楊啟明，付青

(1.福州市勘測院，福建 福州 350108； 2.井岡山大學(xué)電子與信息工程學(xué)院，江西 吉安 343009)

1 引 言

高分一號(GF-1)衛(wèi)星于2013年4月26日成功發(fā)射，是高分辨率對地觀測系統(tǒng)國家科技重大專項的首發(fā)星，配置了2臺 2 m分辨率(全色)、8 m分辨率(多光譜)相機(jī)，4臺 16 m分辨率多光譜寬幅相機(jī)，地面分辨率可實現(xiàn)全色優(yōu)于 2 m，多光譜優(yōu)于 8 m[1]。GF-1是我國首次實現(xiàn)單衛(wèi)星上高分辨率與大幅寬相結(jié)合的技術(shù)，寬視場同時還可以適應(yīng)多種光譜分辨率與空間分辨率，滿足各種應(yīng)用需求[2]，其有效載荷技術(shù)指標(biāo)如表1所示：

GF-1衛(wèi)星有效載荷技術(shù)指標(biāo) 表1

目前，遙感信息技術(shù)用于提取水體信息主要有兩類方法：基于像元光譜統(tǒng)計的遙感影像提取方法和面向?qū)ο蟮倪b感影像提取方法。基于像元光譜統(tǒng)計的遙感影像水體信息提取方法是通過對光譜特征的提取、數(shù)學(xué)計算等操作形成水體信息提取規(guī)則。國內(nèi)外學(xué)者進(jìn)行了大量研究，經(jīng)典的水體自動提取方法有Mcfeeters提出的NDWI指數(shù)[3]和徐涵秋提出的MNDWI指數(shù)[4]。王晴晴等提出了比值型水體指數(shù)SRWI來進(jìn)行水體分離[5]。陳文燕等將Landsat衛(wèi)星遙感圖像第3、4、5波段圖像進(jìn)行HIS變換，在HIS空間進(jìn)行增強(qiáng)處理，再逆轉(zhuǎn)換到RGB空間，利用其亮度差異特點(diǎn)并結(jié)合決策樹方法進(jìn)行水體信息提取，有效剔除了陰影噪聲[6]。已有研究表明，基于像元的高分辨率遙感影像的信息提取存在明顯不足，面向?qū)ο蟮母叻直媛蔬b感影像分析可以克服基于像元的傳統(tǒng)信息提取方法的缺點(diǎn)。Kettig較早提出了面向?qū)ο蟮倪b感影像信息提取方法。Mallinis等在面向?qū)ο蟮姆椒ㄖ幸肓思y理特征，分類精確度得到了提高[7]。李愛華等采用不同尺度進(jìn)行影像分割，最后采用模糊邏輯分類算法完成了地物信息的提取，有效地避免了椒鹽現(xiàn)象[8]。巫兆聰?shù)仍趫D像分割的基礎(chǔ)上，構(gòu)建出區(qū)域鄰接圖，并利用逐步優(yōu)化迭代算法進(jìn)行區(qū)域合并，取得了較好的分類效果[9]。

由于武功湖水體信息復(fù)雜，采用單純的一種分類算法很難較好地提取水體信息。本文研究一種組合基于像元和面向?qū)ο蟮姆诸惙ㄌ崛∥涔w信息。首先獲取2016年12月31日武功湖GF-1衛(wèi)星遙感影像，采用單波段閾值法提取水體，出現(xiàn)很多“錯分漏分”現(xiàn)象。故應(yīng)用NDWI分類算法，易將建筑物、陡坡和云層下的陰影錯分為水體。利用歸一化植被指數(shù)(NDVI)模型可以去除陰影。最后采用一種基于像元和面向?qū)ο蟮慕M合分類法，水體信息提取效果較好。

2 試驗區(qū)數(shù)據(jù)

武功湖原名社上水庫，位于吉安市安?？h，是江西省二十四座大型水庫之一，庫容1.7億立方米，水面2萬畝，下轄“兩庫一渠”、三座電站，總裝機(jī)1.5萬千瓦，因坐落在江西省第一高山武功山下而得名，是武功山國家森林公園景區(qū)重要組成部分。

