何正國(guó)，毛海亞，鐘家暉，樊惠萍，苗立新，周淑芳，劉 烽，陳 婷

(1. 廣州市城市規(guī)劃自動(dòng)化中心，廣東 廣州 510030；2. 二十一世紀(jì)空間技術(shù)應(yīng)用股份有限公司，北京 100096)

水體提取的難點(diǎn)主要由光譜多樣性、形態(tài)多樣性和季節(jié)變化因素引起。水體包括面狀、線狀等不同的形態(tài)，同時(shí)隨年份、季節(jié)波動(dòng)，造成水體在不同區(qū)域和不同時(shí)相影像上形成迥異的特征，這都對(duì)特征選取、信息提取和質(zhì)量控制等提出了較高要求，使得陸表水體信息提取技術(shù)更加復(fù)雜[1-4]。本文選取廣州市作為研究區(qū)，基于高分辨率的北京二號(hào)遙感數(shù)據(jù)和面向?qū)ο蟮募夹g(shù)流程，提出一套基于全局最優(yōu)閾值法的水體自動(dòng)提取方法，旨在提高電子地圖更新的自動(dòng)化程度，縮短更新周期。

1 研究區(qū)與數(shù)據(jù)

1.1 研究區(qū)概況

廣州市是我國(guó)的國(guó)家中心城市、廣東省省會(huì)城市和珠三角城市群中心城市。國(guó)家“一帶一路”建設(shè)已經(jīng)進(jìn)入縱深發(fā)展階段，粵港澳大灣區(qū)城市群發(fā)展亦寫入了2017年國(guó)務(wù)院《政府工作報(bào)告》，廣州作為國(guó)家中心城市以及粵港澳大灣區(qū)核心門戶城市之一，城市化進(jìn)程越來(lái)越快。其空間數(shù)據(jù)的更新應(yīng)與之相符，廣州市電子地圖數(shù)據(jù)作為典型的空間數(shù)據(jù)之一，應(yīng)與城市發(fā)展同步，實(shí)現(xiàn)高頻度的地圖更新。

廣州市目前正在開展“四標(biāo)四實(shí)”工作，每天有大量的網(wǎng)格員采集數(shù)據(jù)，因此有必要對(duì)傳統(tǒng)人工更新電子地圖的方式進(jìn)行革新，研究電子地圖要素信息的自動(dòng)提取方法。選取廣州市南部作為研究區(qū)，見圖1。該區(qū)域內(nèi)水體類型豐富，既包括了天然的大型河流、湖泊，又包括了人工修筑的水庫(kù)、坑塘，水體周邊的地物環(huán)境也包含了建設(shè)用地、植被、裸地等不同類型，可以充分檢驗(yàn)水體自動(dòng)提取方法在不同地物構(gòu)成下的適用性和有效性。

1.2 數(shù)據(jù)處理

由于城市建設(shè)步伐的加快，城市基礎(chǔ)地理信息的變化也越來(lái)越快，公眾對(duì)電子地圖的現(xiàn)勢(shì)性要求越來(lái)越高，常規(guī)的電子地圖更新時(shí)效已經(jīng)無(wú)法滿足用戶的需求。遙感技術(shù)對(duì)地物信息的快速、大面積獲取能力，使其在電子地圖的數(shù)據(jù)獲取領(lǐng)域受到越來(lái)越多的重視。研究中采用了亞米級(jí)的北京二號(hào)衛(wèi)星影像數(shù)據(jù)，用于水體的自動(dòng)提取實(shí)驗(yàn)。

圖1 廣州研究區(qū)位置示意圖

北京二號(hào)遙感衛(wèi)星星座于2015年7月11日在印度的斯里赫里戈達(dá)島(Sriharikota)衛(wèi)星發(fā)射場(chǎng)成功發(fā)射。星座由3顆光學(xué)遙感衛(wèi)星組成，均搭載有多光譜和全色成像儀，對(duì)全球任一地點(diǎn)的重訪周期為1～2 d，在時(shí)間尺度上為水體的高密度動(dòng)態(tài)監(jiān)測(cè)提供了可能。每顆衛(wèi)星在軌提供幅寬約24 km、0.8 m分辨率全色(450～650 nm)和3.2 m分辨率藍(lán)(440～510nm)、綠(510～590 nm)、紅(600～670 nm)、近紅外(760～910 nm)多光譜圖像，波段設(shè)置滿足遙感水體信息提取的一般要求。

