周鵬，謝元禮，蔣廣鑫，胡李發(fā)

(西北大學 城市與環(huán)境學院，西安 710127)

0 引言

地表水(內陸和沿海)的位置可持續(xù)性受氣候和人類活動的影響，又反過來影響氣候、生物多樣性和人類福祉[1]。近年來，氣候變化加劇，水環(huán)境惡化以及水資源枯竭等問題日益嚴峻，成為實現(xiàn)可持續(xù)發(fā)展亟待解決的問題[2-3]。隨著遙感技術的迅速發(fā)展，高空間、高時間和高光譜分辨率的遙感數(shù)據(jù)不斷豐富[4]?？焖佟⒏咝?、精確地從各類遙感影像上提取水體信息，已經(jīng)成為水資源調查[5-6]、水環(huán)境保護[7-8]、洪澇監(jiān)測[9-11]、水利規(guī)劃[12-13]、水體動態(tài)變化分析[14-15]的重要手段。本文主要回顧了國內外專家學者利用遙感影像進行水體信息提取的相關研究，重點對其研究方法加以總結；在此基礎上，梳理了影響遙感影像水體信息提取精度的關鍵問題，并提出可能的解決措施；最后對水體信息提取的發(fā)展趨勢進行展望。

全球主要的對地觀測衛(wèi)星數(shù)據(jù)都涉及水體信息的提取[16]，逐步形成了高空間分辨率、高時間分辨率和高光譜分辨率的總體發(fā)展趨勢[17]。常用的數(shù)據(jù)源主要有低空間分辨率的MODIS[18-19]，中空間分辨率的Landsat系列[20-22]、SPOT系列[23-24]、ALOSE[25-26]、ASTER[27-28]、我國的環(huán)境一號衛(wèi)星(HJ-1A/1B)[29-30]，高空間分辨率的WorldView[31-32]、QuickBird[33]、Ikonos[34]、我國的GF系列[35-36]、資源系列[37-38]。另外，還有SAR數(shù)據(jù)[10]和高光譜數(shù)據(jù)[39-40]等。其中，光學遙感數(shù)據(jù)是水體信息提取的主要數(shù)據(jù)源，特別是美國的Landsat系列，由于其空間分辨率相對較高、時間序列較長、全球免費共享，成為大部分研究者的首選。另外，高空間分辨率數(shù)據(jù)逐漸受到研究者青睞。

眾多專家學者針對不同的研究區(qū)，開展水體信息提取研究。文獻[41]著力解決大規(guī)模水體的提取；文獻[42]主要針對山區(qū)細小水體構建最優(yōu)提取模型；文獻[43]的研究成果為極高海拔地區(qū)的水體信息提取提供參考；文獻[23]針對典型礦區(qū)的水體進行研究；文獻[8，44]分別針對不同水質和不同類型湖泊的水體進行實驗；文獻[45]探討了平原、盆地、高原3種區(qū)域水體提取方法的最優(yōu)選擇。針對不同的數(shù)據(jù)源、不同的研究區(qū)域，專家學者提出了不同的水體信息提取模型，按其提取原理與方法特點，本文將水體信息提取方法歸納為閾值分割法、分類器模型法、基于“全域-局部”的提取法和光譜混合分析法4類[46]。

1 遙感影像水體信息提取方法

1.1 閾值分割法

閾值法主要利用遙感圖像中不同地物類型的光譜特征差異，選擇一個或多個波段構建模型來增強水體，抑制其他地物，通過選擇合適的閾值提取水體信息。主要包括單波段法、譜間關系法和水體指數(shù)法。閾值分割法的核心和難點在于最佳分割閾值的確定[47]，當前主要有經(jīng)驗法、實驗法、直方圖波谷法[19]、迭代法[48]、加權灰度閾值法[49]，而以最大類間方差法(大津法)、最大熵值法和最小誤差法為代表的數(shù)理統(tǒng)計法，特別是最大類間方差法[50]，由于它可以快速準確地確定提取閾值，從而被廣泛應用。對于大范圍復雜區(qū)域的水體提取，可以先將大區(qū)域劃分成子區(qū)域，然后分別在子區(qū)域中自適應進行閾值選擇和分割[51]。

