本發(fā)明屬于水體遙感影像技術(shù)領(lǐng)域，主要涉及一種衛(wèi)星遙感影像的城市水體提取方法。

背景技術(shù)：

城市是人類社會(huì)高度發(fā)展的體現(xiàn)，城市水體作為城市生態(tài)系統(tǒng)中重要的因素，在維持城市生態(tài)系統(tǒng)穩(wěn)定性上具有十分重要的作用。城市水體的改變將會(huì)對(duì)生活產(chǎn)生巨大的變化，可能會(huì)引發(fā)一些災(zāi)害，如城市水源滯留、水資源短缺，甚至引發(fā)一些和人類健康生活相關(guān)的疾病。因此，了解和掌握城市水體分布以及水域面積的變化已經(jīng)成為了人們?nèi)找骊P(guān)注的焦點(diǎn)。

近年來，隨著遙感技術(shù)的應(yīng)用與發(fā)展，遙感影像在自然資源調(diào)查、動(dòng)態(tài)監(jiān)測、自然地表水源規(guī)劃等方面發(fā)揮著著越來越重要的角色，利用遙感技術(shù)進(jìn)行地表的監(jiān)測也得到了越來越多的科研工作者的關(guān)注；遙感影像可以以一個(gè)不同的視角去觀察地球表面的地物，實(shí)時(shí)的監(jiān)測地表的變化。在水體提取技術(shù)中，通過遙感數(shù)據(jù)及時(shí)準(zhǔn)確地獲取城市水體信息成為目前主流的水體提取方式。到目前為止，諸多學(xué)者提出了大量遙感影像的水體提取方法，但大部分都是基于中低分辨率遙感影像，由于影像分辨率較低，面積較小的水體未能有效的提??；尤其是對(duì)于城市地區(qū)水體的提取，城市地區(qū)水體面積大小參差不齊，存在諸多小面積人工湖泊和細(xì)小的河流。因此，在城市水體提取中應(yīng)更多的采用高分辨率遙感影像，以資源3號(hào)衛(wèi)星為例，資源3號(hào)衛(wèi)星遙感影像有著5.8m分辨率和5.2km的寬幅，它為城市水體提取提供了理想的多光譜影像數(shù)據(jù)，資源3號(hào)具體參數(shù)如下表1：

表1資源三號(hào)衛(wèi)星影像參數(shù)

水體是遙感影像中很常見的地物類別，也是重要的基礎(chǔ)地理信息之一，其動(dòng)態(tài)信息的快速獲取，對(duì)水資源調(diào)查、水利規(guī)劃、環(huán)境監(jiān)測與保護(hù)等事業(yè)都有著十分明顯的實(shí)用價(jià)值和科學(xué)意義。對(duì)此，諸多學(xué)者很早就對(duì)此展開了研究，提出了許多有效的水體信息自動(dòng)提取模型。大致可以分為4類：(a)單波段和多波段閾值分割法(single-band or multiple-band threshold method)，(b)水體指數(shù)法(Water indices)，(c)線性分解模型(linear un-mixing model)，(d)監(jiān)督與非監(jiān)督分類方法(supervised or unsupervised classification method)。除此之外，還有一些其他的方法，如：基于數(shù)字高程模型的水體提取技術(shù)，基于微波遙感(Microwave Remote Sensing)影像的水體提取技術(shù)，面向?qū)ο?Object Oriented)技術(shù)的水體提取技術(shù)等。但這些方法并不常用，總得來說，水體指數(shù)法由于其模型簡單、方便，且精度較高，在實(shí)際中最為常用。

