邹 橙，杨学志，董张玉，王 冬



基于GF-2遥感影像的一种快速水体信息提取方法

邹 橙1,2，杨学志1,2，董张玉1,2，王 冬1,2

(1. 合肥工业大学计算机与信息学院，安徽 合肥 230009；2. 工业安全与应急技术安徽省重点实验室，安徽 合肥 230009)

在高分辨率遥感影像中，水体与阴影(尤其是高大建筑物阴影)、暗色地物不易区分。针对GF-2遥感影像的光谱特性的大量实验研究，提出了一种新综合水体指数法(NCWI)来增强水体区域信息；同时利用改进的OSTU结合鸡群算法(CSO)快速自适应地确定最佳分割阈值，进而得到最终的水体区域。将其同归一化NDWI、改进谱间关系法、主成分分析综合法等常见水体信息提取方法应用于GF-2遥感影像水体信息提取，利用采用实地采样和人工解译的混淆矩阵对提取的水体区域结果进行精度验证和对比分析，从而验证了其有效性和高效性。4个实验区域的结果证明，该算法可以快速有效地提取水体信息，精确度分别达到97.82%，97.44%，92.13%，96.94%。

GF-2影像；水体提取；新综合水体指数；OSTU；高大建筑物阴影；鸡群算法

利用遥感技术对水资源进行实时高效地监测、分析以及管理，对于人类的生存和发展具有十分重要的意义。随着遥感技术的快速发展，卫星影像的分辨率也越来越高，对尺寸很小的对象都能够分辨出特征细节，使得不同的地物在影像中更加容易区分。然而，随着影像分辨率的提高，影像中地物信息量也随之增加，传统面向对象方法[1-2]虽然能够保证较高的精确度，但是耗时长，且具有较强的主观特性，很难达到人们的实际需求。因此如何快速、准确地从高分辨率遥感影像上提取出水体信息一直以来都是人们研究的一个热点。

目前，国内外在水体信息自动提取方面已经研究出了多种方法，如单波段阈值法、多波段谱间关系法[3]、水体指数法[3-6]、决策树法、密度分割法、指数法、图像变换[7-8]等，其中对水体指数法、多波段谱间关系法与决策树法的研究较多，应用也较为成熟。但主要运用到TM/ETM+这类波段较多且分辨率较低的遥感影像上。适合于分辨率高、波段少、信息量复杂的GF-2遥感影像水体信息提取方法尚不多见，其算法也有待进一步扩展，是目前中国高分辨卫星应用研究的重要课题。根据实际需求，本文在分析GF-2影像常见地物光谱信息的基础上，提出了一种适合于GF-2影像水体信息提取的新水体指数法(new comprehensive water index，NCWI)，考虑到利用传统最大类间方差法(OSTU)在自动计算水体指数法信息增强后的遥感图像二值化最佳阈值耗时较长等问题[9]，在采用改进OSTU算法的基础上结合一种模拟鸡群等级制度和鸡群行为的新型全局优化算法——鸡群算法(chicken swarm optimization，CSO)[10-11]提高了阈值选取的效率，并对GF-2影像数据进行实验，验证了本文算法的有效性和精确性。

1 数据源介绍与分析

1.1 数据介绍与处理

目前，GF-2号遥感卫星是我国分辨率最高的光学遥感卫星，其影像分辨率可达亚米级。原始的GF-2遥感卫星影像包括4 m分辨率的多光谱数据以及1 m分辨率的全色数据。其中多光谱数据包括4个波段:蓝(B1，0.45~0.52 μm)、绿(B2，0.52~0.59 μm)、红(B3，0.63~0.69 μm)、近红外(B4，0.77~0.89 μm)；全色波段(Pan，0.45~0.89 μm)分辨率为1 m，只有一个波段。

本文选用了4景不同时间、不同区域云量少于2%的GF-2影像作为数据源，见表1。为了达到数据光谱与空间分辨信息最大化利用，采用PRC函数对原始影像进行了正射校正、几何校正、辐射定标和Flash大气校正等，较好地保持了图像的纹理和光谱信息；且利用Gram-Schmidt Pan Sharpening (GS)对校正后的全色和多光谱数据进行图像融合，获取分辨率为1 m的彩色融合影像作为实验备用数据。

