行 提 取 ， 果较 好 。 效 关键词 ： 波段 组 合 ； 色彩 变换 ； 像 分 类 影
中图 分 类 号 ：Ｐ ９ Ｔ ７
文 献 标 识 码 ： Ｂ
文 章 编 号 ：６ ２—５ ６ ２ １ ） １—０ ７ ｌ７ ８ ７（ ０ １ ０ １ ７—０ ４
Ｓ ｕｄ ｎ Ｍ ｅ ｈｏ ｆ Ｅｘ ｒ ｃ ｉ ｇ Ｗ ａ ｅ ｎ ｏ ｍ ａ ｉ ｎ ｆ ｏ ｔ ｙｏ ｔ ｄ ｏ ｔ ａ ｔｎ ｔｒＩ ｆｒ ｔｏ ｒ ｍ ＥＴＭ ＋
第３ ４卷 第 １ 期
２１ ０ １年 ２ 月
测绘 与 空 间地 理 信 息
ＧＥＯＭ ＡＴＩ Ｃｓ ＆ ＳＰＡＴＡＬ Ｉ Ｉ ＮＦＯＲＭ ＡＴ ＯＮ ＥＣＨＮＯＬＯＧＹ Ｉ Ｔ
利用遥感技术研究水资源的遥感监测方法
利用遥感技术研究水资源的遥感监测方法引言：随着全球气候变化和人口的快速增长，水资源成为人类生存和发展的关键因素之一。
因此，研究和监测水资源的可持续利用显得尤为重要。
遥感技术作为一种高效准确的工具，为水资源的研究和监测提供了很多可能。
本文将探讨利用遥感技术研究水资源的遥感监测方法，包括流域尺度的水资源监测、水体遥感监测和水文过程遥感监测等。
一、流域尺度的水资源监测1. 遥感影像获取流域尺度的水资源监测需要获得大范围内的遥感影像。
遥感卫星如Landsat、MODIS等可以提供高分辨率和多谱段的影像，可用于监测流域内的陆地表面水文参数和水文循环过程。
2. 地表水资源监测利用遥感技术，可以监测和估算流域内地表水资源的状况。
通过分析遥感影像上的水体分布、水体面积和水位高程等信息，可以获得流域内各水体的面积、容积和水深等重要参数。
同时，对于河流、湖泊、水库等水体的变化情况进行时序分析，可以更好地了解水资源的动态变化。
3. 地下水资源监测地下水是重要的水资源之一，遥感技术同样可以用于地下水的监测。
通过分析地表温度、地表湿度以及地表的植被指数等遥感数据，可以估算出地下水的分布和潜在蓄水量。
结合地质、地形和气象等因素，可以更准确地评估流域内的地下水资源。
二、水体遥感监测1. 水体边界提取利用遥感图像进行水体边界的提取是水资源遥感监测中的重要一步。
可以通过对遥感影像进行图像处理和分类，如阈值分割、最大似然分类等方法，提取出水体的边界信息。
同时，结合地形和河道等特征，可以优化水体边界的提取效果。
2. 水体参数估算通过遥感影像的数据处理和分析，可以估算水体的重要参数，如水体表面温度、光学特性和光谱反射率等。
这些参数与水体的水质和水量等息息相关，因此在研究水体资源的监测和保护方面具有重要价值。
三、水文过程遥感监测1. 降水监测降水是水资源的重要组成部分，利用遥感技术进行降水监测可以提供全球范围内的降水信息。
常用的遥感降水监测方法包括监测云图、利用微波遥感和红外遥感等技术。
改进的OTSU法在遥感水体信息提取中的应用
改进的OTSU法在遥感水体信息提取中的应用武国瑛;邓正栋;陈一村【摘要】在遥感信息解译中,利用指数法提取水体信息一直存在阈值选取困难的问题.为了进一步解决该问题,将改进的OTSU法用于阈值选取.综合考虑目标像元和背景像元类间方差、类内方差两个指标,并结合粒子群算法,对研究区水体信息进行提取.实验结果表明,提出的算法能更快地确定阈值,有效地提取水体信息.【期刊名称】《微型机与应用》【年(卷),期】2017(036)020【总页数】3页(P17-18,22)【关键词】MNDWI;大津法;粒子群算法;遥感水体信息提取【作者】武国瑛;邓正栋;陈一村【作者单位】解放军理工大学国防工程学院,江苏南京210007;解放军理工大学国防工程学院,江苏南京210007;解放军理工大学国防工程学院,江苏南京210007【正文语种】中文【中图分类】TP751卫星遥感数据具有监测范围广、更新速度快、不受地域限制等优势，近年来已成为我国农业、工业、军事监测的重要数据来源。