然而隨著遙感影像分辨率的提高，大部分高分辨率遙感影像(如；WorldView-2,IKONOS,RapidEye,and資源3號(hào))沒有像Landsat TM/ETM+/OLI這么多可以利用的波段用于水體的提取，因此，MNDWI(改進(jìn)的歸一化差異水體指數(shù)法)和AWEI(自動(dòng)水體指數(shù))將無法使用，因?yàn)榇蟛糠值母叻直媛蔬b感影像只有4個(gè)波段(藍(lán)色、綠色、紅色、近紅外波段)，缺少M(fèi)NDWI/AWEI計(jì)算所需的短紅外波段(SWIR)。因此，在使用NDWI(歸一化差異水體指數(shù))對(duì)高分辨率影像進(jìn)行水體提取的時(shí)候就將會(huì)產(chǎn)生一些問題，如陰影無法去除的問題，尤其是城市地區(qū)高層建筑物的陰影，在高分辨率影像上表現(xiàn)尤為突出。在高分辨率遙感影像上，城市區(qū)域的高層建筑物陰影與水體很難區(qū)分，盡管目前有相關(guān)學(xué)者對(duì)這一方面進(jìn)行了研究，如基于面向?qū)ο蟮募夹g(shù)，通過計(jì)算高層建筑物陰影區(qū)域的紋理特性來對(duì)高層建筑物陰影進(jìn)行檢測；雖然可以達(dá)到預(yù)期效果，但由于紋理的描述與計(jì)算相對(duì)復(fù)雜且耗時(shí)較長，所以從計(jì)算時(shí)間上考慮該方法并不是一個(gè)理想的陰影檢測方法。也有基于SVM特征訓(xùn)練進(jìn)行的陰影檢測，以期達(dá)到去除水體檢測中高層建筑物陰影的影響。SVM是一種分類精度較高的方法，但SVM訓(xùn)練需要花去較多的時(shí)間，尤其是當(dāng)訓(xùn)練樣本數(shù)目較多且樣本特征向量維度較高時(shí)。若通過采用高分辨率遙感影像陰影檢測方法(morphological shadow index,MSI)與NDWI相結(jié)合的方式對(duì)WorldView-2高分辨率影像進(jìn)行水體提取，以期提高水體檢測精度；盡管該方法原理簡單，但由于該方法以NDWI方法作為水體提取的基礎(chǔ)，其檢測精度并不會(huì)很高，尤其是周圍植被茂密的細(xì)小面積水域，水體的光譜特性將受到嚴(yán)重的污染，水體光譜特征表現(xiàn)極其不穩(wěn)定，同時(shí)城區(qū)水體具有懸浮泥沙含量高、水體富營養(yǎng)化嚴(yán)重、受各種污染物污染較大等特點(diǎn)，使得城區(qū)水體與自然界中未受污染的水體表現(xiàn)不同的光學(xué)特性。

技術(shù)實(shí)現(xiàn)要素：

針對(duì)如何從高分辨率衛(wèi)星遙感影像上，進(jìn)行城市區(qū)域的水體提取問題，特別是有效的區(qū)分高層建筑物陰影與水體和提高水體提取的精度問題，本發(fā)明提出了一種衛(wèi)星遙感影像的城市水體提取方法(Automatic urban water extraction method,AUWEM)。

本發(fā)明的具體技術(shù)方案如下：

一種衛(wèi)星遙感影像的城市水體提取方法，包括以下步驟：

步驟1：遙感影像數(shù)據(jù)的預(yù)處理，即對(duì)遙感影像數(shù)據(jù)進(jìn)行正射校正和大氣校正；

步驟2：預(yù)處理后的遙感影像數(shù)據(jù)，包括藍(lán)色band1數(shù)據(jù)、綠色band2數(shù)據(jù)、紅色band3數(shù)據(jù)和近紅外band4數(shù)據(jù)，選取預(yù)處理后的遙感影像數(shù)據(jù)中的藍(lán)色band1數(shù)據(jù)代替歸一化差異水體指數(shù)NDWI的計(jì)算公式中的綠色band2數(shù)據(jù)，獲得新的歸一化差異水體指數(shù)NNDWI1，新的歸一化差異水體指數(shù)NNDWI1的計(jì)算公式為：

此計(jì)算公式即為NNDWI1指數(shù)模型，利用此模型通過閾值分割即得到NNDWI1的閾值分割結(jié)果，也即為NNDWI1水體提取結(jié)果；

步驟3：對(duì)預(yù)處理后的遙感影像數(shù)據(jù)中包括的四個(gè)波段數(shù)據(jù)，即藍(lán)色band1數(shù)據(jù)、綠色band2數(shù)據(jù)、紅色band3數(shù)據(jù)和近紅外band4數(shù)據(jù)進(jìn)行PCA變換，并將PCA變換后的第一主成分分量Component1替代歸一化差異水體指數(shù)NDWI的計(jì)算公式中的綠色band2數(shù)據(jù)，獲得另一個(gè)新的歸一化差異水體指數(shù)NNDWI2，即：

其中，Component1表示PCA變換的第一主成分分量，此計(jì)算公式即為NNDWI2指數(shù)模型，利用此模型通過閾值分割即得到NNDWI2的閾值分割結(jié)果，也即為NNDWI2的水體提取結(jié)果；

