鄧富亮，章欣欣，花利忠，李宗梅

(廈門理工學院空間信息技術研究所，福建 廈門 361024)

基于國產(chǎn)高分辨率光學遙感影像的水體提取

鄧富亮，章欣欣，花利忠，李宗梅

(廈門理工學院空間信息技術研究所，福建 廈門 361024)

遙感圖像中地表水體同山體、建筑物等地物產(chǎn)生的陰影在光譜特征上存在較高的類間相似性，導致提取過程中容易出現(xiàn)混淆和錯分的情況。針對此問題，提出一種基于面向?qū)ο蠛腿斯し淙旱牡乇硭w提取方法。該方法首先對遙感圖像進行分割以獲取分割對象的光譜、比率、幾何形狀等統(tǒng)計特征，以彌補高分遙感圖像波段數(shù)目少，信息量不足的缺陷；并借助人工蜂群算法在解決復雜問題最優(yōu)化方面的優(yōu)勢，選取水體同陰影二值分類的幾何平均正確率作為算法的適應度函數(shù)，最終獲取地表水體的最優(yōu)化提取規(guī)則。選取廈門市大嶝島和湖南省資興市部分區(qū)域，基于國產(chǎn)高分一號、二號遙感數(shù)據(jù)進行水體提取，并與傳統(tǒng)SVM分類結(jié)果進行比較。實驗結(jié)果表明本算法提取水體的總體精度和Kappa系數(shù)均優(yōu)于傳統(tǒng)SVM分類器，表明該方法可應用于高分遙感圖像的地表水體提取。

人工蜂群；地表水體提?。桓叻?；面向?qū)ο螅贿b感圖像分類

水體的空間分布信息是水文模型分析的數(shù)據(jù)基礎，如何快速、準確地獲取水體信息對地表水資源調(diào)查[1]、水利設施規(guī)劃、洪澇[2]等自然災害監(jiān)測等領域具有重要意義。隨著我國高分辨率對地觀測系統(tǒng)的可持續(xù)發(fā)展，以及國產(chǎn)高空間分辨率衛(wèi)星，如高分、資源遙感衛(wèi)星遙感數(shù)據(jù)的普及，針對國產(chǎn)高分遙感影像的水體信息的智能提取和識別成為當前國內(nèi)研究的熱點。

1 水體提取模型研究進展

目前國內(nèi)外學者針對不同分辨率影像的水體提取提出諸多方法和模型，這些方法從構(gòu)建原理大致可分為四種類型[3]：單波段閾值分割、多波段比值模型、基于分類算法的提取模型以及基于混合像元線性分解(Linear unmixing)模型。

1.1 基于單/多波段閾值分割

單一波段的閾值分割模型最為簡單，易于實現(xiàn)，但受限于單個波段信息豐度的制約，其提取精度較低；多波段比值關系方法綜合利用了地物在不同波段光譜的特征，通過設計比值計算方法進一步削弱了傳感器成像條件、大氣輻射等影響導致的誤差，提高了分類的準確性[4]。例如，在中低分辨率影像的水體提取方面，目前已被廣泛使用的有NDWI[5]、MNDWI[6]、SWI[7]、AWEI[3]等各種指數(shù)模型，均取得很好的效果[8]。但此類方法的分割閾值的判定需要結(jié)合專家知識和具體實際情況，經(jīng)過多次嘗試從而獲得最佳的結(jié)果，在不同研究區(qū)中存在較大差異，無法保證其方法的普適性[9]。此外，上述大部分方法需要借助中紅外等光譜波段特征，無法應用于僅有四個波段的高分遙感影像。