表1 实验数据参照表

1.2 光谱特征分析

对彩色融合图像中的水体、阴影、建筑物、裸地、道路、植被等典型地物的光谱值进行统计，并对4个实验区域的光谱值求平均值以保证数据的准确性，结果见表2。其中水体可以分为2类：颜色较亮的清澈水体和易与阴影、暗色地物混合的颜色较暗的浑浊水体。以统计的4个波段的光谱均值为纵坐标，以每个波段中心(0.49，0.56，0.66，0.83)作为横坐标绘制光谱曲线，如图1所示。

表2 研究区域水体及其相关地物类型光谱均值

图1 水体及相关地物典型光谱曲线

分析表2和图1可知：①植被、浅滩与水体的反射率在蓝、绿、红波段区间比较接近，但是在近红外波段区间却呈现相反的增长趋势。②水体反射率在可见光范围内总体较低，且随着波长的增大而逐步走低，在近红外波段达到最低，几乎完全吸收，因此水体在遥感影像上呈现暗色调，易与其他地物区分。但是影像中阴影和水体的灰度值较为接近，在近红外波段上相交叉，使得阴影与水体不易区分。③除了植被之外，其余地物随着光强依次减小，光散射的能力不同，下降的速率有较大的差异。无论是暗色水体还是亮色水体，从红、绿波段到近红外波段，光散射的速率越来越小，即水体和其他地物之间的亮度差异越来越明显，包括与水体不易区分的阴影。

2 水体提取建模

本文研究的水体自动提取模型，具体步骤如图2所示，第一步利用水体指数进行水体信息增强；第二步利用改进OSTU算法结合CSO算法进行快速自动阈值提取水体信息。

图2 遥感影像水体信息提取流程图

2.1 新型水体指数法

不同的地物在不同波段反射能力不同，对几个波段进行组合、差值、比值等运算可以突出水体，且尽可能多地抑制非水体信息的表达。暗色地物以及阴影，尤其是高大建筑物阴影是影像水体信息提取的最大干扰因素，如何有针对性地剔除GF-2影像中的阴影非常重要。本文通过观察表2和图1可以发现，水体在蓝、绿波段下降速率明显小于红外波段，因此引入蓝波段、绿波段和近红外波段构建NCWI，即

其中，1，2，4分别为GF-2影像的蓝色波段、绿色波段以及近红外波段。

2.2 OSTU算法

通过对NCWI水体指数增强后的遥感影像利用式(2)在The Environment for Visualizing Images(ENVI)中进行图像拉伸

其中，min和max分别为拉伸前的最小值和最大值。将拉伸后的4幅遥感影像放入MATLAB中进行统计，得到4个区域的灰度直方图，如图3所示。

图3 4个实验区域NCWI处理后的灰度直方图

可知通过NCWI水体指数增强后的图像尤其是区域内水体比例较多时呈现出较强的双峰特性。而OSTU利用图像灰度特性将图像分为背景和目标，通过统计学方法自动选取一个阈值将前景和背景区分开来。尤其是直方图双峰不明显或图像目标和背景比例差异悬殊的图像，OSTU算法较其他算法效果好[9]。但传统OSTU方法只考虑了统计意义内的目标像元和前景像元整体内部灰度均值的差异特性，忽略了类别内各像元的内聚性，使求得的阈值出现边界模糊、分类不准确的现象；此外该算法采用的是遍历搜索算法来求解各灰度对应的类间方差，其计算量大，耗时长。因此本文采用综合类内方差和类间方差指标来构建阈值，并采用CSO对其进行优化。

将式(2)作为CSO的目标函数即适应度函数来搜索全局最优位置。

(1) 设置算法相关参数。种群规模、公鸡、母鸡、小鸡比例因子以及更新代数。

(2) 计算鸡群的适应度值，初始化个体当前最好位置和鸡群全局最好位置。

(3) 位置更新及每个个体适应度值计算，更新最优个体值和全局最优值迭代直到满足停止条件。

设搜索空间为维；种群规模为，第只公鸡在维空间的觅食轨迹为

第只母鸡在维空间的+1时刻位置为

其中，rand为[0,1]均匀分布，randn为高斯分布；1为第只母鸡自身所在群中的公鸡；2为整个鸡群中公鸡和母鸡中随机选取的任意个体，且2不等于1。

+1时刻在母鸡周围觅食，并受该母鸡跟随公鸡影响的第只小鸡在维空间的活动轨迹为

其中，为第只小鸡对应的母鸡；为跟随系数，取值为[0，2]；为学习因子；为小鸡的自我学习系数。

(4) 输出全局最优值，即为最佳分割阈值。

3 实验结果与分析

3.1 实验结果

为了避免单一成像条件、地物结构对整体提取结果的影响，本文采用了4幅尺寸大小分别为3279×5412，800×1243，1733×2194和1013×1003的高分二号卫星影像进行水体信息自动提取。