步驟4：將步驟2得到的NNDWI1的閾值分割結(jié)果和步驟3中得到的NNDWI2的閾值分割結(jié)果進(jìn)行疊加，將得到的結(jié)果定義為新的歸一化差異水體指數(shù)NNDWI的閾值分割結(jié)果，即NNDWI1的閾值分割結(jié)果與NNDWI2的閾值分割結(jié)果進(jìn)行疊加，其計(jì)算公式為：

NNDWI＝(segmentation_NNDWI1)∪(segmentation_NNDWI2)

式中segmentation_NNDWI1表示NNDWI1的閾值分割結(jié)果，segmentation_NNDWI2表示NNDWI2的閾值分割結(jié)果，此計(jì)算公式即為NNDWI指數(shù)模型，利用此指數(shù)模型得到NNDWI的水體提取結(jié)果；

步驟5：對(duì)預(yù)處理后的遙感影像數(shù)據(jù)中的近紅外band4數(shù)據(jù)進(jìn)行閾值分割，得到近紅外band4數(shù)據(jù)的閾值分割結(jié)果；

步驟6：對(duì)NNDWI的水體提取結(jié)果中的大面積水體對(duì)象和小面積對(duì)象進(jìn)行分割，NNDWI的水體提取結(jié)果中，像素個(gè)數(shù)大于設(shè)定閾值的為大面積水體對(duì)象，像素個(gè)數(shù)小于等于設(shè)定閾值的為小面積對(duì)象；

步驟7：對(duì)步驟6中得到的小面積對(duì)象進(jìn)行數(shù)學(xué)形態(tài)學(xué)膨脹處理，得到膨脹后的小面積對(duì)象，將步驟5得到的近紅外band4數(shù)據(jù)的閾值分割結(jié)果作為約束條件，即采用膨脹后的小面積對(duì)象和近紅外band4數(shù)據(jù)的閾值分割結(jié)果求交集的方式對(duì)膨脹后的小面積對(duì)象進(jìn)行約束，約束的數(shù)學(xué)表達(dá)式為：

component2＝(dilate_component)∩(segmentation_band4)

式中，dilate_component表示膨脹后的小面積對(duì)象，segmentation_band4表示近紅外band4數(shù)據(jù)的閾值分割結(jié)果，component2表示約束后的小面積對(duì)象；

步驟8：對(duì)步驟7得到的約束后的小面積對(duì)象進(jìn)行陰影檢測與去除，得到小面積水體對(duì)象；

陰影檢測與去除，是指對(duì)每個(gè)小面積對(duì)象中的每個(gè)像元進(jìn)行波譜關(guān)系的描述，并判斷該像元是否滿足陰影像元的條件，記錄并統(tǒng)計(jì)每個(gè)小面積對(duì)象中陰影像元的個(gè)數(shù)，當(dāng)一個(gè)小面積對(duì)象中陰影像元所占比例大于閾值T時(shí)，把該小面積對(duì)象判定為建筑物陰影對(duì)象，小于等于閾值T時(shí)小面積對(duì)象則判定為小面積水體對(duì)象，陰影像元所占比例即為小面積對(duì)象中陰影像元的個(gè)數(shù)與該小面積對(duì)象中總像元個(gè)數(shù)的比值，區(qū)分小面積對(duì)象中小面積水體對(duì)象和陰影對(duì)象的函數(shù)表達(dá)式為：

式中，n表示某一小面積對(duì)象中總像元個(gè)數(shù)，m為該小面積對(duì)象中陰影像元的個(gè)數(shù)；

陰影像元的條件，是指滿足陰影像元的波譜大小關(guān)系，即滿足以下三個(gè)不等式條件：

步驟9：將步驟6中得到的大面積水體對(duì)象與步驟8中得到的小面積水體對(duì)象進(jìn)行疊加，即將步驟6中得到的大面積水體對(duì)象和步驟8中得到的小面積水體對(duì)象求并集，得到衛(wèi)星遙感影像的城市水體提取結(jié)果。

本發(fā)明的有益效果如下：

(1)新的歸一化差異水體指數(shù)NNDWI1和NNDWI2可以有效的對(duì)水體進(jìn)行初始提取，提高后續(xù)水體的提取精度。

(2)在陰影對(duì)象獲取方面，為了更加準(zhǔn)確的獲取陰影對(duì)象，對(duì)小面積對(duì)象進(jìn)行膨脹處理；同時(shí)為了限制在真實(shí)地表陰影區(qū)域，對(duì)膨脹的對(duì)象采用近紅外band4數(shù)據(jù)的閾值分割結(jié)果進(jìn)行約束。