1.2 基于分類器模型

基于分類算法的城市地物提取，包括水體，目前也取得一系列成果。但由于高分圖像中“同譜異物”現(xiàn)象明顯，如水體和建筑物陰影兩種地物類別四個波段的灰度值近似，很容易造成混淆，因此借助各種分類器的水體特征算法更為有效，常見的分類器模型如決策樹[10]、最大似然(Maximum Likelihood，ML)[11]、支持向量機(Support Vector Machine, SVM)[12]等，但此類算法在水體提取應用方面也同樣存在一定限制，如最大似然方法需要預先設定實際地物類別，對分類樣本的選取要符合統(tǒng)計上的獨立分布規(guī)律，其分類結(jié)果和提取的特征參數(shù)基于全局擬合精度，因而無法直接使用于單個指定的地物類別；SVM算法將特征映射到高緯空間，利用核函數(shù)尋找最優(yōu)支持向量進行分類，其本質(zhì)上屬于“黑箱”算法，難以對分類規(guī)則進行直觀解釋。

1.3 基于混合像元分解

混合像元分解模型基于光譜成像機理，模擬光譜的混合過程，并通過改進分解模型以提高分類精度。但在實際應用中，由于高分辨率光譜單個像元包含的信息量較少、光譜信息不穩(wěn)定，與端元樣本的信息對比困難，往往無法同分解模型較好地吻合。此外，高分辨率的多光譜數(shù)據(jù)對于純凈端元的提取需要基于研究區(qū)實際地物情況和具體的成像參數(shù)，針對水體邊界的水分含量的估算需要做進一步的優(yōu)化，實現(xiàn)精細提取和識別仍需深入研究。

此外，傳統(tǒng)基于像素的分類方法應用于高分圖像上容易引起“椒鹽效應”，一些學者通過引入基于面向?qū)ο蟮膱D像分割技術，將圖像劃分成統(tǒng)計特性相近的對象塊，一方面可對特征象元特征進行聚類分割，使得更高層影像的分析和理解成為可能；另一方面，可針對對象幾何、光譜、紋理的特征進行二次提取，增加分割對象屬性的特征維度，可有效提高提取結(jié)果的精度[13]，成為提高高分遙感影像分類精度的關鍵。

基于高空間分辨率遙感數(shù)據(jù)的水體信息提取模型，其優(yōu)勢通常體現(xiàn)在以下兩個方面：一是借助空間分辨率的提高，模型除辨識出一般的大面積水體之外，還能有效地識別圖像中存在的細小水體。細小水體的空間特征一般表現(xiàn)為細小狹長狀，且易受周邊地物的光譜影響，在水體邊緣表現(xiàn)為混合像元；二是改進后的提取或分類模型能更為有效地去除暗區(qū)的干擾信息，如建筑物陰影、山區(qū)陰影等。針對以上問題，本文提出一種基于面向?qū)ο蠓指詈腿斯し淙核惴ǖ某鞘兴w提取方法。該方法首先基于面向?qū)ο笏枷雽Ω叻诌b感圖像進行多尺度的圖像分割，并統(tǒng)計不同地物的特征信息，包括單波段灰度值、多波段比值、幾何特征等。隨后利用人工蜂群算法在解決復雜系統(tǒng)問題最優(yōu)化的優(yōu)勢，選取合理的適應度函數(shù)，進行最優(yōu)規(guī)則的提取。最后以廈門大嶝島和湖南省資興市部分區(qū)域的高分衛(wèi)星為研究區(qū)驗證模型的分類精度。

2 面向?qū)ο蟮娜斯し淙核w提取方法

本文提出的水體信息提取方法包括兩部分內(nèi)容：(1)采用基于面向?qū)ο蟮膱D像分割方法對高分數(shù)據(jù)進行多尺度的對象分割，根據(jù)像元特征的相似性分割成不同的對象。同時對各個對象的光譜、比率、幾何形狀等特征進行二次統(tǒng)計，提高特征信息的維度；(2)提出一種基于人工蜂群算法的水體特征提取算法，針對水體提取研究中，水體同山區(qū)、建筑物陰影容易混淆的現(xiàn)象，以水體、陰影二者分類的幾何平均正確率作為算法的適應度函數(shù)，并采用監(jiān)督分類方式構(gòu)建提取模型，提取規(guī)則基于模糊規(guī)則系統(tǒng)(Fuzzy rule-based system)，可有效辨識不同特征對地物的影響程度。模型流程圖如圖 1所示。