多光谱遥感影像是众多遥感影像中的一种，可被用于地表水体信息的快速提取，为洪涝灾害监测以及湖泊、水库监测提供了极大便利。
指数法是利用多光谱遥感数据提取水体信息的一种重要方法，如归一化差异水体指数(NDWI)、修正归一化差异水体指数(MNDW I)等。
利用指数法提取水体信息，合理选取阈值对于地物的精确分类至关重要，是目前遥感信息提取的一个重要研究方向。
文献[1]中利用直方图分割和最大似然法对NDWI影像进行阈值分割实现全域水体信息提取，进而搜索水体像元进行区域填充并建立缓冲区，对局部水体信息采用分布迭代的方式确定阈值，实现对局部水体信息的提取；文献[2]利用数值较大的阈值确定水体范围，再将研究区分为K×K个子区域应用大津法确定阈值，实现自适应阈值水体信息提取；文献[3]融合OTSU法对Canny算子进行改进，算法较好地适用于噪声图像的边缘检测；文献[4]将类内平均距离引入最大类间方差分割，文献[5]将均方差因素引入最大类间方差分割法，并对结果进行验证，均取得较好的效果[4-6]。
基于深度学习的遥感水体信息提取研究
基于深度学习的遥感水体信息提取研究基于深度学习的遥感水体信息提取研究摘要：遥感技术在水体信息提取中具有广泛的应用前景，然而传统的遥感水体信息提取方法存在着一定的局限性。
本文提出了一种基于深度学习的遥感水体信息提取方法，通过使用深度卷积神经网络（CNN）来提取水体的特征，并用多层感知器（MLP）进行分类。
实验结果表明，深度学习可以有效地从遥感影像中提取水体信息，具有较高的准确性和泛化能力。
1. 引言水资源是地球上最为宝贵的资源之一，对于生态系统的平衡和人类的生存都起着至关重要的作用。
随着遥感技术的发展，遥感影像成为了获取水体信息的重要工具之一。
准确地提取遥感影像中的水体信息对于水资源管理和环境保护具有重要意义。
然而，传统的基于像元的分类方法往往无法准确提取水体信息，因此需要寻找更有效的方法来应对这个问题。
2. 深度学习及其在遥感中的应用深度学习是一种模仿人脑神经网络工作原理的机器学习方法，它能够从大量的训练数据中学习到高层次的抽象特征。
近年来，深度学习在图像识别、目标检测等领域取得了显著的成果。
在遥感领域，深度学习也被广泛应用于土地利用分类、目标提取等任务中，取得了令人瞩目的效果。
3. 基于深度学习的遥感水体信息提取方法本文提出了一种基于深度学习的遥感水体信息提取方法。
首先，将遥感影像进行预处理，包括辐射校正、大气校正等。
然后，使用深度卷积神经网络来提取水体的特征。
深度卷积神经网络通过堆叠多个卷积层和池化层来构建，能够从原始图像中学习到具有局部感知能力的特征。
最后，利用多层感知器进行水体的分类，并根据分类结果生成水体信息图。
4. 实验结果与分析本文使用了包括Landsat TM、Sentinel-2等多种遥感影像数据集进行实验。
对于每个数据集，我们随机选取了一部分样本进行训练，并利用剩余的样本进行测试。
实验结果表明，基于深度学习的遥感水体信息提取方法在准确性和泛化能力上明显优于传统的方法。
与传统的基于像元的分类方法相比，深度学习方法能够更好地区分出水体和其他地物，提取出更精确的水体信息。
利用改进的归一化差异水体指数提取水体信息的研究
