陳景玨，劉瑞，楊鑫，楊梅，楊遠(yuǎn)陶

(1.成都理工大學(xué) 地球科學(xué)學(xué)院，成都 610059；2.成都理工大學(xué) 地球物理學(xué)院，成都 610059)

0 引言

星載雷達(dá)衛(wèi)星具有全天時、全天候、穿透云層的能力，可以利用星載雷達(dá)的優(yōu)勢獲取多云暴雨情況下的合成孔徑雷達(dá)(synthetic aperture radar，SAR)影像用于快速洪澇災(zāi)害評估。隨著SAR數(shù)據(jù)空間分辨率的提高，出現(xiàn)了種類繁多的超小尺度圖像目標(biāo)，這給圖像處理和分析帶來了更大的挑戰(zhàn)。一方面，由于相干斑點的存在，影響了SAR影像質(zhì)量；另一方面，建筑物陰影和道路等混亂的目標(biāo)可能會影響分割結(jié)果，因此SAR影像分割是一個公認(rèn)的難題[1]。

SAR影像分割廣泛使用的方法有：最小誤差閾值、熵閾值和Otsu等。Otsu也被稱為大津法，于1979年由Otsu[2]提出。Otsu因其原理易理解且穩(wěn)定有效，被廣泛用于圖像分割[3]。SAR圖像中水體和背景內(nèi)的像元光譜測度各具有同質(zhì)性，可視為圖像中只有水體和背景兩類地物[4]，而Otsu可以快速地獲取兩類目標(biāo)的分割閾值，因此Otsu可以快速分割水陸邊界。基于此特點，Otsu被廣泛地應(yīng)用于SAR圖像分割領(lǐng)域[5-8]。雖然Otsu穩(wěn)定高效，但是在SAR影像中目標(biāo)與背景的分布通常是不平衡的，這造成Otsu法得到的閾值會偏向方差較大的一類，偏離正確的分割閾值。

SAR衛(wèi)星是側(cè)式成像，使得圖像中包含植物、建筑物和山體所產(chǎn)生的陰影，并且呈現(xiàn)與水體相似的暗色調(diào)，造成分割結(jié)果中存在一些偽水體[9]。SAR圖像相干斑的存在，也會使得分割結(jié)果存在雜散點[10]。采用閾值分割法得到的水體分布圖，陰影和雜散點是主要的影響對象，剔除它們的影響顯得尤為重要，因此對閾值法得到的水體分布圖進(jìn)行優(yōu)化是準(zhǔn)確提取水體的重要技術(shù)環(huán)節(jié)。針對水體在分割結(jié)果中大面積連通的特點，利用形態(tài)學(xué)中的連通區(qū)域標(biāo)定算法除去小面積的雜散點和偽水體，可以有效保留真實水體。但是在海拔較高區(qū)域，產(chǎn)生的山體陰影可能比部分真實水體面積要大。在該條件下，使用形態(tài)學(xué)中連通區(qū)標(biāo)定算法刪除偽水體的同時，面積較小的真實水體也會被刪除。

綜上所述，為解決傳統(tǒng)Otsu閾值分割法會偏向方差較大一類的問題，本文提出目標(biāo)權(quán)重改進(jìn)的Otsu算法。加入數(shù)字高程模型(digital elevation model，DEM)進(jìn)行形態(tài)學(xué)連通區(qū)標(biāo)定，提出結(jié)合高程連通標(biāo)定算法的形態(tài)學(xué)優(yōu)化方法。利用高程連通標(biāo)定算法刪除面積較大的山體陰影，并繼續(xù)對小面積偽水體進(jìn)行刪除，從而得到精細(xì)的水體分布圖。

1 研究區(qū)域與數(shù)據(jù)處理

1.1 研究區(qū)概況

2020年6—8月長江干流先后發(fā)生五次編號洪水，我國27省3 789萬人受災(zāi)，195.8萬人緊急轉(zhuǎn)移安置，直接造成的經(jīng)濟(jì)損失高達(dá)700億元，隸屬于江西省九江市的彭澤縣地區(qū)內(nèi)澇嚴(yán)重，多地村民受災(zāi)。連續(xù)暴雨、大暴雨引起的山洪暴發(fā)或江水倒灌對該地區(qū)會造成嚴(yán)重的威脅[11]。