單波段法主要利用水體同其他地物在近紅外或中紅外波段的波譜差異，輔以合適的閾值來提取水體，在研究初期，應用較為廣泛。

譜間關系法通過分析遙感影像水體與其他地物的光譜特征曲線，構建邏輯判別規(guī)則來突出水體信息。文獻[52]基于TM影像率先構建了水體信息提取模型，如式(1)所示。文獻[53]在此基礎上，加入TM5波段，建立適合平原湖泊的水體信息提取方法，如式(2)所示。相較于單一譜間關系法，該方法提取效果更好、精度更高。文獻[16]將纓帽變換(tasseled cap transform，K-T變換)后，反映地物濕度信息的KT3分量作為特征波段來構建譜間關系模型，如式(3)所示。該模型僅利用可見光-近紅外波段特征，具有較強的推廣性，對中巴資源衛(wèi)星、環(huán)境一號星影像的水體信息提取具有借鑒意義。文獻[54]依據(jù)水體和陰影的波譜在藍、綠波段下降幅度差異較大的特征構建新的譜間關系模型，如式(4)所示。

TM2+TM3>TM4+TM5

(1)

TM2+TM3>TM4+TM5and TM5>T

(2)

KT3+TM2>TM4+TM3

(3)

(TM2+TM3)-(TM4+TM5)-(TM1-TM2)>N

(4)

水體指數(shù)法。利用水體光譜反射特征強的波段與反射特征弱的波段構建比值運算，進一步擴大二者的差異，從而突出水體信息，抑制植被、土壤等非水體信息。近年來，眾多學者在前人研究基礎上提出許多改進型的、具有針對性的水體指數(shù)模型。文獻[55]基于MODIS數(shù)據(jù)，提出改進型組合水體指數(shù)(modified-combined index for water body identification，MCIWI)，顯著提高了水體同背景地物的區(qū)分度。針對GF-1數(shù)據(jù)，文獻[56]提出改進的陰影水體指數(shù)法(modified shade water index，MSWI)進行水體信息提取，總體精度達到了93.56%。文獻[48]通過高斯變換，建立高斯歸一化水體指數(shù)(GUSS NDWI，GNDWI)，提高河流水體的區(qū)分度和連續(xù)性。文獻[57]提出不依賴于中紅外波段的偽歸一化差異水體指數(shù)(false NDWI，F(xiàn)NDWI)進行城鎮(zhèn)周邊細小河流的提取。文獻[58]針對之前水體提取存在精度較低，閾值不穩(wěn)定的問題，引入一種新的自動水體提取指數(shù)(automated water extraction index，AWEI)。文獻[59-60]使用多種水體提取指數(shù)進行對比分析，探究模型的最優(yōu)選擇。以上僅列舉了近年來常用的幾種水體指數(shù)，具體如表1所示。

綜上，單波段法、譜間關系法、水體指數(shù)法均基于水體的光譜特征，輔以閾值分割，針對不同數(shù)據(jù)源，如Landsat系列、MODIS、GF系列等，均可以據(jù)此構建合適的提取模型，簡單快速地提取水體信息，但這3種方法各有優(yōu)劣，如表2所示。在實際應用中，應根據(jù)研究區(qū)特點，有針對性地選擇合適的方法。

表1 水體指數(shù)模型

表2 3種水體提取方法結果對比

1.2 分類器模型法

分類器模型法將水體作為一個類別，應用特定算法規(guī)則進行分類，最終獲取水體信息。包括非監(jiān)督分類和監(jiān)督分類，當前研究較多是監(jiān)督分類，主要有面向對象法、決策樹法、支持向量機法、神經(jīng)網(wǎng)絡法、隨機森林和光譜角匹配法等[61]。