圖1 模型流程圖Fig.1 Flowchart of the proposed model

2.1 面向?qū)ο蟮母叻诌b感圖像分割

目前，基于面向?qū)ο蟮膱D像分割算法很多，但大多算法未能整合光譜信息和空間信息，且不同算法在效率和結(jié)果上存在較大差異，缺乏統(tǒng)一的評價體系；另一方面，不同區(qū)域空間特征復雜多樣，理論上圖像分割算法的最優(yōu)尺度無法得到，常見做法是通過專家知識進行人工判定。本文采用的圖像分割算法步驟如下：首先采用快速掃描法對原始遙感圖像進行初始分割，形成分割初始對象，并構(gòu)建區(qū)域鄰接圖；隨后采用基于異質(zhì)性最小區(qū)域合并算法進行區(qū)域合并；最后根據(jù)某種層次輸出規(guī)則，在區(qū)域合并過程中輸出滿足層次輸出條件的中間分割結(jié)果，直至滿足分割終止條件。

結(jié)合高分辨率遙感影像和水體特征，除原始四個波段外，借助ArcGIS波段計算工具，生成第五(Blue/Green)、第六(Green/Red)、第七(Red/NIR)、第八(NDVI)四個比率波段，以提高圖像分割算法和后續(xù)分類器的分類精度。

針對分割對象進行二次統(tǒng)計，可獲取每個對象的光譜、比率、幾何形狀等特征信息。并通過相關性檢驗法對因子進行篩選。

2.2 基于人工蜂群的水體提取模型

人工蜂群算法(Artificial Bee Colony， ABC)是群智能算法中的一種新興技術[14]，其原理同螞蟻、遺傳算法類似，通過模擬個體間的相互協(xié)作和競爭關系，進而反映出種群的群體性智能行為，因此適合于解決一些非線性的復雜問題[15]。ABC蜂群算法的優(yōu)勢在于其在迭代過程可同時進行全局和局部搜索，具有收斂快、適用性強的優(yōu)點。且算法本身靈活易于實現(xiàn)，可同其它技術結(jié)合以改進原算法。已被廣泛應用到如復雜問題優(yōu)化[16]、圖像變化檢測[17]、圖像分割和分類[18]等多方面，取得較好的成果。

泛用的ABC模型應至少包括四方面內(nèi)容，即優(yōu)化規(guī)則定義、適應度函數(shù)、全局/周邊鄰域搜索步驟以及模型預測。針對遙感影像水體提取的步驟，本文對ABC模型進行如下改進：

水體提取規(guī)則的定義：采用了基于模糊規(guī)則(Fuzzy rule-based)的IF…THEN形式。對于分割閾值選取可采用最大最小值的閾值區(qū)間表示。相比傳統(tǒng)的“硬”分類器，如最大似然、SVM方法，基于模糊規(guī)則的分類體系無需依賴具體的數(shù)學公式，所提取的規(guī)則更為直觀、易于解釋。

適應度函數(shù)選取：適應度函數(shù)的選取是ABC算法的核心，決定了ABC算法優(yōu)化的最終目標。對于水體提取而言，影響水體分類精度的主要原因是水體同陰影二者在圖像上均呈現(xiàn)暗色調(diào)，即相同的灰度值從而引起的混淆。因此，針對水體提取精度的優(yōu)化可以轉(zhuǎn)換為如何最大化地區(qū)分水體同城市建筑物陰影兩種地物類別。實際情況中，由于水體同建筑物陰影在數(shù)量級存在較大差異，建筑物陰影對象相對較為破碎，數(shù)量較多。因此，本文引入幾何平均正確率PG-mean指數(shù)作為ABC算法的適應度函數(shù)，其公式如下：