利用改进的归一化差异水体指数提取水体信息的研究一、本文概述随着遥感技术的快速发展，水体信息的提取已经成为环境监测、城市规划、灾害预警等多个领域的重要研究内容。
近年来，归一化差异水体指数（Normalized Difference Water Index, NDWI）作为一种有效的水体提取方法，受到了广泛关注。
然而，传统的NDWI方法在某些复杂环境下，如高植被覆盖区、高盐度水域等，可能会受到干扰，导致提取结果的不准确。
因此，本文旨在研究并改进归一化差异水体指数，以提高水体信息的提取精度和稳定性。
本文首先回顾了归一化差异水体指数的发展历程和应用现状，分析了其存在的局限性和挑战。
在此基础上，提出了一种改进的归一化差异水体指数方法，通过引入多光谱遥感数据的更多波段信息，优化指数计算过程，以增强其对复杂环境的适应性。
接着，本文详细阐述了改进后的归一化差异水体指数的计算原理和实现步骤，并通过实验验证其在不同类型水体提取中的有效性。
实验结果表明，相比传统方法，改进后的归一化差异水体指数在提取精度、抗干扰能力和稳定性等方面均有明显提升。
本文探讨了改进后的归一化差异水体指数在实际应用中的潜力和局限性，为未来的研究提供了有益的参考。
本文的研究不仅有助于提升遥感技术在水体信息提取中的应用水平，也为相关领域的实践提供了理论支持和技术指导。
二、相关理论和技术在提取水体信息的研究中，归一化差异水体指数（Normalized Difference Water Index, NDWI）已成为一种广泛使用的遥感技术。
该指数基于水体在红光和近红外波段反射特性的差异，通过特定的数学运算来强化水体信息，从而有效地从遥感影像中提取出水体区域。
然而，传统的NDWI在某些复杂环境下，如高植被覆盖区或浑浊水体区域，可能面临提取精度不足的问题。
因此，本研究提出了改进的归一化差异水体指数（Modified Normalized Difference Water Index, MNDWI），旨在提高水体提取的准确性和鲁棒性。
基于遥感的水体信息提取技术研究进展
（ 北京林业大学 林学 院， 北京 １ ０ ０ ０ ８ ３ ）
摘 要 ：总结 了遥 感技 术在水 体信 息提 取 方 面的研 究进展 ， 并 阐述 了基 于遥 感的 ６类水 体信 息提 取 方法 ， 包括 ： 单 波段 阈值 法 、 多波段谱 间关 系法 、 指 数模 型 法、 多光谱 混合 分析 法 、 遥感 影像分 类 法和 混合像 元分 解 法。在此基 础上 ， 指 出了应 用遥 感技 术提 取 水体信 息尚待 解决 的关键 问题 ， 并提 出 了 可能 的解 决途径 。最后 对水体 遥感信 息提 取 的发 展趋 势进行 了展 望 。
关键 词 ： 遥 感 ；水 体 信 息 提 取 ；波 谱 特 征 ； 谱 间 关 系 ；混合 像 元 分 解 中图分 类号 ： Ｔ Ｐ ７ ９ 文 献标志 码 ： Ａ 文 章 编 号 ：１ ０ ０ ４— ３ ２ ６ ８ （ ２ Ｏ １ ３ ） ０ ６ — ０ ０ １ ６— ０ ５
Ｒｅ ｓ ｅ ａ ｒ ｃ ｈ Ａｄ ｖ ａ ｎｃ ｅ ｏ ｎ Ｔｅ ｃ ｈ ｎｏ ｌ ｏ ｇ ｙ ｆ ｏ ｒ Ｅｘ ｔ ｒ ａ ｃ ｔ ｉ ｎｇ Ｗａ ｔ ｅ ｒ