(3)為避免陰影對(duì)象檢測過程中時(shí)間消耗，對(duì)小面積對(duì)象采用基于波譜特性的描述，減少傳統(tǒng)中采用紋理特征進(jìn)行描述的時(shí)間消耗，提高方法的計(jì)算效率。

(4)AUWEM方法的分類精度要高于NDWI的分類精度和最大似然法的分類精度。在5個(gè)實(shí)驗(yàn)區(qū)的實(shí)驗(yàn)結(jié)果中，AUWEM平均Kappa系數(shù)約為93.0％，NDWI的平均Kappa系數(shù)約為86.2％，最大似然法分類精度介于兩者之間，平均Kappa系數(shù)約為88.6％；同時(shí)AUWEM漏檢與虛警總錯(cuò)誤率也要少于NDWI的分類結(jié)果和最大似然法的分類結(jié)果，AUWEM平均漏檢與虛警總錯(cuò)誤率約為11.9％，最大似然法平均漏檢與虛警總錯(cuò)誤率約為18.2％，NDWI平均漏檢與虛警總錯(cuò)誤率約為22.1％％。除此之外，AUWEM具有更高的水體邊緣檢測精度。

附圖說明

圖1是本發(fā)明具體實(shí)施方式中的NNDWI的水體提取結(jié)果，其中圖(a)是從資源3號(hào)衛(wèi)星獲得的遙感影像，圖(b)是NNDWI1水體提取結(jié)果，圖(c)是NNDWI2水體提取結(jié)果，圖(d)NNDWI水體提取結(jié)果；

圖2是本發(fā)明具體實(shí)施方式中的膨脹約束過程示意圖；

圖3(a)～(e)是本發(fā)明具體實(shí)施方式中的陰影區(qū)域不同波譜特性曲線；

圖4是本發(fā)明具體實(shí)施方式中的衛(wèi)星遙感影像的城市水體提取方法流程圖；

圖5是本發(fā)明具體實(shí)施方式中的不同方法在5個(gè)實(shí)驗(yàn)區(qū)的實(shí)驗(yàn)結(jié)果；

圖6(a)～(f)是本發(fā)明具體實(shí)施方式中的不同方法在5個(gè)實(shí)驗(yàn)區(qū)的6個(gè)指標(biāo)直方圖；

圖7是本發(fā)明具體實(shí)施方式中的水體邊緣精度評(píng)估中待評(píng)估區(qū)域獲取示意圖；

圖8(a)～(c)是本發(fā)明具體實(shí)施方式中的不同方法在5個(gè)實(shí)驗(yàn)區(qū)水體邊緣檢測精度比較。

具體實(shí)施方式

下面結(jié)合附圖和具體實(shí)施方式對(duì)本發(fā)明進(jìn)行詳細(xì)說明。

一種衛(wèi)星遙感影像的城市水體提取方法，以資源3號(hào)衛(wèi)星遙感影像數(shù)據(jù)為例，包括以下步驟：

步驟1：遙感影像數(shù)據(jù)的預(yù)處理，即對(duì)遙感影像數(shù)據(jù)進(jìn)行正射校正和大氣校正；對(duì)實(shí)驗(yàn)區(qū)域的影像利用RPC+30DEM進(jìn)行無控制點(diǎn)正射校正，采用Feyisa G L et al.的FLAASH(Fast Line-of-Sight Atmospheric Analysis of Spectral Hypercubes)大氣校正模型進(jìn)行影像的大氣校正，均在ENVI5.2軟件中完成。其中，資源3號(hào)FLAASH大氣校正需要的定標(biāo)系數(shù)可通過網(wǎng)站http://www.cresda.com/CN/Downloads/dbcs/index.shtml進(jìn)行下載，光譜響應(yīng)函數(shù)可通過網(wǎng)站http://www.cresda.com/CN/Downloads/gpxyhs/index.shtml進(jìn)行下載。

步驟2：預(yù)處理后的遙感影像數(shù)據(jù)，包括藍(lán)色band1數(shù)據(jù)、綠色band2數(shù)據(jù)、紅色band3數(shù)據(jù)和近紅外band4數(shù)據(jù)，選取預(yù)處理后的遙感影像數(shù)據(jù)中的藍(lán)色band1數(shù)據(jù)代替歸一化差異水體指數(shù)NDWI(Normalized Difference Water Index)的計(jì)算公式中的綠色band2數(shù)據(jù)，獲得新的歸一化差異水體指數(shù)NNDWI1(New Normalized Difference Water Index 1)，新的歸一化差異水體指數(shù)NNDWI1的計(jì)算公式為：