(1)

表1 二值分類結(jié)果統(tǒng)計指標Table 1 Statistic values of the binary classification

全局/周邊鄰域查找：在蜂群算法的初始化構(gòu)建過程采用隨機初始化，全局搜索一般采用隨機搜索策略，便于跳出局部最優(yōu)解。而周邊鄰域查找則可使算法逐步收斂，是提高適應度評價的關鍵步驟。周邊鄰域查找可采用如下公式表達：

(2)

2.3 提取結(jié)果和精度驗證

根據(jù)ABC算法得到的最終分類規(guī)則可用于水體的類別提取。由于基于模糊規(guī)則得到的提取規(guī)則普遍規(guī)則類別重疊的現(xiàn)象，即一個樣本數(shù)據(jù)可能滿足多個分類規(guī)則。因此，在本文算法中額外引入一個指標，即規(guī)則的樣本覆蓋度Pcover，該指標反映了當前規(guī)則分類正確的樣本數(shù)占所屬類別樣本總數(shù)的比例。當出現(xiàn)樣本重疊時，通過綜合比較適應度和覆蓋度確定最終預測結(jié)果，計算公式為：

P=α×PG-mean+(1-α)×Pcover

(3)

其中，α為權(quán)重閾值，N為樣本總數(shù)。α的取值在[0,1]之間，其值反映了兩個指標對預測結(jié)果的影響關系。為了得到最優(yōu)結(jié)果，可以對α進行迭代計算統(tǒng)計，本文以0.1為步長，利用公式對樣本數(shù)據(jù)進行循環(huán)計算，統(tǒng)計P值以及閾值α，最終得到提取結(jié)果。

為進一步對模型提取結(jié)果的精度進行驗證和評價，實驗采用監(jiān)督分類方法的傳統(tǒng)評價方法，即分類精度和Kappa系數(shù)，對分類結(jié)果進行驗證。同時結(jié)合可視化分類結(jié)果進行目視判讀分析，并對提取的規(guī)則進行分析，綜合評價ABC算法應用于水體提取的有效性。

3 實驗

3.1 數(shù)據(jù)預處理

本文選取廈門市大嶝島的GF-1號和湖南省資興市的GF-2號部分數(shù)據(jù)作為實驗數(shù)據(jù)。GF-1作為中國首個高空間分辨率對地觀測衛(wèi)星，于2013年4月26號發(fā)射，可提供8 m分辨率多光譜和2 m分辨率全色波段影像。而GF-2的星下點像元分辨率則進一步提高到0.8 m全色和3.2 m多光譜波段。借助ENVI遙感處理軟件，原始數(shù)據(jù)經(jīng)過正射校正、幾何校正、輻射定標、Flaash大氣校正、全色波段融合等預處理，獲得四個多光譜波段，包括藍(0.45～0.52 μm)、綠(0.52～0.59 μm)、紅(0.63～0.69 μm)以及近紅外(0.77～0.89 μm)。

隨后根據(jù)圖像中水系的空間分布特征進行裁剪，最終獲得研究區(qū)圖像(圖2)，其中大嶝島數(shù)據(jù)行列大小為1 276×1 103像素，資興市為1 866×1 592像素。兩個實驗區(qū)水體的空間典型特征主要體現(xiàn)在：廈門大嶝島數(shù)據(jù)中水體主要包括沿海海域、養(yǎng)殖、農(nóng)田水塘，不同水體面積差別較大；而資興市水體則包括河流、池塘、農(nóng)田灌溉引導等細小水體。

圖2 實驗區(qū)假彩色合成影像(RGB波段：432)Fig.2 False color composite images of the study areas