ｓ ｅ ｎ ｓ ｉ ｎｇ ｔ ｅ ｃ ｈ ｎｏ ｌ ｏ ｇｙ ｗａ ｓ ｓ ｕ ｍｍ ａ ｒ ｉ ｚ ｅ ｄ ．Ｓｉ ｘ ｍｅ ｔ ｈ ｏｄ ｓ ｆ ｏ ｒ ｔ ｈｅ ｅ ｘｔ ｒ ａ ｃ ｔ ｉ ｏ ｎ ｏ ｆ ｗａ ｔ ｅ ｒ ｉ ｎ ｆ ｏ ｒ ｍａ ｔ ｉ ｏｎ ｗｅ ｒ ｅ ｄ ｅ － ｓ ｃ ｒ ｉ ｂｅ ｄ ｉ ｎ ｄｅ ｔ ａ ｉ ｌ ｂａ ｓ ｅ ｄ ｏｎ ｒ ｅ ｍｏ ｔ ｅ ｓ ｅ ｎ ｓ ｉ ｎ ｇ， ｗｈ ｉ ｃ ｈ ｉ ｎ ｃ ｌ ｕ ｄｅ ｄ ｓ ｉ ｎ ｇｌ ｅ ｂ ａ ｎｄ ｔ ｈ ｒ ｅ ｓ ｈｏ ｌ ｄ， ｍｕｌ ｔ ｉ — ｂ ａ ｎｄ ｓ ｐｅ ｃ — ｔ ｒ ａ ｌ ｒ ｅ ｌ ａ ｔ ｉ ｏ ｎｓ ｈｉ ｐ， ｉ ｎｄ ｅ ｘ ｍｏ ｄ ｅ ｌ ， ｍｕｌ ｔ ｉ ｓ ｐ ｅ ｃ ｔ ｒ ａ ｌ ｍｉ ｘ ｔ ｕｒ ｅ ａ ｎａ ｌ ｙｓ ｉ ｓ， ｒ ｅ ｍｏ ｔ ｅ ｓ ｅ ｎ ｓ ｉ ｎ ｇ ｉ ｍａ ｇｅ ｃ ｌ ａ ｓ ｓ ｉ ｆ ｉ ｃ ａ ｔ ｉ ｏ ｎ ａ ｎｄ ｐ ｉ ｘｅ ｌ ｓ ｕ ｎ ｍｉ ｘ ｉ ｎｇ ｍｏ ｄｅ １ ．Ｏｎ ｔ ｈｉ ｓ ｂａ ｓ ｉ ｓ ， ｓ ｏ ｍｅ ｐ ｒ ｏ ｂｌ ｅ ｍｓ ｏ ｆ ｔ ｈ ｅ ｅ ｘ ｔ ｒ ａ ｃ ｔ ｉ ｏ ｎ ｏ ｆ ｗａ ｔ ｅ ｒ ｉ ｎｆ ｏｒ ｍａ ｔ ｉ ｏ ｎ ｕ ｓ ｉ ｎ ｇ ｒ ｅ ｍｏ ｔ ｅ ｓ ｅ ｎｓ ｉ ｎｇ ｔ ｅ ｃ ｈｎｏ ｌ ｏ ｇｙ ｗｅ ｒ ｅ ｐ ｏ ｉ ｎｔ ｅ ｄ ｏ ｕｔ ａ ｎ ｄ ｔ ｈｅ ｐ ｏｓ ｓ ｉ ｂｌ ｅ ｗａ ｙ ｓ ｔ ｏ ｓ ｏ ｌ ｖ ｅ ｔ ｈｅ ｓ ｅ ｐｒ ｏ ｂｌ ｅ ｍｓ ｗｅ ｒ ｅ ｅ ｘｐ ｏ ｕｎｄ ｅ ｄ ． Ｆｉ ｎ ａ ｌ ｌ ｙ， ｔ ｈｅ ａ ｐｐ ｌ ｉ ｃ ａ ｔ ｉ ｏ ｎ ｐ ｒ ｏｓ ｐ ｅ ｃ ｔ ｏ ｆ ｒ ｅ ｍｏ ｔ ｅ ｓ ｅ ｎｓ ｉ ｎｇ ｔ ｅ ｃ ｈ ｎｏ ｌ ｏ ｇｙ ｉ ｎ ｔ ｈｅ ｅ ｘｔ ｒ ａ ｃ ｔ ｉ ｏ ｎ ｏ ｆ ｗａ ｔ ｅ ｒ ｉ ｎｆ ｏｒ ｍａ ｔ ｉ ｏｎ ｗａ ｓ ａ ｎ ａ ｌ ｙ ｚ ｅ ｄ． Ｋｅ ｙ ｗｏ ｒ ｄ ｓ：ｒ ｅ ｍｏ ｔ ｅ ｓ ｅ ｎｓ ｉ ｎ ｇ；ｗａ ｔ ｅ ｒ ｉ ｎ ｆ ｏ ｒ ｍａ ｔ ｉ ｏ ｎ ｅ ｘ ｔ ｒ ａ ｃ ｔ ｉ ｏ ｎ；ｓ ｐ ｅ ｃ ｔ ｒ ａ ｌ ｃ ｈ ａ ｒ ａ ｃ ｔ ｅ ｒ ｉ ｓ ｔ ｉ ｃ ｓ ；ｒ ｅ ｌ ａ ｔ ｉ ｏ ｎｓ ｈｉ ｐ ｂｅ ｔ ｗｅ ｅ ｎ ｂ ａ ｎｄｓ ；ｐ ｉ ｘ ｅ ｌ ｓ ｕｎ ｍｉ ｘｉ ｎ ｇ
基于改进SegNet网络的遥感影像建筑物信息提取
工程技术
基于改进SegNet网络的遥感影像建筑物
信息提取
何小安 刘 森 （中水北方勘测设计研究有限责任公司，天津 300222）
摘 要 ：建筑物是人类生活的重要场所，利用遥感影像准确快速地提取建筑物信息是在更精细的尺度上分析人类
活动的重要途径。用传统的监督分类等方法提取复杂的建筑物结构信息，在精度和准确度上效果较差。因此，本
图 2 所示。在 ASPP 模块中，从上到下依次为 1×1 卷积，空 洞率分别为 6、12 和 18 的空洞卷积层，最下面是一个平均 池化层。输入特征输入后经过 ASPP 处理，再对处理后的特 征信息进行联合，得到特征信息图。
改进的 SegNet 网络与原始的 SegNet 网络相似，结构均 为编码器—解码器，整体结构对称，如图 3 所示。可将编 码器层部分划分为 5 组，每组都包括卷积层、最大池化层 和激活函数。5 组包括 13 个卷积层和 5 个最大池化层。每 个模块的卷积层深度从外到内依次为 64、128、256、512 和 512，卷积核大小与原始 SegNet 网络均为 3×3。在编码器层 部分，输入的遥感影像经过卷积和最大池化等操作获得深层 的建筑物特征信息，一起输入解码层。解码器与编码器对 称，因此同样分为 5 组。编码层引用的为最大池化操作，与 编码层不同，解码层用上池化层替换最大池化层，以此将编