1.2 數(shù)據(jù)來源

Sentinel-1A衛(wèi)星于2014年成功發(fā)射升空，重訪周期為12 d。本文獲取了Sentinel-1A兩景單視復(fù)數(shù)(single look complex，SLC)影像，詳細(xì)參數(shù)如表1所示。使用航天飛機(jī)雷達(dá)地形測繪使命(shuttle radar topography mission，SRTM)90 m分辨率DEM(https：//srtm.csi.cgiar.org/)。

表1 研究數(shù)據(jù)

1.3 數(shù)據(jù)預(yù)處理

Sentinel-1A影像預(yù)處理包括：條帶拼接生成SLC數(shù)據(jù)、多視處理、濾波、地理編碼和輻射校正。多視處理犧牲了空間分辨率以提高影像質(zhì)量[12]。本文使用Frost濾波方法，可以減少斑點噪聲的影響，同時保留了邊緣信息[13]。地理編碼將SAR影像雷達(dá)坐標(biāo)轉(zhuǎn)為地理坐標(biāo)，輻射校正根據(jù)入射角信息計算得出雷達(dá)回波后向散射系數(shù)。

1.4 哨兵1雙極化水體指數(shù)計算

賈詩超等[14]提出了哨兵1雙極化水體指數(shù)(sentinel-1 dual-polarize water index，SDWI)。SDWI將Sentinel-1衛(wèi)星兩種極化影像后向散射系數(shù)相乘并擴(kuò)大十倍，再以自然對數(shù)作為函數(shù)式。將研究區(qū)Sentinel-1A 進(jìn)行SDWI運(yùn)算后得到的圖像(圖1)，經(jīng)SDWI運(yùn)算后水體從暗色調(diào)轉(zhuǎn)換成了亮色調(diào)。本文把Sentinel-1A影像使用SDWI計算得到的圖像進(jìn)行水體提取研究，將ND值量化到256個灰度級。如圖2所示，VV和VH極化影像直方圖雙峰形狀基本一致，波谷與第一個波峰起伏較?。籗DWI圖像的直方圖比VV和VH極化影像的直方圖雙峰現(xiàn)象更為明顯。 其中，T1是Otsu計算出地分割閾值；T2是改進(jìn)Otsu計算出地分割閾值；T3是目視解譯地分割閾值。

圖1 SDWI圖像與湖泊目視解譯結(jié)果

圖2 直方圖統(tǒng)計與分割閾值結(jié)果

2 研究方法

2.1 改進(jìn)Otsu算法

周迪等[15]提出了改進(jìn)Otsu閾值分割方法并命名為KOtsu閾值法。KOtsu考慮了目標(biāo)類在圖像中約占的權(quán)重，并結(jié)合了類內(nèi)方差的影響，可以有效地解決Otsu算法會偏向方差大的問題。KOtsu閾值分割方法已成功實踐在Lena圖像上，本文將該方法應(yīng)用到SDWI圖像，進(jìn)行閾值分割。經(jīng)實驗發(fā)現(xiàn)，類內(nèi)方差的加入將更依賴權(quán)重K的取值，甚至要設(shè)置到極低權(quán)重值，才能平衡Otsu算法閾值偏向問題。因此，本文對KOtsu進(jìn)行了改造，如式(1)所示，改造算法沒有考慮類內(nèi)方差，引入了權(quán)重K的思想。當(dāng)使用原始SAR影像進(jìn)行閾值分割時，水體類在閾值的左邊，非水體類在閾值的右邊，而經(jīng)過SDWI運(yùn)算后，水體類和非水體類則反之。本文提出的改進(jìn)Otsu與傳統(tǒng)的Otsu相比，其主要的變化在于閾值判斷公式上的變化，表達(dá)如式(1)所示。

T=argt∈{0，1，…，L-1}max(Kω0(t)(μ0(t)-μ(t))2+ω1(t)(μ1(t)-μ(t))2)

(1)

式中：K為目標(biāo)約占圖像的權(quán)重，本文權(quán)重K取0.2；t為所遍歷的分割閾值；L為灰度級， 取值范圍為[0,256]；μ(t)為圖像總灰度均值；μ0(t)為背景類灰度均值；μ1(t)為目標(biāo)類灰度均值；ω0(t)為背景類的比例；ω1(t)為目標(biāo)類的比例；T為最佳分割閾值。

2.2 形態(tài)學(xué)優(yōu)化算法

連通區(qū)標(biāo)定算法是形態(tài)學(xué)中常用的方法之一，該方法在四連通和八連通區(qū)域?qū)ν|(zhì)區(qū)域進(jìn)行標(biāo)定，同時記錄標(biāo)定的坐標(biāo)(x，y)和標(biāo)記號i(i=1，2，…，n)，把不符合連通閾值的標(biāo)記號刪除。相干斑造成的雜散點通常由若干像素組成，而水體則是大面積連通區(qū)，因此通過設(shè)定較小的連通閾值可以把雜散點有效去除。