1)面向對象法。面向對象分類法是一種智能化、自動化的影像分析方法，它的研究對象是由若干像元組成的目標地物[62]。首先按照選定的尺度對遙感影像進行分割，使特征相似、面積不等的同質對象組成子區(qū)域；然后綜合分析子區(qū)域的光譜特征、幾何特征、拓撲特征等；最后利用特征建立分類規(guī)則，從而實現(xiàn)更高精度的地物識別和目標提取。目前，面向對象法進行水體信息提取的數(shù)據(jù)源主要是高空間分辨率影像[63]。文獻[17]以GF-1為數(shù)據(jù)源，通過分形網(wǎng)絡進化算法(fractal net evolution approach，F(xiàn)NEA)并借助Estimation_Scale_Parameter(ESP)尺度分割工具選取最優(yōu)分割尺度，使用基于知識規(guī)則的面向對象法實現(xiàn)水體信息的高精度提取。文獻[31]利用異質性最小的區(qū)域合并算法對影像進行尺度分割，面向對象對昆山南部WorldView-2影像進行實驗，結果表明，形狀一致性和面積一致性都達到了86%以上。文獻[33]在QuickBird影像融合的基礎上，充分利用影像的光譜特征、紋理信息、拓撲關系等構建判讀規(guī)則，采用最鄰近的面向對象法提取北碚城區(qū)的水體。文獻[64]利用OLI影像多光譜和全色波段融合后的數(shù)據(jù)，綜合顏色、形狀、紋理等特征，采用基于模糊分類的面向對象法提取龍羊峽的水體，漏提率和過提率均低于0.2%以下。

傳統(tǒng)的基于像元的分類方法在進行水體信息提取時，較易出現(xiàn)“椒鹽現(xiàn)象”和“圖斑破碎”情況[65]。另外，在處理高分辨率影像時，通過單一像元表達地物語義信息效果較差，面向對象的分類法則有效克服了基于像元層次分類的不足[66]，以區(qū)域同質對象為目標，兼顧光譜、紋理等特征，通過最優(yōu)尺度分割算法，實現(xiàn)基于對象的較高層次的遙感圖像分類。該方法主要由圖像分割和對象分類2個過程構成[67]。分割是分類的基礎，分割中最優(yōu)尺度和分割參數(shù)的確定是關鍵，這直接決定著分類的精度[68]，要保證分割后的子區(qū)域具有較好的同質性，與鄰接區(qū)域具有較好的異質性。目前常用的分割方法有多尺度分割[63]、FNEA算法[17，31]、基于邊緣的分割[69]等。分類方法分為3種：最鄰近法、模糊分類和基于規(guī)則的分類。雖然理論和實踐都證明面向對象法用于高分辨率遙感影像水體信息提取的有效性，但是最優(yōu)尺度分割仍是其制約瓶頸，尺度劃分難以把握，最優(yōu)尺度的評價指標尚不完善。另外，有效的分類規(guī)則需要大量先驗知識，具有一定的主觀性。

2)決策樹法。決策樹分類法是在綜合分析遙感影像光譜特征、研究區(qū)空間特征的基礎上，通過對地物信息增強、統(tǒng)計、判別，結合專家經(jīng)驗知識，建立分類指標和分類規(guī)則，然后對分類條件逐步進行二分和細化，從而實現(xiàn)地物信息提取的方法[70]。文獻[40]以機載高光譜數(shù)據(jù)為數(shù)據(jù)源，提出一種針對城市河網(wǎng)水體的高光譜決策樹法，對嘉興城區(qū)的實驗表明，精度可達96.24%。文獻[70]引入DEM數(shù)據(jù)構建決策樹分類，提高了水體自動識別的精度，有效去除了山區(qū)陰影。文獻[71]在對城市典型暗地物特征進行分析的基礎上，構建城市水體提取知識決策樹模型，實驗得到的平均檢測率為86.18%，平均虛警率為13.82%。文獻[72] 基于高分一號遙感影像，提出單波段閾值法與陰影水體指數(shù)相結合的決策樹水體信息提取模型，實驗精度在92.34%以上。文獻[73]利用Canny 算子對彩色合成影像進行邊緣檢測后，進行決策樹建模，最終提取出帶有精確邊緣的水庫水體。

水體種類繁多、空間特征多樣，運用單一方法、單一特征，往往難以精確地將水體與其他地物區(qū)分開來。決策樹法是解決單類地物分類問題的有效途徑。該方法分類規(guī)則簡單直觀，分類過程容易理解，針對不同的研究區(qū)特點，綜合水體的光譜、空間特征建立知識表達模型，還可以借助其他輔助數(shù)據(jù)完善分類決策規(guī)則[74]。數(shù)據(jù)的特征分割值一般依據(jù)特征波段的光譜特征手動確定[75-76]。