3 研究方法

本文采用基于像元和面向?qū)ο蟮慕M合分類方法對GF-1衛(wèi)星遙感影像進(jìn)行水體自動提取，面向?qū)ο蠓椒ㄖ饕ㄓ跋竦姆指罴敖庾g規(guī)則集的建立。技術(shù)流程如圖1所示。eCognition軟件中提供多種分割算法，包括棋盤分割、四叉樹分割和多尺度分割技術(shù)。多尺度分割是在指定的尺度下進(jìn)行影像對象提取，從一個像素對象開始進(jìn)行一個自下至上的合并技術(shù)。相鄰的影像對象，只要符合定義的異質(zhì)最小生長標(biāo)準(zhǔn)就合并，否則合并過程停止。eCognition軟件包含了大量的解譯規(guī)則函數(shù)，主要包括光譜特征、形狀、紋理、層次、專題層、自定義特征、類間特征、類似度等。

圖1 技術(shù)流程圖

eCognition軟件的提取對象是圖像分割后的多邊形，再結(jié)合影像的空間和光譜兩方面的信息，對影像進(jìn)行分類。采用eCognition軟件進(jìn)行信息提取，首先對高分辨率影像進(jìn)行多尺度分割，形成細(xì)小影像對象；然后充分利用對象的形狀、紋理、光譜等信息特征，優(yōu)化選取特征空間；最后采用面向?qū)ο蠓椒?，對影像進(jìn)行地物目標(biāo)提取。

4 實驗與結(jié)果分析

4.1 影像預(yù)處理

為了提高影像分類精度，需要對原始影像進(jìn)行預(yù)處理，包括大氣校正、輻射校正、正射校正和圖像融合影像預(yù)處理。其中圖像融合技術(shù)可以兼顧全色圖像的較高的空間分辨率和多光譜圖像光譜信息比較豐富的優(yōu)點(diǎn)。ENVI軟件中的融合算法有很多，典型的有HSV、Brovey、PC、CN、SFIM、Gram-Schmidt、NNDiffuse Pan Sharpening等。本文采用NNDiffuse Pan Sharpening算法進(jìn)行影像融合處理，融合后的影像色彩鮮明，影像清晰效果較好，融合后的影像如圖2所示：

圖2 融合后的影像

4.2 影像分割

面向?qū)ο蠓诸惖幕A(chǔ)是圖像分割技術(shù)，它是整個影像信息提取的基礎(chǔ)。多尺度分割是采取不同的分割尺度進(jìn)行圖像分割，進(jìn)而生成一個由不同尺度數(shù)據(jù)構(gòu)成的影像層次網(wǎng)狀結(jié)構(gòu)。多尺度圖像分割參數(shù)是進(jìn)行遙感影像信息提取的關(guān)鍵因素，主要通過指定圖層權(quán)重值、均質(zhì)因子、分割尺度這三個標(biāo)準(zhǔn)來達(dá)到最佳分割效果。

在eCognition軟件中對試驗區(qū)進(jìn)行影像分割，把分割尺度設(shè)置為10、20、50、100，顏色因子、形狀因子、光滑度、緊密度的權(quán)重分別設(shè)為0.6、0.4、0.5、0.5，分割結(jié)果如圖3所示。比較分割結(jié)果，本文采取尺度因子(Scale)：20、形狀因子(shape)：0.4、緊密度(Compactness)：0.5分割參數(shù)，分割效果較好。

圖3多尺度分割

4.3 水體自動提取

(1)單波段閾值法

水體在GF-1衛(wèi)星遙感影像中的近紅外(Band 4)有很大的吸收作用，反射的近紅外最少，水體譜值明顯低于其他地物，因此選擇近紅外波段進(jìn)行單波段閾值分析。經(jīng)試驗比較，閾值在300～350之間對水體信息的提取較為有利，提取水體效果如圖4左所示，局部放大如圖4右所示。故僅依據(jù)一個波段的特性并不能精確的提取水體信息。