3.2 试验结果和分析
致分类精度很低。从图 5（d）中可以看出，U-Net 网络提
取的建筑物与 SVM 方法相比更好，错提现象明显改善，但
U-Net 网络在提取过程中存在漏提小型建筑物的情况，在提
取大型建筑的过程中，存在边缘细节处理粗糙和提取存在空
洞的现象。从图 5（e）中可以看出，SegNet 网络的建筑物
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
2.3. 监督分类法
监督分类(supervised classification)又称训练场地 法，是以建立统计识别函数为理论基础，依据典型样 本训练方法进行分类的技术。即根据已知训练区提供 的样本，通过选择特征参数，求出特征参数作为决策 规则，建立判别函数以对各个待分类影像进行的图像 分类，是模式识别的一种方法。
基于遥感影像水体信息提取的改进方法*
马鸿旭，郭生练，周研来
武汉大学水资源与水电工程科学国家重点实验室，武汉 Email: mahongxu@ 收稿日期：2013 年 2 月 16 日；修回日期：2013 年 2 月 27 日；录用日期：2013 年 3 月 9 日
摘
要：本文分析了单独使用归一化差分植被指数法和归一化差分水指数法所引起的误提取和漏提
3. 水体提取改进方法
3.1. 常规方法存在的主要问题分析
NDVI 指数法和 NDWI 指数法都已被证明可以很
好地对一些流域的水体信息进行较高精度的信息提 (1) 取[3]。但由于 NDVI 指数法和 NDWI 指数法都只分别 采用了两个波段的遥感图像进行波段运算以进行水 体信息提取，导致无法准确地区分一些波段运算后指 数相近的地物。
取，总结了导致错误的原因及规律。耦合了归一化差分植被指数法、归一化差分水指数法和数学形态 学理论， 并提出了一种水域信息提取的改进方法。 以鄱阳湖水域为研究对象， 选取 2010 年 3 月至 2011 年 12 月的 HJ-1A 时序卫星影像图进行水域信息提取，并采用混淆矩阵对提取结果进行了比较和评价。 结果表明：改进的方法比三种常规方法(NDVI，NDWI，监督分类)的水体提取精度平均提高了 9.43%。 关键词：水体提取；归一化差分植被指数；归一化差分水指数；卫星影像
Copyright © 2013 Hanspub
2.1. 归一化差分植被指数法
归 一 化 差 分 植 被 指 数 ， NDVI(Normalized Difference Vegetation Index)。
NIR RED NDVI NIR RED
式中：NIR 为近红外波段，RED 为红光波段。 因为红光波段中的水体的反射率要高于植被，而
(a) Remote sensing image
(b) NDVI
(c) NDWI
Figure 2. Water extraction using NDVI and NDWI method 图 2. NDVI 及 NDWI 方法提取的水域信息图
NDWI及明显的劣势。在详尽分析 了各自方法在水体信息提取结果后，提出以下几点方 法的改进思路。
127
[1]
基金项目：国家自然科学基金(51079100，51190094)。 作者简介：马鸿旭(1989-)，男，吉林省吉林市人，硕士研究生，主 要从事遥感技术在水文中的应用等研究。
Copyright © 2013 Hanspub
第2卷 · 第2期