3)支持向量機法。支持向量機(support vector machine，SVM) 是基于統(tǒng)計學習理論的一種新的機器學習方法[77]。它的原理是尋找一個滿足分類要求的最優(yōu)分類超平面，使得該超平面在保證分類精度的同時，實現(xiàn)對線性可分數(shù)據(jù)的最優(yōu)分類[78]，在高光譜遙感影像地物識別與分類中得到廣泛應用。文獻[69]針對GF-1數(shù)據(jù)，分別應用NDWI閾值法、SVM法和面向對象法，對鄱陽湖水體進行提取，得出SVM 法的提取精度最高，達98%以上。文獻[79]選用2景TM影像作為研究區(qū)，采用SVM監(jiān)督分類法進行地表水體提取實驗，認為該方法對于地表同質性較好的區(qū)域提取精度較高。文獻[80]研究認為SVM法可以較為完整地提取狹窄的河渠和小面積水體。

SVM法精度的高低，同核函數(shù)類型的選擇和參數(shù)設置緊密相關。常用的核函數(shù)類型有徑向基(radial basis function，RBF)核函數(shù)、線性核函數(shù)、多項式核函數(shù)及Sigmoid核函數(shù)。文獻[81]認為，RBF核函數(shù)識別率最高，性能最好，且當訓練集減少時，分類性能最穩(wěn)定。該方法的缺點是訓練集規(guī)模很大、具有較高的維數(shù)并且測試數(shù)據(jù)超過1 000個維數(shù)，所以算法復雜、效率較低。另外，利用核函數(shù)尋找最優(yōu)支持向量進行分類，其本質上屬于“黑箱”算法，難以對分類規(guī)則進行直觀解釋[82]。

4)神經(jīng)網(wǎng)絡法。人工神經(jīng)網(wǎng)絡(artificial neural network，ANN)，簡稱“神經(jīng)網(wǎng)絡”(NN)，它是由大量簡單的處理單元互聯(lián)組成的非線性、復雜信息處理系統(tǒng)，是模擬抽象人的大腦進行數(shù)據(jù)接收、貯存、處理和傳輸?shù)乃惴╗83]。由于神經(jīng)網(wǎng)絡具有自組織、自學習、自適應能力、高容錯性、大規(guī)模并行處理等特點，近年來逐漸在遙感領域得到重視。目前，神經(jīng)網(wǎng)絡在遙感影像水體信息提取中的應用主要有反向傳播(back propagation，BP)神經(jīng)網(wǎng)絡和卷積神經(jīng)網(wǎng)絡(convolutional neural networks，CNN)等。文獻[38]以ZY-3為數(shù)據(jù)源，利用卷積神經(jīng)網(wǎng)絡，提出一種基于深度學習的融合空間與光譜信息的水體提取方法，該方法的水體提取精度達94.19%，且水體邊界提取效果較好。文獻[84]提出一種基于BP神經(jīng)網(wǎng)絡和光譜特征的水體自動提取方法，對長沙市區(qū)TM影像的實驗表明，該方法在不設置閾值的情況下，可以達到較好的水體提取效果。文獻[85]構建基于MapReduce的分布式BP神經(jīng)網(wǎng)絡水體識別模型，在保證水體識別精度(可達92.5%)的同時，提高了水體提取的速度和自動化程度。

神經(jīng)網(wǎng)絡法可以自適應地計算水體樣本的閾值，減少人工選擇閾值的主觀性，對于復雜區(qū)域的水體提取效果較好、精度較高。但是，在運算效率、知識表達的模型化和形式化、多源樣本數(shù)據(jù)聯(lián)合訓練等方面仍需要努力。

5)極大似然分類法。極大似然分類法的基本原理就是將多個波段的數(shù)據(jù)看作是正態(tài)分布來構建地物分類的非線性判別函數(shù)集[86]，通過選擇訓練樣區(qū)，計算各樣區(qū)的歸屬概率，從而進行圖像分類，又稱為貝葉斯(Bayes)分類法。文獻[14]以H-J1星2009年臺風“莫拉克”前后多時相影像為數(shù)據(jù)源，在去相關拉伸光譜增強的基礎上，采用極大似然分類法提取水體信息，總體精度高于96%。文獻[29]將經(jīng)驗模態(tài)分解(empirical mode decomposition，EMD)和分形理論相結合，構建EMD分形-極大似然分類法提取水體，較傳統(tǒng)的監(jiān)督分類法，精度明顯提高。文獻[86]利用GF-1數(shù)據(jù)，采用極大似然分類法對暴雨造成的廊坊市內澇區(qū)水體進行提取。