使用1景北京二號(hào)影像，成像時(shí)間為2018年1月12日，影像預(yù)處理主要包括系統(tǒng)幾何校正、正射校正、波段融合等。結(jié)合地形圖，通過(guò)選取地面同名控制點(diǎn)的方法對(duì)影像進(jìn)行幾何校正，糾正后各點(diǎn)誤差在一個(gè)像元內(nèi)。通過(guò)控制點(diǎn)采集及其優(yōu)化、區(qū)域網(wǎng)平差模型構(gòu)建及其解算，完成全色和多光譜影像的正射校正處理。采用Gram-Schmidt變換方法對(duì)校正后的全色、多光譜數(shù)據(jù)做融合處理，融合后的影像既保留了多光譜信息，又在原有基礎(chǔ)上提高了其空間分辨率，得到亞米級(jí)的影像數(shù)據(jù)。

2 技術(shù)方法

2.1 面向?qū)ο蠓指?/h3>

研究采用面向?qū)ο蟮募夹g(shù)流程，通過(guò)多尺度分割(multi-resolution segmentation)算法，使影像對(duì)象成為特征信息的載體[5]。該算法根據(jù)像元間的異質(zhì)性，通過(guò)定義一定的閾值將影像分割成相對(duì)同質(zhì)的對(duì)象，并以對(duì)象作為基本的分類單元。其綜合利用了影像的光譜特征、幾何特征，避免了對(duì)象破碎，提高了影像的分類精度[6-7]。

多尺度分割算法是一種區(qū)域生長(zhǎng)算法。它基于影像對(duì)象的特征，針對(duì)不同土地覆蓋類型的尺度效應(yīng)，解決產(chǎn)生斑塊與真實(shí)地物的邊界擬合問(wèn)題。分割對(duì)象的平均異質(zhì)性最小化與像素的平均異質(zhì)性最小化是影像分割的標(biāo)準(zhǔn)。當(dāng)異質(zhì)性大于等于給定的尺度時(shí)，區(qū)域就會(huì)停止生長(zhǎng)，區(qū)域內(nèi)像元將合并形成對(duì)象。異質(zhì)性的計(jì)算公式為：

f=wcolor·[∑cwc·δc]+(1-wcolor)·

(1)

式中：wcolor為光譜異質(zhì)性權(quán)重；wc為數(shù)據(jù)層權(quán)重；δc為數(shù)據(jù)層上光譜標(biāo)準(zhǔn)差；wcpt為緊致度異質(zhì)性；l為對(duì)象長(zhǎng)度(像素個(gè)數(shù)表示)；b為目標(biāo)多邊形最短邊(像素個(gè)數(shù)表示)；n為像元個(gè)數(shù)。

對(duì)于多尺度分割，分割尺度的確定至關(guān)重要，是后續(xù)分類精度的重要保證。分割尺度越大，誤分割圖斑的數(shù)量會(huì)減少，但誤分割的總面積會(huì)增大。為綜合考慮兩種因素，對(duì)誤分割圖斑個(gè)數(shù)和誤分割圖斑面積進(jìn)行歸一化處理，建立誤分割指數(shù)模型，以期得到最佳分割尺度使得誤分割指數(shù)達(dá)到最小值。誤分割指數(shù)計(jì)算公式如式(2)所示。

ESI=n2+r2

(2)