对于光学图像而言，水体信息的有效提取常常决定于阈值的选择。选择3279×5412大小的高分二号卫星影像(图4(a))为实验区域，图4(b)和图4(c)为手动选取的阈值，其阈值分别为0.19和0.21，图4(d)为本文OSTU算法自动选取的阈值为0.20的效果图。

通过对比分析可知，当阈值选择较小的0.19时，会造成暗色地物尤其是高大建筑物阴影错提为水体的情况出现；当选择0.21较大阈值时，则可造成水体信息丢失，漏提一些细小的水体情况出现。此外阈值的选择具有很强的随机性，通常需要经过大量的试验才能得到分割效果较好的阈值，是否为最佳阈值无法确定。而OSTU算法可以自适应地进行最佳阈值的确定。如图4(d)红框部分所示，OSTU算法能够较为完整地提取水体信息，并有效抑制其他地物对水体信息提取的影响。

OSTU算法本身存在计算量大、耗时长的问题，通过引入全局寻优较强的CSO则能够很好地解决此问题，见表3。通过对4个试验区域进行实验，可知本文算法对阈值选择效率有了很大地提高，而且所选区域越大，信息量越多，算法的优化性能越突显。

图4 不同阈值对水体信息提取的影响

表3 OSTU性能优化前后对比图(s)

为了体现本文水体指数的优越性，本文做了3组实验，所选数据中水体形状各异，实验区域中地物复杂程度逐渐增加，体现出本文方法的普适性和有效性，如图5所示。

图5 实验区域2水体提取结果

(1) 第1组实验为非城市区域，阴影区域较少。改进的谱间关系法的提取效果最差，主成分分析综合则漏提了许多小面积水体，NDWI方法和本文方法提取精度较高，本文方法且能提取更多的水体信息，精度提高了3.18%。

(2) 第2组实验为城市区域，水体面积较大，无细小支流，阴影区域明显。通过对比分析改进谱间关系法提取精度最差，主成分分析综合法和NDWI在无误提的前提下，小面积水体信息丢失较多。本文方法能够有效将阴影和水体区分开来，如图6所示。

图6 实验区域3水体提取结果

(3) 第3组实验，地物最复杂且存在细小支流。3种常见方法无法提取细小支流，而且存在少量阴影噪声无法去除。本文方法能够很好地将细小支流提取出来，且能提取小面积水体，阴影区分效果也很好，图7中红框部分是3种常见方法无法消除的阴影噪声。

图7 实验区域4水体提取结果

3.2 精度评价与分析

为了定量评价本文算法检测的有效性，选用漏检率来对算法做评价，并用同一时间的Google Earth影像作为辅助数据，目视解译结果作为参考图。在每个研究区域随机选取700个样本点，为了消除阴影等暗色地物的影像，本文只采用总体精度S(Overall accuracy)[12]指标来评价每个区域水体信息提取的效果，总体精度反映的是实际检测到的水体比率。

其中，real为真实检测到的水体区域；total为标准参考图上的真实水体区域总数。

从表4中可以看出，已有的适用于高分辨率遥感影像水体信息提取的方法无论是在非城市区域还是城市区域，水体信息提取精度都比不上新提出的NCWI水体信息提取方法的精度。改进谱间关系法和主成分分析方法在建筑物阴影较大的时候，水体精度很差，阈值无法自动获取；NDWI和NCWI方法能够较为准确地提取水体信息，但是NDWI容易出现误提和漏提，精度比不上NCWI水体指数方法。

表4 不同水体方法提取精度对比(%)

4 结束语

本文在水体信息自动提取方面，对所选择的每个区域影像只选用一个全局阈值进行图像二值化处理。在实际应用中，所选区域较大，为了提高提取结果的精度，可将大幅影像分成许多小窗口[13]，然后在每个窗口运用优化之后的改进OSTU算法进行阈值的自动计算，自适应确定最佳分割阈值。本文算法无论是在阴影区域还是非阴影区域，水体信息提取的整体效果较好，但是当裁剪区域内高大阴影区域正好投射在暗色地物上时，水体信息提取精度会受到一定影响，接下来将进一步研究。此外，本文算法提出的水体指数同样也适用于Landsat8高分辨率影像中的水体信息提取。

[1] 付勇勇, 王旭航, 邓劲松, 等. 采用国产GF-2遥感影像的复杂水网平原水体信息提取[J]. 浙江大学学报: 工学版, 2017(12): 2474-2480.