在Otsu和改進(jìn)的Otsu的提取結(jié)果中，把真實水體、山體陰影和雜散點都分割成了水體，并且山體陰影形成的偽水體比部分真實水體連通面積大，使用連通標(biāo)定算法把山體陰影去除，部分真實水體也會被隨之刪除，為解決該問題，本文提出了高程連通區(qū)標(biāo)定算法。

圖3(a)為四連通像元表示，圖3(b)為八連通像元表示。設(shè)改進(jìn)Otsu算法分割結(jié)果用F表示，那么像元值可表示為f(i，j)。F是一幅二值圖，用0和1表示，其中0為非水體，1為水體。當(dāng)f(i，j)=1時，使用四連通或者八連通方法對水體區(qū)域進(jìn)行標(biāo)定，同時增加了高程h進(jìn)行判斷，即當(dāng)連通區(qū)域的像元滿足式(2)時，記錄其坐標(biāo)(i，j)，將F中對應(yīng)坐標(biāo)的值進(jìn)行刪除，賦于0值，表達(dá)如式(2)所示。

f(i，j)≥h

(2)

式中：i為F的行；j為F的列；h為高程閾值。

圖3 連通方法

(3)

當(dāng)滿足式(2)時，連通像元被認(rèn)為是山體陰影造成誤分的偽水體，利用式(3)更新二值圖中對應(yīng)坐標(biāo)的值，即將值賦給0值，偽水體變更為非水體。

3 結(jié)果與分析

基于閾值分割法的水體提取，通常分為兩步：第一步，水體粗提??；第二步，水體精提取。文中使用改進(jìn)Otsu閾值分割法粗提取水體，獲得初始水體分布圖，然后利用形態(tài)學(xué)方法優(yōu)化初始水體分布圖，獲得最終的水體分布圖。

3.1 基于改進(jìn)Otsu的水體粗提取

圖4和圖5分別為Otsu提取的水體結(jié)果和改進(jìn)Otsu提取的水體結(jié)果。

圖4 Otsu水體粗提取

圖5 改進(jìn)Otsu法水體粗提取

由圖4和圖5可知，兩種方法對大面積水體流域都有效地進(jìn)行了提取，但是在東南和東北山區(qū)，Otsu提取的偽水體顯然多于改進(jìn)Otsu。由于水體和非水體在整個研究區(qū)域面積分布并不均勻，造成分割的閾值將會偏向非水體，所以O(shè)tsu法在東南和東北山區(qū)提取的偽水體不僅僅包括了山體陰影還包括了誤分的非水體值。直接觀察圖4和圖5可知，改進(jìn)Otsu提取水體的結(jié)果要優(yōu)于Otsu提取結(jié)果。統(tǒng)計兩種方法提取水體在研究區(qū)的占比，Otsu法提取的水體占整個研究區(qū)的59.53%，改進(jìn)Otsu占19.69%。通過圖2中SDWI圖像的直方圖可知，背景類和目標(biāo)類是不平衡的，背景類的方差要遠(yuǎn)大于水體類的方差，此時Otsu算法的計算閾值會偏向背景類，見圖2中T1，根據(jù)T1閾值進(jìn)行分割，會出現(xiàn)大量的偽水體。如圖1所示，觀察SDWI圖像可判斷出水體在研究區(qū)的占比不會超過50%，顯然改進(jìn)Otsu比Otsu提取水體更為合理。

谷鑫志等[16]把目視解譯閾值作為水體與非水體的真實閾值，將閾值法計算的閾值與目視解譯閾值相比較，差值越小閾值分割精度越高。

目視解譯閾值利用ENVI 5.3軟件中的 Quick stats 工具和New Raster Color Slice 工具，人機(jī)交互式選取了真實閾值，即目視解譯的灰度值，目視解譯的灰度值見表2以及圖2中T3。表2中目視解譯閾值是由量化到256灰度級公式通過目視解譯灰度值反解計算得出。Otsu和改進(jìn)Otsu的分割閾值通過遍歷圖2的直方圖，計算出相關(guān)的參數(shù)后，利用Otsu閾值判斷公式和式(1)計算得出。