式中：n為歸一化后誤分割圖斑數(shù)；r為歸一化后誤分割圖斑面積；ESI為誤分割指數(shù)。

2.2 特征提取規(guī)則集

基于表觀要素中的光譜特征和紋理特征等，構(gòu)建水體異于其他地物類型的特征集。相較于傳統(tǒng)的分類技術(shù)而言，面向?qū)ο蟮男畔⑻崛》椒ㄊ腔趯?duì)象的操作，能夠充分利用提取對(duì)象的空間、質(zhì)地和光譜特征，集合臨近像元進(jìn)行分割和分類，最終實(shí)現(xiàn)分類結(jié)果的矢量輸出。

(1)波段均值(Mean_X)。是指每個(gè)對(duì)象內(nèi)第X波段所有像元灰度值的平均。其中，紅波段(Mean_R)與藍(lán)波段(Mean_B)的灰度值均值，可以分別剔除大部分建設(shè)用地與藍(lán)色屋頂?shù)墓S板房。此外，部分水體表面被水生植被所覆蓋，歸一化植被指數(shù)(NDVI)取值范圍與地表植被很接近，基于NDVI的提取混分嚴(yán)重，采用近紅波段均值(Mean_NIR)可以擴(kuò)大這部分水體與植被的差異，減少錯(cuò)提。亮度(Brightness)也屬于波段均值的一種，是通過(guò)所有影像層計(jì)算出來(lái)的，該特征可以區(qū)分水體與周邊地物，特別是與建筑物陰影的差異。

(2)歸一化水體指數(shù)。水體因?qū)θ肷淠芰?太陽(yáng)光)具有強(qiáng)吸收性，所以在大部分遙感傳感器的波長(zhǎng)范圍內(nèi)，總體上呈現(xiàn)較弱的反射。Mcfeeters提出了歸一化差異水體指數(shù)(NDWI)，旨在利用比值運(yùn)算快速提取水體信息[8-9]。由于水體的反射從可見光到中紅外波段逐漸減弱，在近紅外和中紅外波長(zhǎng)范圍內(nèi)吸收性最強(qiáng)，幾乎無(wú)反射，因此基于可見光波段和近紅外波段的反差構(gòu)成的NDWI可以突出影像中的水體信息。此外，由于植被在近紅外波段的反射率一般最強(qiáng)，因此采用綠光波段與近紅外波段的比值可以最大程度地抑制植被的信息，從而達(dá)到突出水體信息的目的。針對(duì)廣州城市水體進(jìn)行分析，多數(shù)水體對(duì)象的NDWI取值在0.5以上，可以比較明顯地區(qū)別于植被與建設(shè)用地。

(3)歸一化植被指數(shù)。比值型指數(shù)創(chuàng)建的基本原理就是在多光譜波段內(nèi)，尋找出所要研究地類的最強(qiáng)反射波段和最弱反射波段，將強(qiáng)者置于分子，弱者置于分母。通過(guò)比值運(yùn)算，進(jìn)一步擴(kuò)大二者的差距，使感興趣的地物在所生成的指數(shù)影像上得到最大的亮度增強(qiáng)，而其他背景地物則受到普遍的抑制，從而達(dá)到突出感興趣地物的目的?；诖嗽恚瑲w一化植被指數(shù)是反映植物生長(zhǎng)狀況及植被覆蓋度的最佳指示因子。研究區(qū)內(nèi)水體對(duì)象的NDVI指數(shù)普遍處于-0.3以下，區(qū)別于大多數(shù)植被。

(4)灰度共生矩陣(GLCM)?；叶裙采仃囋硎牵喝绻衝×n個(gè)灰度大小的影像，則該影像能夠轉(zhuǎn)化為n×n階的灰度共生矩陣，在影像平面(x,y)中的某處(i,j)對(duì)應(yīng)一個(gè)向量D=(Δx,Δy)。對(duì)于隨意一個(gè)這樣的向量和影像，可以計(jì)算由D向量偏移的成對(duì)出現(xiàn)的亮度值之間的聯(lián)合概率密度P(i,j)?；叶裙采仃嚨募y理信息都包含在移動(dòng)方向?yàn)棣?0°、θ=45°、θ=90°和θ=135°的亮度值空間依賴矩陣中。能夠用于提取紋理特征的紋理測(cè)度有很多統(tǒng)計(jì)值，而其中最常用的幾個(gè)二階概率紋理特征統(tǒng)計(jì)值主要是：均值(Mean)、方差(Variance)、同質(zhì)性(Homogeneity)、對(duì)比度(Contrast)、非相似度(Dissimilarity)、角二階矩(Angular Second Moment, ASM),以及熵(Entropy)和相關(guān)性(Correlation)，其中的每一個(gè)GLCM紋理測(cè)度都可以單獨(dú)使用。