[2] 童李霞, 燕琴, 骆成凤, 等. 基于NDWI分割与面向对象的水体信息提取[J]. 地理空间信息, 2017, 15(5): 57-59.

[3] 柯丽娟, 赵红莉, 蒋云钟. 基于GF-1卫星遥感影像提取水体的方法比较[J].甘肃科技, 2015(10): 18-21.

[4] 赵慧童, 王萍, 张娜, 等. 基于GF-1遥感数据的城市水体信息提取方法研究[J]. 测绘与空间地理信息, 2017, 40(10): 70-73.

[5] GUO Q D, PU R L, LI J D, et al. A weighted normalized difference water index for water extraction using Landsat imagery [J]. International Journal of Remote Sensing, 2017, 38(19): 5430-5445.

[6] WANG X, XIE S, ZHANG X, et al. A robust multi-band water index (MBWI) for automated extraction of surface water from land sat 8 OLI imagery [J]. International Journal of Applied Earth Observation and Geoinformation, 2018, 68: 73-91.

[7] 周小莉, 郭加伟, 刘锟铭. 基于陆地成像仪影像和主成分分析的水体信息提取——以鄱阳湖区为例[J].激光与光电子学进展, 2016(8): 77-84.

[8] 齐庆超, 张小磊, 金江峰, 等. 基于光谱角匹配算法的水体信息提取研究[J].测绘与空间地理信息, 2016, 39(2): 93-96.

[9] 赵紫薇. 基于OSTU算法利用新型水体指数进行Landsat数据自适应阈值水体自动提取研究[J]. 测绘与空间地理信息, 2016(9): 57-60.

[10] MENG X B, LIU Y, GAO X Z, et al. A new bio-inspired algorithm: Chicken swarm optimization [C]// International Conference in Swarm Intelligence. Berlin: Springer, 2014: 86-94.

[11] 孔飞, 吴定会. 一种改进的鸡群算法[J]. 江南大学学报: 自然科学版, 2015, 14(6): 681-688.

[12] 张伟, 赵理君, 郑柯, 等. 一种改进光谱角匹配的水体信息提取方法[J]. 测绘通报, 2017(10): 34-38.

[13] 袁欣智, 江洪, 陈芸芝, 等. 一种应用大津法的自适应阈值水体提取方法[J]. 遥感信息, 2016, 31(5): 36-42.

A Fast Water Information Extraction Method Based on GF-2 Remote Sensing Image

ZOU Cheng1,2,YANG Xue-zhi1,2,DONG Zhang-yu1,2,WANG Dong1,2

(1. School of Computer and Information, Hefei University of Technology, Hefei Anhui 230009, China; 2. Anhui Province Key Laboratory of Industry Safety and Emergency Technology, Hefei Anhui 230009, China)

It is difficult to distinguish water from shadow (especially the shadows of tall buildings) and dark ground objects in high resolution remote sensing images, especially in GF-2 remote sensing images. This study analyzes the spectral features of typical terrains of the GF-2 remote sensing images through a lot of experiments. A new comprehensive water index method (NCWI) is proposed to enhance water body region information; and then, the improved method of maximum between-class variance (OSTU) combining with the chicken swarm optimization algorithm (CSO) are used to quickly and adaptively determine the optimal segmentation threshold to obtain the final water body region. To demonstrate the effectiveness of the proposed algorithm, the method of NDWI algorithm, the multi-band spectrum-photometric algorithm and the principal component analysis synthesis algorithms are used for comparison in water-body extraction. The confusion matrix and the field sampling are applied as the statistical metric to quantitatively evaluate the performance of the algorithms mentioned above. The verification results indicate that the new method can be used to extract quickly and effectively extract water body information, and the accuracy reached 97.82%, 97.44%, 92.13%, 96.94% respectively.

GF-2 image; water extraction; new comprehensive water index; OSTU; shadows of tall buildings; chicken swarm optimization

TP 391

10.11996/JG.j.2095-302X.2019010099

A

2095-302X(2019)01-0099-06

2018-07-05；

2018-07-19

国家自然科学基金项目(41601452)；安徽省省重点研究与开发计划项目(1704a0802124)

邹 橙(1992-)，女，湖北荆州人，硕士研究生。主要研究方向为数字图像处理。E-mail：912826890@qq.com

董张玉(1986-)，男，安徽合肥人，副教授，博士。主要研究方向为遥感信息。E-mail：dzyhfut@hfut.edu.cn