此表達(dá)式即為NNDWI1指數(shù)模型。利用此模型在編程軟件Matlab 2014a中通過閾值分割得到NNDWI1閾值分割結(jié)果，也即為NNDWI1水體提取結(jié)果。

步驟3：對(duì)預(yù)處理后的遙感影像數(shù)據(jù)中包括的四個(gè)波段數(shù)據(jù)，即藍(lán)色band1數(shù)據(jù)、綠色band2數(shù)據(jù)、紅色band3數(shù)據(jù)和近紅外band4數(shù)據(jù)進(jìn)行PCA變換，并將PCA變換后的第一主成分分量Component1替代歸一化差異水體指數(shù)NDWI的計(jì)算公式中的綠色band2數(shù)據(jù)，獲得另一個(gè)新的歸一化差異水體指數(shù)NNDWI2(New Normalized Difference Water Index 2)，即：

其中，Component1表示PCA變換的第一主成分分量。

此表達(dá)式即為NNDWI2指數(shù)模型。利用此模型在編程軟件Matlab 2014a中通過閾值分割得到NNDWI2閾值分割結(jié)果，也即為NNDWI2水體提取結(jié)果。

步驟4：將步驟2得到的NNDWI1的閾值分割結(jié)果和步驟3中得到的NNDWI2的閾值分割結(jié)果進(jìn)行疊加，將得到的結(jié)果定義為新的歸一化差異水體指數(shù)NNDWI(New Normalized Difference Water Index)的閾值分割結(jié)果，即NNDWI1的閾值分割結(jié)果與NNDWI2的閾值分割結(jié)果進(jìn)行疊加，其計(jì)算公式為：

NNDWI＝(segmentation_NNDWI1)∪(segmentation_NNDWI2)

式中segmentation_NNDWI1表示NNDWI1指數(shù)影像的閾值分割結(jié)果，segmentation_NNDWI2表示NNDWI2指數(shù)影像的閾值分割結(jié)果。此計(jì)算公式即為NNDWI指數(shù)模型，利用此模型在編程軟件Matlab 2014a中得到NNDWI水體提取結(jié)果。

通過實(shí)驗(yàn)分析，實(shí)驗(yàn)中NNDWI1的閾值分割結(jié)果所采用的閾值與NNDWI2的閾值分割結(jié)果所采用的閾值都設(shè)為0，可獲得較為理想的實(shí)驗(yàn)結(jié)果。NNDWI的水體提取結(jié)果綜合了NNDWI1的水體提取結(jié)果和NNDWI2的水體提取結(jié)果，避免了單一指數(shù)對(duì)水體的漏檢現(xiàn)象發(fā)生。如圖1(a)～(d)所示。NNDWI1對(duì)含泥沙高的水體檢測效果較為明顯，而NNDWI2對(duì)受植被光譜信息干擾嚴(yán)重的水體較為敏感，因此，實(shí)際水體提取中結(jié)合NNDWI1的水體提取結(jié)果和NNDWI2的水體提取結(jié)果，整合生成新的水體提取結(jié)果，提高后續(xù)水體提取精度。

步驟5：對(duì)預(yù)處理后的遙感影像數(shù)據(jù)中的近紅外band4數(shù)據(jù)進(jìn)行閾值分割，得到近紅外band4數(shù)據(jù)的閾值分割結(jié)果。

通過分析大量NNDWI水體提取結(jié)果的影像資料發(fā)現(xiàn)，除部分城區(qū)面積較小的人工池塘與湖泊之外，在一般情況下，城市高層建筑物陰影對(duì)象的面積一般要小于水體對(duì)象的面積。所以在實(shí)際的分析中，只對(duì)面積相對(duì)較小的地物進(jìn)行檢測，因?yàn)樵谶@部分面積相對(duì)較小的對(duì)象中包括幾乎所有的陰影對(duì)象，同時(shí)也包括小面積水體對(duì)象。

步驟6：對(duì)NNDWI的水體提取結(jié)果中的大面積水體對(duì)象和小面積對(duì)象進(jìn)行分割，NNDWI的水體提取結(jié)果中，像素個(gè)數(shù)大于設(shè)定閾值的為大面積水體對(duì)象，像素個(gè)數(shù)小于等于設(shè)定閾值的為小面積對(duì)象；