值得注意的是，在人工確定閾值的過(guò)程中，各單波段均值、亮度值及NDWI與NDVI的設(shè)定要依區(qū)域位置和時(shí)相的情況而定，不同區(qū)域、時(shí)相的影像差別較大。特別是在設(shè)定NDWI取值范圍時(shí)，要根據(jù)研究區(qū)實(shí)際情況結(jié)合參考數(shù)據(jù)反復(fù)調(diào)試提取閾值的大小。這些雖然會(huì)達(dá)到理想的提取效果，但耗費(fèi)較多人力與時(shí)間，在業(yè)務(wù)化實(shí)施中并非是最佳選擇。

2.3 全局最優(yōu)閾值算法

水體包括面狀、線狀等不同的形態(tài)，其提取難點(diǎn)主要由光譜多樣性、形態(tài)多樣性和季節(jié)變化因素引起。在采用水體指數(shù)、植被指數(shù)等進(jìn)行水體信息提取過(guò)程中，指標(biāo)閾值的確定是非常關(guān)鍵的。為了提高生產(chǎn)效率，同時(shí)針對(duì)本項(xiàng)目開展的業(yè)務(wù)化應(yīng)用需求，采取了自動(dòng)計(jì)算閾值的方法進(jìn)行水體提取。

水體通常具有較大面積，呈現(xiàn)面狀分布的特點(diǎn)，且內(nèi)部特征相對(duì)均質(zhì)，適用于根據(jù)水體指數(shù)、植被指數(shù)等設(shè)定閾值對(duì)影像進(jìn)行前景與背景的劃分。采用全局最優(yōu)閾值的方法，其中心思想是基于迭代的方式將灰度圖像用兩個(gè)或兩個(gè)以上正態(tài)分布的概率密度函數(shù)做近似表示，每次都取其中最顯著的波峰來(lái)劃分區(qū)域，然后依據(jù)各個(gè)區(qū)域的平均值選擇合適閾值，重復(fù)過(guò)程直到該值收斂。方法實(shí)現(xiàn)如下。

遍歷圖像中各點(diǎn)讀取像素，獲得分割圖像的最小灰度值T1以及最大灰度值T2，設(shè)定初始閾值T(0)，T(0)=(T1+T2)/2；根據(jù)閾值T(0)進(jìn)行圖像分割，將圖像分為前景和背景兩個(gè)區(qū)域。再次對(duì)分割后的圖像進(jìn)行遍歷，計(jì)算出此時(shí)的前景T1和背景的平均灰度值T2，再次平均求出閾值T(1)。用gray(i,j)表示待處理圖像像素(i,j)點(diǎn)的灰度值，N1表示圖像前景像素的個(gè)數(shù)，N2表示圖像背景像素的個(gè)數(shù)，計(jì)算如式(3)～式(5)。

(3)

(4)

T(1)=(T1+T2)/2

(5)