由于本文主要研究水體信息提取，因此圖像裁剪完畢后，首先統(tǒng)計各個象元的亮度值，隨后采用閾值分割法進行暗區(qū)掩膜處理，排除如建設用地、農(nóng)田、未利用地等地類像元。隨后借助ENVI的ROI樣本提取工具，采用人工判讀法對掩膜后的圖像進行隨機采樣，所選擇土地利用類型包括水體、建設用地、農(nóng)田、未利用地、道路以及陰影，其中，非水體地物類型在分類完成后通過重采樣合為一類。兩幅遙感影像共隨機提取約450個矩形框樣本，其中大嶝島提取1 213/58個樣本點/矩形用于訓練，11 614/98個樣本點/矩形用于驗證；資興市則提取了2 743/83個樣本點/矩形用于訓練，22 176/223個樣本點/矩形用于驗證。

3.2 多尺度圖像分割結(jié)果

將遙感影像的四個原始波段、四個比率波段，共八個波段作為輸入特征，利用多尺度圖像分割算法獲得分割結(jié)果，尺度選取方面則設置起始尺度70，終止尺度250，總計輸出8個尺度的分割結(jié)果。以廈門市為例，不同尺度的對象分割數(shù)目如表2所示。

表2 多尺度分割圖像的統(tǒng)計結(jié)果Table 2 Statistic results of the multi-scale segmentation of imagery

根據(jù)實驗區(qū)的地物空間分布特征，結(jié)合專家知識判斷可發(fā)現(xiàn)，在70尺度下，如圖3(a)及其局部放大圖3(c)所示，分割對象最多，對應的小型建筑物、小面積水體(如農(nóng)田周邊的池塘)、建筑物周邊綠化設施的輪廓分割的較為清晰，但道路、林地、草地、大面積水體(海域)等則較為破碎；而在100尺度下，如圖3(b)及其局部放大圖3(d)所示，道路、大面積水體的輪廓較為符合實際，但細小水體容易同周邊地物合并；后續(xù)的尺度則普遍存在不同地物類別被合并為同一對象的情況，如用于分類會降低最后的分類精度。因此確定尺度70的分割圖像用于識別。

3.3 圖像對象特征統(tǒng)計及分類

針對分割結(jié)果選取不同的統(tǒng)計指標，可有效地增加分割對象的信息維度，因此，實驗對前四個單一光譜波段分別計算圖像對象的光譜亮度、標準差、最大/小像素值、最大最小像素值比率四個光譜特征；后四個比值波段則計算器圖像對象的光譜均值、光譜值標準差兩個特征；以及對象的幾何特征，包括光滑度、粗糙度、正圓比、長寬比四個形狀特征因子。所得的對象樣本特征值，利用SPSS統(tǒng)計軟件進行相關性檢驗，排除相關性系數(shù)大于0.7的特征因子。通過特征篩選，最后共選取了包括像素值、波段均值、標準差、多光譜比值、形狀等共13個特征，具體描述見表3。

表3 分割對象的特征提取信息Table 3 Information of the segmentation object

以上特征因子作為ABC算法的輸入特征要素。ABC算法參數(shù)設置如下：蜂群規(guī)模200，采蜜蜂100，搜尋次數(shù)200，循環(huán)次數(shù)600。輸入樣本數(shù)據(jù)執(zhí)行算法訓練模型并提取分類規(guī)則，隨后利用驗證樣本進行模型精度評價，驗證結(jié)果以混淆矩陣形式描述，并同傳統(tǒng)SVM分類器分類結(jié)果進行比較，具體結(jié)果見表 4。

圖3 多尺度分割結(jié)果Fig.3 Results of the multi-scale segmentation

SVMABC地物類別水體陰影未分類產(chǎn)品精度/%水體陰影未分類產(chǎn)品精度/%水體4975139028778253327942678340陰影1304545546870518248521879293用戶精度/%9745765896708594總體精度/%81978769Kappa系數(shù)0658807633