马鸿旭，等：基于遥感影像水体信息提取的改进方法
息的敏感度。曹荣龙等[5]对 NDWI 法进行了进一步的 改进，使水体提取精度进一步提高。Ma 基于 SPOT 序列影像， 综合应用 NDVI 和 NDWI 提取艾比湖水体， 证明了指数联合提取水体的可行性。翟辉琴 将数学 形态学理论应用到遥感影像的水体识别中，取得了很 好的效果。现行的水域信息提取主要存在以下几点不 足：1) 水体提取所使用的方法单一，NDVI 或 NDWI 都各自存在导致误提取的地物类别，这种状况在汛期 尤为严重。2) 采用 NDVI 或 NDWI 提取的水体信息 具有噪声，即偶然符合指数的非水体像点也被归为水 体。 本文在分析现有方法优点和不足的基础上，耦合 归一化差分植被指数法 NDVI(Normalized Difference Vegetation Index)、 归一化差分水指数法 NDWI(Normalized Difference Water Index)和数学形态学理论，提出 了一种水域信息提取的改进方法。该法通过对 NDVI 及 NDWI 水体提取的联合处理， 剔除现有方法各自的 误提取区域，并通过数学形态学理论对提取结果进行 进一步噪声剔除处理。通过实例分析和比较，以论证 所提方法的计算精度和适用性。
1. 引言
对于水域信息的研究是水文测验及分析计算的 基础内容之一。通过时序遥感数据进行水域信息提取 及变化检测，具有及时、快速、准确的特点。马国明
*
等利用多时相的高分辨率遥感数据检测了若羌湖泊 群的动态变化特征。Li 和 Narayanan[2]选用多时相的 Landsat MSS 数据对 Nebraska 地区建立了基于空间模 型边界形状提取的湖泊变迁分析方法。在水域信息提 取方法领域， 由 McFeeters[3]提出归一化水指数 NDWI 法。Xu[4]对 NDWI 进行了优化，提高了指数对水体信
Abstract: By analyzing the error extracted areas which is caused by using NDWI and NDVI methods individually, a modified water information extraction method was proposed and tested. The method interconnects the NDWI, NDVI and mathematical morphology methods together. The HJ-1A sequence statelier images in the Poyang Lake during 2010 to 2011 were selected as case study. The water information were recognized and extracted by the modified method and compared with three conventional methods based on confusion matrix. The results show that modified method is more accurate than three conventional methods by improving 9.43% on average. Keywords: Water Recognition; NDVI; NDWI; Statelier Images