重復(fù)上述運(yùn)算，直到T(k)=T(k+1)，迭代完成，此時(shí)用T(k)作為最終閾值對(duì)圖像進(jìn)行分割。

全局最優(yōu)閾值法的水體提取技術(shù)首先根據(jù)影像的NDWI指數(shù)將其分為前景和背景值，然后利用全局最優(yōu)閾值法自動(dòng)獲取NDWI、NDVI、Brightness指數(shù)的閾值，分別提取水體和剔除混分的植被、建設(shè)用地等要素。同時(shí)，考慮到在高分辨率遙感影像中，建筑物陰影是較為明顯的干擾因素，且往往被錯(cuò)提為水體，因而在規(guī)則集中增加了紋理特征的灰度共生矩陣(GLCM)，用于進(jìn)一步剔除建筑物陰影等干擾。經(jīng)過(guò)對(duì)比實(shí)驗(yàn)，特別采用了紋理同質(zhì)性指標(biāo)(GLCM Homogeneity)作為對(duì)影像分布平滑性的測(cè)度，其計(jì)算公式如式(6)所示，勻質(zhì)區(qū)域具有較高的特征值，反之則較低。

hom=∑∑p(i,j)/[1+(i-j)2]

(6)

3 結(jié)果與討論

3.1 水體對(duì)象的多尺度分割

主要基于面向?qū)ο蟮姆椒ㄟM(jìn)行水體信息提取，該方法根據(jù)像元間的異質(zhì)性，通過(guò)定義一定的閾值將影像分割成相對(duì)同質(zhì)的對(duì)象，并以對(duì)象作為基本的分類單元。其綜合利用了影像的光譜特征、幾何特征，避免了對(duì)象破碎，提高了影像的分類精度[10]。

先對(duì)研究區(qū)內(nèi)的北京二號(hào)影像進(jìn)行多尺度分割，分割后的特征值反映了每個(gè)對(duì)象范圍內(nèi)所有像元的平均值。當(dāng)分割尺度過(guò)大時(shí)，水體邊界與地面實(shí)體相差較大，邊界不準(zhǔn)確，對(duì)象內(nèi)其他地物“雜質(zhì)”過(guò)多、同質(zhì)性差，為后期信息提取帶來(lái)困難。而分割尺度過(guò)小時(shí)，雖然地物邊界清晰，對(duì)象同質(zhì)性較好，能夠準(zhǔn)確地反映地物空間分布狀況，但會(huì)使分割過(guò)程及后期提取效率低下，混分的細(xì)碎斑塊不易剔除，也難以形成規(guī)整的水體邊界，不利于提取成果通過(guò)GIS方法等進(jìn)行分類后處理(見圖2)。經(jīng)過(guò)反復(fù)對(duì)比，確定分割尺度為50(形狀參數(shù)0.1，緊致度參數(shù)0.5)，以盡量將光譜、紋理特征接近的像元分割確定為同一對(duì)象，同時(shí)避免斑塊過(guò)于細(xì)碎。經(jīng)過(guò)多尺度分割后的影像對(duì)象產(chǎn)生了新的特征信息，相較于單個(gè)像元無(wú)疑含有更多的信息量。

本研究基于多尺度分割方法充分利用了多個(gè)尺度的信息，對(duì)分割結(jié)果進(jìn)行約束優(yōu)化，是目前一種較好的信息提取方法，應(yīng)用也較廣。多尺度分割是一種自下而上，采用異質(zhì)性最小的區(qū)域合并策略的影像分割方法，分割時(shí)基于局部最佳相互適配原則，將每個(gè)像元逐步合并成較大的多邊形對(duì)象。通過(guò)合理設(shè)置分割參數(shù)，使分割后的對(duì)象盡可能體現(xiàn)出研究區(qū)范圍內(nèi)不同構(gòu)成要素間的差異，以便后續(xù)對(duì)樣本特征參數(shù)的分析與選擇。對(duì)水體進(jìn)行多尺度分割時(shí)的參數(shù)選擇應(yīng)結(jié)合影像空間分辨率與地表覆蓋的具體情況而定，分割結(jié)果既能滿足同類要素的均一性，又能體現(xiàn)不同要素間的差異，并達(dá)到分割精度與效率的統(tǒng)一。