小面積對(duì)象獲取模型，可表示為：

其中，t為設(shè)定的閾值，其值取最大陰影對(duì)象的像素個(gè)數(shù)，component表示NNDWI水體指數(shù)提取結(jié)果中的離散對(duì)象，area(component)表示NNDWI水體指數(shù)提取結(jié)果中的離散對(duì)象的面積，area(component)>t為大面積水體對(duì)象，area(component)≤t為小面積水體或者陰影對(duì)象。

步驟7：對(duì)步驟6中得到的小面積對(duì)象進(jìn)行數(shù)學(xué)形態(tài)學(xué)膨脹處理，得到膨脹后的小面積對(duì)象，將步驟5得到的近紅外band4數(shù)據(jù)的閾值分割結(jié)果作為約束條件，即采用膨脹后的小面積對(duì)象和近紅外band4數(shù)據(jù)的閾值分割結(jié)果求交集的方式對(duì)膨脹后的小面積對(duì)象進(jìn)行約束，約束的數(shù)學(xué)表達(dá)式為：

component2＝(dilate_component)∩(segmentation_band4)

式中，dilate_component表示膨脹后的小面積對(duì)象，segmentation_band4表示近紅外band4數(shù)據(jù)的閾值分割結(jié)果，component2表示約束后的小面積對(duì)象；

該膨脹后的小面積對(duì)象更加完整的包括了小面積水體對(duì)象與陰影的陰影像素，對(duì)膨脹后的小面積對(duì)象進(jìn)行約束也保持了小面積對(duì)象的膨脹操作限制在地表真實(shí)陰影區(qū)域的范圍內(nèi)。

以步驟6得到的小面積對(duì)象為建筑物陰影對(duì)象為例的膨脹約束過程示意圖如圖2所示，從資源3號(hào)假彩色影像中，分別獲取建筑物陰影對(duì)象和Band4影像數(shù)據(jù)閾值分割結(jié)果，將得到的建筑物陰影對(duì)象進(jìn)行數(shù)學(xué)形態(tài)學(xué)膨脹處理，獲得建筑物陰影對(duì)象的膨脹結(jié)果，將建筑物陰影對(duì)象的膨脹結(jié)果與Band4影像數(shù)據(jù)閾值分割結(jié)果進(jìn)行求交集處理，即得到在Band4影像數(shù)據(jù)閾值分割結(jié)果約束下的膨脹后的建筑物陰影對(duì)象。

步驟8：對(duì)步驟7得到的約束后的小面積對(duì)象進(jìn)行陰影檢測與去除，得到小面積水體對(duì)象；

在NNDWI水體提取結(jié)果中，基本上只包含小面積水體對(duì)象與陰影，所以只需要對(duì)小面積水體對(duì)象與陰影的特征進(jìn)行研究與分析，找到適合區(qū)分小面積水體對(duì)象與陰影的特征。在實(shí)驗(yàn)中發(fā)現(xiàn)，盡管紋理特征可以很好的描述小面積水體對(duì)象與陰影，但由于地物的紋理特征，如：灰度共生矩陣，其計(jì)算相對(duì)復(fù)雜、耗時(shí)較長，不太適于用于小面積水體對(duì)象與陰影的區(qū)分，所以在實(shí)驗(yàn)中采用地物的光譜特征描述小面積水體對(duì)象和陰影的像素，以此作為依據(jù)區(qū)分小面積水體對(duì)象與陰影。

通過分析大量的水體與陰影的波譜特性曲線，得到水體像元的波譜關(guān)系滿足不等式：

band2>band4

而陰影的像元波譜曲線較為復(fù)雜，實(shí)驗(yàn)中分析總結(jié)出了以下5種波譜特性曲線，如圖3(a)～(e)所示。

根據(jù)上述波譜曲線各波段對(duì)應(yīng)的大小關(guān)系，實(shí)驗(yàn)中總結(jié)出陰影像元的波譜關(guān)系滿足以下三個(gè)不等式條件：

由此可知，陰影像元的條件，是指陰影像元的波譜關(guān)系滿足以上三個(gè)不等式條件。

陰影檢測與去除，是指對(duì)每個(gè)小面積對(duì)象中的每個(gè)像元進(jìn)行波譜關(guān)系的描述，并判斷該像元是否滿足陰影像元的條件，記錄并統(tǒng)計(jì)每個(gè)小面積對(duì)象中陰影像元的個(gè)數(shù)，當(dāng)一個(gè)小面積對(duì)象中陰影像元所占比例大于閾值T時(shí)，把該小面積對(duì)象判定為建筑物陰影對(duì)象，小于等于閾值T時(shí)小面積對(duì)象則判定為小面積水體對(duì)象，陰影像元所占比例即為小面積對(duì)象中陰影像元的個(gè)數(shù)與該小面積對(duì)象中總像元個(gè)數(shù)的比值，區(qū)分小面積對(duì)象中小面積水體對(duì)象和陰影對(duì)象的函數(shù)表達(dá)式為：