由表 4可知，利用ABC算法構(gòu)建的水體提取模型，其驗證樣本的分類精度為87.69%，Kappa系數(shù)為0.7633，其中水體提取生產(chǎn)精度為83.40%，非水體(主要為建筑物陰影)精度為92.93%；而用戶精度則分別為96.70%和85.94%。而采用傳統(tǒng)基于像素的SVM分類器，其總體分類精度為81.97%，Kappa系數(shù)為0.6588，其中水體地類的產(chǎn)品精度為77.82%，陰影為87.05%，對應的用戶精度則為97.45%和76.58%。兩種分類器精度對比可知，基于SVM相比ABC可識別更多的水體樣本，但其中有1 390個水體樣本被錯分為陰影，多于ABC的794樣本。同時，ABC分類器可識別出4 852個陰影樣本，同樣高于SVM分類器的4 545個樣本?？傮w而言，基于ABC的分類器在高分影像水體提取的精度方面，要優(yōu)于傳統(tǒng)SVM分類器，表明本文所提出的ABC分類器能更好地滿足實際應用需求。

3.4 水體提取結(jié)果

基于ABC分類模型進一步提取大嶝島的地表水體分布圖，結(jié)果如圖 4所示。采用目視判讀法可知，基于此模型由于預先進行了圖像分割，因此水體對象的幾何形狀更為完整，此外，二次統(tǒng)計引入的對象幾何特征進一步彌補了原始的光譜波段信息，為分類器提供了更多的特征屬性，提高了分類器對地表水體和建筑物陰影的辨識能力，進一步提高了分類精度。

圖4 大嶝島分類結(jié)果比較Fig.4 Comparison of the extraction results of the Dadeng Island

采用相同模型輸入?yún)?shù)，對資興市的地表水提進行提取，提取結(jié)果如圖5所示。通過目視判讀比較可知，基于面向圖像分割和ABC優(yōu)化的分類算法所提取的細小水體，形狀更為完整，而采用SVM分類器所提取的水體則表現(xiàn)出破碎、不連續(xù)現(xiàn)象，表明采用圖像分割后的地物對象有助于提取狹窄的細小水體。

圖5 ABC和SVM分類器的分類結(jié)果比較Fig.5 Comparison of the extraction results of Zixing

4 結(jié)論

針對高分遙感影像中水體提取面臨的問題，如細小水體、易同陰影混淆情況，提出一種基于面向?qū)ο蠓指詈腿斯し淙核惴ǖ乃w提取方法。該方法首先基于面向?qū)ο髮Ω叻诌b感圖像進行多尺度圖像分割，引入額外四個光譜比值波段作為輸入特征，提高圖像的分割精度。并統(tǒng)計分割圖像的特征信息，包括單波段灰度值、多波段比值、幾何形狀特征等。隨后利用人工蜂群算法在解決復雜系統(tǒng)問題最優(yōu)化的優(yōu)勢，選取水體和建筑物陰影二值分類的幾何平均正確率作為適應度函數(shù)，進行最優(yōu)規(guī)則的提取。實驗基于國產(chǎn)GF-1、GF-2衛(wèi)星數(shù)據(jù)。提取結(jié)果表明本算法可有效地區(qū)分水體與建筑物陰影。根據(jù)所提取的規(guī)則進一步分析可發(fā)現(xiàn)，雖然二者地物在大部分特征屬性上相似，但在Red/NIR的波段均值、分割對象的亮度和標準差3個特征表現(xiàn)出一定程度的差異性，可作為辨識水體同陰影的參考依據(jù)。后續(xù)研究可進一步結(jié)合其它指數(shù)模型，如陰影水體指數(shù)SWI，進一步擴展特征向量的信息維度；同時可進一步優(yōu)化目前的分割算法，如引入GLCM等幾何紋理特征，進一步提高圖像分割對象的精度。