3.2 基于規(guī)則集的提取結(jié)果

獲取了2018年覆蓋廣州研究區(qū)的北京二號(hào)融合影像，包含可見光、近紅外共4個(gè)波段，空間分辨率0.8 m。在該區(qū)域內(nèi)開展了水體(主要為河流、湖泊、坑塘等)的自動(dòng)提取實(shí)驗(yàn)，確認(rèn)方法及技術(shù)流程的可行性。共采用了NDWI、NDVI、Brightness、GLCM Homogeneity (band 1)與GLCM Homogeneity (band 2)等特征，均基于全局最優(yōu)閾值法進(jìn)行計(jì)算，確定各提取規(guī)則的特征值，見表1。首先充分利用NDWI指數(shù)在水體提取中的優(yōu)勢(shì)，基于迭代的方式將NDWI灰度圖像的特征直方圖用正態(tài)分布的概率密度函數(shù)做近似表示，取其中最顯著的波峰將圖像劃分為前景和背景兩個(gè)區(qū)域。其中，前景即為初步提取的水體，背景為其他地物類型。隨后，對(duì)前景中的水體做進(jìn)一步優(yōu)化，不斷剔除錯(cuò)提的其他地物。需要再次對(duì)分割后的影像進(jìn)行遍歷，分別依據(jù)NDWI、NDVI、Brightness、GLCM Homogeneity等每一類特征，計(jì)算出前景和背景的平均值，并由此獲取各特征的合適閾值，重復(fù)過(guò)程直到該值收斂。最后獲取的特征閾值，即是經(jīng)過(guò)不斷迭代優(yōu)化后的取值。

注：(a)為北京二號(hào)融合影像，(b)、(c)、(d)所對(duì)應(yīng)的分割尺度分別為30、50、70圖2 不同分割尺度下的影像對(duì)象變化

表1 全局最優(yōu)閾值法確定的提取規(guī)則閾值

水體的初步提取結(jié)果如圖3所示，研究區(qū)范圍內(nèi)除了大型河流外，還存在較多的小型水體與坑塘，且零星分布。提取結(jié)果中的水體邊界相對(duì)規(guī)整，后處理工作量小。除主要河流外，坑塘等小型水體往往受到季節(jié)、氣象及人為因素的影響，年際變化較大，這也是南方水體普遍存在的明顯特征。因而，使用自動(dòng)提取方法可以較為準(zhǔn)確、快速地獲取其分布情況，有利于減少對(duì)此類小型水體的漏提。主要的后處理操作為排查與歸并小圖斑，剔除偽變化，同時(shí)也可以應(yīng)對(duì)數(shù)據(jù)冗余。

圖3 廣州研究區(qū)水體自動(dòng)提取結(jié)果

3.3 結(jié)果后處理與精度評(píng)價(jià)

在完成初步的信息提取后，還需要進(jìn)一步開展結(jié)果的后處理工作，并主要針對(duì)于水體中面積較小的圖斑對(duì)象，以有效減少錯(cuò)提和漏提這兩類現(xiàn)象，見圖4。首先將水體圖斑進(jìn)行合并，使空間位置上接壤的對(duì)象合并為一個(gè)較大的對(duì)象。這樣一方面減小了后續(xù)操作的圖斑數(shù)據(jù)量，提高運(yùn)行效率；另一方面也便于通過(guò)設(shè)定面積閾值，剔除掉面積較小的孤立圖斑?；诒本┒?hào)影像空間分辨率及研究區(qū)內(nèi)水體分布的實(shí)際情況，確定面積閾值為4000像素，將小于該值的水體對(duì)象賦類為其他，可以對(duì)錯(cuò)提的陰影等要素進(jìn)行剔除，見圖4中(a)、(d)、(g)。同時(shí)，由于研究區(qū)內(nèi)水運(yùn)發(fā)達(dá)，水面船只數(shù)量繁多，見圖4中(b)、(e)、(h)，農(nóng)田水利設(shè)施廣泛分布,見圖4中(c)、(f)、(i)，考慮到水面船只、水利設(shè)施等對(duì)水體提取的干擾，將此類面積小于17 000像素且完全被水體圖斑所包含的對(duì)象，也重新歸類于水體，保證了水體圖斑的完整，減少了漏提。