表2 閾值比較

由表2可知，Otsu法計算的閾值與目視解譯閾值相差較大，改進(jìn)Otsu法計算的閾值比Otsu更接近目視解譯閾值，顯示了本文改進(jìn)Otsu閾值分割方法的有效性。綜上所述，把改進(jìn)Otsu水體粗提取圖作為初始水體分布圖，并使用形態(tài)學(xué)方法進(jìn)行優(yōu)化。

3.2 基于形態(tài)學(xué)優(yōu)化的水體精提取

圖6顯示了采用結(jié)合高程連通標(biāo)定的形態(tài)學(xué)優(yōu)化方法對水體的精細(xì)提取流程。如圖6所示，把改進(jìn)Otsu法提取的初始水體分布圖和DEM作為輸入，利用高程連通標(biāo)定算法，記錄大于設(shè)置高程閾值的坐標(biāo)，在粗提取結(jié)果中刪除被標(biāo)定坐標(biāo)位置的偽水體。精提取流程圖中，虛線矩形內(nèi)是文獻(xiàn)[4]優(yōu)化方法，兩次連通標(biāo)定與兩次取反的意義：第一次連通標(biāo)定的作用是刪除雜散點和殘留的山體陰影；第一次取反把水體轉(zhuǎn)為了背景，非水體轉(zhuǎn)為了目標(biāo)；第二次連通標(biāo)定的目的是把水面上分布的船只和雜散點進(jìn)行刪除；第二次取反把真實水體和非水體恢復(fù)。

圖6 水體精提取流程圖

1)高程連通區(qū)標(biāo)定與刪除。高程連通標(biāo)定刪除的核心在于高程閾值h的設(shè)置。對圖5矩形區(qū)域，設(shè)置了六個高程閾值探索山體陰影、真實水體與設(shè)置高程閾值h之間的規(guī)則，這六個高程閾值分別為80、90、100、110、120和130 m。處理結(jié)果如圖7所示，其中圖7(a)至圖7(f)所示分別為高程閾值80、90、100、110、120和130 m的截取結(jié)果，圖7(g)為改進(jìn)Otsu法在矩形區(qū)水體粗提取結(jié)果。圖7(a)至圖7(g)橢圓區(qū)通過目視解譯有三個湖泊，矩形區(qū)有兩個湖泊。圖7(a)橢圓區(qū)內(nèi)，山體陰影和部分雜散點被大量剔除，隨著高程閾值的增加,橢圓區(qū)域的偽水體數(shù)量也逐漸地增加，如圖7(b)至圖7(f)所示。圖7(b)至圖7(g)矩形區(qū)兩個湖泊分別位于左上和右下方，高程閾值為80 m時，兩個湖泊被剔除，隨著高程閾值的升高，湖泊輪廓也越加明顯，提取效果較好的是圖7(e)和圖7(f)。圖7(e)與圖7(g)對比可見，矩形右下方湖泊部分被剔除，湖泊輪廓缺失。圖7(f)與圖7(g)對比可見，矩形區(qū)的兩個湖泊被完整地保留，并且區(qū)域內(nèi)大部分偽水體被剔除。

圖7 規(guī)則探索實驗

綜上所述，設(shè)置的閾值越小山體陰影的剔除能力越強(qiáng)，但是不可避免真實水體會被刪除或者輪廓不完整，隨著高程閾值的增加，山體陰影剔除能力減弱，水體保留效果增強(qiáng)。因此，所設(shè)置的高程閾值需要滿足兩個規(guī)則：真實水體能夠有效地保留、對山體陰影能有效剔除。

為了獲取適合研究區(qū)的高程閾值，基于SDWI圖像、原始SAR影像，使用ArcGIS軟件矢量化圖1中目視解譯的小中型湖泊并提取了山體陰影。矢量化的湖泊和山體陰影部分區(qū)域，如圖8所示。

圖8 矢量化湖泊與提取的山體陰影

研究區(qū)高程范圍在-4.546～837.152 m之間。通過遍歷研究區(qū)高程范圍選取高程閾值，對矢量化水體和提取的山體陰影執(zhí)行高程連通標(biāo)定刪除。為了簡化算法的執(zhí)行時間，高程閾值范圍設(shè)置為[-5，837]之間，以1為步長，對高程連通標(biāo)定刪除算法進(jìn)行全局搜索?；谟行ПＡ羲w和有效剔除山體陰影兩個規(guī)則，統(tǒng)計了每一個高程閾值保留水體像素數(shù)量和存在山體陰影像素數(shù)，如圖9所示。圖9中，橫坐標(biāo)為高程閾值，縱坐標(biāo)為像素數(shù)，即水體和山體陰影在某個高程閾值被保留的像素個數(shù)。從圖9可知，真實水體和山體陰影隨著高程閾值的增加，水體和山體陰影保留像素數(shù)也隨之增加。經(jīng)實驗，高程閾值為219 m時，水體被完整保留，見圖9中紅虛線h1。