[1] 陶明剛. Landsat-TM遙感影像岸線變遷解譯研究——以九龍江河口地區(qū)為例[J]. 水文地質(zhì)工程地質(zhì), 2006, 33(1):107-110.[TANG M G. Interpretation of coastline changes based on Landset-TM remote sensing images: an example of the mouth area of Jiulongjiang River[J]. Hydrogeology & Engineering Geology, 2006, 33(1): 107-110. (in Chinese)]

[2] 李政國, 張茂省, 李林. 面向?qū)ο蟮倪b感影像承災體邊緣提取方法[J]. 水文地質(zhì)工程地質(zhì), 2011, 38(1):128-132.[LI Z G, ZHANG M S, LI L. A study of object-oriented extracting edge of hazard-affected body in remote sensing image[J]. Hydrogeology & Engineering Geology, 2011, 38(1):128-132. (in Chinese)]

[3] FEYISA G L, MEILBY H, FENSHOLT R,etal. Automated water extraction index: a new technique for surface water mapping using landsat imagery[J]. Remote Sensing of Environment, 2014, 140(1):23-35.

[4] 陳文倩, 丁建麗, 李艷華, 等. 基于國產(chǎn)GF-1遙感影像的水體提取方法[J]. 資源科學, 2015, 37(6):1166-1172.[CHEN W Q, DING J L, LI Y H，etal. Extraction of water information based on China-made GF-1 remote sense image[J]. Resources Science, 2015, 37(6):1166-1172.(in Chinese)]

[5] 周藝, 謝光磊, 王世新, 等. 利用偽歸一化差異水體指數(shù)提取城鎮(zhèn)周邊細小河流信息[J]. 地球信息科學學報, 2014, 16(1):102-107.[ZHOU Y, XIE G L, WANG S X,etal. Information extraction of thin rivers around built-up lands with false NDWI[J]. Journal of Geo-information Science, 2014, 16(1):102-107.(in Chinese)]

[6] 徐涵秋. 利用改進的歸一化差異水體指數(shù)(MNDWI)提取水體信息的研究[J]. 遙感學報, 2005, 9(5):589-595. [XU H Q. A Study on information extraction of water body with the Modified Normalized Difference Water Index(MNDWI)[J]. Journal of Remote Sensing, 2005, 9(5): 589-595.(in Chinese)]

[7] 曹凱, 江南, 李新國, 等. 基于SPOT-5圖像的城市水體自動提取模型研究[J]. 國土資源遙感, 2005, 17(4):24-27.[CAO K, JIANG N, LI X G,etal. A model for automatic extraction of water information form the city zone based on SPOT-5 Image[J]. Remote Sensing for Land & Resources, 2005, 17(4): 24-27.(in Chinese)]

[8] 王志輝, 易善楨. 不同指數(shù)模型法在水體遙感提取中的比較研究[J]. 科學技術與工程, 2007, 7(4):534-537.[WANG Z H, YI S Z. Comparison and research on the different index models used in water extraction by remote sensing[J]. Science Technology and Engineering, 2007, 7(4):534-537.(in Chinese)]

[9] LI B, ZHANG H, XU F. Water extraction in high resolution remote sensing image based on hierarchical spectrum and shape features[C]//Proceedings of the IOP Conference Series: Earth and Environmental Science, F, 2014.

[10] 陳靜波, 劉順喜, 汪承義, 等. 基于知識決策樹的城市水體提取方法研究[J]. 遙感信息, 2013, 28(1):29-33.[CHEN J B, LIU S X, WANG C Y,etal. Research on urban water body extraction using knowledge-based decision tree[J]. Remote Sensing Information, 2013, 28(1):29-33.(in Chinese)]

[11] 賈科利, 常慶瑞. 利用主成分分析法提取水體信息[J]. 淮陰師范學院學報(自然科學版), 2006, 5(3):242-245.[JIA K L, CHANG Q R. Extracting water body information using principal components analysis[J]. Journal of HuaiYin Teachers College(Natural Science Edition), 2006, 5(3):242-245.(in Chinese)]