極大似然分類法可以有效避免“同物異譜”和“異物同譜”現(xiàn)象，在提取城區(qū)水體時可以克服城市建筑對水體遮擋的影響。但該方法在處理多模式輸入數(shù)據(jù)集時有局限性，因為需要假定數(shù)據(jù)為正態(tài)分布。實際上，遙感數(shù)據(jù)很少有正態(tài)分布的形式，這就限制了應用。另外，該方法需要預先設定實際地物類別，樣本過少還會影響分類精度。

6)光譜角匹配法。光譜角匹配(spectral angle mapping，SAM)是監(jiān)督分類技術的一種。該算法將圖像波譜直接同參考波譜匹配，通過比較圖像波譜與地物波譜或波譜庫中波譜的差異進行分類，在高光譜數(shù)據(jù)的處理中應用較廣，特別是利用高光譜數(shù)據(jù)進行礦物填圖以及蝕變異常信息提取方面[87]。文獻[35]利用GF-4數(shù)據(jù)，提出一種改進的光譜角匹配(modified SAM，MSAM)水體提取模型，在2個實驗區(qū)的提取精度均達到98.37%以上，可以準確地提取水體，區(qū)分陰影。文獻[87]利用光譜角匹配法對黃河小浪底水庫周邊的水體進行提取，結果表明可以有效避免陰影的干擾。文獻[88]將該方法應用到處理ETM+多光譜數(shù)據(jù)中，利用地物光譜夾角及反射率差異，實現(xiàn)對南京市水體信息的提取，對大規(guī)模或破碎水體的提取效果均較好。

光譜角匹配法可以有效克服山體陰影和水體光譜特征相似的缺點，較好區(qū)分山體陰影，提取水體。但是，快速、定量地確定光譜夾角閾值需要再作探討。

7)隨機森林法。隨機森林(random forest，RF)分類器是一種集成分類器，它使用1組分類回歸樹(classification and regression tree，CART)進行預測，通過替換繪制訓練樣本子集和變量生成多個決策樹，然后利用決策樹集合中得出的預測結果來生成可靠的分類。由于分類的準確性，這種分類器在遙感中很受歡迎[89]。文獻[61]以Landsat-8 OLI影像為數(shù)據(jù)源，分別利用多光譜影像的大氣表觀反射率和水體指數(shù)，來構建增強型隨機森林分類器，最后利用2個不同BRF的概率線性求和，以分離水體。文獻[90]使用武漢地區(qū)長時間序列的遙感數(shù)據(jù)(Landsat TM、ETM+、OLI以及HJ-1A)，為每個傳感器構造不同的隨機森林分類模型，研究分析1987—2016年武漢湖泊的動態(tài)變化。文獻[91]使用季節(jié)性連續(xù)的Landsat TM/ETM+數(shù)據(jù)和隨機森林模型，對默里—達令盆地的地表水和洪水的范圍以及動態(tài)變化(1986—2011年)進行了綜合制圖。

隨機森林是一種分類樹算法，已被廣泛用于表征跨時空的遙感數(shù)據(jù)集。研究表明，如果訓練樣本和研究區(qū)改變，則在分類結果的準確性、所需的訓練時間以及分類器的穩(wěn)定性方面，RF分類器的性能要優(yōu)于決策樹分類器[92]。