式中，n表示某一小面積對(duì)象中總像元個(gè)數(shù)，m為該小面積對(duì)象中陰影像元的個(gè)數(shù)。閾值T是通過實(shí)驗(yàn)統(tǒng)計(jì)得來的，對(duì)資源3號(hào)遙感影像數(shù)據(jù)的陰影像元進(jìn)行統(tǒng)計(jì)發(fā)現(xiàn)，當(dāng)T取0.5時(shí)可以很好的區(qū)分水體與陰影對(duì)象。

步驟9：將步驟6中得到的大面積水體對(duì)象與步驟8中得到的小面積水體對(duì)象進(jìn)行疊加，即將步驟6中得到的大面積水體對(duì)象和步驟8中得到的小面積水體對(duì)象求并集，得到衛(wèi)星遙感影像的城市水體提取結(jié)果。

一種衛(wèi)星遙感影像的城市水體提取方法的總體流程圖如圖4所示。

為驗(yàn)證方法的有效性，分別采用NDWI方法水體提取結(jié)果和最大似然法(MaxLike)水體提取結(jié)果進(jìn)行對(duì)比實(shí)驗(yàn)。在中國境內(nèi)選取了5處不同地區(qū)且具有不同周邊環(huán)境的影像用于實(shí)驗(yàn)，它們包括湖泊和河流，分別位于中國地區(qū)的北京市、武漢市、蘇州市、廣州市，其中武漢市選用了兩個(gè)不同覆蓋區(qū)域的影像。資源3號(hào)影像詳細(xì)信息描述如表2所示，實(shí)驗(yàn)中詳細(xì)的參數(shù)的設(shè)置情況如表3所示，其中band4的數(shù)值首先按下式歸化到0-255取值范圍，然后再選取閾值進(jìn)行分割的。

表2實(shí)驗(yàn)數(shù)據(jù)詳細(xì)信息

表3不同實(shí)驗(yàn)地區(qū)閾值設(shè)定(其中T1，T2，T3，分別為NNDWI1、NNDWI2、band4的分割閾值)

為便于不同方法分類結(jié)果的目視判讀與分析，對(duì)正確分類的水體像元賦予灰色，正確分類的非水體像元賦予黑色，錯(cuò)誤分類的像元賦予白色，實(shí)驗(yàn)結(jié)果如圖5所示。從圖5的分類結(jié)果目視判讀可以發(fā)現(xiàn)，本發(fā)明提出的AUWEM的水體提取分類精度要好于NDWI的水體提取分類精度和最大似然法的水體提取分類精度。AUWEM對(duì)水體邊緣混合像元可以很好的分類(結(jié)合Beijing、Wuhan_1和Wuhan_2地區(qū)的水體分類結(jié)果)、對(duì)細(xì)小的池塘水體檢測性能好于NDWI和最大似然法(結(jié)合Suzhou地區(qū)水體分類結(jié)果)、對(duì)房屋建筑物的陰影可以很好的去除(結(jié)合Suzhou和Wuhan_2地區(qū)水體分類結(jié)果)。

不同實(shí)驗(yàn)區(qū)域三種方法水體提取分類精度比較統(tǒng)計(jì)結(jié)果如表4所示，從表4的統(tǒng)計(jì)結(jié)果中發(fā)現(xiàn)，AUWEM水體提取分類精度要高于NDWI和最大似然法。AUWEM在這5個(gè)實(shí)驗(yàn)區(qū)域的分類精度是最高，平均Kappa系數(shù)達(dá)93.0％；而NDWI的分類精度最低，平均Kappa系數(shù)約為86.2％；最大似然法分類精度介于兩者之間，平均Kappa系數(shù)約為88.6％。

表4不同實(shí)驗(yàn)區(qū)域三種方法的精度統(tǒng)計(jì)