圖9 高程閾值全局搜索

借鑒機(jī)器學(xué)習(xí)中錯誤率公式，可以得到水體的損失率以及山體陰影的剔除率。損失率是指真實水體被刪除的像素數(shù)與總水體像素數(shù)之比。剔除率是指山體陰影被刪除的像素數(shù)與總山體陰影像素數(shù)之比。損失率和剔除率可以共用一個公式表示，但是意義卻不相同。損失率越大真實水體被保留得越少，剔除率越大山體陰影被刪除的能力越強(qiáng)。式(4)即損失率和剔除率的公式。

(4)

式中：S為真實水體或者山體陰影總的像元數(shù)；W為處于某個高程閾值時，水體被保留的像元數(shù)或者山體陰影存留像元數(shù)。

每個高程閾值對應(yīng)的損失率和剔除率，如圖10所示。圖10中，p1、h1、h2的值分別為0.1、219、109，當(dāng)高程閾值為h1時，即高程閾值為219 m時，損失率為0.00%，剔除率為30.33%，可見當(dāng)取得最小的損失率時，剔除率并不高。當(dāng)高程閾值取h2時，剔除了率達(dá)到了73%，其損失率接近于10%，由此可見，在放棄一定損失率時，能夠提高剔除率。表3列出了具有代表性的12個高程閾值與損失率、剔除率的關(guān)系。從表3可以看到，當(dāng)高程閾值為64 m時，剔除率超過了90%，損失率為40.41%;當(dāng)高程閾值為162 m時，山體陰影的剔除了超過了50%;當(dāng)高程大于等于832 m時，高程連通標(biāo)定刪除算法失效。

圖10 損失率與剔除率

表3 高程閾值與損失率、剔除率

可見，當(dāng)高程小于832 m時，高程連通標(biāo)定刪除算法對真實水體有一定的保護(hù)作用，也兼顧一定的山體陰影剔除能力，但最為有效的高程閾值并不能從表3中得到。利用從表3中的12個高程閾值執(zhí)行兩次連通標(biāo)定與兩次取反的結(jié)果計算與矢量化的水體交并比(intersection over union，IoU)。

當(dāng)IoU取最大值時，即為最佳的高程閾值，表達(dá)如式(5)至式(6)所示。

(5)

H=argh∈[h1，h2，…，hn]max(IoU)

(6)

式中：A為矢量化小中型湖泊的矢量化像元；M(·)為水體形態(tài)學(xué)優(yōu)化結(jié)果；h為高程閾值；l、d為損失率和剔除率；H為最佳高程閾值。

2)兩次連通標(biāo)定和兩次取反。如圖6所示，兩次連通標(biāo)定與兩次取反是水體精提取的處理環(huán)節(jié)之一。從表3可知，當(dāng)高程閾值為832 m時，高程連通標(biāo)定刪除算法失效，此時進(jìn)行兩次連通標(biāo)定和兩次取反處理等同于文獻(xiàn)[4]優(yōu)化方法。對表3中12個高程閾值進(jìn)行兩次連通標(biāo)定與刪除，并計算IoU，計算結(jié)果如表4所示。表4給出了兩次連通標(biāo)定與兩次取反的參數(shù)設(shè)置。第一次連通值是連通標(biāo)定算法的連通像元數(shù)，當(dāng)被標(biāo)記的連通像元小于等于該連通像元時，刪除該連通區(qū)域。第二次連通值的作用與第一次連通值的作用相同，但是第二次的目的是為了刪除水面上的復(fù)雜目標(biāo)，并且水面上復(fù)雜目標(biāo)物，不管處于哪個高程閾值下都不會發(fā)生變化，因此該連通值在不同的高程閾值中是不變值。對IoU而言，如圖11所示，當(dāng)高程閾值約為162 m時，得到了最高的IoU。從表3可知，高程閾值為162 m時，損失率為0.72%，剔除率為 50.19%，因此，犧牲較小的損失率，可以極大提高山體陰影的剔除率；剔除率的提升可以改變偽水體的連通區(qū)結(jié)構(gòu)，使得可以使用較小的參數(shù)刪除偽水體，可以有效地保留真實水體。