1.3 基于“全域-局部”的提取法

前面所提到的閾值法和分類器法，大多是利用單一模型對全域影像進行計算、分割、提取。實際上，受地面背景地物、水質類型等影響，影像上水體很難保持均衡性質，特別是在大范圍復雜條件下，利用單一模型勢必影響水體提取精度。針對這一問題，文獻[41]以復雜背景下多樣水體的自動解譯為目標，采用“全局-局部”的思想，整合自適應分割與分類、局部迭代等關鍵技術，實現(xiàn)了對巴爾喀什湖地區(qū)和長江中下游地區(qū)大規(guī)模水體信息的自動提取。文獻[43]提出一種基于水體指數(shù)的“全域-局部”自動閾值分割法，實現(xiàn)全域閾值的自動選擇與局部閾值的自適應調整，并結合DEM生成的坡度和陰影信息，減少水體信息的誤判。文獻[44]提出基于局部端元光譜表征的水體信息自適應提取方法(local end member spectral characterization，LESC)，水體提取精度達到93.7%。文獻[93] 基于NDWI提出一種“全域-局部”雙尺度變換的自動方法，并結合光譜特征擬合(spectral feature fitting， SFF)方法和迭代算法精確地提取湖泊范圍。文獻[94]將DEM生成的水系“圖”特征和水體的光“譜”特征耦合，通過NDWI的閾值分割和局部自適應迭代機制，實現(xiàn)伊犁河上游支流河道細小水體的自動化、精確化提取。文獻[13]結合空間聚合“圖”特征和非線性“譜“映射結果，以ETM+為數(shù)據(jù)源，提出圖譜迭代反饋的自適應水體提取方法(WERSTP)，實驗提取精度達到98.8%，獲得很好的效果。

基于“全域-局部”思想的提取法，耦合“圖-譜”理論，融合水體的光譜、形態(tài)、紋理、分布等特征，全域分割分類與局部分割分類相結合，自適應的局部閾值迭代計算，整個過程減少了人工干預，自動化程度顯著提高。但是該方法計算復雜，篩選和優(yōu)化最顯著的“診斷特征”較難，局部閾值迭代終止條件難以確定，對于線狀河流水體的提取難以達到較好的效果。

1.4 光譜混合分析法

傳統(tǒng)的基元像元的方法，均沒有考慮混合像元的問題，而遙感影像無論分辨率多么高，總是不可避免地存在混合像元的問題[95]，特別是隨著空間分辨率的降低，這種現(xiàn)象就越發(fā)嚴重，混合像元的存在影響了水體信息的提取精度。不少學者對此開展研究，提出混合像元線性分解模型。該方法認為遙感影像中，一個像元內往往混雜著多種地類端元，反映出來的像元值，也是幾種地物端元光譜值的混合，因此根據(jù)每一個像元在各波段的反射率，分解出像元中各種地物端元所占的比例，從而提高遙感影像的解譯精度[96]。文獻[97]基于MODIS的反射率數(shù)據(jù)，利用改進的線性混合像元分解法對青藏高原上的水體面積進行提取，認為該方法提取結果精度較高，河流、湖泊的細節(jié)特征提取效果較好；同時，很大程度上消除了陰影的影響。文獻[98]基于混合像元分解法提取紅堿淖湖的面積，并分析湖面的動態(tài)變化。文獻[99]以ALOS 影像為數(shù)據(jù)源，利用線性混合像元分解法獲得各像元水體豐度，結合閾值法和數(shù)學形態(tài)學法，提出水體邊界像元面積修正算法，提高水體信息識別精度。

混合像元分解法是解決混合像元問題和“同物異譜”現(xiàn)象的一種有效方法，該方法能夠明顯減少水體信息提取的誤差，并能克服山區(qū)陰影的干擾，難點在于地物端元的選取和水陸交界處水體的提取。目前常用的端元選取方法有純凈像元法(pixel purity index method，PPI)、主成分分析法、多指數(shù)模型法等。對于水陸交界處混合像元區(qū)的水體提取，前人是在提取的純凈水體基礎上，利用數(shù)學形態(tài)法向外膨脹一個像元，再和純凈水體圖像進行圖像求差，從而實現(xiàn)水陸交界處水體的提取。優(yōu)化水陸交界處混合像元區(qū)灘地水分含量估算方法，改進地物端元確定準則可作進一步研究。

2 遙感影像水體信息提取存在的問題與解決措施

2.1 云和陰影干擾

不管是地形復雜的山區(qū)，還是平原地區(qū)，抑或是城市內部，都存在云和陰影的干擾，由于水體與陰影的光譜特征類似，容易造成水體的誤提，因此消除陰影干擾是以上4種方法提取水體時都無法回避、必須克服的問題。對此，專家學者提出了不同的方法加以解決。文獻[61]認為綠色波段較其他波段，對山體陰影具有更好可分性，利用ρ3