為了更加詳細(xì)的評(píng)估AUWEM對(duì)水體的提取精度，采用生產(chǎn)者精度、用戶精度、Kappa系數(shù)、漏檢率、虛警率、總錯(cuò)誤率6個(gè)指標(biāo)來描述方法的水體提取精度。三種不同方法在5個(gè)實(shí)驗(yàn)地區(qū)的6個(gè)指標(biāo)直方圖如圖6(a)～(f)所示，從各個(gè)指標(biāo)的直方圖可以發(fā)現(xiàn)，AUWEM的水體提取分類精度要高于NDWI的水體提取分類精度和最大似然法的水體提取分類精度。AUWEM在水體提取的虛警率方面，除在Suzhou地區(qū)達(dá)到9.1％左右，其他的實(shí)驗(yàn)區(qū)域都是低于5％；在水體漏檢率方面，5個(gè)地區(qū)漏檢率都要明顯少于NDWI和最大似然法。當(dāng)水體提取的虛警率與水體漏檢率都低時(shí)，總錯(cuò)誤率自然也就是最低。從圖6(a)～(f)中可以看出AUWEM總錯(cuò)誤率最低，其次是最大似然法，總錯(cuò)誤率最高的是NDWI，其中AUWEM平均總錯(cuò)誤率約為11.9％，最大似然法平均總錯(cuò)誤率約為18.2％，NDWI平均總錯(cuò)誤率約為22.1％％。

對(duì)于水體提取分類生產(chǎn)者精度，AUWEM水體提取分類生產(chǎn)者精度最高，平均約為91.6％；最大似然法水體提取分類生產(chǎn)者精度次之，平均約為84.8％；NDWI的水體提取分類生產(chǎn)者精度最低，平均約為81.6％。在水體提取用戶精度方面，最大似然法的水體提取用戶精度要大于的AUWEM和NDWI，平均精度用戶高達(dá)96.6％；AUWEM方法次之，平均精度用戶約為96.4％；最差的仍然屬于NDWI方法，平均精度用戶約為95.7％。

為了更加客觀評(píng)價(jià)三種方法提取的水體的邊緣檢測精度，設(shè)計(jì)以下方法來進(jìn)行精度評(píng)價(jià)，方法具體實(shí)施描述如下：

首先利用參考影像采用Canny算子獲取三種方法提取的水體的邊界線；

對(duì)獲取的邊界線進(jìn)行數(shù)學(xué)形態(tài)學(xué)的膨脹處理，建立以邊界線為中心半徑為4個(gè)像元的緩沖區(qū)域；

然后對(duì)緩沖區(qū)域的像元進(jìn)行判斷，假設(shè)緩沖區(qū)域總像元值為N，正確分類的像元數(shù)目的N_R，漏檢像元數(shù)目為No，虛警數(shù)目為Nc，則：

其中，A+Eo+Ec＝100％。A表示邊緣像元正確劃分類別的比例，在這里稱它為邊緣像元正確分類精度；Eo表示邊緣像元漏檢的比例，稱它為邊緣像元漏檢率；Ec表示邊緣像元虛警的比例，稱它為邊緣像元虛警率。將經(jīng)過數(shù)學(xué)形態(tài)學(xué)膨脹處理的水體的邊界線與從資源3號(hào)衛(wèi)星獲取的遙感影像進(jìn)行疊加，得到邊緣精度評(píng)估中待評(píng)估區(qū)域。邊緣精度評(píng)估中待評(píng)估區(qū)域獲取示意圖如圖7所示。

根據(jù)上述方法統(tǒng)計(jì)了實(shí)驗(yàn)區(qū)域的水體邊緣檢測精度，分別統(tǒng)計(jì)了邊緣像元虛警率(Commission Error)、邊緣像元漏檢率(Omission Error)和邊緣像元正確分類精度(Accuracy of edge detection)，并對(duì)實(shí)驗(yàn)結(jié)果進(jìn)行比較，如圖8(a)～(c)所示。從圖8的比較結(jié)果可以很清晰的發(fā)現(xiàn)：AUWEM方法邊緣像元正確分類精度要好于NDWI和最大似然法。其中AUWEM方法水體邊緣像元正確分類精度最高達(dá)93.7691％(Guangzhou地區(qū))，最小精度為79.5798％(Wuhan_2地區(qū))；NDWI水體邊緣像元正確分類精度最高達(dá)84.0917％(Suzhou地區(qū))，最小精度為69.8310％(Beijing地區(qū))；最大似然法水體邊緣像元正確分類精度最高達(dá)85.8149％(Guangzhou地區(qū))，最小精度為69.7974％(Wuhan_2地區(qū))。