圖4 單波段閾值法提取水體結(jié)果

(2)NDWI

歸一化水體指數(shù)法(NDWI)通過水體的最強(qiáng)與最弱反射波段進(jìn)行比值運(yùn)算，擴(kuò)大水體與其他地類之間的差異，有效的抑制植被信息，從而突出水體信息。對試驗區(qū)數(shù)據(jù)進(jìn)行NDWI運(yùn)算。經(jīng)試驗對比，NDWI=0.250為水體和非水體的分割閾值。水體提取效果如圖5所示：

圖5 NDWI提取水體結(jié)果 圖6 組合分類提取水體結(jié)果

(3)組合分類法

組合分類法是基于像元和面向?qū)ο蟮慕M合分類方法。在閾值分類法的基礎(chǔ)上，采用面向?qū)ο蟮淖钹徑?、決策樹法進(jìn)行水體信息自動提取，提取效果較好，結(jié)果如圖6所示。能夠區(qū)分建筑物的陰影、溝壑陰影以及濃云下的陰影，提取結(jié)果精度較高。

4.4 精度評定

隨機(jī)選取水體和非水體各100個樣本點(diǎn)，eCognition軟件中有四種精度評價方法，使用error matrix based on sample方法，它是基于分割對象的精度評價方法，水體自動提取精度如表2所示：

水體提取精度評價結(jié)果 表2

5 結(jié) 語

本文以武功湖高分一號衛(wèi)星影像為研究對象，使用單波段閾值法、NDWI和基于像元和面向?qū)ο蟮慕M合分類方法實現(xiàn)對武功湖水體信息的自動提取。結(jié)果表明，組合分類方法的總體精度在91.52%以上，Kappa系數(shù)為0.887，高于使用單波段閾值法和NDWI法，本文能夠為GF-1衛(wèi)星遙感影像信息提取提供一定的科學(xué)參考。

[1] 白照廣. 高分一號衛(wèi)星的技術(shù)特點(diǎn)[J]. 中國航天，2013(8)：5～9.

[2] 劉兆軍.“高分一號”遙感相機(jī)填補(bǔ)國內(nèi)高分辨對地觀測空白[J]. 航天返回與遙感，2013(2)：2～2.

[3] Mcfeeters S K. The use of normalized difference water index(NDWI)in the delineation of open water features[J]. Inter-national Journal of Remote Sensing，1996，17(7)：1425～1432.

[4] 徐涵秋. 利用改進(jìn)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(xué)報，2005，9(5)：589～595.

[5] 王晴晴，余明. 基于簡單比值型水體指數(shù)(SRWI)的水體信息提取研究[J]. 福建師范大學(xué)學(xué)報·自然科學(xué)版，2014(1)：39～44.

[6] 陳文艷，秦麗梅，胡道生，等. HIS變換結(jié)合決策樹識別遙感圖像水體與陰影信息[J]. 廣西物理，2012(4)：18～20.

[7] 李愛華. 基于遙感影像認(rèn)知理解的干旱半干旱地區(qū)土地利用/覆蓋自動分類方法研究[D]. 蘭州：蘭州大學(xué)，2008.

[8] G. Mallinis，I. Z. Gitas；A. Polychronaki and etl. Contribution of remote sensing to disaster management activities：A case study of the large fires in the Peloponnese，Greece[J]. International Journal of Remote Sensing，2008，29(16)：1366～5901.

[9] 巫兆聰，胡忠文，張謙等. 結(jié)合光譜、紋理與形狀結(jié)構(gòu)信息的遙感影像分割方法[J]. 測繪學(xué)報，2013，42(1)：44～50.

[10] 萬建鵬，官云蘭，葉素倩等. 基于綜合權(quán)重水體指數(shù)的水體提取研究——以鄱陽湖為例[J]. 東華理工大學(xué)學(xué)報·自然科學(xué)版，2015，38(2)：206～211.

[11] 王慶，廖靜娟. 基于SAR數(shù)據(jù)的鄱陽湖水體提取及變化監(jiān)測研究[J]. 國土資源遙感，2010，22(4)：91～97.