表4 各高程閾值的IoU與參數(shù)設(shè)置

圖11 交并比曲線

3.3 結(jié)果精度評價

本文提出高程連通標(biāo)定和連通標(biāo)定算法相結(jié)合的形態(tài)學(xué)優(yōu)化方法本質(zhì)上不改變改進(jìn)Otsu法粗提取水體的邊界和大流域連通水體的面積，其作用是把山體陰影、雜散點和水面上船只去除，得到精細(xì)的水體分布圖。綜合Sentinel-1A影像與SDWI圖像目視解譯了研究區(qū)域139個小中型潛在湖泊，并對其進(jìn)行了矢量化，湖泊位置如圖1所示。

從圖11可知，隨著高程閾值變大，IoU呈先增加后減少的趨勢，因此IoU曲線會存在一個極大值點，當(dāng)高程閾值約為162 m時，IoU達(dá)到了最大值，并且第一次連通標(biāo)定參數(shù)設(shè)置與剔除率有一定的相關(guān)性，如表3、表4所示，隨著剔除率的增加，偽水體連通性變差，需要連通刪除的閾值也隨之變小。通過表4可知，高程閾值選取在108～219 m之間的IoU可以達(dá)到0.8以上?？梢暬叱涕撝禐?62 m時的最終結(jié)果和文獻(xiàn)[4]結(jié)果，如圖12所示。

圖12 水體提取最終結(jié)果

圖12(a)為本文選取162 m的高程閾值最終優(yōu)化結(jié)果，圖12(b)為文獻(xiàn)[4]優(yōu)化結(jié)果。從圖12可知，本文方法相比文獻(xiàn)[4]優(yōu)化方法，在大范圍水體提取時能夠保留更多的細(xì)節(jié)，對小中型潛在的湖泊有較高提取率。并且從表3可知，高程閾值在74～219 m時，優(yōu)化結(jié)果都高于文獻(xiàn)[4]優(yōu)化方法，這也表明高程連通標(biāo)定刪除是一種有效的優(yōu)化方法。

4 結(jié)束語

本文提出了改進(jìn)Otsu法和高程連通標(biāo)定的優(yōu)化算法，結(jié)果表明，改進(jìn)Otsu法閾值分割精度高于傳統(tǒng)Otsu法閾值分割精度，在進(jìn)行優(yōu)化時，使用高程連通標(biāo)定可以很好地保留小中型湖泊，得出結(jié)論如下。

使用改進(jìn)Otsu算法和傳統(tǒng)Otsu法對SDWI圖像的分割閾值進(jìn)行了計算。由表2可知，目視解譯的分割閾值為226，傳統(tǒng)Otsu閾值分割法分割閾值為210，改進(jìn)Otsu閾值分割方法分割閾值為225。改進(jìn)Otsu閾值分割結(jié)果與目視解譯閾值相差1，而傳統(tǒng)Otsu閾值分割法相差16，顯然改進(jìn)Otsu法對目標(biāo)和背景不平衡的情況下，閾值分割效果更顯著。

設(shè)置了六個高程連通閾值，分別為80、90、100、110、120和130 m，討論高程連通閾值應(yīng)滿足兩個規(guī)則。通過矢量化的真實水體和提取的山體陰影，設(shè)置步長為1，對高程閾值進(jìn)行全局搜索，得到當(dāng)高程閾值大于等于219 m時，可以完整地保留真實水體，但山體陰影剔除能力變?nèi)?，?dāng)高程大于等于832 m時，高程連通標(biāo)定算法失效。

所提出的結(jié)合高程連通標(biāo)定算法的形態(tài)學(xué)優(yōu)化方法，區(qū)別于文獻(xiàn)[4]優(yōu)化方法，是一種新的組合優(yōu)化方法，通過計算最終結(jié)果的IoU，得到了IoU曲線。IoU曲線表明，研究區(qū)最佳的高程閾值約為162 m，108～219 m之間的高程閾值IoU在0.8以上。當(dāng)高程閾值為162 m時，IoU為0.882，文獻(xiàn)[4]優(yōu)化后的IoU為0.608。

本文結(jié)合了改進(jìn)Otsu法和形態(tài)學(xué)優(yōu)化方法，提取了彭澤縣區(qū)域于2020年7月20日的精細(xì)水體分布圖。本文方法在提取大范圍水體時，可以有效解決山體陰影與小型湖泊被一同刪除的問題，但仍然有少量小面積湖泊被刪除。