對(duì)水體自動(dòng)提取的精度與效率進(jìn)行分析，在研究區(qū)內(nèi)生成300個(gè)隨機(jī)點(diǎn)，通過(guò)人工判定方式對(duì)自動(dòng)提取結(jié)果開展精度評(píng)價(jià)。經(jīng)過(guò)混淆矩陣的計(jì)算，水體的生產(chǎn)者精度為64%，用戶精度則達(dá)到了96%，Kappa系數(shù)為0.73。整個(gè)研究區(qū)面積達(dá)到了近300 km2，水體總面積約為98 km2，水體圖斑總數(shù)超過(guò)了2800個(gè)，全流程的對(duì)象分割、信息提取可以在1 h之內(nèi)完成。其中,除多尺度分割與GLCM紋理特征計(jì)算較為耗時(shí)以外，基于全局最優(yōu)閾值法的各特征值獲取均在3 min內(nèi)完成，具有較高的計(jì)算效率。從最終提取水體對(duì)象的數(shù)量、面積及準(zhǔn)確度而言，自動(dòng)提取方法可以極大地提高工作效率，有利于快速獲取水體要素分布情況，而人工參與只需要安排在后續(xù)的成果精細(xì)化修訂環(huán)節(jié)即可。

注：(a)、(b)、(c)為北京二號(hào)融合影像，(d)、(e)、(f)為水體初步提取結(jié)果，(g)、(h)、(i)為后處理結(jié)果圖4 針對(duì)錯(cuò)堤和漏堤的水體提取結(jié)果后處理

值得注意的是，基于高空間分辨率影像開展水體提取，在城市范圍內(nèi)往往存在建筑物等地物陰影的干擾問(wèn)題。在本研究區(qū)內(nèi)，部分高層建筑物、植被及山體的陰影會(huì)對(duì)相鄰地物造成明顯遮擋。如圖4(a)所示，陰影遮擋下的地物光譜信息受到抑制，特別是植被、裸地等亮度、紋理等特征更接近于水體，導(dǎo)致在多尺度分割時(shí)就難以識(shí)別其準(zhǔn)確邊界，因而產(chǎn)生錯(cuò)提。如果在此基礎(chǔ)上開展進(jìn)一步的全覆蓋地物類型提取，則會(huì)使誤差繼續(xù)累加。針對(duì)這一問(wèn)題，可以考慮在研究區(qū)內(nèi)提前圈定盡可能大的水體矢量范圍，作為水體提取的目標(biāo)區(qū)域，以便排除建成區(qū)內(nèi)易混淆的高大建筑物陰影等。規(guī)則集運(yùn)行中只提取目標(biāo)區(qū)域內(nèi)的水體，這樣可以比較有效地規(guī)避建筑物及植被陰影的影響，減少水體錯(cuò)提。

4 結(jié) 論

本文以廣州市部分水體為研究對(duì)象，基于北京二號(hào)高分辨率遙感影像，采用面向?qū)ο蟮募夹g(shù)流程，通過(guò)全局最優(yōu)閾值算法實(shí)現(xiàn)了水體的自動(dòng)化信息提取。研究表明，基于全自動(dòng)的閾值確定方法，在無(wú)人工參與情況下，可以在較大面積的區(qū)域內(nèi)實(shí)現(xiàn)水體要素的快速提取，應(yīng)用效果較好。研究區(qū)內(nèi)水體類型復(fù)雜，表觀特征差異較大，針對(duì)電子地圖更新的數(shù)據(jù)需求，通過(guò)面向?qū)ο蟮姆椒?，提取的水體圖斑邊界規(guī)整，能夠滿足圖4的精度要求。水體的提取作為電子地圖數(shù)據(jù)更新的第一步，也為后續(xù)植被、建筑物、道路等信息提取與更新提供了重要參考，和傳統(tǒng)的人工矢量化相比，有效提高了工作效率。提取結(jié)果的總體精度可以達(dá)到96%，Kappa系數(shù)為0.73。