2.2 分割閾值的確定

圖像分割閾值的確定始終是一個難題，尤其是常用的閾值分割法，必須解決這一問題，關鍵在于最佳閾值與漏提、誤提之間的平衡。對此，學者提出了不同的閾值確定方法(前文已述，這里不再贅述)。計算機自適應確定圖像分割閾值是一種不錯的嘗試，可以迅速鎖定閾值范圍，減少人工干預。但實際應用中，背景地物復雜，水體理化性質不均衡，仍需要以計算機自動確定的閾值為參考，人機交互決定最佳閾值。

2.3 細小水體的精確提取

針對大規(guī)模的水體提取，目前的提取方法較多，精度較高，但是對于細小水體的精確提取，尚面臨挑戰(zhàn)[101]。細小水體受空間分辨率的影響，在影像上表現(xiàn)出河面較窄、細小狹長的空間特征[102]；受周邊環(huán)境的影響，易形成混合像元；受地形陰影的干擾，易形成噪聲。因此，提取結果會出現(xiàn)斷流、不連續(xù)的現(xiàn)象。文獻[65]利用地物光譜特征和形態(tài)特征差異，采用“先粗后細”的分級提取法，綜合面向對象分割和SVM監(jiān)督分類并結合形態(tài)學開、閉運算，逐步逼近水體邊界，最終得到完整、連續(xù)的水體。文獻[54]在利用多波段譜間關系改進模型提取細小水體基礎上，通過數(shù)學形態(tài)學的膨脹濾波算法實現(xiàn)空洞填充及斷流連接，最后進行二值圖像細化和邊緣追蹤，實現(xiàn)細小河流的完整提取。文獻[57]提出偽歸一化差異水體指數(shù)(FNDWI)，較好地提取城鎮(zhèn)周邊細小河流信息。文獻[94]以DEM數(shù)據(jù)生成的水系矢量圖作為先驗知識，通過光譜水體指數(shù)的全局閾值分割和局部自適應閾值選擇和迭代計算，實現(xiàn)河道水體的精確提取。

3 結束語

遙感影像水體信息提取為水域動態(tài)變化監(jiān)測、水環(huán)境保護提供重要支撐，將得到更多關注和應用。隨著多衛(wèi)星、多傳感器的快速發(fā)展，多源數(shù)據(jù)的免費開放與獲取，可以利用的數(shù)據(jù)將日趨多樣化，今后，多源數(shù)據(jù)、多種方法和多種技術的綜合應用將為遙感影像水體信息的提取研究帶來更大機遇。

多源數(shù)據(jù)融合使用。引入多源數(shù)據(jù)可以彌補單一光學遙感數(shù)據(jù)的不足，如利用DEM數(shù)據(jù)生成的坡度圖和地形暈渲圖，可以降低山體陰影的干擾；雷達數(shù)據(jù)具有全天候的數(shù)據(jù)獲取能力，且不受陰雨和多云天氣的干擾，在克服多云和山體陰影干擾方面效果顯著；高空間分辨率和高時間分辨率數(shù)據(jù)的融合在洪水動態(tài)監(jiān)測中具有更廣闊的空間。

多種方法綜合運用。輔助運用多種方法來改善單一方法的缺陷，如利用數(shù)學形態(tài)法，對提取結果進行腐蝕、膨脹、開閉運算，可以減少“椒鹽”現(xiàn)象，優(yōu)化水體提取細部，提高細小水體提取精度；光譜特征指數(shù)法和面向對象法相結合，可以充分利用水體的光譜特征和紋理、形狀特征，增加識別規(guī)則。

多種技術善加利用。充分利用多種影像增強技術，如LBV變換，將圖像上每個像元的灰度值轉換成地物的總輻射水平(L分量)、地物的可見光-紅外光輻射平衡(B分量)和地物輻射隨波段的變化矢量(V分量)3個物理分量，從另一個角度利用遙感影像水體的光譜特性提取水體；HSV變換，將RGB彩色空間轉換為色度(H和S)和亮度(V)分量解耦的HSV(色相，飽和度和值)空間，以彌補在顏色空間上圖像分析的不足；利用圖像超分辨率(super-resolution，RS)重建技術，提高影像分辨率，從而提高水體解譯精度。另外，還可以借助大數(shù)據(jù)，深度學習算法提高最優(yōu)尺度分割和最佳閾值選擇。