Modified Water Information Extraction Method Based on Remote Sensing Images*
Hongxu Ma, Shenglian Guo, Yanlai Zhou
State Key Laboratory of Water Resources and Hydropower Engineering Science, Wuhan University, Wuhan Email: mahongxu@ Received: Feb. 16th, 2013; revised: Feb. 27th, 2013; accepted: Mar. 9th, 2013 Copyright © 2013 Hongxu Ma et al. This is an open access article distributed under the Creative Commons Attribution License, which permits unrestricted use, distribution, and reproduction in any medium, provided the original work is properly cited.
1) NDVI 对建筑信息的过分敏感导致误提取了很
多建筑地物信息， 与此同时 NDWI 对细小支流的不敏 感性导致了大量小面积水域的遗漏。 因此， 通过 NDWI 指数与 NDVI 指数的联合运算，用以拉大水体信息与
Figure 1. NDVI extractes the land and thebuilding by mistake 图 1. NDVI 对裸地及建筑物的误提取效果
Journal of Water Resources Research 水资源研究, 2013, 2, 127-133 doi:10.12677/jwrr.2013.22019 Published Online April 2013 (/journal/jwrr.html)
128
第2卷 · 第2期
马鸿旭，等：基于遥感影像水体信息提取的改进方法
在应用 NDVI 方法提取水域信息时，发现由于建 筑地物同水体信息在红色波段及近红外波段的响应 幅度和程度相似，导致明显的建筑物信息也被错误地 识别为水域信息。如图 1 所示。左图为包含水体和城 区建筑物信息的遥感图像。右图为 NDVI 水体信息提 取结果图，黑色为被识别的水体，由图可见部分城区 建筑及裸地信息也被错误识别为水体信息。 通过分析研究经过二值化处理的影像和对应的 水体信息提取混淆矩阵发现，影响水体提取信息准确 度的主要误差分为线误差和点误差。点误差主要存在 于使用 NDVI 法对水体信息图中，误差的形式为错误 提取误差，即将本来不属于水域信息的某些像元错误 分类为水域信息。如图 2(b)所示。线误差主要存在于 误差的形式为漏 使用 NDWI 法提取的水体信息图中， 提取误差，即 NDWI 法忽略了很多细小的支流信息。 如图 2(c)所示。
2. 水体提取方法原理
水域提取主要是对水域信息的识别和提取，即通 过一定的规则和方法将水域信息与非水域信息相互 区别开来。而两类信息的区别的分离程度及准确性即 是评价水域信息提取的主要判别标准[8]。 由于水体和陆地在接受了太阳辐射的相互作用 之后，对于太阳辐射的反射、吸收、散射、透射的特 征差异非常大，而使其在遥感图像上的反映截然不 同，对于不同波段的不同反映形成了对于水域信息唯 一的波谱响应特征，成为区分水域信息和其他非水域 信息的重要基本原理 。