[12] 朱長明, 張新, 駱劍承, 等. 基于樣本自動選擇與SVM結(jié)合的海岸線遙感自動提取[J]. 國土資源遙感, 2013, 25(2):69-74.[ZHU C M, ZHANG X, LUO J C,etal. Automatic extraction of coastline by remote sensing technology based on SVM and auto-selection of training samples[J]. Remote Sensing for Land and Resources, 2013, 25(2):69-74.(in Chinese)]

[13] 徐濤, 譚宗坤, 閆小平. 面向?qū)ο蟮某鞘兴w信息提取方法[J]. 地理空間信息, 2010, 8(3):64-66.[XU T, TAN Z K, YAN X P. Extraction techniques of urban water bodies based on object-oriented[J]. Geospatial Information, 2010, 8(3):64-66.(in Chinese)]

[14] KARABOGA D. An idea based on honey bee swarm for numerical optimization[J/OL]. ResearchGATE,2005.[http://www.researchgate.net/publication/][2005-01]

[15] KARABOGA D, AKAY B. A survey: algorithms simulating bee swarm intelligence[J]. Artificial Intelligence Review, 2009, 31(1-4):61-85.

[16] KARABOGA D, AKAY B. A modified artificial bee colony (ABC) algorithm for constrained optimization problems[J]. Applied Soft Computing, 2011, 11(3): 3021-3031.

[17] 肖永豪, 余衛(wèi)宇. 基于蜂群算法的圖像邊緣檢測[J]. 計算機應用研究, 2010, 27(7):2 748-2 750.[XIAO Y H, YU W Y. Bee colony algorithm for image edge detection[J]. Application Research of Computers, 2010, 27(7):2748-2750.(in Chinese)]

[18] MARINAKI M, MARINAKIS Y, ZOPOUNIDIS C. Honey bees mating optimization algorithm for financial classification problems[J]. Applied Soft Computing, 2010, 10(3):806-812.

責任編輯：汪美華

A surface water body extraction method based on domesticremote sensing imagery of high resolution

DENG Fuliang, ZHANG Xinxin, HUA Lizhong, LI Zongmei

(CollegeofComputerandInformationEngineering,XiamenUniversityofTechnology,Xiamen,Fujian361024，China)

Due to the high spectral similarity existing in water and shadow, extraction of remote sensing imagery is easily confused and misclassified. To address this problem, we propose a method combined with the object-oriented image segmentation and the artificial bee colony algorithm (ABC) to extract surface water body from remote sensing imagery. Firstly, a series of statistic factors, such as spectrum, ratio and sharp features, are calculated during image segmentation. We used these factors to make up the defect of insufficient information existing in high-resolution imagery. Then, with the strength of solving complicate problem by ABC algorithms, we chose the geometric mean of accuracies between surface water bodies and shadows as the fitness function of classifier to generate the optimal extraction rules. The experiments are carried out in the Dadeng island of Xiamen in Fujian and part of the city of Zixing in Hunan, which are based on the domestic GF-1 and GF-2 remote sensing imageries. The results are compared with the SVM classifier and show that the proposed method can achieve better overall accuracy and Kappa coefficient, indicating that the proposed method is suitable for extraction of surface water bodies from remote sensing imagery of high spatial resolution.

artificial bee colony; water extraction; GF; object-oriented; remote sensing classification

2016-07-19;

2017-01-16

國家自然科學基金資助項目(41401475、41471366、41501448)；福建省測繪地理信息局(2015JX04)資助

鄧富亮(1982-)，男，博士后，講師，主要從事遙感圖像處理及應用研究。E-mail：fldeng8266@xmut.edu.cn

章欣欣(1983-)，男，博士后，副教授，主要從事遙感圖像處理及應用研究。E-mail：zhangxinxin@xmut.edu.cn

10.16030/j.cnki.issn.1000-3665.2017.03.21

P231.1

A

1000-3665(2017)03-0143-08